MODELOS ECONOMÉTRICOS

CONCEPTO
Según Sáez (1959), “un modelo econométrico es una representación simplificada y en
símbolos matemáticos de cierto conjunto de relaciones económicas”, es decir un modelo
matemático referido a relaciones económicas.

CLASIFICACIÓN
Según Medina (2016), manifiesta que existe una tipología amplia de modelos
econométricos en función de distintas clasificaciones:

Según el tipo de datos de las variables utilizadas en el modelo:

• Series temporales: los datos pueden corresponder a los valores de una variable en
el tiempo. Estos pueden tener frecuencia, diaria, semanal, mensual o anual. Así
podemos analizar las cotizaciones en bolsa diarias, los índices de predio al consumo
mensuales, los datos anuales del PIB de un país, etc.

• Series de corte transversal: los valores corresponden a distintos sujetos para un

mismo momento del tiempo. En este caso se trataría de series del tipo de consumo
de diferentes familias, inversión de distintas empresas, paro en diferentes
provincias, etc. (Medina Moral, 2016)

Según el momento del tiempo al que hacen referencia se distingue entre:

• Modelos estáticos: cuando el subíndice y hace referencia al mismo momento del
tiempo o al mismo individuo económico tanto para la endógena como para todas las
explicativas.

• Modelos dinámicos: cuando están involucradas las variables en diferentes puntos

del tiempo. Así si estoy analizando la variable endógena consumo, utilizaré como
variable explicativa la renta de ese mismo periodo, pero también podría utilizar la
renta del año pasado, ya que mis decisiones de compra las tomaré en función de lo
que pude ahorrar el año pasado. Al incluir variables en distintos momentos del
tiempo podemos hablar de modelos dinámicos. (Gujarati & Porter, 2010)
Según el número de variables endógenas que se desee explicar:
• Modelos uniecuaciones: únicamente existe una variable endógena.

• Modelos multiecuacionales: existen varias variables endógenas que deseamos

explicar, algunas de las cuales pueden ser a su vez variables explicativas de otras
ecuaciones. (Arce, Introducción a los modelos multiecuacionales, 2010)

Según la transformación de los datos que se realice:

• Modelo en niveles: las variables aparecen expresadas en unidades de medida.

• Modelo en tasas de variación: las variables aparecen expresadas como

incrementos. Cuando una variable la expreso en vez de en niveles en incrementos
estoy eliminando la tendencia. Al introducir las variables en niveles puedo encontrar
un mayor número de variables explicativas aparentemente correctas, ya que es más
fácil encontrar variables explicativas que tengan la misma tendencia que la
endógena. Pero eso no significa que esas variables sean las que realmente son causas
explicativas de los cambios de la endógena. Por ello, al eliminar la tendencia de las
variables exijo más al modelo, es decir, tengo en cuenta las variables que son
realmente “causa”. (Medina Moral, 2016)

• Modelo en logaritmos. El modelo básico de regresión lineal permite únicamente

trabajar con relaciones lineales. Pero no todas las variables tienen porque estar
expresadas a través de una relación lineal. Cuando estimo un modelo únicamente
con una variable endógena y una explicativa lo que trato es de encontrar la línea que
mejor me recoja la información suministrada por ambas variables. (Alonso, 2009)

TIPOS DE MODELOS ECONOMÉTRICOS DE SERIES DE TIEMPO

SERIES DE TIEMPO
Definición Básica de Serie de Tiempo
Según Ríos (2008), define a las Series de Tiempo como, “a un conjunto de observaciones sobre
valores que toma una variable (cuantitativa) en diferentes momentos del tiempo.”
Los datos se pueden comportar de diferentes formas a través del tiempo, puede que se presente
una tendencia, un ciclo; no tener una forma definida o aleatoria, variaciones estacionales (anual,
semestral, etc.).

Las observaciones de una serie de tiempo serán denotadas por Y1;Y2,...,Yt , donde Yt es el valor
tomado por el proceso en el instante t. Los modelos de series de tiempo tienen un enfoque
netamente predictivo y en ellos los pronósticos se elaborarán sólo con base al comportamiento
pasado de la variable de interés. (Ríos, 2008)

CLASIFICACION
Podemos distinguir dos tipos de modelos de series de tiempo:
Modelos deterministas:se trata de métodos de extrapolación sencillos en los que
no se hace referencia a las fuentes o naturaleza de la aleatoriedad subyacente en la
serie. Su simplicidad relativa generalmente va acompañada de menor precisión.
Ejemplo de modelos deterministas son los modelos de promedio móvil en los que
se calcula el pronóstico de la variable a partir de un promedio de los "n" valores
inmediatamente anteriores.

Modelos estocásticos: se basan en la descripción simplificada del proceso aleatorio

subyacente en la serie. En términos sencillos, se asume que la serie observada 𝑌3 ,
𝑌2 ,..., 𝑌𝑡 se extrae de un grupo de variables aleatorias con una cierta distribución
conjunta difícil de determinar, por lo que se construyen modelos aproximados que
sean ˙tiles para la generación de pronósticos. (Vitoriano, 2012)

La serie podrá ser estacionaria o no estacionaria:

Serie no estacionaria: es aquella cuyas características de media, varianza y
covarianza cambian a través del tiempo lo que dificulta su modelamiento. Sin
embargo, en muchas ocasiones, si dicha serie es diferenciada una o más veces la
serie resultante ser· estacionaria (procesos no estacionarios homogéneos).

