INFORME DE COYUNTURA DE LA ECONOMIA ESPAÑOLA

Facultad de Ciencias Económicas y Empresariales
TRABAJO FIN DE GRADO
GRADO EN ECONOMÍA
ANÁLISIS DE LA COYUNTURA DE UNA
ECONOMÍA DESARROLLADA
Mónica Gil Ochoa
DIRECTOR
Emilio J. Domínguez
Irastorza
Pamplona-Iruña
Viernes, 12 de junio de 2015
RESUMEN
El presente trabajo es una informe de la coyuntura española realizado por una estudiante de
último curso de grado en Economía. El informe se compone por un lado, de un estudio de
las principales variables de la economía española, en el que se han observado los principales
efectos de las crisis y los principales problemas que asume hoy la economía española. La
segunda parte del informe muestra las predicciones de los siguientes trimestres de 2015
para las series analizadas. Éstas han mostrado, en su mayoría, una continuidad de la
trayectoria anterior. En general, no se espera que en un futuro cercano se palien los
principales problemas observados en la primera parte del análisis, aunque los indicadores
adelantados estudiados dejan ver un posible aumento de la actividad a más largo plazo. Por
ello al final del informe se citan los problemas observados y se proponen posibles medidas
para paliarlos. Se ha observado que el desempleo, y por extensión el mercado de trabajo, es
uno de las cuestiones cruciales en la evolución de la economía española. Por ello se ha
dedicado un apartado en cada una de las partes del análisis prestando especial interés a las
principales dualidades que éste presenta.
ABSTRACT
This document is a report of the Spanish situation made by a student of final year degree in
Economics. The main variables of the Spanish economy are discussed in the first part of
the report. This analysis detects the main effects of the crisis and the major problems that
the Spanish economy is facing. The second part of the report contains the forecasts for the
next quarters of 2015 for the series analysed. In general, it is not expected that in the near
future the major problems, which are encountered in the first part of the analysis, have
been remedied, although leading indicators studied reveal a possible increase in activity in
the long term. Unemployment, and by extension the labour market is one of the crucial
issues in the evolution of the Spanish economy. Thus, a section in each of the parts of the
analysis pays special interest to major dualities that this market presents. Finally, the report
concludes summing up the problems identified and proposing measures to improve the
economic situation.
PALABRAS CLAVE:
Modelos ARIMA, Predicción, Coyuntura, Dualidad en el mercado de trabajo,
Convergencia.
KEYWORDS:
ARIMA models, Prediction, Economic Situation, Duality in the Labour Market,
Convergence.
ÍNDICE
1. INTRODUCCIÓN Y OBJETIVOS .............................................................................. 1
2.
METODOLOGÍA ................................................................................................................. 2
3.
SERIES Y DATOS ................................................................................................................ 5
4.
MODELOS.............................................................................................................................. 7
5.
INFORME DE COYUNTURA ........................................................................................ 9
5.1.
¿Dónde estamos? ........................................................................................................... 9
5.1.1.
Resultados generales .................................................................................................... 10
Indicadores de producción y demanda ....................................................................... 10
Mercado exterior: ........................................................................................................... 16
Indicadores de confianza............................................................................................... 20
5.1.2.
Mercado de trabajo ..................................................................................................... 22
El efecto del paro por edad .......................................................................................... 22
El efecto del paro por sexo. .......................................................................................... 25
El efecto del paro por duración. .................................................................................. 26
5.2.
¿Hacia dónde vamos? ................................................................................................ 29
5.2.1.
Mercado interior ......................................................................................................... 29
5.2.2.
Mercado exterior ......................................................................................................... 30
5.2.3.
Precios ..................................................................................................................... 31
5.1.3.
Indicadores de producción ............................................................................................ 33
5.1.4.
Mercado de trabajo ..................................................................................................... 33
Por sexo y edad ............................................................................................................... 36
Por duración .................................................................................................................... 36
Coste salarial y paro total .............................................................................................. 37
6.
CONCLUSIONES .............................................................................................................. 38
ANEXOS: ........................................................................................................................................ 40
Anexos: Análisis series ARIMA ................................................................................... 40
Anexos: Predicciones ..................................................................................................... 88
REFERENCIAS .......................................................................................................................... 98
1. INTRODUCCIÓN Y OBJETIVOS
España ha sido un país muy afectado por la crisis financiera internacional que
comenzó a mediados de 2007, originada por una elevada liquidez en el mercado financiero
y el desarrollo de complejas estructuras financieras. Una de las mejores descripciones de la
crisis económica a la que se enfrenta la economía española se puede encontrar en Álvarez
(2008). El aumento de los agregados monetarios, la innovación financiera y el largo período
de estabilidad económica dieron lugar al estallido de la burbuja en agosto de este año. Uno
de los excesos que se dio en el mercado financiero y que tuvo gran repercusión durante la
crisis fueron las hipotecas “subprime” a través de las cuales millones de familias se
endeudaron a bajos tipos de interés. El problema llegó cuando los tipos de interés se
normalizaron y muchas de esas familias no eran capaces de pagar a sus deudores, creando
un colapso en el mercado financiero que se contagió entre los bancos de todo el mundo. A
pesar de que España no ha sido un país con gran innovación financiera y ha estado más
centrada en el negocio minorista, no ha sido inmune a las consecuencias de la crisis
financiera internacional debido a las restricciones de liquidez, los ajustes en el mercado
inmobiliario, la desconfianza y el aumento del riesgo bancario (Álvarez, 2008, p.23).
En España la crisis financiera derivó en la explosión de otros problemas; crisis
política, movimientos sociales, alto desempleo con efectos desiguales en la sociedad,
disminución del crédito por parte de las entidades bancarias, lo cual empeoró todavía más
la situación contrayéndose la demanda, sobre todo de lo que venía siendo nuestro modelo
de crecimiento, la construcción.
Se decide realizar un informe de coyuntura de la economía española debido a que se
observa que España sufre una serie de problemas permanentes (desempleo, elevado
endeudamiento, balanza comercial deficitaria) que no logra superar y que no le han
permitido una rápida recuperación de la actividad. Éste nos permite ver cómo han
evolucionado las diferentes variables económicas importantes para el país a lo largo de
todos estos años (antes y durante la crisis), pero lo más importante es que se realizan
predicciones sobre ellas hasta finales de año. La evolución futura de estas series, junto con
su evolución histórica, nos va permitir dar explicación a comportamientos de las mismas.
Además, el detenimiento en el mercado de trabajo, permite estudiar mejor el origen del
problema del desempleo, el cual es actualmente una de las mayores preocupaciones de los
ciudadanos españoles. Un análisis más específico de las variables que lo componen permite
ver más allá de los datos generales que suelen ser publicados, datos que no permiten
1
conocer dónde es mejor intervenir o qué medidas tomar. Se va a tratar de responder a
preguntas como: ¿qué significa este aumento/descenso? ¿Qué importancia tiene? ¿Cuál es
su origen? ¿Cuál debe ser nuestra respuesta en esta situación? ¿Qué va a suceder en el
futuro? Pero el principal objetivo es aprender a hacer un análisis de coyuntura de las
economías, a interpretarlo y a conocer su uso y aplicaciones.
Los informes de coyuntura en general son también de gran interés para muchas
empresas y administraciones públicas, de hecho, muchas suelen elaborar este tipo de
informes, y en particular éste puede ayudar a afrontar la situación a la que se enfrentar hoy
en día. En el caso de las empresas el objetivo es tomar adecuadamente sus decisiones de
inversión y en el caso del gobierno, para cualquier tipo de decisión, desde el modo de
crecimiento, la subida de impuestos, los salarios y el desempleo, hasta las decisiones de
deuda pública. Una errónea interpretación de la realidad le podría llevar a errores en su Plan
de Acción.
En síntesis, el Análisis de Coyuntura es importante para que una empresa, una
entidad financiera o los gobiernos realicen correctamente su Plan de Acción en función de
la situación del país en el que operan. De esta manera podrán aprovechar mejor las nuevas
oportunidades que se presenten y protegerse de posibles amenazas.
Todo el análisis de las series y sus correspondientes gráficos viene adjunto en los
anexos con el objetivo de aligerar el texto principal y facilitar la lectura. Además los anexos
están referenciados y en la tabla 3 se especifica el apartado de cada anexo en el que es
desarrollada cada una de las series. Dentro del trabajo aparecen los resultados de los análisis
y sus respectivos comentarios y conclusiones.
2. METODOLOGÍA
En este apartado se explican los pasos seguidos por el análisis univariante de series
temporales realizado en este informe.
Las predicciones sobre las principales variables de la economía de un país son muy
importantes a la hora de tomar decisiones por parte de economista, gobiernos y empresas.
Para realizar estas predicciones se ha utilizado el enfoque Box-Jenkins (1970). El enfoque
Box-Jenkins consiste en un proceso basado en diferentes etapas de análisis de las
propiedades estadísticas de los modelos: identificación, estimación y diagnosis (Peña, 1995,
2
p.549-640). Una vez obtenido el modelo ARIMA podremos pasar a la predicción de
valores futuros para la serie.
En primer lugar es imprescindible asegurar que la serie sea estacionaria, es decir, que
en la comparación entre subconjuntos de variables de la serie (con mismo número y
distancia entre ellas) se obtiene misma distribución de probabilidad conjunta. En el caso de
que se detecte no estacionariedad se realiza una transformación que induzca a la
estacionariedad mediante el operador diferencia regular. Si no es estacionaria podríamos
obtener resultados absurdos como varianzas negativas. Además es muy común observar
comportamientos periódicos que se repiten anualmente, lo que se conoce como estructura
estacional, los cuales también pueden dan lugar a la no estacionariedad. En el caso de
periodicidad inferior a un año se buscan comportamientos estacionales incompatibles con
el supuesto anterior de estacionariedad. En caso de estacionalidad se utiliza el operador
diferencia estacional.
A continuación se pasa a la descripción de las etapas:

Identificación:
una
vez
transformada
la
serie
y
cumpliendo
estacionariedad, el objetivo es encontrar un modelo teórico sencillo que sea
compatible con las características de las muestra. Se observan las salidas de los
correlogramas (de los acf y pacf) y se finaliza la etapa proponiendo uno de los
modelos conocidos para dicha muestra. Instrumentos: observaciones del gráfico
temporal (tendencias, comportamientos periódicos, valores extremos…) y
correlogramas (autocorrelación simple y parcial).

Estimación: la estimación del modelo propuesto se realiza bajo el método
de máxima verosimilitud, el cual utiliza información sobre toda la distribución de
probabilidad, es decir, el razonamiento es inverso a la generación de datos, utiliza la
muestra para obtener información de los valores de los parámetros. Dicha
estimación de parámetros hará máxima la probabilidad de obtener una muestra
igual a la utilizada. Este método nos permite trabajar con modelos no lineales pero
tiene el riesgo de obtener estimadores con “malas propiedades” en el caso de que la
distribución sea inadecuada.

Diagnosis: esta etapa se divide a su vez en dos fases. Por un lado, se debe
comprobar que la estimación de la etapa anterior es correcta. Cuando se obtiene la
salida de Gretl se comprueba que los p-valores sean cercanos a cero (dependerá de
3
la probabilidad con la que se esté trabajando), que las desviaciones típicas de los
parámetros estimados sean pequeñas y que el módulo sea mayor que la unidad. Un
módulo mayor que uno (en valor absoluto) nos asegura invertibilidad, es decir, que
los valores se estén relacionando con su propio pasado de forma descendiente
conforme transcurre el tiempo. Si la estimación no resulta satisfactoria se vuelva a
la primera etapa. Por otro lado, una vez comprobada la correcta estimación del
modelo se pasa a buscar una estructura adicional. Para ello se utiliza el correlograma
de los residuos del modelo estimado. Es posible que el modelo este bien estimado
porque si que existe esa estructura (por eso dan p-valores pequeños) pero no quiere
decir que no exista otra estructura que se ha dejado de estimar. Si se encuentra
estructura adicional se incorpora en el modelo, en caso contrario el proceso ha
terminado.
El objetivo de estos modelos es la predicción. En ésta se supone que dichos
modelos van a seguir siendo válidos, de manera que se puede trasladar parte de la
información muestral al futuro. La predicción consiste en acotaciones entre las que va estar
la estimación, es decir, intervalos entre los que el valor verdadero va estar con una
determinada probabilidad. Ésta utiliza intervalos de confianza, en este informe se han
realizado predicciones al 95% de probabilidad.
Por último, puede ser necesario un análisis de intervención en caso de existencia
de eventos que pueden dificultar el proceso de especificación, estimación o desvirtuar
predicciones. En este informe se ha realizado uno para la variable matriculación de vehículos de
carga. Este análisis consiste en eliminar de la serie los valores extraños que están
perturbando los resultados. Este tipo de eventos pueden deberse a una huelga, un cambio
normativo, un atentado o cualquier circunstancia no cotidiana que influya en gran medida
en la serie estudiada. Para la intervención se crea una variable cualitativa que puede ser un
impulso, en el caso de que ese acontecimiento tenga un efecto puntual, o un escalón, como
ha sido el caso de la serie matriculación de vehículos de carga, en el caso de que el efecto se
mantenga indefinidamente. En el caso de esta serie se puede deber a un cambio en la
normativa o legislación en la matriculación de vehículos.
Definición de los instrumentos utilizados:

Gráfico temporal: se construye situando los valores de la serie en el eje de
ordenadas y los instantes temporales en el eje de abscisas. Construir este gráfico
4
sirve para observar el comportamiento de la serie a lo largo del tiempo y será el
que, mayormente, indique la tendencia.

Correlograma: recoge los coeficientes de correlación lineal simple (FAC,
acf) y los coeficientes de correlación parcial (FACP, pacf). Son especialmente útiles
en la identificación porque todo proceso ARMA tiene un único par de
correlogramas (acf, pacf) que lo define de forma única.
3. SERIES Y DATOS
Las series que aparecen en el informe son series temporales, por lo que las
predicciones que se hacen van a venir explicadas por eventos del pasado.
La mayor parte de las series utilizadas en el siguiente informe son trimestrales,
principalmente en el análisis del mercado laboral, de manera que la homogeneidad facilite la
comparación entre ellas. Otras series, como los índices, han sido obtenidas con
periodicidad mensual. El cierre de datos se hizo una vez obtenidos los datos del primer
trimestre de 2015 publicados hasta el 10 de mayo. Todas las predicciones se han realizado
al 95% de probabilidad.
Las series pueden ser consultadas por lo interesados ya que son datos públicos, son
series que elabora el Instituto Nacional de Estadística y que publica mensual y
trimestralmente. Por tanto, todo el informe puede ser comprobado por el lector.
Los datos de las series han sido obtenidos de dos páginas webs:

Instituto Nacional de Estadística:

o http://www.ine.es/dynt3/inebase/es/index.html?padre=1691&dh=1
INE Base Economía Cuentas económicas  Contabilidad trimestral
en base a 2010 (desde 1995)

Ministerio de Economía y Competitividad Español:
o http://serviciosweb.meh.es/apps/dgpe/BDSICE/Busquedas/busquedas.a
spx
Economía Indicadores e informes macroeconómicos  consulta y
descarga de series.
Las series publicadas en el Ministerio de Economía y Competitividad tienen su
verdadera fuente de elaboración en el INE. La descarga de éstas en esta página se debe a la
simplicidad para obtenerlas y al manejo más cómodo y sencillo.
5
A continuación se presenta una tabla en la que se puede ver toda la información
sobre las series; tipo de contabilidad, fuente, unidades en las que hemos trabajado y periodo
de datos analizado (real y predicho). Las series que aparecen son las que después se analizan
en el apartado de resultados generales, es decir, son todas aquellas con las que hemos
trabajado que no tienen relación con el mercado de trabajo (indicadores de producción,
precios…):
TIPO DE
PERIODO
UNIDADES
SERIE
ANALIZADO
SERIE
FUENTE
Gasto en consumo
final de los hogares
(GCFH)
INE. Contabilidad Nacional
Trimestral de España. Base 2010
Trimestral
Millones de
euros
1995:01-2015:04
Gasto de las AAPP
(G.P.)
INE. Contabilidad Nacional
Trimestral de España. Base 2010
Trimestral
Millones de
euros
1995:01-2015:04
Formación Bruta de
capital (FBK)
INE. Contabilidad Nacional
Trimestral de España. Base 2010
Trimestral
Millones de
euros
1995:01-2015:04
Exportaciones (X)
INE. Contabilidad Nacional
Trimestral de España. Base 2010
Trimestral
Millones de
euros
1995:01-2015:04
Importaciones (M)
INE. Contabilidad Nacional
Trimestral de España. Base 2010
Trimestral
Millones de
euros
1995:01-2015:04
Trimestral
Millones de
euros
1995:01-2015:04
Mensual
Índice
2002:01-2015:12
Mensual
Índice
1975:01-2015:12
Producto Interior
INE. Contabilidad Nacional
Bruto (PIB)
Trimestral de España. Base 2010
Índice de precios al INE. Índices nacionales: general y de
consumo (IPC)
grupos COICOP.
Índice de producción
industrial (IPI)
Ministerio de Economía y
Competitividad. Base 2010
Matriculación
vehículos de carga
(M.V.C)
Ministerio de Economía y
Competitividad. Código 282100
Mensual
Índice de confianza
de los consumidos en
España
Ministerio de Economía y
Competitividad. Código 684024
Mensual
Índice
1986:06-2015:04
Índice general de
precios industriales
(IPRI)
Ministerio de Economía y
Competitividad. Código 420000
Mensual
Índice
1995:01-2015:12
Nº de
vehículos de 1975:01-2015:12
carga
Tabla 1: Series temporales. Información sobre la descarga de datos.
6
La siguiente tabla muestra la misma información pero de las series relacionadas con
el mercado de trabajo:
MERCADO DE TRABAJO
FUENTE
Parados Total
Ocupados Total
Paro mujeres
Ministerio de Economía y
Competitividad. Código 140000
Ministerio de Economía y
Competitividad. Código 120000
Ministerio de Economía y
Competitividad. Código 140200
TIPO DE UNIDADES PERIODO
SERIE
ANALIZADO
Miles de
Trimestral
2002:01-2015:04
parados.
Miles de
Trimestral
2002:01-2015:04
ocupados.
Miles de
Trimestral
2002:01-2015:04
parados.
Ocupados mujeres
Ministerio de Economía y
Competitividad. Código 120200
Trimestral
Miles de
ocupados.
2002:01-2015:04
Paro jóvenes
Ministerio de Economía y
Competitividad. Código
140001/2/3 (Suma de las tres)
Trimestral
Miles de
parados.
2002:01-2015:04
Ocupados jóvenes
Ministerio de Economía y
Competitividad. Código
120001/2/3 (Suma de las tres)
Trimestral
Miles de
ocupados.
2002:01-2015:04
Paro larga duración
(P.L.D)
Ministerio de Economía y
Competitividad. Código 142005/6
(suma de las dos)
Trimestral
Miles de
parados.
2002:01-2015:04
Paro corta duración
(P.C.D)
Ministerio de Economía y
Competitividad. Código
142002/3/4
Trimestral
Miles de
parados.
2002:01-2015:04
Coste salarial total
por trabajador
INE. Mercado Laboral. Principales
series. Coste laboral por trabajador
Trimestral
euros por
trabajador
2000:01-2015:04
Tabla 2: Series temporales del mercado laboral. Los datos obtenidos del Ministerio de Economía y
Competitividad tienen su fuente original también en el INE.
4. MODELOS
Como se comenta en páginas anteriores, antes de la predicción analizamos las series
temporales. Nosotros vamos a trabajar con modelos ARIMA, modelos autorregresivos
integrados de medias móviles. Son modelos estocásticos que, basados en el pasado de la
propia variable y de las innovaciones que la componen, proponen comportamientos
dinámicos que se pueden utilizar para anticipar su comportamiento futuro. Aquí presento
una tabla con el ARIMA obtenido de cada variable y el apartado del anexo en el que se
puede encontrar información detallada sobre su especificación y estimación:
7
Serie
Modelo ARIMA
Apartado
Gasto en Consumo final
(0,1,0)x(0,1,1)4
1.1
Gasto AAPP
(0,1,1)x(0,1,1)4
1.2
FBKF
(0,1,0)x(0,1,1)4
1.3
Exportaciones
(0,1,0)x(0,1,1)4
1.4
Importaciones
(1,1,0)X(0,1,1)4
1.5
Producto Interior Bruto
(1,1,0)x(0,1,0)4
2
Índice de precios al
(1,1,0)x(0,1,1)12
3.1
PIB
Componentes del PIB
hogares
Precios
consumo. IPC
(1,1,0)x(0,1,1)12
3.2
Matriculación vehículos de
(0,1,1)x(0,1,1)12
4.1
carga
Intervención
Índice de producción
(2,1,0)x(2,1,1)12
4.2
Coste Salarial
(0,1,1) x (0,1,1)4
5.1
Parados total
(1,1,0)x(0,1,1)4
5.2
Ocupados total
(1,1,0)x(0,1,1)4
5.3
Paro mujeres
(1,1,0)x(0,1,1)4
5.4
Ocupados mujeres
(1,1,0)x(0,1,1)4
5.5
Parados jóvenes
(1,1,0)x(0,1,1)4
5.6
Ocupados jóvenes
(1,1,0)x(2,1,0)4
5.7
Paro larga duración
(1,1,0)x(0,1,1)4
5.8
Paro corta duración
(1,1,0)x(0,1,1)4
5.9
Índice de precios
Anexo
1
2
3
Mercado de trabajo
Producción
Indicadores de
industriales. IPRI
4
industrial. IPI
5
Tabla 3: Modelos ARIMA obtenidos de todas las series para las predicciones.
