Você está na página 1de 92

Aplicación del Modelo VAR Multivariante

Composicional al Producto Interno Bruto

Iván Y. Aliaga Casceres


powervan@gmail.com

9 de septiembre de 2010

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 1 / 83
Interno Bruto
Esquema
1 Aspectos Iniciales
Introducción
Problema
Idea
2 Objetivos
3 Procedimiento
4 Modelo VAR
VAR Estable
Especificación de los Retardos
Pruebas Estadı́sticas
Pruebas Estadı́sticas HP
5 Datos Composicionales
6 Resultados
7 Conclusiones
8 Recomendaciones
Iván Aliaga () 9 de septiembre
Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 2 / 83
Interno Bruto
Aspectos Iniciales Introducción

Introducción

El PIB (Producto Interno Bruto) es el valor total de los bienes y servicios


finales dentro de las fronteras de un paı́s o región en un determinado
periodo de tiempo, es un indicador básico de la actividad económica, el
PIB en su calidad de valor, engloba a la producción, es decir, el producto
interno bruto se refiere a la producción de todas las unidades residentes
dentro de las fronteras de un paı́s1 .

1
Las Cuentas Nacionales de Bolivia, Alfredo Barrientos
Iván Aliaga () 9 de septiembre
Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 3 / 83
Interno Bruto
Aspectos Iniciales Introducción

Introducción

El Sistema de Cuentas Nacionales divide el análisis de la economı́a en dos


grandes areas:
La parte productiva
Cuentas Económicas de los Sectores Institucionales
Para Realizar el análisis, el sistema distingue tanto a las operaciones
económicas que intervienen en cada área como la unidad de observación
estadı́stica que se utiliza en cada una de ellas.
Para la parte productiva la unidad de observación estadı́stica esta
constituida por el Establecimiento.
Para el análisis de las Cuentas Económicas de de los Sectores
Institucionales la categorı́a de observación es la Unidad Institucional.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 4 / 83
Interno Bruto
Aspectos Iniciales Introducción

Introducción

Establecimiento es un lugar de trabajo donde se combinan “Recursos


y Actividades pertenecientes o controladas por una sola entidad y
cuya finalidad es la producción de una serie de bienes y servicios lo
más homogéneos posibles”
Unidad Institucional es entendida como “Una entidad económica ,
que es capaz, por derecho propio, de poseer activos, contraer
obligaciones y participar en actividades económicas y en transacciones
con otras unidades”.
Las personas, individuos o grupos pequeños en forma de hogares.
Entidades Jurı́dicas y sociales cuya existencia está reconocida por la
Ley independiente o al margen de las personas, o entidades que puedan
poseerlas o controlarlas

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 5 / 83
Interno Bruto
Aspectos Iniciales Introducción

De Acuerdo a la Clasificación Industrial Internacional Uniforme (CIIU), las


ramas de actividades son:
1 AGRICULTURA SILVICULTURA CAZA Y PESCA.
2 PETRÓLEO CRUDO Y GAS NATURAL.
3 MINERALES METÁLICOS Y NO METÁLICOS
4 INDUSTRIA MANUFACTURERA
5 ELECTRICIDAD GAS Y AGUA
6 CONSTRUCCIÓN
7 COMERCIO
8 TRANSPORTE Y COMUNICACIONES
9 ESTABLECIMIENTOS FINANCIEROS SEGUROS BIENES
INMUEBLES Y SERVICIOS A LAS EMPRESAS
10 SERVICIOS DE LA ADMINISTRACIÓN PÚBLICA
11 OTROS SERVICIOS

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 6 / 83
Interno Bruto
Aspectos Iniciales Problema

Problema

En econometrı́a las series temporales se encuentran con un problema al


medir las relaciones entre aquellas variables económicas que tienen una
tendencia temporal, este problema puede llegar a que se considere
relaciones significativas completamente espurias.

Por ejemplo, si se tiene dos series completamente independientes, pueden


aparecer como significativamente asociadas entre si en una regresión,
únicamente por tener ambas una tendencia y crecer a lo largo del tiempo.

Recientemente se ha dedicado mucho esfuerzo al análisis de las


propiedades de ecuaciones de regresión con variables más generales que las
estacionarias,Regresión autoregresiva y las variables no estacionarias
cointegradas.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 7 / 83
Interno Bruto
Aspectos Iniciales Problema

Problema

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 8 / 83
Interno Bruto
Aspectos Iniciales Problema

Problema
Regresión Autoregresiva

Un primer intento de solucionar este problema de regresión espuria es


utilizando sistemas multiecuacionales con restricciones.