Serie estacionaria: es aquella cuya media y varianza no cambian a través del tiempo
y cuya covarianza sólo es función del rezago. Gracias a estas características
podremos modelar el proceso subyacente a través de una ecuación con coeficientes
fijos estimados a partir de los datos pasados. (Ríos, 2008)
 MODELO ARIMA
DEFINICIÓN Y CONCEPTOS BÁSICOS DE LOS MODELOS ARIMA
Según (Arce, Arima, 2015) Los modelos autorregresivos o de medias móviles que más
tarde conceptualizaremos necesitan para su comprensión de la introducción del concepto
de proceso estocástico.

Un proceso estocástico es una sucesión de variables aleatorias 𝑌𝑡 ordenadas, pudiendo

tomar t cualquier valor entre - y . Por ejemplo, la siguiente sucesión de variables
aleatorias puede ser considerada como proceso estocástico:

𝑌−5 , 𝑌−4 , 𝑌−3 , 𝑌−2 , 𝑌−1 … … … … 𝑌3 , 𝑌4

El subíndice t no tiene, en principio, ninguna interpretación a priori, aunque si hablamos

de proceso estocástico en el contexto del análisis de series temporales este subíndice
representará el paso del tiempo. (Arce, Arima, 2015)

Según (Mahia, 2015) De todos los tipos de procesos estocásticos posibles, nos interesan
especialmente dos de ellos a los que la estadística ha dado nombres precisos:

- ruido blanco es una sucesión de variables aleatorias (proceso estocástico) con esperanza
(media) cero, varianza constante e independientes para distintos valores de t (covarianza
nula).

- proceso estocástico estacionario.

MODELO PREDICTORIO ARIMA

Según (Mahia, 2015) Modelo Autorregresivo Integrado de Media Móvil (Autoregressive

Integrated Moving Average) Es un modelo estadístico que utiliza variaciones y regresiones de
datos estadísticos rezagados con el fin de encontrar patrones para una predicción hacia el futuro,
un modelo dinámico de series temporales, en este caso las estimaciones futuras vienen explicadas
por los datos del pasado, y no por variables independientes.
Se suele expresar como ARIMA (p, d, q) donde los parámetros p, d y q son números enteros no
negativos que indican el orden de las distintas componentes del modelo. Respectivamente, se
entiende como la unión de los componentes autorregresivo, integrado y de media móvil. Si una
serie de tiempo es estacionaria, se puede modelar en diversas formas (Arce, Arima, 2015).

AR (p) = MODELO AUTORREGRESIVO

Si la variable endógena de un período t es explicada por las observaciones de ella misma
correspondientes a períodos anteriores añadiéndose, como en los modelos estructurales, un término
de error (Mahia, 2015).

Normalmente, se suele trabajar con modelos autorregresivo de órdenes bajos: AR (1) o AR (2), o
bien con la periodicidad de los datos de la serie analizada si es trimestral AR (4), si es mensual AR
(12). En ocasiones pretendemos predecir el comportamiento de una variable y en un momento
futuro t, a partir del comportamiento que la variable tuvo en un momento pasado, por ejemplo, en
el período anterior, yt-1 (Scheidereiter, 2015).

Formalmente notaríamos que yt = f(yt-1) es decir, que el valor de la variable y en el momento t es

función del valor tomado en el período t-1 (Mahia, 2015).

Puesto que en el comportamiento de una variable influyen más aspectos, debemos incluir en la
relación anterior un término de error, 𝜀𝑡 (Mahia, 2015).
Este 𝜀𝑡 es una variable aleatoria a la que suponemos ciertas características estadísticas apropiadas,
es decir: yt = f (yt-1, et) (Mahia, 2015).

Se realiza una regresión sobre los valores que la variable tomó en el período o periodos anteriores.
 Un aspecto importante es el orden del modelo AR. Por ejemplo, el modelo (Scheidereiter,
2015) 𝑌𝑡 = 𝛽0 + 𝛽1 𝑌𝑡−1 + 𝜀𝑡 es de orden 1, y se denota como AR (1).

 Si se toma en el modelo como explicativas los valores de la variable y en los 2 períodos

anteriores, es decir: 𝑌𝑡 = 𝛽0 + 𝛽1 𝑌𝑡−1 + 𝛽2 𝑌𝑡−2 + 𝜀𝑡 entonces se ha especificado un AR (2).
(Scheidereiter, 2015)
I (d) = INTEGRADA

Según (Scheidereiter, 2015) Nivel o cantidad de diferencias entre los valores de la muestra
tomados para que una serie temporal sea estacionaria.

Según (Mahia, 2015) Los modelos de series de tiempo analizados se basan en el supuesto de que
la media y la varianza de una serie de tiempo débilmente estacionaria son constantes y su
covarianza es invariante en el tiempo. Por consiguiente, si debemos diferenciar una serie de tiempo
d veces para hacerla estacionaria y luego aplicarle el modelo ARMA (p, q), decimos que la serie
de tiempo original es ARIMA (p, d, q), es decir, es una serie de tiempo autorregresiva integrada
de promedios móviles, donde p denota el número de términos autorregresivos, d el número de
veces que la serie debe diferenciarse para hacerse estacionaria y q el número de términos de
promedios móviles.

