Análisis descriptivo de series

temporales aplicadas al precio medio

de la vivienda en España
*
Justo Puerto Marı́a Paz Rivera

MaMaEuSch**
Management Mathematics for European Schools
94342 - CP - 1 - 2001 - DE - COMENIUS - C21

*
Universidad de Sevilla
**
Este proyecto ha sido desarrollado con ayuda parcial de la Unión Europea dentro del marco del pro-
grama Sócrates. El contenido no refleja necesariamente la posición de la Unión Europea ni implica ninguna
responsabilidad por parte de la Unión Europea.

0
1. Series temporales
Llamamos serie temporal, cronológica, histórica o de tiempo a una sucesión de observa-
ciones cuantitativas de un fenómeno en el tiempo. Interesa su estudio porque permite analizar
la evolución que en el transcurso del tiempo ha experimentado una variable, tanto para con-
struir un modelo descriptivo de la historia del fenómeno, como para predecir sus valores
futuros mediante métodos de alisado (que no estudiaremos en este trabajo).
Es importante entender que, en una serie temporal es esencial la ordenación que el tiempo
induce en los datos, de forma que cada observación deberá estar asociada a un determinado
periodo. Luego, en esencia, una serie temporal es una distribución de frecuencias bidimensional
(t, yt ) donde la variable endógena o dependiente yt es la magnitud en estudio, y la exógena
o independiente es el tiempo t. Pero, sólo existe una variable yt que constituye lo que se
conoce como modelo univariante de serie temporal que se autoexplica por su propio pasado,
no existiendo ninguna variable explicativa o exógena que nos permita establecer una relación
causa-efecto como sucede en la regresión y correlación. Se estudia el pasado histórico de yt (sus
componentes) de forma descriptiva y, bajo el supuesto de que su estructura va a permanecer
constante, se hacen predicciones para el futuro. Ası́ serán series temporales las ventas de una
empresa en cada uno de los últimos diez años, los costes financieros, la renta disponible de
los clientes potenciales, etc.
Todo análisis de series temporales ha de iniciarse con una representación gráfica de la
misma, utilizando los ejes cartesianos, de forma que en el eje de abcisas representaremos el
tiempo y en el de ordenadas, la serie observada yt , con lo que obtendremos una serie de puntos
(t, yt ) que, al unirlos, nos dan un impacto gráfico de la serie del que se pueden sacar unas
primeras conclusiones de la evolución histórica de la misma.
Antes de proseguir hemos de tener en cuenta el carácter de introducción que pretende
tener este trabajo. Intentar explicar la evolución de una variable económica a partir del simple
paso del tiempo, es algo que no nos permite ir más allá de un mero estudio descriptivo de
unos datos concretos en un intervalo de tiempo concreto. Un análisis más profundo de la
evolución temporal de una variable, tanto a partir de los valores de otra que presumiblemente
influye en ella, como de su propia historia (según sus hábitos adquiridos, tal y como sucede
con el consumo, o según capacidad máxima, caso de la producción), requiere técnicas de
análisis mucho más perfeccionadas que las que vamos a exponer a continuación, que se han de
interpretar simplemente como una primera aproximación descriptiva a las técnicas rigurosas
de análisis de series temporales que actualmente se están utilizando.

1
1.1. Componentes de una serie temporal
En el estudio clásico de las series temporales se considera que la magnitud estudiada,
en un determinado valor y en un determinado periodo, es consecuencia de la actuación de
cuatro componentes o fuerzas, la tendencia, las variaciones cı́clicas, las variaciones
estacionales y las variaciones accidentales. Vamos a definirlas.

Tendencia (T): es una componente de la serie que refleja su evolución a largo plazo.
Este largo plazo será distinto según sea la naturaleza de la serie, pero cuántos más
periodos se tengan mejor será el análisis. Esta componente, en el conjunto de toda la
serie, puede ser de naturaleza estacionaria o constante (se representa por una paralela
al eje de abcisas), de naturaleza lineal, de naturaleza exponencial, u otras posibilidades.

Las variaciones cı́clicas (C): es una componente de la serie que recoge las oscila-
ciones periódicas de amplitud superior a un año. Estas oscilaciones no son regulares y
se presentan en los fenómenos económicos cuando se dan de forma alternativa etapas
de prosperidad o de depresión. Normalmente, en una serie económica se superponen
distintos ciclos de esta clase, lo que hace que en la práctica ésta sea la componente más
difı́cil de determinar. Como es natural, cuanto mayor sea el periodo de un ciclo que
afecta a nuestra variable, mayor ha de ser el número de observaciones para que aquel
sea reconocible.

Las variaciones estacionarias (E): es una componente de la serie que recoge os-
cilaciones que se producen en periodos de repetición iguales o inferiores a un año. Su
nombre proviene precisamente de las estaciones climatológicas. Si se considera el año
como periodo marco, de repetición pueden observarse las fluctuaciones de la magnitud a
lo largo de sus meses, trimestres, cuatrimestres, etc. Ası́ como si tomamos como periodo
de repetición el mes, podrı́amos observar las fluctuaciones de la magnitud en sus distin-
tos dı́as, semanas, etc. El origen de las variaciones estacionales puede estar en factores
fı́sico-naturales, como son las estaciones climatológicas, o en factores culturales y de
tradición, como son las fiestas navideñas, las vacaciones, los horarios comerciales, etc.
El clima afecta a la venta de una serie de productos, los helados y refrescos se venderán
fundamentalmente en verano y la ropa de abrigo en invierno.

Las variaciones accidentales (A): es una componente de la serie temporal que recoge
las fluctuaciones erráticas que se dan por la ocurrencia de fenómenos imprevisibles, que
afectan a la variable en estudio de manera esporádica y no permanente (un pedido
extraordinario a una empresa, una huelga, una catástrofe, etc). También reciben el
nombre de variaciones irregulares, residuales o erráticas.

2
1.2. Hipótesis de estudio
Ahora cabe hacerse una pregunta básica: ¿Cómo actúan las cuatro componentes para que
den como resultado los distintos valores de la serie observada? En el estudio clásico de las
series temporales se han manejado dos hipótesis de trabajo:
1. Los valores observados de cualquier serie temporal son el resultado de la suma de las
cuatro componentes:
yt = Tt + Ct + Et + At .
Esta expresión se conoce con el nombre de esquema o hipótesis aditiva.

2. Los valores observados de cualquier serie temporal son el resultado de la multiplicación

de las cuatro componentes:
yt = Tt ∗ Ct ∗ Et ∗ At .
Esta expresión admite variantes para recoger el supuesto de que la componente acciden-
tal o errática es independiente de las demás y no sigue ninguna regularidad periódica
como ocurre con las otras. Esta independencia implica que la componente A aparece de
forma aditiva:
yt = Tt ∗ Ct ∗ Et + At .

¿Cómo decidiremos que hipótesis seguir?

Para resolver el problema de cual debe ser el esquema o hipótesis a utilizar en cada caso,
habrá que efectuar un análisis previo de la serie. Una forma analı́tica de determinar el esquema
de trabajo más adecuado se consigue mediante el método de las diferencias y cocientes
estacionales. Veamos que entendemos por diferencia y cociente estacional:
La diferencia estacional se obtiene como diferencia entre dos datos de años consecutivos,
pero de la misma estación. La notaremos como dt,i .

dt,i = yt,i − yt−1,i .

El cociente estacional se calcula por división entre dos datos de años consecutivos, pero
de la misma estación. La notaremos como ct,i .

ct,i = yt,i /yt−1,i .

donde yt,i = valor de la serie en el año t, en la estación i.

Una vez aclarados los conceptos de diferencia y cociente estacional vamos a explicar los pasos
que habrı́a que seguir para la aplicación de este método.

3
 1. Cálculo de todos los cocientes y diferencias estacionales. Lógicamente, en este cálculo
perderı́amos las observaciones correspondientes a un año.

2. Obtención del coeficiente de variación (CV) para las diferencias y cocientes estacionales
dados por las siguientes expresiones:
 
 Desviación tı́pica(d) 
CV (d) =  ,
media(d) 

 
 Desviación tı́pica(c) 
CV (c) = 
 .
media(c) 

3. Aplicar la siguiente regla de decisión:

Si CV (c) > CV (d) elegirı́amos el modelo aditivo.
Si CV (c) ≤ CV (d) elegirı́amos el modelo multiplicativo.

La obtención de las diferencias estacionales equivale a tomar la serie de incrementos inter-

anuales. Los cocientes estacionales, sin embargo, tienen más que ver con la serie de crecimiento.
Por lo tanto lo que implı́citamente se está diciendo es que, si el crecimiento interanual para
cada estación tiene menor variabilidad que en términos de incrementos, esto indicarı́a una
asociación multiplicativa entre tendencia y estacionalidad. Si sucediera lo contrario serı́a más
plausible la hipótesis aditiva.

Nota histórica; Los primeros análisis de series económicas temporales aplicaron los instru-
mentos que surgieron en el ámbito de la astronomı́a y de la meteorologı́a en el siglo XVII,
cuando los estudiosos de las órbitas planetarias introdujeron la posibilidad de diferenciar entre
los distintos tipos de movimientos que aparecen en las series de datos, que reflejan cualquier
tipo de fenómeno fı́sico. Esta diferenciación se plasmó en una nueva idea para el tratamiento
de series temporales, basada en que toda serie es el resultado de la agregación de cuatro com-
ponentes denominados no observados, y que podrı́an estudiarse por separado. Este enfoque,
que comenzó a aplicarse en economı́a aproximadamente a mediados del siglo XIX, en la actu-
alidad se conoce como el enfoque clásico de las series temporales, y supuso el punto de partida
de todo el análisis posterior de este tipo de datos económicos.

