UNIVERSIDAD CATÓLICA DE CUENCA
Comunidad Educativa al Servicio del Pueblo
UNIDAD ACADÉMICA DE ADMINISTRACIÓN
CARRERA DE ECONOMÍA
ASIGNATURA: MODELOS ECONOMÉTRICOS
CICLO: SEXTO
TÍTULO: ARIMA
AUTOR: DAVID CELI
DOCENTE:
ECO: ANDRÉS UGALDE
RESUMEN
El análisis de series temporales juega un papel fundamental en diversas áreas como la
economía, las finanzas, la meteorología y la ingeniería, entre otras. Entre las metodologías más
utilizadas para el pronóstico y modelado de series temporales destaca ARIMA (AutoRegressive
Integrated Moving Average). Este trabajo tiene como objetivo explorar y comprender en
profundidad el enfoque ARIMA y su aplicación en el análisis de datos temporales. En el desarrollo
del trabajo, se implementa ARIMA en el conjunto de datos previamente preparado y se evalúa
su rendimiento. Se comparan las predicciones del modelo con los valores reales y se utilizan
métricas de precisión para medir su eficacia en el pronóstico.
Este trabajo proporciona una comprensión completa de ARIMA y su aplicación en el análisis de
series temporales. Los resultados y conclusiones obtenidos contribuyen al avance en el campo
de la predicción y el modelado de datos temporales, demostrando la utilidad y versatilidad de
ARIMA en distintos contextos y situaciones.
INTRODUCCIÓN:
El análisis de series temporales constituye una disciplina esencial en el campo del análisis de
datos, ya que proporciona herramientas poderosas para comprender y pronosticar el
comportamiento de variables que evolucionan a lo largo del tiempo. Entre las metodologías más
destacadas en este ámbito se encuentra ARIMA (AutoRegressive Integrated Moving Average),
un modelo ampliamente utilizado debido a su versatilidad y eficacia en el análisis y pronóstico de
series temporales.
ARIMA es un enfoque estadístico que combina componentes auto-regresivos, de media móvil e
integración, permitiendo capturar patrones complejos y estructuras inherentes en los datos
temporales. El término "AutoRegressive" se refiere a la relación que tiene una observación con
sus valores pasados, "Moving Average" alude a la dependencia con los errores de predicción
pasados, y "Integrated" representa la diferenciación necesaria para estabilizar la serie temporal.
El objetivo principal de este trabajo es explorar en profundidad el modelo ARIMA y su aplicación
en el análisis de series temporales. Para ello, se busca comprender la estructura y
funcionamiento del modelo, así como su capacidad para realizar pronósticos precisos en
contextos diversos. A través de la implementación práctica de ARIMA en conjuntos de datos
reales, se evaluará su rendimiento y se comparará con otros enfoques utilizados comúnmente
en el análisis de series temporales. La importancia de ARIMA radica en su capacidad para
modelar y predecir datos temporales con tendencias y patrones no lineales, lo que lo convierte
en una herramienta valiosa en numerosas áreas. En economía y finanzas, ARIMA se emplea
para prever tendencias en índices bursátiles, tasas de cambio y precios de productos. En
meteorología, es útil para pronosticar condiciones climáticas. Asimismo, en campos como la
producción, la logística y la ingeniería, ARIMA ayuda a prever la demanda de productos y
optimizar procesos.
