Análisis estadístico de las exportaciones de bienes en la Comunidad Andina, Enero 2010 Junio 2018
67
0
0
Texto completo
(2) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. IC AS. DEDICATORIA. La presente investigación va dedicada a Dios, quien supo guiarme por el camino correcto, por darme la fuerza de no. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. rendirme jamás, enseñarme a enfrentar las adversidades sin perder nunca la dignidad ni desfallecer en el intento.. A mi tía, por su apoyo incondicional, consejos, comprensión, el gran amor que me brinda y por enseñarme a perseguir mis sueños.. A mis padres por su apoyo constante, consejos, comprensión. BL. IO. y su amor.. A mi querido Adiel, por darme la fuerza de seguir adelante, a. BI. mis hermanos por estar siempre presente.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. ii i.
(3) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. IC AS. AGRADECIMIENTO. ➢ En esta presente investigación agradezco a Dios por el amo y su misericordia. ➢ A la U.N.T, en especial a todos los docentes de la Escuela de Estadística por la formación profesional brinda.. ➢ A mi Asesor y Jurado de Tesis, por el apoyo brindado en el desarrollo de esta. BI. BL. IO. investigación.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. iii i.
(4) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. IC AS. PRESENTACIÓN. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. SEÑORES MIEMBROS DEL JURADO. De conformidad y cumplimiento con lo expuesto por el reglamento de grados y títulos de la Facultad de Ciencias Físicas y Matemáticas; Escuela Académico Profesional de Estadística de la Universidad Nacional de Trujillo, someto a vuestro elevado criterio profesional a la evaluación de la siguiente tesis Titulada: “ANÁLISIS ESTADÍSTICO DE LAS EXPORTACIONES DE BIENES EN LA COMUNIDAD ANDINA, ENERO 2010JUNIO 2018”, elaborada con el propósito de optar el Título de Ingeniero Estadístico.. Confió en vuestro criterio profesional para la respectiva evaluación del siguiente trabajo y agradecer a los miembros del jurado Dr. Humberto Aníbal Verde Olivares en calidad de Asesor, Dr. Jorge Luis Meléndez Rosales y Dr. Ricardo Martín Gómez Arce por las. Trujillo, Julio del 2019. CARRANZA TRUJILLO, Mery Rosibeth Bachiller en Ciencias Estadísticas. BI. BL. IO. sugerencias y apreciaciones que deseen hacer al respecto.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. iv i.
(5) BI. BL. IO. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. IC AS. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.
(6) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. IC AS. RESUMEN. En esta investigación de tipo descriptivo y longitudinal, el propósito de esta. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. investigación fue realizar el análisis estadístico de las exportaciones de bienes en la Comunidad Andina, enero 2010-junio 2018, usando series de tiempo con la metodología de Box-Jenkis, obtenida de la página de la CAN- Sistema integrado de Comercio Exterior (SICEXT). Se utilizó la metodología de Box Jenkins, técnica estadística de identificación histórica la que cumplió con los requisitos para el respectivo análisis de datos. El procedimiento se realizó con el paquete estadístico EVIEWS 10 y EXCEL 2016. Finalmente se concluyó que el modelo identificado fue una serie no estacionaria y el modelo de pronóstico fue un modelo SARIMA(1,1,0)(1,1,0)12 sin intercepto, cuya ecuación fue yt = −0.332415(yt−1 − yt−2 ) + 0.634970εt−12 − 0.211074εt−13 + εt siendo probado su adecuacidad del modelo. El pronóstico se realizó en el periodo enero a junio del 2018, se evaluó los pronósticos mediante el Porcentaje de Error Medio Absoluto (PEMA) es del 4.27% el cual mide la magnitud de los errores de pronóstico en promedio porcentual comparados con los valores reales de la serie y el Porcentaje Medio del Error (PME) de -0.04% , se concluye que el modelo no sobreestima ni subestima las. BL. IO. exportaciones mensuales en miles de dólares hacia el mundo en la Comunidad Andina.. BI. PALABRAS CLAVE: Modelo SARIMA, Box Jenkins, Exportaciones.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. v i.
(7) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. IC AS. ABSTRACT. In this descriptive and longitudinal research, the purpose of this research was to perform. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. the statistical analysis of the exports of goods in the Andean Community, January 2010-June 2018, using time series with the Box-Jenkis methodology, obtained from the CAN page Integrated Foreign Trade System (SICEXT). The Jenkins Box methodology was used, a statistical technique for historical identification, which met the requirements for the respective data analysis. The procedure was performed with the statistical package EVIEWS 10 and EXCEL 2016. Finally, it was concluded that the model identified was a non-stationary series and the forecast model was a model SARIMA(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐 without intercept, whose equation was y_𝐲𝐭 = −𝟎. 𝟑𝟑𝟐𝟒𝟏𝟓(𝐲𝐭−𝟏 − 𝐲𝐭−𝟐 ) + 𝟎. 𝟔𝟑𝟒𝟗𝟕𝟎𝛆𝐭−𝟏𝟐 − 𝟎. 𝟐𝟏𝟏𝟎𝟕𝟒𝛆𝐭−𝟏𝟑 + 𝛆𝐭 being tested for suitability of the model. The forecast was made in the period January to June 2018, the forecasts were evaluated using the Absolute Average Error Percentage (PEMA) is 4.27% which measures the magnitude of forecast errors in percentage average compared to the real values of the series and the Average Percentage of Error (PME) of -0.04%, it is concluded that the model does not overestimate or underestimate monthly exports in thousands of dollars to the world in. KEY WORDS: SARIMA Model, Jenkins Box, Exports.. BI. BL. IO. the Andean Community. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. vi i.
(8) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. ÍNDICE GENERAL Dedicatoria ........................................................................................................................................... ii. IC AS. Agradecimiento ................................................................................................................................... iii Presentación ........................................................................................................................................ iv. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. RESUMEN ........................................................................................................................................... v Capitulo I: Introducción ..................................................................................................................... 1 Capitulo II: Marco teórico ................................................................................................................ 11 Capitulo III:Material y métodos ...................................................................................................... 23 Capitulo IV: Resultados .................................................................................................................... 26 Capitulo V: Discusión ........................................................................................................................ 41 Capitulo VI: Conclusiones y recomendaciones ............................................................................... 46 Capitulo VII: Referencias bibliográficas ......................................................................................... 53. BI. BL. IO. Capitulo VIII: Anexos: ...................................................................................................................... 54. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. vii i.
(9) TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. IC AS. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPITULO I:. BI. BL. IO. INTRODUCCIÓN. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 1.
