Predicción de variables de alta frecuencia, una … · funcional y posteriormente elaborado...
Transcript of Predicción de variables de alta frecuencia, una … · funcional y posteriormente elaborado...
Predicción de variables de alta frecuencia, una aplicación a la serie diaria hábil del Circulante en poder del público en Uruguay
Elena Ganón Garayalde
Banco Central del Uruguay [email protected]
Segunda Versión – Abril 2012
MONTEVIDEO, URUGUAY
2
Predicción de variables de alta frecuencia, una aplicación a la serie diaria hábil del Circulante en poder del público en Uruguay
Elena Ganón Garayalde1
Banco Central del Uruguay2
SUMARIO
Este trabajo se enmarca en un proyecto de análisis y modelización de variables económicas y financieras, de media y alta frecuencia que se viene ejecutando en el Banco Central del Uruguay (BCU) desde hace años utilizando herramientas de análisis de series temporales. En el marco del seguimiento de la política monetaria, y en particular con frecuencia diaria, disponer de predicciones del Circulante en poder del público diario hábil para el mes corriente es un insumo importante. Es en este contexto que se han desarrollado estudios de análisis de datos exploratorio y funcional y posteriormente elaborado modelos de series temporales para predecir esta variable monetaria, procediéndose luego a la evaluación de la capacidad predictiva de estos modelos en relación a modelos ad hoc. Los resultados recomiendan el uso de estas predicciones por parte de los analista encargados del seguimiento diario de la política monetaria.
Palabras llaves: modelos de series de tiempo, evaluación de predicciones, variables monetarias, datos de alta frecuencia JEL: E41, E47
Time series models for high-frequency monetary variables: A case study Currency in circulation in Uruguay
Elena Ganon-Garayalde3
Banco Central del Uruguay (BCU)
ABSTRACT
The monitoring of high-frequency data is a very important issue in the daily review of monetary policy at the Central Bank in Uruguay. In this paper exploratory and functional data analysis followed by the build-up of univariate time series models (ARIMA) are used to capture the special characteristics of Currency in circulation –coins and currency money held by the public - business daily variable, and forecast the current month daily data. The Currency in circulation (CC) business daily data analyzed corresponds to the period between the years of 2005 to 2011.The forecast performance of the CC time series models is evaluated considering ad hoc models achieving satisfactory results. Key words: time series models, forecasting evaluation; monetary variables; high-frequency data JEL: E41, E47
1 Correo electrónico:. [email protected] 2 Las opiniones vertidas en este trabajo son de responsabilidad de la autora y no comprometen al Banco Central del Uruguay. Se agradece el apoyo de los colegas del Departamento de Análisis Monetario por viabilizar la disponibilidad de los datos. Segunda Versión Abril de 2012. Primera versión. Diciembre de 2011. 3 Mail: [email protected]
1 - In Este trabade media años utilipropusierdiaria háb En el marprediccionun insumsistema dmayoría da lo larg(jubilacio(el pago d Es en esteestadísticoprocediénrecomiendla política El uso de plazo o code varios (2010)) y p En este trestimaciócada día pARIMA y calidad dmediana d 2 - A En esta s(estando dvisualizacperíodo ctemporal Gráfica 1
4 Para facilLa Reserva centrales se (vault cash)
ntroducc
ajo se enmary alta frecuezando herra
ron modelos bil.
rco del seguines del Circuo importantee pagos vía
de los casos ao del mes nes y pensio
de los aguina
e contexto quo y elaborad
ndose luego dan el uso d
a monetaria.
modelos ARon frecuencia
Bancos Cenpor tipo de b
rabajo, se comn diaria del
para cada añSARIMA y se las predicde las proyec
Análisis E
sección se prdefinida com
ción de los dconsiderado de la serie de
– Circulante
itar, ahora enFederal de St Lrefiere al Circu
ción
rca en un proencia que se
amientas de de predicció
miento de laulante en Pode. En Uruguatarjetas de c
a las empresaestá pautadnes) y su retldos en juni
ue se han deo modelos ua la evalua
e estas predi
RIMA para laa diaria ha sintrales. (Ballbillete usando
mienza en lames corrieno y de la difee estiman do
cciones elabcciones), fina
Explorato
resenta un amo la Emisiódatos, al cálcva de eneroe tiempo del
diario hábil
adelante, denLouis usa la deulante consider
oyecto de anáe viene ejecu
análisis de ón para varia
a política moder del Públiay el uso de crédito y de das (a diferenc
da por el patiro para el po y diciembr
esarrollado esunivariados dación de la icciones por
a predicción ido analizadoi F. & Elsamo otros mode
a sección 2 conte basado eerencia de laos modelos poradas con
almente en la
orio
análisis expln menos la Cculo de esta
o de 2005 a Circulante d
– Enero 2005
nominaremosnominación Cuando a los bille
álisis y modeutando en el
series tempables moneta
onetaria, y eco (billetes yefectivo por débito cubrecia de lo queago de sala
pago de prestre, gastos de
studios de ade series tem
capacidad parte de los
del circulanto por varios
madisy (2011elos en Fase
on un análisen una estimas medianas, para el circulos modelos
a sección 5 fi
oratorio de Caja de los b
adísticas básoctubre de
diario hábil.
5 - Octubre 2
s al Circulanteurrency in Circuetes y monedas
elización de vBanco Centorales. Con
arias mensua
n particular y monedas) d
parte del pae el 10%; y loe sucede por rios y prest
taciones y pocompras en
nálisis explomporales para
predictiva d analista enc
te ya sea conautores en a), Cassino V(1981)
sis exploratormación ad ho
luego se prelante diario s y combinaguran las co
la serie del bancos) de fricas y al an2011. En la
2011
e en Poder deulation para la en poder del p
variables ecoral del Uruganterioridad
ales y en part
con frecuendiario hábil particulares esos cheques esejemplo en
taciones de or efectos estfin de año y
ratorio de daa predecir esde estos mocargados del
n frecuencia plicaciones e. & all (1997
rio de la varioc de la medesentan en lahábil, en la s
aciones de pnclusiones.
