Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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.
Z t = yt + xt
t = 1,....., T
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
Bisiesto
Regresores ad hoc
Aditivo
TRAMO
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
Dt = (n L + n M + n X + n J + n V )
5
(n S + n D )
2
Dmarzo 2008 = (5 + 4 + 4 + 4 + 4)
5
(5 + 5) = 4
2
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.
i = lunes a sbado
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
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:
LYt = Bt
Por la que se medir la significatividad e impacto.
12
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.
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
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.
24
36
48
60
72
84
Anlisis de Intervencin
Componente
Determinstico
TRAMO
Bisiesto
Regresores ad hoc
Anlisis de Outliers
Componente
Estocstico
Aditivo
Cambio de Nivel
Cambio Transitorio
MODELO ARIMA
CICLO-TENDENCIA
SEATS
ESTACIONAL
IRREGULAR Y TRANSITORIO
15
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)
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)
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
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.
Efectos determinsticos (Deterministic Effect), indican que:
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
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
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
--------------------------------------------------
20
Anlisis de Intervencin
Componente
Determinstico
TRAMO
Bisiesto
Regresores ad hoc
Anlisis de Outliers
Componente
Estocstico
Aditivo
Cambio de Nivel
Cambio Transitorio
MODELO ARIMA
CICLO-TENDENCIA
SEATS
ESTACIONAL
IRREGULAR Y TRANSITORIO
21
BIC
86 0
2 0 0 0
1 1 0.0376034
QS
Q2
RUNS
0. 8.614 -0.49
ARMA Parameters
PHI1
(t)
PHI2
(t)
PHI3
(t)
- ( -)
BPHI
(t)
- ( -)
TH1
(t)
TH2
- ( -)
(t)
TH3
- ( -)
(t)
- ( -)
BTH
(t)
-0.69014 ( -3.4)
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
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
24
Por tanto, el procedimiento automatizado elegido ajusta el modelo ARIMA logrando que los residuos cumplan las condiciones de ruido blanco.
0 1 0
0 1
BIC
QS
Q2 RUNS
ARMA Parameters
PHI1 (t)
PHI2 (t)
PHI3 (t)
BPHI (t)
TH1 (t)
TH2 (t)
- ( -)
- ( -)
- ( -)
- ( -)
- ( -)
- ( -)
TH3 (t)
BTH
(t)
- ( -) -0.20222 ( -1.3)
[]
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
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
27
Por tanto, existe clara evidencia estadstica para considerar que los residuos
tienen estructura de ruido blanco.
0 1 1 0
1 0
BIC
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
root(3)
root(1)
mod per
0.210
root(2)
mod per
root(3)
mod per
mod per
28
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
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
3. APPROXIMATE TEST OF RUNS ON RESIDUALS
------------------------------------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
24
36
48
60
72
84
32
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
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
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
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
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
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
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
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
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.
