Indicador Económico Regional: El Índice Mensual de Actividad Económica de Tucumán (IMAT) Por Juan Mario Jorrat Universidad Nacional de Tucumán E-mail: [email protected] Resumen La provincia de Tucumán no dispone de datos del Producto Geográfico Bruto desde 1993, aún más, las estadísticas económicas disponibles sólo cubren parcialmente algunos sectores. Aplicamos la experiencia recogida desde 1994, en el monitoreo del ciclo económico nacional con los Índices Compuestos Coincidente (ICCO) y Líder (ICLD), para construir el Índice Mensual de Actividad Económica de Tucumán (IMAT). Así damos respuesta a la necesidad de datos mensuales del nivel de actividad económica en Tucumán. La metodología usada permite que el IMAT sea comparable con los indicadores nacionales mencionados. Se propone una manera novedosa de usar la información del X-12-ARIMA para corregir por componentes irregulares, las series que componen el IMAT. Se analizan en la última sección los resultados obtenidos para Tucumán. Journal of Economic Literature Classification: E32: Business Fluctuations; Cycles E43: Index Numbers and Aggregation. Palabras claves: Indicador económico regional; índice regional de actividad; índice compuesto Regional Economic Indicator: The Monthly Economic Activity Indicator of Tucumán (IMAT) Por Juan Mario Jorrat Universidad Nacional de Tucumán E-mail: [email protected] Abstract The province of Tucumán does not have aggregate economic data as the GGP, since 1993, even more; economic series cover partially few sector activities. We apply the expertise developed since 1994 in the national business cycles indicators to build a Monthly Index of Economic Activity of Tucumán (IMAT). We use a methodology that allows comparing the national and regional indicators. We propose to use of the X-12-ARIMA information on irregular component to correct all the series for its influence, before generating the composite index. We discuss the results developed for Tucumán, in the last section. Journal of Economic Literature Classification: E32: Business Fluctuations; Cycles E43: Index Numbers and Aggregation. Key words: Regional economic index; Regional economic activity index; Composite index. 1 Indicador Económico Regional: El Índice Mensual de Actividad Económica de Tucumán (IMAT) Por Juan Mario Jorrat Universidad Nacional de Tucumán E-mail: [email protected] 1 Introducción La disponibilidad de datos económicos en la provincia de Tucumán es más escasa que en la nación. No se dispone de series agregadas de amplia cobertura como el Producto Geográfico Bruto desde 1993; mientras que, otros indicadores existentes, registran aspectos parciales de la actividad económica provincial como ser: ventas de supermercados, producción de azúcar, consumo de gas y energía eléctrica industrial, recaudación provincial de impuestos, entre otras. Algunas series son mensuales, otras son trimestrales o anuales. A pesar de este hecho, siempre interesa poder hablar y definir, con la mayor precisión posible, la actividad económica general, especialmente cuando se está en periodos en que esta cae (recesiones) o se quiere precisar la fecha del inicio de una expansión, es decir, cuando se trata de obtener información acerca de un punto de giro en la economía provincial. Una alternativa para satisfacer las necesidades de información con periodicidad mensual y a nivel agregado es la construcción de índices compuestos de series relacionadas con la actividad económica en la provincia. Para ello se usa la metodología de construcción de los indicadores nacionales del ciclo económico y la experiencia para seleccionar series, desarrollados en el programa de investigación Ciclos Económicos de Argentina de la Universidad Nacional de Tucumán, desde 1994. Una descripción de la metodología usada para la provincia de Tucumán se presenta en la segunda sección. También proponemos un novedoso ajuste por componentes irregulares, adicional al de estacionalidad, utilizando la información provista por el programa de ajuste estacional X-12-ARIMA. En la tercera sección discutimos el ajuste por estacionalidad. En particular, sugerimos usar la descomposición pseudo-aditiva