(10) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. 1.1. ANTECEDENTES DEL PROBLEMA 1.1.1. ANTECEDENTES INTERNACIONALES. IC AS. Yang(2009), en su estudio “Modelización y previsión del PIB de China datos con modelos de series temporales” con el objetivo es determinar el mejor modelo de pronóstico. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. que explique el comportamiento del PIB de China a partir 1962-2008; Siendo una investigación de tipo descriptivo, aplicada y longitudinal. Se utilizo la metodología BoxJenkins donde se construye un modelo de serie temporal llamado ARIMA para encontrar el mejor ajuste, así llegando a la conclusión que el modelo que explica mejor es un ARIMA (4, 1, 0).. Ruiz, Hernández & Rodríguez (2010), en su investigación referida a “Análisis de series de tiempo en el pronóstico de la producción de caña de azúcar” cuyo objetivo de este trabajo fue determinar el mejor modelo de pronóstico que explique el comportamiento de la zafra o cosecha de la caña del ingenio Independencia en México y pronosticar la zafra 2006-2007; Siendo una investigación de tipo descriptivo, aplicada y longitudinal. Se utilizo la metodología Box-Jenkins donde se construye un modelo de serie temporal llamado ARIMA para encontrar el mejor ajuste de la serie temporal de la producción de la caña de azúcar, a fin de que los pronósticos sean más acertados para los años 2006 y 2007. La población está. IO. constituida por el volumen de las cosechas de caña de azúcar, siendo la muestra obtenidas de. BL. las cosechas de caña de azúcar desde 1949 a 2006 y se utilizó el programa Statistica. En los. BI. resultados el mejor modelo ARIMA (1,2,0) con el cual se pronosticó que la zafra 2006-2007 sería de 11 974 toneladas de azúcar, en contraste con la producción real de 12 736 toneladas, lo que indica que el pronóstico realizado con el modelo es preciso en un 94%, y este resultado estuvo influenciado por la disminución de la superficie sembrada en un 1.5%.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 2.
(11) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Perez, Merli & Perazzi(2011), en su investigación “Aplicación de la metodología de series de tiempo en la estimación de los niveles de exportaciones de café de Colombia. IC AS. periodo 1958-2011” cuyo objetivo de obtener pronósticos sobre el comportamiento de las exportaciones de café realizadas en el país , Siendo una investigación de tipo descriptivo,. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. aplicada y longitudinal. Para ello usó la metodología Box-Jenkins, siguiendo las fases para los modelos ARIMA (Autorregresivo Integrado de Media Móvil). Los datos fueron tomados de la página web de la Federación Nacional de Cafeteros de Colombia. La serie bajo estudio mostró un comportamiento estacional, donde los primeros trimestres presentan los menores niveles del año, particularmente en febrero, mes que registra los niveles más bajos de exportaciones del año, estos niveles trimestralmente van incrementándose de forma paulatina hasta alcanzar el mayor nivel de exportaciones en el IV trimestre, específicamente entre noviembre y diciembre. Finalmente se obtuvieron los pronósticos entre los años 2009 y 2011, siguiendo un comportamiento estable respecto al periodo de validación de la muestra de la serie. Los datos fueron analizados utilizando el lenguaje R.. Upadhyay (2013), en su estudio “Modelización y predicción de exportación e importación de paneles a base de madera de la India con modelos ARIMA” con el objetivo de averiguar el modelo ARIMA apropiado para pronosticar las exportaciones e. IO. importaciones de paneles a base de madera de la India, mediante la metodología Box-. BL. Jenkins, los datos de serie de tiempo para un periodo de 16 años a partir de 1996-97 a 2011-. BI. 12, con los resultados siguientes: ARIMA(0,1,0) para la exportación y ARIMA(0,1,1) para la importación, con la conclusión que las exportación e importación estimada a los paneles a base de madera en el año 2020 se incrementara en un 170% y un 127% a 2012.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 3.
(12) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Farooqi (2014), en su investigación referida a “Construcción del modelo ARIMA y Pronóstico sobre Importaciones y Exportaciones de Pakistán” cuyo objetivo fue determinar. IC AS. el mejor modelo de pronóstico que explique el comportamiento de la exportación anual e importación anual de Pakistán; Siendo una investigación de tipo descriptivo, aplicada y. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. longitudinal. Se utilizo la metodología Box-Jenkins donde se construye un modelo de serie temporal llamado ARIMA para encontrar el mejor ajuste de la serie temporal tanto de las exportaciones como las importaciones en Pakistán, a fin de que los pronósticos sean más acertados. La población está constituida por la exportación anual y la importación anual de Pakistán, siendo la muestra la exportación anual y la importación anual de Pakistán desde el año 1947 hasta el año 2013 y se ejecutó mediante el software estadístico útil R. En los resultados encontramos que el mejor modelo ARIMA es (2, 2, 2) para Importaciones y (1, 2, 2) para las Exportaciones de Pakistán. También se debe tener en cuenta que un bueno técnica de pronóstico para una situación puede convertirse en técnica inadecuada para una diferente situación. También encontramos una tendencia creciente tanto en el caso de las Importaciones como de las Exportaciones durante este estudio. Estos modelos pueden usarse para pronosticar las Importaciones y Exportaciones anuales de Pakistán. Sin embargo, debe actualizarse periódicamente con una incorporación de datos actuales.. IO. Delgadillo, Ramírez, Leos, Salas & Valdez (2016) en su investigación referida a. BL. “Pronósticos y series de tiempo de rendimientos de granos básicos en México” cuyo. BI. objetivo de este trabajo pronosticar sus valores de rendimiento en un corto plazo, siendo una investigación de tipo descriptivo, aplicada y longitudinal. Se utilizo la metodología BoxJenkins o metodología de series de tiempo la cual fue empleada para el rendimiento de granos básicos en México. La población está constituida por los rendimientos de granos. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 4.
(13) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. básicos, siendo la muestra obtenida del año 1890 hasta 2010 y se utilizó el programa Statistica. En los resultados el mejor modelo para estimar rendimientos de granos en México. IC AS. fue el ARIMA (1,0,1). Así, los pronósticos obtenidos en este trabajo pueden ser utilizados en. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. la toma de decisiones de producción y compraventa de granos.. Mota (2016), en su investigación “pronóstico del precio del crudo de Exportación Mexicano con la metodología de Box-Jenkins para series de tiempo” El objetivo principal es establecer un modelo estadístico paramétrico para realizar la predicción sobre el precio promedio semanal del crudo de exportación mexicano, usando la metodología de BoxJenkins para series de tiempo, siendo una investigación de tipo descriptiva longitudinal, llegando a la conclusión de un modelo ARIMA(1, 1, 1), del cual se estimaron para realizar predicciones para las 12 semanas siguientes; 6 de las cuales ya se tenían registradas y sirvieron como punto de comparación del modelo, y 6 que se pronosticaron dinámicamente. 1.1.2. ANTECEDENTES NACIONALES. Pajuelo (2012), en su estudio “Modelo de pronóstico para las Exportaciones del Perú con la Comunidad Andina de naciones, Enero 1999-Abril 2007” con el objetivo de determinar un modelo para pronosticar las Exportaciones del Perú con la comunidad andina de. IO. naciones, Enero 1999-Abril 2007; siendo una investigación de tipo descriptiva longitudinal.. BL. Se utilizo la metodología Box-Jenkins técnica estadística de identificación y adecuación de. BI. modelos para series temporales, se encontró que la serie en estudio presentó un comportamiento no estacionario en media y varianza; al aplicarse la primera diferenciación, se generó estacionariedad en media, pero no en varianza, por lo que se hizo necesario utilizar el modelo SARIMA (1, 1, 1) (0, 0, 6), que resultó ser el adecuado y con validez de. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 5.