Una serie de tiempo ARIMA (2, 1, 2) tiene que diferenciarse una vez (d _ 1) antes de que se haga
estacionaria, y la serie de tiempo estacionaria (en primeras diferencias) puede modelarse como un
proceso ARMA (2, 2), es decir, tiene dos términos AR y dos términos MA. Desde luego, si d _ 0
(es decir, si para empezar la serie es estacionaria), ARIMA (p, d _ 0, q) _ ARMA (p, q). Observe
que un proceso ARIMA (p, 0, 0) significa un proceso estacionario AR (p) puro; un ARIMA (0, 0,
q) significa un proceso estacionario MA (q) puro. Con los valores de p, d y q sabemos de qué
proceso se está haciendo el modelo. (Quizbert, 1997)

Según (Quizbert, 1997) las herramientas principales en la identificación son la función de

autocorrelación (FAC), la función de auto correlación parcial (FACP) y los correlogramas
resultantes, que son simplemente los gráficos de FAC y de FACP respecto de la longitud del
rezago. Para esto se aplica las técnicas para identificar si el modelo es estacionario o no
estacionario. Se realiza las pruebas de estacionariedad. (Quizbert, 1997) Aunque hay varias
pruebas para la estacionariedad, sólo analizamos las que se estudian de manera prominente en la
bibliografía. En esta sección examinaremos dos pruebas: 1) el análisis gráfico y 2) la prueba del
correlograma. Debido a la importancia que le otorgamos en el pasado reciente, en el siguiente
apartado estudiaremos la prueba de raíz unitaria. Ilustramos las pruebas mencionadas con
ejemplos adecuados.
El análisis gráfico

Esa intuición es el comienzo de una prueba más formal de estacionariedad. En datos no

estacionarios muestra una tendencia ascendente, lo cual deja entrever que quizá esté variando la
media del logaritmo.

Estacionarios cuando la media del logaritmo y la varianza permanecen constantes

Función de Autocorrelación (FAC) y correlograma

Según (Scheidereiter, 2015) Para identificar el modelo ARIMA generador de la serie se utilizan
las funciones FAC y FACP muéstrales. La representación gráfica de ambas, en función de los
distintos retardos se denomina correlograma.
El análisis de Correlograma sirve para identificas si las observaciones de una variable son
estacionarias o no. A través del estadístico Box y Pierce se puede terminar estadísticamente si las
observaciones son no estacionarias o estacionarias.

Estadístico Box y Pierce

̂𝟐𝒌
𝑸 = 𝒏 ∑𝒑
𝒌=𝟏
Dónde:

 n=tamaño de la muestra
 m=longitud de rezago
 k=inicio de la sumatorias
 𝑝̂𝑘2 = Valor de la función de autocorrelación.

Se puede observar las funciones de FAC y FACP muéstrales que se denota en el siguiente gráfico.
Según (Quizbert, 1997) En un modelo AR (1) o, lo que es lo mismo ARMA (1,0), encontramos
que la función de autocorrelación decrece rápidamente hacía cero, bien sea de forma regular
(primer correlograma), o alternando valores positivos y negativos (segundo correlograma).

Prueba de raíz unitaria

(Mahadeva, 2008) Otra prueba sobre estacionariedad (o no estacionariedad) que se populariza cada
vez más se conoce como prueba de raíz unitaria. El Test de Raíz Unitaria sirve para la
determinación del orden de integrabilidad, esto es, para determinar el número de veces que será
necesario diferenciar la serie para hacerla estacionaria en media.
Existen dos procedimientos fundamentales de detección del número de raíces unitarias (aparte de
la simple representación gráfica, que no es más que un método intuitivo), como son el Test Dickey-
Fuller, o Test Dickey-Fuller Aumentado, (abreviadamente DF o ADF respectivamente).
 Función de Dickey Fuller

𝒀𝒕 = 𝒀𝒕−𝟏 + 𝒖𝒕 No estacionario 𝒀𝒕 = 𝒖𝒕 Estacionario

Esta prueba implica “aumentar” las tres ecuaciones anteriores mediante la adición de los valores
rezagados de la variable dependiente Yt.

Puesto que la siguente ecuacion 𝒀𝒕 − 𝒀𝒕−𝟏 = 𝒑𝒀𝒕−𝟏 − 𝒀𝒕 − 𝟏 + 𝒖𝒕 es no estacionario se debe

realizar la respectiva operación en este caso el factor común 𝒀𝒕 − 𝒀𝒕−𝟏 = (𝒑 − 𝟏)𝒀𝒕 − 𝟏 + 𝒖𝒕 a
continuacion se presenta la siguiente ecuación ∆ 𝒀𝒕 = 𝜷𝒀𝒕−𝟏 + 𝒖𝒕 llegando a un modelo
estacionario

DONDE

 P= es el valor de la raíz unitaria

 𝛽 = parámetro de prueba y
 ∆= diferencia de la variable analizada. (Robinson)

En cada caso, las hipótesis son:

Hipótesis nula: h0: la serie de tiempo es no estacionaria o tiene tendencia estocástica.

Hipótesis alternativa: h1: la serie de tiempo es estacionaria.