4
2. Serie del precio medio del metro cuadrado de la
vivienda
La vivienda es un componente fundamental de la riqueza de las familias. En España el valor
de las viviendas supone en torno a 2/3 de la riqueza total de las familias y sirve de garantı́a a
casi 1/3 de los activos totales de las entidades de crédito españolas. El primer problema al que
hay que enfrentarse al analizar el precio de la vivienda es su propia definición. La vivienda
no es un bien homogéneo, sino que varı́a en función de su localización, tamaño, estructura
(viviendas unifamiliares, bloques de viviendas...), calidad de la construcción, etc. Además,
las caracterı́sticas de las viviendas existentes varı́an en el tiempo. En este trabajo, la fuente
de información utilizada para estudiar el precio medio de la vivienda ha sido elaborada por
el Ministerio de Fomento, a partir de las tasaciones realizadas por diversas sociedades de
tasaciones de todo el territorio español.
Desde 1976, el precio medio de las viviendas españolas se ha multiplicado por 16 en
términos nominales y duplicado en términos reales.
Esta estadı́stica incluye datos trimestrales desde el primer trimestre de 1987, y se dis-
tinguen las viviendas por;
Antigüedad; se refiere a la fecha en la que fueron terminadas o a la correspondiente a
la última gran rehabilitación.
Situación geográfica; factores como la intensidad de la demanda de la vivienda, los
diferentes submercados, la mayor o menor oferta, las distintas tipologı́as de la vivienda,
ası́ como la segregación social del territorio, determinan que las diferencias de precios
sean muy importantes.
Superficie construida; se entiende por superficie útil la del suelo de la vivienda cerrada
por el perı́metro definido por la cara interior de sus cerramientos con el exterior o con
otras viviendas locales de cualquier uso, incluyendo la superficie del suelo de los espacios
exteriores de uso privativo de la vivienda. A mayor superficie de vivienda más barato
costará el metro cuadrado.
Para la obtención de los precios medios se procede en dos fases:
En primer lugar, se calculan los precios medios por m2 de las viviendas de las que se ha
recibido información de una antigüedad determinada y que pertenecen al mismo código
postal. El precio medio se obtiene como media aritmética simple de los precios individ-
uales correspondientes a cada tramo de antigüedad. En el caso de los municipios con
más de un código postal, el precio medio municipal se calcula como la media aritmética
simple de los precios medios por código postal.

5
 En segundo lugar, los precios medios por m2 por municipio se ponderan por la población.

Para consultar la metodologı́a llevada a cabo en este estudio, consulten la página web del
Ministerio español de fomento http://www.mfom.es
En primer lugar, tenemos que ver a qué tipo de hipótesis se ajusta nuestro modelo. Para
ello según lo visto en la sección 1.2, calcularemos las series del cociente y de las diferencias
entre dos observaciones consecutivas de la misma estación.
En la tabla 1 se ve la serie de los precios medios del metro cuadrado desde Enero de 1987
hasta Octubre del 2003, estos datos han sido suministrados por el Ministerio de Fomento.

6
Años Precio metro cuadrado Diferencia estacional Cociente estacional
1987 1T 289,89
2T 308,64
3T 324,99
4T 345,55
1988 1T 369,13 79,24 1,27
2T 389,79 81,15 1,26
3T 404,39 79,40 1,24
4T 423,12 77,57 1,22
1989 1T 456,58 87,45 1,24
2T 480,17 90,38 1,23
3T 502,72 98,33 1,24
4T 516,43 93,31 1,22
1990 1T 550,40 93,82 1,21
2T 559,73 79,56 1,17
3T 570,77 68,05 1,14
4T 580,60 64,17 1,12
1991 1T 613,42 63,02 1,11
2T 637,90 78,17 1,14
3T 652,80 82,03 1,14
4T 681,23 100,63 1,17
1992 1T 650,49 37,07 1,06
2T 635,70 -2,20 1,00
3T 633,78 -19,02 0,97
4T 630,72 -50,51 0,93
1993 1T 625,44 -25,05 0,96
2T 634,83 -0,87 1,00
3T 639,69 5,91 1,01
4T 640,61 9,89 1,02
1994 1T 634,72 9,28 1,01
2T 636,80 1,97 1,00
3T 644,36 4,67 1,01
4T 642,63 2,02 1,00
1995 1T 652,92 18,20 1,03
2T 661,06 24,26 1,04
3T 665,46 21,10 1,03
4T 667,47 24,84 1,04

7
Años Precio metro cuadrado Diferencia estacional Cociente estacional
1996 1T 669,98 17,06 1,03
2T 674,79 13,73 1,02
3T 675,18 9,72 1,01
4T 676,45 8,98 1,01
1997 1T 677,74 7,76 1,01
2T 683,06 8,27 1,01
3T 686,64 11,46 1,02
4T 691,78 15,33 1,02
1998 1T 694,34 16,60 1,02
2T 709,66 26,60 1,04
3T 723,95 37,31 1,05
4T 738,58 46,80 1,07
1999 1T 755,21 60,87 1,09
2T 780,25 70,59 1,10
3T 803,89 79,94 1,11
4T 829,81 91,23 1,12
2000 1T 857,25 102,04 1,14
2T 891,76 111,51 1,14
3T 926,36 122,47 1,15
4T 953,42 123,61 1,15
2001 1T 994,50 137,25 1,16
2T 1.030,77 139,01 1,16
3T 1.065,78 139,42 1,15
4T 1.096,57 143,15 1,15
2002 1T 1.148,23 153,73 1,15
2T 1.193,66 162,89 1,16
3T 1.254,09 188,31 1,18
4T 1.287,73 191,16 1,17
2003 1T 1.349,11 200,88 1,17
2T 1.402,57 208,91 1,18
3T 1.450,60 196,51 1,16
varianza 3.865,50 0,01
desv.tı́pica 62.17 0,09
media 128,36 1,10
desv.tı́pica/media 0.4843 0,0788

Cuadro 1: Método de las diferencias y cocientes estacionales

8
  
Como podemos observar, el coeficiente de variación (coef.variación=varianza/media) del
cociente es menor que el coeficiente de variación de las diferencias, por lo tanto nos encon-
tramos con un modelo de serie temporal sujeta a la hipótesis multiplicativa.
Para el cálculo de estas diferencias y cocientes estacionales, como ya mencionamos anterior-
mente, tomaremos la observación en una estación determinada y las restaremos o dividiremos
respectivamente con su observación anterior, por lo tanto para el año 1987 no podremos cal-
cular dichos coeficientes (pues necesitarı́amos los datos del año 1986). Y en los restantes casos
su cálculo será el siguiente,
Año Diferencia estacional Cociente estacional
1988-1T 369,13-289,89=79,24 369,13/289,89=1,27
1988-2T 389,79-308,79=81,15 389,79/308,79=1,26
1988-3T 404,39-324,99=79,40 404,39/324,99=1,24
1988-4T 423,12-345,55=77,57 423,12/345,55=1,22

Pasemos ahora al cálculo de cada una de las componentes de la serie. Para ello hay que
tener en cuenta que existen diversos métodos para su cálculo. En este trabajo nos limitaremos
a métodos clásicos y sencillos de descomposición de series temporales.

2.1. Cálculo de la tendencia

Necesitamos:

1. Hallar la serie desestacionalizada:

Tomemos una media móvil centrada de la serie, de periodicidad anual, que deno-
minaremos M Mt . La media móvil es una serie amortiguada o suavizada obtenida
por el cálculo reiterado de valores medios. Su cálculo es el siguiente:
• Partimos de la serie temporal observada yt .
• Se obtienen sucesivas medias aritméticas para cada yt con un número de ob-
servaciones anteriores y posteriores que se ha fijado de antemano (en nuestro
caso tomaremos cuatro, pues los datos son dados por trimestres). Si el número
de observaciones utilizado es impar, la media y t (está centrada) coincide con
el periodo t. Si el número utilizado es par la y t no coincide con el periodo t
(esta descentrada) y hay que volver calcular una nueva media aritmética y t
utilizando los y t , con lo que se obtiene una serie de medias móviles centradas
con los periodos de tiempo.

9
 Ya hemos dicho que en nuestro caso tomaremos 4 observaciones, i.e., su cálculo
es el siguiente;
y1 + y2 + y3 + y4 289,89 + 308,64 + 324,99 + 345,55
y 2,5 = = = 317,27,
4 4
y2 + y3 + y4 + y5 308,64 + 324,99 + 345,55 + 369,13
y 3,5 = = = 337,08,
4 4
y3 + y4 + y5 + y6 324,99 + 345,55 + 369,13 + 389,79
y 4,5 = = = 357,37,
4 4
y4 + y5 + y6 + y7 345,55 + 369,13 + 389,79 + 404,39
y 5,5 = = = 377,22.
4 4
Puede verse que dichas medias se corresponden con periodos ficticios, que
0
no existen en la serie observada que son t = 2,5; 3,5; 4,5; 5,5. O sea que la
media aritmética 317.27 corresponde a un periodo irreal que está justo entre
0
el periodo dos y el tres, la segunda 337.08 está en t = 3,5, que está entre el
tres y el cuarto, etc. Para centrar estas medias con los periodos reales de las
observaciones se vuelven a promediar los valores y t0 dos a dos, obteniéndose la
serie y t que está centrada en los periodos observados t:
y 2,5 + y 3,5 317,27 + 337,08
y3 = = = 327,17,
2 2
y 3,5 + y 4,5 337,08 + 357,37
y4 = = = 347,22,
2 2
y 2,5 + y 3,5 357,37 + 377,22
y5 = = = 367,29.
2 2
De esa forma calcularemos la media móvil (MMA) de la serie original. Hemos
de tener en cuenta que, según este método, perderemos las dos primeras y las
dos últimas observaciones. (Véase en la tercera columna de la 2)
Al ser anual, habremos eliminado en gran parte la componente estacional, y tam-
bién la accidental, ya que al agregar las observaciones de un año, se compensarán
valores positivos y negativos de esta última componente, por lo que M Mt puede
interpretarse como el producto de las componentes tendencial y cı́clica: Tt ∗ Ct . Por
tanto el cociente de la serie original entre su media móvil, i.e., yt /M Mt (véase en
la cuarta columna de la tabla 2), es un porcentaje tomando valores alrededor de
1, que contiene información acerca de las componentes estacional y accidental.