(14) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. pronóstico, que estima las exportaciones del Perú con la Comunidad Andina de Naciones con un error estándar de estimación de 4625 miles de dólares al mes, una explicación del. IC AS. modelo sobre las exportaciones del 70,6%, con un porcentaje de error medio absoluto del 9,4% y un porcentaje medio de error de -0,93%; indicando un pronóstico no sesgado y una. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. técnica que no sobrestima ni subestima en forma consistente las exportaciones del Perú a la Comunidad Andina de Naciones.. Cruz (2014), en su investigación referida a “Pronostico de la exportación de esparrago de la región la libertad. Enero 2010- agosto 2014” cuyo objetivo de este trabajo fue determinar el modelo que mejor explique el comportamiento de la exportación de esparrago total mensual y según su forma de presentación de la región La Libertad y estimar pronósticos de dichas variables, siendo una investigación aplicada longitudinal. Se utilizó la metodología Box-Jenkins técnica estadística de identificación y adecuación de modelos para series temporales. La población está constituida por el volumen de la exportación de esparrago de la región la libertad siendo la muestra siendo la muestra obtenidas de la información mensual del periodo enero 2010- agosto 2014 y se utilizó el paquete estadístico EVIEWS 6. En los resultados los modelos obtenidos fueron: para la exportación de espárragos total un ARIMA (1,1,9), para la exportación de espárragos frescos o refrigerados un ARIMA (1,1,3),. IO. para la exportación de espárragos preparado o conservado sin congelar un ARIMA (0,1,1) y. BI. BL. para la exportación de espárragos cocido en agua o vapor congelado un ARIMA (1,1,3).. Sánchez (2018) en su investigación “Modelo ARIMA para el pronóstico de la producción. de esparrago de cacao en el Perú 2012 – 2018”, siendo una investigación de tipo descriptivo observacional longitudinal, con tendencia, teniendo como objetivo principal determinar un. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 6.
(15) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. modelo de pronóstico que mejor explique el comportamiento de la producción mensual de cacao, utilizando información del Banco Central de Reserva del Perú (BRCP) desde el. IC AS. periodo enero 2012 - julio 2018, siendo esta una investigación aplicada. La metodología estadística aplicada fue la propuesta por Box-Jenkins y la serie se dividió en : enero 2012 a. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. Julio 2017 para la estimación del modelo y deagosto 2017 a julio 2018 para la validación del pronóstico, esta técnica estadística se encarga de describir las características de la serie, en términos de sus componentes de interés como su tendencia y estacionariedad además de predecir futuros valores de la variable, el procesamiento de los mismos se efectuó con el programa estadístico Eviews 9.5 y el programa Microsoft Excel 2016 para contrastar los resultados. Finalmente se concluyó que el modelo identificado fue una serie de tendencia estacionaria y el modelo pronosticado fue un SARIMA (7,1,7) (1,1,0)12, cuya ecuación es Δ𝑌 ̂ 𝑡 = −0.87𝑌𝑡−7 + 0.57𝜀𝑡−7 − 0.43𝜀𝑡−8−0.89𝑌𝑡−12 + 𝜀𝑡 siendo probada la adecuacidad del modelo. Se pronosticó la producción mensual de agosto 2018 a diciembre 2018 y se evaluó los pronósticos con: una Desviación Absoluta Media (DAM) de 80 toneladas de cacao, un Error Medio Cuadrático, (EMC) de 531 toneladas de cacao, un Porcentaje de Error medio Absoluto (PEMA) de 5.6% y el Porcentaje Medio de Error (PME) de 4% con respecto a los valores originales. IO. 1.2. REALIDAD PROBLEMÁTICA. BL. El comercio exterior es muy importante para el crecimiento y desarrollo sostenido a largo. BI. plazo; más aún en la actualidad tiene un peso importante en la actividad económica de los países, el mismo que es demostrado por las evidencias de los países desarrollados y las experiencias de los "países exitosos" que han logrado su crecimiento y desarrollo económico gracias al crecimiento de las exportaciones (Perez,2003).. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 7.
(16) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. A partir de la evolución de las exportaciones ha tenido sus fluctuaciones, tal como se espera por su dependencia de los mercados internacionales, su importancia y relación con el. economía de un País (Castillero, 2016).. IC AS. crecimiento del Producto Interno Bruto (PBI) evidencia que ese componente es motor de la. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. En el periodo enero - febrero de 2018, las exportaciones al mundo de los Países Miembros de la Comunidad Andina alcanzaron los 18 525 millones de dólares, 14,5% más que las exportaciones realizadas en el mismo periodo del 2017. Según el departamento de Estadísticas de la Secretaría General de la CAN, las exportaciones al mundo de Bolivia crecieron de 1 070 a 1 352 millones de dólares, las de Colombia de 5 296 a 6 316 millones de dólares, las del Ecuador de 3 143 a 3 389 millones de dólares y las del Perú, de 6 667 a 7 468 millones de dólares. En tanto, los principales productos comercializados durante los dos primeros meses del año fueron: aceites crudos de petróleo, minerales de cobre, formas en bruto de oro, hulla bituminosa, plátanos tipo «cavendish valery» frescos, minerales de cinc, entre otros. (CAN PRENSA). 1.3. JUSTIFICACIÓN:. En la actualidad todos los países ven al comercio exterior como el representativo de. IO. riquezas y el poder del mundo.. BL. La importancia que ha alcanzado el Comercio Internacional en cumplimiento de sus. BI. alcances ha tenido, tiene y tendrá permanentes y profundas repercusiones en las relaciones internacionales de los países en los campos económicos, financiero, comercial, político y social de todo el planeta (González).. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 8.
(17) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. La importancia las exportaciones reside en el efecto que tienen sobre el crecimiento. Mariana y Ríos ,2015). IC AS. económico y la productividad, esto implica el crecimiento económico para un país (Galindo,. Los países están adaptando herramientas que permitan tomar decisiones de prevención en. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. base a modelos y teorías con la finalidad de alcanzar el éxito a corto, mediano y largo plazo. A través de los resultados pasados de las Estadísticas de Comercio Exterior de Bienes Se emplea para prever las ventas de periodos futuros.. 1.4.. PROBLEMA DE INVESTIGACIÓN:. ¿Cómo realizar el análisis estadístico de las exportaciones de bienes en la Comunidad Andina, enero 2010- junio 2018? 1.5.. HIPÓTESIS:. Los modelos SARIMA de las exportaciones de bienes en la Comunidad Andina, enero 2010- junio 2018 son los apropiados para realizar el análisis estadístico. 1.6. OBJETIVOS DE LA INVESTIGACIÓN 1.6.1 OBJETIVO GENERAL. Ajustar un modelo SARIMA para describir el comportamiento de las. IO. exportaciones de bienes en la Comunidad Andina, enero 2010-junio 2018.. Analizar el comportamiento de las exportaciones de bienes en la Comunidad Andina.. BI. •. BL. 1. 6.1 OBJETIVO ESPECÍFICOS. •. Identificar el modelo que mejor se ajuste para describir el comportamiento de las exportaciones de bienes en la Comunidad Andina.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 9.