Byt + Γzt = ut
Donde
 
β11 β12 ... β1G  
 β21 y1t
 β22 ... β2G 
  
B= . .. .. ..  yt =  ... 
 .. . . . 
yGt
βG1 βG2 . . . βGG
 
γ11 γ12 . . . γ1K    
 γ21  z1t u1t
 γ22 . . . γ2k   ..   
Γ =  .. .. .. ..  zt =  .  ut =  ... 
 . . . . 
zkt uGt
γG1 γG2 . . . γGK
Iván Aliaga () 9 de septiembre
Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 9 / 83
Interno Bruto
Aspectos Iniciales Problema

Problema

Sin embargo, C. A. Sims, critica el modelo de


ecuaciones simultaneas, según Sims el realizar
un modelo univariado (AR,MA,ARIMA) para
pronosticar una serie en estudio es trivial, pero
este modelo puede que no refleje la realidad de
los datos, ya que pueden existir otras variables
explicativas que mejoren el comportamiento del
modelo por la existencia de restriccionesa .

a
Macroeconomics and Reality,1980

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 10 / 83
Interno Bruto
Aspectos Iniciales Problema

Problema

El punto principal de su monografı́a, explica que


en contraste con el caso univariado, los vectores
autoregresivos permiten la Dinámica entre las
variables.
Cada variable no solo se relaciona con su propio

pasado, sino también con el de las demás variables


en el sistema.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 11 / 83
Interno Bruto
Aspectos Iniciales Problema

Problema

También Granger explica que existe una noción es-


tadı́stica importante, la Causalidad que esta rela-
cionada con los pronósticos e introducida con nat-
uralidad en el contexto VAR. Tal noción se basa en

dos principios clave: la Causa debe suceder antes


que el efecto y el segundo, que una serie causal
debe contener información útil para el pronósti-
co que no esté disponible en las demás series (in-
cluyendo la historia pasada de la variable pronos-
ticable)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 12 / 83
Interno Bruto
Aspectos Iniciales Problema

Problema

Los Vectores Autoregresivos proveen una exitosa


técnica para hacer pronósticos en sistemas de
variables de series de tiempo interrelacionadas,
donde cada variable ayuda a pronosticar a las
demás variables.
Esta metodologı́a, en cierta forma, es una re-

spuesta a la imposición de restricciones apriori


que caracteriza a los modelos econométricos
convencionales como las ecuaciones simultaneas.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 13 / 83
Interno Bruto
Aspectos Iniciales Idea

Idea

Sin embargo en un modelo de Vector Autoregresi-


vo debe existir por lo menos una interrelación en
un sentido, una interdependencia mutua.
¿Como saber que existe interdependencia entre

las variables en estudio?


Una respuesta Matemática geométrica, la dio

Jhon Aitchison para datos transversales con


relación mutua.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 14 / 83
Interno Bruto
Aspectos Iniciales Idea

Idea

Los datos composicionales son datos en los que


existe una restricción de suma constante, aplicada
a series de tiempo, la series tienen restricción de
suma constante por temporadas.
Esto supone que estas series garantizan absoluta-

mente la interrelación, porque un incremento en


algunas de las series implicarı́a un aumento en al
menos una de las otras series, esto sucede por la
restricción de suma constante.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 15 / 83
Interno Bruto
Aspectos Iniciales Idea

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 16 / 83
Interno Bruto
Objetivos

Objetivos

General
Desarrollar el Modelo Multivariante Autoregresivo, en base al análisis
de datos composicionales, como alternativa a un modelo VAR en el
horizonte de pronostico, para su respectiva aplicación en los 11
componentes del PIB.
Especifico
Realizar el Modelo correspondiente al VAR como objeto de
comparación.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 17 / 83
Interno Bruto
Objetivos

Objetivos

General
Desarrollar el Modelo Multivariante Autoregresivo, en base al análisis
de datos composicionales, como alternativa a un modelo VAR en el
horizonte de pronostico, para su respectiva aplicación en los 11
componentes del PIB.
Especifico
Realizar el Modelo correspondiente al VAR como objeto de
comparación.
Realizar el Modelo correspondiente al espacio composicional o modelo
propuesto.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 17 / 83
Interno Bruto
Objetivos

Objetivos

General
Desarrollar el Modelo Multivariante Autoregresivo, en base al análisis
de datos composicionales, como alternativa a un modelo VAR en el
horizonte de pronostico, para su respectiva aplicación en los 11
componentes del PIB.
Especifico
Realizar el Modelo correspondiente al VAR como objeto de
comparación.
Realizar el Modelo correspondiente al espacio composicional o modelo
propuesto.
Comparar el modelo propuesto versus el modelo a comparar mediante
las pruebas del horizonte de pronóstico.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 17 / 83
Interno Bruto
Objetivos

Objetivos

General
Desarrollar el Modelo Multivariante Autoregresivo, en base al análisis
de datos composicionales, como alternativa a un modelo VAR en el
horizonte de pronostico, para su respectiva aplicación en los 11
componentes del PIB.
Especifico
Realizar el Modelo correspondiente al VAR como objeto de
comparación.
Realizar el Modelo correspondiente al espacio composicional o modelo
propuesto.
Comparar el modelo propuesto versus el modelo a comparar mediante
las pruebas del horizonte de pronóstico.
Estimar el horizonte de pronostico para 8 etapas en las 11 series con el
modelo propuesto.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 17 / 83
Interno Bruto
Procedimiento

Procedimiento

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 18 / 83
Interno Bruto
Procedimiento