10
Con objeto de eliminar la componente accidental, se calculan las medias aritméticas
a nivel de cada estación de yt /M Mt (en nuestro caso de todos los trimestres, ası́ que
serán 4, M1 , M2 , M3 , M4 ). Estas medias representan de forma aislada la impor-
tancia de la componente estacional. En nuestro caso tenemos;
1,005 + 1,0071 + 1,0177 + · · · + 1,0009
M1 = = 0,99955,
16
1,074 + 1,006 + 1,0043 + · · · + 0,9972
M2 = = 1,00080,
15
0,9933 + 0,9923 + 1,004 + · · · + 1,0065
M3 = = 1,00030,
16
0,9952 + 0,9845 + 0,9886 + · · · + 0,9927
M4 = = 0,9974.
16
Obtención de los ı́ndices de variación estacional: se calcula la media aritmética
anual M A de las medias estacionales, i.e.
M1 + M2 + M3 + M4 0,99955 + 1,00080 + 1,00030 + 0,9974
MA = = = 0,99951,
4 4
que será la base de los ı́ndices de variación estacional expresados en porcentaje:
M1 0,99955
I1 = ∗ 100 = · 100 = 100,004,
MA 0,99951
M2 1,0008
I2 = ∗ 100 = · 100 = 100,128,
MA 0,99951
M3 1,00030
I3 = ∗ 100 = · 100 = 100,079,
MA 0,99951
M4 0,9974
I4 = ∗ 100 = · 100 = 99,789.
MA 0,99951
Si obtenemos un ı́ndice del 80 % quiere decir que por el mero hecho de ser una
estación, la magnitud en estudio es un 20 % más baja que su tendencia media. En
nuestro caso, observamos que estos ı́ndices estacionales son prácticamente insignifi-
cantes, esto quiere decir que el precio medio de la vivienda tiene un comportamiento
similar en todas sus estaciones, es decir, no se contemplan fuertes subidas o bajadas
de precio según la estación en la que nos encontremos.

11
 Por último una vez obtenidos los ı́ndices de variación estacional puede desesta-
cionalizarse la serie observada dividiendo cada valor de la correspondiente estación
por su ı́ndice correspondiente, expresados en tantos por uno (véase en la quinta
columna de la tabla 2).

2. Estimar un modelo de regresión lineal de esta versión desestacionalizada de la serie, ytd

y obtendremos ası́ la tendencia de la serie.
En nuestro caso trataremos con el ajuste lineal mediante el método de los mı́nimos
cuadrados. Consiste en minimizar la suma de los cuadrados de las diferencias entre
valores observados en los distintos periodos y los estimados por la ecuación de la recta:

yt = a + bt,

siendo las ecuaciones normales:

n
X n
X
yt = na + b t, (1)
t=1 t=1

n
X n
X n
X
tyt = a t+b t2 , (2)
t=1 t=1 t=1

donde n es el número total de observaciones, que coincide con el número de periodos de

tiempo.
El sistema de ecuaciones normales 2 se simplifica efectuando un cambio de variable
0
t = t − Ot si el número de periodos es impar (como es nuestro caso, ya que tenemos el
estudio en 17 años, tomaremos Ot = 1995), siendo Ot el valor que ocupa el lugar central
de la
Pserie 0de instantes o periodos t. Haciendo este cambio de variables el sistema 2, al
ser nt0 =1 t = 0, queda reducido a:
n
X
yt = na,
t=1

n n
0
X X
yt t = b t2 .
t=1 t=1

Despejando los parámetros de la recta que son las incógnitas del sistema queda:
Pn
yt
a = t=1 , (3)
n

12
 Pn 0
t=1 yt t
b= Pn 02 , (4)
t0 =1 t

que nos permite establecer la recta estimada como:

0
yt = a + bt ,

y deshaciendo el cambio de variables tendremos la ecuación que nos da la recta de

regresión:
yt = a + b(t − Ot ).
Cuando las observaciones estén dadas en periodos inferiores al año (como es nuestro caso,
periodos trimestrales), antes de hacer el ajuste conviene calcular las medias anuales para
eliminar la componente estacional que nos puede distorsionar el resultado.
Una vez ajustada la recta de regresión a la nube de observaciones, es importante disponer
de una medida de la bondad del ajuste realizado y que permita decidir si el ajuste lineal
es suficiente o se deben buscar modelos alternativos. Como medida de bondad del ajuste
se utiliza el coeficiente de determinación, definido como sigue

2(St0 yt )2
R = 2 2 .
St0 Syt

0
Donde St20 yt es la covarianza entre la variable t y yt , es decir,

N
1 X 0
St0 yt = t yti − t0 · yt .
N i=1 i
0
Y tanto St20 como Sy2t representan las varianzas marginales de t y de yt respectivamente.
Que se calculan según las siguientes fórmulas;
N
1 X 2
Sy2t = yti − (yt )2 ,
N i=1

N
1 X 0 2
St20 = (ti ) − (t0 )2 .
N i=1

Este coeficiente es un número entre -1 y 1, la fiabilidad del modelo será mejor cuanto
más se acerque a 1 en caso de existencia de correlación positiva, y a -1 en caso de
correlación negativa.

13
 Siguiendo los pasos explicados obtendrı́amos con nuestra serie los siguientes resultados;

a = 731,27 b = 50,10.
La recta de regresión de la serie desestacionalizada es la siguiente:

yt = 731,27 + 50,10(t − 1995) = 50,10t − 99222,45,

con un coeficiente de determinación

1445887,84
R2 = = 0,83.
24 · 72629,06

(En la sección 4.1 se verá un cálculo más detallado sobre la recta de regresión, mediante el
método de los mı́nimos cuadrados.)
Con lo cual la tendencia tomará los valores expresados en la tabla 2;

14
Años Precio medio MMA yt /MMA Serie.desest Tendencia
1987 1T 289,89 289,880 325,96
2T 308,64 308,244 338,485
3T 324,99 327,17 0,99333 324,735 351,01
4T 345,55 347,22 0,99519 346,279 363,535
1988 1T 369,13 367,29 1,00501 369,117 376,06
2T 389,79 386,91 1,00744 389,290 388,585
3T 404,39 407,54 0,99227 404,073 401,11
4T 423,12 429,77 0,98453 424,013 413,635
1989 1T 456,58 453,36 1,00711 456,564 426,16
2T 480,17 477,31 1,00599 479,554 438,685
3T 502,72 500,70 1,00403 502,326 451,21
4T 516,43 522,38 0,98862 517,520 463,735
1990 1T 550,40 540,83 1,01770 550,380 476,26
2T 559,73 557,35 1,00426 559,012 488,785
3T 570,77 573,25 0,99567 570,322 501,31
4T 580,60 590,90 0,98257 581,825 513,835
1991 1T 613,42 610,93 1,00408 613,398 526,36
2T 637,90 633,76 1,00653 637,082 538,885
3T 652,80 650,97 1,00281 652,288 551,41
4T 681,23 655,33 1,03952 682,668 563,935
1992 1T 650,49 652,68 0,99665 650,467 576,46
2T 635,70 643,99 0,98713 634,885 588,985
3T 633,78 634,54 0,99880 633,283 601,51
4T 630,72 631,30 0,99908 632,051 614,035
1993 1T 625,44 631,93 0,98973 625,417 626,56
2T 634,83 633,91 1,00146 634,016 639,085
3T 639,69 636,30 1,00532 639,188 651,61
4T 640,61 637,71 1,00455 641,962 664,135
1994 1T 634,72 638,54 0,99402 634,697 676,66
2T 636,80 639,38 0,99597 635,983 689,185
3T 644,36 641,90 1,00383 643,854 701,71
4T 642,63 647,21 0,99292 643,986 714,235
1995 1T 652,92 652,88 1,00006 652,896 726,76
2T 661,06 658,62 1,00370 660,212 739,285
3T 665,46 663,86 1,00241 664,938 751,81
4T 667,47 667,71 0,99964 668,878 764,335

