105 Efecto Calendario

Instituto Aragons de Estadstica (IAEST)
Direccin General de Poltica Econmica

Departamento de Economa, Hacienda y Empleo
Gobierno de Aragn
Camino de Las Torres, 53
E 50071 Zaragoza
Tel: 976 713170
Fax: 976 713184
E-mail: iaest@aragon.es
Web: http://www.aragon.es
Anlisis del efecto calendario en

series econmicas con TRAMOSEATS.
Un estudio para tres series aragonesas.
Junio de 2009
Elaborado por Alfredo Peris Beamonte.

rea de estadstica econmica del Instituto Aragons de Estadstica.
n 105
ndice
Introduccin............................................................................................... 5
Modelizacin de series a partir de Tramo-Seats ....................................... 7
El Efecto Calendario. Concepto y tipos de anlisis ................................... 9
Estudio de las series econmicas con TSW: ndice de Produccin
Industrial, Indicador de Actividad del Sector Servicios e ndice del
Comercio al por Menor ............................................................................ 13
Descripcin de las series ................................................................................ 13
Clculo de las componentes determinsticas de la serie:
efecto calendario y anlisis de outliers........................................................... 15
Clculo de la componente estocstica de la serie, modelo Arima.................. 21
Significado del Efecto Calendario y su correccin................................... 32

Automatizacin del proceso de correccin del Efecto Calendario ........... 47
Difusin y actualizacin de los datos....................................................... 52
Bibliografa .............................................................................................. 53
ANEXO SALIDAS DEL PROGRAMA TRAMO
(Versin Noviembre de 2008).................................................................. 55
Introduccin
Las series econmicas analizadas a partir de la metodologa ARIMA y de Anlisis de Intervencin ofrece a los analistas econmicos de coyuntura la posibilidad
de extraer diferentes componentes inobservables que permiten determinar cual
es el ritmo potencial de la serie correspondiente as como otros fenmenos ajenos a su naturaleza intrnseca que le afectan. Es el caso del efecto calendario y
los atpicos tambin conocidos como outliers.
La estadstica pblica entre sus objetivos pretende, a parte de la cuantificacin
objetiva y precisa de los fenmenos econmicos, facilitar el anlisis de la realidad en un marco de comparabilidad intertemporal y geogrfica. De ah la necesidad de que desde organismos internacionales se potencie la publicacin, junto
con los indicadores tradicionales, de nuevas series derivadas a partir de lo que
se conoce como Anlisis de Intervencin.
Eurostat, a partir de Reglamento (CE) N 1165/98 del Consejo de 19 de mayo de
1998 sobre las estadsticas coyunturales modificado por el Reglamento (CE) n
1158/2005 del Parlamento Europeo y del Consejo de 6 de julio de 2005, propone
diferentes medidas para mejorar la comparabilidad de las series econmicas
entre los diferentes pases y regiones de la Unin Europea. Entre las recomendaciones se plantea la correccin del efecto calendario de determinadas series
claramente afectadas por este efecto.
El Instituto Nacional de Estadstica, siguiendo estas recomendaciones, est implementando progresivamente procedimientos donde se corrigen el efecto calendario a partir del software TRAMO-SEATS, desarrollado por Vctor Gmez y
Agustn Maravall, pertenecientes al Banco de Espaa. Con la colaboracin de
Gianluca Caporello han desarrollado la versin para Windows de este programa
(TSW) distribuido gratuitamente por el Banco de Espaa desde su pgina web
www.bde.es, junto con su manual de referencia Caporello, G. y Maravall, A.
(2004).
Ante las recomendaciones de Eurostat y la difusin de series corregidas por parte del INE, el Instituto Aragons de Estadstica se ha planteado la correccin del
efecto calendario en estas series mediante el programa TSW, recomendado por
diferentes instituciones.
El objetivo de este documento es facilitar la comprensin de lo que se conoce
por efecto calendario, explicar cmo funciona el programa TSW en su opcin
automatizada, calcular dicho efecto y establecer una primera aproximacin a la
difusin y actualizacin de los datos corregidos de efecto calendario.
Modelizacin de series a partir de TramoSeats.

Este documento no pretende ser un manual de usuario de TSW como Caporello,
G. y Maravall, A. (2004), pero s se plantea mejorar la comprensin del funcionamiento y de los resultados de este programa.
Siguiendo a Maravall, A. (2005) y Eustat (2005) se puede deducir que el programa TRAMO-SEATS es en realidad dos programas enlazados donde cada uno
tiene un objetivo claramente diferenciado:
1. TRAMO (Time Series Regression with Arima Noise, Missing Observations and
Outliers) estima, predice e interpola valores no disponibles, en su caso. Tambin realiza distintos tipos de Anlisis de Intervencin como los efectos de calendario y anlisis de outliers sin olvidar que el programa tiene la capacidad
de crear e incluir distintas variables de regresin.
Respecto el anlisis de outliers el programa detecta automticamente tres tipos:
Aditivo (AO): suceso externo que afecta a la serie en un solo momento temporal.
Cambio de Nivel (LS): es un suceso que afecta a la serie a partir de un
momento determinado, y su efecto permanece constante
Transitorio (TS): se trata de un suceso que tiene un impacto inicial, pero su
efecto va disminuyendo exponencialmente
A su vez, el efecto calendario, tema central de este documento de trabajo, est conformado fundamentalmente por tres tipos distintos de fenmenos:
Das laborales.(Trading days)
Efecto Pascua (Easter Effect)
Ao Bisiesto (Leap Year)
Si bien, se podra incorporar el efecto de los festivos regionales al anlisis, como
una variable de intervencin ad hoc donde se construye una serie con el nmero
de festivos disfrutados en cada mes/trimestre, opcin no incluida en este documento de trabajo por simplicidad explicativa, pero si considerada en la modelizacin de las series consideradas previa difusin de los resultados.
Posteriormente se explicar qu es y cmo se modeliza cada uno de las componentes del efecto calendario.
Por tanto, y en conjunto, TRAMO obtiene el modelo ptimo, estimando los parmetros determinsticos y estocsticos, de la manera siguiente:
Z t = yt + xt
t = 1,....., T
Donde yt representa la parte determinstica del modelo y son los parmetros

a estimar correspondientes tanto al efecto calendario como al anlisis de outliers
as como variables que se construyan ad hoc. La componente xt corresponde a
la modelizacin de la parte estocstica mediante modelo ARIMA:
P ( Ls ) p ( L)(1 Ls ) D (1 L) d yt = Q ( Ls ) q ( L)u t
Donde L es un operador de retardos del tipo. Lyt = yt-1; L2yt = yt-2, y as sucesivamente. De manera que los polinomios , , y son funcin de retardos, cada
uno correspondiente a parte de la estructura ARIMA. Una extensa explicacin se
puede consultar en Aznar, A. y Trvez, F. (1993). Los procedimientos de estimacin y prediccin se pueden consultar en Maravall, A. (2005).
2. SEATS (Signal Extraction in ARIMA Time Series), el cual a partir de la parte
estocstica estimada por TRAMO, descompone la serie original en sus componentes subyacentes: Tendencia, o ms correctamente, Ciclo-Tendencia,
Estacional e Irregular, incluyendo la componente Transitoria.
Para ello, utiliza los principios de descomposicin cannica basada en los
modelos ARIMA de forma reducida, detrayendo de la serie original la parte
determinstica, en concreto, es la denominada serie linealizada xt. El procedimiento utilizado se puede consultar en Maravall, A. (2005).
En el caso concreto del anlisis del efecto calendario hay que indicar que SEATS
expresamente no realiza ningn tipo de procedimiento de clculo pero s que hay
que tener en cuenta que al obtener la componente estacional puede calcularse
la serie desestacionalizada, que SEATS la presenta como SASERIES, la cual es
relevante en el anlisis coyuntural de las series econmicas.
Para poder visualizar en conjunto los clculos que realiza TSW en las series econmicas se presenta el siguiente esquema donde se diferencian los principales
resultados de cada subprograma segn las componentes que se extraen.
ESQUEMA 1
SERIE ORIGINAL
Laborales
Anlisis de Intervencin
Componente
Determinstico
Efecto calendario Pascua
Bisiesto
Regresores ad hoc
Aditivo
TRAMO
Anlisis de Outliers Cambio de Nivel

Cambio Transitorio
Componente
Estocstico
MODELO ARIMA
CICLO-TENDENCIA
SEATS
8
ESTACIONAL
IRREGULAR Y TRANSITORIO
El efecto calendario.
Concepto y tipos de anlisis.
La evolucin de una determinada variable econmica se ve afectada por diferentes elementos externos a lo que su propia naturaleza encierra. De este modo el
denominado crecimiento potencial se ve influenciado por hechos anmalos como
puede ser una huelga, un desastre natural, o tambin por la diferencia estructura
que encierra cada periodo de tiempo de referencia, ya que el tiempo, siendo una
variable continua, ha sido clasificada arbitrariamente, siempre condicionada al
ciclo lunar o solar, en funcin de la civilizacin que consideremos. El caso de
nuestra Pascua relacionada con el ciclo solar, frente al Ramadn vinculado al
lunar, es un ejemplo evidente.
El anlisis de estos fenmenos es conocido como Anlisis de Intervencin, entre
los cuales el anlisis del efecto calendario es uno de los ms importantes. Una
manera sencilla de corregir esta influencia sobre el crecimiento potencial es desestacionalizar la serie correspondiente, Siguiendo las recomendaciones de Eurostat (2006), se sugiere corregir el efecto calendario para mejorar la comparabilidad intertemporal y geogrfica de la serie, ya que no todos los meses contienen
el mismo nmero de das laborales, ni todas las regiones presentan las mismas
festividades, lo que hace que no se compare exactamente lo mismo, esto siempre desde la perspectiva del analista que pretende analizar la evolucin intrnseca del fenmeno.
Para comprender mejor esta influencia es til diferenciar los tipos de efectos ms
importantes en relacin con el calendario, y siguiendo fundamentalmente Bouso,
J. y Quilis, E. M. (2002):
1. Das laborales (Trading days): No todos los meses tienen el mismo nmero
de das donde se trabaja, lo que en principio puede afectar a la produccin o
demanda de un determinado bien o servicio.
Para una mejor visualizacin vamos a utilizar el mes de marzo de 2008 y
2009 como ejemplo:
Marzo 2008
Lu.
Ma.
Mi.
Marzo 2009
Ju.
Vi.
S.
Do.
Lu.
Ma.
Mi.
Ju.
Vi.
S.
Do.
10
11
12
13
14
15
16
10
11
12
13
14
15
17
18
19
20
21
22
23
16
17
18
19
20
21
22
24
25
26
27
28
29
30
23
24
25
26
27
28
29
30
31
31
Si consideramos sbado y domingo como no laborales, as lo plantea TSW en

una de sus opciones automatizadas (RSA=4)1, y obviando los festivos, se
contabilizan 21 das laborales en marzo 2008 frente a los 22 das laborales de
marzo 2009. Por tanto, al comparar interanualmente no sera exactamente lo
mismo ya que se estara produciendo un da ms. Por tanto, para lograr una
comparabilidad mayor hay que intentar homogeneizar ambos marzos, de ah
que ciertos autores, Hernndez Alonso, J. (2007), hablan de Anlisis de
Homogeneizacin.
Una manera sencilla es ponderar la serie por el nmero de das laborales, si
bien lo ms adecuado es crear una variable de intervencin donde se pueda
contrastar si dicha variable se ve afectada por este efecto, que incluira tanto
la diferente composicin del mes entre das laborales/no laborales como la diferencia en el nmero de das de los meses. Por ejemplo, febrero respecto
marzo siempre tiene tres das menos, salvo que sea bisiesto, que son dos das, lo que hace que la comparacin intermensual febrero marzo es tambin
relevante, al menos a priori.
Remarcamos a priori porque, a diferencia de la ponderacin por das que supone siempre la significatividad del efecto, con la construccin de variables de
intervencin se contrasta su significatividad y se cuantifica el impacto de este
efecto. TRAMO, dentro de sus opciones automticas, plantea la homogeneizacin de este fenmeno de dos maneras:
a. Es significativo el efecto de la diferente estructura mensual de das laborales frente no laborales?.
Para RSA=4 la variable de intervencin es de la forma siguiente:
Dt = (n L + n M + n X + n J + n V )
5
(n S + n D )
2
De esta manera, para marzo 2008:
Dmarzo 2008 = (5 + 4 + 4 + 4 + 4)
5
(5 + 5) = 4
2
Y para marzo 2009:
Dmarzo 2009 = (5 + 5 + 4 + 4 + 4)
5
(4 + 5) = 0,5
2
As, TRAMO construye automticamente esta variable, que posteriormente es introducida aditiva o multiplicativamente como un regresor ms:
TDt = Dt
1 La descripcin del funcionamiento del programa se encuentra en el apartado de este documento de trabajo:
AUTOMATIZACIN DEL PROCESO DE CORRECCIN DEL EFECTO CALENDARIO
10
El programa calcula tanto el parmetro como su significatividad, de manera que puede obtener lo que supone el efecto.
b. Es significativo el efecto de la diferente estructura mensual segn cada
da de la semana?
La propuesta de TRAMO, en su opcin RSA=5, es construir seis variables diferentes segn el da de la semana, contrastando la significatividad
por cada uno de los das.
Dit = (n de das tipo i n de domigos ),
i = lunes a sbado
Siguiendo a Salinas y Hillmer (1987),
TDt = 1 D1t + 2 D2t + 3 D3t + 4 D4t + 5 D5t + 6 D6t

Ambas alternativas son fcilmente realizables con TSW, pero conceptualmente se puede plantear previamente dos hiptesis de trabajo:
a. Si la variable econmica mide nicamente produccin, sin incluir dentro
de su anlisis conceptos vinculados a la demanda en funcin del tipo de
da, como es el caso del ndice de Produccin Industrial, se optara por
slo diferenciar entre laboral y no laboral (RSA=4)
b. Si la variable recoge elementos de demanda vinculados al da de la semana, como es el caso de ventas en el comercio minorista donde las ventas son mayores en viernes y sbado, por lo general; o como es el caso
de ciertas variables de turismo o transporte, la opcin inicialmente ms
adecuada de TSW sera RSA=5, que mide el efecto de cada da laboral.
2. Efecto Pascua (Easter Effect): El vnculo de la Semana Santa con el calendario solar, al situar el Domingo de Pascua en el primer domingo posterior a
la primera Luna llena de la primavera; razn por la que la Semana Santa cambia su posicin anual, en concreto el intervalo vara entre el 22 de marzo y el
25 de abril. Esta caracterstica afecta significativamente al anlisis econmico
cuando un ao cae en marzo y el siguiente en abril, como ha ocurrido en los
aos 2008 y 2009.
Marzo 2008
Lu.
Ma.
Mi.
Abril 2009
Ju.
Vi.
S.
Do.
Lu.
Ma.
Mi.
Ju.
Vi.
S.
Do.
10
11
12
10
11
12
13
14
15
16
13
14
15
16
17
18
19
17
18
19
20
21
22
23
20
21
22
23
24
25
26
24
25
26
27
28
29
30
27
28
29
30
31
11
La variable planteada en TRAMO es:
Pt = (n de das previos al Dom de Pascua que forman parte del mes )