MA = MEDIA MÓVIL

Según (Galindo) Explica el valor de una determinada variable en un período t en función de un

término independiente y una sucesión de errores. Una alternativa de modelización pasa por tratar
de explicar el comportamiento de una variable y, a través de los errores al estimar el valor de la
variable en los períodos anteriores. Ello da lugar a los modelos de medias móviles.

𝒀𝒕 = 𝜷𝒐 + 𝜷𝒕 𝝁𝒕−𝟏 + 𝜷𝒕 𝝁𝒕−𝟐 + 𝒆

ANÁLISIS DE TASA DE MORTALIDAD Y ACCIDENTES DE TRÁNSITO EN

ECUADOR

MARCO TEORICO

TASA DE MORTALIDAD

Mortalidad.-Permite evidenciar la cantidad de defunciones provenientes de una causa específica,

en un período de tiempo concreto (por lo general, doce meses). Suministra un índice de la
disminución de la población total por una causa determinada y es uno de los indicadores más
utilizados para la evaluación de los programas de salud. (SNI, s.f.)

Defunción.- Es la desaparición total y permanente de todo signo de vida en un momento cualquiera

posterior al nacimiento, sin posibilidad de resurrección. (SNI, s.f.)

Tasa bruta de mortalidad (tasa de mortalidad general): se define como el número de defunciones
que ocurren por cada 1000 habitantes en un año determinado. Es un indicador que depende de la
estructura por edad de la población, por lo que para hacerlo comparable con el mismo indicador
de otras poblaciones, se debe de estandarizar (World Health Organization, 2004)

En general el término “Tasa Bruta de Mortalidad” se emplea cuando el indicador se refiere al total
de defunciones ocurridas en un determinado ámbito geográfico (total nacional, comunidad
autónoma o provincia), mientras que cuando se evalúa el fenómeno restringido a un subconjunto
poblacional, dentro del ámbito geográfico considerado, el indicador se denomina simplemente
“Tasa de Mortalidad”. Así, por ejemplo, la colección de Indicadores Demográficos Básicos del
INE incluye entre sus indicadores la “Tasa de Mortalidad por sexo para el total de edades”. (World
Health Organization, 2004)
Tasas de mortalidad por sexo: Se definen como el total de defunciones de personas
pertenecientes a un determinado ámbito, de sexo s, registradas durante el año t por cada 1.000
habitantes de dicho colectivo poblacional. (INE, s.f.) Es decir,

TMs t = Ds t Ps t ∙ 1000

dónde: Dst = Defunciones registradas durante el año t de personas pertenecientes al ámbito de

estudio, de sexo s. Pst = Población residente media en el ámbito de estudio de sexo s en el año t.

Tasas de mortalidad por edad: Se definen como el número de individuos de la cohorte ficticia que
fallecen con x años cumplidos por tiempo de exposición al riesgo de muerte que tiene dicha
generación. Es decir, se trata del cociente entre el número de defunciones de individuos con edad
cumplida x y el tiempo total vivido (medido en años) por los individuos de la generación ficticia
con edad cumplida x, (INE, s.f.) Esto es:

mx t = dx t Lx t ∙ 1000

dónde: dx t = Defunciones teóricas en el año t de individuos de la cohorte ficticia pertenecientes

al ámbito de estudio, de edad x. Lx t = Población estacionaria a la edad x en el año t. x= Edad. En
general, toma valores comprendidos entre “0” y “100 y más años” para el total nacional y entre
“0” y “95 y más años” para las comunidades autónomas y provincias. Para comunidades y
provincias las tasas se calculan por grupos quinquenales y para el total nacional por edades simples.
(INE, s.f.)

ACCIDENTES DE TRANSITO

Mortalidad por accidentes de tránsito. - Permite evidenciar el número de fallecimientos por

accidentes de tránsito por cada cien mil personas, en un período de tiempo concreto (por lo general,
doce meses). (SNI, s.f.)

Es un suceso imprevisto y ajeno al factor humano que altera la marcha normal o prevista del
desplazamiento en las vialidades. Especialmente es aquel suceso en el que se causan daños a una
persona o cosa, de manera repentina ocasionada por un agente externo involuntario. El perjuicio
ocasionado a una persona o bien material, en un determinado trayecto de movilización o transporte,
debido (mayoritaria o generalmente) a factores externos e imprevistos que contribuyen la acción
riesgosa, negligente o irresponsable de un conductor, de un como pueden ser fallos mecánicos
repentinos, condiciones ambientales desfavorables (sismos o cambios climáticos bruscos y
repentinos) y cruce de animales durante el tráfico o incluso la caída de un árbol por fuertes vientos
en la calle o carretera. (CARRILLO, 2009)

Un hecho, siniestro o incidente vial es aquella colisión entre uno o más sectores de la vialidad
(peatones, ciclistas, automóviles, autobuses, camiones, tractores) en el cual si hay víctimas (tanto
con lesiones leves o graves) se redefine como agresión vial, si se da con daños materiales se le
dice “daños de tráfico”. Estos no son aleatorios ni imprevisibles, y usualmente están acompañados
por corresponsabilidades, como puede ser falta de señalización adecuada, carencia de iluminación
en las calles o la mala construcción de una avenida, falta de planeación o la ejecución de proyectos
mal planeados, carencia de responsabilidad al manejar (conducir en estado de ebriedad, utilizar el
celular mientras se maneja o conducir a exceso de velocidad). (ROMAN, 2014)

Si, como precisaba (Frost, 2009) , la epidemiología es el estudio de las enfermedades como
fenómeno colectivo, y los accidentes en general y los del tránsito en particular ocasionan en el
hombre numerosos traumatismos, es pertinente aplicar el método epidemiológico al estudio de los
accidentes.