8
Todas las variables analizadas han resultado ser no estacionarias, la mayor parte de
ellas presentan estructuras claramente crecientes. Casi todas tienen un comportamiento
claramente estacional y un comportamiento diferente en el periodo de crisis. A
continuación se muestra un ejemplo (véase anexos: análisis series ARIMA):
Clara tendencia creciente en
los datos conforme transcurre
el tiempo.
Se observa un cambio de
comportamiento siempre a comienzos
de los años de la crisis.
12
11.9
11.7
11.6
11.5
11.4
11.3
11.2
11.1
1995
2000
2005
2010
2015
0.1
0.08
Fluctuaciones de los datos dentro de un
mismo año (picos) pero manteniendo la
tendencia.
Eliminada la tendencia ese
comportamiento estacional se ve mejor.
0.06
d_l_Cons_hogares
l_Cons_hogares
11.8
0.04
0.02
0
-0.02
-0.04
-0.06
1995
2000
2005
2010
2015
El programa informático utilizado, con el que se han observado todos estos
comportamientos mencionados que nos han llevado a estimar cada modelo ARIMA, es
Gretl. Éste es un programa econométrico que permite importar archivos (en este caso
archivos de Excel descargados del INE y el Ministerio de Economía y Competitividad) y
también obtener salidas de los datos y gráficos obtenidos en el análisis, las cuales aparecen
en los anexos.
5. INFORME DE COYUNTURA
5.1. ¿Dónde estamos?
La primera parte del informe consiste en un análisis de las variables económicas
más importantes y de mayor interés para la economía española. En la elección de éstas se
9
ha tenido en cuenta su evolución, estabilidad o fluctuaciones actuales, riesgo o
incertidumbre, para abordar todas aquellas que vayan a tener mayor efecto en la economía.
Las series van a ser analizadas en dos apartados: resultados generales y mercado de trabajo.
5.1.1. Resultados generales
En este apartado se comentan los datos históricos obtenidos y la evolución a lo largo
de los últimos años. Además se explicarlos comportamientos de las distintas series antes
de ver los resultados de las predicciones para final de año. Este apartado a su vez va a
ser dividido en series relacionadas con la producción y la demanda, con el mercado
exterior, índices de precios y indicadores de confianza.
 Indicadores de producción y demanda: a continuación se estudian todas las series
relacionadas con la producción nacional, gastos, inversiones, consumos, producto
interior bruto (todas ellas de contabilidad trimestral), índice de producción industrial
y matriculación de vehículos de carga (contabilidad mensual).
-
Gasto de las administraciones públicas:
11.2
11
l_Gasto_AAPP
10.8
10.6
10.4
10.2
10
9.8
1995
2000
2005
2010
2015
Gráfico 1.Gráfico temporal del logaritmo del gasto público. Fuente: INE (elaboración propia)
En España, el gasto público ha disminuido en los últimos años (véase gráfico 1). Pero
éste suele venir expresado en términos relativos, como porcentaje del PIB, y el producto
interior bruto ha experimentado un descenso en estos últimos años (se verá más
adelante). Es decir, en términos relativos, las evolución del gasto público no está clara .
Los años más duros en recortes de gasto público por parte del gobierno fueron 2010,
2011 y 2012 y en los últimos años se observa un estancamiento de éstos (véase gráfico
1). En el año 2014 el descenso del gasto público fue del 0.78%, lo que supone una caída
10
del gasto público como porcentaje del PIB (situándose en 43.60% PIB), 0.70 puntos
menos que el año anterior. Dichos recortes hacen a España perder posiciones en el
Ranking Mundial de Gasto Público respecto al PIB: “El porcentaje del PIB que el gasto
supone ha descendido al puesto 34 de 181 países” (Periódico Expansión, 2015).
Según nuestro análisis el modelo es un ARIMA (0, 1, 1) x (0, 1, 1)4 cuya estimación
ha mostrado p-valores muy pequeños en los parámetros y módulos mayores que la
unidad que garantizan invertibilidad. Es decir, en la etapa de diagnosis ha superado
todas las condiciones necesarias para garantizar una correcta especificación. El lector
puede seguir las comprobaciones en el anexo 1.2. Posteriormente el modelo ARIMA se
utiliza para hacer la predicción y comentar lo que puede ocurrir en el futuro con esta
variable.
-
Gasto en consumo final hogares:
12
11.9
l_Cons_hogares
11.8
11.7
11.6
11.5
11.4
11.3
11.2
11.1
1995
2000
2005
2010
2015
Gráfico 2. Logaritmo del gasto en consumo final hogares. Fuente: INE (elaboración propia)
A pesar de que los picos observados (véase gráfico 2) no son tan pronunciados como
en el del gasto público, la tendencia de las observaciones es prácticamente la misma.
Para todos los componentes de demanda del PIB se podría aplicar el comentario
anterior hecho para el gasto público, ya que todos han seguido la misma senda después
del estallido de la crisis. Es decir, la caída como porcentaje del PIB no es tanta porque
como veremos el PIB también ha caído de forma significativa. En etapas de recesión
económica, la clase media que suele ser la más afectada, desciende considerablemente su
consumo, no solo por la reducción de ingresos (que no todas experimentan) si no por la
incertidumbre sobre lo que pueda pasar en el futuro. Un aumento del gasto público por
parte del gobierno puede ayudar a reactivar este consumo, pero como vemos en el
11
gráfico 1, esto no ha sido así, debido a la situación de elevado endeudamiento que sufre
España y las medidas de austeridad del gobierno.
Según nuestro análisis es un ARIMA (0, 1, 0) x (0, 1, 1)4 cuya estimación ha
mostrado p-valores muy pequeños en los parámetros y módulos mayores que la unidad
que garantizan invertibilidad. Es decir, en la etapa de diagnosis ha superado todas las
condiciones necesarias para garantizar una correcta especificación
-
Formación bruta de capital
11.6
11.4
l_FBKF_total
11.2
11
10.8
10.6
10.4
10.2
10
1995
2000
2005
2010
2015
Gráfico 3: Formación bruta de capital. Fuente: Gretl
La Formación Bruta de Capital es un fuerte indicador de la inversión. La utilización de
información trimestral es útil para observar los comportamientos y la evolución cíclica
de la economía. El análisis parte de datos desde el año 1995 hasta la actualidad.
En general, ha tendido a aumentar su importancia en las fases expansivas y a
reducirla en los períodos recesivos, lo cual sugiere que la formación bruta de capital
presenta una correlación positiva con la actividad y es mucho más variable que el resto
de componentes de la demanda (Banco de España, 1997, “La inversión en España”,
p.19). La inversión en construcción en nuestro país ha sido la principal componente de
esta variable. Por ello, se puede ver (véase gráfico 3) que en la crisis, el principal sector
afectado está siendo la construcción, y ha marcado fuertemente la trayectoria de la
inversión. A partir de 2007 vemos que la inversión cae aunque con pequeños repuntes
debidos a su comportamiento cíclico. Parece que en 2015 la inversión tiende a
estabilizarse, pero se observa mejor más adelante, cuando se pase a la fase de predicción
de este trabajo.
12
Según el análisis el modelo es un ARIMA (0, 1, 0) x (0, 1, 1)4 cuya estimación ha
mostrado p-valores muy pequeños en los parámetros y módulos mayores que la unidad
que garantizan invertibilidad. Es decir, en la etapa de diagnosis ha superado todas las
condiciones necesarias para garantizar una correcta especificación.
-
Producto interior bruto
12.6
12.5
12.4
12.3
l_pib
12.2
12.1
12
11.9
11.8
11.7
11.6
1995
2000
2005
2010
2015
Gráfico 4: Producto interior Bruto. Fuente: Gretl
“El Producto Interior Bruto (PIB) es un indicador económico que refleja la producción
total de bienes y servicios asociada a un país durante un determinado periodo de tiempo.
Este indicador se emplea a nivel internacional para valorar la actividad económica
o riqueza de cada país. Uno de los matices más interesantes relativos al PIB, es que
refleja la actividad interna en el propio país. A diferencia del PNB (Producto Nacional
Bruto) que refleja “cualquier actividad desarrollada en todo el mundo por los residentes
o empresas pertenecientes al país en cuestión” (Midiendo la riqueza de un país, 2010,
p.1).
El análisis en este caso es sobre el logaritmo del PIB, para poder hablar de porcentaje
de variación. Y como se ve, la variación del PIB ha seguido un crecimiento constante
durante más de una década hasta la llegada de la crisis en 2007, en la que la producción
anual del país fue menor que en los años anteriores y lo sigue siendo en la actualidad.
Según nuestro análisis esta serie es un ARIMA (1, 1, 0) x (0, 1, 0)4 cuya estimación ha
mostrado p-valores muy pequeños en los parámetros y módulos mayores que la unidad
que garantizan invertibilidad. Es decir, en la etapa de diagnosis ha superado todas las
condiciones necesarias para garantizar una correcta especificación.
13
-
Índice de producción industrial
Una variable que muestra muy bien cómo evoluciona la actividad de un país
desarrollado es el índice de producción industrial (IPI). “El Índice de Producción Industrial
(IPI) mide la evolución mensual de la actividad productiva de las ramas industriales, es
decir, de las industrias extractivas, manufactureras y de producción y distribución de
energía eléctrica, agua y gas” (INE, 2015). En España aumentó el IPI conforme el país
se fue desarrollando, las medidas liberalizadoras de los años 50 del franquismo, la
democracia y el desarrollo económico del país afectaron positivamente en él.
140
130
120
IPI_general
110
100
90
80
70
60
50
40
1975
1980
1985
1990
1995
2000
2005
2010
2015
Gráfico 5: Índice de producción industrial. Fuente: INE
Se puede ver la gran importancia y repercusión que ha tenido la crisis actual en
relación a otras crisis (véase gráfico 5). Durante la crisis de 1993 y la del 2000 el índice
de producción industrial cae pero en un par de años vuelve a recuperarse y de forma
rápida. Sin embargo la caída que se observa a partir de 2008 es brutal y sigue en la
misma dirección. Para estos años todavía no se observa un aumento en la actividad
industrial, en el apartado de predicciones veremos si en 2015 se espera el mismo
comportamiento.
El modelo es un ARIMA (2, 1,0) x (2, 1,1)12 cuya estimación ha mostrado p-valores
muy pequeños en los parámetros y módulos mayores que la unidad que garantizan
invertibilidad. Es decir, en la etapa de diagnosis ha superado todas las condiciones
necesarias para garantizar una correcta especificación.
14
-
Matriculación vehículos de carga
45000
40000
Matric_v_carga
35000
30000
25000
20000
15000
10000
5000
1975
1980
1985
1990
1995
2000
2005
2010
2015
Gráfico 6: Matriculación vehículos de carga. Fuente: INE
Esta serie es un ejemplo de un indicador adelantado. “Los Indicadores adelantados son
indicadores que por lo general cambian antes de que cambie el ciclo económico. Por lo
tanto, son útiles para predecir a corto plazo la actividad económica. Un ejemplo claro es
el rendimiento del mercado de valores, ya que este, por lo general, comienza a disminuir
antes que la economía en su conjunto disminuya y por lo general comienza a mejorar
antes de que la economía general comience a recuperarse de una depresión. Otros
indicadores adelantados incluyen el índice de expectativas de los consumidores, los
permisos de construcción, y la oferta monetaria” (Enciclopedia Financiera, 2015). El
indicador adelantado que hemos analizado porque nos parece de mucha utilidad en
nuestro análisis es la matriculación de vehículos de carga. Esta variable sirve para predecir
cómo va a aumentar o disminuir la producción. El problema más importante
actualmente es que no hay actividad productiva, y por tanto, el paro es muy elevado. Un
aumento de la matriculación de vehículos de carga que se utilizan en las empresas nos
indicaría que éstas esperan aumentar su producción en los próximos meses. No sería
indicador de todo tipo de actividades por igual, pero ya sabemos que todas están
relacionadas, por lo que sí que podríamos decir que se espera que en general aumente la
producción de un país.
Se puede ver como esta variable ha aumentado de forma muy rápida en los años
90(véase gráfico 6), sobre todo a partir de la crisis de 1993 que se deja ver en el gráfico,
hasta los inicios de la crisis actual. Es más notoria todavía porque el sector más afectado
en esta crisis ha sido la construcción, en la cual los vehículos de carga son muy
utilizados. En estos últimos años no se ve ninguna recuperación, solo un estancamiento,
15
por lo que no hay razones para pensar que la actividad va aumentar en el corto plazo,
sobre todo actividades como la construcción. Es decir, el comportamiento ha sido muy
similar al de la variable IPI, se reflejan las tres crisis de estos años pero de forma mucho
más exagerada la crisis actual. Más adelante, en el apartado de las predicciones se ve que
se puede esperar en los próximos meses de este indicador.
Según el análisis el modelo es un ARIMA (0, 1,1) x (0, 1,1)12 cuya estimación ha
mostrado p-valores muy pequeños en los parámetros y módulos mayores que la unidad
que garantizan invertibilidad. Es decir, en la etapa de diagnosis ha superado todas las
condiciones necesarias para garantizar una correcta especificación.
 Mercado exterior: en este apartado se abordan dos series que componen la balanza
comercial. Un análisis conjunto de ellas nos permite ver cómo ha evolucionado el saldo
de dicha balanza. Estas series son: importaciones y exportaciones, ambas de
contabilidades trimestrales y transformadas en su logaritmo.
Dado que vivimos en un mundo globalizado, sería no atender a la realidad si solo
observamos la producción nacional, como es el caso del PIB. En España entran
productos que se producen a cientos de quilómetros, consumo que puede disminuir en
parte la producción de nuestro país. Pero por otro lado, también se producen bienes y
servicios que no se consumen en nuestro país, por lo que la producción de éstos podría
ser mayor que la necesaria para el consumo nacional. El equilibrio de estos dos tipos de
productos y servicios, exportaciones e importaciones, lo mide la balanza comercial.
Siempre será mejor una balanza comercial positiva para un país, ya que indica una mayor
producción que la necesaria para el consumo de sus ciudadanos, y por tanto, mayor
contratación y mayor riqueza. El Plan de Estabilización fue elaborado por un gobierno
de Franco que comenzó en 1959 y tenía como objetivo la estabilización económica
marcó un nuevo recorrido en las exportaciones y las importaciones. En los años sesenta
se pone fin a la etapa de autarquía y se crea un plan que cambiará España y la embaucará
en un camino hacia la democracia. Éste consistía en un programa de lucha contra la
inflación, abandono del intervencionismo, la apertura económica y la integración en la
comunidad económica internacional. “En pocos meses las perspectivas españolas
cambiaron por completo en sentido favorable. Se obtuvieron los efectos deseados:
frenar el clima de inflación y provocar una reasignación de recursos del consumo a la
inversión y hacia la exportación” (Martín, 2003, p.3).
16
- Exportaciones
11.6
11.4
11.2
l_Export
11
10.8
10.6
10.4
10.2
10
1995
2000
2005
2010
2015
Gráfico 7: Logaritmo de las exportaciones. Fuente: INE (elaboración propia)
En cuanto a la evolución histórica de las exportaciones, prácticamente desde que
España dejo de ser una economía cerrada y autárquica han llevado un comportamiento
de crecimiento positivo. Durante los años en los que España tenía su propia moneda, la
peseta, las exportaciones podían ser un mecanismo de reactivación de la economía, es
decir, a través de una devaluación de la moneda se podía conseguir que la demanda de
producto nacional aumentara. Dicho de otra forma, recurrir a potenciar la demanda
extranjera, abaratando los precios, en vez de potenciar la demanda nacional, la cual es
más difícil en época de crisis. Este mecanismo, utilizado sobre todo en los años noventa,
tenía efectos macroeconómicos rápidos pero al mismo tiempo tenía efectos negativos,
hacía a España un poco más pobre (Garzón, 2011, p.1). Una vez de que España pasó a
formar parte de la zona euro, por la que comparte hoy en día una moneda con otros
muchos países, este mecanismo ya no se podía utilizar. Por ello, no se ven grandes picos
en la serie del gráfico 7 durante las crisis vividas estas décadas, solo la crisis actual, en la
que ya España formaba parte de la zona euro, ha afectado considerablemente a las
exportaciones. También se debe a que muchos de los intercambios comerciales
actualmente se hacen con los países socios, países que en mayor o menor medida,
también han estado inmersos en esta crisis.
Según este análisis el modelo es un ARIMA (0, 1,0) x (0, 1,1)4 cuya estimación ha
mostrado p-valores muy pequeños en los parámetros y módulos mayores que la unidad
que garantizan invertibilidad. Es decir, en la etapa de diagnosis ha superado todas las
condiciones necesarias para garantizar una correcta especificación.
17
- Importaciones
11.6
11.4
11.2
l_Import
11
10.8
10.6
10.4
10.2
10
1995
2000
2005
2010
2015
Gráfico 8: Logaritmo de las importaciones. Fuente: INE.
Las importaciones en España a partir de 1995 han seguido un comportamiento muy
similar a las exportaciones; un crecimiento continuo hasta 2007, una leve y fuerte caída
en los primeros años de la crisis, y una recuperación a partir de 2010. La rápida
recuperación de las importaciones y su aumento en el año 2014, como consecuencia de
los inicios de la recuperación económica, ha producido un aumento del déficit
comercial, así lo informa el periódico El Mundo: “El déficit comercial aumenta un 53%
por el impulso de las importaciones” (El Mundo, 2014, p.1).
Aunque no solo debe
significar una recuperación económica, puede que no esté aumentando la demanda
nacional, sino que simplemente se esté cambiando consumo nacional por extranjero
importado más barato. Se puede ver que en los mismos años en los que las
importaciones repuntan, el producto interior bruto sigue sufriendo la crisis y cae
lentamente (véase gráfico 4). Por lo que es precipitado hablar de recuperación
económica simplemente por un aumento de las importaciones. Más adelante, en la
predicción hecha sobre importaciones, se puede verificar si las importaciones van a
seguir el mismo sendero en 2015, y comparándolas con la evolución de las
exportaciones, sabremos si el déficit comercial seguirá creciendo.
Según este análisis el modelo es un ARIMA (0, 1,1) x (0, 1,1)4 cuya estimación ha
mostrado p-valores muy pequeños en los parámetros y módulos mayores que la unidad
que garantizan invertibilidad. Es decir, en la etapa de diagnosis ha superado todas las
condiciones necesarias para garantizar una correcta especificación.
18
 Precios: en este apartado se analizan los precios de los productos desde dos
perspectivas diferentes, precios de productos de producción nacional y precios de
productos consumidos por los españoles.
- Índice de precios al consume
4.65
4.6
4.55
l_IPC
4.5
4.45
4.4
4.35
4.3
2002
2004
2006
2008
2010
2012
2014
Gráfico 9: Índice de precios al consumo. Fuente: INE
“El Índice de precios de consumo (IPC) es una medida estadística de la evolución de los
precios de los bienes y servicios que consume la población residente en viviendas
familiares en España. El conjunto de bienes y servicios, que conforman la cesta de la
compra, se obtiene básicamente del consumo de las familias y la importancia de cada
uno de ellos en el cálculo del IPC está determinada por dicho consumo” (INE, 2015).
Desde el ingreso de España en la eurozona la inflación es una de las variables
económicas más controladas, el Banco Central Europeo tiene el objetivo de mantenerla
controlada en valores entorno al 2% anual. Se puede observar que los precios han
tenido prácticamente siempre un crecimiento constante, positivo pero controlado (véase
gráfico 9). Sin embargo la crisis actual ha hecho que incluso en algunos casos los precios
no solo no crezcan, sino que se reduzcan. Por lo general, el crecimiento sigue siendo
positivo, pero no se llega al 2% marcado como objetivo por el BCE. La desinflación
hubiese sido mucho más notoria si el índice de precios al consumo contemplara como
bien de consumo, y no como bien de inversión, la compra de la vivienda.
Según este análisis el modelo es un ARIMA (1, 1,0) x (0, 1,1)12 cuya estimación ha
mostrado p-valores muy pequeños en los parámetros y módulos mayores que la unidad
que garantizan invertibilidad. Es decir, en la etapa de diagnosis ha superado todas las
condiciones necesarias para garantizar una correcta especificación.
19
- Índice general de precios industriales
“El Índice de Precios Industriales (IPRI) mide la evolución mensual de los precios de los
productos fabricados por la industria y vendidos en el mercado interior en la primera
etapa de su comercialización. El IPRI recoge los precios de venta a salida de fábrica
obtenidos por los establecimientos industriales en las transacciones que éstos efectúan,
excluyendo los gastos de transporte, comercialización, IVA y otros impuestos indirectos
facturados. La cobertura del índice se extiende a todos los sectores industriales, excepto
la construcción” (INE, 2015).