Modelo X

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 19 / 83
Interno Bruto
Modelo VAR

Vector Autoregresivo
Definición

Definición
Un proceso VAR(p) se define de la siguiente forma:

yt = A1 yt−1 + . . . + Ap yt−p + CDt + ut (1)

Donde:
Ai : Son Coeficientes Matrices i = 1, 2, . . . , p.
ut : Es un vector D−dimensional, un proceso de ruido blanco con matriz
de varianzas y covarianzas invariante en el tiempo positiva definida

E[ut ut ] = Σu .
C: Coeficiente Matriz de regresores determinı́sticos
D: Vector columna con los regresores apropiados determinı́sticos.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 20 / 83
Interno Bruto
Modelo VAR VAR Estable

Vector Autoregresivo
Forma Estable

De un proceso VAR(p) se tiene un VAR(1).

ξt = Aξt−1 + vt

Donde:
 
A1 A2 . . . Ap−1 Ap  
  ut
yt I 0 ... 0 0 
 0
 ..  0 I ... 0 0  
ξt =  .  , A =   , vt =  .. 
 .. .. .. .. ..  .
yt−p+1  . . . . . 
0
0 0 ... I 0

Si el modulo del eigenvalor de A es menor a 1, entonces el proceso


VAR(p) es estable.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 21 / 83
Interno Bruto
Modelo VAR VAR Estable

Ejemplo
VAR(2)

         
y1t 0,5 0,2 y1,t−1 −0,3 −0,7 y1,t−2 u
= + + 1t
y2t −0,2 −0,5 y2,t−1 −0,1 0,3 y2,t−2 u2t

O visto de otra forma


         
y1 0,5 0,2 y1 −0,3 −0,7 y1 u
= + + 1
y2 t −0,2 −0,5 y2 t−1 −0,1 0,3 y2 t−2 u2 t

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 22 / 83
Interno Bruto
Modelo VAR Especificación de los Retardos

Elección de p

Criterios

b ǫ (n)| +2
AIC(n) = ln|Σ nD2
T
HQ(n) = ln|Σ b ǫ (n)| + 2ln(ln(T )) nD2
T
(2)
b ln(T ) 2
SC(n) = ln|Σǫ (n)| + nD
T
 T + n ∗ D
F P E(n) = |Σb ǫ (n)|
T − n∗

Donde: Σ b ǫ (n) = T −1 PT b ǫ′t


t=1 ǫt b

n es el numero total de parámetros en la ecuación y n es el número de
rezagos.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 23 / 83
Interno Bruto
Modelo VAR Pruebas Estadı́sticas

Pruebas Estadı́sticas

Portmanteau
prueba la hipótesis de ausencia de correlación hasta de orden h de
perturbaciones de un VAR estable, se define como:
h
X
Qh = T tr(C b −1 C
bj′ C bj C
b −1 ) (3)
0 0
j=1

Con C bi = 1 PT ′
ǫt−i , este test se aproxima a la distribución χ2 con
ǫt b
T t=i+1 b
D2 h − n∗ grados de libertad, con n∗ como el número que excluye los
términos deterministas de un modelo V AR(p)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 24 / 83
Interno Bruto
Modelo VAR Pruebas Estadı́sticas

Pruebas Estadı́sticas
La prueba de heterocedasticidad univariante y multivariante2 , también se
basa en la regresión auxiliar.
ARCH

′ ′ ′
vec(b
ǫt b
ǫt ) = β0 + B1 vec(b
ǫt−1b
ǫt−1 ) + . . . + Bq vec(b
ǫt−q b
ǫt−q ) + vt (4)

Donde vt es un proceso de error esférico y vec es el operador de


apilamiento de columna. La dimension de β0 es 21 D(D + 1) × 1 y las
matrices como coeficientes Bi I = 1, . . . , q de dimensión
1 1
2 D(D + 1) × 2 D(D + 1).
H 0 : B1 = . . . = B q = 0
H1 : B1 6= . . . 6= Bq 6= 0
Estadı́stico V ARCHLM (q) = 21 T D(D + 1)Rm 2 ∼ χ2 qD 2 (D + 1)2 /4, con

Rm2 =1− 2 b b −1
D(D+1) tr(ΩΩ0 )
2
Engle 1982, Hamilton 1994 y Lutkepohl
Iván Aliaga () 9 de septiembre
Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 25 / 83
Interno Bruto
Modelo VAR Pruebas Estadı́sticas

Pruebas Estadı́sticas
Normalidad

Jarque - Bera
Caso mulivariante:
JBmv = s23 + s24 ∼ χ22D (5)
′ ′
Donde s23 = T b1 b1 /6 ∼ χ2D , s24 = T (b2 − 3) (b2 − 3)/24 ∼ χ2D y b1 , b2 son
los vectores de momentos de tercer y de cuarto orden de los residuos
estandarizados.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 26 / 83
Interno Bruto
Modelo VAR Pruebas Estadı́sticas