15
Años Precio medio MMA yt /MMA Serie.desest Tendencia
1996 1T 669,98 670,64 0,99902 669,956 776,86
2T 674,79 672,98 1,00269 673,924 789,385
3T 675,18 675,07 1,00016 674,650 801,91
4T 676,45 677,07 0,99908 677,877 814,435
1997 1T 677,74 679,54 0,99735 677,716 826,96
2T 683,06 682,89 1,00025 682,184 839,485
3T 686,64 686,88 0,99965 686,101 852,01
4T 691,78 692,28 0,99928 693,240 864,535
1998 1T 694,34 700,27 0,99153 694,315 877,06
2T 709,66 710,78 0,99842 708,750 889,585
3T 723,95 724,24 0,99960 723,382 902,11
4T 738,58 740,67 0,99717 740,139 914,635
1999 1T 755,21 759,49 0,99436 755,183 927,16
2T 780,25 780,89 0,99919 779,249 939,685
3T 803,89 805,05 0,99857 803,259 952,21
4T 829,81 831,74 0,99768 831,561 964,735
2000 1T 857,25 860,99 0,99566 857,219 977,26
2T 891,76 891,75 1,00002 890,616 989,785
3T 926,36 924,35 1,00217 925,633 1002,31
4T 953,42 958,89 0,99430 955,432 1014,835
2001 1T 994,50 993,69 1,00082 994,464 1027,36
2T 1.030,77 1.029,01 1,00171 1029,448 1039,885
3T 1.065,78 1.066,12 0,99968 1064,944 1052,41
4T 1.096,57 1.105,70 0,99174 1098,884 1064,935
2002 1T 1.148,23 1.149,60 0,99881 1148,189 1077,46
2T 1.193,66 1.197,03 0,99718 1192,129 1089,985
3T 1.254,09 1.246,04 1,00646 1253,106 1102,51
4T 1.287,73 1.297,26 0,99265 1290,447 1115,035
2003 1T 1.349,11 1.347,94 1,00087 1349,061 1127,56
2T 1.402,57 1400,771 1140,085
3T 1.450,60 1449,462 1152,61

Cuadro 2: Cálculo de la tendencia

16
2.2. Cálculo de la componente cı́clica
Se calcula el cociente de la serie desestacionalizada, ytd , entre la tendencia, Tt , y se
obtiene ası́ el producto de las componentes cı́clica y accidental, Ct ∗ At . Al ser ytd y Tt
series compatibles en magnitud, el producto Wt = Ct ∗ At tiene forma de porcentaje,
tomando valores alrededor de la unidad.

Finalmente para separar la componente cı́clica, se calcula la media móvil de la serie Wt

y obtendremos como resultado una estimación de la componente cı́clica.

La tabla 3 recoge los resultados del cálculo de la componente cı́clica en porcentajes, estos
cálculos son los mismos que los realizados para el cálculo de la media móvil de la serie original.

Años serie desest./tendencia= Media móvil Media móvil segunda

Ct*At primera de Ct*At*100 =
de Ct*At comp.cı́clica, Ct ( %)
1987 1T 0,889368928
2T 0,910638004 0,919410849
3T 0,925124174 0,942469 93,09399243
4T 0,952512289 0,965257551 95,38632755
1988 1T 0,981601533 0,985817515 97,55375329
2T 1,001792208 1,003956158 99,48868364
3T 1,007364029 1,026409219 101,5182689
4T 1,025066862 1,049245815 103,7827517
1989 1T 1,071413778 1,075720041 106,2482928
2T 1,093138591 1,098442605 108,7081323
3T 1,113260931 1,119515645 110,8979125
4T 1,11595712 1,132143872 112,5829758
1990 1T 1,155705938 1,138238271 113,5191071
2T 1,143651498 1,142322531 114,0280401
3T 1,137638527 1,144754813 114,3538672
4T 1,132294162 1,154390945 114,9572879
1991 1T 1,165435064 1,165711078 116,0051011
2T 1,182196027 1,185266608 117,5488843
3T 1,182919058 1,176021741 118,0644174
4T 1,210516283 1,149949281 116,2985511

17
Años serie desest./tendencia= Media móvil Media móvil segunda
Ct*At primera de Ct*At*100 =
de Ct*At comp.cı́clica, Ct ( %)
1992 1T 1,128455595 1,117419106 113,3684194
2T 1,077906188 1,072119434 109,476927
3T 1,052798359 1,039566136 105,5842785
4T 1,029317593 1,018101087 102,8833611
1993 1T 0,998242404 1,000130228 100,9115657
2T 0,99204599 0,984448868 99,22895478
3T 0,980914924 0,969400075 97,69244712
4T 0,966592153 0,952084668 96,07423711
1994 1T 0,938047231 0,936238519 94,41615932
1994 2T 0,922784363 0,919996648 92,81175836
3T 0,917530328 0,910091171 91,50439095
4T 0,901624672 0,902650485 90,63708277
1995 1T 0,898425319 0,894375359 89,85129217
2T 0,89302162 0,887742296 89,10588275
3T 0,884429823 0,878747562 88,32449292
4T 0,875092423 0,868920831 87,38341965
1996 1T 0,862446383 0,858134778 86,35278043
2T 0,853714694 0,84743921 85,27869939
3T 0,841285611 0,836722751 84,20809806
4T 0,832310152 0,826445052 83,15839018
1997 1T 0,819580548 0,817437631 82,19413414
2T 0,812603899 0,809821766 81,3629698
3T 0,805255924 0,80284947 80,63356175
4T 0,801846692 0,798873975 80,08617223
1998 1T 0,791691364 0,798025016 79,84494953
2T 0,79670192 0,799863237 79,89441261
3T 0,801860086 0,805581799 80,27225178
4T 0,809199576 0,813718337 80,9650068
1999 1T 0,814565613 0,824142068 81,89302027
2T 0,829248074 0,837326933 83,07345005
3T 0,84355501 0,852991475 84,51592042
4T 0,861939035 0,870626411 86,18089434

18
 Años serie desest./tendencia= Media móvil Media móvil segunda
Ct*At primera de Ct*At*100 =
de Ct*At comp.cı́clica, Ct ( %)
2000 1T 0,877223783 0,89060753 88,06169706
2T 0,899787817 0,910483906 90,05457179
3T 0,923479484 0,933188996 92,1836451
4T 0,941444539 0,955727368 94,44581819
2001 1T 0,968044144 0,977829308 96,67783377
2T 0,989941304 1,000432224 98,91307656
3T 1,011887244 1,024849742 101,2640983
4T 1,031856203 1,050786203 103,7817973
2002 1T 1,065714219 1,081956565 106,6371384
2T 1,093687146 1,113315036 109,76358
3T 1,136568692 1,146017008 112,9666022
4T 1,157290088
2003 1T 1,196522108

Cuadro 3: Cálculo de la componente cı́clica

2.3. Cálculo de la componente accidental

Obtendremos una estimación de la componente accidental dividiendo el cociente Wt entre
la estimación de la componente cı́clica, i.e, At = Wt /Ct . Estos cálculos se recogen en la tabla
4 y su cálculo para las cuatro primeras iteraciones es;
Año Componente accidental
1987-3T 0,9251/0,9309 · 100=99.3752
1987-4T 0,95251/0,9533 · 100=99.8583
1988-1T 0,9815/0,9755 · 100=100.621
1988-2T 0,9816/0,9948 · 100=10.694

2.4. Cálculo de la componente estacional

Como ya vimos en el cálculo de los coeficientes estacionales, al dividir la serie inicial entre
la serie móvil obtenı́amos el producto Et ∗ At . Ası́ pues, ahora dividiremos este producto entre
la estimación obtenida de la componente accidental At y conseguiremos ası́ una estimación
de la componente estacional, Et . Veamos ahora en la tabla 4 los resultados obtenidos en el
cálculo de las componentes estacional y accidental en porcentajes.

19
Años serie desest./ Estimación de Estimación de serie original yt/ Estimación de
tendencia= la componente la componente (media móvil yt la componente
Ct*At cı́clica,Ct ( %) accidental,At ( %) * At) estacional,Et( %)
1987 1T 0,889368928
2T 0,910638004
3T 0,925124174 93,09399243 99,37528191 0,999573725 99,9573725
4T 0,952512289 95,38632755 99,85836682 0,9965983 99,65983004
1988 1T 0,981601533 97,55375329 100,621606 0,998801058 99,88010577
2T 1,001792208 99,48868364 100,6940861 1,000496033 100,0496033
3T 1,007364029 101,5182689 99,22982736 0,999975277 99,99752768
4T 1,025066862 103,7827517 98,77044546 0,996788391 99,67883912
1989 1T 1,071413778 106,2482928 100,8405641 0,998716005 99,87160053
2T 1,093138591 108,7081323 100,5572047 1,00041492 100,041492
3T 1,113260931 110,8979125 100,3861034 1,000167657 100,0167657
4T 1,11595712 112,5829758 99,12307895 0,997365394 99,73653939
1990 1T 1,155705938 113,5191071 101,807173 0,999636913 99,96369126
2T 1,143651498 114,0280401 100,2956376 1,001303222 100,1303222
3T 1,137638527 114,3538672 99,484045 1,000833297 100,0833297
4T 1,132294162 114,9572879 98,49694464 0,997560775 99,75607748
1991 1T 1,165435064 116,0051011 100,4641221 0,99944328 99,94432799
2T 1,182196027 117,5488843 100,5705868 1,000823858 100,0823858
3T 1,182919058 118,0644174 100,1926816 1,000880751 100,0880751
4T 1,210516283 116,2985511 104,0869616 0,998705368 99,87053676
1992 1T 1,128455595 113,3684194 99,53879584 1,001266303 100,1266303
2T 1,077906188 109,476927 98,45966798 1,002575875 100,2575875
3T 1,052798359 105,5842785 99,71165917 1,001688592 100,1688592
4T 1,029317593 102,8833611 100,0470418 0,998609519 99,86095192
1993 1T 0,998242404 100,9115657 98,92249687 1,000508427 100,0508427
2T 0,99204599 99,22895478 99,97545497 1,001703103 100,1703103
3T 0,980914924 97,69244712 100,4084709 1,001233976 100,1233976
4T 0,966592153 96,07423711 100,6088815 0,998469992 99,8469992
1994 1T 0,938047231 94,41615932 99,35240297 1,000498749 100,0498749
2T 0,922784363 92,81175836 99,42537231 1,001728841 100,1728841
3T 0,917530328 91,50439095 100,2717267 1,001108185 100,1108185
4T 0,901624672 90,63708277 99,47635611 0,998150224 99,81502242

