Curso de Predicción Económica y Empresarial

Curso de Predicción Económica y Empresarial
www.uam.es/predysim
Edición 2004
UNIDAD 3: MODELOS ARIMA
LECTURAS ADICIONALES
1.- Breve contexto histórico de la metodología ARIMA.
En el año 1970 se publica una obra que habría de tener una influencia notable en los
desarrollos teóricos, y empíricos, de la econometría, y que habría de introducir matices
de indudable relevancia en la tarea de la predicción en Economía y gestión de empresas.
Dos ingenieros con formación estadística, George Box y Gwilym Jenkins, desarrollan
una metodología completa para el análisis de series temporales. La obra, Time Series
Análisis: Forecasting and Control (Holden Day, San Francisco, USA), iba a tener una
influencia destacada en Economía, iniciando una extensa literatura de desarrollos
teóricos y de aplicaciones empíricas.
Para comprender el gran impacto que tuvo esta nueva metodología es útil conocer el
contexto histórico de su aparición. Desde sus comienzos como disciplina científica, la
econometría habría de prestar una atención especial al enfoque estructural, en la
búsqueda de la estructura causal subyacente en los fenómenos económicos.
Paralelamente, y más enraizado en el campo de la estadística, se producían desarrollos
de relevancia en el campo del tratamiento de series temporales que, obviamente,
también tenían su campo de aplicación en economía. Trabajos como los de Holt,
Winters, Brown, Harrison en las décadas de 1950 y 1960 suponen, desde una óptica
empiricista, exitosos procedimientos de predicción con series económicas. También
destacan los procedimientos de extracción de señales. Además, no puede olvidarse que
los trabajos de investigadores Yule, Walker, Wold,... contienen, cierto es, las bases de lo
que hoy conocemos como metodología Box-Jenkins o ARIMA, auque eso sí,
circunscrito a series estacionarias.
En la década de 1970 algunos hechos relevantes anticipan el interés por esta perspectiva
de estudio. En primer lugar, los modelos estructurales se ven incapaces de predecir los
acontecimientos de la década. Además, comienza el cuestionamiento de la teoría
económica al uso, el paradigma keynesiano sobre el que se sustentaban los modelos
multiecuacionales, cuando no ataques directos a la línea de flotación, como la llamada
Página 1 de 3
crítica de Lucas, que cuestiona directamente la posibilidad de que, con agentes con
expectativas racionales, se puedan simular políticas económicas.
En esas circunstancias Box y Jenkins proponen un marco general de análisis de series
temporales, y decimos general puesto que, a diferencia de las aportaciones previas, se
permite la utilización de series que sin ser estacionarias, pueden ser transformadas en
tales. Nacían los modelos ARIMA.
Ahora bien, la proliferación de aplicaciones del método ARIMA no sólo descansa en
una rotunda metodología estadística, sino que también incorpora una guía de acción
práctica. Efectivamente, en la metodología Box-Jenkins son los datos los que guían a la
especificación del modelo, en lugar de la asunción de suposiciones sobre el mismo.
Desde entonces la metodología ARIMA ha mantenido una exitosa carrera. Los buenos
resultados que se obtiene en la predicción a corto plazo han provocado la proliferación
de aplicaciones a gran cantidad de campos de la economía. Ello, además, se ha visto
favorecido por la aparición de nuevos desarrollos que completan el análisis inicial.
2.- Balance de la metodología ARIMA
La rotundidad del aparato metodológico que utiliza la Metodología ARIMA no puede
ocultar los resultados de su eficacia a efectos de predicción. Varias son las limitaciones
de esta metodología, pero de cara a su utilización la más evidente es que nada nos dice
de las relaciones causales existentes en la economía lo cual, cuando menos, constituye
un campo de gran interés para los investigadores. Su utilización a efectos de simulación
es, por lo tanto, muy limitada. De hecho la técnica no lo pretende. Sólo aspira a
descubrir el mecanismo subyacente que generó tales datos.
Y, sin embargo, esta técnica continúa recibiendo gran atención porque, en determinadas
situaciones, nos ofrece una guía de acción muy interesante para la predicción en
economía y gestión de empresas. El propio Jenkins señalaba cuatro tipos de situaciones
en las que el modelo ARIMA univariante puede resultar útil:
1) Cuando sea preciso trabajar con un número elevado de series, lo que impide un
tratamiento más profundo, la metodología ARIMA proporciona predicciones rápidas y
poco costosas.
2) Cuando sea imposible encontrar variables relacionadas con la objeto de estudio. En
ese caso la modelización univariante es la única opción.
Página 2 de 3
3) Cuando disponemos de series relacionadas, incluso causales, que pueden mejorar la
predicción, puede ser útil la definición de la dinámica de comportamiento temporal de la
serie.
4) En una amplia variedad de aplicaciones, como etapa previa antes de pasar a modelos
más sofisticados, ya que constituye una forma idónea de “filtrado” de datos en un
análisis previo de la serie.
Lo cierto es que el campo natural de aplicación de los modelos ARIMA lo constituye la
predicción a corto plazo y en series con componente estacional, tanto más útil cuanto de
mayor frecuencia. Es ahí donde la metodología ARIMA alcanza sus mayores ventajas a
efectos de predicción. Ahora bien, ello no puede restar validez a las técnicas que, sin
tanta rotundidad metodológica, han sido utilizadas con gran provecho para la tarea de la
predicción. Y es bajo la óptica de la relación coste/eficacia desde donde deben ser
evaluadas todas estas técnicas. Pues bien, bajo ese punto de vista, son múltiples las
situaciones de predicción que son razonablemente bien resueltas por las técnicas que
denominamos elementales. Se abre, pues, el camino a una utilización simultánea de
varias técnicas, para una posterior comparación de resultados.
Página 3 de 3