Por defecto, TRAMO considera el periodo de seis das previos al domingo
como afectados por la Semana Santa y la suposicin de que el efecto es
idntico en esos das, H(n das previos a domingo de Pascua, mes marzo
y/o abril). La variable se especifica:
EEt = H(n das previos a domingo de Pascua, mes marzo y/o abril)
3. Ao bisiesto (Leap year). La frecuencia de los aos con 29 das en febrero
es la siguiente: los aos son bisiestos si son divisibles por 4 aunque no sern
bisiestos si son divisibles entre 100 (como los aos 1700, 1800, 1900 y 2100)
a no ser que sean divisibles por 400 (como los aos 1600, 2000 2400); por
tanto la variable viene definida de la siguiente manera:
1 si ao es divisible por 4 y NO por 100 salvo que ao es divisible por 400

Bt =
0 RESTO
El valor de Bt se refiere al mes de febrero de cada ao, por ejemplo en febrero
de 2000, 2004 o 2008 el valor correspondiente a febrero sera 1 (o para el
primer trimestre), y para el resto de los meses del ao, 0. En el caso del ao
2009 toda la serie del ao correspondiente sera 0.
La variable construida por TRAMO es:
LYt = Bt
Por la que se medir la significatividad e impacto.
12
Estudio de las series econmicas con TSW:

ndice de Produccin Industrial, Indicador de
Actividad del Sector Servicios e ndice del
Comercio al por Menor.
La estructura del presente documento se ha planteado con el doble objetivo de
intentar explicar qu es y qu encierra el Efecto Calendario y comprender cmo
funciona TSW en sus opciones automticas y qu resultados aporta. Por tanto, y
por simplicidad explicativa, el anlisis de festivos u otras influencias legislativas
sobre el calendario no son presentados en este documento, aunque s son tratados por parte del IAEST construyendo variables de intervencin al objeto de determinar su significatividad e impacto.
Para ello vamos a utilizar tres series econmicas diferentes para Aragn: ndice
de Produccin Industrial (IPI), Indicador de Actividad del Sector Servicios (IASS)
e ndice del Comercio al por Menor (ICM). De esta manera, y en este apartado,
vamos a presentar los resultados que obtendremos por TSW, dejando para la
seccin siguiente el funcionamiento del programa respecto el efecto calendario.
Descripcin de las series

I. ndice de Produccin Industrial (base 2005)
La serie IPI Aragn (base 2005) contiene en el momento de realizar este documento 86 observaciones (n=86), de enero 2002 a febrero 2009. Esta serie presenta una estructura multiplicativa, lo que se deduce de los resultados obtenidos
en TSW donde la serie
GRFICO 1
original se puede derivar
IPI_GENERAL: ORIGINAL SERIES
multiplicando la serie li125
nealizada con las corres120
pondientes componentes
115
determinsticas, paso que
110
se indica en el apartado
105
correspondiente a la au100
tomatizacin del proceso.
95
El grfico de la serie
(GRFICO 1) refleja una
acusada
componente
estacional con una estructura anual recurrente
90
85
80
75
70
65
12
24
36
48
60
72
84
13
con cadas acentuadas en los meses de agosto y diciembre de todos los aos.
En el conjunto de la serie se observa una clara tendencia creciente entre el ao
2002 y 2007 (n=1 a n=72), pero rompindose el soporte de la serie a partir del
ao 2008 con un importante deterioro de la serie.
II. Indicador de Actividad del Sector Servicios (base 2005)

La serie del IASS presenta dos posibles indicadores, uno relacionado con la cifra
de negocios y otro con el personal ocupado. Para el presente documento se va a
utilizar el indicador de cifra de negocios. Disponemos de 50 observaciones, de
enero de 2005 a febrero de 2009. Como en el caso anterior la serie es multiplicativa.
La estructura tiene, al igual que el IPI, un claro comportamiento estacional con
un deterioro notable de la serie en los ltimos datos de la serie; si bien, y como
veremos el programa TSW, no detecta en este caso ningn atpico.
GRFICO 2
IASS_GENERAL: ORIGINAL SERIES
131
130
129
128
127
126
125
124
123
122
121
120
119
118
117
116
115
114
113
112
111
110
109
108
107
106
105
104
103
102
101
100
99
98
97
96
95
94
93
92
91
90
89
12
24
36
48
III. ndice de Comercio al por Menor (base 2005)

La operacin estadstica ndice de Comercio al por Menor (ICM) ha sufrido un
cambio metodolgico importante con la adaptacin a la nueva Clasificacin de
Actividad (CNAE-2009) al incluir las Estaciones de Servicio en el comercio minorista, dando lugar a un nuevo ICM desde enero 2005. Por ello, y para poder disponer de una serie ms larga, vamos a considerar como ICM en este documento
la que actualmente se denomina ndice general sin estaciones de servicio de
la que tenemos 86 observaciones, de enero 2002 a febrero 2009.
14
GRFICO 3
Como las dos series
anteriores, presenta una
clara componente estacional con un significativo deterioro de la serie a
partir de 2009. En este
caso la serie es aditiva
derivndose la serie
original a partir de la
suma de la componente
estocstica, serie linealizada, con las componentes determinsticas.
ICM_sin EESS: ORIGINAL SERIES

135
130
125
120
115
110
105
100
95
90
85
80
12
24
36
48
60
72
84
Clculo de las componentes determinsticas de la serie:

efecto calendario y anlisis de outliers
Siguiendo el esquema 2, planteamos en primer lugar, qu opcin automtica es
la ms recomendable para cada serie, siendo las alternativas RSA=4, si slo se
diferencia entre da laboral y no laboral, o RSA=5, si se parametrizan cada uno
de los das de la semana.
ESQUEMA 2
SERIE ORIGINAL
Laborales
Componente
Determinstico
TRAMO
Bisiesto
Regresores ad hoc
Anlisis de Outliers
Componente
Estocstico
Aditivo
Cambio de Nivel
Cambio Transitorio
MODELO ARIMA
CICLO-TENDENCIA
SEATS
ESTACIONAL
15

Opcin RSA=4
El programa TSW, en su subprograma TRAMO, presenta un archivo donde se
resumen los parmetros deterministas, con su significatividad:
IPI_GENERAL
NZ =086; PERIOD=01-2002/02-2009; MQ=12;
[]
Deterministic Effect (total)
TD
EE #OUT
AO
TC
LS
REG
MO
MEAN (t)
0.0000
(t)
TD4
(t)
Calendar Effect
TD1
(t)
TD2
0.006818 ( 6.8)
(t)
TD3
- ( -)
- ( -)
- ( -)
TD5
(t)
- ( -)
TD6
(t)
- ( -)
LY
(t)
- ( -)
EE
(t)
-0.08950 ( -6.7)
Outliers
AO01(0706, -3.40) LS01(1008, -4.24) LS02(0508, -3.16)
La interpretacin de los resultados indicados es la siguiente:

Efectos determinsticos (Deterministic Effect), indican que:
Efecto calendario
1. El efecto das laborales (Trading days) es significativo (TD=1), indicando
que el parmetro es TD1=0,006818, con una t-ratio t=6,8 superior a 2 (lmite de significatividad a un nivel de confianza del 95%).
2. Efecto Pascua (Easter Efect), es significativo (EE=1) sealando que el parmetro EE=-0,08950, con una t-ratio t=-6,7.
3. Ao Bisiesto (Leap Year), no es significativo.
Anlisis de Outliers
1. Outlier Aditivo (AO): Detecta un outlier aditivo en julio 2006.
2. Cambio de Nivel (LS): Detecta dos, en mayo 2008 y octubre 2008.
Opcin RSA=5
Del mismo modo que la opcin anterior, presenta el resumen de los datos:
IPI_GENERAL
NZ =086; PERIOD=01-2002/02-2009; MQ=12;
[]
TD
EE #OUT
AO
TC
TD2
(t)
LS
0
REG
MO
MEAN (t)
0.0297 ( 10.35)
Calendar Effect
TD1
16
(t)
TD3
(t)
TD4
(t)
TD5
(t)
TD6
(t)
LY
(t)
EE
(t)
- ( -)
- ( -)
- ( -)
- ( -)
- ( -)
- ( -)
- ( -)
-0.11166 ( -4.5)
Outliers
TC01(0407, 2.67) LS01(0808,-12.15)
La opcin RSA=5, presenta un modelo totalmente diferente al anterior, donde:

Efecto calendario
1. El efecto das laborales (Trading days) no es significativo cuando se presupone un comportamiento por da diferenciado.
2. Efecto Pascua (Easter Efect), es significativo (EE=1) sealando que el parmetro EE=-0.11166, con una t-ratio t=-4,5.
Anlisis de Outliers
1. Cambio Transitorio (TC): Detecta un outlier en abril 2007.
2. Cambio de Nivel (LS): Detecta uno, en agosto 2008.
Desde el punto de vista del anlisis de la serie, la opcin ms adecuada es RSA=4,
ya que es donde se detecta significatividad del efecto calendario siendo adems el
modelo automtico ms adecuado segn el error estndar de los residuos2:
RSA=4, Desviacin tpica de los Residuos, SE= 0,0376034
Ya que el error de la opcin RSA=5 es un 25% superior a la opcin RSA=4.

Opcin RSA=4
IASS_GENERAL
NZ =050; PERIOD=01-2005/02-2009; MQ=12;
[]
TD
EE #OUT
AO
TC
LS
REG
MO
MEAN (t)
0.0000
TD2
(t)
TD3
(t)
TD4
Calendar Effect
TD1
(t)
0.003282 ( 3.2)
- ( -)
- ( -)
- ( -)
(t)
TD5
(t)
- ( -)
TD6
- ( -)
(t)
LY
- ( -)
(t)
EE
(t)
-0.07656 ( -6.5)
Outliers
--------------------------------------------------
17

Efecto calendario
Anlisis de Outliers (No detecta TRAMO)
Opcin RSA=5
Del mismo modo que la opcin anterior, presenta el resumen de los datos:
IASS_GENERAL
NZ =050; PERIOD=01-2005/02-2009; MQ=12;
Input Parameters
mq=12 out= 0 rsa= 5
[]
TD
EE #OUT
AO
0
TC
0
LS
0
REG
0
MO
MEAN (t)
0.0000
Calendar Effect
TD1 (t)
TD2 (t)
TD3
(t)
TD4
(t)
TD5
(t)
TD6
(t)
-0.00774 ( -1.2) 0.015115 ( 2.1) 0.003849 ( 0.46) -0.00093 ( -0.1) 0.002621 ( 0.41) 0.009118 ( 1.4)
LY (t)
EE(t)
- ( -) -0.06129 ( -5.1)
Outliers
--------------------------------------------------
En este caso s que presenta los parmetros cuando se analiza cada tipo de da
por separado, aunque su t-ratio no es en su mayora significativo para un nivel
de confianza del 95%. Es preciso indicar que TRAMO los presenta agregadamente en la componente TD. En este caso optamos por la opcin automtica
que genere menor desviacin tpica de los residuos.
Efecto calendario
1. El efecto das laborales (Trading days) es significativo (TD2), indicando
que el parmetro es TD2=0,015115, con una t-ratio t=2,1 superior a 2 (l2
Dentro de la modelizacin de las series la seleccin de modelos se realiza no slo a travs de la desviacin
tpica de los residuos, si no tambin mediante los criterios BIC (Criterio de informacin Bayesiana) y AIC (Criterio de Informacin de Akaike), incluidos en las salidas de TSW.
18
mite de significatividad a un nivel de confianza del 95%). Pero, y segn la

salida automtica, el resto de los das analizados no sera significativo, si
bien, TRAMO presenta la componente TD agregada.
Desde el punto de vista del anlisis de la serie, la opcin ms adecuada es
RSA=5, puesto que es donde se detecta significatividad del efecto calendario,
siendo adems el modelo automtico ms apropiado segn el error estndar de
los residuos:
ya que el error de la opcin RSA=4 es un 8,4% superior a la opcin RSA=5. Si
bien, queremos indicar que la seleccin quiere tener tambin la consideracin de
que existen subsectores dentro de este indicador vinculados al turismo y comercio, que presentan las caractersticas estructurales de una mayor intensidad del
negocio en determinados das. De ah que, aparentemente, el modelo ajustara
mejor en la segunda opcin, sin embargo al agregar TSW en una nica componente, TD, no permite en este caso diferenciar por tipo de das.

