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