115
110
105
100
IPRI
95
90
85
80
75
70
65
1995
2000
2005
2010
2015
Gráfico 10: Índice de precios industriales. Fuente: Gretl
Si se compara la evolución de ambos índice se observa que el crecimiento del IPRI
ha sido más irregular, menos controlado, más exponencial, aunque con menos picos
estacionales que el IPC. Además ha sufrido más las consecuencias de la crisis. Se puede
ver que en torno a 2008 hay un descenso rápido de los precios, que más adelante, en
2011 se ve recuperando de forma rápida (véase gráfico 10). En la segunda parte del
informe, cuando se observa el gráfico con las predicciones se estudia con más detalle
esta comparación de ambos índices.
 Indicadores de confianza: hay series que se construyen para darnos una visión de
lo que puede suceder en los próximos meses. Es el caso de algunos indicadores como el
que vamos a analizar a continuación:
20
- Indicador de confianza de los consumidores españoles
10
I_confianza_consum_ESP
0
-10
-20
-30
-40
-50
1990
1995
2000
2005
2010
2015
Gráfico 11: Indicador de confianza consumidores españoles. Fuente: INE
Si se observa el gráfico 11 podemos observar picos que sobresalen de la tendencia
normal de los valores y sus correspondientes fechas coinciden con épocas de crisis. El
primer gran descenso de la confianza de los consumidores es alrededor del 1993. En
estos años España vivió una profunda crisis económica que tenía origen en el estallido
de la burbuja inmobiliaria de Japón, pero que a España llego con retraso. Esto se debía a
la gran inversión pública del país por la celebración de la EXPO del 92. Después de este
esfuerzo inversor se reflejaron altos niveles de deuda y un gran aumento del desempleo
(24%), rasgos por los cuales, salvando las distancias, se puede asemejar a la crisis actual.
Salvando las pequeñas oscilaciones del gráfico, el próximo gran pico viene en 2007, en la
crisis actual, de la que ya hemos hablado anteriormente. Aunque se ve un pequeño
repunte en 2010, es ahora en este año cuando parece que los consumidores tienen unas
mejores expectativas, quizás por los últimos datos que ha señalado el gobierno.
En cualquier caso el indicador de confianza de los consumidores nos muestra las
expectativas que tiene la sociedad sobre el futuro, lo cual influye a su vez en cómo será
ese futuro, es decir, unas buenas expectativas pueden cambiar el futuro y que sea mejor
de lo que en realidad iba a ser. Saliendo de este contexto, puede servir para entenderlo
mejor una frase de O’Regan que dice: “La expectativa o la realidad anticipada del
médico influye en la recuperación del paciente. Parece que el efecto placebo es más
fuerte cuando la creencia en la efectividad del tratamiento es compartida en un grupo”
(1983). Y Watzlawick también puede ayudar con su frase a entender el papel de las
expectativas “La profecía de un suceso lleva al suceso de la profecía” (1921).
21
Este gráfico sirve para completar las conclusiones que se obtengan del informe y de
sus predicciones, ya que por la subida que vemos en 2014-2015, probablemente influya a
que los datos sean más positivos que los obtenidos.
5.1.2.
Mercado de trabajo
En esta segunda parte del estudio de los datos reales obtenidos de las series se
analizan aquellas series relacionada con el mercado laboral. A su vez estudiaremos este
mercado desde tres puntos de vista: edad, sexo y duración del desempleo.
Como ya se ha podido ver en el informe e incluso vivir en la actualidad, desde que
estalló la crisis en 2007 el paro no ha parado de crecer. En todos los medios de
comunicación nos dan continuamente datos del paro, pero será de gran interés y utilidad
analizarlo detenidamente e intentar contestarnos a varias cuestiones que muchas veces
se quedan sin contestar. ¿Afecta igual el desempleo a los jóvenes que a los de mediana o
elevada edad? ¿Son las mujeres las primeras que se han visto afectadas por los despidos?
Y lo que para mí es más importante a la hora de analizar nuestra economía, ¿del número
de parados que existe, cuanto llevan más de un año parados? ¿Los desempleados están
rotando o es un mismo colectivo el que lleva años en paro y tiene dificultades para la
reinserción laboral?
El informe dedica un apartado especial solo a este mercado, porque es uno de los
problemas que más preocupa a los españoles y porque el análisis de éste puede realizarse
desde muchos puntos de vista, que no siempre conviene hacer. Los tres ejes en los que
se centra forman parte de los principales objetivos de la Estrategia Europea de Empleo
2020: mejorar la inserción laboral de las mujeres, aumentar la participación de los
jóvenes y reducir el desempleo de larga duración. González y De Los Ríos (2010, p.257)
hablan sobre el estado de España en relación a estos tres temas “…valorando de forma
conjunta las tasas de desempleo femenino, de los jóvenes y de larga duración varios
países permanecen a la cola de Europa, entre ellos: Eslovaquia, España, Estonia, Grecia,
Hungría, Letonia, Lituania y Portugal”.
 El efecto del paro por edad: aquí se comparan dos series, una que mide el número
de parados total y otra que se ha creado como la suma de todo los parados menores de
29 años, ambas trimestrales.
22
Desempleo por edad
7000
miles de parados
6000
5000
PARADOS.
TOTAL
4000
3000
PARADOS 16-29
2000
1000
20021
20023
20031
20033
20041
20043
20051
20053
20061
20063
20071
20073
20081
20083
20091
20093
20101
20103
20111
20113
20121
20123
20131
20133
20141
20143
0
Año y trimestre
Gráfico 12: Número de parados total y número de parados jóvenes.
Fuente: creado a partir de datos del Ministerio de Economía y Competitividad.
Sorprende observar el gráfico 20, ya que se sabe que los jóvenes están siendo los más
afectados por el desempleo pero no en tal medida. Si se observa el eje vertical, el
número de parados total tiende a duplicarse con el estallido de la crisis, pero el número
de parados jóvenes tiende a triplicarse, tanto es así que a primera vista en el gráfico,
parece insignificante el aumento del desempleo total en relación al aumento del
desempleo juvenil. La mayor parte de las veces que se escucha el telediario, se lee el
periódico o se escucha la radio para estar bien informados sobre la actualidad
económica, no se encuentra toda la información que queremos.
Hay miles de formas de dar un dato económico, según quién lo diga y que reacción
desea suscitar en los ciudadanos, se dará un dato u otro. En realidad siempre se dan
datos reales, pero a veces pueden parecer “medias verdades”, sobre todo eso es lo que
siente gran parte del colectivo juvenil que se está viendo afectado por esta crisis. “El
número de jóvenes en paro menores de 25 años bajó en 40.800 personas en el segundo
trimestre, situándose la cifra total de jóvenes en situación de desempleo en 840.600, el
53,12% de la población activa” (rtve, 2014).
Éste sería un ejemplo de “medias
verdades” porque cabe preguntarnos si se trata de una reducción real o bien de una
reducción de la población activa juvenil debida a la emigración (observada en la serie
ocupados jóvenes obtenida del INE, ver cuadro 7). No solo vale que el número de
parados se reduzca, si la mitad de los jóvenes siguen sin encontrar empleo. Jóvenes que
podrían ser la generación más preparada de la historia española, en los que todos los
23
trabajadores del país y de la Unión Europea han invertido en formar. Es aquí donde
entra el debate, de los que piensan que la elevada cualificación de los jóvenes españoles y
su marcha a otros países de la Unión Europea en busca de empleo genera una pérdida
de recursos para los españoles (Cano, 2012) "Me sabe mal que España pierda a la
generación más preparada de su historia", y los que creen en el sentimiento europeo y
creen que, dado que las universidades españolas son financiadas en gran medida por
Fondos FEDER, la emigración de jóvenes cualificados supone que esos países que han
contribuido a la formación puedan rentabilizarla (García, 2013).
Lo que está claro es que los jóvenes españoles están pasando por momentos
complicados, se sienten frustrados viendo como no pueden desempeñar el puesto de
trabajo con el que soñaban, y para hacerlo deben abandonar a sus familias, amigos,
parejas, etc. Hace falta un gran esfuerzo por parte del gobierno y las grandes empresas
para ayudar a estos jóvenes a la inserción laboral, para darles una oportunidad para
aprender, porque esta generación es el futuro de España y son los únicos capaces de
mejorar nuestro país. Por parte de los gobiernos es importante un aumento de las becas,
no solo en relación a la renta familiar, sino también premios a la excelencia, poner
incentivos para que los jóvenes se esfuercen, y que aquellos que demuestren un
recorrido impecable puedan llegar hasta donde ellos quieran, sin que la situación familiar
les impida el seguir estudiando. Y por parte de las empresas debería haber un
compromiso todavía mayor. La mayor parte están firmando contratos precarios,
aprovechándose de la situación de los jóvenes, porque en realidad el valor del
conocimiento que están aportando a dichas empresas es mayor que la retribución que
reciben. Dado que es un problema de oferta y demanda de trabajo en el que actúa la
“mano invisible”, es el gobierno el que tiene que intervenir para que el exceso de oferta
de trabajo no produzca tal reducción de los salarios a este sector. Una buena medida,
que empiezan a proponer los nuevos partidos políticos como “Ciudadanos” pero que ya
había sido propuesto por catedráticos anteriormente, es la eliminación de contratos
temporales y la creación de un contrato único e indefinido. Además para reducir la
precariedad laboral proponen un Complemento Salarial Anual Garantizado (CSAG)
(Ciudadanos, 2015, p.5).
Si la situación no cambia y los jóvenes cualificados siguen saliendo del país,
probablemente los más perjudicados a largo plazo serán los empresarios que ahora no
les dan cabida en sus empresas, pero sobre todo sus padres que han trabajado duro para
24
la formación de sus hijos, porque de los jóvenes depende su jubilación, su futuro más
próximo. Un aumento de los puestos de trabajo cualificados supone que, además de que
la población activa no disminuirá tanto y no empeorará el problema del envejecimiento
de la población, los salarios en España serán más altos, mayores cotizaciones a la
seguridad social, y por tanto, se aseguraría el mantenimiento de nuestro estado del
bienestar, pensiones y servicios públicos. La “fuga de cerebros” contribuye a que el
problema de la “pirámide de población invertida” se acentúe con más fuerza y el sistema
del bienestar se haga insostenible.
En este análisis de la serie número de parados total y número de jóvenes parados
hemos obtenido que son un modelo ARIMA (1, 1, 0) x (0, 1, 1)4 y (1, 1,0) x (2, 1,0)4
respectivamente.
 El efecto del paro por sexo: en este apartado se hace un análisis comparativo de dos
series, una que mide el número de parados varones, y otra que mide el número de
parados mujeres, ambas de contabilidad trimestral.
Desempleo por sexo
miles de parados
3000
2500
paro
varones
2000
1500
paro
mujeres
1000
500
20021
20031
20041
20051
20061
20071
20081
20091
20101
20111
20121
20131
20141
20151
0
Año y trimestre
Gráfico 13: Número de parados según el sexo.
Fuente: elaborado a través de datos obtenidos en el Instituto Nacional de Estadística.
El sector femenino ha sido históricamente el más afectado por el desempleo y el peor
tratado por el mercado laboral. A pesar de que en los últimos años se han hecho
esfuerzos por la inserción de las mujeres a este mercado, esfuerzos en relación a sus
derechos, y se ha intentado que puedan conciliar la vida familiar con la vida profesional,
queda mucho camino por recorrer en este sentido. Si observamos el gráfico 13 podemos
ver que incluso en años de bonanza el desempleo femenino está muy por encima del
25
desempleo masculino. Con el estallido de la crisis el desempleo masculino se disparó,
crecía a más velocidad que el femenino llegando a igualarlo en número. Pero lo más
sorprendente es la evolución de estos últimos años, la pequeña reducción del número de
parados ha sido mayor en el colectivo masculino que en el femenino, es decir, el
desempleo masculino empujó al desempleo femenino, sin embargo las nuevas
contrataciones a penas se ven en las mujeres. ¿Puede ser que los hombres que perdieron
su empleo en la construcción estén ahora ocupando puestos que antes solo las mujeres
aceptaban? Podemos ver reflejado en el gráfico que se está volviendo a repetir lo que
históricamente ha pasado con el desempleo femenino durante las crisis previas, una de
las tres pautas de las que habla Gálvez: “…tras la crisis el empleo masculino se recupera
siempre antes que el femenino y éste último acaba siempre aún más precarizado que
cuando se inicia la crisis…” (2012).
El empeoramiento de la situación laboral de las mujeres hace que España, como
consecuencia de la crisis, se aleje cada vez más de la Estrategia Europea de Empleo
2020, pero no es el único país con desigualdad de género en el mercado laboral, de
hecho, cuanto más desarrollado es un país, más desigualdades de salario presenta, así lo
afirman González y De Los Ríos “las diferencias salariales son más altas en mercados de
trabajo más desarrollados, en los cuales hay un porcentaje alto de mujeres trabajando a
tiempo parcial o bien, en los que realmente existe una mayor diferenciación entre los
puestos de trabajo desempeñados por hombres y mujeres” (2010).
En relación a lo más técnico, se ha obtenido varianzas robustas en el análisis de la
serie del paro femenino, el modelo se ha correspondido con un ARIMA (1, 1, 0) x (0, 1,
1)4 y el modelo a cumplido invertibilidad.
 El efecto del paro por duración: por último se hace una comparativa de los
desempleados por duración mediante dos series, una está creada a través de tres series
(parados de menos de 3 meses, de 3 a 6 y de 9 a 12) y se llama parados de corta
duración, y otra está formada por el número de parados que llevan más de 12 meses en
desempleo.
26
Desempleo por duración
miles de parados
7000
6000
P.TOTAL
5000
4000
Parados < 1 año
3000
Parados > 1 año
2000
1000
20021
20024
20033
20042
20051
20054
20063
20072
20081
20084
20093
20102
20111
20114
20123
20132
20141
20144
0
Año y trimestre
Gráfico 14: Número de parados en función del tiempo que llevan en desempleo.
Fuente: elaborado a partir de datos del Ministerio de Economía y Competitividad.
Ya se ha comentado que en 2014 el paro descendió, lo hizo en unos 480.000 parados,
(véase grafico 14). Pero, ¿pertenecen al colectivo más necesitado o en realidad han
encontrado empleo los parados que todavía contaban con cobertura social? Barceló
afirma que es la segunda situación la que se está produciendo: “En efecto, la
disminución de 480.000 parados es el resultado de una reducción de 555.000 parados de
“corta” duración (estuvieron sin empleo menos de dos años), que en parte se compensa
por el aumento de 75.000 desocupados de larga duración” (2015). Por lo que, como se
dice al principio, siempre hay que “rascar” los datos, analizarlos y no quedarnos con
“medias verdades”. Se ha pasado de tener un dato positivo, una reducción del
desempleo, a tener un dato negativo, ya que un aumento de los desocupados de larga
duración y una reducción del desempleo de corta duración es una señal de que está
aumentando la desigualdad como consecuencia de la crisis. Los parados de corta
duración siempre han sido mayores, en número, que los de larga duración, hasta el
estallido de la crisis, a partir de la cual la brecha aumento a la inversa (véase gráfico 14).
Veremos en las predicciones siguientes si la brecha seguirá aumentando o no, y si va
seguir siendo el mismo colectivo el beneficiario de la nueva situación.
Barceló también habla de un término que creo que es de gran preocupación y nos
debería de ir sonando: “Cuanto más tiempo se está en el paro, el mismo tiende a
perpetuarse, creando una suerte de apartheid laboral” (2015). Este fenómeno llamado
27
“histéresis del desempleo” ha sido muy estudiado por Stiglitz y muchos otros
economistas reconocidos nacionalmente como Novales o De La Fuente “…las
investigaciones más recientes han señalado una nueva vía de influencia de la variación
del paro sobre la duración del mismo” (Bover, Arellano y Bentolila, 1996). ¿Qué debe
hacer el gobierno? Primero debe buscarse la causa de porque unos trabajadores tienen
más facilidad para encontrar trabajo que los otros. La mayor parte de este colectivo no
ha obtenido el graduado escolar, quizás sea la falta de cualificación y preparación a lo
que se suma la falta de práctica por la situación en la que están la que hace que se
queden rezagados y no consigan salir de ese colectivo. Unos cursos de formación
durante el desempleo para poder cobrarlo sería una buena medida. Además este
colectivo suele ser el que menor salario tiene, por lo que el incentivo a buscar nuevo
empleo no es tan alto como el incentivo que tiene un trabajador cuyo salario se reduce a
la mitad o más cuando se queda en desempleo. También se podría estudiar la cuantía del
subsidio por desempleo y su duración y los efectos que pueda tener.
Además habla sobre este problema Güell en su artículo “¿Qué efectos tiene la
temporalidad sobre duración del desempleo?” En este artículo Maia argumenta que los
trabajadores que tienen más dificultades para abandonar el desempleo son los más
propensos a salir perdiendo del uso excesivo de la temporalidad, como es el caso de
España. Así, la distribución de la duración del paro se vuelve más desigual,
acentuándose la diferencia entre parados de corta y larga duración. La “Propuesta para la
reactivación laboral en España” enfatiza la importancia de la desaparición de los
contratos temporales y la introducción de un contrato único” (Güel, 2010). Por tanto,
puede ser la existencia de dos tipos de contratos de condiciones muy diferentes los que
estén causando la desigualdad entre parados y ocupados, pero sobre todo entre parados
de corta duración (aquellos que suelen encontrar trabajos temporales) y parados de larga
duración.
En cuanto al modelo ARIMA obtenido, se ha estimado con éxito un ARIMA
(1,1,0)x(0,1,1)4 para ambas series, son invertibles y las varianzas de los coeficientes
estimados son robustas.
28
5.2. ¿Hacia dónde vamos?
La segunda parte del informe de coyuntura consiste en predicciones realizadas de
los datos comentados y explicados en la primera parte. Se mostrarán tablas con las
predicciones y se hablará de los resultados más significativos.
5.2.1. Mercado interior
Aquí se analiza el PIB y sus componentes (consumos, gastos e inversión) a
excepción de las importaciones y exportaciones, que dado que juntas pueden ofrecer
datos interesantes sobre la balanza comercial, se dedica un apartado diferente a éstas.
Variación intertrimestral 2015
Mercado interior
I
II
III
IV
Gasto hogares
1569,86
0,93%
-3745,91
-2,55%
-308,64
-0,29%
4367,82
2,84%
Gasto AAPP
-8881,58
-17,20%
5558,23
11,21%
-6346,63
-13,35%
9064,62
17,52%
FBK
-9480,77
-19,65%
8069,03
15,71%
-3878,83
-7,55%
PIB
-19519,38
-7,50%
15779,37
6,01%
-6858,82
-2,64%
10,54%
14794,29
5,46%
Cuadro 4: Tabla con la variación de cada trimestre de 2015 del PIB y tres de sus componentes. El
primer trimestre son datos reales y lo sombreado la predicción. Fuente: elaborado en Gretl a partir
de datos del INE. Las segundas columnas de cada trimestre se refieres al crecimiento intertrimestral.
En todas se ha utilizado el logaritmo de las variables indicadas. Uds. Millones de euros.
Predicción PIB y componentes
100.000
90.000
Millones de euros
80.000
70.000
60.000
350.000
300.000
250.000
FBK
200.000
Gasto
AAPP
150.000
pib
50.000
40.000
30.000
20.000
10.000
0
100.000
50.000
Consumo
privado
0
Gráfico 15: Gráfico de doble eje de las predicciones del PIB y tres de sus componentes.
Fuente: elaborado a partir de datos del Instituto Nacional de Estadística.
29
Se puede observar que, en general, las series van a seguir la trayectoria que llevaban
estos últimos trimestres (véase gráfico 15). En general se observa un crecimiento en los
trimestres pares y un decrecimiento de las variables en los impares, estos movimientos
se deben en gran medida a comportamientos cíclicos. La inversión y el gasto público
tienden a estabilizarse, después de unos cuantos años de caída, mientras que el PIB y el
consumo privado parece que empiezan a remontar. Probablemente la recuperación del
gasto público no llegará hasta niveles anteriores hasta que el nivel de endeudamiento no
se reduzca considerablemente, ya que hay una gran presión por parte de Europa para
que los países miembros cumplan una serie de criterios de convergencia y estabilidad.
En el apartado anterior de este informe se ha visto la evolución del índice de confianza
de los consumidores y se observaba un cierto positivismo en los últimos trimestres por
parte de los consumidores en relación a todos los años vividos de crisis. Por ello es de
esperar que el consumo de los hogares siga recuperándose, aunque será de manera lenta
y progresiva, debido a que el problema del desempleo sigue impidiendo que se reactive
la economía con fuerza.
5.2.2. Mercado exterior
En este apartado se comentan los resultados de las predicciones sobre las
importaciones y las exportaciones, de forma que se obtiene la evolución para finales de
este año de la balanza comercial española
Variación intertrimestral 2015
Mercado
exterior
I
Importaciones
-3157,79 -4,68%
2117,17
2,67%
-1931,17
-1%
Exportaciones
-3742,64 -5,04%
7019,53
8,96%
2186,55
2,10%
II
III
IV
3024,19
3,25%
-2531,37 -3,33%
Cuadro 5: Tabla con las predicciones de las dos componentes del PIB relacionadas con el
mercado exterior. Predicciones en sombreado. Fuente: elaborado en Gretl a partir de datos del
INE. Primera columna, crecimiento en millones de euros, segunda columna, crecimiento
intertrimestral.