Causalidad de Granger

  Xp     
y1t α11,i α12,i y1,t−i u
= + 1t
y2t α21,i α22.i y2,t−i u2t
i=1

Hipótesis nula: la variable y1t no causa en el sentido de Granger a y2t


es definida como α21,i = 0 para i = 1, 2, . . . , p
La hipótesis Alternativa es ∃α21,i 6= 0 para i = 1, 2, . . . , p
y1t , y2t de dimensión (K1 × 1) y (K2 × 1) respectivamente,
K = K1 + K2 , el estadı́stico se distribuye F (pK1 K2 , KT − n∗ ), con
n∗ igual al número de parámetros en el proceso V AR(p), incluyendo
regresores determinı́sticos

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 27 / 83
Interno Bruto
Modelo VAR Pruebas Estadı́sticas

Causalidad Instantánea

′ ′ + e b u )D+′ C ′ ]−1 Ce
λW = T σ
e C [2CDK (Σu ⊗ Σ K σ.

Hipótesis nula: es la no instantánea causalidad de la variable (y1t ) a


(y2t ) y se define como Cσ = 0 donde C es una matriz de orden
(N × D(D + 1)/2), de rango N que corresponde a la selección de las
covarianzas de u1t y u2t , σe = vec(Σe u)
D+ es la inversa de Moore - Penrose, Σ e u = 1 PT u bt u
bt

K T i=1
λW se distribuye asintóticamente χ2 (N )

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 28 / 83
Interno Bruto
Modelo VAR Pruebas Estadı́sticas HP

Pruebas para los pronósticos

Para yT +1 , yT +2 , . . . , yT +h
qP
T +h yt −yt )2
(b
Raı́z Cuadrada de error promedio (RCE): RCE = t=T +1 h
PT +h |byt −yt |
Error Absoluto medio (EAM): EAM = t=T +1 h
Porcentaje del error
P +h absoluto
ybt −ytmedio
1 (PEAM):
P EAM = 100 Tt=T
+1 yt h
Coeficiente de Theil 3
qP
T +h yt −yt )2
(b
t=T +1 h
T =q q
PT +h ybt2 PT +h yt2
t=T +1 h + t=T +1 h

Donde 0 < T < 1, cuando T → 0 entonces el ajuste es más óptimo.

3
Pindyck y Rubinfeld (1991)
Iván Aliaga () 9 de septiembre
Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 29 / 83
Interno Bruto
Modelo VAR Pruebas Estadı́sticas HP

Modelo Y

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 30 / 83
Interno Bruto
Datos Composicionales

Datos Composicionales
Definición

DC


S D = {(x1 , x2 , . . . , xD ) ; x1 > 0, . . . , xD > 0; x1 +x2 +. . .+xD = 1} (6)

DCT


Xt = {(X1t , . . . , XDt ) ; X1t > 0, . . . , XDt > 0; X1t + X2t + . . . + XDt = 1}
∀t = 1, . . . , T
(7)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 31 / 83
Interno Bruto
Datos Composicionales

Figura: Representación transversal S 3 y S 4 .

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 32 / 83
Interno Bruto
Datos Composicionales

Figura: Representación transversal S 5

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 33 / 83
Interno Bruto
Datos Composicionales

Figura: Ejemplo del tratamiento de datos en la serie Multivariante

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 34 / 83
Interno Bruto
Datos Composicionales

Transformación

Isométrica (ilr)
Dada una base ortonormal del simplex S D , {e1 , e2 , . . . , eD−1 , } se define la
transformación log cociente isométrica (ilr) de una composición x ∈ S D a
un vector v ∈ RD−1 como:

v = ilr(x) = (hx, e1 ia , hx, e2 ia , . . . , hx, eD−1 ia )t (8)

Donde.
1 P xi ei
hx, ei ia = D i<j ln xj ln ej
ei= p p 
p
C exp( 1/i(i + 1)), . . . , exp( 1/i(i + 1)), exp(− i/(i + 1)), 1, . . . , 1
| {z }
i elementos
P
y C(x) = (x1 , x2 , . . . , xD )/ D i=1 xi

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 35 / 83
Interno Bruto
Resultados

Resultados

Figura: Matriz Gráfica,


Iván Aliaga () Componentes
Aplicación del PIB (en
del Modelo VAR Multivariante millones
Composicional de deBs.)
9 de septiembre
al Producto 36 / 83
Interno Bruto
2010
Resultados

Figura: Matriz Gráfica, Componentes del PIB Desestacionalizado

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 37 / 83
Interno Bruto
Resultados

Figura: Componentes del PIB Distribución (en millones de Bs.)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 38 / 83
Interno Bruto
Resultados

Figura: Componentes del PIB Distribución Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 39 / 83
Interno Bruto
Resultados

Figura: Componente AGRICULTURA SILVICULTURA CAZA Y PESCA original y


Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 40 / 83
Interno Bruto
Resultados

Figura: Componente PETRÓLEO CRUDO Y GAS NATURAL original y


Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 41 / 83
Interno Bruto
Resultados

Figura: Componente MINERALES METÁLICOS Y NO METÁLICOS original y


Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 42 / 83
Interno Bruto
Resultados