24
36
48
60
72
84
41
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
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
42
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
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
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
IASS
ICM
2,1%
1,6%
1,2%
44
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%
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
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 SCCALENDARIO
GRFICO 33
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
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
51
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
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
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
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
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
ESTIMATE
-.53479
-.38711
-.69014
STD ERROR
0.11844
0.12126
0.20567
-4.52
-3.19
-3.36
T RATIO LAG
1
2
12
PERIOD
13
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
0.158E-05
-0.317E-04
-0.124E-03
0.103E-04
0.115E-02
69
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
TEST-STATISTICS ON RESIDUALS
---------------------------MEAN= 0.0056811
ST.DEV.= 0.0043743
OF MEAN
T-VALUE= 1.2987
NORMALITY TEST= 1.911
SKEWNESS= -0.2951
KURTOSIS= 3.5625
( CHI-SQUARED(2) )
( SE = 0.2949 )
( SE = 0.5898 )
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
LJUNG-BOX Q VALUE OF ORDER 24 IS
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
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
JAN
102.067
102.067
99.660
97.310
99.660
102.067
102.067
99.660
FEB
MAR
APR
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
SERIES TITLE=IASS_GENERAL
SINCE LONGER FORECAST FUNCTION IS REQUIRED
BY SEATS, NPRED CHANGED TO (24)
SERIES TITLE=IASS_GENERAL
ORIGINAL SERIES
NUMBER OF OBSERVATIONS: 50
60
DEC
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
MARCH 27
APRIL 16
APRIL 8
MARCH 23
APRIL 12
APRIL 4
APRIL 24
MODEL PARAMETERS
---------------MQ= 12
IMEAN= 1 LAM= -1 D= 1
BD= 1
P= 0
BP= 0
Q= 1
BQ= 1 IREG= 0
ITRAD= 7 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= 50 RSA= 5 SEATS= 2
VA= 3.00
TOL= 0.100E-03
PC= 0.120E+00
NOADMISS= 1 BIAS= 1
SMTR= 0
THTR= -0.400 RMOD= 0.500 MAXBIAS= 0.500
TH =
-0.10
BTH =
-0.10
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
NO OUTLIERS DETECTED
METHOD OF ESTIMATION: EXACT MAXIMUM LIKELIHOOD
PARAMETER
MA2 1
ESTIMATE
-.20222
STD ERROR
0.16100
-1.26
T RATIO LAG
12
62
VALUE
-.77355E-02
0.15115E-01
0.38494E-02
-.92684E-03
0.26214E-02
0.91183E-02
-.61286E-01
PERIOD
-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
0.0545
-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
TEST-STATISTICS ON RESIDUALS
---------------------------MEAN= -0.0076458
ST.DEV.= 0.0058128
OF MEAN
T-VALUE= -1.3153
NORMALITY TEST= 0.2390
SKEWNESS= 0.0124
KURTOSIS= 2.5635
( CHI-SQUARED(2) )
( SE = 0.4472 )
( SE = 0.8944 )
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
LJUNG-BOX Q VALUE OF ORDER 24 IS 14.60 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHISQUARED(23)
THE PIERCE QS VALUE IS 2.22 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHI-SQUARED(2)
PARTIAL AUTOCORRELATIONS
---------------------
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
APPROXIMATE TEST OF RUNS ON RESIDUALS
------------------------------------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
LJUNG-BOX Q VALUE OF ORDER 24 IS
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
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
NOV
DEC
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
MODEL PARAMETERS
---------------MQ= 12
IMEAN= 1 LAM= -1 D= 1
BD= 1
P= 0
BP= 0
Q= 1
BQ= 1 IREG= 0
ITRAD= 7 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= 5 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
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
METHOD OF ESTIMATION: EXACT MAXIMUM LIKELIHOOD
PARAMETER
MA1 1
ESTIMATE
-.20788
STD ERROR
0.11448
-1.82
T RATIO LAG
1
PERIOD
VALUE
0.54119E-01
0.40838
(
0.20693
(
0.45560E-01
0.94543
(
0.62972
(
3.0670
(
-1.4001
(
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
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
TEST-STATISTICS ON RESIDUALS
---------------------------MEAN= -0.2143845
ST.DEV.= 0.2828799
OF MEAN
T-VALUE= -0.7579
NORMALITY TEST= 2.148
SKEWNESS= -0.3654
KURTOSIS= 3.5092
( CHI-SQUARED(2) )
( SE = 0.3038 )
( SE = 0.6076 )
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
LJUNG-BOX Q VALUE OF ORDER 24 IS 14.71 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHISQUARED(23)
THE PIERCE QS VALUE IS 0.94 AND IF RESIDUALS ARE RANDOM IT SHOULD BE DISTRIBUTED AS CHI-SQUARED(2)
PARTIAL AUTOCORRELATIONS
---------------------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
APPROXIMATE TEST OF RUNS ON RESIDUALS
------------------------------------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
LJUNG-BOX Q VALUE OF ORDER 24 IS
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
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
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
JUL
AUG
SEP
OCT
NOV
DEC
-1.828
0.669
1.198
1.621
-0.715
-1.606
0.669