Circulante recuencia diaálisis explora gráfica 1 se
l Público simpemisión cuand
público sin cons
onómicas y figuay (BCU) dd, en Ganónticular para
cia diaria, dpara el mes costá muy extestán restringBrasil). Su vala previden
tacionales envacaciones).
atos, análisissta variable modelos. Los
seguimiento
mensual paefectuadas e7), Güler H.,
iable y se prodiana de los a sección 3 losección 4 se predicciones
en Poder dearia hábil, en
ratorio multie aprecia la
plemente Circdo la mayoría dsiderar la caja d
3
inancieras, desde hace n (2008) se
la emisión
isponer de orriente es ndido, y el gidos en la ariabilidad ncia social n los meses .
s funcional monetaria, resultados
o diario de
ra el corto n el marco , Talaslı A.
opone una valores de
os modelos evalúan la (media y
el Público4 n base a la variado El evolución
ulante. de los bancos de los bancos
4
Para facilitar el análisis exploratorio de los datos, la serie de tiempo se puede presentar como una matriz tridimensional de mes, día hábil y año, yuxtaponiendo las matrices anuales de mes por día hábil, (ver figura 1 del apéndice 1) o como una matriz tridimensional de día hábil, mes y año, yuxtaponiendo las matrices anuales de día hábil por mes. (Ver figura 2 del apéndice 1)
Se considera una matriz de datos de mes * día hábil *año, X I J K donde K es la cantidad de años (6 o 7) (el año va de 2005 a 2010 completo y en algunos casos se incluye el 2011 parcialmente5), I es la cantidad
de meses (12) y J (k i) es la cantidad de días hábiles, un valor variable que depende del año k y del mes i considerado. En el caso de la frecuencia diaria hábil (o días de negocios o días trabajados como se le denomina en inglés) se eliminan los sábados, domingos y feriados. Los feriados pueden ser fijos, variables (dentro del mes o entre meses, ejemplo carnaval que puede caer en febrero o en marzo, semana de turismo que puede caer en abril o marzo) e intermitentes (ejemplo el primero de marzo en el año cuando asume un nuevo presidente de la República, como sucedió en 2005 y 2009). A su vez estos feriados pueden caer en sábado o domingo por lo cual no son considerados. Esto provoca que la cantidad de días hábiles no sea fija y constante para el mismo mes cada año o entre los meses e un año. El menor número de días hábiles es 18 (generalmente corresponde a febrero) y el máximo es 23 (este caso se presenta cuando el mes tiene 31 días, no hay feriados y el número de sábados y domingos es 8).
Consideremos el año 2005 (k=1 en la notación anterior de X), la matriz X . . 2005 de meses * días hábiles (12*22) que se muestra en la tabla 1. En enero los feriados fijos son el 1 y el 6, el primero cayó en enero de 2005 un sábado y hubieron 5 fines de semana en el mes, con lo cual la cantidad de días hábiles fue 20. El mes con menos días hábiles fue febrero con 18, luego con 20 días hábiles figuran enero, abril, julio y octubre, con 21 días hábiles marzo, mayo y noviembre y con 22 días hábiles junio, agosto, setiembre y diciembre. Para ciertos estudios en que se necesita un número fijo de observaciones (ejemplo análisis de componentes principales para cada mes) se consideró la matriz de L * 18 (febrero) o L*19, o L*20 donde L es la cantidad de años y se toman 18 o 19 o 20 días hábiles según el caso.
Tabla 1 – Circulante diario hábil - Matriz de datos para el año 2005, X . . 2005 .
En la Figura 1 se puede visualizar la evolución de cada mes de 2005 a lo largo de los días hábiles. En la primera gráfica, se destaca el mes de diciembre en cuanto a su forma y valores, por lo cual se eliminó en la segunda gráfica. En la segunda gráfica se observa un crecimiento del Circulante en los primeros 5 días hábiles del mes, se mantiene 2 o 3 días y comienza a disminuir hasta cerca del final de mes que comienza a crecer nuevamente. El pago de salarios y pasividades está por detrás de este crecimiento y luego con el correr del mes y el pago de obligaciones y los depósitos disminuye el circulante. Si se observa, no hay un crecimiento pronunciado a lo largo del año mes a mes, pero si analizamos los primeros 11 meses, el valor de julio en el primer día hábil supera al de los otros meses. Si analizamos junio vemos un incremento del circulante a partir de mitad de mes. El pago del medio aguinaldo a partir del 15 del mes eleva el circulante y este permanece hasta julio en valores superiores al de los otros meses. Luego se observa que noviembre presenta valores elevados y diciembre permanece en un nivel superior al de los otros meses con el pago del medio aguinaldo y comisiones en la segunda quincena del mes y el movimiento de fin de año relacionado a las fiestas.
5 (hasta los primeros 4 días de octubre de 2011)
DIA HABILDIA 1 DIA 2 DIA 3 DIA 4 DIA 5 DIA 6 DIA 7 DIA 8 DIA 9 DIA 10 DIA 11 DIA 12 DIA 13 DIA 14 DIA 15 DIA 16 DIA 17 DIA 18 DIA 19 DIA 20 DIA 21 DIA 22
AÑO_MES
2005.01 10661 10874 11311 11433 11561 11681 11572 11494 11440 10818 10518 10378 10305 10249 9613 9451 9251 9301 9496 93922005.02 9872 10057 10752 11317 11366 11461 11488 10993 10704 10243 10329 10274 9567 9595 9520 9396 9572 96042005.03 9976 10243 10748 11326 11420 11615 11781 11934 11447 11113 10922 10845 10927 10493 10246 10224 10224 9484 9374 9408 95722005.04 10182 10355 10732 11094 11646 11899 11554 11357 11102 10959 10957 10188 9975 9857 9861 9424 9257 9183 9205 95742005.05 9883 10226 10731 11106 11933 11710 11604 11499 11387 11364 10601 10321 10078 10193 9687 9465 9261 9265 9331 9117 93412005.06 9773 10127 10732 11019 11525 11571 11580 11686 11195 10925 10744 10700 10781 10573 10477 10411 10343 10294 10202 10361 9953 102202005.07 10960 11028 11460 11872 12460 12689 12270 12008 11783 11668 11640 11019 10706 10530 10488 10050 9875 9782 9882 102232005.08 10415 10690 11133 11554 12391 12199 12050 11996 11877 11875 11294 10994 10783 10651 10681 10267 10084 9983 9915 9654 9690 99622005.09 10321 10920 11246 11614 12203 12337 12513 12051 11749 11521 11373 11371 10974 10751 10483 10391 10322 9902 9746 9682 9773 102742005.10 10494 10836 11391 11826 12712 12275 12107 11936 11919 11252 11082 10854 10790 10801 10300 10101 9936 9926 10133 101052005.11 10620 11087 11818 12124 12482 12616 12659 12677 12156 11862 11678 11565 11558 11112 10892 10676 10601 10626 10291 10261 105702005.12 11186 11820 12154 12350 13159 13378 13585 13095 12883 12749 12745 13089 12765 12995 13231 13409 13632 12909 12723 12713 13003 13347
Figura 1 -
En la Tabpara cadatercer cua Tabla 2 –
De estas eutilizar pamedianas En la tabconsidera
- Circulante
la 2 se muesta año (en el artil y máxim
Circulante –
estadísticas sara una esti que son las
bla 3 se prndo los 12 m
8000
9000
10000
11000
12000
13000
14000
DIA1
DIA2
8000
8500
9000
9500
10000
10500
11000
11500
12000
12500
13000
DIA1
D2
diario hábil
tran alguna dejemplo 200
mo. En el Anex
– Estadística
se derivaranimación ad que dan mej
esenta parameses del año
ADIA3
DIA4
DIA5
DIA6
IA2
DIA3
DIA4
DIA5
DIA6
l – Año 2005
de las tablas 05 y 2006). Sxo 2 figuran
as básicas p
la diferencihoc del mesjor resultado
cada año o k, k =2005 a
DIA7
DIA8
DIA9
DIA10
D1
ADIA7
DIA8
DIA9
DIA10
D
5 – Evolució
con las estadSe calcula elos cálculos
para cada día
a entre añoss corriente.
o en la estima
las mediana 2011.