La justificación de este estudio se basa en la necesidad de comprender y aplicar modelos
robustos para el análisis de series temporales, dada la creciente disponibilidad de datos
temporales en la era actual. Al dominar el modelo ARIMA, los analistas, investigadores y
profesionales pueden tomar decisiones informadas y estratégicas, anticipando tendencias y
cambios futuros. Además, esta investigación busca contribuir al avance científico al proporcionar
una visión completa y detallada sobre el modelo ARIMA y su relevancia en el análisis de series
temporales. En el desarrollo de este trabajo, se analizarán diferentes aspectos relacionados con
ARIMA, desde su fundamentación teórica hasta su aplicación práctica, con el fin de obtener
conocimientos valiosos y concretos que permitan aprovechar plenamente las capacidades de
este modelo en el análisis de datos temporales. Con ello, se busca impulsar la utilización efectiva
de ARIMA en diversas áreas de estudio y aplicaciones prácticas, contribuyendo así al crecimiento
y mejora de los procesos de toma de decisiones basados en información temporal. El modelo
ARIMA es una herramienta útil para el análisis de series temporales porque permite modelar y
predecir el comportamiento de una serie temporal. También se puede utilizar para identificar
patrones en los datos y para hacer predicciones a corto plazo
DESARROLLO
El modelo ARIMA (AutoRegressive Integrated Moving Average) es una metodología estadística
ampliamente utilizada para el análisis y pronóstico de series temporales. Su popularidad radica
en su capacidad para capturar patrones complejos y tendencias en datos temporales, lo que
permite tomar decisiones informadas y estratégicas en una amplia variedad de campos, desde
la economía y las finanzas hasta la meteorología y la ingeniería.
El enfoque ARIMA combina tres componentes principales: AutoRegresión (AR), Integración (I) y
Media Móvil (MA). El componente AR implica que el valor actual de la serie temporal está
relacionado con sus valores pasados, es decir, se regresa en el tiempo. Por otro lado, la
integración se refiere a la diferenciación necesaria para estabilizar una serie temporal,
convirtiéndola en estacionaria. Finalmente, la media móvil implica que el valor actual de la serie
temporal está relacionado con los errores de predicción pasados.
La estructura del modelo ARIMA se denota como ARIMA(p, d, q), donde "p" representa el orden
del componente AR, "d" es el número de diferenciaciones necesarias para lograr estacionariedad
y "q" es el orden del componente de media móvil. La selección adecuada de los valores de "p",
"d" y "q" es crucial para obtener un modelo preciso y efectivo. Esta selección se puede realizar
mediante análisis gráficos, como la función de autocorrelación (ACF) y la función de
autocorrelación parcial (PACF), así como mediante técnicas de optimización.
ARIMA es aplicable a una amplia gama de problemas de series temporales. En el ámbito
económico, se utiliza para pronosticar indicadores financieros, como precios de acciones o tasas
de cambio. En la industria, ARIMA se emplea para prever la demanda de productos y planificar
la producción. Además, en la climatología, se utiliza para hacer predicciones meteorológicas y
estudiar patrones climáticos a largo plazo.
EJEMPLO PRACTICO
El empleo de gases de uso aeronáutico es de enorme importancia para las unidades aéreas. Los
parámetros analíticos del oxígeno de alta cota (líquido y gaseoso) están determinados por el
STANAG 7106 y es el personal farmacéutico militar de los Centros de Farmacia del Aire los que
efectúan, garantizan e interpretan los análisis. Desde el año 1997 se han realizado expedientes
de contratación para el suministro de oxígeno de vuelo, otros gases y elementos asociados para
el Ejército del Aire y el Centro de Farmacia del Aire de Madrid (CEFARMA) ha sido el responsable
de los mismos. El ahorro económico por la centralización del suministro del material y productos
se han considerado muy aceptables por el Mando Logístico del Aire (MALOG). No obstante,
desde el 2007 se han producido desajustes entre lo programado como gasto y lo realmente
ejecutado como tal. Esto ha llevado, en ocasiones, a que el CEFARMA solicite la devolución de
asignaciones económicas o requiera nuevos créditos presupuestarios para hacer frente al
consumo y servicios efectuados por las empresas. Así, en el año 2011 se solicitó una reducción
del 17 % sobre el total del expediente (50% de la asignación económica anual). En el año 2014
se efectuó la devolución de más de la cuarta parte de la prorroga asignada para gasto en oxígeno
de alta cota y en los años 2015 y 2016 también se produjo el reintegro anual del 18% del total
del expediente. Por otra parte, en los años 2009 y 2010 se efectuaron ampliaciones y prorrogas
de contrato por un importe total de casi un millón de euros para hacer frente a suministros no
inicialmente estimados. Por ello, es importante realizar previsiones económicas, lo más ajustadas
posibles, para evitar singularidades presupuestarias en las partidas referentes al oxígeno de alta
cota y elementos afines. El objetivo de este trabajo es realizar estimaciones econométricas, a
partir de las series temporales de consumo, para efectuar adecuadas previsiones de gasto
agregado en futuros expedientes de contratación referidos al suministro de oxígeno de vuelo,
otros gases y elementos asociados utilizados en el Ejército del Aire.