30
Predicción 2015 importaciones-exportaciones
100.000
millones de euros
90.000
80.000
70.000
60.000
Exportaciones
Importaciones
50.000
40.000
Gráfico 16: Gráfico predicciones exportaciones e importaciones. Fuente: elaborado a partir de
datos del Instituto Nacional de Estadística.
Estas dos reflejan la evolución de la balanza comercial del país. El déficit comercial
que caracterizaba a España se ha visto influido positivamente por la crisis. A pesar de
que en los primeros años de ésta se mantuvo elevado, la reducción del consumo hizo
que no solo se dejara de consumir productos nacionales sino también de importación,
contribuyendo así a una mejora de la balanza comercial. Además las exportaciones han
crecido durante los años difíciles a mayor velocidad que las importaciones llegando a
generar un superávit a partir de 2012. Según los datos obtenidos para 2015, ambas
variables van a seguir el mismo comportamiento durante los dos siguientes trimestres
(un crecimiento mayor en las exportaciones que en las importaciones) pero cerraremos
el año con datos que empeoran un poco la balanza comercial, las importaciones
crecerán entorno al 3% y las exportaciones se reducirán más o menos en el mismo
porcentaje.
5.2.3. Precios
En el siguiente apartado de comenta la evolución de los precios según los dos
índices estudiados anteriormente.
31
Variación
Variación intermensual 2015
Interanual
Índices
Ene.
Feb.
Mar.
Abr.
IPC
-1,60%
0,20%
0,63%
1,00%
IPRI
-0,51%
0,24%
0,49%
0,23%
IPI
1,88%
3,64%
M.V.C
-17,43%
12,61%
May.
Jun.
Jul.
Agos.
Sept.
Oct.
Nov.
Dic.
2014
2015
0,06% 0,01% -0,72%
0,16%
0,09%
0,58%
0,08%
-0,10%
-1,05%
0,39%
0,27% 0,09%
0,34%
0,17%
0,15%
-0,01%
-0,23%
-0,03%
-3,70%
1,20%
9,40%
-13,03% 9,22% 0,11%
2,77%
-31,94%
27,02%
1,87%
-3,70%
-9,55%
3,06%
-2,30%
33,57%
-18,89% 2,80% 3,90% -2,67% -46,36%
19,03%
32,23% -13,85%
6,90%
25,38%
11,83%
Cuadro 6: Tabla con las predicciones mensuales de 2015 de dos indicadores de precios y dos
indicadores de producción. Fuente: datos elaborados con Gretl a partir de datos del INE.
En cuanto a la evolución de los precios se pueden sacar conclusiones desde dos
puntos de vista diferentes. En primer lugar el IPC ha crecido durante los últimos años
de forma sostenida y moderada, cumpliendo con el criterio de convergencia de la
inflación (en torno al 2%) de la Unión Europea. Los últimos datos de 2015 muestran un
crecimiento en torno al 0%, por lo que el crecimiento está siendo muy lento, apenas se
muestra inflación e incluso se puede llegar a registrar deflación en algunos meses de este
año o al cerrarlo (como lo muestran las predicciones del Cuadro 6). A pesar de esto la
variación interanual de 2015 se espera que sea positiva aunque casi nula (0.39%) pero
mayor que la de 2014 que fue negativa (-1.05%). En segundo lugar, se puede observar
que el comportamiento del índice de producción industrial es mucho menos controlado,
presenta fluctuaciones más fuertes (-3,70% en 2014 y 1,20% para 2015). Éste índice
recoge lo precios de los intercambios entre empresas en distintas fases del proceso
productivo, es decir, son bienes de consumo intermedio, no final como los del IPC, por
lo que la inflación de éstos no es tan controlada.
Predicciones IPC-IPRI
Índice de precios
115
110
105
IPRI
100
IPC
95
20081
20084
20087
200810
20091
20094
20097
200910
20101
20104
20107
201010
20111
20114
20117
201110
20121
20124
20127
201210
20131
20134
20137
201310
20141
20144
20147
201410
20151
20154
20157
201510
90
Gráfico 17: Gráfico de las predicciones de los dos índices de precios analizados. Fuente: elaborado a partir de
datos del Instituto Nacional de Estadística.
32
5.1.3. Indicadores de producción
Como ya se ha visto en el análisis anterior, estos dos indicadores de producción han
ido cayendo como consecuencia de la crisis. Pero la matriculación de vehículos de carga
está aumentando considerablemente estos últimos años, una variación del 25,38% en
2014 y se espera que siga aumentando en 2015 (11,83%). Sin embargo el índice de
producción industrial seguirá descendiendo (ver gráfico 18).
Ambas series están relacionadas, la matriculación de vehículos de carga es un
indicador adelantado, por lo que nos está diciendo que, aunque el índice de producción
industrial no crece, posiblemente lo haga en un futuro. La matriculación de este tipo de
vehículos la realizan las empresas porque esperan tener mayor cantidad de trabajo en un
futuro cercano.
En ambas series se refleja el descenso de producción en los meses de vacaciones
como Semana Santa, Navidad y agosto (ver cuadro 6).
Predicciones de índicadores de producción
30000
160
140
25000
120
100
15000
80
60
10000
Índice
Nº de vehículos
20000
M.V.C
IPI
40
5000
20
0
20081
20086
200811
20094
20099
20102
20107
201012
20115
201110
20123
20128
20131
20136
201311
20144
20149
20152
20157
201512
0
Gráfico 18: Gráfico de los dos indicadores de producción analizados. Fuente: elaborado a partir de
datos del Instituto Nacional de Estadística.
5.1.4. Mercado de trabajo
A continuación se presentan diferentes tablas con los resultados de las predicciones,
tanto en miles de personas, como porcentajes de variación. Además no solo se va
realizar una comparativa de la variación trimestral sino también interanual.
33
Trimestre
Mercado de trabajo
I
II
III
IV
Coste salarial
2014
1805,76
1929,58
1800,46
1991,84
(euros)
2015
1809,59
1929,87
1799,51
1988,09
Parados
2014
5933,3
5622,9
5427,7
5457,7
(miles de personas)
2015
5444,6
5131,8
4941,1
4941,9
Ocupados
2014
16950,6
17353
17504
17569,1
(miles de personas)
2015
17454,8
17768,4
17900,7
17850,4
Parados mujeres
2014
2816.,
2690,7
2634,2
2634,0
(miles de personas)
2015
2642,4
2548,83
2507,68
2553,03
Ocupados mujeres
2014
7785
7912,1
7898,1
8010,8
(miles de personas)
2015
7934,6
7972,56
7921,81
7852,4
Parados jóvenes
2014
1649,4
1540,7
1533
1495,6
(miles de personas)
2015
1460,3
1378,29
1341,38
1307,89
Ocupados jóvenes
2014
2283,6
2374,3
2437,5
2366
(miles de personas)
2015
2309,4
2388,13
2483,6
2384,26
Paro larga duración
2014
3657,6
3493,6
3359,9
3352,9
(miles de personas)
2015
3330,8
3155,9
2995
3005,6
Paro corta duración
2014
1845,5
1685,8
1537,2
1693,4
(miles de personas)
2015
1679,6
1459,94
1311,19
1345,07
Cuadro 7: datos reales de 2014 y predicciones de 2015 al 95% de probabilidad (sombreado) de las variables
del mercado laboral analizadas en valores absolutos. Fuente: los datos reales son obtenidos directamente del
INE y las predicciones elaboradas con Gretl a partir de estos datos.
34
Variación intertrimestral 2015
Mercado de
trabajo
I
II
III
IV
Coste salarial
-182,25
-9,60%
120,28
6,40%
-130,36
-7%
188,58
9,90%
Parados
-13,1
-0,20%
-312,7
-6,60%
-190,66
-3,90%
0,8499
1,20%
Parados mujeres
8,4
0,30%
-93,6
-5,70%
-41,1
-2,50%
45,4
3,20%
Parados jóvenes
-35,3
-2,38%
-82
-6,23%
-36,9
-2,44%
-33,5
-1,93%
-22,1
-0,66%
-174,9
-5,20%
-160,9
-4,69%
10,6
0,64%
-13,8
-0,80%
-219,66 -10,89% -148,75
-8,24%
33,88
2,71%
Paro larga
duración
Paro corta
duración
Cuadro 8: Predicciones al 95% de probabilidad (sombreado) de la variación de series relacionadas con el
mercado laboral en los próximos trimestres, en valor absoluto y en porcentaje. Fuente: elaborados con Gretl a
partir de datos del INE.
Mercado de trabajo
Variación interanual últimos años (cierre de año)
2011
2012
2013
2014
2015
Coste salarial
1,36%
-3,69%
2,47%
-0,19%
-0,30%
Parados
11,72%
12,99%
-1,43%
-8,39%
-9,56%
Parados mujeres
12,20%
14,50%
0,63%
-7%
-4,65%
Parados jóvenes
3,50%
10,80%
-6,80%
-11,65%
-12,99%
Paro larga duración
20%
22,27%
8,76%
-7,24%
-9,92%
Paro corta duración
5,65%
3,08%
-18,47%
-9,40%
-17,24%
Cuadro 9: Datos históricos y predicciones al 95% de probabilidad (sombreado) para el cierre del año 2015 en
porcentaje de variación. Fuente: datos obtenidos directamente del INE y predicciones elaboradas en Gretl a
partir de dichos datos.
35

Por sexo y edad
Según estas predicciones el número de parados va seguir disminuyendo. Se espera
que en 2015 se reduzca el paro en casi un 10% respecto a los años anteriores. Sin
embargo, este descenso no afecta a todos los sectores por igual (ver gráfico 20), el paro
total cae más rápidamente que el desempleo femenino. El desempleo juvenil está
cayendo rápidamente y lo seguirá haciendo en 2015 (-12,99%), aunque esto puede
deberse a la emigración de muchos jóvenes al extranjero en busca de empleo. El primer
trimestre de este año ha descendido el número total de parados en 13000 personas, de
las cuales una gran parte eran jóvenes. Si se observa el cuadro 7 vemos que durante los
últimos trimestres del 2015 el número de parados jóvenes desciende, sin embargo si se
observa el número de ocupados no está aumentando. Estos datos afirman que gran
parte de la caída del desempleo juvenil que se espera es por la emigración no por futuras
contrataciones. El número de mujeres desempleadas registrado para este primer
trimestre ha sido un poco mayor, pero se espera que se reduzca en el segundo y tercer
trimestre gracias a las contrataciones temporales de verano (ver cuadro 8). Aun así, en el
último trimestre volverá a aumentar el desempleo para este sector tan vulnerable.
Predicción parados totales, mujeres y jóvenes
7000
Miles de parados
6000
5000
4000
Parados total
3000
Mujeres paradas
2000
Jóvenes parados
1000
20081
20082
20083
20084
20091
20092
20093
20094
20101
20102
20103
20104
20111
20112
20113
20114
20121
20122
20123
20124
20131
20132
20133
20134
20141
20142
20143
20144
20151
20152
20153
20154
0
Gráfico 20: Evolución y predicción del número de parados a partir de 2008, sectores más afectados.

Por duración:
Los parados de larga duración seguirán siendo el gran problema del desempleo. De
la reducción del desempleo con la que se espera cerrar 2015 la mayor parte son parados
de corta duración que han vuelto a encontrar empleo (-17%) mientras que la variación
interanual de los desempleados de larga duración solo se reducirá en un (9,9%). Ambos
36
se van a reducir considerablemente en los meses de verano, pero cerraremos el año con
un pequeño aumento del desempleo debido a que muchas de las contrataciones son
temporales.
Predicción parados por duración
7000
Miles de parados
6000
Parados total
5000
4000
Parados corta
duración
3000
Parados larga
duración
2000
1000
0
Gráfico 20: Evolución y predicción del número de parados a partir de 2008, número total, corta y
larga duración.

Coste salarial y paro total
Salvando las distintas variaciones que experimentan los salarios en los distintos
trimestres de cada año, se puede decir que estos llevan unos seis años manteniéndose
estables. A veces las empresas justifican sus despidos o escasa contratación por los
insuficientes recursos para pagar elevados salarios. Pero en el gráfico 20 se ve como las
contrataciones y despidos no siguen la misma trayectoria que el salario, es decir, unos
salarios elevados no son la razón de un gran desempleo. De hecho, la mayor parte de las
contrataciones son a personas cualificadas que son las que mayor salario tienen. Podemos
ver en el gráfico como durante estos años de salario estable el desempleo ha aumentado
pero también ha disminuido. Para este año se espera que los salarios se reduzcan en un (0,30%), casi no van a variar, sin embargo sí que se espera una reducción del desempleo.
37
7000
2.500
6000
2.300
5000
2.100
4000
1.900
3000
2000
Parados total
euros
Miles de parados
Predicción comparativa coste salarial frente a la evolución del paro
Coste salarial
por trabajador
1.700
1000
1.500
0
1.300
Gráfico 21: Evolución y predicción en comparativa del número de parados y el coste salarial de los
trabajadores.
6. CONCLUSIONES
Después de todo este análisis de la economía española, solo queda sacar alguna
conclusión de lo observado. La profundidad de la crisis ha afectado de forma asimétrica a
las diferentes variables económicas y los diferentes grupos sociales, además de que ha
tenido unos efectos muy diferentes a las crisis vividas a principios de siglo y en los años
noventa.
En primer lugar, la partida más afectada de los componentes de la demanda del
PIB ha sido la inversión. Las predicciones para casi todas las partidas parecen algo
optimistas. La inversión, después de años cayendo, ha frenado su caída y parece que
empieza a recuperarse. Las exportaciones e importaciones han tenido un comportamiento
diferente al consumo y a la inversión, ya que comenzaron a recuperarse pocos años
después del inicio de la crisis. De hecho las importaciones han mostrado un gran impulso
estos últimos años empeorando el saldo de la balanza comercial
En segundo lugar, se observa una desigualdad social ante los efectos de la crisis. Las
mujeres, los jóvenes y los parados de larga duración son los colectivos más afectados por
esta crisis. Las predicciones en cuanto al desempleo son positivas, pero dichos grupos van a
seguir teniendo dificultades para entrar en el mercado laboral. A pesar de los datos
38
positivos sobre el desempleo juvenil, se ha demostrado que se deben en gran parte a la
emigración de éstos en busca de trabajo, lo que es una pérdida de capital humano para
España. Los gobiernos deben tomar más medidas en relación a éstos como la formación de
los desempleados, la eliminación de contratos temporales, facilitar la conciliación de la vida
laboral y familiar de la mujer, y fomentar la contratación juvenil por parte de las empresas.
También se ha apreciado la profundidad de la crisis actual en relación a las crisis
vividas desde principios de siglo. Tanto en los gráficos del índice de producción industrial,
como en la matriculación de vehículos de carga y en el índice de confianza de los
consumidores, se puede ver una caída mucho más acusada en la crisis actual que en las
anteriores. Además de la caída llama la atención la duración. Mientras las otras crisis han
tenido un comportamiento más cíclico y con rápidas recuperaciones, la crisis actual lleva
ocho años afectando a la actividad económica española.
Las predicciones sobre el desempleo en general son positivas, además el índice de
confianza parece mejorar y la matriculación de vehículos de carga nos adelanta una
previsión de mayor producción en un futuro cercano. Este año es clave para acabar con el
descontento social y empezar a recuperar el país en lo económico, en lo social y en lo
político.
39
ANEXOS:

Anexos: Análisis series ARIMA
1. COMPONENTES DEL PIB
1.1 Gasto en Consumo hogares
Antes de nada vamos a transformar la variable. A la mayor parte de series les vamos a
aplicar el logaritmo, de esta forma podremos hablar en términos de variación. En según
qué series no nos dice nada hablar en valores absolutos, ya que estamos acostumbrados a
que siempre se hable de la variación de un año a otro.
Gráfico temporal:
Correlograma:
FAC de l_Cons_hogares
1
+- 1.96/T^0.5
12
0.5
11.9
0
l_Cons_hogares
11.8
-0.5
11.7
-1
0
2
4
6
8
10
12
14
16
retardo
11.6
FACP de l_Cons_hogares
11.5
1
11.4
0.5
+- 1.96/T^0.5
0
11.3
-0.5
11.2
-1
0
11.1
1995
2000
2005
2010
2
4
2015
6
8
10
12
14
16
retardo
A la izquierda, en el gráfico temporal, podemos observar una clara tendencia al alza desde
1995 hasta 2007 que se ve interrumpida y se muestra más o menos constante, salvando los
picos estacionales, hasta 2015.
A la derecha, en el correlograma, vemos que los valores de los retardos descienden poco a
poco a lo largo del acf, mientras que en el pacf solo hay un valor que se considere muy
distinto de cero, que es el primero. El primer valor es muy positivo mientras que los demás
están muy cercanos a cero y, por tanto, dentro de bandas.
Esto nos lleva a tomar la decisión de aplicar una diferencia regular. La serie no es
estacionaria y debemos convertirla en estacionaria.
40
1.1.1 Diferencia Regular
Gráfico temporal:
Correlograma:
0.1
FAC de d_l_Cons_hogares
1
0.08
0
0.06
d_l_Cons_hogares
+- 1.96/T^0.5
0.5
-0.5
0.04
-1
0
2
4
6
8
10
12
14
16
retardo
0.02
FACP de d_l_Cons_hogares
1
0
+- 1.96/T^0.5
0.5
-0.02
0
-0.5
-0.04
-1
0
-0.06
1995
2000
2005
2010
2
4
6
8
2015
10
12
14
16
retardo
Como podemos ver en el gráfico de la izquierda la tendencia ya ha sido eliminada, sin
embargo no hemos acabado con esta serie. Periódicamente se observan picos y si miramos
a la derecha, en el correlograma, vemos que esos picos se dan cada 4 periodos. Además se
ve que el comportamiento periódico es un descenso de los valores conforme mayor es el
retardo. Esto nos lleva a aplicar una diferencia estacional, esto nos va eliminar esta
componente que no nos deja trabajar con la serie, ya que este comportamiento que se
repite cíclicamente perturba los datos.
1.1.2 Diferencia estacional
Gráfico temporal:
Correlograma:
FAC de sd_d_l_Cons_hogares
0.05
+- 1.96/T^0.5
0.3
0.2
0.04
0.1
0
sd_d_l_Cons_hogares
0.03
-0.1
-0.2
0.02
-0.3
0.01
0
2
4
6
8
10
12
14
16
retardo
0
FACP de sd_d_l_Cons_hogares
-0.01
+- 1.96/T^0.5
0.3
0.2
-0.02
0.1
0
-0.03
-0.1
-0.2
-0.04
-0.3
0
-0.05
1996
1998
2000
2002
2004
2006
2008
2010
2012
2
2014
4
6
8
10
12
14
16
retardo
Ya hemos eliminado la tendencia, es decir, la serie ya es estacionaria, y además ya no se
observan los picos periodicos de antes, sino que son más aleatorios. Ya podemos pasar a
identificar el proceso con uno conocido y estimarlo.
41
Estacionalmente, cada 4 meses, observamos que el pacf va siendo cada vez menos
negativo, y el valor 4 en el acf es claramente negativo, por lo que tenemos una MA
estacional de parámetro positivo.
Modelo a estimar ARIMA (0,1,0)x(0,1,1)4
Modelo 1: ARIMA, usando las observaciones 1996:2-2014:4 (T = 75)
Variable dependiente: (1-L)(1-Ls) l_Cons_hogares
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
Theta_1
−0.478217
0.123794
-3.8630
0.00011
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
MA
Raíz 1
−0.000289
−0.000911
210.1166
−411.5983
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
0.015870
0.014590
−416.2333
−414.3826
Real
Imaginaria
Módulo
Frecuencia
2.0911
0.0000
2.0911
0.0000
El valor p es muy cercano a cero, por lo que el modelo es un ARIMA (0,1,0)x(0,1,1)4 al
99% de probabilidad. Es un media móvil estacional de parámetro positivo, aunque salga en
la estimación negativo, Gretl lo hace con signo contrario. Cumple invertibilidad porque el
módulo es mayor que la unidad. Comprobamos que no haya ninguna estructura por
estimar.
Correlograma de los residuos:
FAC de los residuos
0.3
+- 1.96/T^0.5
0.2
0.1
Los valores están entre las bandas y siguen
0
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
un comportamiento parecido en el acf y pacf,
lo que llamamos: Ruido Blanco. Esto quiere
FACP de los residuos
0.3
+- 1.96/T^0.5
decir que no hay ninguna estructura más. El
0.2
0.1
0
modelo es el estimado.
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
42
1.2 Gasto Público
Para esta variable, al igual que para la anterior, vamos a aplicar el logaritmo antes de
empezar a trabajar con ella.