Opcin RSA=4
ICM_sin EESS
NZ =086; PERIOD=01-2002/02-2009; MQ=12;
Input Parameters
mq=12 out= 0 rsa= 4
[]
TD
EE #OUT
AO
TC
LS
REG
MO
MEAN (t)
0.0000
TD2
(t)
TD3
(t)
TD4
(t)
Calendar Effect
TD1
(t)
0.265260 ( 3.9)
- ( -)
- ( -)
- ( -)
TD5
(t)
- ( -)
TD6
(t)
- ( -)
LY
- ( -)
(t)
EE
(t)
-2.33666 ( -2.9)
Outliers
TC01(0708, 3.58)
19

Efecto calendario
2. Efecto Pascua (Easter Efect), es significativo (EE=1) sealando que el parmetro EE= -2,33666, con una t-ratio t=-2,9.
Anlisis de Outliers
1. Cambio Transitorio (TC): Detecta un outlier en julio 2007.
Opcin RSA=5
ICM_sin EESS
NZ =086; PERIOD=01-2002/02-2009; MQ=12;
Input Parameters
mq=12 out= 0 rsa= 5
[]
TD
EE #OUT
AO
TC
LS
REG
MO
TD2
(t)
TD3
(t)
MEAN (t)
0.0000
Calendar Effect
TD1 (t)
TD4
(t)
TD5
(t)
TD6
(t)
LY
(t)
EE (t)
0.054290 ( 0.18) 0.408504 ( 1.2) 0.206534 ( 0.65) 0.045634 ( 0.14) 0.945436 ( 2.9) 0.629856 ( 1.9) 3.06546 ( 3.1) -1.39982 ( -2.4)
Outliers
--------------------------------------------------

Efecto calendario
1. El efecto das laborales (Trading days) es significativo (TD5, TD6, y LY),
indicando que los parmetros es TD5=0,945436, con una t-ratio t=2,9;
TD6=0,629856, con una t-ratio=1,9; y seran significativas. Pero, y segn
la salida automtica, el resto de los das analizados no sera significativo,
si bien, TRAMO presenta la componente TD agregada.
20
3. Ao Bisiesto (Leap Year), es significativo. LY=3,06546, con una

t-ratio=3,1. Hay que sealar que TRAMO lo incorpora a la variable resultante TD.
Desde el punto de vista del anlisis de la serie, la opcin ms adecuada es
RSA=5, ya que es el modelo automtico ms apropiado segn el error estndar
de los residuos:
donde el error de la opcin RSA=4 es un 13,9% superior a la opcin RSA=5.
Como sera esperable ante un indicador vinculado inequvocamente al sector del
comercio.
Clculo de la componente estocstica de la serie, modelo

Arima.
Este apartado ha sido desarrollado siguiendo el trabajo Maravall, A. (2005b),
donde se describe exhaustivamente el proceso de estimacin y contraste en
TRAMO.
Dentro del proceso de automatizacin de la correccin de efecto calendario de
las series se ha condicionado la opcin automtica al mejor ajuste del modelo
medido por el menor error estndar (desviacin tpica) de los residuos. Este error
se calcula a partir de la completa modelizacin de la serie, parte determinstica y
estocstica.
En este apartado se va a describir la parte estocstica correspondiente al modelo seleccionado.
ESQUEMA 3
SERIE ORIGINAL
Laborales
Componente
Determinstico
TRAMO
Bisiesto
Regresores ad hoc
Anlisis de Outliers
Componente
Estocstico
Aditivo
Cambio de Nivel
Cambio Transitorio
MODELO ARIMA
CICLO-TENDENCIA
SEATS
ESTACIONAL
21

La opcin elegida para el IPI ha sido RSA=4, mostrando el siguiente resultado
para el modelo ARIMA estimado automticamente mediante el proceso de
mxima verosimilitud:
IPI_GENERAL
NZ =086; PERIOD=01-2002/02-2009; MQ=12;
Input Parameters
mq=12 out= 0 rsa= 4
Model Fit
Nz Lam Mean P D Q BP BD BQ SE(res)
BIC
86 0
-6.21043 32.68 1.91 -1.00 0.954
2 0 0 0
1 1 0.0376034
Q-val N-test SK(t) KUR(t)
QS
Q2
RUNS
0. 8.614 -0.49
ARMA Parameters
PHI1
(t)
PHI2
(t)
PHI3
-0.53479 ( -4.5) -0.38711 ( -3.2)
(t)
- ( -)
BPHI
(t)
- ( -)
TH1
(t)
TH2
- ( -)
(t)
TH3
- ( -)
(t)
- ( -)
BTH
(t)
-0.69014 ( -3.4)
De este modo el modelo es (2,0,0) x (0,1,1) con los siguiente parmetros:
(1 + 0,53479 L + 0,38711L2 ) xt = (1 + 0,69014 L12 )(1 L12 )ut

Siendo la representacin grfica de esta expresin la serie linealizada (linealized
serie):
GRFICO 4
IPI_GENERAL: LINEARIZED SERIES
122
120
118
116
114
112
110
108
106
104
102
100
98
96
94
92
90
88
86
84
82
80
78
76
74
72
70
68
66
12
24
36
48
60
72
84
TRAMO presenta los contrastes de hiptesis que muestran la validez de la correspondiente estimacin, en base a la hiptesis de que los residuos del modelo
se comportan como un ruido blanco.
22
En primer lugar se puede ver el grfico de los residuos y su funcin de autocorrelacin:

GRFICO 5
IPI_GENERAL: RESIDUALS
0,095
0,09
0,085
0,08
0,075
0,07
0,065
0,06
0,055
0,05
0,045
0,04
0,035
0,03
0,025
0,02
0,015
0,01
0,005
0
-0,005
-0,01
-0,015
-0,02
-0,025
-0,03
-0,035
-0,04
-0,045
-0,05
-0,055
-0,06
-0,065
-0,07
-0,075
-0,08
-0,085
-0,09
-0,095
0
12
24
36
48
60
72
84
GRFICO 6
IPI_GENERAL: ACF OF EXTENDED RESIDUALS
0,8
0,4
-0,4
-0,8
12
15
18
21
24
27
30
33
36
Ambos grficos muestran que existen pocos valores que estn fuera de las bandas de significatividad (aproximadamente dos veces la desviacin tpica de los
residuos) lo que indicara la aproximacin a un proceso de ruido blanco. Pero
23
para ser preciso en el anlisis TRAMO se muestra los diferentes contrastes vinculados a la definicin de un proceso de ruido blanco:
1. Media de los residuos es cero (t-valor).
2. Test de Normalidad (Jarque Bera); contraste del tipo chi cuadrado con 2
grados de libertad. Adems, e independientemente se contrasta la asimetra y la
curtosis (contrastes t-ratios)
3. Test de Durbin- Watson para contrastar la hiptesis nula de incorrelacin en
los residuos, toma valores entre 0 y 4 (contraste complejo ya que es funcin de
si existe o no constante y del nmero de observaciones)
TEST-STATISTICS ON RESIDUALS
---------------------------MEAN= 0.0056811
ST.DEV.= 0.0043743
OF MEAN
T-VALUE= 1.2987 ABS(t)<2
NORMALITY TEST= 1.911
SKEWNESS= -0.2951
KURTOSIS= 3.5625
Se acepta la Hiptesis Nula de la media de los residuos = 0
( CHI-SQUARED(2) ) NT<6 Se acepta la Hiptesis Nula de normalidad

( SE = 0.2949 )
( SE = 0.5898 )
SUM OF SQUARES= 0.9332489E-01

DURBIN-WATSON= 2.0776 n observ.=86 n parmetros= 3
DW pertenece a (1,69711, 2,30289), Se acepta la Hiptesis Nula
STANDARD ERROR= 0.3760337E-01

OF RESID.
MSE OF RESID.= 0.1414014E-02
Adems plantea el Test de Ljung-Box o Portmanteau, para analizar del mismo

modo la autocorrelacin de residuos, se contrasta con una chi cuadrado de 24
(nmero de coeficientes de autocorrelacin que se analizan), y que se debera
distribuir asintticamente como una chi cuadrado de 21 grados de libertad, en
este caso, y al 5% de nivel de significacin, se encuentra en el lmite de aceptacin (Q=32,671).
LJUNG-BOX Q VALUE OF ORDER 24 IS
SQUARED(21) Q32,671
32.68 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHI-
Asimismo, analiza si los residuos:

1. Tienen componente estacional, contraste de Pierce, basado en la Hiptesis
nula de no estacionalidad, y que se distribuye como una chi cuadrado de dos
grados de libertad.
2. Tienen heteroscedasticidad en la varianza, mediante el contraste de Mcleod
y Li, basado en la hiptesis nula de no linealidad, cuyo contraste se distribuye
como una chi cuadrado de 24 grados de libertad.
3. Y por ltimo si los residuos son aleatorios.
24
Los resultados son:

1. THE PIERCE QS VALUE IS 1.31 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHI-SQUARED(2) P<6
se acepta la hiptesis nula de no estacionalidad
2. LJUNG-BOX Q VALUE OF ORDER 24 IS
8.61 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHISQUARED(24) ML<37 Se acepta hiptesis nula de no heteroscedasticidad de la varianza (*)
(*)Por relacin a los comentarios en Maravall, A. (2005), se entiende que no es un contraste Ljung-Box, si no un Mcleod y Li, que a su
vez es un caso especial del anterior
3. APPROXIMATE TEST OF RUNS ON RESIDUALS
------------------------------------NUM.DATA= 69
NUM.(+)= 35
NUM.(-)= 34
NUM.RUNS= 33
T-VALUE= -0.4852 ABS(T)<2
Por tanto, el procedimiento automatizado elegido ajusta el modelo ARIMA logrando que los residuos cumplan las condiciones de ruido blanco.

La opcin elegida para el IASS ha sido RSA=5, mostrando el siguiente resultado
IASS_GENERAL
NZ =050; PERIOD=01-2005/02-2009; MQ=12;
Input Parameters
mq=12 out= 0 rsa= 5
Model Fit
50 0
0 1 0
0 1
BIC
1 0.0333031 -6.26709 14.60 0.239 0.028 -0.49
QS
Q2 RUNS
2.22 25.36 -0.37
ARMA Parameters
PHI1 (t)
PHI2 (t)
PHI3 (t)
BPHI (t)
TH1 (t)
TH2 (t)
- ( -)
- ( -)
- ( -)
- ( -)
- ( -)
- ( -)
TH3 (t)
BTH
(t)
- ( -) -0.20222 ( -1.3)
[]
(1 L) xt = (1 + 0,20222 L12 )(1 L12 )ut

serie):
25
GRFICO 7
IASS_GENERAL: LINEARIZED SERIES
133
132
131
130
129
128
127
126
125
124
123
122
121
120
119
118
117
116
115
114
113
112
111
110
109
108
107
106
105
104
103
102
101
100
99
98
97
96
95
94
93
92
91
90
89
88
12
24
36
48
Presentando los resultados de TRAMO los contrastes de hiptesis que muestran

la validez de la correspondiente estimacin. As, en base a los residuos del modelo estimado hay que contrastar si puede ser considerado ruido blanco.
En primer lugar se puede ver el grfico de los residuos y su funcin de autocorrelacin:
GRFICO 8
IASS_GENERAL: RESIDUALS
0,065
0,06
0,055
0,05
0,045
0,04
0,035
0,03
0,025
0,02
0,015
0,01
0,005
0
-0,005
-0,01
-0,015
-0,02
-0,025
-0,03
-0,035
-0,04
-0,045
-0,05
-0,055
-0,06
-0,065
-0,07
0
26
12
24
36
48
GRFICO 9
IASS_GENERAL: ACF OF EXTENDED RESIDUALS
0,8
0,4
-0,4
-0,8
12
15
18
21
24
27
30
33
36
Donde el grfico de la funcin de autocorrelacin del residuo muestra sin ningn

tipo de duda la estructura de un ruido blanco, lo que demuestran los resultados
de los contrastes siguientes:
---------------------------MEAN= -0.0076458
ST.DEV.= 0.0058128
OF MEAN
T-VALUE= -1.3153 ABS(t)<2 Se acepta la Hiptesis Nula de la media de los residuos = 0
SKEWNESS= 0.0124
KURTOSIS= 2.5635

( SE = 0.4472 )
( SE = 0.8944 )

incorrelacin
DW pertenece a (1,287, 2,713), Se acepta la Hiptesis Nula de

OF RESID.
MSE OF RESID.= 0.1109096E-02
Adems, plantea el Test de Ljung-Box o Portmanteau, para analizar del mismo

modo la autocorrelacin de residuos; se contrasta con una chi cuadrado de 24
(nmero de coeficientes de autocorrelacin que se analizan), y que se debera
distribuir asintticamente como una chi cuadrado de 23 grados de libertad, en
este caso, y al 5% de nivel de significacin, se encuentra por debajo del lmite de
aceptacin.
27

14.60 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHISQUARED(23) Q<35,172 Se acepta hiptesis nula
Adems, y como se indic en el apartado anterior se analizan los residuos

1. THE PIERCE QS VALUE IS 2.22 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHI-SQUARED(2)
P<6 se acepta la hiptesis nula de no estacionalidad
2. LJUNG-BOX Q VALUE OF ORDER 24 IS 25.36 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHISQUARED(24) ML<37 Se acepta hiptesis nula de no heteroscedasticidad de la varianza (*)
(*)Por relacin a los comentarios en Maravall, A. (2005), se entiende que no es un contraste Ljung-Box, si no un Mcleod y Li, que
a su vez es un caso especial del anterior
------------------------------------NUM.DATA= 30
NUM.(+)= 15
NUM.(-)= 15
NUM.RUNS= 15
T-VALUE= -0.3716 ABS(T)<2 acepta la hiptesis nula de aleatoriedad
Por tanto, existe clara evidencia estadstica para considerar que los residuos
tienen estructura de ruido blanco.

La opcin elegida para el ICM ha sido RSA=5, mostrando el siguiente resultado
ICM_sin EESS
NZ =086; PERIOD=01-2002/02-2009; MQ=12;
Input Parameters
mq=12 out= 0 rsa= 5
Model Fit
86 1
0 1 1 0
1 0
BIC
2.308515 2.07059 14.66 2.13 -1.20 0.831
QS
Q2 RUNS
0. 30.39 -0.25
ARMA Parameters
PHI1
- ( -)
(t)
PHI2 (t)
PHI3 (t)
- ( -)
- ( -)
BPHI (t)
- ( -)
TH1
(t)
TH2
-0.20963 ( -1.8)
(t)
- ( -)
TH3
(t)
- ( -)
BTH
(t)
- ( -)
Roots
Regular AR Inverse Roots
root(1)
mod per
root(2)
mod per
Regular MA Inverse Roots
root(3)
root(1)
mod per
0.210
root(2)
mod per
root(3)
mod per
mod per
(1 L) xt = (1 + 0,20963L)(1 L12 )ut
28

serie):
GRFICO 10
ICM_sin EESS: LINEARIZED SERIES
135
130
125
120
115
110
105
100
95
90
85
80
12
24
36
48
60
72
84
Como en las dos series anteriores, vamos a presentar tanto los grficos de los
residuos como los correspondientes contrastes que muestran el ajuste correcto
por parte de TRAMO en la estimacin del modelo ARIMA.
Siguiendo el mismo esquema presentamos el grfico de los residuos y de su
funcin de autocorrelacin:
GRFICO 11
ICM_sin EESS: EXTENDED RESIDUALS
4
3
2
1
0
-1
-2
-3
-4
-5
-6
-7
0
12
24
36
48
60
72
84
29
GRFICO 12
ICM_sin EESS: ACF OF EXTENDED RESIDUALS
0,8
0,4
-0,4
-0,8
12
15
18
21
24
27
30
33
36
En esta serie el grfico de la funcin de autocorrelacin es claro en su estructura

de ruido blanco, si bien el grfico de la serie de residuos muestra cuatro valores
que superan los intervalos de confianza.
Los contrastes vinculados a los residuos que se extraen de TRAMO son:
---------------------------MEAN= -0.2147689
ST.DEV.= 0.2828734
OF MEAN
T-VALUE= -0.7592 ABS(t)<2
SKEWNESS= -0.3645
KURTOSIS= 3.5050
Se acepta la Hiptesis Nula de la media de los residuos = 0

( SE = 0.3038 )
( SE = 0.6076 )
SUM OF SQUARES= 341.0715

incorrelacin
DW pertenece a (1,69711, 2,30289), Se acepta la Hiptesis Nula de
STANDARD ERROR= 2.308515

OF RESID.
MSE OF RESID.= 5.329242
Corroborada la incorrelacin con el test de Portmanteau.