DIA11
DIA12
DIA13
DIA14
DI15
DIA11
DIA12
DIA13
DIA14
D1
n de los mes
dísticas básicl mínimo, ppara todos lo
a hábil – año
s de las medAquí solo se
ación del mes
as calculada
A5DIA16
DIA17
DIA18
DIA19
IA15
DIA16
DIA17
DIA18
DIA19
ses a lo largo
cas calculadarimer cuarti
os años estud
os 2005 y 200
ias y de las e presenta us corriente.
as para cad
ADIA20
DIA21
DIA22
A9DIA20
DIA21
DIA22
o de los días
as para cada l, promedio,
diados.
06
medianas y una aplicació
a día hábil
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
5
hábiles
día hábil y , mediana,
se pueden ón con las
t, t=1,22,
Tabla 3 –
En la tabla La mediandías hábil Tabla 4 –
Una fórmel año antLa mediancorriente.
En la tablade octubre Tabla 5 –
Hasta ahoobjetivo efrecuenciamultivariaconglome En el casomaximizade la mat
Circulante –
a 4 figura la
na del año 20es disponible
Circulante
ula ad hoc pterior más una del año co
a 5 anexa coe, calculándo
Circulante –
ora empleames por la dea mensual adas como erados u otra
o del Análisia su varianciariz de covari
–Para cada
diferencia de
di
011 está calces en octubre
- Diferencia
ara estimar en coeficienteorriente es re
P
mparamos laose el error d
– Valor obse
mos estadístfinición de como verem
Análisis d técnica simi
s de Compoa total, este ancia (o de c
año, evoluc
e las median
f k t = median
ulada en el ee corriente) p
a de las med
el mes corriee por la diferecalculada co
roj k t = me
a proyecciónde la proyecc
ervado vs pr
ticas básicasnuevas varia
mos más adde Componilar.
nentes Princproblema secorrelación)
ción de las m
as del año k
na k t – medi
ejemplo con para cada día
dianas – Par
ente, en este rencia de lason cada nuev
ediana k -1 t +
de octubre aión y el error
royección de
s para resumables agregadelante), o nentes Princ
cipales (ACPe resuelve ca
de las p vari
medianas cal
respecto al
ana k -1 t
los valores da hábil.
ra cada día h
caso octubre medianas. E
vo mes dispo
+ * diff
así obtenida r absoluto po
el modelo a
mir informacando en el t
por la aplicipales, An
P), partiendo lculando los iables en con
lculadas par
año k - 1, do
e enero a oct
hábil
e, es usar el vEl coeficientenible, lo cual
k t
y el valor oborcentual (ve
d hoc
ción, otra foiempo (pasacación de tálisis Func
de un conjuvalores prop
nsideración.
ra cada día h
onde k = 2006
tubre (prime
valor de la me empleado el modifica la
bservado del er fórmulas 7
orma de alcaando de diartécnicas expional o An
unto de p vapios y vectorPara resumi
6
hábil
6 a 2011.
eros cuatro
mediana en es =1.22. diferencia
Circulante 7 y 9).
anzar este ria hábil a ploratorias nálisis de
ariables, se res propios r los datos
originalesprincipale El uso de independla distribuconsideraestá autocpara desc(2002) se tiempo co Empleandanálisis epartiéndo En la gráfa 2011. Sede los año El año 200carnaval c Gráfica 2–
En la gráflos marzovariancia gráfica 1. Gráfica 3
En el casopor lo quexplicada.componen
18000
19000
20000
21000
22000
23000
24000
DIA 1 D
s, o sea la infes que expliq
ACP en seriientes (comoución conjunda en el anácorrelacionadribir el fenómpresentan, e
omo en el dom
do ACP para efectuado soose de una m
fica 2 se apree destaca el aos siguientes
08 solo tienecayó en la seg
– Circulante
fica 3 anexa sos de los año
total). O sea
- Circulant
o del análisisue se eligier. En la gráficnte y con la c
DIA 2 DIA 3 DIA 4 DIA
formación couen un alto
es de tiempoo por ejemplnta de las vaálisis (ya sea da. El empleomeno u obteen el contextminio de la f
resumir la inbre los mesatriz origina
ecia la evolucaumento de (2008 y 2011
e 19 días hábgunda seman
e – Evolució
se muestra elde 2005 a 20
a la matriz d
e - Marzo de
s del mes deron las dos ca 4 se muecombinación
A 5 DIA 6 DIA 7 DIA
C
ontenida en porcentaje d
o es una exteo bajo el aná
ariables en elos días hábo de ACP en ener una repto de series dfrecuencia.
nformación des de Marzol X N p de N o
ción del mes los últimos c1 respectivam
iles porque lna de marzo
n comparad
l mes de mar011 para los de análisis X
e 2009 y prim
diciembre lprimeras co
stra la evolun lineal de las
8 DIA 9 DIA 10 DIA 11
Circulante diaria h
las p variable la varianci
ensión del caálisis multivestudio. En eiles o los meeste marco s
presentación de tiempo, d
de los meses o como variobservacione
de marzo encuatro valoremente).
a semana de(en la mayo
da del Mes de
rzo de 2009 yprimeros 19
X es de 19*7
mera compo
a explicaciónomponentesución diaria s dos primera
DIA 12 DIA 13 DIA 14
hábil - MARZO y Pr
les se puede a total (por e
aso en que laariado clásicel contexto deses como ense da como uresumida deiferentes tip
como variabiables y los es y p variabl
n función de es de los años
e turismo cayría de los año
e Marzo par
y la primera c9 días hábiles7, cuya evolu
onente del A
n de la prim ponderadasdel mes de
as componen
DIA 15 DIA 16 DIA 17 D
rimera component
utilizar las pejemplo más
as p variablesco) y sin consde series de n el caso partuna técnica de la informacos de ACP ta
bles, se introdías hábiles
les, con N=22
los días hábs 2007 y 2010
yó en marzo,os carnaval a
a los años 20
componente s (ya que expución año a
ACP de los m
era compones por la prodiciembre d
ntes
DIA 18 DIA 19 DIA 20 DIA
te
primeras com del 80%).
s tienen obssiderar hipóttiempo, cad
ticular de esde análisis exción originalanto en el do
oduce a contis como obse2 y p=7.
biles para los0, equiparan
, mientras quacontece en f
005 a 2011
resultante dplica más delaño se visua
meses de ma
ente es inferoporción dee 2009 con
‐2
‐1.