Figura: Componente INDUSTRIA MANUFACTURERA original y


Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 43 / 83
Interno Bruto
Resultados

Figura: Componente ELECTRICIDAD GAS Y AGUA original y Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 44 / 83
Interno Bruto
Resultados

Figura: Componente CONSTRUCCIÓN original y Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 45 / 83
Interno Bruto
Resultados

Figura: Componente COMERCIO original y Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 46 / 83
Interno Bruto
Resultados

Figura: Componente TRANSPORTE Y COMUNICACIONES original y


Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 47 / 83
Interno Bruto
Resultados

Figura: Componente ESTABLECIMIENTOS FINANCIEROS SEGUROS BIENES


INMUEBLES Y SERVICIOS A LAS EMPRESAS original y Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 48 / 83
Interno Bruto
Resultados

Figura: Componente SERVICIOS DE LA ADMINISTRACIÓN PÚBLICA original y


Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 49 / 83
Interno Bruto
Resultados

Figura: Componente OTROS SERVICIOS original y Desestacionalizada

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 50 / 83
Interno Bruto
Resultados

Modelo X

Para xt = (x1t , x2t , . . . , x11t ) Desestacionalizado

p 1 2 3 4
AIC(p) 50.13 50.18 49.21 47.91
HQ(p) 51.65 53.22 53.78 54.00
SC(p) 53.96 57.83 60.69 63.21
FPE(p) 60.62 77.35 52.82 57.24
AIC(p) HQ(p) SC(p) FPE(p)
4 1 1 3
Cuadro: Criterios de Información para el rezago óptimo modelo X

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 51 / 83
Interno Bruto
Resultados

Modelo X

Xt = A1 Xt−1 + A2 Xt−2 + Ct + ut
Donde:
A1 , A2 : Son Coeficientes Matrices.
ut : Es un vector D−dimensional, un proceso de ruido blanco con matriz
de varianzas y covarianzas invariante en el tiempo positiva definida

E[ut ut ] = Σu .
C: Matriz de Coeficiente determinı́sticos de orden 11 × 1

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 52 / 83
Interno Bruto
Resultados

Pruebas Estadı́sticas Modelo Xt

Portmanteau Test (asymptotic)


Chi-squared = 1693.716, df = 1694, p-value = 0.497

ARCH(multivariate)
Chi-squared = 4554, df = 21780, p-value = 0.9991

JB-Test (multivariate)
Chi-squared = 13.91, df = 22, p-value = 0.903

Skewness only (multivariate)


Chi-squared = 15.23, df = 11, p-value = 0.172

Kurtosis only (multivariate)


Chi-squared = 12.38, df = 11, p-value = 0.34

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 53 / 83
Interno Bruto
Resultados

Modelo Y

p 1 2 3 4
AIC(p) -73.49 -73.20 -73.66 -75.07
HQ(p) -72.23 -70.69 -69.88 -70.03
SC(p) -70.33 -66.88 -64.17 -62.42
FPE(p) 1.23e-32 1.87e-32 1.76e-32 1.03e-32
AIC(p) HQ(p) SC(p) FPE(p)
4 1 1 4
Cuadro: Criterios de información para el rezago óptimo modelo Y

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 54 / 83
Interno Bruto
Resultados

Modelo Y

Yt = Π1 Yt−1 + Ct + ǫt
Π1 : Matrices de coeficientes.
ǫt : Es un vector 11−dimensional, un proceso de ruido blanco con matriz de
varianzas y covarianzas invariante en el tiempo positiva definida

E[ut ut ] = Σu .
C: Matriz de Coeficientes determinı́sticos de orden 11 × 1

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 55 / 83
Interno Bruto
Resultados

Pruebas Estadı́sticas Modelo Yt

Portmanteau Test (asymptotic)


Chi-squared = 1555.008, df = 1500, p-value = 0.1576

ARCH(multivariate)
Chi-squared = 3850, df = 15125, p-value = 0.991

JB-Test (multivariate)
Chi-squared = 30.617, df = 22, p-value = 0.0604

Skewness only (multivariate)


Chi-squared = 5.307, df = 11, p-value = 0.867

Kurtosis only (multivariate)


Chi-squared = 3.8309, df = 11, p-value = 0.955

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 56 / 83
Interno Bruto
Resultados

Causalidad de Granger

Var. F-Test df1 df2 p-valor


AGRIC.SILV.CAZA Y PESCA 2.56220 30 440 0.00002
PETR. CRUDO Y GAS NAT. 2.18154 30 440 0.00040
MIN. MET. Y NO MET 3.13547 30 440 0.00000
IND. MANUFACTURERA 1.92666 30 440 0.00273
ELEC. GAS Y AGUA 3.79410 30 440 0.00000
CONSTRUCCIÓN 1.94010 30 440 0.00247
COMERCIO 1.81947 30 440 0.00583
TRANSPORTE Y COM. 1.81135 30 440 0.00617
E.F.SEG.B. I. Y SERV EMP. 2.13665 30 440 0.00057
SERV. DE LA ADM. PÚBLICA 3.43226 30 440 0.00000
OTROS SERVICIOS 2.24327 30 440 0.00025