14.66 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHISQUARED(23) Q<35,172 Se acepta hiptesis nula
Siendo de nuevo analizados los residuos con los siguientes contrastes:
30
1. THE PIERCE QS VALUE IS 0.93 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHI-SQUARED(2)
P<6 se acepta la hiptesis nula de no estacionalidad
2. LJUNG-BOX Q VALUE OF ORDER 24 IS 30.39 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHISQUARED(24) ML<37 Se acepta hiptesis nula de no heteroscedasticidad de la varianza (*)
(*)Por relacin a los comentarios en Maravall, A. (2005), se entiende que no es un contraste Ljung-Box, si no un Mcleod y Li, que
a su vez es un caso especial del anterior
------------------------------------NUM.DATA= 65
NUM.(+)= 33
NUM.(-)= 32
NUM.RUNS= 32
T-VALUE= -0.2501 ABS(T)<2 acepta la hiptesis nula de aleatoriedad
Existe por tanto la evidencia de que los residuos son ruido blanco.
31
Significado del efecto calendario

y su correccin.
Una vez que se identifica y estima el modelo, el programa presenta las series
correspondientes a cada una de las componentes determinsticas, incluyendo el
efecto calendario agregado. A partir de estos datos vamos a describir qu supone el efecto calendario en cada serie.

El grfico presentado por TSW acumula las tres componentes analizadas del
efecto calendario: das laborales, efecto pascua y ao bisiesto. En el caso de
esta serie slo son significativas las dos primeras componentes.
GRFICO 13
IPI_GENERAL: TOTAL CALENDAR EFFECTS REGRESSORS
0.065
0.06
0.055
0.05
0.045
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
-0.005
-0.01
-0.015
-0.02
-0.025
-0.03
-0.035
-0.04
-0.045
-0.05
-0.055
-0.06
-0.065
-0.07
-0.075
12
24
36
48
60
72
84
Con el objeto de comprender mejor el efecto calendario obtenemos cada una de

las componentes.
32
1. DAS LABORALES (TD)

GRFICO 14
EFECTO DE LA ESTRUCTURA MENSUAL DE DAS LABORALES. IPI
0,03
0,02
0,01
1-2009
7-2008
10-2008
4-2008
1-2008
7-2007
10-2007
4-2007
1-2007
7-2006
10-2006
4-2006
1-2006
7-2005
10-2005
4-2005
1-2005
7-2004
10-2004
4-2004
1-2004
7-2003
10-2003
4-2003
1-2003
7-2002
10-2002
4-2002
1-2002
-0,01
-0,02
-0,03
-0,04
El grfico encierra en su eje de ordenadas la aportacin en tanto por uno del

efecto de la estructura mensual de los das laborales; como sealan algunos
autores la contribucin del ciclo semanal, que se sita en un 2% (0,02 en tanto
por uno) si tiene efecto positivo, y alrededor del 2,5% (0,025 en tanto por uno) si
el ciclo mensual del mes tiene efecto negativo. Calculando el promedio de los
valores absolutos de las contribuciones es del 1,6%.
Para entender mejor qu supone el efecto da laboral (Trading Day), seleccionamos el valor correspondiente a septiembre 2007 (elegido por ser un mes donde la nica componente determinstica es el efecto da laboral), el valor de la
serie original es 110,8. As la descomposicin que aporta TRAMO es:
1,108 = 1,146424 0,9664834 , donde en base 100 (as es mostrado en TRAMO)

110,8 es la serie original; 114,6424 corresponde al valor estimado del modelo ARIMA (serie linealizada); 96,64834 el correspondiente al efecto de los das laborales.
Por tanto, y a partir de esto, se deduce que el impacto que tiene el efecto das
laborales en el valor de septiembre 2007 del IPI es de un -3,46 %, es decir, que
sobre el soporte estocstico, cuyo valor en este mes es 114,6424, la estructura
de la semana en este mes afecta a la produccin industrial en un 3,46% de menor nivel al que correspondera si no afectara el ciclo semanal.
Por tanto, la correccin del efecto de los das laborales consistira en dividir la
serie observada, 110,8, por la componente de calendario, 96,64, o bien multiplicarla por el corrector del efecto calendario (TD), 1,03468, Lo que significa que
33
el IPI corregido de efecto calendario (114,64) es un 3,468% superior al IPI observado (110,8).
2. EFECTO PASCUA (EE)
GRFICO 15
EFECTO DE LA MOVILIDAD DE LA PASCUA. IPI
0,06
0,05
0,04
0,03
0,02
0,01
1-2009
7-2008
1-2008
7-2007
1-2007
7-2006
1-2006
7-2005
1-2005
7-2004
1-2004
7-2003
1-2003
7-2002
-0,01
1-2002
-0,02
-0,03
-0,04
-0,05
A diferencia de la componente de das laborales, el efecto Pascua tiene un impacto dos meses al ao, marzo y abril, de manera que, y segn los resultados
dicho efecto es alrededor del 4,5% tanto positivo como negativo, lo que supone
un promedio mensual del 0,7% aunque anualmente slo afecta a los meses de
marzo y abril, compensndose ambos.
Si elegimos el ao 2008, cuando la Semana Santa cay en marzo, el efecto
Pascua tiene dos impactos con los siguientes valores, 95,62375 en marzo y
104,5765 en abril, de manera que el impacto sobre el soporte estocstico es de 4,38% en marzo y de 4,58% en abril. El factor corrector para el mes de marzo, la
inversa de 0,9562375, es 0,0458 (4,58%), lo que compensa el efecto Pascua,
confirmando que este efecto se reparte entre ambos meses, debiendo suponer
suma cero para el conjunto del ao.
Establecido lo que aporta cada una de las componentes del efecto calendario, es
el momento de CORREGIR LA SERIE ORIGINAL, correccin que no presenta
automticamente TSW. Para ello se presentan dos opciones, segn utilicemos
los resultados de TRAMO o de SEATS: TRAMO los presenta por componentes,
SEATS los presenta agregados, plantendose dos alternativas equivalentes.
Segn los esquemas siguientes, y para un modelo de serie multiplicativo:
34
ESQUEMA 4
CORRECCIN MEDIANTE
COMPONENTES QUE PRESENTA
TRAMO
"IPI ESP"
Xorig
1-2002
2-2002
Xint
99
97,6
99
97,6
Xlin
RESIDUALMean
TD
EE
96,82105
0
100 102,2505
98,49664
0
100 99,08968
AO
100
100
TC
100
100
LS
100
100
100
100
Xorig=Xlin*TD*EE*AO*TC*LS
Xorig
Xorig CC =
100
TD EE
Siendo XorigCC, la serie corregida de efectos
calendarios
ESQUEMA 5
CORRECCIN MEDIANTE
COMPONENTES QUE PRESENTA
SEATS
"IPI ESP"
1-2002
2-2002
SERIES
TRENDCYCLE SASERIES
SEASONAL CALENDAR TRANS*IR
PREADJUST
99
98,8539691 98,9840006 100,016164
102,25049 100,131539
102,25049
97,6
98,8442482 98,6559313 98,9296829
99,089676 99,8094812
99,089676
SERIES=TRENDCYCLE*SEASONAL*TRANS*IR
SERIES
SERIES CC =
100
CALENDAR
Siendo SERIESCC, la serie corregida de efectos

calendarios, y donde CALENDAR engloba el efecto
TD e EE
35
La caracterstica de la serie corregida es que no elimina la componente estacional, como puede observarse en el grfico siguiente, de ah que Eurostat tambin
proponga la difusin de la serie ajustada de estacionalidad o desestacionalizada.
Esta ltima propuesta se est desarrollando desde algunos Institutos de Estadstica, como es el caso de Eustat.
GRFICO 16
COMPARATIVA IPI ORIGINAL IPI CORREGIDO CALENDARIO
130
120
110
100
90
80
70
SCCALENDARIO
1-2009
7-2008
10-2008
4-2008
1-2008
7-2007
10-2007
4-2007
1-2007
10-2006
7-2006
4-2006
1-2006
7-2005
10-2005
4-2005
1-2005
7-2004
10-2004
4-2004
1-2004
7-2003
10-2003
4-2003
1-2003
7-2002
10-2002
4-2002
1-2002
60
SERIES
GRFICO 17
COMPARATIVA IPI ORIGINAL - IPI DESESTACIONALIZADO
140
130
120
110
100
90
80
70
SASERIES
36
SERIES
1-2009
7-2008
1-2008
7-2007
1-2007
7-2006
1-2006
7-2005
1-2005
7-2004
1-2004
7-2003
1-2003
7-2002
1-2002
60
La alternativa que permite una comparativa ms precisa es considerar la serie

corregida del efecto calendario pero desestacionalizada, propuesta que aplica
nicamente el INE en su Contabilidad Trimestral, opcin que es usada en algunos casos en vez de la componente ciclo-tendencia. Ciertos autores, como Maravall, A. (2005), sealan que la serie desestacionalizada est menos sujeta a
posibles shocks aleatorios, teniendo por tanto la probabilidad de error menor.
As, cuando la serie corregida de calendario se desestacionaliza, la serie resultante elimina tanto su estructura anual como el efecto de festivos, que no hemos
corregido mediante una variable de intervencin.
GRFICO 18
COMPARATIVA IPI - IPI CORREGIDO CALENDARIO DESESTACIONALIZADO - IPI CICLO
TENDENCIA
130
120
110
100
90
80
70
SERIES
Saccalendario
1-2009
7-2008
10-2008
4-2008
1-2008
10-2007
7-2007
4-2007
1-2007
10-2006
7-2006
4-2006
1-2006
7-2005
10-2005
4-2005
1-2005
7-2004
10-2004
4-2004
1-2004
7-2003
10-2003
4-2003
1-2003
7-2002
10-2002
4-2002
1-2002
60
TRENDCYCLE

Los resultados mostrados por TSW no son diferentes cuando se realiza el anlisis de la serie mediante la opcin RSA=4 o RSA=5, de este modo no es posible
separar fcilmente el efecto que cada tipo de da tiene sobre el conjunto de la
serie, planteando de nuevo la separacin del efecto vinculado a la estructura
semanal (TD), y el efecto Pascua. Por tanto, y siguiendo el proceso automtico
de TSW, en el grfico correspondiente al efecto calendario total se observa una
mayor variabilidad que en la serie anterior del IPI, pero con menor influencia en
la evolucin de la serie.
37
GRFICO 19
IASS_GENERAL: TOTAL CALENDAR EFFECTS REGRESSORS
0,045
0,04
0,035
0,03
0,025
0,02
0,015
0,01
0,005
0
-0,005
-0,01
-0,015
-0,02
-0,025
-0,03
-0,035
-0,04
-0,045
-0,05
-0,055
-0,06
12
24
36
48

GRFICO 20
EFECTO DE LA ESTRUCTURA MENSUAL DE LOS DAS LABORALES. IASS
0,03
0,02
0,01
1-2009
9-2008
5-2008
1-2008
9-2007
5-2007
1-2007
9-2006
5-2006
1-2006
9-2005
5-2005
1-2005
-0,01
-0,02
-0,03
-0,04
El grfico recoge una media de los valores absolutos de 1,2%, presentando dos
valores significativamente mayores en cuanto efecto negativo, abril 2007 y junio
2008, que se aproximan al 3%.
38

GRFICO 21
EFECTO DE LA MOVILIDAD DE LA PASCUA. IASS
0,04
0,03
0,02
0,01
1-2009
9-2008
5-2008
1-2008
9-2007
5-2007
1-2007
9-2006
5-2006
1-2006
9-2005
5-2005
1-2005
-0,01
-0,02
-0,03
-0,04
El efecto Pascua en esta serie es inferior que en el caso del IPI, ya que mientras
ste supona un peso superior al 4%, en el IASS afecta entorno al 3% en los
meses de marzo y abril. Esta menor influencia de la Semana Santa se debe,
fundamentalmente, a que estamos analizando un indicador agregado de un sector altamente heterogneo donde subsectores como el de servicios a empresas
tienen un comportamiento similar a la industria, mientras que el correspondiente
al sector turismo marca una seal contraria. En este caso el promedio mensual
es del 0,5%, pero siempre teniendo en cuenta que este efecto slo afecta a marzo y abril.
Siguiendo la estructura planteada para el IPI, vamos a mostrar la serie corregida,
la serie desestacionalizada, para concluir con la comparativa entre la serie original con la corregida del efecto calendario desestacionalizada y el ciclo tendencia.
39
40
SERIES
SASERIES
100
90
80
1-2008
10-2007
7-2007
4-2007
1-2007
10-2006
7-2006
4-2006
1-2006
10-2005
7-2005
4-2005
1-2005
1-2009
110
1-2009
120
10-2008
130
10-2008
140
7-2008
COMPARATIVA IASS ORIGINAL IASS DESESTACIONALIZADO
7-2008
GRFICO 23
4-2008
SERIES
4-2008
1-2008
10-2007
SCCALENDARIO
7-2007
4-2007
1-2007
10-2006
7-2006
4-2006
1-2006
10-2005
7-2005
4-2005
1-2005
GRFICO 22
COMPARATIVA IASS ORIGINAL IASS CORREGIDO CALENDARIO
140
130
120
110
100
90
80
GRFICO 24
COMPARATIVA IASS - IASS CORREGIDO CALENDARIO DESESTACIONALIZADO - IASS CICLO
TENDENCIA
140
130
120
110
100
90
SERIES
SACCALENDARIO
1-2009
10-2008
7-2008
4-2008
1-2008
10-2007
7-2007
4-2007
1-2007
10-2006
7-2006
4-2006
1-2006
10-2005
7-2005
4-2005
1-2005
80
TRENDCYCLE
La visualizacin de los tres grficos anteriores muestra que la correccin de calendario no elimina la componente estacional, siendo la alternativa propuesta por
Eurostat, serie corregida de efecto calendario desestacionalizada, una opcin
prxima al perfil que marca la componente ciclo tendencia.