(18) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. •. Evaluar el modelo elegido para describir el comportamiento de las exportaciones de bienes en la Comunidad Andina. Pronosticar a través del modelo elegido para 6 meses del periodo enero 2018 a julio. IC AS. •. 2018.. Validar el pronóstico a través de la técnica de medición del error. BI. BL. IO. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. •. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 10.
(19) TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. IC AS. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPITULO II:. BI. BL. IO. MARCO TEÓRICO. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 11.
(20) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. 2.1. COMUNIDAD ANDINA (CAN): Es un organismo regional, económico y político con nivel jurídico internacional, que. IC AS. tiene como principal propósito contribuir a la integración de sus miembros en los aspectos culturales, comerciales, políticos y sociales. Fue creada por el Acuerdo de. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. Cartagena el 29 de mayo de 1969, la Secretaria General se encuentra en Lima, Perú. Lo conforman cuatro países: Bolivia, Colombia, Ecuador y Perú. Hasta el mes de abril del 2006, Venezuela también formaba parte de la misma, Agrupa a 120 millones de habitantes en un territorio de 4.7 millones de Km2, surcados todos ellos por la cordillera de los andes y comparten la misma lengua, el español. El Producto Interno Bruto de los 04 países ascendió a 280 mil millones en el año 2006, así también se tiene también como miembros asociados a Chile, Argentina, Brasil, Paraguay y Uruguay.(CAN). El objetivo:. PROMOVER el desarrollo equilibrado y armónico de los Países Miembros en condiciones de equidad, mediante la integración y la cooperación económica y social. ACELERAR el crecimiento y la generación de empleo productivo para los habitantes de los Países Miembros.. FACILITAR la participación de los Países Miembros en el proceso de integración. IO. regional, con miras a la formación gradual de un mercado común latinoamericano.. BL. DISMINUIR la vulnerabilidad externa y mejorar la posición de los Países Miembros en. BI. el contexto económico internacional. FORTALECER la solidaridad subregional y reducir las diferencias de desarrollo existentes entre los Países Miembros.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 12.
(21) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. PROCURAR un mejoramiento persistente en el nivel de la vida de los habitantes de la. 2.2. EXPORTACIÓN. IC AS. subregión. (CAN). Es el régimen aduanero que permite la salida de mercancías del territorio aduanero. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. para su uso o consumo definitivo en el exterior. (Enrique, 2014), el medio más importante de las compañías para el iniciar sus actividades internacionales, con la intención de incrementar sus ingresos de ventas para conseguir economías en escala de la producción y para que pueda divorciar sus sedes de ventas. (Daniels, radebaugh y Sullivan,2004). 2.3. COMERCIO EXTERIOR. Estudia las causas y leyes que gobiernan los intercambios de bienes y servicios entre los habitantes de los diferentes países en su interés por satisfacer sus necesidades de bienes escasos. En esta definición es importante destacar una cualidad que hace diferente al comercio internacional de cualquier otro tipo de comercio y es que para poder realizar este intercambio de bienes se debe atravesar las fronteras de un país. Usualmente esta frontera que se cruza está controlada por una aduana que se encarga de controlar la entrada y salida de recursos. (de la hoz,2013). IO. 2.4. SERIES DE TIEMPO. BL. Una serie de tiempo es un registro metódico de la medición u observación. BI. numérica, efectuada a intervalos de tiempo fijos, de las características o variables del área de interés (Guerrero, 2003). Es el conjunto de mediciones de ciertos fenómenos o experimentos registrado. secuencialmente a lo largo del tiempo (Arellano, 2001).. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 13.
(22) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Son 4 los objetivos principales del análisis de una serie de tiempo, está clasificada en: descripción, explicación, predicción y control (Chatfield, 2003).. IC AS. Descripción: El primer paso es graficar los datos, así obteniendo medidas simples descriptivas de características principales de la serie de tiempo.. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. Explicación: Es posible usar la variación en una serie de tiempo para explicar la variación de otra, cuando las variaciones son tomadas en dos o más variables. Predicción: En una serie de tiempo es posible que se desee predecir los valores futuros. Es decir, la estimación de valores futuros de variables de interés en función del comportamiento pasado de la serie.. Control: Una serie de tiempo se analiza con el fin de mejorar el control sobre algún sistema físico o económico, donde las observaciones son representadas en un gráfico de control y el controlador toma acción como el resultado del estudio.. COMPONTES DE UNA SERIE DE TIEMPO:. Una serie de tiempo puede dividirte en componentes individuales que facilitan su estudio las cuales son los siguientes:. Tendencia (T): Representa el comportamiento de las series de tiempo a largo plazo. IO. sobre un extenso periodo de años.. BL. Ciclo (C): Movimiento ascendente o descendente recurrentes, respecto a la tendencia. BI. con una duración de varios años. Estacionariedad (E): Son oscilaciones cuasi cíclicas de media cero que produce un. movimiento periódico que se produce dentro de un periodo corto y conocido.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 14.
(23) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Aleatorio (A): Son oscilaciones no sistemáticas que en general afectan a la serie en el. 2.5. METODOLOGÍA BOX JENKINS. IC AS. momento en que ocurren.. La metodología de los modelos ARIMA fue formalizada por Box y Jenkins en. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. 1976, por los que también se les denomina modelos Box-Jenkins. Este enfoque parte del hecho de que las series temporales que se trata de predecir es generada por un proceso estocástico cuya naturaleza puede ser caracterizada mediante un modelo. Para efectuar la estimación de un modelo ARIMA se requiere de una serie temporal mensual o trimestral que cuente con un elevado número de observaciones. Básicamente la metodología BoxJenkins consiste en encontrar un modelo matemático que representa el comportamiento de una serie de datos y permite hacer previsiones únicamente introduciendo el periodo el periodo de tiempo correspondiente (Chatfield, 1989).. El objetivo de la metodología Box – Jenkins es identificar y estimar un modelo estadístico que puede ser interpretado como generador de la información de la muestra. En este sentido, si el modelo estimado es usado para la predicción debe suponerse que las características de la serie son constantes en el tiempo, especialmente para los periodos. IO. futuros. Por lo tanto, la predicción se efectúa sobre una base válida considerando que el. BL. modelo es estacionario o estable (Universidad de los Andes).. BI. Pasos básicos de la metodología Box – Jenkins: ➢ Verificar la estacionariedad de la serie. ➢ Identificar un modelo tentativo. ➢ Estimar el modelo.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 15.