‐1
‐0.
0
0.5
1
1.5
2
A 21 DIA 22 DIA 23
7
mponentes
ervaciones tesis sobre
da variable te trabajo) xploratorio . En Jollife ominio del
nuación el ervaciones,
años 2005 do el valor
ue en 2011 febrero).
del ACP de l 80% de la alizó en la
arzo
rior al 80% variancia la primera
.5
.5
5
5
2009
ACP_p1
Gráfica 4
Hasta ahoresumiendgeneradasdías hábil En partic
resulta denúmero den la literponderadpresentado Interesa apartir de mes y la diciembremáximo tproduce o Gráfica 5
La pregungraficando En la figuque preseserie del msemana dsalarios dque se rep
8 000.00
9 000.00
10 000.00
11 000.00
12 000.00
13 000.00
14 000.00
– Circulante
ora se sintetdo la informs a partir de es.
ular, la serie
el ACP de la e meses 12)
ratura efectoo de la may
o para la emisi
analizar conjla serie diarserie del mí
e en que la stienen una footro salto de
– Circulant
nta que se po para cada a
ra 2 se verifinta en el memínimo come turismo cae los funcion
petirá en ma
2005
.01
2005
02
CIRCULANTE FIN
e – Mes de D
tizó la evolumación de lo
la serie diar
e del prome
matriz Y N y p = 18 es l
o media, ya qyoría de las ión diaria háb
juntamente ia para los mínimo tienenserie fin de orma similarnivel.
e - Evolució máximo)
plantea es si año como se
ca que el añoes de marzo uo ocurre en
ayó en la prinarios públicrzo de 2012.
2005
.02
2005
.03
DE MES CIRCU
Diciembre de
ción para caos días hábria hábil: mín
dio tiene la
* p donde Na cantidad dque en la mavariables y il en Ganón (
el comportameses de 200n un compor
mes se acerr, creciendo
n comparad) para el año
este comporha hecho pa
o 2007 y 2010un valor cerclos otros memera seman
cos y pasivid
2005
.04
2005
.05
ULANTE MINIMO EN EL
2009 vs CP1
ada día hábbiles. Esto senimo, fin de,
misma form
N =6*12 (es de días hábileayoría de lossi los pesos
(2008)).
miento de la05. Como se rtamiento simrca a la serieen julio a u
da de las serio 2005
rtamiento seara 2005.
0 presentan cano o igual aeses, salvo dina de abril, aades que no
2005
.06
L MES CIRCULA
y combinac
il, veamos ce puede ver, promedio y
ma que la p
la cantidad des. Este resus casos la pr
son similar
as series mepuede visuamilar, crecene del máximn nuevo niv
es mensuale
e repite todo
un comportaa la serie del ciembre). Es
adelantándosormalmente s
2005
.07
2005
.08
ANTE PROMEDIO EN E
ción lineal pr
uando lo haanalizando máximo o b
rimera comp
de años 6 (dltado se explimer compoes se acerca
nsuales de Clizar en la gn en junio, po. Ya las serel y nuevam
es (mínimo,
os los años. U
amiento simimáximo (en
sto se debe ase el pago dese efectúa al
2005
.09
2005
.10
EL MES CIRCUL
rimeras 2 com
acemos para o las series bien por un A
ponente prin
del 2005 al 20lica por el de
onente es una a la media
Circulante geráfica 4, la spero se diferries del prom
mente en dic
fin de, prom
Una forma d
ilar para la se vez de acerc
a que en ambel mes de ma inicio de ab
2005
.11
LANTE MAXIMO EN EL
8
mponentes
cada mes mensuales ACP de los
ncipal que
010) por el enominado promedio
a (resultado
eneradas a erie fin de rencian en medio y el ciembre se
medio y
de verlo es
erie fin de, cársele a la bos años la arzo de los bril, suceso
2005
.12
MES
Figura 2 –
Otra exte(ACPF) (Fen estudioSi la funcila forma daplica el Fversión mpor un ladde observel númeroaplicacionen Viviani& Silvermmensual u En la figupara cadacon funcien base a
– Circulante
nsión del ACFPCA en su so en vez de sión x (t) se odiscreta de u
FACP. La refemás aplicada do de que se vaciones es bo de observanes de ACPF i, Gron & Sp
man (2010)). una aplicació
ra 3 para el ca año (réplicaiones básicaslas 7 curvas
e - Gráficas C
CP es en la dsigla en ingléser variablesbtiene mediduna variableerencia biblioy computacobtienen coastante men
aciones no ese dan más
pitzer(2005)),En (Shang &
ón de PFDA s
caso de los mas) obtenidass de Fourier,anteriores (r
Comparadas
dirección deés “Function con observada en tiempoe continua, yográfica de eional Ramsamponentes dor al número
es la misma en el área ma datos prov
& Hyndmanseguido de un
meses de mas por suaviza, mostrando replicas).
s de las Vari
el llamado Aal Principal
aciones indeo discreto (eny se estimaneste tipo de aay, Hooker &de mejor calo de variable(ejemplo ca
médica (análisvenientes den (2009) se un modelos de
rzo de 2005 amiento usan
a continuac
ables mensu
nálisis de CoComponentspendientes on vez de cont
primero lasanálisis es Ra
& Graves (20idad, en partes consideradntidad de dísis de imáge la química o
usa para serie predicción
a 2011, se mndo la funcióión la gráfica
uales para lo
omponentes s Analysis”), o bien series tinuo) puedes curvas a seamsay & Silv09). El interéticular en el das, y que peías hábiles enes de resono de fuente mie de tiempoadaptativo.