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 57 / 83
Interno Bruto
Resultados

Causalidad Instantánea

Var. Chi-squared df p-valor


AGRIC.SILV.CAZA Y PESCA 23.1357 10 0.0103
PETR. CRUDO Y GAS NAT. 16.9850 10 0.0747
MIN. MET. Y NO MET 17.4017 10 0.0659
IND. MANUFACTURERA 14.2050 10 0.1638
ELEC. GAS Y AGUA 23.6359 10 0.0086
CONSTRUCCIÓN 19.5244 10 0.0341
COMERCIO 22.2624 10 0.0138
TRANSPORTE Y COM. 16.6089 10 0.0835
E.F.SEG.B. I. Y SERV EMP. 10.6078 10 0.3889
SERV. DE LA ADM. PÚBLICA 15.8782 10 0.1032
OTROS SERVICIOS 23.1708 10 0.0101

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 58 / 83
Interno Bruto
Resultados

Pronóstico
Modelo Xt ,para 3 etapas de 2009

Var. 1er trim. 2do trim 3er trim.


AGRIC.SILV.CAZA Y PESCA 1004.34 1016.72 1023.48
PETR. CRUDO Y GAS NAT. 474.74 470.88 473.69
MIN. MET. Y NO MET 465.63 451.31 452.64
IND. MANUFACTURERA 1294.15 1305.59 1322.00
ELEC. GAS Y AGUA 150.22 154.48 157.51
CONSTRUCCIÓN 275.61 279.99 282.39
COMERCIO 624.83 627.56 635.36
TRANSPORTE Y COM. 823.09 825.64 828.06
E.F.SEG.B. I. Y SERV EMP. 620.78 643.92 655.04
SERV. DE LA ADM. PÚBLICA 706.07 697.92 702.05
OTROS SERVICIOS 522.01 535.82 543.49

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 59 / 83
Interno Bruto
Resultados

Pronóstico
Modelo Yt ,para 3 etapas de 2009

Var. 1er trim. 2do trim. 3er trim.


AGRIC.SILV.CAZA Y PESCA 1018.27 1036.19 1049.57
PETR. CRUDO Y GAS NAT. 476.50 470.74 462.12
MIN. MET. Y NO MET 485.13 492.13 496.43
IND. MANUFACTURERA 1279.36 1293.66 1303.95
ELEC. GAS Y AGUA 150.71 155.25 159.30
CONSTRUCCIÓN 269.50 285.83 297.76
COMERCIO 624.93 636.33 645.67
TRANSPORTE Y COM. 818.77 831.29 840.73
E.F.SEG.B. I. Y SERV EMP. 609.35 628.15 645.38
SERV. DE LA ADM. PÚBLICA 671.37 683.76 692.86
OTROS SERVICIOS 523.61 535.79 546.39

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 60 / 83
Interno Bruto
Resultados

Pruebas del Horizonte de Pronóstico


Raı́z Cuadrada de la media del error

Var. RCE(Xt ) RCE(Yt )


AGRIC.SILV.CAZA Y PESCA 20.29 3.26
PETR. CRUDO Y GAS NAT. 26.41 23.41
MIN. MET. Y NO MET 75.72 39.74
IND. MANUFACTURERA 2.50 16.07
ELEC. GAS Y AGUA 1.95 3.07
CONSTRUCCIÓN 26.19 32.42
COMERCIO 7.27 2.15
TRANSPORTE Y COM. 23.64 15.51
E.F.SEG.B. I. Y SERV EMP. 36.20 24.99
SERV. DE LA ADM. PÚBLICA 10.38 23.58
OTROS SERVICIOS 9.27 10.80
Total 239.83 195.00

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 61 / 83
Interno Bruto
Resultados

Pruebas del Horizonte de Pronóstico


Error Absoluto Medio

Var. EAM(Xt ) EAM(Yt )


AGRIC.SILV.CAZA Y PESCA 20.13 2.93
PETR. CRUDO Y GAS NAT. 24.87 21.55
MIN. MET. Y NO MET 71.74 37.04
IND. MANUFACTURERA 1.75 15.99
ELEC. GAS Y AGUA 1.63 2.65
CONSTRUCCIÓN 26.18 31.21
COMERCIO 6.87 1.81
TRANSPORTE Y COM. 18.84 11.30
E.F.SEG.B. I. Y SERV EMP. 34.44 22.16
SERV. DE LA ADM. PÚBLICA 10.33 23.37
OTROS SERVICIOS 8.50 9.99
Total 225.30 179.99

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 62 / 83
Interno Bruto
Resultados

Pruebas del Horizonte de Pronóstico


Error Absoluto Medio (en %)

Var. PEAM(Xt ) PEAM(Yt )