para tratar la producción de azúcar que se caracteriza por observaciones nulas en cuatro o cinco meses al año. Esto tiene particular importancia para los productos agrícolas como el azúcar y los citrus en nuestra provincia. En la cuarta sección analizamos los resultados del comportamiento del IMAT con respecto al Índice Compuesto Coincidente (ICCO) de Argentina y al Producto Interno Bruto (PIB). En la quinta sección resumimos las conclusiones de este trabajo, remarcando los puntos a observar para poder determinar los puntos de giro de la actividad económica. Por supuesto que el desempeño del índice compuesto está en relación directa con la cantidad y calidad de los datos utilizados. Pero se debe ser cauto antes de rechazar una serie ya que todo dato es valioso, sobre todo cuando la oferta de series es relativamente escasa. 2 Metodología para la construcción de índices compuestos Un índice compuesto resume en un único número mensual el comportamiento de un grupo de series seleccionadas que se mueven sincrónicamente entre ellas y presentan un comportamiento homogéneo respecto al ciclo económico. En este caso estamos interesados en series que se mueven con el nivel de actividad económica, es decir, series coincidentes con el ciclo económico en Tucumán. Como queremos excluir el movimiento periódico intra-anual, todas las series se ajustan previamente por estacionalidad. 2 Luego del ajuste estacional, la variación mensual del índice compuesto se calcula como el promedio de las tasas de cambio mensuales estandarizadas de las series que componen el índice. El proceso de construcción del índice compuesto se explicita mejor como un proceso por etapas. Pasamos a considerar con mayor detalle cada una de ellas. 2.1 Ajuste por estacionalidad de las series componentes del índice compuesto Para el ajuste estacional de las series se seleccionó el programa X-12-ARIMA del Census Bureau de EE. UU.1. Para esta elección se tuvo en cuenta su disponibilidad, sus actualizaciones periódicas, su relativamente fácil utilización, la abundante bibliografía y manuales existentes, la muy buena disposición del staff técnico del Census Bureau para evacuar consultas, y la experiencia ya acumulada2. La familia de programas X11/X12-ARIMA domina el ajuste estacional a nivel mundial, son usados en más del 90% de los datos ajustados por estacionalidad publicados en el mundo. La oficina de estadística de la Unión Europea, Eurostat, seleccionó oficialmente dos programas, el X12-ARIMA del Census Bureau de EE. UU y el TRAMO/SEATS del Banco de España, para el ajuste estacional de todas las series de la Unión Europea. El programa X12-ARIMA consiste en dos módulos. El primero es el módulo de Modelados RegARIMA. En él se estima un modelo ARIMA estacional (SARIMA), de la forma ( p d q)( P D Q)12 para la serie bajo estudio o para una transformación (logarítmica) de la misma, cuando es posible hacerlo. En la expresión anterior p es el orden del modelo autoregresivo AR( p) ; d es el número de diferencias no estacionales; q es el orden del modelo de promedios móviles MA(q ) ; P es el orden del autoregresivo estacional AR ( P ) ; D es el número de diferencias estacionales; y Q es el orden del promedio móvil estacional MA(Q) . El modelo estimado se usa para extrapolar los valores finales de la serie a fin de extender el número de observaciones (predicción); estimar valores anteriores al primer valor observado (retroproyección), cuando las observaciones son pocas; y detectar y estimar directamente diferentes efectos calendarios en la serie para preajustarla por ellos (días hábiles, pascua y valores extremos). Todo esto se realiza para mejorar la estimación posterior de los factores estacionales. En el segundo módulo, el Ajuste Estacional X-11, la serie mensual o trimestral ya procesada por el Modelado RegARIMA (extendida y filtrada de los efectos calendarios), se descompone en tendencia-ciclo ( Tt ), estacionalidad ( St ) e irregular ( I t ); según varias descomposiciones alternativas posibles: Descomposición Multiplicativa Yt = Tt ⋅ St ⋅ I t Descomposición Aditiva Yt = Tt + St + I t Descomposición Pseudo-Aditiva Yt = Tt ⋅ ( St − 1 + I t ) (1) La descomposición pseudo-aditiva es útil para el caso de los productos agrícolas o industriales donde las observaciones de algunos meses son cero o próximas a cero. Posteriormente discutiremos su aplicación a los datos de producción de azúcar en Tucumán. Para estimar los diferentes componentes de la serie, el X-11 procede iterativamente. El algoritmo básico3 realiza tres estimaciones, sucesivamente más refinadas, de los distintos componentes y en especial del término irregular, para detectar y corregir valores extremos. 