uestra la gráón smooth.baa de la funci
os años 2005
Principales en el que lade tiempo s
e ser consideer consideradverman (2010és de usar Acaso en que
ermite trabajen el mes). Enancia magnmetereológico univariada
áfica de las fasis del paquión de media
9
a 2010
Funcional s variables
son curvas. rada como das y se le 0) y en una
ACPF parte el número jar cuando
Ejemplo de ética fMRI
ca (Ramsay estacional
uncionales uete R FDA a calculada
Figura 3 –
Otra exteIndependidentificacque estas & Lafaye (fMRI) y s Existe otroes tridimindividuoMorineauevolucionhacen otra Aplicacionfundamen
– Resultado d
nsión en el ientes (ACI)ción a partircomponentede Micheau
se puede usa
o enfoque demensional, po
s, variables yu & Piron, an en el tiemas aplicacion
nes en econtalmente a
de FDA sobre
Funcio
sentido del ) (en inglésr de los datoses son indepx (2010) se mr la referenc
e la escuela dor ejemplo y tiempo) qu1997) Adem
mpo donde nnes (Zarraga
onomía o la determin
e las series de
onales de ma
Fu
análisis exps ICA “Indes de fuentes endientes enmuestra unaia de Stone (
de análisis dsi se analiz
ue extiende emás existenno se exige q& Goytisolo
finanzas dnación de co
e marzo de 2
arzo – réplica
unción de me
ploratorio prependentent
de señal o cn el espacio (a aplicación (2004) como
e datos franczan matriceel ACP al STA extensione
que los indiv(2009), Ganó
de estas téomponentes
2005 a 2011, f
as para 2005
edia
roviene del Componen
componentes(sICA) o en ea datos de im una introdu
cesa aplicadoes tridimensATIS y sus p
es para maviduos sean lón (2011)).
écnicas expno observa
funcionales y
a 2011
llamado Anát Analysis”)s desconocidel tiempo (tICmágenes de
ucción al tem
o a casos en ionales de osteriores mnejar tablasos mismos e
loratorias hadas (por eje
y función de
álisis de Com) cuyo objedas bajo el suCA). En Bordresonancia
ma.
que la fuentvariables co
modificaciones de frecueen cada año
han estado emplo en es
10
media
mponentes tivo es la upuesto de dier, Dojat magnética
te de datos ontinúas ( es. (Lebart, ncias que como si lo
dirigidas studios de
11
inflación subyacente o del PIB potencial) en base al análisis de un gran número de series de tiempo de variables económicas, monetarias y financieras con el fin de identificar una señal que permita proyectar valores futuros de la inflación o del PIB sin la influencia de efectos transitorios. En general, se realiza un análisis de las variables ajustadas por estacionalidad en el dominio del tiempo (ACP) o un análisis principal dinámico (en el dominio de la frecuencia) y a partir de un modelo de espacios de estados sobre las componentes estimadas se proyecta la variable a estudio (inflación, PIB). O se, se procede primero a un análisis exploratorio para resumir la información contenida en un gran conjunto de variables y luego se aplica un modelo. Para ello se podría usar también análisis funcional (FPCA) en la primera parte y modelos en la segunda). En este trabajo estas técnicas (ACP, FDA) se han empleado más como estudio exploratorio para describir los datos que con propósito de predicción, se podría predecir la primera componente como método en dos etapas. En este caso hacer el cálculo de la componente en función de los días hábiles para predecir los valores no se justifica, ya que se hace directamente sobre las series mensuales derivadas por medio de modelos SARIMA. Podría si interesar cuando las variables son los meses y la dimensión tiempo está dada por los días hábiles, en la línea del trabajo de Shang & Hyndman (2009). En cuanto a predecir la serie de tiempo diaria hábil para el mes corriente, se ha hecho con el modelo ah hoc en función de las medianas y con modelos ARIMA que pasaremos a describir. 3 - Modelos de series de tiempo y predicción Un proceso estocástico puede ser visto como una familia de variables aleatorias o un conjunto de realizaciones. Un proceso estocástico indexado en el tiempo se lo denomina serie de tiempo, una realización particular se la llama serie de tiempo observada. (Koopman, 1995) La medición del tiempo puede ser continua o discreta. En este trabajo nos restringiremos a este último caso. La información disponible la constituyen series de tiempo observadas, medidas en intervalos equi-espaciados de tiempo, por ejemplo una vez al año, cada trimestre, una vez por mes, todos los días. En estos casos decimos que son de frecuencia anual, trimestral, mensual y diaria. El período es la inversa de la frecuencia, en el caso trimestral e1 s=4, en el caso mensual s =12. En el caso particular del Circulante se trabaja con datos de frecuencia mensual y diaria (corrida y hábil) La serie de tiempo se puede descomponer en una componente determinística y una componente puramente aleatoria. Según sea la estructura de estas componentes tendremos expresiones o modelos que tentarán explicar el comportamiento de los valores observados y predecir valores futuros. Sea y t una serie de tiempo, f t la parte puramente determinística y et la parte puramente aleatoria.
y t = f t + et (1) La componente determinística puede ser una función lineal, cuadrática, cúbica, en el tiempo, o sea una función polinómica en t que modela la componente a largo plazo denominada tendencia
f t = b0 + b1 t + b2 t2 + b3 t
3 + ….+b p t p (2)
que puede ser ajustada a todas las observaciones o localmente (medias o medianas móviles). La parte puramente aleatoria puede ser un ruido blanco o un proceso más complejo como los procesos ARMA (Autoregresivo de Medias Móviles), que son procesos de segundo orden estacionarios e invertibles (si las raíces de los operadores y(B) están fuera del círculo unitario) . Sean el operador autoregresivo de orden p, con B el operador desfasaje B y t = y t – 1 y(B) el operador de medias móviles de orden q, sea a t un proceso incorrelacionado de media cero y variancia constante
pp (3)
y t sigue un proceso ARMA (p , q) si y t = a t (4)
12
Si la serie de tiempo tiene componente de tendencia y/o estacional, estas se las puede eliminar por medio de diferencias regulares y estacionales respectivamente, donde s es el período de la serie, d y D el orden de diferenciación regular y estacional respectivamente.