AGRIC.SILV.CAZA Y PESCA 1.94 0.28
PETR. CRUDO Y GAS NAT. 5.58 4.84
MIN. MET. Y NO MET 13.44 6.92
IND. MANUFACTURERA 0.13 1.22
ELEC. GAS Y AGUA 1.06 1.72
CONSTRUCCIÓN 10.34 12.29
COMERCIO 1.08 0.29
TRANSPORTE Y COM. 2.20 1.32
E.F.SEG.B. I. Y SERV EMP. 5.68 3.65
SERV. DE LA ADM. PÚBLICA 1.46 3.31
OTROS SERVICIOS 1.61 1.89
Total 44.54 37.74

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 63 / 83
Interno Bruto
Resultados

Pruebas del Horizonte de Pronóstico


Índice de Thiel

Var. T(Xt ) T(Yt )


AGRIC.SILV.CAZA Y PESCA 0.0001958 0.0000049
PETR. CRUDO Y GAS NAT. 0.0016418 0.0013000
MIN. MET. Y NO MET 0.0117526 0.0030321
IND. MANUFACTURERA 0.0000018 0.0000764
ELEC. GAS Y AGUA 0.0000809 0.0001999
CONSTRUCCIÓN 0.0048263 0.0072439
COMERCIO 0.0000660 0.0000057
TRANSPORTE Y COM. 0.0004026 0.0001722
E.F.SEG.B. I. Y SERV EMP. 0.0016883 0.0008206
SERV. DE LA ADM. PÚBLICA 0.0001088 0.0005763
OTROS SERVICIOS 0.0001533 0.0002075

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 64 / 83
Interno Bruto
Resultados

bt Sbt
Pronósticos Xt,original = X

Var. 1er trim 2do trim 3er trim


AGRIC.SILV.CAZA Y PESCA 96417.33 133408.16 90273.24
PETR. CRUDO Y GAS NAT. 42455.23 46627.23 51385.45
MIN. MET. Y NO MET 44595.35 45064.58 46928.05
IND. MANUFACTURERA 110633.34 133151.56 142087.16
ELEC. GAS Y AGUA 12856.39 16165.42 14756.84
CONSTRUCCIÓN 14650.82 22852.53 31879.10
COMERCIO 56892.13 71934.80 64904.45
TRANSPORTE Y COM. 75315.35 79353.49 91881.08
E.F.SEG.B. I. Y SERV EMP. 60705.82 71992.11 63901.92
SERV. DE LA ADM. PÚBLICA 64639.05 69774.11 71846.12
OTROS SERVICIOS 52350.51 54013.20 54681.62

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 65 / 83
Interno Bruto
Resultados

Pronósticos Yt,original = Ybt Sbt

Var. 1er trim. 2do trim. 3er trim.


AGRIC.SILV.CAZA Y PESCA 97754.47 135963.56 92574.43
PETR. CRUDO Y GAS NAT. 42612.74 46613.59 50130.23
MIN. MET. Y NO MET 46463.08 49140.72 51467.80
IND. MANUFACTURERA 109368.43 131934.94 140147.91
ELEC. GAS Y AGUA 12898.48 16245.43 14924.68
CONSTRUCCIÓN 14325.70 23328.67 33614.40
COMERCIO 56901.23 72940.32 65957.33
TRANSPORTE Y COM. 74920.39 79895.82 93287.15
E.F.SEG.B. I. Y SERV EMP. 59588.38 70229.05 62960.07
SERV. DE LA ADM. PÚBLICA 61462.37 68357.92 70906.03
OTROS SERVICIOS 52511.34 54010.21 54972.40

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 66 / 83
Interno Bruto
Resultados

Comparación del Error absoluto Medio en %

Var. PEAM(Xt,orig ) PEAM (Yt,orig )


AGRIC.SILV.CAZA Y PESCA 90.17 87.98
PETR. CRUDO Y GAS NAT. 89.13 89.21
MIN. MET. Y NO MET 91.30 90.64
IND. MANUFACTURERA 90.03 88.15
ELEC. GAS Y AGUA 89.79 89.73
CONSTRUCCIÓN 89.18 89.00
COMERCIO 90.13 90.03
TRANSPORTE Y COM. 90.15 90.10
E.F.SEG.B. I. Y SERV EMP. 89.36 88.57
SERV. DE LA ADM. PÚBLICA 90.04 89.32
OTROS SERVICIOS 89.76 89.53

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 67 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, AGRICULTURA SILVICULTURA CAZA Y


PESCA

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 68 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, PETRÓLEO CRUDO Y GAS NATURAL. (en


miles)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 69 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, MINERALES METÁLICOS Y NO


METÁLICOS. (en miles )

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 70 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, INDUSTRIA MANUFACTURERA. (en millones)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 71 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, ELECTRICIDAD GAS Y AGUA. (en miles )

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 72 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, CONSTRUCCIÓN. (en miles)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 73 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, COMERCIO. (en miles)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 74 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, TRANSPORTE Y COMUNICACIONES. (en


miles )

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 75 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, ESTABLECIMIENTOS FINANCIEROS


SEGUROS BIENES INMUEBLES Y SERVICIOS A LAS EMPRESAS.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 76 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, SERVICIOS DE LA ADMINISTRACIÓN