Gráfico temporal:
Correlograma:
FAC de l_Gasto_AAPP
1
11.2
+- 1.96/T^0.5
0.5
11
0
-0.5
l_Gasto_AAPP
10.8
-1
0
2
4
6
8
10.6
10
12
14
16
retardo
FACP de l_Gasto_AAPP
10.4
1
+- 1.96/T^0.5
0.5
10.2
0
10
-0.5
-1
0
9.8
1995
2000
2005
2010
2
4
6
2015
8
10
12
14
16
retardo
Tendencia creciente en el grafico temporal y descenso lento en el acf del correlograma. La
serie no es estacionaria. Decisión: DIFERENCIA REGULAR
1.2.1 Diferencia regular
Gráfico temporal:
Correlograma:
0.25
FAC de d_l_Gasto_AAPP
1
0.2
+- 1.96/T^0.5
0.5
0.15
d_l_Gasto_AAPP
0
0.1
-0.5
-1
0.05
0
2
4
6
8
10
12
14
16
retardo
0
FACP de d_l_Gasto_AAPP
1
+- 1.96/T^0.5
-0.05
0.5
-0.1
0
-0.5
-0.15
-1
0
-0.2
1995
2000
2005
2010
2015
2
4
6
8
10
12
14
16
retardo
Como ya veníamos observando en el gráfico temporal, esta serie tiene una componente
estacional. En los meses 4, 8,12… vemos como el valor desciende lentamente.
Decisión: DIFERENCIA ESTACIONAL
43
1.2.2 Diferencia estacional
Gráfico temporal:
Correlograma:
0.1
FAC de sd_d_l_Gasto_AAPP
0.08
+- 1.96/T^0.5
0.4
0.2
0.06
sd_d_l_Gasto_AAPP
0
0.04
-0.2
-0.4
0.02
0
2
4
6
8
10
12
14
16
retardo
0
FACP de sd_d_l_Gasto_AAPP
-0.02
+- 1.96/T^0.5
0.4
-0.04
0.2
0
-0.06
-0.2
-0.08
-0.4
0
-0.1
1996
1998
2000
2002
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
El primer valor del acf es claramente negativo y en el pacf pasan de ser negativos a estar
cerca de cero rápidamente en los primero valores, esto es un MA de parámetro positivo.
Estacionalmente, cada 4 meses, observamos que el pacf va siendo cada vez menos
negativo, y el valor 4 en el acf es claramente negativo, por lo que tendremos una MA
estacional de parámetro positivo.
Modelo a estimar ARIMA (0, 1,1) x (0, 1,1)4
Modelo 1: ARIMA, usando las observaciones 1996:2-2014:4 (T = 75)
Variable dependiente: (1-L)(1-Ls) l_Gasto_AAPP
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
Z
Valor p
theta_1
−0.341579
0.0950609
-3.5933
0.00033
Theta_1
−0.425544
0.12477
-3.4106
0.00065
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
MA
−0.000954
−0.002127
180.4218
−347.8911
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
***
0.026376
0.021692
−354.8435
−352.0675
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
2.9276
0.0000
2.9276
0.0000
Raíz 1
2.3499
0.0000
2.3499
0.0000
MA
(estacional)
Los p-valores de los parámetros estimados nos dicen que el modelo estimado coincide con
el modelo conocido ARIMA (0, 1,1) x (0, 1, 1)4 al 99% de probabilidad. Además cumple
44
invertibilidad, el módulo es mayor que la unidad. Solo nos quedaría comprobar que no nos
hemos dejado ninguna estructura por identificar.
Correlograma de los residuos:
FAC de los residuos
0.3
+- 1.96/T^0.5
0.2
0.1
0
-0.1
-0.2
Valores
-0.3
0
2
4
6
8
10
12
14
16
dentro
de
bandas
y
con
retardo
comportamiento similar en el acf y pacf, por
FACP de los residuos
0.3
+- 1.96/T^0.5
lo que solo tenemos ruido blanco.
0.2
0.1
0
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
1.3 Formación Bruta de Capital Fijo. FBKF
Dado que es una variable básica en la contabilidad nacional y que nos interesa como varía,
vamos a crear una variable con la que trabajaremos que va ser el logaritmo de la variable
seleccionada. De esta forma la interpretación nos será más sencilla.
Primero vamos a observar el gráfico temporal y el correlograma. Queremos saber si la serie
es estacionaria para poder seguir con nuestra predicción o en caso contrario convertirla
estacionaria.
Gráfico temporal:
Correlograma:
FAC de l_FBKF_total
11.6
1
+- 1.96/T^0.5
0.5
11.4
0
11.2
l_FBKF_total
-0.5
-1
11
0
2
4
6
8
10
12
14
16
retardo
10.8
FACP de l_FBKF_total
1
+- 1.96/T^0.5
10.6
0.5
10.4
0
-0.5
10.2
-1
0
10
1995
2000
2005
2010
2015
2
4
6
8
10
12
14
16
retardo
Está muy claro que no es estacionaria. En primer lugar, porque vemos una
tendencia creciente en el gráfico temporal, y en segundo lugar, porque vemos un descenso
en los retardos del acf del correlograma. Decisión: DIFERENCIA REGULAR
1.3.1 Diferencia regular
45
Gráfico temporal:
Correlograma:
0.2
FAC de d_l_FBKF_total
1
+- 1.96/T^0.5
0.5
0.1
d_l_FBKF_total
0
-0.5
0
-1
0
2
4
6
8
10
12
14
16
retardo
-0.1
FACP de d_l_FBKF_total
1
+- 1.96/T^0.5
-0.2
0.5
0
-0.3
-0.5
-1
0
-0.4
1995
2000
2005
2010
2
4
6
8
2015
10
12
14
16
retardo
La serie ya es estacionaria, no observamos ninguna tendencia en el gráfico temporal. Pero si
que observamos comportamientos estacionales en el correlograma y bastantes picos en el
grafico temporal. Decisión: DIFERENCIA ESTACIONAL
1.3.2 Diferencia estacional
Correlograma:
Gráfico temporal:
0.15
FAC de sd_d_l_FBKF_total
0.3
+- 1.96/T^0.5
0.2
0.1
0.1
sd_d_l_FBKF_total
0
-0.1
0.05
-0.2
-0.3
0
0
2
4
6
8
10
12
14
16
retardo
FACP de sd_d_l_FBKF_total
-0.05
0.3
+- 1.96/T^0.5
0.2
-0.1
0.1
0
-0.1
-0.15
-0.2
-0.3
0
-0.2
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Una vez eliminadas la tendencia y la componente estacional pasamos a identificar el
modelo con uno conocido. Estacionalmente, en los meses 4, 8, 12… se observa que en el
pacf del correlograma los datos son cada vez menos negativos y el valor 4 del acf es
claramente negativo, esto es un MA estacional de parámetro positivo.
Estimamos el modelo:
46
Modelo 4: ARIMA, usando las observaciones 1996:2-2014:4 (T = 75)
Variable dependiente: (1-L)(1-Ls) l_FBKF_total
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
Theta_1
−0.400945
0.124945
-3.2090
0.00133
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
MA
(estacional)
Raíz 1
−0.000230
−0.001466
144.4418
−280.2486
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
0.037515
0.035102
−284.8836
−283.0329
Real
Imaginaria
Módulo
Frecuencia
2.4941
0.0000
2.4941
0.0000
Cumple invertibilidad porque el modulo es mayor que la unidad. El parámetro estimado
tiene un p valor lo suficientemente pequeño como para saber que estamos en lo cierto, que
está bien estimado. Vamos a ver el correlograma de los residuos a ver si nos hemos dejado
algo por estimar:
Correlograma de los residuos:
FAC de los residuos
0.3
+- 1.96/T^0.5
0.2
Mismos valores en el acf y pacf y dentro de
0.1
0
-0.1
las bandas Ruido Blanco.No tenemos nada
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
más.
FACP de los residuos
0.3
+- 1.96/T^0.5
0.2
0.1
0
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
1.4 Exportaciones
Ya que el número de exportaciones en valor absoluto no nos dice nada, vamos a utilizar el
logaritmo de esta variable, así nos será más fácil manejarla y hablar de la variación de ésta.
47
Gráfico temporal:
Correlograma:
FAC de l_Export
11.6
1
+- 1.96/T^0.5
0.5
11.4
0
11.2
-0.5
l_Export
11
-1
0
2
4
6
8
10
12
14
16
retardo
10.8
FACP de l_Export
1
10.6
+- 1.96/T^0.5
0.5
10.4
0
-0.5
10.2
-1
0
10
1995
2000
2005
2010
2
4
6
8
2015
10
12
14
16
retardo
1.4.1 Diferencia regular
Gráfico temporal:
Correlograma:
FAC de d_l_Export
1
0.2
+- 1.96/T^0.5
0.5
0.15
0
d_l_Export
0.1
-0.5
-1
0.05
0
2
4
6
8
10
12
14
16
retardo
0
FACP de d_l_Export
1
+- 1.96/T^0.5
-0.05
0.5
-0.1
0
-0.5
-0.15
-1
0
-0.2
1995
2000
2005
2010
2
4
6
8
2015
10
12
14
16
retardo
1.4.2 Diferencia estacional
Gráfico temporal:
Correlograma:
FAC de sd_d_l_Export
0.15
+- 1.96/T^0.5
0.4
0.2
0.1
0
sd_d_l_Export
-0.2
0.05
-0.4
0
2
4
6
8
10
12
14
16
retardo
0
FACP de sd_d_l_Export
+- 1.96/T^0.5
0.4
-0.05
0.2
0
-0.1
-0.2
-0.4
0
-0.15
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
48
Modelo 3: ARIMA, usando las observaciones 1996:2-2014:4 (T = 75)
Variable dependiente: (1-L)(1-Ls) l_Export
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
Theta_1
−0.763265
0.0715326
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
−0.000460
−0.002475
143.7814
−278.9279
z
-10.6702
Valor p
<0.00001
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
0.043509
0.034759
−283.5629
−281.7122
Real
Imaginaria
Módulo
Frecuencia
1.3102
0.0000
1.3102
0.0000
MA
(estacional)
Raíz 1
Si observamos los valores p son muy cercanos a cero, por lo que tenemos bastante
evidencia de estar en lo cierto. Además cumple invertibilidad porque el Módulo >1.
Correlograma de los residuos:
FAC de los residuos
0.3
+- 1.96/T^0.5
0.2
0.1
Ruido Blanco: no vemos ninguna estructura
0
-0.1
-0.2
adicional que nos hayamos podido olvidar al
-0.3
0
2
4
6
8
10
12
14
16
retardo
estimar el modelo.
FACP de los residuos
0.3
+- 1.96/T^0.5
0.2
1.5 Importaciones
0.1
0
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
También utilizaremos su logaritmo como
16
retardo
hemos hecho en la variable exportaciones.
Gráfico temporal:
Correlograma:
FAC de l_Import
11.6
1
11.4
+- 1.96/T^0.5
0.5
0
11.2
-0.5
l_Import
11
-1
0
2
4
6
8
10
12
14
16
retardo
10.8
FACP de l_Import
1
10.6
+- 1.96/T^0.5
0.5
10.4
0
-0.5
10.2
-1
0
10
1995
2000
2005
2010
2015
2
4
6
8
10
12
14
16
retardo
49
Tendencia creciente en el gráfico temporal y descenso de los valores del acf en el
correlograma. Decisión: DIFERENCIA REGULAR
1.5.1 Diferencia regular
Gráfico temporal:
Correlograma:
0.15
FAC de d_l_Import
1
0.1
+- 1.96/T^0.5
0.5
0
0.05
d_l_Import
-0.5
0
-1
0
2
4
6
8
10
12
14
16
retardo
-0.05
FACP de d_l_Import
1
-0.1
+- 1.96/T^0.5
0.5
-0.15
0
-0.5
-0.2
-1
0
-0.25
1995
2000
2005
2010
2
4
6
2015
8
10
12
14
16
retardo
El correlograma muestra claramente que esta serie tiene comportamientos estacionales, los
valores desciende no retardo a retardo sino cada 4. Decisión: DIFERENCIA
ESTACIONAL
1.5.2 Diferencia estacional
Gráfico temporal:
Correlograma:
0.25
FAC de sd_d_l_Import
0.2
+- 1.96/T^0.5
0.4
0.2
0.15
0
-0.2
sd_d_l_Import
0.1
-0.4
0.05
0
2
4
6
8
10
12
14
16
retardo
0
FACP de sd_d_l_Import
-0.05
+- 1.96/T^0.5
0.4
-0.1
0.2
0
-0.15
-0.2
-0.2
-0.4
0
-0.25
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
La serie ya es estacionaria y ya no observamos picos de comportamiento estacional, por lo
que vamos a pasar a estimar el modelo. Creemos que puede ser un ARIMA (1,1,0)X(0,1,1) 4
50
En el acf se observa un descenso rápido en los primero valores y en el pacf el primer valor
es claramente positivo  AR(1) .En el acf el valor del retardo 4 es claramente negativo
mientras que los demás son cercanos a cero, y en el pacf, en los retardos 4,8,12,16, los
valores se van haciendo menos negativos  MA (1)
Modelo 2: ARIMA, usando las observaciones 1996:2-2014:4 (T = 75)
Variable dependiente: (1-L)(1-Ls) l_Import
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
phi_1
0.347924
0.110283
3.1548
0.00161
Theta_1
−0.710841
0.0719253
-9.8830
<0.00001
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
0.000153
−0.001338
129.0629
−245.1733
0.058055
0.042457
−252.1257
−249.3497
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
2.8742
0.0000
2.8742
0.0000
Raíz 1
1.4068
0.0000
1.4068
0.0000
AR
MA
(estacional)
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
***
Vemos que nuestra hipótesis de que había un autoregresivo de orden 1 y un media móvil
estacional de parámetro positivo es cierta al 99% de probabilidad. Además el módulo es
mayor que la unidad por lo que cumple invertibilidad. Vamos a generar el correlograma de
los residuos a ver si hay algo más.
FAC de los residuos
0.3
+- 1.96/T^0.5
0.2
0.1
0
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
Valores similares en el acf y pacf
FACP de los residuos
0.3
y dentro de bandas: Ruido
+- 1.96/T^0.5
0.2
0.1
blanco
0
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
51
2. PRODUCTO INTERIOR BRUTO
Al igual que en muchas de las otras variables vamos a utilizar el logaritmo de la variable
original porque los datos del PIB siempre nos los muestran como porcentaje de variación,
no como números absolutos.
Gráfico temporal:
Correlograma:
12.6
FAC de l_pib
1
+- 1.96/T^0.5
12.5
0.5
12.4
0
12.3
-0.5
12.2
-1
l_pib
0
2
4
6
8
10
12
14
16
retardo
12.1
FACP de l_pib
12
1
11.9
0.5
+- 1.96/T^0.5
0
11.8
-0.5
11.7
-1
0
11.6
1995
2000
2005
2010
2
4
6
8
2015
10
12
14
16
retardo
Tendencia creciente en el gráfico temporal y descenso de los valores del acf en el
correlograma. Decisión  aplico una diferencia regular que me convierta esta serie no
estacionaria en estacionaria.
2.1 Diferencia regular
Gráfico temporal:
Correlograma:
FAC de d_l_pib
0.1
1
0.08
0.06
d_l_pib
+- 1.96/T^0.5
0.5
0
0.04
-0.5
0.02
-1
0
2
4
6
8
10
12
14
16
retardo
0
FACP de d_l_pib
-0.02
1
-0.04
0.5
+- 1.96/T^0.5
0
-0.06
-0.5
-0.08
-1
0
-0.1
1995
2000
2005
2010
2015
2
4
6
8
10
12
14
16
retardo
52
El correlograma muestra claramente que esta serie tiene comportamientos estacionales, los
valores desciende no retardo a retardo sino cada 4. Decisión aplico una diferencia
estacional
2.2 Diferencia estacional
Gráfico temporal:
Correlograma:
FAC de sd_d_l_pib
0.03
0.3
+- 1.96/T^0.5
0.2
0.1
0.02
0
-0.1
0.01
-0.2
sd_d_l_pib
-0.3
0
0
2
4
6
8
10
12
14
16
retardo
FACP de sd_d_l_pib
-0.01
0.3
+- 1.96/T^0.5
0.2
-0.02
0.1
0
-0.1
-0.03
-0.2
-0.3
0
-0.04
1996
1998
2000
2002
2004
2006
2008
2010
2012
2
4
2014
6
8
10
12
14
16
retardo
La serie ya es estacionaria y ya no observamos picos de comportamiento estacional, por lo
que vamos a pasar a estimar el modelo. Creemos que puede ser un ARIMA (1,1,0)X(0,1,0)
Modelo 6: ARIMA, usando las observaciones 1996:2-2014:4 (T = 75)
Variable dependiente: (1-L)(1-Ls) l_pib
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−0.000565645 0.0013035
-0.4339
0.66433
phi_1
0.203954
0.112189
1.8180
0.06907
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
AR
Raíz 1
−0.000571
7.81e-08
246.7077
−480.4630
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
*
0.009278
0.009017
−487.4155
−484.6394
Real
Imaginaria
Módulo
Frecuencia
4.9031
0.0000
4.9031
0.0000
53
Vemos que nuestra hipótesis de que había un autoregresivo de orden 1 aunque solo es
fiable al 90%. Además el módulo es mayor que la unidad por lo que cumple invertibilidad.
Vamos a generar el correlograma de los residuos a ver si hay algo más.
FAC de los residuos
0.3
+- 1.96/T^0.5
0.2
0.1
0
-0.1
Valores similares en el acf y pacf
-0.2
-0.3
0
2
4
6
8
10
12
14
y dentro de bandas  Ruido
16
retardo
blanco
FACP de los residuos
0.3
+- 1.96/T^0.5
0.2
CONCLUSIÓN:
0.1
0
-0.1
ARIMA
(1,1,0)X(0,1,0)
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
3. PRECIOS
3.1 Índice de precios al consumo
Gráfico temporal:
Correlograma:
105
ACF for IPCG
1
100
+- 1.96/T^0.5
0.5
0
95
-0.5
IPCG
-1
0
5
10
15
90
20
25
30
35
40
lag
PACF for IPCG
1
+- 1.96/T^0.5
85
0.5
0
80
-0.5
-1
0
75
2002
2004
2006
2008
2010
2012
5
10
15
20
25
30
35
40
lag
Clara tendencia del gráfico temporal, y valores positivos decreciendo lentamente en el acf,
por lo que la serie no es estacionaria.
Tomamos una diferencia: por interpretación se la vamos a hacer a una variable que vamos a
crear que es el logaritmo de nuestra variable.
3.1.1 Diferencia regular
54
Volvemos a generar el grafico temporal y el correlograma y observamos que no hay
tendencias, no necesito mas diferencias regulares. Pero puedo tener comportamiento
estacionales (periódico y puede haber una tendencia pero en los momentos estacionales)
La estacionalidad es anual, se repite cada 12 meses, aunque se puede observar como una
doble estacionalidad (por las rebajas).
En conclusión: Viendo el gráfico temporal y el acf de la primera diferencia no observo
tendencias pero si comportamiento estacional. Caída periódicas en el grafico temporal y
valores positivos decreciendo linealmente en el acf en los periodos estacionales, en base
24x36.
Gráfico temporal:
Correlograma:
0.015
ACF for d_l_IPCG
1
0.01
0.5
0.005
-0.5
+- 1.96/T^0.5
-1
0
5
10
15
20
25
30
35
40
lag
0
PACF for d_l_IPCG
1
+- 1.96/T^0.5
-0.005
0.5
0
-0.01
-0.5
-1
0
-0.015
2002
2004
2006
2008
2010
5
10
15
2012
20
25
30
35
40
lag
Decisión: añadir una diferencia estacional.
3.1.2 Diferencia estacional
Gráfico temporal:
Correlograma:
ACF for sd_d_l_IPCG
0.01
+- 1.96/T^0.5
0.4
0.2
0
0.005
-0.2
-0.4
sd_d_l_IPCG
d_l_IPCG
0
0
0
5
10
15
20
25
30
35
40
lag
PACF for sd_d_l_IPCG
-0.005
+- 1.96/T^0.5
0.4
0.2
0
-0.01
-0.2
-0.4
0
-0.015
2004
2006
2008
2010
2012
5
10
15
20
25
30
35
40
lag
Ya no observamos ni tendencias ni comportamientos sistemáticos, por lo que la
primera diferencia de la tasa logarítmica en la inflación es estacionaria.
55
Decisión: como la serie es estacionaria, paso a buscar un modelo ARIMA, es decir, paso a
la etapa de identificación.
Es un AR (1) regular con p>0. Si miramos los momentos estacionales, cada 12 meses,
vemos que pasan a ser cada vez menos negativos (en el acf y pacf), por lo que tenemos un
MA (1) estacional. Decisión: estimar un ARIMA (1,1,0)x(0,1,1)12 en el ln del IPC
Utilizamos la variable original (su logaritmo, sin las diferencias) y con constante. Ponemos
las diferencias que nos han salido y el modelo que creemos que se y le damos a estimar.
Miramos los signos de los parámetros: DIAGNOSIS
Model 2: ARIMA, using observations 2003:02-2013:07 (T = 126)
Dependent variable: (1-L)(1-Ls) l_IPCG
Standard errors based on Hessian
Coefficient
Std. Error
z
p-value
const
-0.000121209 0.000101643 -1.1925
0.23306
phi_1
0.378951
0.0824502
4.5961
<0.00001
***
Theta_1
-0.906775
0.176678
-5.1324
<0.00001
***
Mean dependent var
-0.000150
S.D. dependent var
0.003655
Mean of innovations
-0.000015
S.D. of innovations
0.002460
Log-likelihood
568.4005
Akaike criterion
-1128.801
Schwarz criterion
-1117.456
Hannan-Quinn
-1124.192
Real
Imaginary
Modulus
Frequency
Root 1
2.6389
0.0000
2.6389
0.0000
Root 1
1.1028
0.0000
1.1028
0.0000
AR
MA
(estacional)
(Tenemos que tener en cuenta que gretl pone el signo contrario en el MA)
El AR (1) existe significativamente distinto de cero y es estacionario. Además como el
módulo es mayor que la unidad se está cumpliendo invertibilidad.