20
Años serie desest./ Estimación de Estimación de serie original yt/ Estimación de
tendencia= la componente la componente (media móvil yt la componente
Ct*At cı́clica, Ct ( %) accidental, At ( %) * At) estacional,Et( %)
1995 1T 0,898425319 89,85129217 99,9902503 1,000158779 100,0158779
2T 0,89302162 89,10588275 100,2202764 1,001494849 100,1494849
3T 0,884429823 88,32449292 100,1341524 1,001067191 100,1067191
4T 0,875092423 87,38341965 100,1439891 0,998205127 99,82051269
1996 1T 0,862446383 86,35278043 99,87476702 1,000268531 100,0268531
2T 0,853714694 85,27869939 100,1087846 1,001603665 100,1603665
3T 0,841285611 84,20809806 99,90554714 1,001108522 100,1108522
4T 0,832310152 83,15839018 100,0873333 0,998206989 99,82069886
1997 1T 0,819580548 82,19413414 99,71277831 1,00022401 100,022401
2T 0,812603899 81,3629698 99,87392307 1,00151345 100,151345
3T 0,805255924 80,63356175 99,86609874 1,000990933 100,0990933
4T 0,801846692 80,08617223 100,1229887 0,99805026 99,80502599
1998 1T 0,791691364 79,84494953 99,15359313 0,999997657 99,99976565
2T 0,79670192 79,89441261 99,71935387 1,00123067 100,123067
3T 0,801860086 80,27225178 99,8925617 1,000672961 100,0672961
4T 0,809199576 80,9650068 99,94435967 0,997728321 99,77283212
1999 1T 0,814565613 81,89302027 99,46703761 0,999692625 99,96926252
2T 0,829248074 83,07345005 99,82107077 1,00097626 100,097626
3T 0,84355501 84,51592042 99,81019033 1,000464276 100,0464276
4T 0,861939035 86,18089434 100,0150952 0,997530484 99,75304839
2000 1T 0,877223783 88,06169706 99,61468066 0,999511812 99,95118121
2T 0,899787817 90,05457179 99,91583983 1,000857743 100,0857743
3T 0,923479484 92,1836451 100,1782348 1,000387397 100,0387397
4T 0,941444539 94,44581819 99,68091308 0,997482211 99,74822113
2001 1T 0,968044144 96,67783377 100,1309303 0,999506487 99,95064866
2T 0,989941304 98,91307656 100,0819445 1,000888992 100,0888992
3T 1,011887244 101,2640983 99,925567 1,00042456 100,042456
4T 1,031856203 103,7817973 99,42554765 0,997473921 99,74739209
2002 1T 1,065714219 106,6371384 99,93837375 0,999425275 99,94252755
2T 1,093687146 109,76358 99,64025819 1,000782851 100,0782851
3T 1,136568692 112,9666022 100,6110363 1,000349985 100,0349985
4T 1,157290088
2003 1T 1,196522108

Cuadro 4: Calculo de la componente estacional y accidental

21
2.5. Representación de las componentes de la serie
Después de realizar los cálculos oportunos (descritos anteriormente) para el cálculo de
cada una de las componentes de la serie, obtenemos la gráfica 1,

Figura 1: serie temporal del precio medio de la vivienda

donde están representados: en el eje izquierdo, la serie original y la tendencia, y en el eje

derecho la componente cı́clica, la accidental y la estacional.

22
3. Serie del MIBOR
En este apartado vamos a estudiar la serie del MIBOR, que está estrechamente ligada con
el precio de la vivienda, pues es una ayuda indispensable para poder financiarla. Veamos en
primer lugar la definición de este concepto económico.
Cuando acudimos a una entidad bancaria para pedir un crédito hipotecario, las condiciones
que nos ofrecen determinan la cantidad de dinero que tendremos que reintegrar al banco. Los
tipos de hipoteca son:

Hipotecas a plazo fijo: se establece una cuota fija para todo el plazo del préstamo. Hasta
amortizar la hipoteca pagamos la misma cantidad mes a mes. La desventaja que tiene
es que el tiempo de amortización (entre 10 y 15 años) es muy inferior al que ofrecen las
hipotecas variables que oscila entre 20 y 30 años.

Hipotecas a tipo variable: la cantidad a pagar depende de un ı́ndice de referencia acorda-

do con el banco y revisado regularmente. Si el ı́ndice se encarece, nosotros como titulares
del crédito pagamos más, y si su valor disminuye nuestra amortización también lo hará.

En caso de pedir un préstamo a interés variable, conviene elegir la variable oficial en función
de la cual el tipo de interés cambiará, o sea el ı́ndice de referencia oficial, i.e., aquellos que
publica mensualmente el Banco de España en el Boletı́n Oficial del Estado para los préstamos
hipotecarios a tipo variable destinados a la adquisición de vivienda. En este trabajo vamos
trabajar con el MIBOR, vulgarmente se podrı́a decir que el MIBOR es como el tipo de
interés al que los bancos se prestan dinero entre sı́ en el mercado intercambiario de Madrid.
Por ello, es natural que se añada un diferencial al MIBOR, dado que en él radica la ganancia
del banco. Este tipo ha dejado de tener la consideración de tipo de referencia oficial del
mercado hipotecario para las operaciones formalizadas después del 1 de enero de 2000. A
partir de esta fecha se empezó a utilizar el EURIBOR (Europe Interbank Offered Rate), se
elabora de igual forma que el MIBOR, pero en referencia a las operaciones realizadas entre los
principales bancos europeos (con orientación internacional), entre ellos los españoles BBVA,
Caja Postal y Banco Hipotecario S.A. Media simple de los tipos de interés diarios, aplicados
para las operaciones cruzadas al plazo de 1 año, en el mercado de depósitos interbancarios de
la zona de la Unión Monetaria, entre las 64 entidades financieras con mayor nivel de negocio.
En primer lugar, como ya vimos en la serie del precio medio de la vivienda, veremos a
qué tipo de hipótesis se ajusta nuestro modelo. Para ello, según lo visto en la sección 1.2,
calcularemos las series del cociente y de las diferencias entre dos observaciones consecutivas
de la misma estación. Veamos la tabla 5 donde aparece la serie original, la de las diferencias y
la de los cocientes estacionales, estos datos han sido proporcionados por el Banco de España.

23
Años MIBOR Diferencia estacional Cociente estacional
1987 1T 12,42
2T 15,88
3T 15,56
4T 14,43
1988 1T 11,86 -0,55 0,96
2T 10,94 -4,94 0,69
3T 11,17 -4,39 0,72
4T 13,26 -1,17 0,92
1989 1T 15,10 3,24 1,27
2T 15,01 4,07 1,37
3T 15,02 3,86 1,35
4T 15,28 2,02 1,15
1990 1T 15,71 0,61 1,04
2T 15,39 0,38 1,03
3T 15,41 0,39 1,03
4T 15,26 -0,01 1,00
1991 1T 14,82 -0,89 0,94
2T 12,63 -2,76 0,82
3T 12,53 -2,89 0,81
4T 12,68 -2,58 0,83
1992 1T 12,62 -2,20 0,85
2T 12,62 -0,01 1,00
3T 13,73 1,21 1,10
4T 14,27 1,59 1,13
1993 1T 13,38 0,76 1,06
2T 11,80 -0,82 0,94
3T 9,78 -3,95 0,71
4T 8,69 -5,57 0,61
1994 1T 8,09 -5,29 0,60
2T 7,97 -3,83 0,68
3T 8,57 -1,21 0,88
4T 9,14 0,45 1,05
1995 1T 10,29 2,20 1,27
2T 10,36 2,39 1,30
3T 9,94 1,37 1,16
4T 9,40 0,26 1,03

24
Años MIBOR Diferencia estacional Cociente estacional
1996 1T 8,50 -1,79 0,83
2T 7,43 -2,93 0,72
3T 7,15 -2,79 0,72
4T 6,35 -3,05 0,68
1997 1T 5,62 -2,88 0,66
2T 5,26 -2,17 0,71
3T 5,11 -2,04 0,71
4T 4,81 -1,55 0,76
1998 1T 4,30 -1,32 0,77
2T 4,21 -1,05 0,80
3T 4,01 -1,10 0,79
4T 3,50 -1,31 0,73
1999 1T 3,04 -1,26 0,71
2T 2,72 -1,49 0,65
3T 3,17 -0,84 0,79
4T 3,69 0,19 1,06
2000 1T 4,09 1,05 1,35
2T 4,72 2,00 1,74
3T 5,18 2,01 1,64
4T 5,10 1,41 1,38
2001 1T 4,54 0,44 1,11
2T 4,42 -0,30 0,94
3T 4,06 -1,12 0,78
4T 3,28 -1,81 0,64
2002 1T 3,62 -0,92 0,80
2T 3,89 -0,53 0,88
3T 3,44 -0,62 0,85
4T 3,01 -0,27 0,92
2003 1T 2,55 -1,07 0,70
2T 2,25 -1,64 0,58
3T 2,21 -1,23 0,64
Varianza 4,41 0,07
desv.tipica 2,10 0,26
media -0,66 0,93
desv.tı́pica/media -3,169878759 0,274383123

Cuadro 5: Método de las diferencias y cociente estacionales

25
  
En este caso cuando hallamos el coeficiente de variación=desv.tı́pica/media al tomar
valores absolutos tenemos de nuevo que el coeficiente del cociente es menor que el de las
diferencias, por lo tanto nos encontramos otra vez con un modelo serie temporal sujeta a la
hipótesis multiplicativa, como la mayorı́a de series temporales económicas. Pero utilizaremos
esta serie como ejemplo para el cálculo de las componentes de una serie bajo un modelo sujeto
a la hipótesis aditiva.