El objeto del análisis de una serie temporal es el conocimiento de un patrón de comportamiento
para prever una acción futura (siempre que las condiciones sean estables), ya que son un
conjunto de observaciones ordenadas en el tiempo que muestran la evolución de un fenómeno
o variable a lo largo de él. Lo habitual es identificar cuatro componentes que son: tendencia,
estacionalidad, ciclos y residuos. El orden en el que se producen los fenómenos o variables a
estudiar es esencial y modificarlo implica alterar la información que existe en la serie. Cualquier
serie temporal se forma por un conjunto de observaciones de una variable dependiente tomadas
durante un tiempo, que tienen dos importantes elementos: uno de carácter determinista y que
permanece en el tiempo y otro aleatorio que es lo que se conoce como error o ruido blanco del
proceso.
Es importante destacar que, si al conocer la evolución de la serie en el pasado se pudiese
predecir exactamente el comportamiento futuro, estaríamos ante un comportamiento totalmente
determinista cuyo estudio no comportaría interés al estar formulado por leyes matemáticas y
físicas, bien conocidas. En general, las series temporales están asociadas a fenómenos
aleatorios y su estudio permite acercarse a su estructura para realizar pronóstico futuro.
Los parámetros estadísticos no temporales se han criticado por sus limitaciones e invalidez
cuando hay correlaciones entre los términos de error. Por ello, se han propuesto diferentes
soluciones con el objeto de eliminar los problemas de autocorrelación en las series temporales.
En la actualidad, entre las más empleadas, está la técnica de modelado conocida por su acrónimo
ingles ARIMA (autorregresivo integrado de media móviles). Fue desarrollado por Box, Jenkings
y Tiao y resulta un método muy útil para tratar tendencia, estacionalidad y error aleatorio de las
series temporales
MÉTODO
Procedimiento Box-Jenkings
Según este método, cada observación, en un momento determinado, es modelada en función de
los valores anteriores. Es un enfoque basado en determinar el modelo probabilístico que rige el
comportamiento de la serie temporal. La metodología por este sistema se fundamenta en realizar
una identificación del patrón, estimación de parámetros y diagnosis del modelo
Los modelos se conocen con el nombre genérico de método “autorregresivo integrado de medias
móviles”, ARIMA (AutoRegresive Integrated Moving Average), que deriva de sus tres
componentes: AR (autorregresivo), I (integrado) y MA (Medias Móviles).
Un modelo se define como autorregresivo si la variable interna de un periodo determinado es
posible explicarla por las observaciones, de ella misma, de los periodos anteriores (de su propio
pasado), añadiéndose, además, un término de error. Si el proceso es estacionario y presenta
una distribución normal, en determinadas condiciones previas, toda variable Yt se puede
expresar como una combinación lineal de sus valores pasados y de un componente de error. El
modelo general ARIMA (p,d,q) se denomina proceso autorregresivo integrado de medias móviles
de orden p, d, q y toma la expresión general de la siguiente ecuación:
El término de error se denomina ruido blanco y tiene que ser de media nula, varianza constante
y covarianza nula entre errores de observaciones diferentes7.
Un modelo ARIMA (0, d, 0) es una serie temporal que se convierte en ruido blanco después de
ser diferenciada d veces. Los modelos ARIMA (p, d, q) permiten describir las observaciones tras
haber sido diferenciadas d veces para eliminar las posibles fuentes de no estabilidad. Si hay un
componente igual a cero o es nulo se excluye del término correspondiente de la fórmula general.