56
Correlograma de los residuos:
El MA (1) estacional existe y es invertible.
Residual ACF
0.25
0.2
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
+- 1.96/T^0.5
Para ver si queda algo hacemos el
correlograma de los residuos. (2º parte de la
0
5
10
15
20
25
30
35
40
diagnosis)No hay nada reconocible, son
lag
Residual PACF
0.25
0.2
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
similares y los valores están dentro de
+- 1.96/T^0.5
bandas, que es un síntoma de ruido blanco.
0
5
10
15
20
25
30
35
40
lag
3.2 Índice de precios industriales (IPRI)
Vamos a analizar la serie de índice de precios industriales, es una serie mensual, aunque la
que utilizamos siempre como referencia es el IPC, ésta nos va ser de utilidad porque tiene
en cuenta precios de productos que entran en el país, no solo de lo producido
nacionalmente.
Dado que es un índice, y el valor del índice no nos da mucha información, trabajaremos
con el logaritmo de la serie, así manejaremos siempre datos de crecimiento o
decrecimiento.
Gráfico temporal:
Correlograma:
4.75
FAC de IPRI
1
4.7
+- 1.96/T^0.5
0.5
4.65
0
4.6
-0.5
4.55
l_IPRI
-1
0
4.5
5
10
15
20
25
30
35
40
retardo
4.45
FACP de IPRI
1
4.4
+- 1.96/T^0.5
0.5
4.35
0
4.3
-0.5
4.25
-1
0
4.2
1995
2000
2005
2010
5
2015
10
15
20
25
30
35
40
retardo
La clara tendencia creciente del gráfico temporal y el descenso en los retardos del
correlograma con un valor positivo en el pacf y los demás casi cero, no lleva a tomar una
diferencia regular, ya que esta serie no es estacionaria.
57
3.2.1 Diferencia regular
Gráfico temporal:
Correlograma:
0.02
FAC de d_l_IPRI
0.015
+- 1.96/T^0.5
0.4
0.01
0.2
0
0.005
d_l_IPRI
-0.2
0
-0.4
0
-0.005
5
10
15
20
25
30
35
40
retardo
-0.01
FACP de d_l_IPRI
+- 1.96/T^0.5
0.4
-0.015
0.2
-0.02
0
-0.2
-0.025
-0.4
0
-0.03
1995
2000
2005
2010
5
10
15
2015
20
25
30
35
40
retardo
La tendencia se ha eliminado. La serie ya es estacionaria.
Ahora intentamos ver comportamientos estacionales y aunque no son muy claros, si que
en el grafico podemos ver picos que se repiten continuamente. En el correlograma los
retardos descienden cada doce meses, pero no es muy apreciable dado los valores tan
pequeños. Mi decisión es aplicar una diferencia regular.
3.2.2 Diferencia estacional
Gráfico temporal:
Correlograma:
0.03
FAC de sd_d_l_IPRI
+- 1.96/T^0.5
0.4
0.02
0.2
0
0.01
sd_d_l_IPRI
-0.2
-0.4
0
0
5
10
15
20
25
30
35
40
retardo
-0.01
FACP de sd_d_l_IPRI
+- 1.96/T^0.5
0.4
-0.02
0.2
0
-0.03
-0.2
-0.4
0
-0.04
2000
2005
2010
2015
5
10
15
20
25
30
35
40
retardo
Nuestra serie ya es estacionaria y además acabamos de eliminar los comportamientos
estacionales. Pasamos a la siguiente fase:
58
Ahora tenemos que identificar nuestra serie con un modelo conocido, después
estimaremos el modelo con la hipótesis hecha y comprobaremos que estábamos en lo
cierto. Para asegurarnos no dejarnos ninguna estructura por identificar, haremos el
correlograma de los residuos del modelo, si es ruido blanco, nuestra fase de identificación
habrá terminado y ya tendremos el modelo para predecir.
Fijándonos en el correlograma podemos ver que en el acf, los primeros valores, descienden
rápidamente y en el pacf el primer valor es claramente positivo. AR (1)
Por otro lado, si nos fijamos cada 12 meses los valores son cada vez menos negativos en el
pacf, y en el acf el primer valor (retardo 12) se claramente negativo a diferencia de los
siguientes que están cercanos al cero. MA (1)
Conclusión: ARIMA (1,1,0)x(0,1,1)12
Modelo 2: ARIMA, usando las observaciones 1996:02-2015:02 (T = 229)
Variable dependiente: (1-L)(1-Ls) IPRI
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
phi_1
0.406515
0.0602764
6.7442
<0.00001
***
Theta_1
−0.93631
0.0924478
-10.1280
<0.00001
***
Media de la vble. dep.
−0.018812
D.T. de la vble. dep.
0.750794
media innovaciones
0.002580
D.T. innovaciones
0.521218
Log-verosimilitud
−187.9284
Criterio de Akaike
381.8568
Criterio de Schwarz
392.1579
Crit. de Hannan-Quinn
386.0125
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
2.4599
0.0000
2.4599
0.0000
Raíz 1
1.0680
0.0000
1.0680
0.0000
AR
MA
(estacional)
59
Desviaciones típicas pequeñas para ambos coeficientes y p-valores rozando el cero.
Además cumple invertibilidad porque el módulo es mayor que la unidad. El modelo
estimado es correcto. La serie analizada se comporta según esta estructura.
Correlograma de los residuos:
FAC de los residuos
+- 1.96/T^0.5
0.2
0.1
0
-0.1
-0.2
0
5
10
15
20
25
30
35
40
retardo
FACP de los residuos
+- 1.96/T^0.5
0.2
0.1
0
-0.1
-0.2
0
5
10
15
20
25
30
35
40
retardo
Ruido Blanco.
4. ÍNDICADORES DE PRODUCCIÓN
4.1 Matriculación vehículos de carga
Se trata de una serie compuesta por el número de vehículos de carga que han sido
matriculados en las jefaturas de tráfico provinciales durante el mes correspondiente. Esta es
una variable muy útil para hacer predicciones porque nos sirve para adelantarnos a lo que
va a suceder en los meses sucesivos. El aumento de ésta significará una mayor actividad y
producción en el futuro. Es una serie mensual de la que tenemos datos desde enero de
1975 hasta la actualidad.
Gráfico temporal:
Correlograma:
45000
FAC de Matric_v_carga
1
+- 1.96/T^0.5
40000
0.5
Matric_v_carga
35000
0
-0.5
30000
-1
0
5
10
15
20
25
30
35
40
retardo
25000
FACP de Matric_v_carga
20000
1
+- 1.96/T^0.5
0.5
15000
0
10000
-0.5
-1
0
5000
1975
1980
1985
1990
1995
2000
2005
2010
2015
5
10
15
20
25
30
35
40
retardo
60
No estacionariedad Observamos una tendencia creciente entre 1985 y 2010 que ha
podido modificar la media y la varianza de esta serie significativamente, y que
probablemente no se deba a un componente aleatorio sino a un hecho que ha cambiado
tan significativamente el nivel medio a largo plazo que ahora no tendría sentido utilizar la
media y la varianza a no ser que la convirtamos en estacionaria mediante una diferencia
regular.
4.1.1 Diferencia regular
Gráfico temporal:
Correlograma:
FAC de d_Matric_v_carga
15000
1
+- 1.96/T^0.5
0.5
10000
0
d_Matric_v_carga
5000
-0.5
-1
0
0
5
10
15
20
25
30
35
40
retardo
FACP de d_Matric_v_carga
-5000
1
+- 1.96/T^0.5
0.5
-10000
0
-15000
-0.5
-1
0
-20000
1975
1980
1985
1990
1995
2000
2005
2010
5
10
15
2015
20
25
30
35
40
retardo
En el gráfico temporal ya no observamos tendencias, todos los valores oscilan en entorno a
un mismo valor, por lo que ya tenemos una serie estacionaria que nos permite trabajar con
media y varianza.
Si nos fijamos en la estacionalidad, en el acf del correlograma podemos observar un
comportamiento periódico, una dependencia decreciente de los retardos cada 12 meses.
Para eliminar este efecto periódico añadimos una diferencia estacional.
Gráfico temporal:
Correlograma:
15000
FAC de sd_d_Matric_v_carga
1
10000
+- 1.96/T^0.5
0.5
sd_d_Matric_v_carga
0
5000
-0.5
-1
0
0
5
10
15
20
25
30
35
40
retardo
FACP de sd_d_Matric_v_carga
-5000
1
+- 1.96/T^0.5
0.5
-10000
0
-15000
-0.5
-1
0
-20000
1980
1985
1990
1995
2000
2005
2010
2015
5
10
15
20
25
30
35
40
retardo
61
Ya no observo ni tendencias ni comportamientos estacionales por lo que voy a pasar a
identificar el modelo con uno conocido.
Retardo a retardo podemos observar un MA(1) regular, con parámetro positivo, ya que los
valores de pacf son cada vez menos negativos y el primer valor de acf es claramente
negativo en relación a los demás que están cercanos al cero. El mismo comportamiento se
observa estacionalmente, cada doce meses, por lo que también tengo un MA(1) estacional
de parámetro positivo. Paso a estimar el modelo:
Modelo 1: ARIMA, usando las observaciones 1976:02-2015:02 (T = 469)
Variable dependiente: (1-L)(1-Ls) Matric_v_carga
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−0.088255
1.00448
-0.0879
0.92999
theta_1
−0.549558
0.0312497
-17.5860
<0.00001
Theta_1
−0.682494
0.0475205
-14.3621
<0.00001
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
7.646055
5.608743
−4249.072
8522.745
2807.754
2064.225
8506.143
8512.675
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.8196
0.0000
1.8196
0.0000
Raíz 1
1.4652
0.0000
1.4652
0.0000
MA
MA
(estacional)
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
***
Recordamos que Gretl interpreta con signo contrario las medias móviles. Tenemos
evidencias de que nuestra hipótesis es cierta al 99% (***). Además cumple invertibilidad, el
módulo es mayor que la unidad. Vamos a comprobar que no nos hemos dejado nada sin
identificar:
Correlograma de los residuos:
Acf y Pacf prácticamente iguales y valores cercanos a
FAC de los residuos
0.2
+- 1.96/T^0.5
0.15
0  Ruido blanco  No hay nada más.
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
0
5
10
15
20
25
30
35
40
retardo
ARIMA (0,1,1)x(0,1,1)12
FACP de los residuos
0.2
+- 1.96/T^0.5
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
0
5
10
15
20
retardo
25
30
35
40
62
4.2 Índice de producción industrial (IPI)
Utilizaremos, como en todos los índices, el logaritmo de la variable para ver su variación.
Gráfico temporal:
Correlograma:
5
FAC de l_IPI_general
1
+- 1.96/T^0.5
0.5
4.8
0
-0.5
l_IPI_general
4.6
-1
0
5
10
15
20
25
30
35
40
retardo
4.4
FACP de l_IPI_general
1
+- 1.96/T^0.5
4.2
0.5
0
4
-0.5
-1
0
3.8
1975
1980
1985
1990
1995
2000
2005
2010
5
10
15
2015
20
25
30
35
40
retardo
Observamos una tendencia en el gráfico temporal y un descenso lento en el acf del
correlograma  Decisión: DIFERENCIA REGULAR
Gráfico temporal:
Correlograma:
FAC de d_l_IPI_general
0.8
1
0.6
+- 1.96/T^0.5
0.5
0
0.4
d_l_IPI_general
-0.5
0.2
-1
0
5
10
15
20
25
30
35
40
retardo
0
FACP de d_l_IPI_general
1
-0.2
+- 1.96/T^0.5
0.5
-0.4
0
-0.5
-0.6
-1
0
-0.8
1975
1980
1985
1990
1995
2000
2005
2010
5
10
2015
15
20
25
30
35
40
retardo
Se observan picos cada 12 meses y en el acf se observa la tendencia periódica anual
Decisión: añadimos una DIFERENCIA ESTACIONAL
63
Gráfico temporal:
Correlograma:
sd_d_l_IPI_general
FAC de sd_d_l_IPI_general
0.3
1
0.25
0.5
0.2
0
0.15
-0.5
0.1
-1
+- 1.96/T^0.5
0
5
10
15
20
25
30
35
40
retardo
0.05
FACP de sd_d_l_IPI_general
0
1
+- 1.96/T^0.5
-0.05
0.5
-0.1
0
-0.15
-0.5
-0.2
-1
0
-0.25
1980
1985
1990
1995
2000
2005
2010
5
10
15
2015
20
25
30
35
40
retardo
Ya hemos eliminado la tendencia y la componente estacional. Observamos el correlograma
y creemos que se parece a un ARIMA (2,1,0)x(2,1,1)12
Modelo 1: ARIMA, usando las observaciones 1976:02-2015:03 (T = 470)
Variable dependiente: (1-L)(1-Ls) l_IPI_general
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−0.000101542 0.000274956 -0.3693
0.71190
phi_1
−0.829923
0.0420184
-19.7514
<0.00001
phi_2
−0.448734
0.0430659
-10.4197
<0.00001
Phi_1
0.121147
0.0638595
1.8971
0.05782
Phi_2
−0.245705
0.0508526
-4.8317
<0.00001
Theta_1
−0.604444
0.0511028
-11.8280
<0.00001
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
0.000092
0.000122
882.6876
−1722.306
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
0.059094
0.036669
−1751.375
−1739.939
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
Raíz 2
-0.9247
-0.9247
-1.1719
1.1719
1.4928
1.4928
-0.3563
0.3563
Raíz 1
Raíz 2
0.2465
0.2465
-2.0023
2.0023
2.0174
2.0174
-0.2305
0.2305
Raíz 1
1.6544
0.0000
1.6544
0.0000
AR
***
***
*
***
***
AR
(estacional)
MA
(estacional)
64
Los parámetros estimados tienen el signo que creíamos con un 99% de probabilidad, el
valor p es muy cercano a cero. El módulo cumple inveritibilidad, es mayor que la unidad.
Correlograma de los residuos:
FAC de los residuos
0.15
+- 1.96/T^0.5
0.1
0.05
0
-0.05
-0.1
-0.15
0
5
10
15
20
25
30
35
40
retardo
FACP de los residuos
0.15
+- 1.96/T^0.5
0.1
0.05
0
-0.05
-0.1
-0.15
0
5
10
15
20
25
30
35
40
retardo
Ruido blanco.
5. MERCADO DE TRABAJO
5.1 Coste salarial por trabajador
Como ya hemos hecho con otras variables utilizaremos el logaritmo de ésta para realizar el
análisis. Así podremos hablar de porcentaje de variación en las predicciones y saber si ha
crecido o disminuido.
Gráfico temporal:
Correlograma:
FAC de l_v1
7.65
1
7.6
0.5
7.55
0
7.5
-0.5
7.45
-1
+- 1.96/T^0.5
l_v1
0
2
4
6
8
10
12
14
16
retardo
7.4
FACP de l_v1
7.35
1
+- 1.96/T^0.5
7.3
0.5
7.25
0
7.2
-0.5
7.15
-1
0
7.1
2000
2002
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Observamos una tendencia creciente en el gráfico temporal y un decrecimiento de los
valores en el correlograma, por ello vamos a aplicar una diferencia regular:
65
5.1.1 Diferencia regular
Gráfico temporal:
Correlograma:
0.15
FAC de d_l_v1
1
+- 1.96/T^0.5
0.5
0.1
0
-0.5
0.05
d_l_v1
-1
0
2
4
6
8
10
12
14
16
retardo
0
FACP de d_l_v1
1
+- 1.96/T^0.5
-0.05
0.5
0
-0.1
-0.5
-1
0
-0.15
2000
2002
2004
2006
2008
2010
2012
2
4
6
8
2014
10
12
14
16
retardo
Si observamos el gráfico temporal vemos que la tendencia ya se ha eliminado, pero se
observan picos cíclicos que debemos eliminar para ver el comportamiento real. Para ello
aplicamos una diferencia estacional.
5.1.2. Diferencia estacional
Gráfico temporal:
Correlograma:
FAC de sd_d_l_v1
0.03
+- 1.96/T^0.5
0.3
0.2
0.1
0.02
0
-0.1
-0.2
sd_d_l_v1
0.01
-0.3
0
2
4
6
8
10
12
14
16
retardo
0
FACP de sd_d_l_v1
-0.01
+- 1.96/T^0.5
0.3
0.2
0.1
-0.02
0
-0.1
-0.03
-0.2
-0.3
0
-0.04
2002
2004
2006
2008
2010
2012
2
2014
4
6
8
10
12
14
16
retardo
Una vez eliminado podemos ver el comportamiento que realiza esta serie temporal. Si nos
fijamos en el correlograma vemos que el primer valor es muy negativo en el acf y pacf y
que se hacen menos negativos a mayor retardo de la serie. También se comporta así de
manera estacional, fijándonos en los retardos 4, 8, 12…
Vamos a estimar el modelo que creemos que es según este comportamiento, un ARIMA (0,
1, 1) x (0, 1, 1) 4
66
Modelo 6: ARIMA, usando las observaciones 2001:2-2014:4 (T = 55)
Variable dependiente: (1-L)(1-Ls) l_v1
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−0.000628175 0.000694304 -0.9048
0.36560
theta_1
−0.291687
0.13277
-2.1969
0.02803
Theta_1
−0.301375
0.134038
-2.2484
0.02455
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
−0.000589
0.000132
175.1660
−334.3026
MA
MA
(estacional)
Raíz 1
Raíz 1
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
**
**
0.010950
0.009971
−342.3320
−339.2270
Real
Imaginaria
Módulo
Frecuencia
3.4283
0.0000
3.4283
0.0000
3.3181
0.0000
3.3181
0.0000
Dado que los valores p son cercanos a cero, podemos afirmar que si que la serie se
comporta como un ARIMA (0,1,1) x (0,1,1)4 , y lo hace a un 95% de probabilidad. Además
el módulo cumple invertibilidad, ya que es mayor que la unidad. Esto quiere decir que los
valores dependerán de los anteriores valores de la serie pero esta influencia se reduce
conforme más alejados están en el tiempo.
Para comprobar que no queda ninguna estructura por identificar hacemos el correlograma
de los residuos del modelo estimado.
Correlograma de los residuos:
FAC de los residuos
+- 1.96/T^0.5
0.3
0.2
Tanto el acf como el pacf contienen
0.1
0
-0.1
valores muy similares y dentro de
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
bandas, por lo que lo único que hemos
obtenido es ruido blanco. Esto quiere
FACP de los residuos
+- 1.96/T^0.5
0.3
decir que no nos hemos dejado
0.2
0.1
0
ninguna estructura por estimar.
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
67
5.2 Parados total
Serie trimestral del nº de parados en España desde el año 2002 hasta la actualidad.
Gráfico temporal:
Gráfico temporal:
6500
FAC de Paro_total
1
6000
+- 1.96/T^0.5
0.5
5500
0
5000
Paro_total
-0.5
4500
-1
0
2
4
6
8
10
12
14
16
retardo
4000
FACP de Paro_total
3500
1
3000
+- 1.96/T^0.5
0.5
0
2500
-0.5
2000
-1
1500
2002
0
2004
2006
2008
2010
2012
2
4
6
8
2014
10
12
14
16
retardo
Observamos una tendencia claramente creciente en el gráfico temporal y un decrecimiento
en los retardos del acf del correlograma, claras evidencias de que la serie no es estacionaria.
Para que lo sea añadimos una diferencia regular.
5.2.1 Diferencia regular
Gráfico temporal:
Correlograma:
1000
FAC de d_Paro_total
1
800
+- 1.96/T^0.5
0.5
0
600
d_Paro_total
-0.5
-1
400
0
2
4
6
8
10
12
14
16
retardo
200
FACP de d_Paro_total
1
+- 1.96/T^0.5
0.5
0
0
-200
-0.5
-1
-400
2002
0
2004
2006
2008
2010
2012
2
2014
4
6
8
10
12
14
16
retardo
La tendencia ya ha sido eliminada y vemos que cada 4 retardos los valores son positivos
por lo que decidimos aplicar una diferencia estacional.