(24) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. ➢ Verificar el diagnostico (si este no es adecuado regresar al paso 2).. 2. 5.1 MODELO DE MEDIAS MÓVILES, MA(q). IC AS. ➢ Usar el modelo para pronosticar.. El proceso se representa como una suma ponderada de errores actuales y. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. anteriores. El número de rezagos del error considerados (q) determina el orden del modelo MA.. 𝑦𝑡 = 𝑐 + ∅1 𝑦𝑡−1 + ∅2 𝑦𝑡−2 + ⋯ + ∅𝑝 𝑦𝑡−𝑝 + 𝜀𝑡. Donde:𝑁(0, 𝜎 2 ). 2. 5.2 MODELO AUTORREGRESIVO, AR(p). En los modelos autorregresivos, el proceso se representa como una suma ponderada de las observaciones pasadas de la variable. El número de rezagos (p) determina el orden el modelo autorregresivo.. 𝑦𝑡 = 𝑐 + 𝜃1 𝑦𝑡−1 + 𝜃2 𝑦𝑡−2 + ⋯ + 𝜃𝑞 𝑦𝑡−𝑞 + 𝜀𝑡. 2. 5.3 MODELO MIXTO AUTORREGRESIVO-MEDIA MÓVIL ARMA(p,q) El proceso se representa en función de observaciones pasadas de la variable y de. IO. los valores actuales y rezagados del error. El orden del modelo de AR y MA determinan el orden del modelo mixto.. BL. 2. 5. 4 MODELO AUTORREGRESIVO INTEGRADO DE PROMEDIO MÓVIL NO. BI. ESTCIONARIO ARIMA(p,d,q) Esta etapa tiene como objetivo determinar los ´ordenes de los polinomios. autorregresivo y de promedio móvil (p y q respectivamente), así como el numero (d) de veces que deberá aplicarse el operador diferencia para cancelar la no. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 16.
(25) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. estacionariedad homogénea, es decir, consiste en determinar primero una serie estacionaria en función de la serie original, para la cual se pueda tener una. IC AS. representación ARIMA(p,d,q).. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. ∅𝑝 (𝐿)(1 − 𝐿)𝑑 𝑦𝑡 = 𝜃𝑞 (𝐿)𝜀𝑡. 2.5.5 PROCEDIMIENTO DE METODOLOGÍA BO-JENKINS: Las etapas que se deben seguir en la elaboración de un modelo ARIMA con fines predictivos son las siguientes:. ETAPA 1: IDENTIFICACIÓN.. En esta etapa encontramos los valores de apropiados de p, q y d.. Las herramientas principales en la identificación son: •. Gráfico de la Serie de Tiempo: El examen visual de la trayectoria de la serie a lo largo del tiempo puede dar una idea de si es o no estacionaria. Si existe algún valor en tomo al cual la serie va oscilando, pero sin alejarse de forma permanente de dicho valor, entonces se puede considerar que la serie es estacionaria.. •. Prueba de raíz unitaria Dickey – Fuller: La hipótesis a probar es: Ho: ρ=1 y. 𝒕̂ =. BL. IO. para contrastar la hipótesis utilizaremos el siguiente estadístico: ̂−𝟏 𝝆 𝑺⁄√∑𝑻 𝒕=𝟏 𝒀𝒕𝟐 −𝟏. BI. Dónde: ✓. ρ: Coeficiente obtenido de la regresión Yt sobre Yt-1. ✓. S: Error estándar de la regresión. ✓. Yt-1 : Variable desfasada.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 17.
(26) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Si el valor calculado del estadístico t (valor absoluto de t) excede los valores. IC AS. absolutos críticos de Dickey y Fuller, no se rechaza la hipótesis de que la serie de tiempo dada es estacionaria. Si, por el contrario, este valor es menor que el. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. valor crítico, la serie de tiempo no es estacionaria y se tendría que diferenciar. Por razones teóricas y prácticas, la prueba de Dickey-Fuller aumentada (ADF) se aplica a regresiones efectuadas en la siguiente forma: ∆𝑦𝑖 = 𝜇 + 𝛿𝑦𝑡−1 + 𝑡. Para contrastar las hipótesis:. Ho= Hay raíz unitaria (proceso no estacionario). H1= No hay raíz unitaria (proceso estacionario) → Se Rechaza H0 si |ADF| > |valor crítico|. • Correlogramas:. A través de la Función de autocorrelación (FAC) y Función de. autocorrelación parcial (FACP) hallamos los correlogramas resultantes, que son simplemente los gráficos de FAC y de FACP respecto a la longitud del rezago. ETAPA 2: ESTIMACIÓN.. IO. Tras identificar el modelo y los valores apropiados de p, d y q, la siguiente etapa. BL. es estimar los parámetros de los términos autorregresivos y de promedios móviles. BI. incluidos en el modelo. Una vez hecha la estimación se elegirán los modelos que tengan menor suma. de cuadrados del error y menor AIC (Criterio de información de Akaike), AICc. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 18.
(27) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. (Criterio de información de Akaike corregido), BIC (Criterio de Información. • Criterio de información de Akaike. IC AS. Bayesiano).. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. Proporciona un medio para la selección de un modelo. Este criterio ofrece una estimación relativa perdida cuando un modelo dado es utilizado para representar el proceso que genera los datos. Al hacerlo, esta modelo lidia entre la bondad del ajuste y la complejidad del modelo. AIC no dice nada sobre la calidad del modelo, si todos los modelos candidatos entregan un pobre ajuste, el criterio no dará ninguna advertencia de aquello. El AIC sigue el principio de parsimonia: Cuando el número de parámetros de un modelo k aumenta el AIC también, por tanto, escoger el modelo que tiene el mínimo AIC supone elegir el modelo con el menor número de parámetros posible (González). AIC = 2k - 2ln(L). Dónde:. L: es el máximo valor de la función de verosimilitud. •. 𝑘: Número de parámetros en el modelo. IO. •. ETAPA 3: VERIFICACIÓN O VALIDACIÓN.. BL. Después de seleccionar un modelo y estimar sus parámetros, se trata de ver luego. BI. si el modelo seleccionado se ajusta a los datos en forma razonablemente buena. Para ello veremos lo siguiente: Un método sencillo para la adecuacidad del modelo es un ajuste razonable a los datos es obtener los residuos y calcular la FAC y FACP; si resultaran ser. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 19.
(28) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. estadísticamente significativas para mayoría de rezagos, se debe buscar otro modelo. aproximan al comportamiento de un ruido blanco.. 𝐻0 = 𝜌1 = 𝜌2 = 𝜌3 ………𝜌𝑘 = 0. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. La hipótesis a probar:. IC AS. que represente mejor a la serie temporal. Los residuos del modelo estimado se. Estadístico Q de Box y Pierce-Ljung. 𝑄 = 𝑛 ∑𝑝̂𝑘 2 𝑚 𝑘=1. La estadística Q está distribuida aproximadamente como una distribución ji. cuadrada con k-p-q grados de libertad. Dónde: •. N: Longitud de la serie histórica.. •. K: Primeras k autocorrelaciones que se verifiquen. •. m: Número máximo de retrasos empleados.. •. ρk: Función de autocorrelación de la muestra del k-ésimo término del residuo.. d: Grado de diferenciación para obtener una serie estacionaria.. IO. •. Si el valor de Q calculado es mayor que X2 con k-p-q grados de libertad a un. BL. nivel de significancia de a=0.05, entonces se debe considerar que el modelo es. BI. inadecuado; es decir los residuos no se aproximan al comportamiento de un proceso de ruido blanco.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 20.