ACCIDENTES DE TRANSITO EN ECUADOR

La tasa de accidentes de tránsito en Ecuador, durante 2015, registró una reducción del 8% con
respecto a 2014, según afirmó este lunes el subdirector de la Agencia Nacional de Tránsito, Alexis
Eskandani. (TRANSITO, 2015)

“Esta reducción en la tasa de siniestralidad se ha logrado por el efectivo control que se ha realizado
a nivel nacional”, afirmó el funcionario destacando el trabajo conjunto realizado entre la Policía y
los Gobiernos Autónomos Descentralizados (municipios). (TRANSITO, 2015)

En 2014 se registraron un total de 38.658 siniestros en las diferentes carreteras del país
suramericano, mientras que en 2015 la cifra se redujo a 35.701, lo que muestra una reducción del
8%. (TRANSITO, 2015)

El mismo porcentaje se redujo respecto a los fallecidos por accidentes pues en 2014 hubo 2.322
muertos y el año pasado, la cifra disminuyó a 2.138. (TRANSITO, 2015)
El funcionario subrayó, además, que la tasa de mortalidad por cada 100 mil habitantes en 2015 fue
de 12,94, mientras que en 2014 fue de 14,49. (TRANSITO, 2015)

“Los diferentes operativos en ejes viales y terminales terrestres han permitido que en los últimos
cinco años tengamos la tasa más baja en cuanto a mortalidad por cada 100 mil habitantes”,
manifestó. Eskandani puntualizó que entre las principales causas de siniestralidad de tránsito se
encuentran la falta de atención al conducir ya sea por dispositivos móviles o instalados en los
autos; conducir superando los límites de velocidad; no respetar las señales de tránsito; y la
conducción bajo la influencia de alcohol o estupefacientes. (TRANSITO, 2015)

DESARROLLO DEL MODELO ARIMA

BASE TEORICA
En este análisis, se usan las series históricas de las tasas de mortalidad para la población adulta y
más por 13 causas de muerte y por grupos quinquenales de edad, para el período 1970-2012 para
Costa Rica, para proyectar las tasas específicas por causa y edad para el período 2013- 2062. En
el análisis, se encuentra que las tasas por causas cardiovasculares, infecciosas y por cáncer de
estómago han tenido una disminución más acelerada que el promedio, mientras que la mortalidad
causada por exposición al alcoholismo o por cáncer de mama han tenido una reducción más lenta.
Además, el análisis permite dividir a las causas de muerte según si su mayor incidencia relativa es
al principio. (CELADE, 2010)

Desde el punto de vista de prioridades en políticas de salud, el análisis muestra que la mortalidad
por causas los accidentes de tránsito se están dando en edades relativamente tempranas (antes de
los 70 años), impactando la mortalidad prematura, por lo que políticas preventivas y de atención
enfocadas en estas causas podrían generar ganancias importantes en esperanza de vida. (CELADE,
2010)

En términos de las decisiones relacionadas al AFD, en las estimaciones del producto, se escogió
inicialmente un solo componente principal, que representaba el 63.9% de la variabilidad del
conjunto de series de tiempo, clasificadas por edad. En el análisis de las razones, se tenían 9
grandes causas de muerte. Para cada causa de muerte, se tenía un conjunto de series de tiempo de
razones por edad, por lo que se realiza un análisis de componentes principales para cada causa de
muerte. Nuevamente, de manera temporal, se seleccionó un solo componente principal. A
continuación se señala el porcentaje de variabilidad explicado por el primer componente para cada
causa de muerte: Accidentes en transportes: 32.2%. (CELADE, 2010)

Ilustración 1 Costa Rica: Componente temporal, por grupos de causas de muerte, 1970-
2012

FUENTE: CELADE
ELABORADO: SOFTWARE

Ilustración 2 Costa Rica: Componente por edad, para cada grupo causa de muerte, 1970-
2012.

FUENTE: CELADE ELABORADO: SOFTWARE

La accidentalidad en las vías se ha convertido en un problema de salud pública a nivel mundial
llegando a ubicarse entre las diez causas mayores numerosas de victimas cobra anualmente. Este
problema se concentra especialmente en países de ingresos medios y bajos donde no cuentan con
un plan de movilidad segura ni mediada de prevención efectivas referentes accidentes de tránsito
para evitar muertes y lesiones en la sociedad. (SALINAS, 2014)

En ecuador cuidad cuenca específicamente, no es ajeno este problema accidental vial, por lo que
en este estudio se realizó un análisis estadístico donde se analizaron las principales causas que
provocan con mayor frecuencia estos accidentes en las vías, tomando en consideración todos los
vehículos que circulan en el cantón para en base a ellos identificar propuestas y soluciones.
(SALINAS, 2014)

Posteriormente mediante indicadores de accidentalidad de transito se realizó un análisis estadístico

descriptivo para conocer el estado actual y así poder comparar las cifras con otros cantones , luego
se desarrolló el análisis de series temporales mediante el modelo auto regresivo integrado de
medias móviles ARIMA para obtener proyección sobre el número de accidentes . (SALINAS,
2014)

El análisis inicial de la serie temporal manifiesto un elevado número de picos y valles que no están
espaciados uniformemente por lo que posee fluctuaciones no periódicas en series temporales.
(SALINAS, 2014)

MODELO ARIMA GENERAL

Según (Mahia, 2015) A efectos prácticos, el cumplimiento de esta propiedad pasa por tomar
logaritmos y diferenciar adecuadamente la serie original objeto de estudio. Con la serie ya tratada
para convertirla en estacionaria ya es posible estimar un Modelo ARMA.