El efecto calendario que presenta esta serie segn la salida automatizada
RSA=5 ha de analizarse bajo la condicin de que esta serie es aditiva. Por tanto
la interpretacin de los valores
GRFICO 25
de los regresores es diferente
ICM_sin EESS: TOTAL CALENDAR EFFECTS REGRESSORS
ya que el valor en ordenadas
3
est en porcentaje y no en tanto
por uno, hecho que se da cuan2
do el modelo es multiplicativo. A
diferencia de las anteriores se1
ries donde la estructura de este
0
efecto se adivinaba claramente
la importancia del efecto Pas-1
cua, en esta serie no lo es tanto,
lo que hace ms interesante
-2
an diferenciar los dos efectos
en sendos grficos.
12
24
36
48
60
72
84
41

GRFICO 26
EFECTO DE LA ESTRUCTURA MENSUAL DE LOS DAS LABORALES. ICM
4
1-2009
7-2008
10-2008
4-2008
1-2008
7-2007
10-2007
4-2007
1-2007
7-2006
10-2006
4-2006
1-2006
7-2005
10-2005
4-2005
1-2005
7-2004
10-2004
4-2004
1-2004
7-2003
10-2003
4-2003
1-2003
7-2002
10-2002
4-2002
1-2002
-1
-2
-3
Como hemos indicado en este grfico la ordenada est medida en porcentaje,

debiendo sealar que el valor de febrero de 2008, 3,2%, se debe a la estructura
de este mes afectado por el efecto ao bisiesto.
GRFICO 27
EFECTO DE LA MOVILIDAD DE LA PASCUA. ICM
0,8
0,6
0,4
0,2
1-2009
9-2008
5-2008
1-2008
9-2007
5-2007
1-2007
9-2006
5-2006
1-2006
9-2005
5-2005
1-2005
9-2004
5-2004
1-2004
9-2003
5-2003
1-2003
9-2002
5-2002
1-2002
-0,2
-0,4
-0,6
-0,8
La lectura de este grfico marca un impacto del efecto Pascua significativamente

inferior que en las dos series anteriores con un valor de 0,7% en ambos sentidos.
42
Para concluir el anlisis de la serie hay que incidir en su naturaleza aditiva, lo

que implica que la correccin del efecto calendario de esta serie se ha de realizar restando a la serie original la componente calendario, a diferencia de las dos
anteriores, multiplicativas, en que se dividan.
GRFICO 28
COMPARATIVA ICM ORIGINAL ICM CORREGIDO CALENDARIO
150
140
130
120
110
100
90
80
SCCALENDARIO
1-2009
7-2008
10-2008
4-2008
1-2008
7-2007
10-2007
4-2007
1-2007
7-2006
10-2006
4-2006
1-2006
7-2005
10-2005
4-2005
1-2005
7-2004
10-2004
4-2004
1-2004
7-2003
10-2003
4-2003
1-2003
7-2002
10-2002
4-2002
1-2002
70
SERIES
Una vez ms se observa que la correccin del efecto calendario no elimina la

componente estacional, hecho contrastado en el grfico siguiente donde se
compara la serie original con la serie desestacionalizada.
GRFICO 29
COMPARATIVA ICM ORIGINAL ICM DESESTACIONALIZADO
150
140
130
120
110
100
90
80
SERIES
1-2009
10-2008
7-2008
4-2008
1-2008
10-2007
7-2007
4-2007
1-2007
10-2006
7-2006
4-2006
1-2006
10-2005
7-2005
4-2005
1-2005
10-2004
7-2004
4-2004
1-2004
10-2003
7-2003
4-2003
1-2003
10-2002
7-2002
4-2002
1-2002
70
SASERIES
GRFICO 30
43
COMPARATIVA ICM - ICM CORREGIDO CALENDARIO DESESTACIONALIZADO - ICM CICLO

TENDENCIA
150
140
130
120
110
100
90
80
SERIES
SACCALENDARIO
1-2009
7-2008
10-2008
4-2008
1-2008
7-2007
10-2007
4-2007
1-2007
7-2006
10-2006
4-2006
1-2006
10-2005
7-2005
4-2005
1-2005
10-2004
7-2004
4-2004
1-2004
7-2003
10-2003
4-2003
1-2003
7-2002
10-2002
4-2002
1-2002
70
TRENDCYCLE
En el ltimo grfico se observa que la desestacionalizacin de la serie corregida

de efecto calendario se ajusta casi perfectamente al ciclo tendencia, lo que explica
que una serie no corregida de efecto calendario encierra en su componente irregular la informacin relacionada con la estructura temporal del calendario.
Para concluir este apartado, y con el inters de ver cmo el efecto calendario
afecta de diferente modo a cada una de las series, se presenta el siguiente cuadro comparativo, elaborado a partir de los valores absolutos del efecto sobre los
datos originales de la serie, pero teniendo en cuenta que este efecto anualmente
ha de tener un impacto neutro sobre la serie, de ah que los parmetros son
prximos a cero. Calcular el promedio mensual a partir de los valores absolutos
tiene como objetivo plasmar que el clculo de este efecto calendario a partir de
variables de intervencin posibilita medir el poder explicativo de la estructura
temporal del tiempo sobre la evolucin de la serie.
PROMEDIO MENSUAL DEL EFECTO CALENDARIO
IPI
IASS
ICM
2,1%
1,6%
1,2%
La interpretacin de este promedio indica que el nivel de cada indicador se ver

corregido, positiva o negativamente, de media en dicho porcentaje. Destaca entre los tres ndices la influencia de este efecto en el IPI, diferencia que ha sido
posible de medir gracias a la utilizacin de la metodologa de estimacin de va-
44
riables de intervencin, lo que no hubiera sido posible si nicamente se hubiera

ponderado por el nmero de das laborales.
La pregunta que puede plantearse el usuario de esta informacin es para qu
nos sirve todo esto. En la prctica es interesante analizar la variacin interanual
de cada serie, respecto su valor original y el corregido, calculando la diferencia
en puntos porcentuales.
De esta manera para el IPI se observa que en su mayor parte el diferencial entre
la serie original y corregida, es de cero puntos, pero que es significativamente
alta en los meses de marzo y abril, fundamentalmente si cambia de mes la posicin del domingo de Pascua en cada ao comparado, llegando a una diferencia
entre 10 y 11 puntos porcentuales. Es preciso indicar que la correccin se incrementa en el ao 2008, al pasar de diferencias alrededor de 2,5 puntos porcentuales a valores superiores a 3 puntos
GRFICO 31
COMPARATIVA DE LA VARIACIN INTERANUAL DE SERIE ORIGINAL Y CORREGIDA DE CALENDARIO.
IPI
20,00%
20,00
3,87
4,31
0,00
-1,70
-0,52
-3,72
-10,00
-10,96
-4,09
-2,10
0,00
2,25
2,49
0,00
0,00
0,00
0,70
2,81
0,00
-2,40
2,79
0,00
-2,57
2,66
0,00
-2,52
2,60
0,00
-2,58
-2,51
-10,44
-8,71
0,00
DIFERENCIA
IPI SERIES
1-2009
10-2008
7-2008
4-2008
1-2008
10-2007
7-2007
4-2007
1-2007
10-2006
7-2006
4-2006
1-2006
10-2005
7-2005
4-2005
1-2005
10-2004
7-2004
-40,00
4-2004
-40,00%
1-2004
-30,00
10-2003
-30,00%
7-2003
-20,00
4-2003
-20,00%
Diferencia puntos porcentuales
10,03
2,52
0,00
0,00
0,00
10,00
-2,52
2,46
0,00
2,30
0,00
0,00
0,00
6,84
2,44
0,00
-2,39
4,76
1,68
0,00
-2,51
-4,44
2,53
2,54
0,00
-2,41
4,92
0,00
-2,53
2,91
-2,44
-1,78
2,49
0,00
-2,58
-8,86
-10,00%
-2,45
2,48
0,00
-2,31
0,00
0,00
0,00%
1-2003
Variacin Interanual
10,00%
11,70
30,00
9,50
30,00%
IPI SCCALENDARIO
La correccin de efecto calendario para el IASS tiene un comportamiento similar

al IPI, si bien los factores de correccin son inferiores, salvo la correccin en abril
2008, donde el valor de IASS original es corregido en algo ms de 12 puntos
porcentuales. En conjunto este indicador afecta a la serie en ms meses que el
IPI, en el sentido de que hay menos meses con diferencias valor 0.
GRFICO 32
45
46
DIFERENCIA
ICM SERIES
ICM SCCALENDARIO
1-2009
10-2008
7-2008
4-2008
1-2008
10-2007
7-2007
4-2007
1-2007
-0,65
-0,02
-2,31
-3,57
-0,11
-0,42
-0,03
-1,88
-3,41
-4,33
-0,83
-0,11
-0,14
-0,39
-1,91
-3,27
-4,67
-0,13
0,56
2,03
2,21
2,44
2,35
2,64
4,13
4,15
1-2009
10-2008
7-2008
4-2008
1-2008
10-2007
7-2007
4-2007
1-2007
10-2006
7-2006
-9,46
-8,68
-4,27
-0,13
-0,22
-0,62
-1,37
-0,55
-1,69
-0,73
-1,09
-2,57
-1,37
-1,75
-2,22
-1,77
-1,13
-0,14
0,61
2,83
2,77
5,13
3,52
2,77
2,88
2,09
0,29
0,73
0,63
1,06
0,73
0,57
0,00
0,68
1,07
0,73
0,00
15,00%
15,00
10,00%
10,00
5,00
0,00
-5,00
-10,00
-15,00%
-15,00
-20,00%
-20,00
15,00%
15,00
10,00%
10,00
5,00
0,00
-5,00
-10,00%
-10,00
-15,00%
-15,00
20,00
12,28
20,00%
1,58
0,87
0,48
0,87
0,69
0,51
0,50
0,03
0,30
3,22
2,00
0,74
0,03
0,14
0,31
0,78
2,09
2,43
IASS SERIES
10-2006
7-2006
4-2006
1-2006
-0,87
-0,18
-0,39
-0,91
-1,64
-2,36
-3,48
0,42
0,98
3,41
2,67
DIFERENCIA
10-2005
7-2005
4-2005
1-2005
-1,38
-0,26
-1,97
-3,59
0,43
3,30
2,32
0,40
0,96
0,54
4-2006
-5,00%
10-2004
7-2004
4-2004
1-2004
-3,74
0,44
5,00%
10-2003
-5,00%
-0,64
-0,02
1-2006
-10,00%
-3,02
0,00%
0,57
0,06
0,66
5,00%
7-2003
-1,43
Variacin Interanual
0,00%
4-2003
1-2003
Variacin Interanual

IASS
IASS SCCALENDARIO
El ICM presenta un comportamiento claramente diferenciado, influido en gran

medida por la significatividad de la estructura semanal de la serie. La correccin
resulta ms uniforme que en las anteriores, siendo la correccin del efecto Pascua en esta serie significativamente inferior.
GRFICO 33

ICM
Automatizacin del proceso de correccin

del efecto calendario.
Como ya se indic, el objetivo de este trabajo es documentar tanto el concepto del
efecto calendario como el procedimiento informtico de clculo a partir del programa TSW. En este apartado se va a describir paso a paso cmo se trabaja con
este programa en su opcin automatizada, RSA. Las etapas son las siguientes:
1. A partir de la serie original construimos el archivo con la estructura para
usar TSW, siendo el formato Excel.
Se puede construir un archivo con diferentes series por columnas, donde cada
celda de la primera fila recoge el nombre de dicha serie y de la segunda fila indica el nmero de observaciones, ao de inicio, mes/trimestre/semestre de inicio, y
frecuencia de la serie. En este caso comienzan en enero 2002.
2. Cerramos el archivo, y abrimos TSW, y pinchamos en icono series
47
3. Seleccionamos el archivo Excel que hemos construido con las series
4. Abierto el archivo por TSW, se observa que identifica las series incluidas en
el archivo Excel, debiendo seleccionar en el men correspondiente a Iter Parameter, Iter=2, lo que supone que TSW aplica a todas las series el mismo
modelo especificado. Al plantear la correccin de calendario por operacin
estadstica (conjunto de series) utilizamos siempre esta opcin facilitando el
procedimiento.
48
5. Para lanzar el procedimiento automtico marcamos en + Model, desplegndose un men Automatic procedure, donde aparecen varias opciones RSA,
de 0 a 5.
TSW corrige el efecto calendario de dos maneras segn la opcin que se elija:
RSA=4; corrige efecto de das laborales/no laborales (1 parmetro); efecto
ao bisiesto; efecto Semana Santa
RSA=5; igual que el anterior pero diferenciando por das de la semana
(L,M,X,J,V,S, D), utilizando 6 parmetros.
En la prctica las actividades vinculadas al comercio/turismo deberan verse
ms afectadas por el nmero de viernes/sbados en el mes que las meramente productivas (IPI), como se ha podido comprobar en los apartados anteriores.
6. Seleccionado, pulsamos en RUN
49
7. Una vez ejecutado, marcamos la primera serie que aparece debajo de Preajusted Series (que corresponde a los resultados de SEATS), y sealamos Out
tables, donde aparecen las series resultantes (tendencia, estacional, ajustada,, CALENDAR). En concreto CALENDAR es la agregacin de todos los
efectos considerados.
8. Desde la hoja que aparece guardamos un archivo Excel con todas las series y
sus componentes (el archivo Excel tendr una hoja por cada serie).
50
9. En este momento podemos cerrar ya TSW, y abrir el archivo que acabamos

de guardar. Sobre ste es donde vamos a corregir el efecto calendario.
a. En primer lugar comprobamos cmo se agregan las componentes multiplicativamente o aditivamente?. Para ello, se puede intentar obtener la serie agregando: tendencia, estacional e irregular.
b. Si es multiplicativo, la columna serie se divide por la columna calendar; se
multiplica por 100 (si son ndices).
c. Si es aditivo, a la columna serie se le resta calendar
51
Difusin y actualizacin de los datos.

Una vez corregida la serie ya puede ser difundida como el indicador correspondiente corregido de efecto calendario. Si bien, existe un inconveniente debido a
la metodologa empleada para su clculo: conforme se va alimentando la serie
correspondiente con datos nuevos, el modelo tanto en su parte determinstica
como en la parte estocstica va variando los parmetros obtenidos, y por tanto,
el impacto del efecto calendario se modifica. De ah que la serie corregida sea
una serie viva en el sentido que los datos cambian constantemente conforme la
serie va creciendo.
Pero como se indica en Eurostat (2006), y en las distintas metodologas difundidas por el INE y otros Institutos de Estadstica, como Eustat, Garca, M., Linaza, N. y Olaeta, H. (2005), los usuarios de estadsticas pblicas requieren de
datos estables en el momento en que son considerados como definitivos. Por
tanto, la naturaleza de la serie corregida de efecto calendario debera tener la
naturaleza de provisional hasta que su dato original correspondiente tuviera la
naturaleza de definitivo. Por simplificar, e intentar dar consistencia anual a la
informacin difundida, la propuesta para difundir los datos corregidos como
definitivos es la siguiente:
1. Todos los datos tendrn la naturaleza de provisional mientras quede algn
dato original del ao correspondiente como provisional
2. Los datos difundidos mensual/trimestralmente no sern modificados mensualmente/trimestralmente, nicamente se incorporar el ltimo dato calculado a partir del procedimiento definido.
3. La serie corregida correspondiente a un ao se modificar en el momento
que los datos de diciembre/IV trimestre estn a disposicin del usuario con la
naturaleza de definitivo, siendo en ese momento modificados los doce/cuatro
valores correspondientes a la serie corregida. Ser entonces cuando se les
d el carcter de definitivos y, por tanto, no modificables.
52
Bibliografa
AZNAR, A. y TRVEZ, F. J. (1993), Mtodos de Prediccin en Economa II. Anlisis de Series Temporales, Barcelona: Editorial Ariel
BOUSO, J. y QUILIS (2002), Extraccin de Seales y Ajuste Estacional en la
CNTR: Estudio de Un Caso, INE
CAPORELLO, G. y MARAVALL, A. (2004), Program TSW. Revised Reference
Manual, Banco de Espaa, julio 2004
EUROSTAT (2006), Methodology of Short Term Business Statistics Interpretation and Guidelines
EUSTAT (2005), Correccin de Efectos de Calendario y la Extraccin de Seales de los Indicadores Coyunturales de Eustat
GARCA, M., LINZAZA, N. y OLAETA, H. (2005), Nuevos Mtodos de Correccin y Desestacionalizacin en Estadsticas Coyunturales, Eustat en XIV JECAS
(Noviembre 2005, Crdoba)
HERNNDEZ ALONSO, J. (2007). Anlisis de Series Temporales Econmicas
II, ESIC Editorial
MARAVALL, A. (2005 b), An Application of the Tramo-Seats Automatic Procedure; Direct Versus Indirect Adjustment, Banco de Espaa Documento de Trabajo
N 0524
MARAVALL, A. (2005), Brief Description of the Programs, Banco de Espaa,
Mayo 2005
SALINAS, T. S. y S.C. HILLMER (1987), Multicollinearity Problems in Modeling
Time Series with Trading-Day Variation, Journal of Business and Economic Statistics, 5, pp. 431-436
53
ANEXO Salidas del programa tramo

(Versin Noviembre de 2008)
NDICE DE PRODUCCIN INDUSTRIAL
Revised version of PROGRAM TRAMO
"TIME SERIES REGRESSION WITH ARIMA NOISE, MISSING VALUES, AND OUTLIERS"
Vctor Gmez and Agustn Maravall, 1996
VERSION: BETA (126) DATE: (14-nov-2008 )
Revised by Gianluca Caporello and Agustn Maravall at the Bank of Spain.