Sin entrar en detalles, para que un proceso aleatorio tenga una formulación de tipo ARIMA es
necesario que se cumpla la condición de estabilidad. En la práctica la serie temporal ha de ser,
al menos, débilmente estacionaria. Si se quiere determinar la estructura del proceso estocástico
mediante un modelo de tipo autorregresivo es necesario asegurarse que la serie es estacionaria,
y si no lo es, hay que transformar la serie temporal original para obtener otra serie temporal que
cumpla el criterio de invariabilidad con respecto al tiempo.
La verificación de la constancia temporal de la serie, en media, se puede realizar de diferentes
maneras. Normalmente, el gráfico permite determinar fácilmente si existe tendencia o es estable
durante periodos temporales determinados. Si hay tendencia, se trabaja sobre los residuos o se
diferencia la serie para hacerla estacionaria (estacionaria en varianza). Para determinar que la
serie temporal presenta invariabilidad temporal en varianza (orden de integración) se realiza el
llamado test de Dickey-Fuller Ampliado (test DFA). En este test la hipótesis nula es la ausencia
de invariancia en el tiempo (si el valor estimado es menor, en valor absoluto, que el tabulado,
dentro de un determinado nivel de confianza, se admite la hipótesis nula: ausencia de invariancia
temporal, o lo que es lo mismo “presencia de una raíz unitaria”). Si se acepta la hipótesis nula, la
serie no es útil para el modelo ARIMA. Existen otros modelos de análisis de series temporales
no autorregresivos igualmente válidos para realizar predicción en este contexto. Entre ellos
destacan el análisis de suavizado exponencial, aditivo o multiplicativo, lo basados en
transformadas de Fourier o incluso los realizados a partir de análisis de recurrencia, simulaciones
de Montecarlo y redes neuronales. La matemática necesaria y el software para desarrollarlos no
es fácil de aplicar, aunque las conclusiones finales son semejantes a las obtenidas a partir de los
procesos autorregresivos. Los modelos ARIMA son muy útiles porque su empleo se fundamenta
en modelos de carácter estacionario que en la práctica son muy apropiados para estudiar la
vinculación retrospectiva de los valores de una serie temporal. Un estudio general de la
metodología de procesos autorregresivos supone su extensión tanto a modelos aditivos como a
modelos multiplicativos. En este trabajo se ha utilizado el modelo aditivo en el que cada dato
tiene una dependencia lineal de los valores de su pasado.
MATERIALES
Se han recopilado todos los datos económicos de las unidades aéreas que están integradas o
han solicitado su incorporación a los diferentes expedientes para el suministro de gases desde
el año 2004 hasta el año 2017. Los datos se han obtenido de los certificados de facturación,
facturas y albaranes en los que se detallan el consumo e importe, la fecha de facturación y la
unidad a la que pertenece la misma.
Los importes se han deflactado tomando como año base el 2016 y, posteriormente, se han
agrupado por meses, trimestres y años.
La agregación de datos se ha realizado con la aplicación Filemaker Pro Advanced V15
(©Filemaker inc,). Para el tratamiento estadístico y econométrico se han utilizado los programas
informáticos Microsoft® Excel (2016), Eviews® 10.0 (IHS inc.), Gretl (2017c) y Statistica v 12
(StatSoft, 2014).
RESULTADOS
Se han estudiado las series temporales correspondientes al número de facturas y al gasto total
trimestral agregado facturado entre los años 2004 y 2018.
En la figura 1 se muestran las series temporales de gasto trimestral agregado para todas las
unidades aéreas (en términos constantes, deflactadas) y número de facturas pagadas para los
expedientes de suministro de oxígeno y elementos asociados desde el año 2004 al año 2016.
Figura 1 Evolución de gasto trimestral (en términos constantes) y número de facturas pagadas
para los expedientes de suministro de oxígeno y elementos asociados desde el año 2004 al año
2016.