(29) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. ETAPA 4: PRONÓSTICO. Una vez que se encontró un modelo adecuado, se puede utilizar el modelo para. IC AS. realizar pronósticos para uno o varios periodos a futuro. Debemos tener en cuenta que, al haber más datos disponibles, se puede utilizar el mismo modelo para revisar. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. los pronósticos, seleccionando otro periodo de origen y si la serie parece cambiar a través del tiempo, poder ser necesario recalcular los parámetros o incluso un modelo nuevo por completo.. Se han ideado diversos métodos para resumir los errores generados por una técnica particular de pronóstico.. ➢ Desviación Absoluta Media (DAM): afirma que la DAM mide la precisión de un pronóstico mediante el promedio de la magnitud de los errores de pronóstico (Hanke y Arthur, 1996, p.120) 𝐷𝐴𝑀 =. ∑𝑛𝑖=1|𝑦𝑡 − 𝑦̂𝑡 | 𝑛. ➢ Error Medio Cuadrado (EMC): afirma que el enfoque penaliza los errores mayores de pronósticos, ya que eleva cada uno al cuadrado. Esto es. IO. importante pues en ocasiones puede ser preferible una técnica que produzca. BI. BL. errores moderados a otra que por lo regular tenga errores pequeños pero que ocasionalmente arroje algunos en extremo grandes. (Hanke y Arthur,1996, p.120) 𝐸𝑀𝐶 =. ∑𝑛𝑖=1(𝑦𝑡 − 𝑦̂𝑡 )2 𝑛. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 21.
(30) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. ➢ Porcentaje de Error Medio Absoluto (PEMA): afirma que el enfoque es útil cuando el tamaño de la variable de pronóstico es importante en la. IC AS. evaluación de la precisión del pronóstico. El PEMA proporciona una indicación de que tan grandes son los errores de pronóstico comparados con. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. los valores reales de la serie. También se puede para comparar la misma precisión de la misma u otra técnica sobre dos series completamente diferentes. (Hanke y Arthur, 1996, p.120). 𝑃𝐸𝑀𝐴 =. ∑𝑛𝑖=1. (𝑦𝑡 − 𝑦̂𝑡 ) 𝑦𝑡 𝑛. ➢ Porcentaje Medio de Error (PME): afirma que, si un enfoque de pronóstico no está sesgado, la ecuación del PME producirá un porcentaje cercano a cero. Si el resultado es un porcentaje negativo grande, el método de pronóstico está subestimado de manera consistente. Si el resultado es un porcentaje positivo grande, el método de pronóstico esta sobrestimado de. 𝑃𝑀𝐸 =. ∑𝑛𝑖=1. |𝑦𝑡 − 𝑦̂𝑡 | 𝑦𝑡 𝑛. BI. BL. IO. forma consistente. (Hanke y Arthur, 1996, p.121). Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 22.
(31) TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. IC AS. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPITULO III: MATERIAL Y. BI. BL. IO. MÉTODOS. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 23.
(32) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. 3.1 DISEÑO DE INVESTIGACIÓN:. M. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. Dónde:. O. T. IC AS. Siendo una investigación de tipo descriptivo longitudinal.. M: muestra, exportaciones de bienes en miles de dólares/mes hacia el mundo en la Comunidad Andina,2010-2018.. O: Datos de la exportación mensual. T: Periodo de tiempo.. 3.2 MATERIAL DE ESTUDIO: 3.2.1. Población:. Estuvo conformada por la serie histórica de las exportaciones mensuales, en miles de dólares en la CAN.. 3.2.2. Unidad de Análisis:. Estuvo conformada por los datos mensuales registrado de las exportaciones por el sistema según el departamento de Estadísticas de la Secretaría General de la CAN, enero 2010-junio 2018.. IO. 3.2.3. Variable de estudio:. BI. BL. VARIABLE. Exportación. DEFINICIÓN CONCEPTUAL. OPERACIONAL. Las exportaciones son la venta, trueque o donación de. Numero de. bienes y servicios de los residentes de un país a no. exportaciones. residentes; es una transferencia de propiedad entre. registradas. habitantes de diferentes países (Inegi, 2011). mensualmente en miles de dólares.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 24.
(33) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. 3.3 MÉTODOS 3.2.4. Recolección de datos. IC AS. Para la siguiente investigación se utilizó la base de datos obtenida de la página de la Comunidad Andina- Sistema integrado de Comercio Exterior (SICEXT) Según el. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. departamento de Estadísticas de la Secretaría General de la CAN, en el periodo de enero 2010-junio 2018.. 3.2.5. Análisis Estadístico. Para el logro de los objetivos propuestos en este presente estudio se hará un análisis exploratorio de los datos y luego se usará la Metodología Box Jenkins para determinar el modelo SARIMA que mejor se ajuste a los datos. 3.2.6. Procesamiento de Datos. Todos los resultados serán procesados en software estadístico Eviews 10 y el programa. BI. BL. IO. Microsoft Excel 2016 para confronta los resultados.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 25.
(34) TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. IC AS. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPITULO IV:. BI. BL. IO. RESULTADOS. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 26.
(35) EC Y AD M E AT C EM IEN ÁT CI IC AS AS FÍ SI CA S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Leyenda. MILES DE DÓLARES. 90000000 79082187 74781446. 80000000. 78692017. 72358509. 70000000. 60900016. 60000000. 51714528. 50214024 50000000. 43567413 39139873. 40000000 30000000. 14824854. 20000000. 15694584. 10000000 0 2010. 2011. 2012. 2013. 2014. 2015. 2016. 2017. AÑOS. I. II. III. IV. IX. V. XII. XIII. XIV. XIX. XV. XVI. 2018. I. animales vivos y prod. del reino animal. II. productos del reino vegetal. III. grasas y aceites animales o veg. Grasas, etc.. IV. productos de las industrias alimentarias bebidas.. IX V. madera carbón vegetal y manufacturas de madera corcho. productos minerales. VI. productos de las industrias químicas o de las industrias conexas. VII. plástico y sus manufacturas caucho y sus manufacturas. VIII. pieles cueros peletera o guarnicionería artículos de viaje bolsos de mano (carteras).. X. pasta de madera o de las demás materias fibrosas.. XI. materias textiles y sus manufacturas. XII. Calzado, sombreros y demás tocados paraguas quitasoles bastones, etc.. XIII. manufacturas de piedra yeso fraguable cemento amianto (asbesto) etc.. XIV. perlas finas o cultivadas, piedras preciosas y semipreciosas, metales preciosos,etc.. XIX. armas municiones y sus partes y accesorios. XV. metales comunes y manufacturas de estos metales. XVI. máquinas y aparatos de material eléctrico.. XVII. material de transporte. XVIII. instrumentos y aparatos de óptica, fotografía o cinematografía etc.. XXI. mercancías y productos diversos. VI. VII. VIII. X. XI. XXII. objetos de arte o colección y antigüedades. XVII. XVIII. XX. XXI. XXII. XXIII. Mercancías, objetos de tratamientos especiales y no identificadas. OT. FIGURA N°01: PRINCIPALES PRODUCTOS EXPORTADOS EN MILES DE DÓLARES/ANUALES POR LA COMUNIDAD ANDINA HACIA EL MUDO. Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General. Resultados: Excel 2016. Se observa en el gráfico que los productos minerales son los más exportados con unos 79 082 187 miles de dólares anuales. BL I. alcanzando su punto máximo en el año 2012, seguido por perlas finas (naturales) o cultivadas, piedras preciosas y semipreciosas, metales preciosos, chapados de metal precioso y manufacturas de estas materias; bisutería; monedas con unos 15 694 584 miles de. BI. dólares para el mismo año y los productos del reino vegetal con unos 14 824 854 miles de dólares para el año 2018.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 27.