Según (Quizbert, 1997) Un Modelo Autorregresivo-Integrado de Medias Móviles de orden p, d, q

Abreviadamente ARIMA (p,d,q), no es más que un modelo ARMA (p,q) aplicado a una serie
integrada de orden d, es decir, una serie a la que ha sido necesario diferenciar d veces para eliminar
la tendencia.
Por lo tanto, la expresión general de un modelo ARIMA (p, d, q) viene dada por:
 𝒅𝒚𝒕 = 𝟏𝒅𝒚𝒕 − 𝟏 + … + 𝒑𝒅𝒚𝒕 − 𝒑 + 𝒆𝒕 + 𝟏𝒆𝒕 − 𝟏 + …
+ 𝒒𝒆𝒕 − 𝒒 𝑑𝑜𝑛𝑑𝑒 𝑑𝑦𝑡

Expresa que sobre la serie original yt, se han aplicado d diferencias. Por lo tanto, sobre una serie
integrada de orden 2, necesitaría una doble diferenciación, lo cual se expresa como: 2yt = (yt)
= (yt - yt-1) - (yt-1 - yt-2) (Quizbert, 1997)

Observe que en la expresión del ARIMA (p, d, q) desaparece el término independiente, justamente
por la aplicación de las diferencias sucesivas (Quizbert, 1997).

EJERCICIO PRÁCTICO EN GRETL

INFORMACION ESTADISTICA

Para el análisis se han construido series temporales a partir de la información procedente del INSTITUTO
NACIONAL DE ESTADISTICA Y CENSOS INEC y la AGENCIA NACIONAL DE TRÁNSITO. Los
datos que se utilizan son anuales, lo que permite trabajar con series más largas y detalladas. El periodo de
análisis 1997-2010 con las variables TASA DE MORTALIDAD Y TASA DE ACCIDENTES DE
TRANSPORTE TERRESTRE.
Tabla 1 BASE DE DATOS

Tasa de Accidentes TASA DE

AÑOS de transporte MORTALIDAD
terrestre GENERAL
1997 19,09 44,44
1998 19,47 4,53
1999 20,46 4,56
2000 21,95 4,50
2001 22,01 4,31
2002 21,55 4,24
2003 18,59 4,02
2004 19,68 4,04
2005 18,05 4,14
2006 17,34 4,15
2007 13,60 4,08
 2008 15,09 4,15
2009 14,96 4,05
2010 14,82 4,11

FUENTE: INEC – ANT

ELABORADO POR: Grupo investigador

Las variables utilizadas, son tasas de variación, con lo que se reduce el componente no estacionario de las
mismas, a la vez que se elimina gran parte del comportamiento estacional. De esta forma, se pueden obtener
modelos más sencillos de orden menor, lo que facilita la precisión de la estimación dado el número de
observaciones del que se dispone.

Gráfico 1Datos reales de la tasa de accidentes de transporte terrestre

La gráfica anterior muestra los datos reales de la variable Accidentes de tránsito a partir del año
1997-2010, la misma que indica una tendencia a la baja a partir del año 2005 con pequeños cambios
en la tendencia por cambios estructurales en los años 1997 y 2010; considerándola como una serie
con estacionalidad.

Gráfico 2 tasa de mortalidad general

La grafica muestra los datos reales de la variable tasa de mortalidad general en el Ecuador a partir del año
1997-2010, la mima que indica ser una serie estacionaria debido a los cambios estructurales.
Test de Raíz unitaria

En estadística y econometría, una prueba de Dickey-Fuller aumentada (ADF) es una prueba de raíz
unitaria para un conjunto amplio y complejo de modelos de series de tiempo. La estadística Dickey-Fuller
Aumentada(ADF), utilizada en la prueba, es un número negativo. Cuanto más negativo es, más fuerte es el
rechazo de la hipótesis nula de que existe una raíz unitaria para un cierto nivel de confianza. El
procedimiento para la prueba de ADF es la misma que para la prueba de Dickey-Fuller pero se aplica al
modelo:

∆𝑦𝑡 = 𝛼 + 𝛽𝑡 + 𝛾𝑌𝑡−1 + 𝛿1 ∆𝑌𝑡−1 + ⋯ + 𝛿𝑝−1 ∆𝑌𝑡−𝑝+1 + 𝜀𝑡

Donde 𝛼 es una constante, β el coeficiente sobre una tendencia temporal y p el orden de retraso del proceso
autor regresivo.
La imposición de las restricciones 𝜶 = 0 y 𝜷 = 0 corresponde a modelar un camino aleatorio y mediante
la restricción 𝜷 = 0 corresponde a modelar un paseo aleatorio con una derivada. Con la inclusión de
retardos de la orden p de la formulación ADF permite procesos autor regresivos de orden superior. Esto
significa que la longitud de retardo p tiene que ser determinada al aplicar la prueba. Un posible enfoque es
probar descendiendo de grandes pedidos y examinar los valores t de los coeficientes. Un enfoque alternativo
consiste en examinar los criterios de información, como el Criterio de Información de Akaike, el criterio
de información bayesiano o el criterio de información de Hannan-Quinn. La prueba de raíz unitaria se lleva
a cabo entonces bajo la hipótesis nula 𝛾 = 0 contra la hipótesis alternativa de 𝛾 < 0. Una vez que el valor
del estadístico de prueba se calcula, debe ser comparado con el valor crítico relevante para la prueba de
Dickey-Fuller. Si el resultado es menor esta prueba no es simétrica por lo que no consideramos un valor
absoluto que el valor crítico mayor negativo, entonces la hipótesis nula de 𝛾 = 0 es rechazada y no hay
raíz unitaria presente. Se analiza la existencia o ausencia de raíces unitarias en cada una de las series a
través de la prueba de Dickey-Fuller aumentada (ADF), la misma que constituye una versión de la prueba
D-F para modelos de series de tiempo mucho más grandes y complicados (Andrews, 2009).

Las hipótesis que prueban este test son las siguientes:

Ho: No hay estacionariedad en las series

H1: Hay estacionariedad en las series

La regla de decisión sugerida requiere entonces, determinar si el t de la prueba de raíz unitaria es menor o
igual al t* crítico de la prueba ADF se rechaza la hipótesis nula de que la serie es no estacionaria y si el t
de la prueba encontrado es mayor al t crítico, se acepta la hipótesis nula de que la serie es no estacionaria,
de la siguiente manera:

Si t ≤ valor crítico ADF: Se procede a rechazar Ho. Entonces la serie es estacionaria

Si t ˃ valor crítico ADF: Se acepta Ho. Entonces la serie es no estacionaria

Estadístico de contraste tau

Si el valor absoluto calculado del estadístico tau “τ” excede la DF absoluta o los valores críticos tau de
MacKinnon, rechazamos la hipótesis de que δ = 0, en cuyo caso la serie de tiempo es estacionaria. Por otra
parte, si el “τ” calculado no excede el valor crítico tau, no rechazamos la hipótesis nula, en cuyo caso la
serie de tiempo es no estacionaria. Hay que asegurarse de utilizar los valores críticos τ apropiados. En la
mayoría de las aplicaciones, el valor tau es negativo. Por consiguiente, también vale decir que si el valor
tau calculado (negativo) es más pequeño (es decir, más negativo) que el valor crítico tau, rechazamos la
hipótesis nula (es decir, la serie de tiempo es estacionaria); de lo contrario, no la rechazamos (es decir, la
serie de tiempo es no estacionaria) (Freeman, 2000).

GRETL
TEST DE RAIZ UNITARIA TASA DE MORTALIDAD GENERAL

Tabla 2 TEST DE RAIZ UNITARIA TASA DE MORTALIDAD GENERAL

Contraste Con Constante

Estadístico de contraste: tau_c(1): -0,597312
valor p: 0,0001
Coef. de autocorrelación de primer orden
0,613
de e:
 Tabla 3raiz unitaria con constante y tendencia
Contraste Con Constante y Tendencia
Estadístico de contraste: tau_ct(1): -0,997484
valor p asintótico: 0,0001
Coef. de autocorrelación de primer orden
0,562
de e:

Como podemos observar con la prueba de raíz unitario se comprueba que la serie Tasa de mortalidad
general es estacionaria debido a la obtención de un p valor de 0.00001 es menor al 5% de significancia.

TEST DE RAIZ UNITARIA TASA DE ACCIDENTES DE TRANSITO

Tabla 4 Raíz unitaria contraste con constante
Contraste Con Constante
Estadístico de contraste: tau_c(1): -0,597312
valor p: 0,8394
Coef. de autocorrelación de primer orden
-0,086
de e:

Tabla 5Raiz unitaria contraste con constante y tendencia

Contraste Con Constante y Tendencia
Estadístico de contraste: tau_ct(1): -2,62134
valor p asintótico: 0,2706
Coef. de autocorrelación de primer orden
0,022
de e:

En las tablas anteriores se puede observar el test de raíz unitaria para la variable tasa de accidentes de
tránsito para la cual se obtuvo valores p del 0.8394 en con contraste con constante y para el contraste con
constante y tendencia un p valor del 0,2707 ambos mayores al nivel de significancia del 5% por lo que no
rechazo la hipótesis nula por lo tanto la serie es estacionaria.
IDENTIFICACION DEL MODELO ARIMA

(MEDIANTE CORRELOGRAMA)

Gráfico 3 Correlograma

Para determinar el orden AR para modelo se lo realiza por medio del correlograma en el en el que se estable
que debe existir un proceso convergente de la autocorrelacion de la FAC un proceso abrupto de la función
de autocorrelacion parcial FACP. Cuando esto es convergente se llama autorregresivo de orden uno porque
después del primer rezago se cae abruptamente. Por lo tanto, nuestro modelo es AR (1).