En la tabla 1 se exponen los resultados del test de raíz unitaria realizado con el estadístico
aumentado de Dickey-Fuller (test ADF). A partir de los gráficos de la figura 1 puede deducirse
que la serie temporal que se corresponde con el gasto trimestral podría llegar a considerarse
estacionaria. El test ADF permite identificar la existencia de raíces unitarias. Se observa, en la
tabla 1, que para las series temporales gasto y facturas, en niveles, existe ausencia de constancia
en el tiempo. En necesario rechazar la hipótesis de ausencia de invariabilidad temporal para los
niveles (datos reales) y aceptar que es estacionaria en primeras diferencias. Por ello, ambas
series son integradas de orden 1. Existen otros contrastes de hipótesis que pueden ser utilizadas
como comparación. Entre ellos destaca el contraste de Phillips-Perron (PP) que conduce a
resultados y conclusiones semejantes a las del test ADF7.
Tabla 1 Resultados del test de raíz unitaria realizado con el estadístico aumentado de Dickey-
Fuller para demostrar la estabilidad de las series diferenciadas (los resultados en negrita indican
ausencia de estabilidad). Software utilizado: Eviews® 10
En la tabla 2 se detallan los resultados calculados para los coeficientes del componente
autorregresivo de cada modelo ARIMA estudiado, con indicación del error estándar y el valor de
significatividad del estadístico t-Student. Las series temporales son integradas de primer orden.
Las series no estacionarias que presentan una tendencia lineal, normalmente, se transforman
para convertirlas en estacionarias utilizando la ecuación Et=Xt-Xt-1. La primera diferencia de esta
nueva serie no tendrá tendencia y Xt es, entonces, una serie temporal, homogénea, integrada de
orden uno7. Si la tendencia es cuadrática se realiza la diferenciación en dos etapas, en primer
lugar, Ft=Xt-Xt-1 y posteriormente Et=Ft-Ft-1. La serie Xt será homogénea e integrada de orden
2 (segundo orden). Lógicamente, para tendencias de orden p, será necesario realizar p
diferenciaciones y las series se conocerán como integradas de orden p. En las series temporales
que existe una tendencia de tipo exponencial esta puede eliminarse calculando, inicialmente, el
logaritmo y después la primera diferencia de la serie logarítmica (Et=lnXt-lnXt-1)
Tabla 2 Valores de los coeficientes del componente autorregresivo para los modelos ARIMA
estudiados. Se ha indicado el valor del coeficiente de determinación (r2) encontrado en cada
modelo autorregresivo, así como los resultados obtenidos para el error estándar y t-Student.
Software utilizado. Gretl (2017 c) y Eviews® 10.
En la figura 2 se muestra el grafico de gasto trimestral real y gasto trimestral calculado y
pronosticado partir de la ecuación del modelo ARIMA (3,1,0) sin variable exógena y con variable
exógena (X: número de facturas) para el periodo de tiempo 2004-2016. Las ecuaciones de los
modelos autorregresivos se extienden para la totalidad del año 2017 y permiten explicar entre el
55 % y 65 % de la posible variabilidad que se pueda dar en el gasto total para todas las unidades
aéreas incorporadas a los expedientes de gases (figura 3).
Fuente: elaboración propia.
Figuras 2ay 2b Gráfico de gasto agregado trimestral real y gasto agregado trimestral estimado
a partir de la ecuación de los modelos ARIMA (3,1,0) con ausencia (a) y presencia (b) de variable
exógena (X: número de facturas). Las líneas de color azul son los datos reales y las de color rojo
se corresponden con los datos estimados El gasto se da en euros constantes. Software utilizado
Statistica v 12 y Eviews® 10.
Fuente: elaboración propia.
Figuras 3a y 3b Gráficos de regresión lineal de datos reales frente a estimados para los modelos
ARIMA (3,1,0). Dependiendo del modelo utilizado, ausencia (3a) o presencia de variable exógena
(3b), la variabilidad total explicada por las ecuaciones oscila entre el 55% y el 65% de la totalidad
de incertidumbre presente. El gasto se da en euros constantes. Software utilizado: Statistica
v12.En la figura 3 se ha representado la regresión lineal de gasto trimestral real frente al gasto
trimestral estimado para los modelos ARIMA (3,1,0) a partir de las ecuaciones de la tabla 3.