With programming help from
Domingo Prez Caete (2000 - )
Roberto Lpez Pavn (2005 - )
SERIES TITLE=IPI_GENERAL
SINCE LONGER FORECAST FUNCTION IS REQUIRED
BY SEATS, NPRED CHANGED TO (24)
SERIES TITLE=IPI_GENERAL
ORIGINAL SERIES
NUMBER OF OBSERVATIONS: 86
YEAR
2002
2003
2004
2005
2006
2007
2008
2009
JAN
88.900
89.600
90.600
94.200
98.200
110.900
106.100
74.800
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
DEC
91.500 91.600 99.300 103.700 95.700 93.700 64.100 97.600 99.900 94.700 77.500
96.300 101.700 94.000 99.300 100.800 104.900 65.000 102.900 107.500 101.000 95.500
99.700 107.300 97.700 104.100 108.100 104.800 70.000 104.300 97.600 103.100 89.200
99.200 99.800 105.200 107.800 110.100 103.900 68.200 107.500 102.000 109.000 93.100
104.300 116.900 91.500 115.000 114.700 99.800 76.600 111.600 112.400 115.800 99.600
112.200 122.200 108.300 125.900 122.000 118.900 78.000 110.800 118.700 117.200 95.000
114.800 111.600 118.200 109.500 106.900 113.200 65.300 102.500 87.100 89.100 78.800
86.700
DATES OF EASTER DURING THE REQUESTED TIME SPAN

YEAR MONTH DAY
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
MARCH 31
APRIL 20
APRIL 11
MARCH 27
APRIL 16
APRIL 8
MARCH 23
APRIL 12
APRIL 4
APRIL 24
55
MODEL PARAMETERS
---------------MQ= 12
IMEAN= 1 LAM= -1 D= 1
BD= 1
P= 0
BP= 0
Q= 1
BQ= 1 IREG= 0
ITRAD= 2 SMPDAY= 0 IEAST= 1 IDUR= 6 M= 36
IQM= 24
INCON= 0 NBACK= 0 NPRED= 24 INTERP= 2 INIT= 0
IFILT= 2 IDENSC= 1 IROOT= 2 INIC= 3 ICONCE= 1
ICDET= 1 IATIP= 1 IMVX= 0 IDIF= 3 PG= 0
AIO= 2
INT1= 1
INT2= 86 RSA= 4 SEATS= 2
VA= 3.09
TOL= 0.100E-03
PC= 0.120E+00
NOADMISS= 1 BIAS= 1
SMTR= 0
THTR= -0.400 RMOD= 0.500 MAXBIAS= 0.500
TH =
BTH =
-0.10
-0.10
NUMBER OF INITIAL OBS. = 13

LEAP YEAR CORRECTION IS NOT SIGNIFICANT.
TRADING DAY CORRECTION IS SIGNIFICANT.
EASTER CORRECTION IS SIGNIFICANT.
Log-Level pretest : LOGS are Selected
TRANSFORMED SERIES (LOGARITHMS OF THE DATA)
YEAR
2002
2003
2004
2005
2006
2007
2008
2009
JAN
FEB
4.488
4.495
4.506
4.545
4.587
4.709
4.664
4.315
4.516
4.567
4.602
4.597
4.647
4.720
4.743
4.462
MAR
4.517
4.622
4.676
4.603
4.761
4.806
4.715
APR
4.598
4.543
4.582
4.656
4.516
4.685
4.772
MAY
4.642
4.598
4.645
4.680
4.745
4.835
4.696
AUTOMATIC MODEL IDENTIFICATION BEGINS
MODEL FINALLY CHOSEN:

(2,0,0)(0,1,1)
WITHOUT MEAN
WITH TRADING DAY CORRECTION
WITH EASTER CORRECTION
OUTLIERS
82 LS (10 2008)
55 AO ( 7 2006)
77 LS ( 5 2008)
56
JUN
4.561
4.613
4.683
4.701
4.742
4.804
4.672
JUL
4.540
4.653
4.652
4.643
4.603
4.778
4.729
AUG
4.160
4.174
4.248
4.222
4.339
4.357
4.179
SEP
4.581
4.634
4.647
4.677
4.715
4.708
4.630
OCT
4.604
4.677
4.581
4.625
4.722
4.777
4.467
NOV
4.551
4.615
4.636
4.691
4.752
4.764
4.490
DEC
4.350
4.559
4.491
4.534
4.601
4.554
4.367
METHOD OF ESTIMATION: EXACT MAXIMUM LIKELIHOOD

PARAMETER
AR1 1
AR1 2
MA2 1
ESTIMATE
-.53479
-.38711
-.69014
STD ERROR
0.11844
0.12126
0.20567
-4.52
-3.19
-3.36
T RATIO LAG
1
2
12
REGULAR AR INVERSE ROOTS ARE

NO. REAL P. IMAG.P. MODULUS ARGUMENT PERIOD
1 -0.4098133 0.0000000 0.4098133 180.0000000 2.0
2 0.9446049 0.0000000 0.9446049 0.0000000 SEASONAL MA INVERSE ROOTS ARE
NO. REAL P. IMAG.P. MODULUS ARGUMENT
1 0.69014 0.0000 0.69014 0.0000
-
PERIOD
CORRELATIONS OF THE ESTIMATES

1.0000 -0.8339 0.1220
-0.8339 1.0000 0.1656
0.1220 0.1656 1.0000
AIC
-259.3972
BIC
-6.2104
FINAL VALUE OF OBJECTIVE FUNCTION:
0.10483
ITERATIONS:
NUMBER OF FUNCTION EVALUATIONS:
13
ESTIMATES OF REGRESSION PARAMETERS

CONCENTRATED OUT OF THE LIKELIHOOD
PARAMETER
VALUE
ST. ERROR T VALUE
TRAD 1
0.68182E-02 ( 0.00100) 6.85
EAST 1
-.89498E-01 ( 0.01327) -6.74
OUT 1 ( 82)
-.14469
( 0.03412) -4.24 LS (10 2008)
OUT 2 ( 55)
-.10254
( 0.03012) -3.40 AO ( 7 2006)
OUT 3 ( 77)
-.10708
( 0.03384) -3.16 LS ( 5 2008)
COVARIANCE MATRIX OF ESTIMATORS
0.991E-06
0.163E-05
0.357E-06
0.588E-05
0.158E-05
0.163E-05
0.176E-03
0.432E-05
0.965E-05
-0.317E-04
0.357E-06
0.432E-05
0.116E-02
0.201E-05
-0.124E-03
0.588E-05
0.965E-05
0.201E-05
0.907E-03
0.103E-04
NUMBER OF WHITE NOISE RESIDUALS
0.158E-05
-0.317E-04
-0.124E-03
0.103E-04
0.115E-02
69
WHITE NOISE RESIDUALS

0.0246
-0.0057
-0.0472
0.0094
-0.0068
0.0062
0.0094
0.0895
-0.0349
0.0105
0.0162
0.0278
0.0163
-0.0107
-0.0230
0.0119
0.0192
-0.0600
-0.0755
0.0531
-0.0214
-0.0268 0.0394
0.0299 0.0070
0.0610 -0.0335
0.0288 0.0173
0.0393 0.0398
0.0248 -0.0187
-0.0128 0.0179
0.0364
0.0219
-0.0282
0.0275
0.0410
0.0114
0.0006
0.0994
0.0066
0.0333
0.0326
0.0239
0.0274
-0.0289
-0.0778
-0.0337
0.0163
0.0003
-0.0065
0.0138
-0.0066
57
0.0449
-0.0270
0.0283
0.0642
-0.0088
0.0016
-0.0244
-0.0984
-0.0222
0.0398
0.0400
-0.0463
-0.0325
---------------------------MEAN= 0.0056811
ST.DEV.= 0.0043743
OF MEAN
T-VALUE= 1.2987
SKEWNESS= -0.2951
KURTOSIS= 3.5625
( CHI-SQUARED(2) )
( SE = 0.2949 )
( SE = 0.5898 )

DURBIN-WATSON= 2.0776
OF RESID.
MSE OF RESID.= 0.1414014E-02
AUTOCORRELATIONS
----------------0.0506 -0.1925 -0.1431 0.0577 0.3093 -0.0305 -0.0384 0.0888 0.0340 -0.0082 -0.0286 -0.0264
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
Q 0.18 2.89 4.41 4.66 11.99 12.06 12.18 12.81 12.90 12.91 12.98 13.04
PV -1.00 -1.00 -1.00 0.03 0.00 0.01 0.02 0.03 0.04 0.07 0.11 0.16
0.2049 0.0311 -0.1745 -0.0321 0.0335 0.1867 0.1498 -0.1438 -0.1179 -0.0964 0.1251 0.1069
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
Q 16.71 16.80 19.56 19.66 19.76 23.11 25.31 27.37 28.79 29.76 31.43 32.68
PV 0.08 0.11 0.08 0.10 0.14 0.08 0.06 0.05 0.05 0.05 0.05 0.05
-0.0466 -0.0658 0.0155 0.0111 0.0639 -0.0243 -0.0504 0.0598 0.0203 -0.0254 -0.0015 0.0812
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
Q 32.92 33.41 33.44 33.45 33.95 34.03 34.36 34.83 34.88 34.98 34.98 35.95
PV 0.06 0.07 0.10 0.12 0.14 0.17 0.19 0.21 0.25 0.28 0.33 0.33
LJUNG-BOX Q VALUE OF ORDER 24 IS 32.68 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHISQUARED(21)
THE PIERCE QS VALUE IS 1.31 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHI-SQUARED(2)
PARTIAL AUTOCORRELATIONS
---------------------0.0506 -0.1955 -0.1716 -0.0044 0.2705 0.0102 0.0823 0.1892 0.0512 -0.0431 0.0123 -0.0678
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
0.1226 0.0377 -0.1377 -0.0194 -0.0071 0.0544 0.2102 0.0249 -0.0919 -0.1488 -0.0060 -0.0409
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
-0.0066 -0.0410 0.0288 0.0317 0.1215 0.0355 -0.0493 -0.0223 0.0472 0.0077 0.0392 0.0561
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
APPROXIMATE TEST OF RUNS ON RESIDUALS
------------------------------------NUM.DATA= 69
NUM.(+)= 35
NUM.(-)= 34
NUM.RUNS= 33
T-VALUE= -0.4852
58
SQUARED RESIDUALS:
------------------
AUTOCORRELATIONS
---------------0.0909 0.0513 0.0038 -0.0417 0.1737 0.0590 -0.0592 0.0491 -0.0331 0.0049 -0.0466 -0.0332
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
Q 0.60 0.79 0.79 0.92 3.23 3.50 3.78 3.97 4.06 4.06 4.25 4.34
PV -1.00 -1.00 -1.00 0.34 0.20 0.32 0.44 0.55 0.67 0.77 0.83 0.89
0.0164 -0.0428 0.0402 -0.0699 -0.1019 -0.0129 -0.0221 0.0311 -0.0516 -0.0811 -0.0337 -0.1080
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
Q 4.36 4.53 4.67 5.12 6.10 6.12 6.17 6.26 6.54 7.22 7.34 8.61
PV 0.93 0.95 0.97 0.97 0.96 0.98 0.99 0.99 0.99 0.99 1.00 0.99
0.0334 -0.0874 0.0306 0.1243 -0.0035 0.0244 0.0395 -0.0716 0.1741 -0.0715 0.0027 0.0312
SE 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204 0.1204
Q 8.74 9.61 9.72 11.56 11.57 11.64 11.84 12.52 16.65 17.36 17.36 17.51
PV 0.99 0.99 1.00 0.99 0.99 1.00 1.00 1.00 0.98 0.98 0.98 0.99
SQUARED(24)
FORECASTS:
OBS
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
FORECAST
STD ERROR
(TR. SERIES)
4.51159
0.383842E-01
4.40228
0.436286E-01
4.48273
0.504752E-01
4.51986
0.547715E-01
4.51971
0.590229E-01
4.01946
0.622410E-01
4.47259
0.651639E-01
4.44846
0.664975E-01
4.46770
0.686158E-01
4.34080
0.705926E-01
4.32579
0.722708E-01
4.44215
0.736447E-01
4.49334
0.782077E-01
4.44058
0.806121E-01
4.48030
0.827574E-01
4.51606
0.847704E-01
4.49287
0.867445E-01
4.04027
0.882965E-01
4.46980
0.898552E-01
4.42192
0.899861E-01
4.48906
0.910750E-01
4.33842
0.921129E-01
4.32354
0.930347E-01
4.44003
0.937898E-01
ACTUAL
RESIDUAL
FORECAST
(ORIGINAL SERIES)
91.0668
3.49682
81.6371
3.56341
88.4762
4.46870
91.8230
5.03305
91.8089
5.42355
55.6713
3.46839
87.5835
5.71334
85.4952
5.69151
87.1564
5.98735
76.7692
5.42609
75.6249
5.47262
84.9576
6.26518
89.4192
7.00398
84.8240
6.84897
88.2611
7.31678
91.4747
7.76830
89.3776
7.76762
56.8415
5.02870
87.3395
7.86378
83.2559
7.50706
89.0374
8.12593
76.5867
7.06961
75.4553
7.03519
84.7776
7.96879
STD ERROR
LINEAR SERIES
YEAR
2002
2003
2004
2005
2006
2007
2008
2009
JAN
87.100
87.786
90.909
96.804
98.535
108.655
103.952
96.543
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
DEC
91.500 98.441 93.668 101.600 99.019 91.803 64.319 98.603 97.877 95.673 77.765
96.300 99.938 96.971 99.639 101.836 102.776 66.797 101.506 105.323 104.503 93.566
101.414 100.527 100.787 106.978 106.636 105.158 70.239 102.887 100.298 101.704 87.394
99.200 102.254 101.630 108.168 108.609 106.773 66.819 106.044 104.820 107.524 93.418
104.300 109.521 99.006 112.672 113.147 113.633 75.049 112.747 112.784 114.232 102.354
112.200 117.251 114.421 123.351 123.254 119.306 76.421 114.642 116.297 115.613 97.627
114.020 119.934 111.496 122.292 120.205 123.443 74.690 112.539 109.768 118.583 99.308
111.522
59
TOTAL OUTLIER EFFECT FACTORS