3.1. Cálculo de la tendencia

El método utilizado en este caso es el de los mı́nimos cuadrados. Este método, como ya
vimos en la sección 2.1, expresa la tendencia a través de una función matemática que relaciona
la magnitud que se está estudiando con el tiempo t, que actúa como variable independiente.
En primer lugar conviene representar gráficamente la serie temporal observada, con objeto
de decidir que tipo de función es la más adecuada: de tipo lineal, parabólico, etc. En nuestro
caso trataremos con el ajuste lineal. La recta resultante será la tendencia.

3.2. Cálculo de la componente estacional

Una vez calculada la tendencia ajustada a una recta y t = a + bt, el coeficiente angular
b de la recta nos mide el incremento medio anual de la tendencia, que influirá de distinta
forma al pasar de una estación a otra, como veremos más adelante. Con los datos observados
se calculan las medias estacionales (M1 ,M2 ,. . . ,etc) con objeto de eliminar la componente
accidental. Estas medias aritméticas son brutas, ya que siguen incluyendo las componentes a
largo plazo (tendencia y ciclo) y tienen que someterse a una corrección de las mismas.
Empleando el incremento medio anual dado por el coeficiente de la recta de regresión, se
0 0
obtienen las medias estacionales corregidas de las componentes a largo plazo (M1 ,M2 ,. . . ,etc.)
bajo el esquema aditivo (se resta):
0
M1 = M 1 ,
ya que estamos en la primera estación y no está influida por la tendencia

0 2b
M2 = M2 − o ,
n estaciones
ya que hemos pasado de la primera estación a la segunda, hay que restar la parte proporcional
del incremento anual de la tendencia.
Para la r-ésima estación la media estacional corregida de la tendencia interestacional será:

0 rb
Mr = Mr − .
no estaciones

26
Los ı́ndices de variación estacional se obtienen con la misma sistemática utilizada bajo la
hipótesis multiplicativa en el método de la razón a la media móvil: con las medias estacionales
0
corregidas se obtiene la media aritmética anual M A, que sirve de base para calcular los ı́ndices
en tantos por 100:
0 0
M M
I1 = 0 1 ∗ 100 I2 = 0 2 ∗ 100 . . . , etc.
MA MA
Obtenidos los ı́ndices de variación estacional, estamos en condiciones de desestacionalizar
la serie como ya hicimos anteriormente.
Y por último, para calcular la componente estacional, restaremos esta serie desestacionalizada
a la serie original.

3.3. Cálculo de la componente cı́clica

Como ya sabemos de todas las componentes mencionadas, la componente cı́clica es la más
difı́cil de detectar, puesto que, a diferencia de la tendencia, que es un movimiento a largo
plazo muy general, y de las variaciones estacionales, que tienen un periodo fijo, las variaciones
cı́clicas tienen un periodo no fácilmente identificable y, en muchos casos, incluso variable.
Todo ello aconseja eliminar de la serie la tendencia y las variaciones estacionales, limitando
el análisis a la parte de la serie no imputable a ninguna de estas componentes, que llamaremos
xik = cik + aik (para simplificar la notación vamos a eliminar el doble subı́ndice, puesto que ya
no existe variación estacional, y considerar xt simplemente). Obtenida esta serie intentaremos
detectar los ciclos mediante lo que se conoce como análisis armónico.
Sabemos que una onda armónica pura puede ser representada por una ecuación de la forma

Xj = A cos(ωj ) + B sin(ωj ),

o de forma equivalente
Xj = R cos(ωj − α).
Ambas formulas están ligadas por
√
R= A2 + B 2 ,

α = arctgB/A.

En nuestro análisis estamos interesados en conocer los valores de A, B y ω, o lo que es lo

mismo, de R, α y de ω. A R se le llama amplitud, que proporciona el valor máximo de Xj .

27
 La aplicación de esta idea al análisis de la componente cı́clica se basa en tratar de identificar
alguna función de esta forma a los datos. Ası́, para detectar la existencia de un ciclo de periodo
p, formemos un cuadro de la forma:
1.a oscilación x1 x2 ... xp
2.a oscilación xp+1 xp+2 ... x2p
... ... ... ... ...
esima
q. oscilación x(q−1)p+1 x(q−1)p+2 ... xqp
medias xm1 xm2 ... xmp

donde la fila j-ésima recoge los p valores que forman la j-ésima oscilación y el número
de observaciones de la serie xt por el periodo p. En la última fila figura el valor medio de
los primeros elementos de cada oscilación, el valor medio de los segundos, etc., y su cálculo
constituyen el segundo paso de este método.
A continuación ajustamos a los datos medios una expresión de la forma
2π 2π
xt = A0 + A cos( j) + B sin( j) j = 1, 2, . . . , p,
p p
donde incluimos la constante A0 para mejorar el ajuste. Este ajuste se puede hacer mediante
el método de los mı́nimos cuadrados, dando como resultado:
p
X xj
A0 = ,
j=1
p

p
2X 2πj
A= xj cos( ),
p j=1 p
p
2X 2πj
B= xj sin( ),
p j=1 p

y una vez conocidos A y B podemos obtener la amplitud R correspondiente a ese periodo.

3.4. Cálculo de la componente accidental

Calcularemos la componente accidental simplemente restándole a la serie original todas
las componentes ya calculadas, i.e., la componente estacional, la tendencia y la componente
cı́clica.

28
3.5. Representación de las componentes de la serie
Después de realizar los cálculos oportunos (descritos anteriormente) para el cálculo de
cada una de las componentes de la serie, obtenemos la gráfica 2.

Figura 2: Serie temporal del ı́ndice de referencia MIBOR.

29
 t=tiempo yt =precio medio anual t0 yt * t0 t02 yt ∗ t02 Regresión
1987 317,27 -8 -2538,16 64 100660,25 328,50
1988 396,61 -7 -2776,25 49 157297,51 378,62
1989 488,98 -6 -2933,85 36 239096,55 428,74
1990 565,38 -5 -2826,88 25 319648,89 478,86
1991 646,34 -4 -2585,35 16 417752,16 528,98
1992 637,67 -3 -1913,02 9 406626,22 579,10
1993 635,14 -2 -1270,29 4 403406,00 629,22
1994 639,63 -1 -639,63 1 409123,34 679,34
1995 661,73 0 0,00 0 437883,28 729,46
1996 674,10 1 674,10 1 454410,81 779,58
1997 684,81 2 1369,61 4 468957,89 829,70
1998 716,63 3 2149,90 9 513562,14 879,82
1999 792,29 4 3169,16 16 627723,44 929,94
2000 907,20 5 4535,99 25 823007,30 980,06
2001 1046,91 6 6281,43 36 1096010,08 1030,18
2002 1220,93 7 8546,49 49 1490663,96 1080,30
2003 1400,76 8 11206,08 64 1962128,58 1130,42
SUMA 12432,35 0 20449,34 408 10327958,41
MEDIAS 731,31 0 1202,90 24 607526,97

Cuadro 6: Regresión simple del precio medio de la vivienda en el tiempo

4. Regresión y correlación
4.1. Regresión y correlación lineal simple
En esta sección vamos a aplicar la regresión simple a las dos series, la del precio medio
de la vivienda y la del MIBOR, estudiadas anteriormente. En ambos casos como variable
exógena o independiente, el tiempo y como variable endógena o dependiente, el precio de la
vivienda y el MIBOR respectivamente.
Como ya vimos en la sección 2.1, utilizando el método de los mı́nimos cuadrados para
determinar la recta de regresión, los coeficientes de la recta vienen dados según las ecuaciones
0
3 y 4. Primero hacemos el cambio de variable t = t − Ot = t − 1995.
Veamos los cálculos en la tabla 6. Para poder calcular la recta de regresión tenemos que

30
calcular los coeficientes de esta recta, que como ya vimos en la sección 2.1 son los siguientes;
Pn
yt 12432,35
a = t=1 = = 731,31,
n 17
Pn 0
yt t 20449,34
b = Pt=1
n 02 = = 50, 12,
t0 =1 t 408
0
yt = a+bt = a+b(t−Ot ) = 731,31+50,12(t−1995) = 731,31+50,12t−99991,26 = 50,12t−99259,94.
El nivel de fiabilidad nos lo da el coeficiente de correlación;
(St0 yt )2 (1202,90)2 1446974,07
R2 = 2 2
= = = 0,83.
St0 Syt 24 · 72705,55 28869,66

Siendo los cálculos de la covarianza y las varianzas:

N
1 X 0 20449,34
St0 yt = ti yti − t0 · yt = − 0 = 1202,90,
N i=1 17

N
1 X 0 2 408
St20 = (ti ) − (t0 )2 = − 0 = 24,
N i=1 17
N  2
1 X 2 10327958,41 12432,35
Sy2t = 2
y − (yt ) = − = 72705,55.
N i=1 ti 17 17
Por lo tanto según los cálculos realizados, obtenemos como recta de regresión
yt = 50,1209t − 99259,9432 y el coeficiente de determinación obtenido es R2 = 0,83.
Ası́ que obtendrı́amos una predicción para el precio medio de la vivienda en el año 2004
de;
y2004 = 50,1209 · 2004 − 99259,9432 = 1182,34.
Veamos ahora la tabla 7 correspondiente para la serie del MIBOR; Basándonos de nuevo
en las fórmulas de la sección 2.1 obtenemos;
Pn
yt 147,13
a = t=1 = = 8,65,
n 17
Pn 0
t=1 yt t −356,08
b = Pn 02 = = −0,87,
t =1 t 408
0

0
yt = a+bt = a+b(t−Ot ) = 8,65−0,87(t−1995) = 8,65−0,87t−1741,11 = −0,87t−1749,77.