1 U. S. Census Bureau. X-12-ARIMA Reference Manual, versión 0.2.10. July, 2002. Jorrat (1996-b), Jorrat et al (1999, 2002). 3 Para una descripción más detallada del algoritmo básico consultar Jorrat et al. (2002). 2 3 A su vez, el algoritmo base se repite en tres etapas que se denominan B, C y D4, letras con la que se designan también las diferentes salidas. Además se proveen, como etapas E, F, y G, varias medidas de la bondad y calidad del ajuste estacional que interesan para el análisis del ciclo económico, cuyos resultados se analizan más adelante. El método X-11 incorpora en cada una de sus etapas una elaborada herramienta para la detección y corrección de valores extremos del componente irregular. En particular, se realiza una estimación robusta de su desvío estándar móvil. Esta estimación del error típico se hace en dos pasos. En el primero se estima st( I ) como el desvío móvil de sesenta meses que se asigna al año central; para los dos primeros y los dos últimos dos años se repite el valor estimado más próximo. Posteriormente, se excluyen aquellas observaciones con irregulares muy distantes, se eliminan los I t tales que: I t − I > 2.5 ⋅ st( I ) . Luego, en un segundo paso, se estima de nuevo el desvío estándar móvil st( II ) . A cada observación del componente irregular se adjudica el peso, Wt , inversamente proporcional a la distancia del irregular respecto a su media, en términos del desvío estándar, según la expresión (2). Wt = 1 Wt = para I t − I ≤ 1.5st( II ) 2.5st( II ) − I t − I ( II ) t 2.5s − 1.5s ( II ) t Wt = 0 para 1.5st( II ) < I t − I < 2.5st( II ) (2) para 2.5st( II ) ≤ I t − I Nótese que las observaciones correspondientes al mismo año tienen el mismo valor y que I toma el valor 1 para las descomposiciones multiplicativa y pseudo-aditiva; y de s 0 para el caso aditivo. La gráfica de los pesos ( Wt ) como función de la distancia de su media se presenta en la Gráfica 1. Los Wt finales se informan en la salida denominada tabla C175 del Ajuste Estacional X-11. Otros importantes resultados del X-11 son: La tabla D12 que contiene la estimación final de la tendencia-ciclo: Tt . La última estimación de los factores para el ajuste estacional, ( II ) t St , se presenta en la tabla D16 (para descomposiciones multiplicativa y aditiva) y en la tabla FAD (para la pseudo-aditiva). La tabla D11 contiene la serie ajustada por estacionalidad ( At ) definida como: At = Yt / St = Tt ⋅ I t At = Yt − St = Tt + I t At = Yt − Tt ⋅ ( St − 1) = Tt ⋅ I t Para la descomposición multiplicativa Para la descomposición aditiva (3) Para la descomposición pseudo-aditiva 4 La etapa A designa las salidas, tablas, cuadros y gráficos del primer módulo, el RegARIMA y otros ajustes previos. 5 El nombre del tipo de tabla, como ser C17, coincide con la extensión del archivo que la contiene. 4 Gráfico 1: Valores de Wt Wt 1 2.5 1.5 s 0 1.5 s 2.5 s La tabla E2 comprende la serie ajustada por estacionalidad ( At ó D11) modificada para las observaciones en las que el componente irregular recibe peso cero ( Wt cuyo caso, el valor de = 0 ), en At (tabla D11) es reemplazado por la estimación de la tendencia- ciclo: Tt (tabla D12). Recordemos que el peso es cero cuando el componente irregular dista de su media, más de dos veces y medias el desvío estándar móvil, como lo indica la expresión (2). Tenemos así tres series filtradas alternativas para usar en la construcción del índice compuesto, estos son: 1) La serie ajustada por estacionalidad (tabla D11); 2) La tendenciaciclo (tabla D12); y 3) La serie ajustada por estacionalidad y modificada por extremos con peso cero (tabla E2). La tendencia-ciclo (tabla D12) es una serie demasiado suavizada, muy aplanada en los picos y valles por lo que resulta difícil establecer las fechas de los puntos de giro con precisión. La serie ajustada por estacionalidad (tabla D11) tiene una importante variabilidad asociada al componente irregular, como se aprecia en su definición en la expresión (3). Una alternativa algo mejor es usar la tabla E2. La opinión del instituto pionero en el estudio de los ciclos económicos, el National Bureau of Economic Research (NBER), es usar las series ajustadas sólo por estacionalidad para la determinación de los ciclos específicos de cada serie, reconociendo que “para el caso de datos con muchos movimientos irregulares, tales como series para firmas individuales, el análisis de datos suavizados puede ser conveniente”6. Pero se reconoce la necesidad de usar datos más suavizados cuando nos movemos de un análisis más agregado a uno más particular, como ser firmas o, por qué no, provincias. Las oficinas de estadísticas nacionales están interesadas en proveer estimaciones más suaves que el mero ajuste estacional, como una respuesta a la inestabilidad creciente observada en los indicadores a nivel mundial, para poder determinar los puntos de giro de las series económicas. Así se ha propuesto7 utilizar la tendencia-ciclo (tabla D12) estimada a 6 7 Bry y Boschan (1971), pag. 79. Dagum y Capitanio (1998). 5 partir de ajustar (y proyectar) a la serie de la tabla E2 un modelo SARIMA de la forma (011)(001)12 . Esta sugerencia brinda estimaciones de Tt con menores revisiones al final del periodo de observaciones, pero no resuelve el problema del aplanado de Tt en los puntos de giro de la serie ajustada. La alternativa que proponemos en este trabajo, extiende el concepto de la tabla E2 a los casos en que el peso está entre cero y uno ( 0 < Wt < 1 ) y es menos complicada desde el punto de vista computacional. Consiste es aprovechar la metodología robusta del X-11 para detectar y corregir los valores irregulares extremos, definiendo la serie ajustada por estacionalidad y filtrada por irregulares como Ft : Ft = Wt ⋅ At + (1 − Wt ) ⋅ Tt (4) De manera que cuando Wt = 0 , la serie filtrada es Ft = Tt como en el caso de la tabla E2; cuando 0 < Wt < 1 , Ft , la serie propuesta es un promedio entre At y Tt ; y cuando Wt = 1 , la serie filtrada coincide con la ajustada por estacionalidad, Ft = At . Para ilustrar esta propuesta, presentamos a continuación tres gráficos referidos a la serie de Ventas en Supermercados de San Miguel de Tucumán, con los puntos de giro definidos conforme a la metodología del NBER en la serie Ft . Gráfico 2: Serie Ajustada por Estacionalidad At Ventas en Supermercados en Tucuman. Millones de Pesos de 1997; Serie Ajustada por Estacionalidad. Programa de Investigación Ciclos Económicos de Argentina; Director: Juan M. Jorrat; UNT. 25 1999.06 24 23 2001.04 22 21 20 2000.09 19 18 17 1995.07 16 1995 1996 1997 1998 1999 TUC-VS-A 2000 2001 2002 2003 P. G. Clás. Fuente: Elaboración propia en base a datos de INDEC. Observamos, en el Gráfico 2, la presencia de abundantes movimientos irregulares; mientras que en el Gráfico 3, la tendencia-ciclo muestra un suavizado excesivo que impide fijar con claridad las fechas de picos y valles de la serie y, finalmente, en el Gráfico 4 presentamos la serie ajustada por estacionalidad y filtrada por irregulares, Ft , propuesta en este trabajo y definida por la ecuación (4). En ese gráfico se nota que el componente irregular fue suavizado, aproximándose la serie filtrada a la forma de la tendencia-ciclo, Tt , pero permite fijar los puntos de giro sin lugar a dudas. 