1dd B
(5)
La extensión del modelo ARMA a series no estacionarias lleva a la especificación de modelos Autoregresivo Integrado de Medias Móviles ARIMA (p, d, q) y la extensión a series con componente estacional variable a la especificación de modelos Autoregresivo Integrado de Medias Móviles estacional SARIMA (p, d, q) (P, D, Q) s. Sean s�) = 1 - sP
P s el operador auto-regresivo estacional de orden P
s��) = 1 - s QQ sel operador de medias móviles estacional de orden Q,
Sean (1-B) d el operador diferencia regular de orden d, (1- Bs) D el operador diferencia de orden D y período s, y t sigue un proceso SARIMA (p , d, q) (P,D,Q)s si
s�) (1 – B) d (1 – Bs) D y t = s��) a t (6)
Los procesos estocásticos que dan origen a la mayoría de las series económicas pueden ser considerados dentro de la clase de los procesos ARIMA (Autoregresivo Integrados de Medias Móviles) o su extensión estacional SARIMA. En base a la especificación de estos procesos se estiman modelos por medio de un procedimiento iterativo de identificación, estimación y validación (Box & Jenkins, 1970) que sirven para predecir los valores futuros de la serie de tiempo en consideración. La etapa de identificación implica determinar el orden de diferenciación d y D y la periodicidad s, bien como definir el número de parámetros autoregresivos (p y P) y de parámetros de medias móviles (q y Q) en base al análisis de las funciones de autoccorrelación y de autocorrelación parcial de la serie original y sus diferencias. La estimación se puede hacer por máxima verosimilitud o por métodos no lineales, mientras que en la validación se analizan los residuos resultantes del ajuste del modelo. La evaluación de las predicciones elaboradas es una parte importante del procedimiento predictivo que implica el análisis exploratorio de los datos, la identificación de un modelo, su estimación y validación (analizando los residuos) y la performance predictiva. La selección entre usar uno u otro modelo está hecha no en base a la predicción dentro de la muestra sino fuera de la muestra, ya que el objetivo es obtener buenas predicciones. Un modelo puede ajustar mejor dentro de la muestra y tener una pobre performance predictiva y viceversa. Sea y t + h el valor observado en el instante t+ h, y t (h) la predicción h pasos en adelante con origen en el instante t basada en los valores observados y 1 , ... , y t , Se denomina error de predicción e t (h)
e t (h) = y t + h - y t (h) (7) Error de predicción absoluto
AE h = ABS (e t (h)) (8) Error absoluto porcentual APE h = 100 * AE h / y t + h (9) Si se considera el error acumulado calculado para uno a h pasos en adelante, se puede definir varias medidas, una es el error absoluto medio MAE h, y en el caso porcentual: el error medio MAPE h o la mediana MdAPE h h
MAE h = � (1/h) | (e T (j) | (10)
j=1
1DD s
s B
13
h
MAPE h = � (1/h) 100 * |e T (j) |/ y T+ j
j=1
MdAPE h = mediana (APE 1 , … . APE h) Si se considera el error de predicción h pasos en adelante para diferentes orígenes de tiempo t=T,.., T+k-1, se pueden definir varias medidas relativas como el promedio MAPE (h), la mediana MdAPE (h), el mínimo MinAPE (h), el máximo MaxAPE (h). El más usado es un paso en adelante h=1. k - 1
MAPE (h) = � (1/k) 100 * ABS (e T+ j (h) / y T+ j +h j=0
MdAPE (h) = mediana (APET (h), …. , APET+ k -1(h)) (11) MinAPE (h) = mínimo (APET (h), …. , APET+ k -1(h)) MaxAPE (h) = máximo (APET (h), …. , APET+ k -1(h)) 4 - Evaluación de predicciones Los modelos identificados, estimados y validados fueron Modelo 1
(1- 6 * B ** 6 - 11 * B** 11 - 21 * B ** 21) (1- B) circ t = (1 - a Y a partir de abril de 2011 el Modelo 2 (1- 7 * B ** 7 -- 8 * B ** 8 - 11 * B** 11 - 21 * B ** 21) (1- B) circt = (1 - a Cada mes, se estima el modelo con datos diarios hábiles del circulante desde enero de 2008 hasta el mes anterior, y con base en el segundo día hábil del mes corriente se calcula la predicción del mes corriente hasta el segundo día hábil del mes siguiente, Por ejemplo, con base en 03/05/2011 se calcula la predicción de mayo hasta el 02/06/2011 con datos desde 2008 a hasta abril de 2011. En el cuadro 1 que figura en el anexo 1 se muestran los valores del mes de abril y la predicción de mayo de 2011 calculada con el Modelo 2. Cuando se dispone de los datos verdaderos del mes corriente, se grafica el valor observado y la predicción (ver gráfica 5) y se calcula el error (E), el error absoluto (AE), el error absoluto porcentual (APE) para uno hasta h períodos en adelante (ver cuadro 2) y se gráfica la evolución del APE (gráfica 6). Gráfica 5 – Circulante - Predicción mes de mayo 2011 versus valor observado – Modelo 2
20000
25000
30000
35000
2011
.05.
02
2011
.05.
03
2011
.05.
04
2011
.05.
05
2011
.05.
06
2011
.05.
09
2011
.05.
10
2011
.05.
11
2011
.05.
12
2011
.05.
13
2011
.05.
16
2011
.05.
17
2011
.05.
19
2011
.05.
20
2011
.05.
23
2011
.05.
24
2011
.05.
25
2011
.05.
26
2011
.05.
27
2011
.05.
30
2011
.05.
31
2011
.06.
01
2011
.06.
02
Observado Predicción
Cuadro 2
Gráfica 6
Calculánd(MAE h) y
– Circulant
– Circulant
dose luego coel porcentua
me
a
te - Calculo d
e - Evolució
on los datos dal: la media (
s base h
abril 21
h pasos
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
de errores de
n del error a
del cuadro 2 (MAPE h) y la
mes predic
mayo
E
error er
189
152
440
235
-101
-515
-352
6
-506
-407
-695
-704
-1104
-1471
-1458
-1584
-1984
-2447
-2342
-1741
-776
e predicción
absoluto por
para los h paa mediana (M
cción MAE
914.7
AE
rror abs erro
189
152
440
235
101
515
352
6
506
407
695
704
1104
1471
1458
1584
1984
2447
2342
1741
776
n – Modelo 2
rcentual de j
asos en adelaMdAPE h)
E h MAPE
7 3.4
or relativo err
0.0063
0.0050
0.0139
0.0075
0.0032
0.0169
0.0116
0.0002
0.0172
0.0141
0.0246
0.0252
0.0406
0.0553
0.0550
0.0600
0.0761
0.0947
0.0892
0.0639
0.0270
2 – Mayo 201
j=1, h pasos
ante, el error
E h MdAP
2.5
APE
ror abs porc
0.6
0.5
1.4
0.8
0.3
1.7
1.2
0.0
1.7
1.4
2.5
2.5
4.1
5.5
5.5
6.0
7.6
9.5
8.9
6.4
2.7
011
en adelante
r acumulado
PE h
5
14
e
absoluto
En la tabelaboradadetectándMdAPE h)con otras de comerc Tabla 6 -
Para no sose resumeque los m(en este cvalores de Figura 2a –
bla 6 anexa as con base edose la prese) en el caso daplicaciones
cio exterior o
Evaluación
m
s
obrecargar lae en la prese
meses de maycaso valores e APE que du
– Circulante –
se comparaen los meses encia de errde los mesess en que los o modelos tri
prediccione
mes base
abril 2
mayo 2
junio 2
julio 2
agosto 2
etiembre 2
octubre 2
a exposición,entación de yo y junio tie
de error APuplican los va
– Modelo 2 - E
n los resultade abril a oc
rores porcens base de abr
errores acumimestrales de
s elaboradas
h mes pre
21 ma
22 jun
20 ju
21 ago
22 setie
20 octu
21 novie
, en vez de lola figura 2 lonen comport
PE inferioresalores de prin
Evolución de
ados de las ctubre de 201tuales altos ril y agosto.mulados sonel PIB. (Ganó
s con el Mod
edicción M
ayo 91
nio 10
ulio 92
osto 98
embre 67
ubre 69
embre 45
os cuadros coos errores portamiento sims al 4%, luegncipio de me
los errores p
prediccione11 respectiva(diferencia
Los resultadn mayores (pón (2011, 2012)
delo 2 – Med
AEh MAP
14.7 3.4
043.5 3.5
25.9 3.1
80.1 3.3
70.4 2.3
93.4 2.2
57.6 1.5
on los erroresorcentuales milar y que logo un mínimes).