31
t=tiempo yt =MIBOR (media anual) t0 yt * t0 t02 yt ∗ t02 Regresión
1987 14,56933333 -8 -116,5546667 64 212,2654738 15,63686166
1988 11,80658333 -7 -82,64608333 49 139,39541 14,76412425
1989 15,102 -6 -90,612 36 228,070404 13,89138685
1990 15,44283333 -5 -77,21416667 25 238,4811014 13,01864944
1991 13,1645 -4 -52,658 16 173,3040603 12,14591204
1992 13,309 -3 -39,927 9 177,129481 11,27317463
1993 10,91333333 -2 -21,82666667 4 119,1008444 10,40043723
1994 8,443166667 -1 -8,443166667 1 71,28706336 9,527699823
1995 9,997333333 0 0 0 99,94667378 8,654962418
1996 7,356 1 7,356 1 54,110736 7,782225014
1997 5,197916667 2 10,39583333 4 27,01833767 6,909487609
1998 4,004916667 3 12,01475 9 16,03935751 6,036750204
1999 3,154916667 4 12,61966667 16 9,953499174 5,1640128
2000 4,773083333 5 23,86541667 25 22,78232451 4,291275395
2001 4,076666667 6 24,46 36 16,61921111 3,41853799
2002 3,489 7 24,423 49 12,173121 2,545800586
2003 2,333777778 8 18,67022222 64 5,446518716 1,673063181
SUMA 147,1343611 0 -356,0768611 408 1623,123618
MEDIAS 8,654962418 0 -20,94569771 24 95,47785986

Cuadro 7: Regresión simple del MIBOR en el tiempo

32
El nivel de fiabilidad nos lo da el coeficiente de correlación;

(St0 yt )2 (−20,94)2 438,72

R2 = 2 2
= = = 0,89.
St0 Syt 24 · 20,57 493,67

Siendo los cálculos de la covarianza y las varianzas:

N
1 X 0 −356,07
St0 yt = ti yti − t0 · yt = − 0 = −20,94,
N i=1 17

N
1 X 0 2 408
St20 = (ti ) − (t0 )2 = − 0 = 24,
N i=1 17
N  2
1 X 2 1623,13 12432,35
Sy2t = 2
y − (yt ) = − = 20,57
N i=1 ti 17 17
Por lo tanto según los cálculos realizados, obtenemos como recta de regresión
yt0 = −0,8792t + 1749,7661 y el coeficiente de determinación obtenido es R2 = 0,89.
De modo que obtenemos una predicción del MIBOR para el año 2004 de;
0
y2004 = −0,8792 · 2004 + 1749,7661 = 0,8792.

Nota histórica; ¿Por qué denominamos este proceso análisis de regresión? A principios de
siglo, el cientı́fico de genética Francis Galton descubrió un fenómeno llamado regresión a la
medida. Buscando leyes de herencia genética, descubrió que la estatura de los hijos solı́a ser
una regresión a la estatura media poblacional, en comparación con la estatura de sus padres.
Los padres altos solı́an tener hijos algo más bajos, y viceversa. Galton desarrolló el análisis de
regresión para estudiar este fenómeno. Al que se refirió de manera optimista como regresión
a la mediocridad”.

33
4.2. Regresión y correlación lineal múltiple
La regresión múltiple es la generalización de la regresión simple para el caso en que teng-
amos más de una variable explicativa. Pretendemos explicar el comportamiento de una vari-
able explicativa, a la que denominaremos dependiente. Para ello no será suficiente una única
variable como hacı́amos en en la regresión simple, necesitaremos ampliar el número de vari-
ables que utilizamos para explicar los cambios que se producen en la variable dependiente. En
nuestro caso trabajaremos con dos variables independientes o explicativas. Debemos tener en
cuenta que la naturaleza de la mayorı́a de los fenómenos económicos estudiados es compleja
y necesitaremos más de una variable independiente para poder analizar dichos fenómenos.
En este trabajo trataremos de explicar el comportamiento del precio medio de la vivienda
(variable dependiente), ya no sólo mediante la variable tiempo, sino también con variables
tales como el IPC (ı́ndice de precios al consumo) y el MIBOR. También podrı́amos haber
elegido muchas otras variables de tipo económica, como por ejemplo la tasa de desempleo del
paı́s, el PIB (producto interior bruto)...etc
Veamos ahora el ajuste de un plano mediante el método mı́nimo-cuadrático;
Se parte de la nube de puntos tridimensionales en la que se recogen las observaciones de
las tres variables que vamos a utilizar. En nuestro caso tomaremos siempre como variable
dependiente, yi , el precio medio de la vivienda, y como variables independientes, x1i y x2i
vamos a ir alternando entre el tiempo, IPC y el MIBOR. Ahora ajustaremos la ecuación
de un plano a esta nube de puntos, (yi , x1i , x2i );

y = b0 + b1 x 1 + b2 x 2 .

El sistema de ecuaciones normales surge al minimizar la expresión;

N
X
S= (yi − b0 − b1 x1i − b2 x2i )2 .
i=1

Derivando esta expresión con respecto al término independiente b0 obtenemos la primera

ecuación normal;
N
X N
X N
X
yi = N b0 + b1 x1i + b2 x2i .
i=1 i=1 i=1

Dividiendo esta expresión por N y despejando la b0 obtenemos;

b0 = Y − b1 X1 − b2 X2 .

34
De igual forma derivando respecto a b1 y b2 obtendremos;
Sy Ryx1 − Ryx2 Rx1 x2
b1 = · ,
S x1 1 − Rx2 1 x2
Sy Ryx2 − Ryx1 Rx1 x2
b2 = · .
S x2 1 − Rx2 1 x2
Para el cálculo de b1 y b2 necesitaremos conocer las varianzas marginales;
N N N
1 X 2 1 X 2 1 X 2
Sy2 = 2 2
y − y , Sx1 = 2 2
x − x1 , Sx2 = x − x2 2 ,
N i=1 i N i=1 1i N i=1 2i

Ası́ como las covarianzas;

N N N
1 X 1 X 1 X
Syx1 = yi x1i − y · x1 , Syx2 = yi x2i − y · x2 , Sx1 x2 = x1i x2i − x1 · x2 ,
N i=1 N i=1 N i=1

y los coeficientes de correlación lineal simple;

Syx1 Syx2 S x1 x2
Ryx1 = , Ryx2 = , Rx1 x2 = .
S y · S x1 S y · S x2 S x1 · S x2
Para determinar ahora los coeficientes de determinación y correlación múltiples necesita-
mos calcular la varianza explicada y la residual. Partimos de la expresión

Sy2 = Sy20 ·x1 x2 + Sry·x

2
1 x2
, (5)

donde Sy2 es la varianza de la variable dependiente observada yt . Llamemos yt0 a la serie

obtenida una vez estimado el modelo, de modo que Sy20 ·x1 x2 es la varianza de la variable
endógena yt explicada por la regresión. El tercer elemento de la expresión 5 es el residuo
que también tiene su correspondiente variabilidad, que vamos a medir a través de lo que
2
llamamos varianza residual o varianza de los errores o residuos Sry·x 1 x2
.
Según la propia definición de varianza residual y haciendo una serie de cálculos, obtenemos;
2
Sry·x 1 x2
= Sy2 − b1 Syx1 − b2 Syx2 ,

y despejando obtenemos la varianza explicada;

Syt ·x1 x2 = Sy2 − Sry·x

2
1 x2
.

35
Ası́ que el coeficiente de determinación múltiple viene dado por la siguiente expresión;

2
Sy2 q
2
Ry·x 1 x2
= , Ry·x1 x2 = Ry·x1 x2
.
Sy2t ·x1 x2

Como ya sabemos este coeficiente nos da la medida de la relación existente entre la variable
dependiente y el conjunto de las variables independientes. De manera estricta, el coeficiente
de correlación múltiple nos mide la correlación existente entre la variable y y las predicciones
que hacemos de la misma mediante la ecuación de regresión, es decir, nos indica el grado de
fiabilidad del modelo.
También podrı́amos estudiar como influye cada variable en el modelo por separado, y
para ello tenemos que calcular los coeficientes de determinación y correlación parcial. Por
ejemplo, el coeficiente de determinación parcial Ryx1 ·2 estudia las causas comunes que tienen
las variables yti y x1i , permaneciendo constantes las que tengan yti y x2i , es decir, una vez
que se ha efectuado la regresión de yti sobre x2i . Se calculan según la siguiente fórmula;

2 (Ryx1 − Ryx2 · Rx1 x2 )2

Ryx 1 ·x2
= ,
(1 − Rx2 1 x2 )(1 − Ryx
2 )
2

2 (Ryx2 − Ryx1 · Rx1 x2 )2

Ryx 2 ·x1
= .
(1 − Rx2 1 x2 )(1 − Ryx
2 )
1

Apliquemos este modelo de regresión múltiple a nuestro ejemplo, tomando como variable
dependiente el precio medio de la vivienda y como variables independientes el IPC (tomando
esta serie como la de los incrementos producidos con base enero de 1987, desde este año al
2003) y el tiempo (desde el año 1987 hasta el 2003). En la tabla 8 vemos los cálculos necesarios
para la obtención del plano de regresión y los coeficientes de correlación y determinación. La
penúltima fila de esta tabla recoge la suma de todas las filas y la última la media de cada
columna.