YEAR
2002
2003
2004
2005
2006
2007
2008
2009
JAN
100.000
100.000
100.000
100.000
100.000
100.000
100.000
77.743
FEB
100.000
100.000
100.000
100.000
100.000
100.000
100.000
77.743
MAR
APR
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
MAY
JUN
100.000
100.000
100.000
100.000
100.000
100.000
89.846
JUL
100.000
100.000
100.000
100.000
100.000
100.000
89.846
AUG
SEP
OCT
NOV
DEC
100.000 100.000 100.000 100.000 100.000 100.000

100.000 100.000 100.000 100.000 100.000 100.000
100.000 100.000 100.000 100.000 100.000 100.000
100.000 100.000 100.000 100.000 100.000 100.000
90.255 100.000 100.000 100.000 100.000 100.000
100.000 100.000 100.000 100.000 100.000 100.000
89.846 89.846 89.846 77.743 77.743 77.743
TOTAL TRADING DAY - EASTER EFFECT FACTORS

YEAR
2002
2003
2004
2005
2006
2007
2008
2009
JAN
102.067
102.067
99.660
97.310
99.660
102.067
102.067
99.660
FEB
MAR
APR
100.000 93.051 106.012

100.000 101.763 96.937
98.310 106.738 96.937
100.000 97.600 103.512
100.000 106.738 92.419
100.000 104.221 94.651
100.684 93.051 106.012
100.000
MAY
JUN
JUL
102.067 96.648
99.660 98.982
97.310 101.373
99.660 101.373
102.067 101.373
102.067 98.982
99.660 98.982
AUG
SEP
OCT
102.067 99.660 98.982

102.067 97.310 101.373
99.660 99.660 101.373
97.310 102.067 101.373
97.310 102.067 98.982
99.660 102.067 96.648
102.067 97.310 101.373


SERIES TITLE=IASS_GENERAL
SERIES TITLE=IASS_GENERAL
ORIGINAL SERIES
60
DEC
102.067 98.982 99.660

102.067 96.648 102.067
97.310 101.373 102.067
97.310 101.373 99.660
99.660 101.373 97.310
102.067 101.373 97.310
102.067 96.648 102.067
INDICADOR DE ACTIVIDAD DEL SECTOR SERVICIOS
NOV
YEAR
2005
2006
2007
2008
2009
JAN
92.200
93.600
101.300
109.100
93.000
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
DEC
90.900 99.600 101.200 98.500 100.700 104.000 88.100 101.000 99.300 104.300 120.100
94.600 107.200 97.900 109.000 110.900 113.300 95.000 108.300 112.600 114.300 125.200
99.000 115.300 100.600 116.700 117.400 119.800 103.300 111.300 122.100 117.100 131.000
109.300 112.200 118.600 117.600 118.200 130.900 109.000 116.000 117.300 108.900 120.100
91.500

YEAR MONTH DAY
2005
2006
2007
2008
2009
2010
2011
MARCH 27
APRIL 16
APRIL 8
MARCH 23
APRIL 12
APRIL 4
APRIL 24
MODEL PARAMETERS
---------------MQ= 12
BD= 1
P= 0
BP= 0
Q= 1
BQ= 1 IREG= 0
IQM= 24
AIO= 2
INT1= 1
VA= 3.00
TOL= 0.100E-03
PC= 0.120E+00
NOADMISS= 1 BIAS= 1
SMTR= 0
TH =
-0.10
BTH =
-0.10

SOME INITIAL ESTIMATES CANNOT BE OBTAINED
DEFAULT VALUES USED
LEAP YEAR CORRECTION IS NOT SIGNIFICANT.
MEAN IS NOT SIGNIFICANT:
IMEAN CHANGED TO 0
Log-Level pretest : LOGS are Selected
TRANSFORMED SERIES (LOGARITHMS OF THE DATA)
YEAR
2005
2006
2007
2008
2009
JAN
FEB
4.524
4.539
4.618
4.692
4.533
4.510
4.550
4.595
4.694
4.516
MAR
4.601
4.675
4.748
4.720
APR
4.617
4.584
4.611
4.776
MAY
4.590
4.691
4.760
4.767
JUN
4.612
4.709
4.766
4.772
JUL
4.644
4.730
4.786
4.874
AUG
4.478
4.554
4.638
4.691
SEP
4.615
4.685
4.712
4.754
OCT
4.598
4.724
4.805
4.765
NOV
4.647
4.739
4.763
4.690
DEC
4.788
4.830
4.875
4.788
61

TOO FEW OBSERVATIONS FOR
AUTOMATIC MODEL IDENTIFICATION.
INIC CHANGED TO 2
TOO FEW OBSERVATIONS FOR
AUTOMATIC MODEL IDENTIFICATION.
INIC CHANGED TO 0
DEFAULT MODEL USED.
(0,1,0)(0,1,1)
WITHOUT MEAN
NO OUTLIERS DETECTED
PARAMETER
MA2 1
ESTIMATE
-.20222
STD ERROR
0.16100
-1.26
T RATIO LAG
12
SEASONAL MA INVERSE ROOTS ARE

1 0.20222 0.0000 0.20222 0.0000
1.0000
AIC
-139.2673
BIC
-6.2671
0.32602E-01
ITERATIONS:

PARAMETER
TRAD 1
TRAD 2
TRAD 3
TRAD 4
TRAD 5
TRAD 6
EAST 1
62
VALUE
-.77355E-02
0.15115E-01
0.38494E-02
-.92684E-03
0.26214E-02
0.91183E-02
-.61286E-01
ST. ERROR T VALUE

( 0.00663) -1.17
( 0.00718) 2.11
( 0.00834) 0.46
( 0.00731) -0.13
( 0.00637) 0.41
( 0.00642) 1.42
( 0.01192) -5.14
PERIOD

0.439E-04
-0.932E-05
-0.227E-04
0.177E-04
-0.850E-05
0.249E-05
-0.147E-04
-0.932E-05
0.515E-04
-0.348E-04
0.616E-07
-0.251E-05
0.153E-04
0.822E-05
-0.227E-04
-0.348E-04
0.695E-04
-0.367E-04
0.148E-04
-0.180E-04
0.176E-04
0.177E-04
0.616E-07
-0.367E-04
0.534E-04
-0.298E-04
0.813E-05
-0.231E-04
-0.850E-05
-0.251E-05
0.148E-04
-0.298E-04
0.406E-04
-0.209E-04
0.297E-04
0.249E-05
0.153E-04
-0.180E-04
0.813E-05
-0.209E-04
0.412E-04
-0.101E-05
-0.147E-04
0.822E-05
0.176E-04
-0.231E-04
0.297E-04
-0.101E-05
0.142E-03
30

-0.0190
0.0317
0.0208
-0.0729
0.0545
-0.0220
0.0203
-0.0221
0.0055
-0.0013
-0.0226
-0.0413
-0.0515
0.0572
-0.0266
-0.0671
-0.0120
-0.0481
-0.0241
-0.0213
-0.0003
0.0075
0.0299
-0.0184
0.0136
-0.0351
0.0132
-0.0149
0.0226
0.0146
---------------------------MEAN= -0.0076458
ST.DEV.= 0.0058128
OF MEAN
T-VALUE= -1.3153
SKEWNESS= 0.0124
KURTOSIS= 2.5635
( CHI-SQUARED(2) )
( SE = 0.4472 )
( SE = 0.8944 )

OF RESID.
MSE OF RESID.= 0.1109096E-02
AUTOCORRELATIONS
---------------0.0499 0.0809 -0.0363 -0.0074 0.1294 0.0826 0.0734 -0.1339 0.0179 0.1491 -0.1225 0.0511
SE 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826
Q 0.08 0.31 0.35 0.36 1.00 1.27 1.50 2.28 2.29 3.36 4.12 4.26
PV -1.00 0.58 0.84 0.95 0.91 0.94 0.96 0.94 0.97 0.95 0.94 0.96
-0.1409 0.0379 0.1854 -0.0784 0.0113 -0.1361 -0.0869 0.0763 0.0955 0.0554 -0.0524 0.1141
SE 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826
Q 5.38 5.47 7.67 8.09 8.10 9.58 10.24 10.80 11.77 12.14 12.51 14.60
PV 0.94 0.96 0.91 0.92 0.95 0.92 0.92 0.93 0.92 0.94 0.95 0.91
-0.0273 -0.0632 0.0005 -0.0186
SE 0.1826 0.1826 0.1826 0.1826
Q 14.74 15.70 15.70 15.87
PV 0.93 0.92 0.94 0.96
---------------------
63
0.0499 0.0786 -0.0444 -0.0101 0.1383 0.0713 0.0444 -0.1456 0.0316 0.1716 -0.1851 0.0125
SE 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826
-0.0806 0.0619 0.1985 -0.1737 -0.0013 -0.0071 -0.1520 0.1067 0.0866 -0.0164 0.0993 0.0461
SE 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826
-0.0648 -0.0393 -0.1127 0.1204
SE 0.1826 0.1826 0.1826 0.1826
------------------------------------NUM.DATA= 30
NUM.(+)= 15
NUM.(-)= 15
NUM.RUNS= 15
T-VALUE= -0.3716
SQUARED RESIDUALS:
------------------
AUTOCORRELATIONS
----------------0.1379 -0.0446 0.2716 -0.1704 -0.1483 -0.0901 -0.1067 0.0082 -0.0666 0.0493 -0.0785 0.0433
SE 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826
Q 0.63 0.70 3.32 4.39 5.24 5.56 6.04 6.04 6.24 6.36 6.67 6.77
PV -1.00 0.40 0.19 0.22 0.26 0.35 0.42 0.53 0.62 0.70 0.76 0.82
0.2430 -0.1402 0.0931 0.1508 -0.1634 -0.0832 -0.0866 -0.1224 0.0620 -0.1715 0.1527 0.0360
SE 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826 0.1826
Q 10.11 11.29 11.84 13.40 15.37 15.92 16.58 18.02 18.43 21.96 25.15 25.36
PV 0.61 0.59 0.62 0.57 0.50 0.53 0.55 0.52 0.56 0.40 0.29 0.33
-0.0410 0.1006 -0.0516 -0.0173
SE 0.1826 0.1826 0.1826 0.1826
Q 25.68 28.11 28.97 29.11
PV 0.37 0.30 0.31 0.36
SQUARED(24)
FORECASTS:
OBS
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
64
FORECAST
STD ERROR
(TR. SERIES)
4.61789
0.356199E-01
4.53170
0.487886E-01
4.58657
0.593685E-01
4.64360
0.674977E-01
4.69436
0.757057E-01
4.50897
0.818459E-01
4.60484
0.891252E-01
4.62028
0.947150E-01
4.52993
0.100417
4.66290
0.105566
4.38566
0.111344
4.39393
0.115437
4.49072
0.130680
4.43870
0.143885
4.45381
0.155492
4.53277
0.166958
4.57722
0.177190
4.39256
0.186853
4.46639
0.196541
4.47676
0.205298
4.44468
0.213986
4.52799
0.222268
4.25289
0.229902
ACTUAL
RESIDUAL
FORECAST
(ORIGINAL SERIES)
101.280
3.60872
92.9159
4.53594
98.1574
5.83259
103.917
7.02218
109.329
8.28869
90.8285
7.44641
99.9671
8.92731
101.523
9.63734
92.7519
9.33738
105.943
11.2152
80.2909
8.96766
80.9579
9.37672
89.1860
11.7048
84.6648
12.2454
85.9534
13.4463
93.0160
15.6386
97.2436
17.3668
80.8471
15.2393
87.0418
17.2738
87.9492
18.2477
85.1722
18.4363
92.5727
20.8327
70.3083
16.3799
STD ERROR
74
4.27152
0.237467
71.6304
17.2525
LINEAR SERIES
YEAR
2005
2006
2007
2008
2009
JAN
94.125
94.982
100.169
107.150
92.000
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
DEC
90.900 100.863 97.000 99.955 100.406 105.077 87.116 100.829 101.373 102.341 118.808
94.600 103.390 102.259 107.783 110.712 115.665 93.302 107.036 114.263 113.966 126.497
99.000 110.618 106.866 114.614 116.030 121.569 102.729 112.748 120.737 116.902 133.734
109.014 118.106 112.860 116.335 121.773 128.560 110.129 115.147 116.651 110.317 118.759
91.500

YEAR
2005
2006
2007
2008
2009
JAN
97.955
98.544
101.129
101.820
101.087
FEB
100.000
100.000
100.000
100.262
100.000
MAR
APR
98.747 104.329
103.685 95.737
104.233 94.137
94.999 105.086
MAY
JUN
JUL
98.544 100.293
101.129 100.170
101.820 101.181
101.087 97.066
AUG
SEP
OCT
98.975 101.129 100.170

97.955 101.820 101.181
98.544 100.556 98.716
101.820 98.975 100.741
NOV
DEC
97.955 101.915 101.087

98.544 100.293 98.975
101.129 100.170 97.955
100.556 98.716 101.129
NDICE DE COMERCIO AL POR MENOR

(General sin estaciones de servicios)

SERIES TITLE=ICM_sin EESS

SERIES TITLE=ICM_sin EESS
ORIGINAL SERIES
65
YEAR
2002
2003
2004
2005
2006
2007
2008
2009
JAN
86.719
92.777
96.893
102.047
107.563
111.836
114.758
109.376
FEB
77.766
82.896
85.600
90.881
93.910
97.405
104.854
92.466
MAR
APR
MAY
JUN
JUL
AUG
YEAR MONTH DAY

MARCH 31
APRIL 20
APRIL 11
MARCH 27
APRIL 16
APRIL 8
MARCH 23
APRIL 12
APRIL 4
APRIL 24
MODEL PARAMETERS
---------------MQ= 12
BD= 1
P= 0
BP= 0
Q= 1
BQ= 1 IREG= 0
IQM= 24
AIO= 2
INT1= 1
VA= 3.09
TOL= 0.100E-03
PC= 0.120E+00
NOADMISS= 1 BIAS= 1
SMTR= 0
TH =
BTH =
-0.10
-0.10