porcentuales p
es de mayo amente, obteentre el valos son muy
por ejemplo e)).
didas acumu
PEh MdAPE
4 2.5
5 3.2
3.1
3 3.1
3 1.4
2 2.2
5 0.7
s (como el cupara cada mos meses de
mo y en la s
para cada me
a noviembrenidas con elor del MAPbuenos si coen modelos
uladas
Eh
uadro 2 para mes. Se pued
julio y agostsegunda part
es. Mayo a ag
15
re de 2011 modelo 2,
PE h y del omparados mensuales
cada mes) e observar to también te del mes
gosto 2011
Figura 2b
En la figucon el mo Figura 3a –
b - Circulante
ura 3 se mueodelo 2 para l
– Circulante –
e – Modelo 2 -
stran la evolos meses de
– Predicción
- Evolución dSetiem
ución para cmayo a novi
Circulante co
e los errores mbre a noviem
cada mes, deiembre de 20
on Modelo 2
porcentualesmbre 2011
el valor obse011.
vs valor obse
s para cada m
rvado y de la
ervado – mayo
mes.
a predicción
yo a agosto 20
16
elaborada
011
Figura 3b
En el apénanteriormEn medidpredicciónsignificati Tabla 7 -
Pero si secomportaestimació En el cuadtercer al 2los modelpromedioal inicio ees el que método secuanto a mejor, sus
– Circulante –
ndice se presmente para el
as resumen an de mayo y ivas, como po
Evaluación
mes ba
abril 20
mayo 20
junio 20
julio 20
agosto 2
setiembre
octubre 2
e analiza denmiento es din ad hoc.
dro siguiente20 día hábil olos ARIMA m
o aritmético des mejor la adestá en prime optaría pola media o las performanc
– Predicción
sentan para e modelo 2. acumuladas, noviembre, odemos ver a
prediccione
ase h
011 21
011 22
011 20
011 22
2011 22
2011 20
2011 21
ntro del mesiferente día a
e se muestraobtenidas pomodelo 2 y mde predicciond hoc, luego
mer o segundor el modelo a mediana dces son bast
Circulante co
el modelo 1 l
la performasuperior en
al comparar
s elaboradas
mes pr
may
juni
julio
agos
setiem
octub
noviem
las prediccia día osciland
a para el mesor el procedimmodelo 1 y pnes y la medel modelo 1,
do lugar o co2, aunque c
e las proyeccantes parecid
on Modelo 2
as figuras sim
ance del modla de agosto las tablas 7 y
s con el Mod
redicción
yo 2011
io 2011
o 2011
sto 2011
mbre 2011
bre 2011
mbre 2011
iones calculado de uno a
s de octubremiento ad ho
por combinaciana de las t y al final el
on valores decualquiera deciones en caddas.
vs valor obse
milares a las
delo 1 es infey en los otro
y 6.
delo 1 _ Med
MAEh
1242
1647
945
718
602
709
567
adas a partirotro modelo
e de 2011 el voc del modeción de predtres predicciopromedio de
e APE no exce las opcionda día salvo
ervado – setie
figuras 2 y 3
erior a la del os meses no h
didas acumu
MAPEh M
4.5
3.4
3.2
2.5
2.0
2.3
1.9
r del segundo o siendo me
valor observalo en base a
dicciones de ones. Los rese las prediccicepcionales. es presenta al final del m
mbre a noviem
3 mostradas
modelo 2 enhay diferenci
uladas
MdAPEh
4.0
3.0
2.9
2.1
1.4
2.1
1.6
o día hábil dejor en algun
ado y la predla mediana, las tres antesultados muiones, pero eSi se debieraerrores acep
mes donde la
17
mbre 2011
n la ias
del mes, el nos días la
dicción del por el por
eriores: un estran que
el modelo 2 a elegir un ptables. En a media es
Tabla 8 –
En la gráfpredicciónla mejor estiman e Gráfica 7proyeccio
En la grácombinac
Estudio com
fica 7 se visun del mes dedel promedi
el circulante.
7 – Circulaones de 1 a
áfica 8 se visciones de pre
mparativo p
ualiza el valoe octubre de io de las pro
nte – mes 20 pasos en
sualiza el eredicciones) ut
para el mes d
or observado2011. Se per
oyecciones a
de octubren adelante
rror absolutotilizados en l
de octubre d
o y las proyercibe claram
al final del m
e de 2011
o porcentualla predicción
de 2011 de o
cciones paraente la peor
mes y como
- Comparac
para los cin del mes de
opciones de p
a los cinco mperformancetodos en los
ción del va
nco métodooctubre de 2
proyección
métodos usade del métodos primeros 8
alor observa
os (tres mod2011.