PÚBLICA. (en miles )

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 77 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, OTROS SERVICIOS. (en miles)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 78 / 83
Interno Bruto
Resultados

Figura: Pronóstico para 8 etapas, Producto Interno Bruto. (en millones)

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 79 / 83
Interno Bruto
Conclusiones

Conclusiones

De todo lo desarrollado se concluye que:


Es posible formular un modelo VAR estable general en el sentido
econométrico con datos correspondientes a una restricción de suma
constante por trimestres para el pronóstico futuro de los componentes
del agregado Producto Interno Bruto.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 80 / 83
Interno Bruto
Conclusiones

Conclusiones

De todo lo desarrollado se concluye que:


Es posible formular un modelo VAR estable general en el sentido
econométrico con datos correspondientes a una restricción de suma
constante por trimestres para el pronóstico futuro de los componentes
del agregado Producto Interno Bruto.
Se ha demostrado que no existen evidencias suficientes en contra de
la hipótesis de que se puede modelar con un modelo VAR estable
utilizando la metodologı́a de datos composicionales.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 80 / 83
Interno Bruto
Conclusiones

Conclusiones

De todo lo desarrollado se concluye que:


Es posible formular un modelo VAR estable general en el sentido
econométrico con datos correspondientes a una restricción de suma
constante por trimestres para el pronóstico futuro de los componentes
del agregado Producto Interno Bruto.
Se ha demostrado que no existen evidencias suficientes en contra de
la hipótesis de que se puede modelar con un modelo VAR estable
utilizando la metodologı́a de datos composicionales.
Las 11 series consideradas en este trabajo son identificadas como
endógenas, es decir existe causalidad bilateral entre ellas, todo esto
por la dinámica económica residente en ellas y por la razón económica
que reside con desagregación del Producto Interno Bruto.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 80 / 83
Interno Bruto
Conclusiones

Conclusiones

La incorporación de datos con restricción de suma constante en series


económicas y su uso posterior en un sistema de ecuaciones o un
vector autoregresivo multiple mejora el ajuste de por lo menos 50 %,
pero aun se deben hacer pruebas con respecto a la distribución de las
innovaciones que preceden cada variable y basarse en un modelo
teórico económico relevante.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 81 / 83
Interno Bruto
Conclusiones

Conclusiones

La incorporación de datos con restricción de suma constante en series


económicas y su uso posterior en un sistema de ecuaciones o un
vector autoregresivo multiple mejora el ajuste de por lo menos 50 %,
pero aun se deben hacer pruebas con respecto a la distribución de las
innovaciones que preceden cada variable y basarse en un modelo
teórico económico relevante.
Los Modelos VAR es una metodologı́a nueva, sofisticada y de gran
utilidad para fines de modelación y estimación del pronóstico se series
de tiempo multivariadas.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 81 / 83
Interno Bruto
Recomendaciones

Recomendaciones

Debe considerarse a todas las variables en estudio libres de la


estacionalidad por poseer ruidos oscilatorios, es decir, ruidos que
muchos casos puedan dar lugar a interpretaciones erróneas.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 82 / 83
Interno Bruto
Recomendaciones

Recomendaciones

Debe considerarse a todas las variables en estudio libres de la


estacionalidad por poseer ruidos oscilatorios, es decir, ruidos que
muchos casos puedan dar lugar a interpretaciones erróneas.
Antes de realizar un modelo VAR para la estimación de multiples
series, se considera construir inicialmente la matriz de correlaciones
entre las variables de estudio, la cual debe presentar altas
correlaciones.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 82 / 83
Interno Bruto
Recomendaciones

Recomendaciones

Debe considerarse a todas las variables en estudio libres de la


estacionalidad por poseer ruidos oscilatorios, es decir, ruidos que
muchos casos puedan dar lugar a interpretaciones erróneas.
Antes de realizar un modelo VAR para la estimación de multiples
series, se considera construir inicialmente la matriz de correlaciones
entre las variables de estudio, la cual debe presentar altas
correlaciones.
El número de rezagos óptimo debe estar considerado bajo el principio
de parsimonia y por las pruebas que se vieron anteriormente.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 82 / 83
Interno Bruto
Recomendaciones

Recomendaciones

Para el modelo composicional se debe tomar en cuenta la no


negatividad, tal es el caso de la variable SERVICIOS BANCARIOS
IMPUTADOS se recomienda otro tipo de modelo.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 83 / 83
Interno Bruto
Recomendaciones

Recomendaciones

Para el modelo composicional se debe tomar en cuenta la no


negatividad, tal es el caso de la variable SERVICIOS BANCARIOS
IMPUTADOS se recomienda otro tipo de modelo.
Una vez conocido los datos reales de cada componente del Producto
Interior Bruto de un nuevo periodo, se recomienda retroalimentar el
modelo para obtener un mejor ajuste y mejorar los pronósticos con
dicha información.

Iván Aliaga () 9 de septiembre


Aplicación del Modelo VAR Multivariante Composicional de 2010
al Producto 83 / 83
Interno Bruto