36
Yi X1i X2i Yi2 2
X1i 2
X2i Yi X1i Yi X2i X1i X2i
317,27 2,25 1987 100658,7 5,1 3948169 713,85 630410,52 4470,75
396,61 7,45 1988 157297,5 55,5 3952144 2954,73 788455,71 14810,60
488,98 14,65 1989 239096,5 214,6 3956121 7163,48 972571,28 29138,85
565,38 22,28 1990 319648,9 496,2 3960100 12593,73 1125096,25 44327,25
646,34 29,38 1991 417752,2 862,9 3964081 18986,16 1286857,96 58485,63
637,67 37,20 1992 406626,2 1383,8 3968064 23721,42 1270243,62 74102,40
635,14 43,43 1993 403406,0 1885,7 3972049 27581,06 1265839,00 86546,03
639,63 49,93 1994 409123,3 2492,5 3976036 31933,40 1275417,24 99550,45
661,73 57,15 1995 437883,3 3266,1 3980025 37817,73 1320146,36 114014,25
674,10 62,55 1996 454410,8 3912,5 3984016 42164,96 1345503,60 124849,80
684,81 65,53 1997 468957,9 4293,5 3988009 44871,85 1367555,59 130853,43
716,63 68,60 1998 513562,1 4705,9 3992004 49160,99 1431831,74 137062,80
792,29 72,78 1999 627723,4 5296,2 3996001 57658,90 1583787,71 145477,23
907,20 78,78 2000 823007,3 6205,5 4000000 71464,48 1814395,00 157550,00
1046,91 85,13 2001 1096010,1 7246,3 4004001 89117,79 2094856,91 170335,13
1220,93 91,65 2002 1490663,9 8399,7 4008004 111898,01 2444296,86 183483,30
1400,76 97,03 2003 1962128,6 9415,5 4012009 135920,41 2805722,28 194357,77
12432,35 885,73 33915 10327956,8 60137,6 67660833 765722,95 24822987,61 1769415,64
731,31 52,10 1995 607526,9 3537,5 3980049 45042,53 1460175,74 104083,27

Cuadro 8: Regresión múltiple del precio medio de la vivienda sobre el tiempo y el IPC

37
 Yi=Precio medio X1i =IPC X2i =Años Regresión
317,27 2,25 1987 359,35
396,61 7,45 1988 415,10
488,98 14,65 1989 452,91
565,38 22,28 1990 486,90
646,34 29,38 1991 525,60
637,67 37,20 1992 557,79
635,14 43,43 1993 604,34
639,63 49,93 1994 648,43
661,73 57,15 1995 686,01
674,10 62,55 1996 739,97
684,81 65,53 1997 815,69
716,63 68,60 1998 890,51
792,29 72,78 1999 955,47
907,20 78,78 2000 1004,04
1046,91 85,13 2001 1049,47
1220,93 91,65 2002 1093,33
1400,76 97,03 2003 1147,44

Cuadro 9: Resultados del hiperplano de regresión

En la tabla 9 observamos los valores obtenidos en el plano de regresión;

Veamos ahora los coeficientes del plano de regresión ası́ como los coeficientes de determi-
nación y correlación que obtenemos, usando las fórmulas anteriores.
Para ello necesitaremos conocer las varianzas marginales;
N
1 X 2
Sy2 = y − y 2 = 607526,87 − (731,31)2 = 72705,67,
N i=1 i

N
1 X 2
Sx21 = x − x1 2 = 3537,51 − (52,10)2 = 822,89,
N i=1 1i
N
1 X 2
Sx22 = x − x2 2 = 3980049 − (1995)2 = 24,
N i=1 2i
las desviaciones tı́picas, p
Sy = 72705,67 = 269,64,

38
 p
S x1 = 822,89 = 28,69,
√
Sx2 = 24 = 4,90,
las covarianzas;
N
1 X
Syx1 = yi x1i − y · x1 = 45042,53 − (731,31 · 52,10) = 6939,60,
N i=1
N
1 X
Syx2 = yi x2i − y · x2 = 1460175,74 − (731,31 · 1995) = 1202,90,
N i=1
N
1 X
S x1 x2 = x1i x2i − x1 · x2 = 104083,27 − (52,10 · 1995) = 139,86,
N i=1
y los coeficientes de correlación lineal simple;
Syx1 6939,60
Ryx1 = = = 0,90,
S y · S x1 269,64 · 28,69
Syx2 1202,90
Ryx2 = = = 0,91,
S y · S x2 269,64 · 4,90
S x1 x2 139,86
R x1 x2 = = = 0,99.
Sx1 · Sx2 28,69 · 4,90
Hay que resaltar que estos coeficientes de correlación lineal simple, sólo se calculan para
emplearlos en las expresiones que nos determinan el coeficiente de regresión parcial b1 y b2 .
Al existir una fuerte correlación o multicolinealidad en sentido amplio entre x1i y x2i , pues
Rx1 x2 = 0,99, los Ryx1 y Ryx2 no nos pueden explicar el grado de dependencia entre la
variable endógena y cada una de las exógenas por separado. Para ello x1i y x2i tendrı́an que
estar incorreladas, cosa que no suele ocurrir en la evolución de caracterı́sticas socioeconómicas.
Lo que hay que perseguir es que la correlación entre las variables explicativas sea la menor
posible, con objeto de que b1 y b2 representen con la mayor nitidez posible las variaciones de
yti ante variaciones unitarias de las variables explicativas.
Veamos los coeficientes de regresión parcial y su significado,

Sy Ryx1 − Ryx2 Rx1 x2 269,64 0,90 − (0,91 · 0,99)

b1 = · 2
= · = −8,98,
S x1 1 − R x1 x2 28,69 1 − (0,99)2
Sy Ryx2 − Ryx1 Rx1 x2 269,64 0,91 − (0,90 · 0,99)
b2 = · · = 102,42,
S x2 1 − Rx2 1 x2 4,90 1 − (0,99)2

39
 b0 = Y − b1 X1 − b2 X2 = 731,31 − (−8,98) · 52,10 − (102,42) · 1995 = −203138,62.
El coeficiente b1 es la derivada parcial de yti respecto de x1i y significa que al variar x1i en
una unidad, permaneciendo constante x2i , la yti varı́a en -8.98, esto quiere decir que si el
IPC subiera un punto porcentual dejando constante el año, entonces el precio medio de la
vivienda disminuirı́a en 8,98 euros. Esta falta de pureza en el resultado es debido, como
ya mencionamos antes, a la elevada multicolinealidad entre las variables explicativas. b2 nos
indica la variación de yti cuando la x2i varı́a en una unidad, permaneciendo constante x1i , i.e.,
el precio medio de la vivienda aumenta en 102,42 euros cuando se incrementa el tiempo en
un año y se mantiene constante el IPC.
El plano obtenido es

Y = −203138,62 − 8,98X1 + 102,42X2 ,

y para determinar el coeficiente de correlación múltiple necesitamos calcular,

2
Sry·x 1 x2
= Sy2 − b1 Syx1 − b2 Syx2 = 72705,67 − (−8,98) · 6939,60 − 102,42 · 1202,90 = 11783,22,

Syt ·x1 x2 = Sy2 − Sry·x

2
1 x2
= 72705,67 − 11783,22 = 60922,45.
Ası́ que el coeficiente de determinación múltiple viene dado por la siguiente expresión;

2
Sy2 60922,45
Ry·x 1 x2
= = = 0,84,
Sy2t ·x1 x2 72705,67
q p
Ry·x1 x2 = Ry·x 2 = 0,84 = 0,92.
1 x2

Significa que el grado de dependencia global entre el precio medio de la vivienda en relación
al tiempo y al IPC es de un 92 %.
Veamos los coeficientes de determinación y correlación parciales;

2 (Ryx1 − Ryx2 · Rx1 x2 )2 (090 − 0,91 · 0,99)2

Ryx 1 ·x2
= = = 0,05,
(1 − Rx2 1 x2 )(1 − Ryx
2 )
2
(1 − (0,99)2 )(1 − (0,91)2 )
lo que significa que una vez que hemos realizado la regresión del precio medio de la vivienda
2
sobre el tiempo, quedará una varianza residual o no explicada, Sry·2 , que debe reducirse a la
introducción en el modelo de la variable IPC, lo que quiere decir que al introducir la variable
IPC la varianza residual queda explicada en un 0.05 % (es decir, no tiene mucha influencia).
De la misma forma

2 (Ryx2 − Ryx1 · Rx1 x2 )2 (0,91 − 0,90 · 0,99)2

Ryx 2 ·x1
= = 0,17,
(1 − Rx2 1 x2 )(1 − Ryx
2 ) (1 − (0,99)2 )(1 − (0,90)2 )
1

40
es decir, una vez hecha la regresión del precio medio de la vivienda sobre el IPC, la varianza
residual quedará explicada en un 17 % al introducir la variable tiempo al modelo. Podemos
concluir diciendo que la variable tiempo tiene una mayor influencia en la evolución del precio
medio de la vivienda que el IPC.
Por último, veamos una pequeña tabla con distintos valores del IPC para ver las predic-
ciones posibles para el año 2004.
IPC=X1i Año=X2i Regresión
99 2004 1232,22
100 2004 1223,24
101 2004 1214,27
102 2004 1205,29
103 2004 1196,31
104 2004 1187,34

Los resultados obtenidos parecen ser algo contradictorios, ya que si mantenemos fijo el año
2004 y vamos variando el IPC, deberı́a ocurrir que el precio medio de la vivienda, al aumentar
el IPC, aumentase, pero no es ası́, ya que el coeficiente del plano de regresión asociado a la
variable x1i es negativo. Esto se debe en gran medida al coeficiente de correlación parcial
Ryx1 ·x2 =0.05, es decir la influencia que tiene el IPC en el modelo si incluimos esta variable
una vez ya hecha la regresión del precio medio de la vivienda sobre el tiempo.
Al igual que hemos obtenido este plano de regresión tomando estas variables indepen-
dientes, podrı́amos haber elegido otras, y proceder de igual forma en su cálculo.

41