18
dos para la o ad hoc y 8 días sub-
ado y las
elos y dos
Grafica 8
5 - Conc En el análdel cual stiempo pames corriehasta un calidad deen la segu10% y conaplicar sim En cuantomedianas,parte, se rregresión)
- Circulante
clusiones
lisis de la sersurge un méara los datos ente. Si se tienúmero que
e las predicciounda parte, con errores acumilares mode
o a posibles d, o métodos
recomienda e) para el anál
e – mes de o
rie del Circuétodo ad hocdiarios hábil
ene en cuentae oscila alredones obtenidon errores abumulados MAelos univariad
desarrollos funo paramét
el uso de técnlisis de variab
octubre de 20
lante diaria hc de predicciles, los cualesa que el númdedor de 20
das son muy bbsolutos porcAPEh en un dos en series
uturos, se contricos funcionnicas de análibles económi
011 - Compa
hábil se ha pión y se elabs se aplican c
mero de pasospasos en ad
buenas en la centuales indintervalo demensuales y
nsidera usar unales con actisis de datos ficas.
aración del A
presentado uboraron dos
con base en es de en los qudelante (depeprimera par
dividuales infel 1.9 al 4.5%y trimestrales
un modelo dtualización dfuncionales (
APE de 1 a 2
un análisis exmodelos un
l segundo díaue se calcula lendiendo dete del mes y feriores al 1%
%. Si comparalos resultado
e suavizamiedinámica de descriptivas,
20 pasos en a
xploratorio dnivariados deía hábil para la predicción
el mes considno tan efecti
% y nunca suados con resos son muy b
ento exponenprediccionesde ACPF y m
19
adelante
de los datos e series de predecir el
n va de uno derado), la ivas a veces
uperiores al sultados de buenos.
ncial en las s. Por otra
modelos de
20
Bibliografía Balli F., Elsamadisy (2011) Modeling the Currency in Circulation for the State of Qatar. Central Bank of Qatar. http://mpra.ub.uni-muenchen.de/20159/1/Qatarcirculation.pdf Bordier C., Dojat M. Lafaye de Micheauz P. (2010) Temporal and Spatial Independent Component Analysis for fMRI data sets embedded in a R Package Box G.E.P., Jenkins G.M. (1970). Time Series Analysis Forecasting and Control. Holden Day, San Francisco. Cassino V., Misich P., Barry J. (1997) Forecasting the demand for currency. Reserve Bank New Zealand. Reserve Bank Bulletin, Vol 60 No1,1997. http://www.rbnz.govt.nz/research/bulletin/1997_2001/1997mar60_1cassinomisichbarry.pdf Fase M.M.G. (1981) Forecasting the needs for coins: A case study for the Nederland. Technological Forecasting and Social Change. Volume 19, March 1981, Pages 147-159. Elsevier. Ganón E. (2008) Time series univariate models of medium and high frequency monetary indicators: Its use for the implementation and review of monetary policy. Presentado en el ISF2008 - International Symposium of Forecasting. Niza, Francia. Junio 2008 Ganón E. (2011) Simultaneous Analysis of contingency tables drawn with telephone data registration from the National Telephone Service to Support Women Suffering Violence in Uruguay. Working Paper. PLEMUU. Uruguay . Presented at CARME 2011, Nice, France Ganón E. (2012) Evaluación de la performance de modelos de predicción de las importaciones totales y clasificadas por GCE para el año 2011. Informe Interno. AIE, BCU. Enero/ 2012. Güler H., Talaslı A. (2010) Modelling the Daily Currency in Circulation in Turkey. Central Bank Review ISSN 1303-0701 print/ 1305-8800 online. Central Bank of the Republic of Turkey. http://www.tcmb.gov.tr/research/cbreview/jan10-2.pdf Hyndman R. J., A.B. Koehler (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22, 679-688. Jollife I.T. (2002) Principal Component Analysis. Springer- Verlag. New York. 2 nd edition. Koopman L.H. (1995) The Spectral Analysis of Time Series Academic Press INC. San Diego. 2nd edition Lebart, L., Morineau, A., Piron, M. (1997) Statistique exploratoire multidimensionnelle. Dunod, Paris 2ndEd. Ramsay, J.O., Silverman, B.W. (2010) Functional Data Analysis Springer Science+ Business Media Inc. New York. 2nd edition. Ramsay, J.O., Hooler,H., Graves, S. (2009) Functional Data Analysis with R and MATLAB Springer Science+Business Media Inc. New York Shang H.L, Hyndman R. (2009) Nonparametric time series forecasting with dynamic updating Monash University. Australia Stone J.M. (2004) Independent Component Analysis. A tutorial Introduction The MIT Press Cambridge, Massacchusetts Viviani R., Gron g., Spitzer M. (2005) Functional Principal Component Analysis of fMRI Data Human Brain Mapping 24:109-129. Zárraga A., Goitisolo B. (2009) Simultaneous analysis and multiple factor analysis for contingency tables: Two methods for the joint study of contingency tables. Computational Statistics and Data Analysis, 53 (2009) 3171-3182.
21
ANEXO 1
Cuadro 1 – Predicción del mes de Mayo con el modelo 2
Fecha Dia habil Observado Predicción
01/04/2011 1 2011.04.01 28602
04/04/2011 2 2011.04.04 30042
05/04/2011 3 2011.04.05 29703
06/04/2011 4 2011.04.06 30263
07/04/2011 5 2011.04.07 30968
08/04/2011 6 2011.04.08 31277
11/04/2011 7 2011.04.11 30644
12/04/2011 8 2011.04.12 30143
13/04/2011 9 2011.04.13 29733
14/04/2011 10 2011.04.14 29492
15/04/2011 11 2011.04.15 29599
19/04/2011 12 2011.04.19 28585
20/04/2011 13 2011.04.20 28259
25/04/2011 14 2011.04.25 27217
26/04/2011 15 2011.04.26 26731
27/04/2011 16 2011.04.27 26317
28/04/2011 17 2011.04.28 26363
29/04/2011 18 2011.04.29 26790
02/05/2011 1 2011.05.02 27431
03/05/2011 2 2011.05.03 28792
04/05/2011 3 2011.05.04 29669
05/05/2011 4 2011.05.05 30443
06/05/2011 5 2011.05.06 31122
09/05/2011 6 2011.05.09 31049
10/05/2011 7 2011.05.10 31175
11/05/2011 8 2011.05.11 31057
12/05/2011 9 2011.05.12 30833
13/05/2011 10 2011.05.13 30320
16/05/2011 11 2011.05.16 29832
17/05/2011 12 2011.05.17 29346
19/05/2011 13 2011.05.19 28890
20/05/2011 14 2011.05.20 28693
23/05/2011 15 2011.05.23 28265
24/05/2011 16 2011.05.24 28082
25/05/2011 17 2011.05.25 27971
26/05/2011 18 2011.05.26 27982
27/05/2011 19 2011.05.27 28065
30/05/2011 20 2011.05.30 28281
31/05/2011 21 2011.05.31 28606
01/06/2011 1 2011.06.01 28989
02/06/2011 2 2011.06.02 29532
Figura 1 – CCirculante –
Estadísticas
ANEXO 2
s básicas pa
ara cada día hábil – añosos 2005 a 201
23
0
Figura 2a –
Figura 2b
– Circulante –
b - Circulante
– Modelo 1 - E
e – Modelo 1 -
ANEXO 3 –
Evolución de
- Evolución dSetiemb
– Evaluació
los errores p
e los errores bre a noviem
n Modelo 1
porcentuales p
porcentualesbre 2011
para cada me
s para cada m
es. Mayo a ag
mes.
24
gosto 2011