En la tabla 4 se detallan los resultados obtenidos para el gasto trimestral anual del año 2017,
para cada análisis autorregresivo, utilizando las ecuaciones propuestas en la tabla 2. El signo del
error indica la desviación que se ha tenido con relación al valor real. Un signo negativo indica
que el modelo es insuficiente o escaso y un signo positivo indica que el modelo se ha desbordado.
No obstante, aunque el seguimiento trimestral presenta errores ciertamente importantes, el
resultado final es lo realmente interesante. Para el modelo ARIMA (3,1,0), sin variable externa,
un error anual total pronosticado de -1.3% puede considerarse muy aceptable, si se tiene en
cuenta la tremenda incertidumbre que mueve el expediente de gasto de gases en el que se
encuentran presentes un gran número de unidades aéreas, cada una de ellas generando su
propia fuente de error.
Uno de los problemas iniciales es estimar que modelo ARIMA utilizar. Los parámetros se
obtienen de forma que la suma cuadrática de los errores sea la menor. La estimación no es
sencilla y muchas ocasiones es necesario utilizar métodos iterativos de estimación no lineal10.
Se han planteado pruebas para validar el modelo autorregresivo elegido y verificar si se ajusta
realmente al conjunto de los datos reales. Entre los más destacados se encuentra el denominado
modelo de sobreparametrización. Básicamente, consiste en estimar el modelo a un orden
superior al que se ha elegido y comprobar que los parámetros obtenidos son o no
significativamente diferentes de cero. Estas funciones tienen que ser significativamente nulas en
todo su recorrido. Test, como el Q de Box-Pierce o el Q de Ljung-Box son muy apropiados para
comprobar si los residuos obtenidos son conformes con un ruido blanco7. A partir de los errores
determinados para el gasto total real se ha elegido como apropiado para realizar estimaciones el
modelo ARIMA En la figura 4 se han representado los correlogramas4 para los residuos. Se
observa que las autocorrelaciones residuales no son significativas (están dentro de las bandas
de error). Además, para este modelo autorregresivo, se rechaza la hipótesis nula de
autocorrelación global, ya que el valor del estadístico Q de Ljung-Box es menor que el punto
crítico tabulado. Todo ello hace considerar a los residuos como ruido blanco (no existe
autocorrelación) y se confirma la validez predictiva del modelo ARIMA
Figuras 4a y 4b Correlograma para los residuos obtenidos en el modelo autorregresivo ARIMA
(3,1,0). Las líneas rojas indican el límite de confianza calculado para el error estándar y suponer
que los elementos residuales se pueden considerar ruido blanco. En la función de autocorrelación
se ha indicado el valor del estadístico Q (Ljung-Box) para cada uno de los retardos considerados.
Figura 4a. Modelo ARIMA (3,1,0); Figura 4b. Modelo ARIMA (3,1,0) con variable exógena.
Software utilizado: Statistica V 12 y Eviews® 10.
A partir de los modelos autorregresivos se obtienen ecuaciones y modelos matemáticos que
explican el comportamiento y estructura de la serie y permiten realizar prospectiva. Las
ecuaciones aquí obtenidas, del modelo ARIMA (3,1,0), están ayudando a realizar estimaciones,
bastante ajustadas, sobre los requerimientos de gases que las diferentes unidades aéreas
precisan para su operatividad. Es necesario recordar que los ARIMA empleados se basan en la
premisa de invariancia o estabilidad de la serie. Cualquier modificación, no prevista, que altere
de manera notable la serie temporal implica nuevo modelo matemático de predicción, estudio de
posible estacionalidad y constancia temporal, tendencias, correlaciones, etc. El modelo calculado
se corresponde con el gasto conjunto total de todas las unidades aéreas incorporadas a los
expedientes de gases del Ejército del Aire y que en la actualidad son 31. La desagregación de
los gastos para cada una de ellas, ha permitido elaborar modelos autorregresivos de estimación
de gasto individualizado por unidad. El seguimiento y validación de las estimaciones realizadas
se está efectuando a partir de los gastos reales ejecutados durante el año 2018. En la tabla 5 se
muestran los datos obtenidos para gasto real y gasto estimado por el modelo ARIMA (3,1,0)
durante el año 2018. La reducción del error cometido con respecto al que se obtuvo en el primer
trimestre del año 2017 parece indicar que las previsiones realizadas son adecuadas. No
obstante, será a la finalización económica del año 2018 cuando se establecerá un mejor análisis
sobre la prospectiva total de la evaluación trimestral y anual realizada.