68
5.2.2 Diferencia estacional
Gráfico temporal:
Correlograma:
600
FAC de sd_d_Paro_total
1
+- 1.96/T^0.5
400
0.5
sd_d_Paro_total
0
200
-0.5
-1
0
0
2
4
6
8
10
12
14
16
retardo
FACP de sd_d_Paro_total
1
-200
+- 1.96/T^0.5
0.5
0
-400
-0.5
-1
0
-600
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
Vemos un comportamiento cíclico que se va amortiguando, además el primer valor del
pacf es positivo y el segundo negativo, por lo que puede ser un AR(1) regular y un MA(1)
estacional. Pasamos a estimar el modelo conforme nuestra hipótesis:
Modelo 2: ARIMA, usando las observaciones 2003:2-2014:4 (T = 47)
Variable dependiente: (1-L)(1-Ls) Paro_total
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−3.5283
25.3076
-0.1394
0.88912
phi_1
0.740338
0.0992959
7.4559
<0.00001
Theta_1
−0.671667
0.150219
-4.4712
<0.00001
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
AR
−13.90638
−0.584580
−293.8041
603.0089
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
***
194.5516
121.8794
595.6083
598.3932
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.3507
0.0000
1.3507
0.0000
Raíz 1
1.4888
0.0000
1.4888
0.0000
MA
(estacional)
Los parámetros son ciertos al 99% de probabilidad, las varianzas son bastante robustas y el
módulo cumple invertibilidad (mayor que la unidad)
Correlograma de los residuos:
69
FAC de los residuos
0.4
+- 1.96/T^0.5
0.3
Los valores en el acf y pacf son
0.2
0.1
0
similares y además se encuentran entre
-0.1
-0.2
-0.3
las bandas, por lo que esto es Ruido
-0.4
0
2
4
6
8
10
12
14
16
retardo
Blanco.
FACP de los residuos
0.4
+- 1.96/T^0.5
0.3
Nuestro
0.2
0.1
modelo
es
un
ARIMA
0
-0.1
(1,1,0)x(0,1,1)4
-0.2
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
5.3 Ocupados total
Esta serie nos va servir para compararla con los parados y ver como realmente evoluciona
el mercado laboral en general.
Gráfico temporal:
Correlograma:
FAC de Ocupados_total
1
+- 1.96/T^0.5
21000
0.5
0
20000
Ocupados_total
-0.5
19000
-1
0
2
4
6
8
10
12
14
16
retardo
18000
FACP de Ocupados_total
1
+- 1.96/T^0.5
0.5
17000
0
16000
-0.5
-1
0
15000
2000
2002
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Como observamos una tendencia en ambos gráficos debemos aplicar una diferencia regular
para así eliminarla.
5.3.1 Diferencia regular
70
Gráfico temporal:
Correlograma:
600
FAC de d_Ocupados_total
1
400
+- 1.96/T^0.5
0.5
d_Ocupados_total
0
200
-0.5
-1
0
0
2
4
6
8
10
12
14
16
retardo
-200
FACP de d_Ocupados_total
1
+- 1.96/T^0.5
0.5
-400
0
-600
-0.5
-1
0
-800
2000
2002
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
La tendencia ha sido eliminada pero observamos comportamientos estacionales, cada 4
retardos, los valores son muy positivos en el retardo 4, 8, 12… Para eliminar este
comportamiento vamos a aplicar una diferencia estacional.
5.3.2 Diferencia estacional
Gráfico temporal:
Correlograma:
FAC de sd_d_Ocupados_total
600
1
+- 1.96/T^0.5
0.5
400
sd_d_Ocupados_total
0
200
-0.5
-1
0
0
2
4
6
8
10
12
14
16
retardo
FACP de sd_d_Ocupados_total
-200
1
+- 1.96/T^0.5
0.5
-400
0
-600
-0.5
-1
0
-800
2002
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Pasamos a observar el correlograma para identificarlo con un modelo de los que
conocemos. Dado su comportamiento en los primero valores de acf y su primer valor del
pacf claramente positivo, creo que es un AR(1). Además, aunque no se ve muy claro, en el
pacf podemos ver que los valores se hacen cada vez menos negativos estacionalmente. Lo
comprobamos:
Modelo 1: ARIMA, usando las observaciones 2001:2-2014:4 (T = 55)
Variable dependiente: (1-L)(1-Ls) Ocupados_total
71
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
const
−9.28682
29.2376
phi_1
0.815193
0.0838494
Theta_1
−0.656566
0.105418
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
−5.692727
−0.317272
−336.5101
689.0495
Valor p
0.75076
<0.00001
<0.00001
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
***
188.2013
107.2555
681.0202
684.1252
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.2267
0.0000
1.2267
0.0000
Raíz 1
1.5231
0.0000
1.5231
0.0000
AR
MA
(estacional)
z
-0.3176
9.7221
-6.2282
Valores de p muy cercanos a cero, varianzas pequeñas y módulo mayor que uno (invertible)
Vamos a ver si no nos hemos dejado ninguna estructura por identificar:
Correlograma de los residuos:
FAC de los residuos
+- 1.96/T^0.5
0.3
0.2
Los valores son pequeños, están dentro de las
0.1
0
-0.1
bandas y tienen un comportamiento muy
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
FACP de los residuos
blanco, no hay nada más por identificar.
+- 1.96/T^0.5
0.3
parecido en ambos, por lo que tenemos ruido
0.2
0.1
0
Esto modelo es un ARIMA (1,1,0)x(0,1,1)4
-0.1
-0.2
-0.3
0
2
4
6
8
10
12
14
16
retardo
A continuación analizamos como afecta el paro al sector femenino.
5.4 Parados mujeres
72
Gráfico temporal:
Correlograma:
3000
FAC de Parados_mujeres
1
+- 1.96/T^0.5
2800
0.5
2600
0
Parados_mujeres
2400
-0.5
2200
-1
0
2000
2
4
6
8
10
12
14
16
retardo
1800
FACP de Parados_mujeres
1
1600
+- 1.96/T^0.5
0.5
1400
0
1200
-0.5
1000
-1
0
800
2002
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
Observamos una tendencia en el gráfico temporal y una caída de los valores del acf que
debemos eliminar. Lo haremos aplicando una diferencia regular:
5.4.1 Diferencia regular
Gráfico temporal:
Correlograma:
350
FAC de d_Parados_mujeres
1
+- 1.96/T^0.5
300
0.5
250
d_Parados_mujeres
0
200
-0.5
150
-1
0
2
4
6
8
10
12
14
16
retardo
100
FACP de d_Parados_mujeres
50
1
0
+- 1.96/T^0.5
0.5
0
-50
-0.5
-100
-1
-150
2002
0
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Ya no hay tendencia pero observamos un comportamiento cíclico, cada cuatro retardos,
este comportamiento estacional hay que eliminarlo, por eso aplicamos una diferencia
estacional:
5.4.2 Diferencia estacional
73
Gráfico temporal:
Correlograma:
FAC de sd_d_Parados_mujeres
250
1
200
0
150
sd_d_Parados_mujeres
+- 1.96/T^0.5
0.5
-0.5
100
-1
0
2
4
6
50
8
10
12
14
16
retardo
FACP de sd_d_Parados_mujeres
0
1
-50
+- 1.96/T^0.5
0.5
-100
0
-0.5
-150
-1
0
-200
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
Una vez eliminada tanto la tendencia como los comportamientos estacionales, vamos a
intentar identificar qué tipo de comportamiento lleva nuestra serie. Por lo primeros valores
de acf que decaen rápidamente podemos decir que existe un AR(1) regular y si nos fijamos
en el correlograma, aunque los valores son pequeños y no se ve muy claro, podemos intuir
que se trata de un MA(1) estacional. Lo estimamos para comprobar si existe:
Modelo 1: ARIMA, usando las observaciones 2003:2-2014:4 (T = 47)
Variable dependiente: (1-L)(1-Ls) Parados_mujeres
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
0.683068
5.74499
0.1189
0.90536
phi_1
0.649226
0.118034
5.5003
<0.00001
Theta_1
−0.910497
0.38181
-2.3847
0.01709
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
82.68683
56.77484
527.9350
530.7199
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.5403
0.0000
1.5403
0.0000
Raíz 1
1.0983
0.0000
1.0983
0.0000
AR
MA
(estacional)
−6.227660
0.539142
−259.9675
535.3356
***
**
74
El AR(1) nos sale que existe claramente (99%) y el MA(1), como era de esperar porque no
lo hemos visto tan claro, existe con una probabilidad algo menor pero igual de válida
(95%).Además cumple invertibilidad y las desviaciones típicas son pequeñas.
Vamos a comprobar que no se nos ha quedado ninguna estructura por identificar.
Correlograma de los residuos:
Obtenemos ruido blanco, los valores están
FAC de los residuos
0.4
entre las bandas y tienen comportamiento
+- 1.96/T^0.5
0.3
0.2
0.1
similar en el acf y pacf. Esto quiere decir que
0
-0.1
-0.2
-0.3
-0.4
0
2
4
6
8
10
12
14
16
no hay ninguna estructura más que debamos
retardo
identificar.
FACP de los residuos
0.4
+- 1.96/T^0.5
0.3
0.2
Nuestro
0.1
0
-0.1
-0.2
modelo
es
un
ARIMA
(1,1,0)x(0,1,1)4
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
5.5 Ocupados mujeres
Gráfico temporal:
Correlograma:
FAC de Ocupados_mujeres
9000
1
+- 1.96/T^0.5
0.5
8500
Ocupados_mujeres
0
-0.5
8000
-1
0
2
4
6
8
10
12
14
16
retardo
7500
FACP de Ocupados_mujeres
1
7000
+- 1.96/T^0.5
0.5
0
6500
-0.5
-1
0
6000
2002
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Observamos una tendencia y como ya sabemos hay que eliminarla. Lo haremos aplicando
una diferencia regular:
5.5.1 Diferencia regular
75
Gráfico temporal:
Correlograma:
300
FAC de d_Ocupados_mujeres
d_Ocupados_mujeres
1
200
0.5
100
-0.5
+- 1.96/T^0.5
0
-1
0
2
4
6
8
10
12
14
16
retardo
0
FACP de d_Ocupados_mujeres
1
+- 1.96/T^0.5
-100
0.5
0
-200
-0.5
-1
0
-300
2002
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
Ya no hay tendencia pero observamos un comportamiento cíclico, cada cuatro retardos,
este comportamiento estacional hay que eliminarlo, por eso aplicamos una diferencia
estacional:
5.5.2 Diferencia estacional
Gráfico temporal:
Correlograma:
200
FAC de sd_d_Ocupados_mujeres
0.4
150
+- 1.96/T^0.5
0.3
sd_d_Ocupados_mujeres
0.2
0.1
100
0
-0.1
-0.2
50
-0.3
-0.4
0
0
2
4
6
8
10
12
14
16
retardo
-50
FACP de sd_d_Ocupados_mujeres
0.4
-100
+- 1.96/T^0.5
0.3
0.2
0.1
-150
0
-0.1
-0.2
-200
-0.3
-0.4
0
-250
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Por lo primeros valores de acf que decaen rápidamente podemos decir que existe un AR(1)
regular y si nos fijamos en el pacf los valores se hacen menos negativos conforme avanzan
los retardos, se trata de un MA(1) estacional. Lo estimamos para comprobar si existe:
Modelo 2: ARIMA, usando las observaciones 2003:2-2014:4 (T = 47)
Variable dependiente: (1-L)(1-Ls) Ocupados_mujeres
76
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
const
−11.1467
4.69755
phi_1
0.525945
0.140716
Theta_1
−1
0.149161
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
Valor p
0.01765
0.00019
<0.00001
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
**
***
***
85.92459
60.32938
537.1198
539.9047
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.9013
0.0000
1.9013
0.0000
Raíz 1
1.0000
0.0000
1.0000
0.0000
AR
MA
(estacional)
−3.059574
0.671456
−264.5599
544.5204
z
-2.3729
3.7376
-6.7042
Ambos, el AR(1) y el MA(1), nos sale que existe claramente (99%). Además cumple
invertibilidad y las desviaciones típicas son pequeñas.
Vamos a comprobar que no se nos ha quedado ninguna estructura por identificar.
Correlograma de los residuos:
Obtenemos ruido blanco, los valores están
FAC de los residuos
0.4
+- 1.96/T^0.5
0.3
entre las bandas y tienen comportamiento
0.2
0.1
0
similar en el acf y pacf. Esto quiere decir que
-0.1
-0.2
-0.3
-0.4
0
2
4
6
8
10
12
14
16
no hay ninguna estructura más que debamos
retardo
identificar.
FACP de los residuos
0.4
+- 1.96/T^0.5
0.3
0.2
Nuestro
0.1
0
-0.1
-0.2
modelo
es
un
ARIMA
(1,1,0)x(0,1,1)4
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
5.6 Parados jóvenes
Esta es una serie trimestral que agrupa a trabajadores que se encuentran en una situación de
desempleo y que tienen entre 16 y 29 años.
77
En primer lugar vamos a observar gráfico temporal y correlograma de la variable original.
La variable en este caso no la vamos a modificar porque los datos de paro se suelen
expresar en números absolutos, así que trabajaremos sobre la variable original.
Gráfico temporal:
Correlograma:
2000
FAC de jovenes_parados
1
1800
+- 1.96/T^0.5
0.5
0
jovenes_parados
1600
-0.5
-1
1400
0
2
4
6
8
10
12
14
16
retardo
1200
FACP de jovenes_parados
1
+- 1.96/T^0.5
0.5
1000
0
800
-0.5
-1
0
600
2002
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
Estamos ante un claro caso de no estacionariedad. En el gráfico temporal vemos una
tendencia creciente, sobre todo a partir de 2007, por motivo de que los jóvenes han sido de
los colectivos más afectados por ésta. En el correlograma vemos un decrecimiento muy
lento a lo largo de los retardos en el acf (FAC). Decisión: tomamos una diferencia regular,
así hasta que la serie sea estacionaria.
5.6.1 Diferencia regular
Gráfico temporal:
Correlograma:
300
FAC de d_jovenes_parados
250
+- 1.96/T^0.5
0.4
0.2
200
d_jovenes_parados
0
-0.2
150
-0.4
100
0
2
4
6
8
10
12
14
16
retardo
50
FACP de d_jovenes_parados
0
+- 1.96/T^0.5
0.4
0.2
-50
0
-0.2
-100
-0.4
-150
2002
0
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Para los comportamientos estacionales, como siempre, diferencia estacional.
5.6.2 Diferencia estacional
78
Gráfico temporal:
Correlograma:
FAC de sd_d_jovenes_parados
1
200
+- 1.96/T^0.5
0.5
150
sd_d_jovenes_parados
0
100
-0.5
-1
50
0
2
4
6
8
10
12
14
16
retardo
0
FACP de sd_d_jovenes_parados
1
+- 1.96/T^0.5
-50
0.5
-100
0
-0.5
-150
-1
0
-200
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
Debido al comportamiento de los primeros valores del acf y el primer valor muy positivo
del pacf decimos que hay un AR(1) regular. Y en el pacf podemos ver como los valores se
hacen cada vez menos negativos estacionalmente y aunque en el acf no vemo un valor
claramente negativo vamos a estimar a ver si hay o no una estructura MA(1) estacional.
Modelo 4: ARIMA, usando las observaciones 2003:2-2014:3 (T = 46)
Variable dependiente: (1-L)(1-Ls) jovenes_parados
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−0.156654
3.96697
-0.0395
0.96850
phi_1
0.659425
0.113266
5.8219
<0.00001
Theta_1
−0.929527
0.409441
-2.2702
0.02319
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
AR
−5.767391
0.622137
−244.6045
504.5236
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
**
70.65151
45.48267
497.2090
499.9491
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.5165
0.0000
1.5165
0.0000
Raíz 1
1.0758
0.0000
1.0758
0.0000
MA
(estacional)
El módulo mayor que uno por lo que cumple invertibilidad. Y el modelo está bien
estimado, solo nos quedaría saber si hay algo más además de lo que ya hemos visto, alguna
estructura que no hemos podido ver clara.
79
Correlograma de los residuos:
FAC de los residuos
0.4
+- 1.96/T^0.5
0.3
Ruido blanco, mismo comportamiento
0.2
0.1
0
arriba y abajo y valores entre bandas.
-0.1
-0.2
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
FACP de los residuos
0.4
modelo
es
un
ARIMA
(1,1,0)x(0,1,1)4
+- 1.96/T^0.5
0.3
Nuestro
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
5.7 Ocupados jóvenes
Gráfico temporal:
Correlograma:
FAC de ocupados_jovenes
1
+- 1.96/T^0.5
5500
0.5
0
5000
ocupados_jovenes
-0.5
4500
-1
0
2
4
6
8
10
12
14
16
retardo
4000
FACP de ocupados_jovenes
1
3500
+- 1.96/T^0.5
0.5
3000
0
-0.5
2500
-1
0
2000
2002
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
Observamos una tendencia decreciente en el gráfico temporal y si observamos el
correlograma vemos que los valores en el acf decaen lentamente. Para eliminar esta
tendencia:
5.7.1 Diferencia regular
Gráfico temporal:
Correlograma:
200
FAC de d_ocupados_jovenes
1
+- 1.96/T^0.5
0.5
100
d_ocupados_jovenes
0
-0.5
0
-1
0
2
4
6
8
10
12
14
16
retardo
-100
FACP de d_ocupados_jovenes
1
+- 1.96/T^0.5
-200
0.5
0
-300
-0.5
-1
-400
2002
0
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
80
Se observan picos durante todo el grafico temporal y en el correlograma hay un
comportamiento periódico que se ve muy claramente cada 4 retardos. La serie tiene un
comportamiento estacional que debemos eliminar con una diferencia estacional.
5.7.2 Diferencia estacional
Gráfico temporal:
Correlograma:
250
FAC de sd_d_ocupados_jovenes
1
+- 1.96/T^0.5
200
0.5
sd_d_ocupados_jovenes
150
0
100
-0.5
50
-1
0
2
4
6
8
10
12
14
16
retardo
0
FACP de sd_d_ocupados_jovenes
-50
1
-100
0.5
+- 1.96/T^0.5
0
-150
-0.5
-200
-1
0
-250
2004
2006
2008
2010
2012
2
2014
4
6
8
10
12
14
16
retardo
En el acf vemos que los valores decaen de forma brusca, tenemos un AR (1). En el pacf
vemos que los valores caen lentamente cada 4 retardos, tenemos un AR (2). Lo
comprobamos:
Modelo 7: ARIMA, usando las observaciones 2003:2-2014:3 (T = 46)
Variable dependiente: (1-L)(1-Ls) ocupados_jovenes
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−3.23992
16.1994
-0.2000
0.84148
phi_1
0.786356
0.0940619
8.3600
<0.00001
Phi_1
−0.699229
0.138379
-5.0530
<0.00001
Phi_2
−0.411797
0.135203
-3.0458
0.00232
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
82.45707
50.19535
503.8161
507.2412
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.2717
0.0000
1.2717
0.0000
Raíz 1
Raíz 2
-0.8490
-0.8490
-1.3067
1.3067
1.5583
1.5583
-0.3417
0.3417
AR
AR
(estacional)
−1.695652
0.495773
−246.9080
512.9593
***
***
***
81
El módulo es mayor que la unidad, por lo que la serie cumple invertibilidad, es decir, cada
vez hay menor dependencia con el pasado conforme nos vamos alejando en el tiempo.El
modelo estimado es correcto dados lo p-valores con valores muy cercanos al cero.
Comprobamos que no nos hemos dejado nada por identificar:
Correlograma de los residuos:
FAC de los residuos
0.4
+- 1.96/T^0.5
0.3
Los valores que observamos son muy
0.2
0.1
0
pequeños y dentro de bandas, además son
-0.1
-0.2
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
casi iguales en el acf y pacf, esto es ruido
blanco, que quiere decir que no queda
FACP de los residuos
0.4
+- 1.96/T^0.5
0.3
ninguna estructura por identificar.
0.2
0.1
0
-0.1
-0.2
Tenemos un ARIMA (1,1,0)x(2,1,0)4
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
5.8 Parados de larga duración
Esta variable está compuesta por el número de trabajadores que llevan buscando trabajo
más de 12 meses.
Gráfico temporal:
Correlograma:
4000
FAC de Parados_LargaDur
1
3500
0
3000
Parados_LargaDur
+- 1.96/T^0.5
0.5
-0.5
2500
-1
0
2
4
6
8
10
12
14
16
retardo
2000
FACP de Parados_LargaDur
1
1500
+- 1.96/T^0.5
0.5
1000
0
-0.5
500
-1
0
0
2002
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
La serie no es estacionaria ya que como vemos en el grafico temporal y en el correlograma
presenta tendencias, éstas las vamos a eliminar aplicando una diferencia regular.
82
5.8.1 Diferencia regular
Gráfico temporal:
Correlograma:
300
FAC de d_Parados_LargaDur
1
+- 1.96/T^0.5
250
0.5
200
d_Parados_LargaDur
0
150
-0.5
100
-1
0
2
4
6
8
10
12
14
16
retardo
50
FACP de d_Parados_LargaDur
0
1
-50
0.5
-100
0
+- 1.96/T^0.5
-0.5
-150
-1
0
-200
2002
2004
2006
2008
2010
2012
2
4
6
8
2014
10
12
14
16
retardo
La serie presenta grandes picos y además en el correlograma se puede observar que los
retardos 4,8,12 siguen un comportamiento cíclico, por lo que podemos intuir que no
cumple estacionalidad, aunque la tendencia ya ha sido eliminada, los comportamientos
estacionales no. Para ello debemos aplicar una diferencia estacional.