(36) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. 6000000. IC AS. 4000000. 3000000. 2000000. 1000000. 0 Jul-09. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. MILES DE DÓLARES. 5000000. Nov-10. Abr-12. Ago-13. Dic-14. May-16. Set-17. BOLIVIA COLOMBIA ECUADOR PERÚ. Feb-19. MESES. FIGURA N°02: EXPORTACIONES MENSUALES EN MILES DE DÓLARES DE LOS PAÍSES MIEMBROS DE LA COMUNIDAD ANDINA Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General. Resultados: Excel 2016.. En la figura se observa la existencia de una tendencia ascendente que culmina en el mes de marzo año 2011 así alcanzando la cifra récord en el año 2012 con 5712357 miles de dólares/mes, luego se mantienen hasta el año 2014 y en el año 2016 sufren una caída, cuando alcanzaron un. IO. nivel mínimo de 1157108 miles de dólares/mes. Esta disminución se registró en 4 de los países. BL. Miembros, principalmente en el caso del Colomba, seguido por Perú quien logra recuperarse rápidamente y en menor medida por el Ecuador y Bolivia; a partir del año 2016 Perú lidera. BI. exportaciones en la CAN por el valor de sus envíos, en segundo lugar, lo ocupa Colombia y luego ecuador.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 28.
(37) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. IC AS. TABLA N°01: ESTADÍSTICA DESCRIPTIVA DE LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA EXPORTACIONES_HACIA_EL_MUNDO_EN_LA_CAN_ 9686334 12769574 5892530 1787537 -0.104 1.64779. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. Media máximo Mínimo Desviación estándar. Asimetría Curtosis Fuente: Comunidad Andina de Naciones, Secretaria General. Resultados: EViews 10. Se observa que el comportamiento promedio las exportaciones mensuales en miles de dólares hacia el mundo en la Comunidad Andina, enero 2010-junio 2018 es de 9686334 miles de USD, en el mes de marzo del 2012 alcanzando la cifra récord de 12769574 miles de USD/mes, mientras que llega a su punto mínimo registrándose en enero del 2016 con 5892530 miles de dólares/mes, también se puede indicar que el comportamiento de las exportaciones tiene un coeficiente de asimetría negativa con un -0.104 la mayor cantidad de datos se aglomeran en los. BI. BL. IO. valores menores que la media y platicúrtica porque sus coeficientes de curtosis es menor a 3.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 29.
(38) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Exportaciones hacia MUNDO(CAN). IC AS. 14000000 12000000. 8000000 6000000 4000000 2000000 0 Jul-09. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. Miiles de dólares. 10000000. Nov-10. Abr-12. Ago-13. Meses. Dic-14. May-16. Set-17. Feb-19. FIGURA N°03: COMPORTAMIENTO DE LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA. Fuente: Comunidad Andina de Naciones, Secretaria General. Resultados: Excel 2016 Se evidencia la existencia de una tendencia decreciente de las exportaciones hacia el mundo, caracterizada por ser un período acelerado que culmina en el mes de marzo año 2011, luego se mantiene hasta julio del 2014 así alcanzando la cifra récord en el año 2012 con. IO. 12769574 miles de dólares/mes, luego comienza la tendencia a decrecer por la posible salida de. BL. ecuador registrándose en enero del 2016 a partir de ahí ascender hasta junio del 2017 y se. BI. estabiliza.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 30.
(39) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. ETAPA N° 01-. ESTACIONARIEDAD. en miles de dólares en la Comunidad Andina.. IC AS. Acá analizamos la estacionariedad de la serie, primero se sacó el log las exportaciones mensuales. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. TABLA N°02: PRUEBA DE RAÍZ UNITARIA - DICKEY-FULLER AUMENTADA DE LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA Null Hypothesis: EXPORTACIONES_HACIA_EL_MUNDO_EN_LA_CAN_ has a unit root Exogenous: Constant Lag Length: 1 (Automatic - based on SIC, maxlag=12). Augmented Dickey-Fuller test statistic Test critical values:. 1% level 5% level 10% level. t-Statistic. Prob.*. -1.847732 -3.493129 -2.888932 -2.581453. 0.3558. *MacKinnon (1996) one-sided p-values.. Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General. Resultados: EViews 10. Al aplicar la prueba de estacionalidad de Dickey-Fuller se observa que las exportaciones mensuales en miles de dólares hacia el mundo en la Comunidad Andina es no estacionaria, debido a que el valor de t- absoluto (t=1.847732) es inferior a los valores absolutos de. IO. MacKinson (t=3.493129 (1%), t= 2.888932 (5%), t= 2.581453 (10%)), así como también se. BI. BL. evidencia que la probabilidad es mayor al 5% de no rechazarse la Ho.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 31.
(40) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. IC AS. TABLA N°03: PRUEBA DE RAÍZ UNITARIA - DICKEY-FULLER AUMENTADA DE LA PRIMERA DIFERENCIA DE LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES HACIA EL MUNDO EN LA COMUNIDAD ANDINA, ENERO 2010JUNIO 2018. Null Hypothesis: D(EXPORTACIONES_HACIA_EL_MUNDO_EN_LA_CAN_) has a unit root Exogenous: None Lag Length: 0 (Automatic - based on SIC, maxlag=12). TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. t-Statistic Augmented Dickey-Fuller test statistic Test critical values:. 1% level 5% level 10% level. -16.95547 -2.586960 -1.943882 -1.614731. Prob.*. 0.0000. *MacKinnon (1996) one-sided p-values.. Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General. Resultados: EViews 10. Al aplicar la prueba de estacionalidad de Dickey-Fuller con una primera diferencia se observa que las exportaciones mensuales en miles de dólares hacia el mundo en la Comunidad Andina es estacionaria, debido a que el valor de t- absoluto (t=16.95547) es superior a los valores absolutos de MacKinson (t=2.586960 (1%), t= 1.943882 (5%), t= 1.614731 (10%)), así como también se. IO. evidencia que la probabilidad es menor al 5% por ende se rechaza la existencia de raíz unitaria.. BL. ETAPA N°2: IDENTIFICACION DEL MODELO. BI. En esta etapa se determinará los modelos posibles para luego elegir el más adecuado para las exportaciones mensuales en miles de dólares hacia el mundo en la Comunidad Andina.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 32.