Después del rezago tres también existe una relación convergente pero se puede observar que también existe
una caída abrupta por a partir de este rezago por lo que el modelo MA(3)

ESTIMACIÓN DEL MODELO IDENTIFICADO

A continuación se muestran los valores obtenidos en el AR (1) MA(3)

Tabla 6 Modelo ARIMA

Coeficiente Desv. Típica Estadístico t Valor p

CONST −2,44831 0,542365 −4,514 6,36e-06 ***

Phi_1 −0,777862 0,438684 −1,773 0,0762 *
Theta_1 −0,933132 0,368203 −2,534 0,0113 **
Theta_2 −0,933131 0,423224 −2,205 0,0275 **
Theta_3 1,00000 0,366941 2,725 0,0064 ***
Tasadeaccidentesdet −2,77990 0,749093 −3,711 0,0002 ***

Criterio Schwarz 107.0345

El modelo ARIMA (1,1,3)- permite percibir buena parte del comportamiento de todas las series. Se observa
que si la tasa de accidentes transito disminuye en 1% esto provoca una disminución del 0.0277990% en la
tasa de mortalidad general en el país.

Así se puede comprobar que los accidentes por transporte terrestre no son de gran influencia en la tasa de
mortalidad del Ecuador.

SUPUESTO DEL MODELO ARIMA

Ahora procedemos a comprobar que nuestro modelo ARIMA de orden (1.1.3) cumpla con los supuestos
de Ruido Blanco, Autocorrelacion y la no existencia de heterocedasticidad condicionada.

Tabla 7 Correlación de los residuos

Gráficamente podemos observar que todos los residuos se encuentran dentro de los límites de las funciones
lo que quiere decir que el valor del estadístico Q y el p valor es mayor que el 5% del nivel de significancia
por lo tanto existe ruido blanco y no existe heterocedasticidad condicionada por lo tanto el modelo tiene
homocedasticidad condicionada y está cumpliendo con los supuestos para el modelo ARIMA.

PRONOSTICO DE LA TASA DE MORTALIDAD GENERAL EN EL ECUADOR.

Se va realizar el pronóstico de 10 años para nuestras series de tiempo es decir a partir del 2010 hasta el
2014
 Tabla 8PREDICCION TASA DE MORTALIDAD

TASA DE
DESVIACION
AÑOS MORTALIDAD POR PREDICCION
TIPICA
ACCIDENTES
2010 14,82 15,79
2011 16,29 14,44
2012 14,72 15,79
2013 17,01 15,44
2014 17,10 15,92
2015 17,75 1,46
2016 17,39 1,96
2017 17,23 2,58
2018 17,16 2,90
2019 17,05 3,25
2020 16,96 3,54
2021 16,86 3,82
2022 16,77 4,08
2023 16,67 4,32
2024 16,57 4,55
A continuación, se puede observar las predicciones que se encuentran en la tabla de una manera gráfica.

Gráfico 4 Predicciones
En la gráfica se puede observar el comportamiento de la tendencia de la serie de tiempo de la tasa de
mortalidad en el Ecuador de una manera mucho más clara en la que podemos notar la existencia de un punto
que se eleva en el 2015 pero después de ese periodo dicha variable sigue el curso de años atrás con una
tendencia al abaja.

CONCLUSIONES

Una vez realizado el modelo ARIMA para la tasa de mortalidad general en el ecuador se puede concluir
que la variable Tasa de Accidentes de transporte terrestre no tiene una relación importante con el aumento
de la tasa de mortalidad puesto que presenta un aporte del 0.027990% del porcentaje de las causas de muerte
en el mismo.

También se puede observar que a partir del año 2014 la tasa de mortalidad empieza disminuir rápidamente
hasta que en el año 2016 presenta un incremento bastante significativo, pero para el año siguiente retoma
su tendencia a la baja estos datos obtenidos gracias a las proyecciones estimadas.

BIBLIOGRAFÍA

Alonso, C. (2009). ECONOMETRIA. Obtenido de eco.uc3m.es:

http://www.eco.uc3m.es/docencia/econometria/NotasdeClase/Tema3.pdf

Arce, R. (2010). Introducción a los modelos multiecuacionales. Obtenido de uam.es:

http://www.uam.es/personal_pdi/economicas/rarce/pdf/intromulti.pdf

Arce, R. (2015). Arima. Arima. econometria informatica.

Galindo. (s.f.). ECONOMETRIA.

Gujarati, D., & Porter, D. (2010). Econometría. Mexico: Megrawill/Interamerica Editores S.A.

Mahadeva. (2008). MODELO ECONOMETIA. BCRC.

Mahia, R. (2015). Arima .

Medina Moral, E. (2016). MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA. Obtenido

de uam.es: https://www.uam.es/personal_pdi/economicas/eva/pdf/modelos.pdf

Quizbert, C. (1997). Arima . ciencia y cutura , 1-8.

Ríos, C. (14 de Noviembre de 2008). Series de Tiempo. Obtenido de academia.edu:
file:///C:/Users/1/Downloads/Series_de_Tiempo.pdf

Robinson. (s.f.). raiz unitaria. rcbc.

Sáez, S. (1959). Realidad económica y análisis estructurak. Madrid: Aguilar.

Scheidereiter, G. D. (2015). econometria. Obtenido de

www.edutecne.utn.edu.ar/trabajo_final/tesis_Scheidereiter.pdf

Vitoriano, B. (02 de Febrero de 2012). dc.uba.ar. Obtenido de Modelos y Métodos de simulación

Estocástica: https://www.dc.uba.ar/materias/escuela-complutense/2012/estocasticos.pdf