5.8.2 Diferencia estacional
Gráfico temporal:
Correlograma:
200
FAC de sd_d_Parados_LargaDur
1
+- 1.96/T^0.5
150
sd_d_Parados_LargaDur
0.5
100
0
-0.5
50
-1
0
2
4
6
8
10
12
14
16
retardo
0
FACP de sd_d_Parados_LargaDur
-50
1
+- 1.96/T^0.5
0.5
-100
0
-150
-0.5
-1
0
-200
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Una vez eliminada la tendencia y el comportamiento estacional observamos cual es el
comportamiento real de la serie. Hay una gran semejanza con la serie parados de corta
duración. Por lo primeros datos del correlograma podemos decir que hay un AR (1) regular
y si miramos en el pacf el valor 4 es claramente negativo y luego se hacen cada vez menos
negativos, esto podría ser un MA(1) estacional. Lo comprobamos estimando el modelo tal
y como hemos intuido que es:
83
Modelo 1: ARIMA, usando las observaciones 2003:2-2015:1 (T = 48)
Variable dependiente: (1-L)(1-Ls) Parados_LargaDur
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−5.13724
20.9679
-0.2450
0.80645
phi_1
0.774595
0.0990894
7.8171
<0.00001
Theta_1
−0.491199
0.148208
-3.3143
0.00092
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
AR
−7.900000
−0.508397
−267.7550
550.9947
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
***
91.92439
62.94707
543.5099
546.3384
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.2910
0.0000
1.2910
0.0000
Raíz 1
2.0358
0.0000
2.0358
0.0000
MA
(estacional)
La estimación ha sido correcta, los valores tan pequeños de los p-valores nos están
indicando que estábamos en lo cierto, si que existen estas estructuras en la serie. Además el
módulo es mayor que uno, lo que nos está diciendo que cumple invertibilidad. Lo que no
sabemos es si hay alguna estructura más que no hemos intuido a primera vista, para ello
examinamos el correlograma de los residuos:
Correlograma de los residuos:
Excepto un valor un poco raro, los demás
FAC de los residuos
0.4
+- 1.96/T^0.5
0.3
están dentro de bandas y tienen un
0.2
0.1
0
comportamiento casi idéntico en el acf y
-0.1
-0.2
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
los residuos, es decir, que no hay nada más.
FACP de los residuos
0.4
+- 1.96/T^0.5
0.3
pacf, esto quiere decir hay ruido blanco en
0.2
0.1
CONCLUSIÓN:
0
-0.1
-0.2
-0.3
-0.4
0
2
4
6
8
10
retardo
12
14
16
Estamos ante un ARIMA (1,1,0)x(0,1,1)
5.9 Parados de corta duración
84
Esta variable está compuesta por el número de trabajadores que llevan buscando trabajo
menos de 12 meses.
En primer lugar vamos a observar el gráfico temporal y el correlograma para ver si tiene
tendencias, es decir, vamos a asegurar que sea estacionaria.
Gráfico temporal:
Correlograma:
2600
FAC de ParadosCortaDur
1
+- 1.96/T^0.5
2400
0.5
ParadosCortaDur
2200
0
-0.5
2000
-1
0
1800
2
4
6
8
10
12
14
16
retardo
1600
FACP de ParadosCortaDur
1
+- 1.96/T^0.5
1400
0.5
1200
0
-0.5
1000
-1
0
800
2002
2004
2006
2008
2010
2012
2
4
6
8
2014
10
12
14
16
retardo
Ya en el gráfico temporal observamos una tendencia creciente, la cual sube de forma
abrupta en 2007 debido al estallido de la crisis en la cual seguimos inmersos. La conclusión
es que la serie no es estacionaria, por lo que debemos añadir una diferencia regular y
proceder de nuevo a examinar sus tendencias hasta que demos en una serie estacionaria.
5.9.2 Diferencia regular
Gráfico temporal:
Correlograma:
FAC de d_ParadosCortaDur
700
+- 1.96/T^0.5
0.4
600
0.2
0
500
d_ParadosCortaDur
-0.2
400
-0.4
0
300
2
4
6
8
10
12
14
16
retardo
200
FACP de d_ParadosCortaDur
100
+- 1.96/T^0.5
0.4
0
0.2
0
-100
-0.2
-200
-300
2002
-0.4
0
2004
2006
2008
2010
2012
2014
2
4
6
8
10
12
14
16
retardo
Observo comportamientos estacionales, es decir, alguna tendencia periódica (4,8,12..). Por
lo que voy a pasar a la fase de identificación:
85
5.9.2 Diferencia estacional
Gráfico temporal:
Correlograma:
500
FAC de sd_d_ParadosCortaDur
1
400
sd_d_ParadosCortaDur
+- 1.96/T^0.5
0.5
300
0
200
-0.5
100
-1
0
0
2
4
6
8
10
12
14
16
retardo
-100
FACP de sd_d_ParadosCortaDur
1
-200
+- 1.96/T^0.5
0.5
-300
0
-400
-0.5
-500
-1
0
-600
2004
2006
2008
2010
2012
2
4
6
2014
8
10
12
14
16
retardo
Para la identificación con uno de los modelos que ya conocemos observaremos los
correlogramas anteriores y estimaremos el modelo para confirmar que estamos en los
cierto, en este caso, voy a estimar un AR(1) y un MA(1) estacional:
Modelo 1: ARIMA, usando las observaciones 2003:2-2014:4 (T = 47)
Variable dependiente: (1-L)(1-Ls) ParadosCortaDur
Desviaciones típicas basadas en el Hessiano
Coeficiente
Desv. Típica
z
Valor p
const
−3.14434
15.1627
-0.2074
0.83572
phi_1
0.620623
0.117232
5.2940
<0.00001
Theta_1
−0.717667
0.136563
-5.2552
<0.00001
Media de la vble. dep.
media innovaciones
Log-verosimilitud
Criterio de Schwarz
AR
−5.831915
0.179485
−289.7537
594.9081
D.T. de la vble. dep.
D.T. innovaciones
Criterio de Akaike
Crit. de Hannan-Quinn
***
***
175.8495
111.3267
587.5075
590.2924
Real
Imaginaria
Módulo
Frecuencia
Raíz 1
1.6113
0.0000
1.6113
0.0000
Raíz 1
1.3934
0.0000
1.3934
0.0000
MA
(estacional)
El valor p de ambos parámetros es cercano a cero, tenemos evidencias de que se cumple
nuestra hipótesis, además cumple invertibilidad, el modulo es mayor que la unidad.
Observamos el correlograma de los residuos de este modelo para identificar alguna
estructura adicional.
86
Correlograma de los residuos:
FAC de los residuos
0.4
+- 1.96/T^0.5
0.3
0.2
No vemos ninguna estructura más. Se
0.1
0
-0.1
-0.2
observan pequeños valores dentro de bandas y
-0.3
-0.4
0
2
4
6
8
10
12
14
16
similares en el acf y pacf, es decir, ruido
retardo
FACP de los residuos
0.4
blanco. Tenemos un AR (1) regular y un MA
+- 1.96/T^0.5
0.3
0.2
0.1
(1) estacional.
0
-0.1
-0.2
-0.3
-0.4
0
2
4
6
8
10
12
14
16
retardo
87

Anexos: Predicciones
1. GASTO EN CONSUMO FINAL HOGARES
0.08
d_l_Cons_hogares
predicción
Intervalo de 95 por ciento
0.06
0.04
0.02
0
-0.02
-0.04
-0.06
2006
2008
2010
2012
2014
2016
Para intervalos de confianza 95%, z(0.025) = 1.96
Observ
aciones
2015:1
2015:2
2015:3
2015:4
d_l_Cons_ho
gares
indefinido
indefinido
indefinido
indefinido
predicción
Desv. Típica Intervalo de 95%
0.00930326
-0.0254849
-0.00292345
0.0278369
0.0145333
0.0145333
0.0145333
0.0145333
(-0.0191815, 0.0377880)
(-0.0539696, 0.00299986)
(-0.0314082, 0.0255613)
(-0.000647806, 0.0563217)
2. Gasto de las administraciones públicas
0.25
0.2
d_l_Gasto_AAPP
predicción
Intervalo de 95 por ciento
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
2006
2008
2010
2012
2014
2016
Para intervalos de confianza 95%, z(0.025) = 1.96
Observ
aciones
2015:1
2015:2
2015:3
2015:4
d_l_Gasto_A
APP
indefinido
indefinido
indefinido
indefinido
predicción
Desv. Típica Intervalo de 95%
-0.172033
0.112109
-0.133461
0.175210
0.0215552
0.0228066
0.0228066
0.0228066
(-0.214281, -0.129786)
(0.0674093, 0.156809)
(-0.178161, -0.0887609)
(0.130510, 0.219910)
88
3. Formación bruta de capital
0.3
d_l_FBKF_total
predicción
Intervalo de 95 por ciento
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
2006
2008
2010
2012
2014
Para intervalos de confianza 95%, z(0.025) = 1.96
Observ
aciones
2015:1
2015:2
2015:3
d_l_FBKF_total
predicción
Desv. Típica Intervalo de 95%
indefinido
indefinido
indefinido
-0.196524
0.157107
-0.0754780
0.0350525
0.0350525
0.0350525
(-0.265226, -0.127823)
(0.0884050, 0.225808)
(-0.144180, -0.00677625)
4. Exportaciones
0.2
d_l_Export
predicción
Intervalo de 95 por ciento
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
2006
2008
2010
2012
2014
2016
Para intervalos de confianza 95%, z(0.025) = 1.96
Observa
ciones
2015:1
2015:2
2015:3
2015:4
d_l_Export
predicción
Desv. Típica Intervalo de 95%
indefinido
indefinido
indefinido
indefinido
-0.0475755
0.0891194
0.0181674
-0.0322608
0.0345598
0.0345598
0.0345598
0.0345598
(-0.115311, 0.0201605)
(0.0213834, 0.156855)
(-0.0495686, 0.0859034)
(-0.0999968, 0.0354752)
89
5. Importaciones
0.15
d_l_Import
predicción
Intervalo de 95 por ciento
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
2006
2008
2010
2012
2014
2016
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaci
ones
2015:1
2015:2
2015:3
2015:4
d_l_Import
predicción
Desv. Típica Intervalo de 95%
indefinido
indefinido
indefinido
indefinido
-0.0468147
0.0266511
-0.0130785
0.0325461
0.0423683
0.0447612
0.0450309
0.0450621
(-0.129855, 0.0362257)
(-0.0610793, 0.114381)
(-0.101337, 0.0751805)
(-0.0557741, 0.120866)
6. PRODUCTO INTERIOR BRUTO
0.1
0.08
d_l_pib
predicción
Intervalo de 95 por ciento
0.06
0.04
0.02
0
-0.02
-0.04
-0.06
-0.08
-0.1
2006
2008
2010
2012
2014
2016
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaci
ones
2015:1
2015:2
2015:3
2015:4
d_l_pib
predicción
Desv. Típica Intervalo de 95%
indefinido
indefinido
indefinido
indefinido
-0.0750080
0.0601360
-0.0263639
0.0545783
0.00901687
0.00920250
0.00921014
0.00921045
(-0.0926808, -0.0573353)
(0.0420994, 0.0781726)
(-0.0444154, -0.00831236)
(0.0365262, 0.0726305)
90
7. ÍNDICE DE PRECIOS AL CONSUMO
0.02
d_l_IPC
predicción
Intervalo de 95 por ciento
0.015
0.01
0.005
0
-0.005
-0.01
-0.015
-0.02
2009
2010
2011
2012
2013
2014
2015
2016
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
d_l_IPC
2015:04
indefinido
2015:05
indefinido
2015:06
indefinido
2015:07
indefinido
2015:08
indefinido
2015:09
indefinido
2015:10
indefinido
2015:11
indefinido
2015:12
indefinido
predicción
0.0100905
0.000578911
9.90564e-005
-0.00715353
0.00156108
0.000871837
0.00577388
0.000773394
-0.000954693
Desv. Típica
0.00250989
0.00269041
0.00271628
0.00272011
0.00272069
0.00272077
0.00272078
0.00272079
0.00272079
Intervalo de 95%
(0.00517118, 0.0150098)
(-0.00469419, 0.00585201)
(-0.00522476, 0.00542287)
(-0.0124849, -0.00182220)
(-0.00377137, 0.00689352)
(-0.00446078, 0.00620445)
(0.000441242, 0.0111065)
(-0.00455925, 0.00610604)
(-0.00628733, 0.00437795)
8. ÍNDICE DE PRODUCCIÓN INDUSTRIAL
0.4
d_l_IPI_general
predicción
Intervalo de 95 por ciento
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
Para intervalos de confianza 95%, z(0.025) = 1.96
d_l_IPI_gene predicción
Observaci ral
ones
2015:04 indefinido
-0.130303
Desv. Típica Intervalo de 95%
0.0366685
(-0.202172, -0.0584341)
91
2015:05
2015:06
2015:07
2015:08
2015:09
2015:10
2015:11
2015:12
indefinido
indefinido
indefinido
indefinido
indefinido
indefinido
indefinido
indefinido
0.0922090
0.00110026
0.0276629
-0.319413
0.270238
0.0186747
-0.0370947
-0.0954801
0.0476518
0.0484579
0.0488723
0.0497345
0.0499658
0.0499660
0.0500181
0.0500514
(-0.00118677, 0.185605)
(-0.0938754, 0.0960759)
(-0.0681251, 0.123451)
(-0.416891, -0.221935)
(0.172307, 0.368169)
(-0.0792570, 0.116606)
(-0.135128, 0.0609390)
(-0.193579, 0.00261874)
9. MATRICULACIÓN VEHÍCULOS DE CARGA
15000
d_Matric_v_carga
predicción
Intervalo de 95 por ciento
10000
5000
0
-5000
-10000
-15000
-20000
2007
2008
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
2015:01
2015:02
2015:03
2015:04
d_Matric_v_
carga
-2136.00
1508.00
indefinido
indefinido
predicción
Desv. Típica Intervalo de 95%
-3105.57
534.469
1736.25
-872.612
indefinido
indefinido
2064.22
2355.40
(-2309.56, 5782.05)
(-5489.11, 3743.89)
10. ÍNDICE GENERAL DE PRECIOS INDUSTRIALES
0.02
0.015
d_l_IPRI
predicción
Intervalo de 95 por ciento
0.01
0.005
0
-0.005
-0.01
-0.015
-0.02
-0.025
-0.03
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
d_l_IPRI
predicción
Desv. Típica Intervalo de 95%
92
2015:04
2015:05
2015:06
2015:07
2015:08
2015:09
2015:10
2015:11
2015:12
indefinido
indefinido
indefinido
indefinido
indefinido
indefinido
indefinido
indefinido
indefinido
0.00231393
0.00266838
0.000916297
0.00336941
0.00169053
0.00146012
-5.48452e-005
-0.00231770
-0.000249631
0.00499385
0.00545278
0.00553665
0.00555263
0.00555570
0.00555629
0.00555640
0.00555642
0.00555643
(-0.00747383, 0.0121017)
(-0.00801888, 0.0133556)
(-0.00993535, 0.0117679)
(-0.00751355, 0.0142524)
(-0.00919844, 0.0125795)
(-0.00943001, 0.0123502)
(-0.0109452, 0.0108355)
(-0.0132081, 0.00857269)
(-0.0111400, 0.0106408)
11. COSTE SALARIAL POR TRABAJADOR
0.15
d_l_v1
predicción
Intervalo de 95 por ciento
0.1
0.05
0
-0.05
-0.1
-0.15
2008
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
2015:1
2015:2
2015:3
2015:4
d_l_v1
indefinido
indefinido
indefinido
indefinido
predicción
-0.0961500
0.0638574
-0.0703309
0.0991126
Desv. Típica
0.00996924
0.0103825
0.0103825
0.0103825
Intervalo de 95%
(-0.115689, -0.0766106)
(0.0435080, 0.0842068)
(-0.0906803, -0.0499815)
(0.0787632, 0.119462)
12. PARADOS TOTAL
6500
Paro_total
predicción
Intervalo de 95 por ciento
6000
5500
5000
4500
4000
3500
3000
2500
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
Paro_total
predicción
Desv. Típica Intervalo de 95%
93
2015:2
2015:3
2015:4
indefinido
indefinido
indefinido
5131.81
4941.11
4941.92
122.127
245.834
373.731
(4892.44, 5371.17)
(4459.29, 5422.94)
(4209.42, 5674.42)
13. OCUPADOS TOTAL
21000
Ocupados_total
predicción
Intervalo de 95 por ciento
20500
20000
19500
19000
18500
18000
17500
17000
16500
2008
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
2015:2
2015:3
2015:4
Ocupados_to
tal
indefinido
indefinido
indefinido
predicción
Desv. Típica Intervalo de 95%
17768.4
17900.7
17850.4
106.625
219.882
341.383
(17559.4, 17977.4)
(17469.7, 18331.7)
(17181.3, 18519.5)
14. PARADOS MUJERES
3000
v1
predicción
Intervalo de 95 por ciento
2800
2600
2400
2200
2000
1800
1600
1400
1200
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
2015:2
2015:3
2015:4
v1
indefinido
indefinido
indefinido
predicción
2548.83
2507.68
2553.03
Desv. Típica
56.2994
109.252
161.089
Intervalo de 95%
(2438.48, 2659.17)
(2293.55, 2721.81)
(2237.30, 2868.76)
15. OCUPADOS MUJERES
94
8800
Ocupados_mujeres
predicción
Intervalo de 95 por ciento
8600
8400
8200
8000
7800
7600
7400
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
2015:2
2015:3
2015:4
Ocupados_m
ujeres
indefinido
indefinido
indefinido
predicción
Desv. Típica Intervalo de 95%
7972.56
7921.81
7852.44
60.1426
107.472
148.846
(7854.68, 8090.44)
(7711.17, 8132.45)
(7560.71, 8144.17)
16. PARADOS JOVENES
1900
jovenes_parados
predicción
Intervalo de 95 por ciento
1800
1700
1600
1500
1400
1300
1200
1100
1000
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
2015:2
2015:3
2015:4
jovenes_para
dos
indefinido
indefinido
indefinido
predicción
Desv. Típica Intervalo de 95%
1378.29
1341.38
1307.89
43.9944
85.8969
127.287
(1292.06, 1464.51)
(1173.03, 1509.74)
(1058.41, 1557.36)
95
17. OCUPADOS JOVENES:
4500
ocupados_jovenes
predicción
Intervalo de 95 por ciento
4000
3500
3000
2500
2000
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
2015:2
2015:3
2015:4
ocupados_jo
venes
indefinido
indefinido
indefinido
predicción
Desv. Típica Intervalo de 95%
2388.13
2483.61
2384.26
50.7686
104.213
161.141
(2288.63, 2487.64)
(2279.35, 2687.86)
(2068.43, 2700.09)
18. PARO LARGA DURACIÓN:
4000
Parados_LargaDur
predicción
Intervalo de 95 por ciento
3500
3000
2500
2000
1500
1000
500
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones
2015:2
2015:3
2015:4
Parados_Lar
gaDur
indefinido
indefinido
indefinido
predicción
Desv. Típica Intervalo de 95%
3155.91
2995.03
3005.64
62.9471
128.220
196.934
(3032.54, 3279.29)
(2743.72, 3246.33)
(2619.65, 3391.62)
19. PARO CORTA DURACIÓN:
96
3000
ParadosCortaDur
predicción
Intervalo de 95 por ciento
2500
2000
1500
1000
500
2009
2010
2011
2012
2013
2014
2015
Para intervalos de confianza 95%, z(0.025) = 1.96
Observaciones ParadosCorta
Dur
2015:2
indefinido
2015:3
indefinido
2015:4
indefinido
predicción
Desv. Típica Intervalo de 95%
1459.94
1311.19
1345.07
112.829
212.560
306.129
(1238.80, 1681.08)
(894.578, 1727.80)
(745.065, 1945.07)
97
REFERENCIAS
Álvarez, J.A. (2008).La Banca Española ante la actual crisis financiera. Banco de España,
Estabilidad Financiera.
Anónimo (2014). El número de jóvenes parados baja en 40.800 en el segundo trimestre y su tasa de
paro cae al 53,1%. RTVE, El paro en España.
Anónimo. (2015). (Datosmacro.com), Periódico Expansión.
Barceló Larran, D. (2015). Paro de larga duración: un “apartheid laboral” que se debe terminar.
Bover, O., Arellano, M., y Bentolila, S. (1996). Duración del Desempleo, Duración de las
Prestaciones y Ciclo Económico. Estudios Económicos Banco de España nº57.
Cano Orihuela, S. (2012). Me sabe mal que España pierda a la generación más preparada de su
historia. El País
Ciudadanos. (2015). El cambio sensato. Propuestas de Ciudadanos para devolver a España su
futuro
Descripción IPI (2015). Instituto Nacional de Estadística, INE Base.
El Mundo (2014). El déficit comercial aumenta un 53% por el impulso de las importaciones. Sección
Economía.
Enciclopedia Financiera (2015) Indicadores Económicos Adelantados.
Gálvez, L., Rodríguez, P. (2012). La desigualdad de género en las crisis económicas. Universidad
Pablo de Olavide
García Montalvo, J. (2013). Desempleo, ¿juvenil?. Universitat Pompeu Fabra .
Garzón Espinosa, E. (2011). Imposibilidad de devaluar el euro y consecuencias.
González Sánchez, V. M. (2010). Estrategia Europa 2020: mujer, educación y empleo.
Martín Aceña, P. (2003) Sin Plan de Estabilización.
Peña, D. (1995). Análisis univariante de series temporales.
Subirana, M. (2013). Como nos influyen las expectativas de los demás. El País, sección psicología.
98