(41) TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. IC AS. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. FIGURA N°04: FUNCIÓN DE AUTOCORRELACIÓN Y CORRELACIÓN PARCIAL DE LA PRIMERA DIFERENCIA SIN EL INTERCEPTO DE LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA. IO. Fuente: Comunidad Andina de Naciones, Secretaria General. Resultados: EViews 10. BL. Se observa que la autocorrelación tiene 1,12,24,36 fuer del límite y la correlación parcial 1,. BI. 3, 12. Al verificar que la serie de tiempo tiene prioridad mensual, por lo que se puede concluir la existencia de un AR(1) SAR(12).. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 33.
(42) EC Y AD M E AT C EM IEN ÁT CI IC AS AS FÍ SI CA S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. TABLA 04 : ELECCIÓN DEL MEJOR MODELO PARA LA ESTIMACIÓN DE PRONÓSTICOS PARA LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA, ENERO 2010-JUNIO 2018 PARÁMETR. COEFICIE NTE. AR(1). -0.332415. PROB. (significancia). AKAIKE. 0.0023. -2.800107. SAR(12). 0.63497. 0. -0.326055 0.624553 0.461066 -0.510741. AR(1) SAR(12). -0.347428 0.588408. MA(9). 0.504432. AR(1) SAR(12) SAR(34) SAR(11) MA(20). -0.317048 0.670396 -0.344515 -0.211749 -0.896875. OT. AR(1) SAR(12) MA(9) MA(20). 0.0038 0 0 0 0.0015 0. DAM EMC PEMA. 404508.04 288390455627.58 0.042697. PME. -0.0004011. -3.194772. DAM EMC PEMA PME. 534415.78 397600175130.87 0.05518 0.02085. -2.895847. DAM EMC PEMA PME. 747203.48 629591372015.12 0.07569 0.0493. DAM EMC PEMA. 609677.08 602957727983.10 0.06302. PME. 0.025161285. 0. 0.0176 0 0.0009 0.0202 0. MEDIDAS DE VALIDEZ. -3.57712. BL I. Fuente: Elaborados por la autora en base a los datos obtenidos en la página web Comunidad Andina de Naciones, Secretaria General.. Se presenta los modelos que se ajustan a los datos. Con base al criterio de información del Porcentaje del Error Medio Absoluto. BI. (PEMA) y al criterio del Porcentaje Medio del Error (PME), estos criterios nos permiten elegir el modelo más adecuado.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 34.
(43) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. ETAPA N°3: ESTIMACIÓN DEL MODELO. Variable AR(1) SAR(12) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. Dependent Variable: D(LOG(EXPORTACIONES_HACIA_MUNDO_CAN_)) Method: ARMA Conditional Least Squares (Gauss-Newton / Marquardt steps) Date: 10/12/19 Time: 21:17 Sample (adjusted): 2011M03 2017M12 Included observations: 82 after adjustments Convergence achieved after 6 iterations Coefficient covariance computed using outer product of gradients. IC AS. TABLA N°5: ANÁLISIS DE VARIANZA DEL MODELO 𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐 SIN INTERCEPTO PARA LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA. Coefficient. Std. Error. t-Statistic. Prob.. -0.332415 0.634970. 0.105390 0.091793. -3.154136 6.917449. 0.0023 0.0000. 0.499681 0.493427 0.058952 0.278025 116.8044 1.901628. Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.. 0.001265 0.082828 -2.800107 -2.741406 -2.776539. Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General. Resultados: EViews 10.. El modelo estimado corresponde a un 𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐 cuyo modelo es definido como:. IO. ∅𝑝 (𝐿)(1 − 𝐿)𝑦𝑡 = 𝛽𝑄 (𝐿)𝜀𝑡. BL. (𝑦𝑡 − 𝑦𝑡−1 ) − ∅1 (𝑦𝑡−1 − 𝑦𝑡−2 ) = (1 + 𝛽12 𝐿12 )𝜀𝑡. BI. Equivale a:. 𝑦𝑡 − 𝑦𝑡−1 = ∅1 (𝑦𝑡−1 − 𝑦𝑡−2 ) + 𝜀𝑡 + 𝛽12 𝜀𝑡−12 + ∅1 𝛽12 𝜀𝑡−13. 𝐲𝐭 = 𝐲𝐭−𝟏 + ∅𝟏 (𝐲𝐭−𝟏 − 𝐲𝐭−𝟐 ) + 𝛃𝟏𝟐 𝛆𝐭−𝟏𝟐 + ∅𝟏 𝛃𝟏𝟐 𝛆𝐭−𝟏𝟑 + 𝛆𝐭. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 35.
(44) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Donde: ∅1 : Coeficiente del componente autorregresivo (AR) 𝛽12: Coeficiente de componente autorregresivo estacional SAR (12). IC AS. .. TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. 𝒚𝒕 = −𝟎. 𝟑𝟑𝟐𝟒𝟏𝟓(𝒚𝒕−𝟏 − 𝒚𝒕−𝟐 ) + 𝟎. 𝟔𝟑𝟒𝟗𝟕𝟎𝜺𝒕−𝟏𝟐 − 𝟎. 𝟐𝟏𝟏𝟎𝟕𝟒𝜺𝒕−𝟏𝟑 + 𝜺𝒕. Donde el error de estimación es de 0.047830 miles de USD/ mes en el periodo de estudio y una capacidad explicativa del modelo de 49.9%.. ETAPA N°4: EVALUACIÓN o VALIDACIÓN DEL MODELO En esta etapa se estima los parámetros del modelo elegido.. Ho: los errores del modelo se ajustan a una distribución normal.. H1: los errores del modelo no se ajustan a una distribución normal 12. Series: Residuals Sample 2011M03 2017M12 Observations 82. 10. 8. 6. 4. 0. -0.05. BL. -0.10. IO. 2. 0.00. 0.05. Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis. -0.000969 -0.009641 0.127847 -0.121292 0.058579 0.162038 2.555139. Jarque-Bera Probability. 1.035000 0.596009. 0.10. BI. FIGURA N°05: PRUEBA DE JARQUE_BERA PARA LA NORMALIDAD DE LOS RESIDUOS DEL MODELO 𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐 . Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General. Resultados: EViews 10. Se evidencia que el p-value del test es mayor al 0.05, por ende, se Acepta la Ho que los residuos se ajusta a una distribución normal.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 36.
(45) TE CA Y M DE AT C EM IEN ÁT CI IC AS AS FÍ S. IC AS. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. BL. IO. FIGURA N°06: CORRELOGRAMA RESIDUALES DE LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA Fuente: Comunidad Andina de Naciones, Secretaria General. Resultados: EViews 10. Se observa que la probabilidad de los errores es mayor al 0.05 por ende se acepta la Ho: la. BI. existencia de la independencia en los errores del modelo.. Br. Mery Rosibeth Carranza Trujillo Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 37.
Documento similar