Tabla 5 Gasto real y gasto estimado utilizando el modelo ARIMA (3,1,0) para el primer trimestre
y primer mes del segundo trimestre del año 2018 (deflación trimestre 1 de 2018: 1.008; deflación
mes abril 2018: 1.017). Elaboración propia. Fuente para deflación: Instituto Nacional de
Estadística.
Es necesario destacar que para las series temporales aquí estudiadas se están realizando otro
tipo de estudios con modelos autorregresivos de carácter estacional. Este tipo de modelos se
denominan SARIMA o SARIMAX, dependiendo de si son estacionales, con ausencia o presencia
de variable exógena. Los resultados obtenidos son muy prometedores. Otros estudios han
obtenido ecuaciones simplificadas de gasto agregado para este tipo de situaciones11. Así, se ha
encontrado que resulta muy útil para estimar rápidamente el gasto trimestral conjunto la ecuación
Y=e12±e10 (Y: gasto trimestral; e= 2.718). Para el gasto mensual agregado la ecuación es
Y=e11±e8 y el gasto anual total se calcula por la ecuación Y=n*(4*e12±e11) (n: número de años;
1≤n≤4). Estas ecuaciones no son series temporales, pero han resultado muy apropiadas para la
detección de errores en los modelos de previsión o desviaciones en el gasto acumulado estimado
por ARIMA (3,1,0).
Anteriormente se indicó que los modelos autorregresivos integrados de medias móviles no son
los únicos modelos de predicción en series temporales que existen. Los análisis empleando los
modelos de vectores autorregresivos (VAR) para corregir las correlaciones espurias o modelos
de vectores con corrección del error (VEC), basados en un equilibrio a largo plazo entre variables
que, en el corto plazo no existe, son muy utilizados en el campo económico, aunque también se
utilizan en otros campos de carácter analítico e interpretativo12. Otros, como los métodos de Holt
y Winters también son muy útiles para la interpretación y estudio de pronóstico en series
temporales de carácter estacional y que muestran tendencia. Sin embargo, los ARIMA son
matemáticamente muy intuitivos y permiten estudiar el comportamiento de una gran variedad de
series temporales y modelar algunas de las más importantes fuentes de error que en ellas se
encuentran. Las correcciones de tendencias (invariabilidad en el tiempo), estimaciones de
estacionalidad o la visualización de errores aleatorios hacen de estos modelos de los más
versátiles y utilizados para realizar pronóstico y estimación futura.
CONCLUSIÓN
El seguimiento económico de los expedientes de contratación para el suministro de oxígeno de
vuelo, otros gases y elementos asociados para el Ejército del Aire que realiza el personal
farmacéutico del Centro de Farmacia del Aire de Madrid es de gran importancia. Los modelos
autorregresivos de medias móviles (ARIMA), por su versatilidad, están resultando de gran ayuda
en la realización de las estimaciones económicas de los expedientes de gases que es necesario
plantear. Un modelo sencillo, que cumple con los requisitos matemáticos establecidos, es el
modelo ARIMA (3,1,0), sin variable externa. Con este modelo se puede realizar seguimiento de
gasto de manera trimestral, y por desagregación o agregación, también de forma mensual o
anual, respectivamente.
Durante el tiempo (6 trimestres) que se lleva realizando el seguimiento mediante el modelo
ARIMA deducido en este trabajo no se han producido desajustes importantes entre lo calculado
y lo gastado.