LEAP YEAR CORRECTION IS SIGNIFICANT.
MEAN IS NOT SIGNIFICANT:
IMEAN CHANGED TO 0
Log-Level pretest : LEVELS are Selected
(0,1,1)(0,1,0)
WITHOUT MEAN
66
OCT
NOV
DEC
83.317 88.601 90.517 87.269 94.736 79.269 84.202 93.662 89.005 110.204
86.453 88.962 92.700 87.587 96.421 79.656 89.942 98.503 90.861 116.281
92.060 94.150 95.385 95.903 100.278 79.639 93.503 99.095 97.590 122.993
97.081 100.602 98.282 97.713 99.547 85.026 97.867 101.781 100.995 128.178
102.646 98.535 106.406 103.244 108.356 96.171 101.978 106.641 105.937 134.214
108.949 104.693 109.644 111.240 115.014 103.107 105.351 115.182 111.643 137.836
108.564 111.617 111.084 106.408 121.098 103.434 108.148 111.479 101.460 132.067
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
SEP
NO OUTLIERS DETECTED
PARAMETER
MA1 1
ESTIMATE
-.20788
STD ERROR
0.11448
-1.82
T RATIO LAG
1
REGULAR MA INVERSE ROOTS ARE

1 0.20788 0.0000 0.20788 0.0000
-
PERIOD

1.0000
AIC
337.7494
BIC
2.0706
341.28
ITERATIONS:

PARAMETER
TRAD 1
TRAD 2
TRAD 3
TRAD 4
TRAD 5
TRAD 6
TRAD 7
EAST 1
VALUE
0.54119E-01
0.40838
(
0.20693
(
0.45560E-01
0.94543
(
0.62972
(
3.0670
(
-1.4001
(
ST. ERROR T VALUE

0.30556) 0.18
0.32810) 1.24
0.31982) 0.65
( 0.33315) 0.14
0.32143) 2.94
0.32826) 1.92
0.98905) 3.10
0.57376) -2.44
(

0.934E-01
-0.424E-01
-0.756E-02
0.871E-02
-0.398E-02
-0.343E-02
0.250E-01
0.280E-01
-0.424E-01 -0.756E-02 0.871E-02 -0.398E-02 -0.343E-02

0.108E+00 -0.557E-01 -0.501E-02 -0.377E-02 0.122E-01
-0.557E-01 0.102E+00 -0.464E-01 0.461E-02 -0.972E-02
-0.501E-02 -0.464E-01 0.111E+00 -0.600E-01 0.114E-02
-0.377E-02 0.461E-02 -0.600E-01 0.103E+00 -0.491E-01
0.122E-01 -0.972E-02 0.114E-02 -0.491E-01 0.108E+00
0.259E-01 -0.115E-01 0.379E-01 -0.634E-01 0.575E-01
0.130E-02 0.109E-02 -0.248E-01 0.213E-01 0.295E-01
0.250E-01 0.280E-01
0.259E-01 0.130E-02
-0.115E-01 0.109E-02
0.379E-01 -0.248E-01
-0.634E-01 0.213E-01
0.575E-01 0.295E-01
0.978E+00 0.224E-01
0.224E-01 0.329E+00
65

2.1195
-0.6947
0.6683
-2.0621
-0.9816
-2.6582
-0.5735
2.6821
-1.2555
-1.3938
0.5801
2.0483
2.0110
2.2823
1.3737
2.5930
67
-2.3411
0.4763
-0.6205
0.2658
-0.2312
-2.0081
-2.4491
-0.0115
-0.5258
5.1827
2.2380
-1.5741
4.0819
-1.5839 -2.1510 -0.5337 -1.2270 1.4153 0.5802

1.2634 1.0243 -2.0795 0.6991 -1.6408 3.1918
2.0556 -6.9860 -0.2866 1.0229 2.7316 -5.6428
1.7887 -3.6233 3.6254 -0.1676 0.3497 -0.2776
-0.3776 -2.1362 0.8407 0.4882 -1.8340 -2.0073
-0.8541 -1.5066 -4.9397 -4.6735 -1.4824 1.7770
---------------------------MEAN= -0.2143845
ST.DEV.= 0.2828799
OF MEAN
T-VALUE= -0.7579
SKEWNESS= -0.3654
KURTOSIS= 3.5092
( CHI-SQUARED(2) )
( SE = 0.3038 )
( SE = 0.6076 )
SUM OF SQUARES= 341.0764

STANDARD ERROR= 2.308532
OF RESID.
MSE OF RESID.= 5.329319
AUTOCORRELATIONS
----------------0.0373 -0.1049 -0.1630 0.1609 -0.0663 -0.0490 0.0867 0.0627 -0.0061 -0.0146 0.1813 -0.0510
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
Q 0.09 0.86 2.72 4.57 4.89 5.07 5.63 5.93 5.94 5.95 8.60 8.82
PV -1.00 0.35 0.26 0.21 0.30 0.41 0.47 0.55 0.65 0.74 0.57 0.64
-0.0053 -0.0791 0.0486 0.0561 -0.0725 -0.0640 0.1317 0.0145 0.0244 -0.1242 -0.0065 -0.0826
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
Q 8.82 9.35 9.56 9.84 10.32 10.70 12.34 12.36 12.42 13.98 13.98 14.71
PV 0.72 0.75 0.79 0.83 0.85 0.87 0.83 0.87 0.90 0.87 0.90 0.90
0.0955 0.1281 0.0227 -0.2226 -0.0610 0.0337 0.0780 -0.0291 0.0562 -0.0412 -0.0164 -0.0251
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
Q 15.70 17.54 17.59 23.43 23.88 24.02 24.80 24.91 25.34 25.58 25.62 25.71
PV 0.90 0.86 0.89 0.66 0.69 0.73 0.73 0.77 0.79 0.82 0.85 0.87
---------------------0.0373 -0.1065 -0.1735 0.1387 -0.0944 -0.0537 0.1260 0.0089 0.0242 0.0444 0.1722 -0.0387
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
0.0499 -0.0341 -0.0298 0.0975 -0.1043 -0.0811 0.1438 -0.0662 0.0690 -0.0986 -0.0672 -0.0810
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
0.1008 0.1331 -0.0303 -0.1466 -0.0521 -0.0645 0.0968 -0.0359 0.1192 -0.0819 -0.0030 0.0023
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
------------------------------------NUM.DATA= 65
NUM.(+)= 33
NUM.(-)= 32
68
NUM.RUNS= 32
T-VALUE= -0.2501
SQUARED RESIDUALS:
------------------
AUTOCORRELATIONS
---------------0.0213 0.1544 -0.0173 0.3802 0.0158 0.0512 -0.1300 0.0043 -0.0401 -0.1161 -0.1149 -0.1503
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
Q 0.03 1.68 1.70 12.02 12.04 12.23 13.50 13.50 13.63 14.70 15.76 17.62
PV -1.00 0.20 0.43 0.01 0.02 0.03 0.04 0.06 0.09 0.10 0.11 0.09
-0.1273 -0.1467 -0.1831 -0.0163 -0.0222 0.0104 -0.0622 -0.0287 0.0708 0.2255 -0.0477 0.0480
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
Q 18.97 20.81 23.73 23.75 23.80 23.81 24.17 24.25 24.75 29.90 30.14 30.38
PV 0.09 0.08 0.05 0.07 0.09 0.12 0.15 0.19 0.21 0.09 0.12 0.14
0.1747 0.1511 0.0177 0.0360 0.0266 -0.0535 -0.0890 -0.0842 -0.0335 -0.0815 -0.0448 -0.0611
SE 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240 0.1240
Q 33.70 36.26 36.29 36.44 36.53 36.89 37.90 38.84 38.99 39.92 40.21 40.77
PV 0.09 0.07 0.09 0.11 0.13 0.15 0.15 0.16 0.18 0.19 0.21 0.23
SQUARED(24)
FORECASTS:
OBS
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
FORECAST
STD ERROR
(TR. SERIES)
101.729
2.54857
101.840
3.12215
100.735
3.57654
101.093
4.03950
113.621
4.41738
94.5291
4.77721
100.287
5.11640
103.888
5.43621
92.8708
5.73617
124.045
6.01282
99.0267
6.28829
84.4524
6.53483
95.5127
7.87720
95.2655
8.67912
91.8299
9.40163
93.2322
10.1117
106.031
10.7372
86.2942
11.3469
91.9109
11.9172
93.5390
12.4634
87.5558
13.0080
116.568
13.4941
90.1219
13.9784
76.4389
14.4474
ACTUAL
RESIDUAL
FORECAST
(ORIGINAL SERIES)
101.729
2.54857
101.840
3.12215
100.735
3.57654
101.093
4.03950
113.621
4.41738
94.5291
4.77721
100.287
5.11640
103.888
5.43621
92.8708
5.73617
124.045
6.01282
99.0267
6.28829
84.4524
6.53483
95.5127
7.87720
95.2655
8.67912
91.8299
9.40163
93.2322
10.1117
106.031
10.7372
86.2942
11.3469
91.9109
11.9172
93.5390
12.4634
87.5558
13.0080
116.568
13.4941
90.1219
13.9784
76.4389
14.4474
STD ERROR
LINEAR SERIES
YEAR
2002
2003
2004
2005
JAN
86.058
91.579
95.272
103.653
FEB
MAR
APR
78.533
83.663
85.590
91.648
84.732
87.359
90.690
97.120
87.438
89.047
93.859
98.327
MAY
JUN
JUL
AUG
SEP
OCT
NOV
DEC
89.319
91.079
96.991
100.110
88.929
89.823
95.288
97.461
94.067 77.648 86.438 93.001 87.430 112.032

95.760 80.371 89.479 97.305 92.521 115.612
98.657 81.467 93.251 99.810 97.127 121.795
100.262 84.357 96.876 103.387 100.380 126.557
69
2006
2007
2008
2009
109.391
111.167
114.097
107.755
94.677 100.748 100.895 105.737 102.253 109.962 95.510 100.403 108.469 105.685 134.929
98.172 106.628 107.629 108.983 109.665 116.842 101.909 107.011 114.513 110.652 139.442
101.608 110.870 110.302 109.463 108.644 120.437 104.149 107.685 110.281 103.120 131.398
93.233

YEAR
2002
2003
2004
2005
2006
2007
2008
2009
70
JAN
FEB
MAR
0.661
1.198
1.621
-1.606
-1.828
0.669
0.661
1.621
-0.767
-0.767
0.010
-0.767
-0.767
-0.767
3.246
-0.767
-1.415
-0.906
1.370
-0.039
1.898
2.321
-2.306
APR
MAY
JUN
1.163 1.198 -1.660

-0.085 1.621 -2.236
0.291 -1.606 0.615
2.275 -1.828 0.252
-2.360 0.669 0.991
-2.936 0.661 1.575
1.315 1.621 -2.236
JUL
AUG
SEP
OCT
NOV
0.669 1.621 -2.236 0.661 1.575

0.661 -0.715 0.463 1.198 -1.660
1.621 -1.828 0.252 -0.715 0.463
-0.715 0.669 0.991 -1.606 0.615
-1.606 0.661 1.575 -1.828 0.252
-1.828 1.198 -1.660 0.669 0.991
0.661 -0.715 0.463 1.198 -1.660
DEC
-1.828
0.669
1.198
1.621
-0.715
-1.606
0.669

105 Efecto Calendario

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

105 Efecto Calendario

Enviado por

Direitos autorais:

Formatos disponíveis

Instituto Aragons de Estadstica (IAEST)

Direccin General de Poltica Econmica

Anlisis del efecto calendario en

Elaborado por Alfredo Peris Beamonte.

Significado del Efecto Calendario y su correccin................................... 32

Modelizacin de series a partir de TramoSeats.

Donde yt representa la parte determinstica del modelo y son los parmetros

Efecto calendario Pascua

Anlisis de Outliers Cambio de Nivel

Si consideramos sbado y domingo como no laborales, as lo plantea TSW en

De esta manera, para marzo 2008:

Y para marzo 2009:

Dit = (n de das tipo i n de domigos ),

Siguiendo a Salinas y Hillmer (1987),

TDt = 1 D1t + 2 D2t + 3 D3t + 4 D4t + 5 D5t + 6 D6t

La variable planteada en TRAMO es:

Pt = (n de das previos al Dom de Pascua que forman parte del mes )

1 si ao es divisible por 4 y NO por 100 salvo que ao es divisible por 400

Estudio de las series econmicas con TSW:

Descripcin de las series

II. Indicador de Actividad del Sector Servicios (base 2005)

III. ndice de Comercio al por Menor (base 2005)

ICM_sin EESS: ORIGINAL SERIES

Clculo de las componentes determinsticas de la serie:

Efecto calendario Pascua

I. ndice de Produccin Industrial (base 2005)

La interpretacin de los resultados indicados es la siguiente:

La opcin RSA=5, presenta un modelo totalmente diferente al anterior, donde:

II. Indicador de Actividad del Sector Servicios (base 2005)

La interpretacin de los resultados indicados es la siguiente:

mite de significatividad a un nivel de confianza del 95%). Pero, y segn la

III. ndice de Comercio al por Menor (base 2005)

La interpretacin de los resultados indicados es la siguiente:

Efectos determinsticos (Deterministic Effect), indican que:

3. Ao Bisiesto (Leap Year), es significativo. LY=3,06546, con una

Clculo de la componente estocstica de la serie, modelo

Efecto calendario Pascua

I. ndice de Produccin Industrial (base 2005)

-6.21043 32.68 1.91 -1.00 0.954

Q-val N-test SK(t) KUR(t)

-0.53479 ( -4.5) -0.38711 ( -3.2)

De este modo el modelo es (2,0,0) x (0,1,1) con los siguiente parmetros:

(1 + 0,53479 L + 0,38711L2 ) xt = (1 + 0,69014 L12 )(1 L12 )ut

En primer lugar se puede ver el grfico de los residuos y su funcin de autocorrelacin:

Se acepta la Hiptesis Nula de la media de los residuos = 0

( CHI-SQUARED(2) ) NT<6 Se acepta la Hiptesis Nula de normalidad

SUM OF SQUARES= 0.9332489E-01

DW pertenece a (1,69711, 2,30289), Se acepta la Hiptesis Nula

STANDARD ERROR= 0.3760337E-01

Adems plantea el Test de Ljung-Box o Portmanteau, para analizar del mismo

32.68 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHI-

Asimismo, analiza si los residuos:

Los resultados son:

II. Indicador de Actividad del Sector Servicios (base 2005)

Q-val N-test SK(t) KUR(t)

1 0.0333031 -6.26709 14.60 0.239 0.028 -0.49

2.22 25.36 -0.37

De este modo el modelo es (0,1,0) x (0,1,1) con los siguiente parmetros:

(1 L) xt = (1 + 0,20222 L12 )(1 L12 )ut

Presentando los resultados de TRAMO los contrastes de hiptesis que muestran

Donde el grfico de la funcin de autocorrelacin del residuo muestra sin ningn

( CHI-SQUARED(2) ) NT<6 Se acepta la Hiptesis Nula de normalidad

SUM OF SQUARES= 0.3216379E-01