En el año 2019 se ha de proponer un nuevo expediente para la gestión analítica y económica del
oxígeno de vuelo y elementos asociados utilizados en el Ejército del Aire, y las ecuaciones de
gasto predictivo obtenidas aquí y mejoradas a partir de nuevos datos, una vez aplicados los
términos correctores anuales, servirán para plantear la prospectiva de gasto que se marcó como
objetivo principal de este trabajo y que no es otro que la de estimar correctamente, con la enorme
dificultad que implica, qué asignación económica total se prevé para un expediente de
contratación que tiene, hasta el momento, 31 unidades aéreas y una duración media de 4 años.
El modelo ARIMA ofrece un enfoque sólido y efectivo para el análisis y pronóstico de series
temporales. Su aplicación puede conducir a una toma de decisiones informada y estratégica en
una variedad de campos, lo que resulta fundamental en un mundo donde los datos temporales
son cada vez más abundantes y fundamentales para el éxito en diversas industrias. Al seguir
investigando y aplicando ARIMA de manera adecuada, podemos aprovechar plenamente su
potencial y mejorar aún más nuestras capacidades de análisis y predicción en el futuro.
BIBLIOGRAFÍA
• Díaz Fernández M, Llorente Marrón M. Econometría (4ª ed.). 2017. Madrid. Pirámide. [
Links ]
• Pepió Viñal M. Series temporales (septiembre 2001 ed.). (UPC, Ed.) 2001. Barcelona:
Edicions de la Universitat Politècnica de Catalunya, S.L. [ Links ]
• García Jimenez M, Cáceres Serrano PA. Diseños experimentales de series temporales
(Febrero 2014 ed.). 2014. Madrid. Universidad Nacional de Educación a Distancia. [
Links]
• Box G, Jenkings G, Reimsel G. Time series analysis: Forecasting and control. (Third
edition ed.). (J. Grant, Ed.). 1994. Upper Saddle River, New Jersey, Unites States of
America. Prentice Hall. [ Links ]
• Box G, Tiao G. Intervention Analysis with Applications to Economic and Environmental
Problems. Journal of the American Statistical Association. Mar 1975. 70(349):70-79. [
Links ]
• De Arce R. Modelos ARIMA. Enero de 2018. Obtenido de:
http://www.uam.es/personal_pdi/economicas/rarce/pdf/Box-Jenkins.PDF. [ Links ]
• Fuente Fernández S. Modelo ARIMA (p,d,q)(P,D,Q). Diciembre de 2017. Obtenido de:
http://www.estadistica.net/ECONOMETRIA/SERIES-TEMPORALES/modelo-arima.pdf.
[ Links ]
• Ordaz Sanz JA, Melgar Hiraldo MC, Rubio Castaño CM. Métodos estadísticos y
econométricos en la empresa y para finanzas. Dto. Economía y métodos cuantitativos e
historia económica. 2011. Universidad Pablo Olavide. Sevilla. [ Links ]
Domínguez Gijón RM, Zambrano Reyes A. Pronóstico con Modelos ARIMA para los
casos de Índice de Precios y Cotizaciones (IPC) y la Acción de la América Móvil. Memoria
del XXI congreso Mexicano de Matemática y Econometría. Tomo II. 2013. Obtenido de
http://www.eumed.net/libros-gratis/2013/1256/modelos-ARIMA.pdf. [ Links ]
• De Rivera DPS, Tovar GA. Criterios de selección de modelos ARIMA. Trab. Estad. Invest.
Oper. 1981. 32: 70. https://doi.org/10.1007/BF03021690. [ Links ]
• Gallego-Nicasio Moraleda J. Estimación económica para los expedientes de
contratación de suministro de oxígeno de vuelo y elementos asociados en el Ejército del
Aire. Trabajo Fin de Master en Logística y Gestión Económica de la Defensa. 2017. UCM.
CESIA. Madrid. [ Links ]
• Ghulam Ali. Cointegration VAR and VECM and ARIMAX. Econometric Approaches for
Water Quality Variates. Journal of Statistical and Econometric Methods. 2015. 4(1-2):1-
38. [ Links ]