6 Como puede apreciarse, en el Gráfico 2, la presencia de irregulares importantes desplaza (adelanta) los dos primeros puntos de giro de la serie, sin embargo, es preferible pagar ese precio en términos de pequeños desplazamiento de los puntos de giro de la serie individual, por la ganancia de un gráfico como el 4, en el que se aprecia más claramente los movimientos de la tendencia-ciclo subyacente. La respuesta al grado óptimo de suavizado de las series económicas para el análisis de los ciclos económicos, sigue siendo una cuestión empírica. Aún cuando se usen otros métodos como el estructural o el no paramétrico. Gráfico 3: Serie Tendencia-ciclo Tt Ventas en Supermercados en Tucuman. Millones de Pesos de 1997; Serie Ajustada por Estacionalidad. Programa de Investigación Ciclos Económicos de Argentina; Director: Juan M. Jorrat; UNT. 25 1999.06 24 23 2001.04 22 21 20 2000.09 19 18 17 1995.07 16 1995 1996 1997 1998 1999 P. G. Clás. 2000 2001 2002 2003 TUC-VS-T Fuente: Elaboración propia en base a datos de INDEC. Gráfico 4: Serie Ajustada por Estacionalidad y por Irregular Ft Ventas en Supermercados en Tucuman. Millones de Pesos de 1997; Serie Ajustada por Estacionalidad. Programa de Investigación Ciclos Económicos de Argentina; Director: Juan M. Jorrat; UNT. 25 1999.06 24 23 2001.04 22 21 20 2000.09 19 18 17 1995.07 16 1995 1996 1997 1998 1999 TUC-VS-F 2000 2001 2002 2003 P. G. Clás. Fuente: Elaboración propia en base a datos de INDEC. 7 2.2 Cómputo de la media y desvío estándar de las tasas de cambio logarítmicas mensuales de cada serie8 Una vez que todas las series se ajustaron por estacionalidad e irregulares de la manera propuesta en el punto anterior, procedemos a expresar todas las observaciones como tasas de cambio mensuales logarítmicas. Sea x jt el valor de la serie j en el mes t, entonces: x x jt = ln jt x j (t −1) (5) Para las series que ya están definidas como tasas, tomamos su diferencia y la expresión (5) se expresa: x jt = ( x jt − x j (t −1) ) (6) Las series trimestrales se expanden: el valor de cada trimestre se repite en los meses del trimestre correspondiente. Su tasa de cambio trimestral se mensualiza (se divide en 3) y su valor se asigna desde el tercer mes de observación de la serie, en adelante, para mantener las variaciones asignadas a los meses correspondientes. Para estandarizar las variaciones mensuales se define un periodo donde se estimarán la tendencia (media) y el desvío estándar de cada serie, ya que estos valores son diferentes para cada variable económica. Este periodo común para la mayoría de las variables, se define desde el inicio del índice compuesto o el de cada serie (si es posterior) y hasta el final de algún año (completo) previo al momento actual. La elección de este último límite se hace a efecto de reducir las revisiones de las series en los años finales, ya sean por cambios en los datos o cambios en el ajuste estacional9; asimismo, se debe evitar considerar un año donde ocurre un punto de giro de la economía nacional. Para el caso de Tucumán, la estimación de las tendencias y desvíos estándares se hace desde 1994.01 (enero de 1994) hasta 2000.12 (diciembre de 2000), excepto para las variables que empiezan con posterioridad a 1994.01 que se considera su inicio respectivo. Así las expresiones de la tendencia m j y desvío estándar s j de la serie j en el intervalo de tiempo a j < t < b son: mj = sJ = b x 1 x jt = ln jb ∑ x ja ( b − a j ) t =a j j ( b 1 x jt − m j ∑ ( b − a j − 1) t =a j ) (b − a ) j 2 (7) (8) Nótese que, para las series ya expresadas como tasas, el numerador de la expresión ( ) ( (7), ln x jb x ja j , debe interpretarse como x j ,b − x j ,a j ). Para las series trimestrales, al definir a j < t < b , se deben considerar los meses centrales del primer y último trimestre, respectivamente. 8 Basado en algoritmo de Moore y otros, Moore y Moore (1985), y Moore (1983, 1990). Para estimar los factores estacionales finales se usa en la mayoría de las series un promedio móvil compuesto 3x5 (siete términos). En este caso, aún sin revisiones de los datos anteriores, las estimaciones dentro de los tres últimos años cambian por la incorporación de nuevos datos a la serie. 9 8 2.3 Primera variación mensual logarítmica del índice compuesto: sin ajuste por tendencia ni por amplitud La tasa de cambio mensual logarítmica del índice compuesto, sin ajuste por tendencia ni por amplitud, se define como el promedio de las variaciones mensuales estandarizadas de las series que forman el índice. Para las variables ya expresadas como razones, se consideran las diferencias mensuales estandarizadas. Así, para n series componentes tenemos: n c t(1) = 1 x jt − m j ∑ n j =1 s j (9) La expresión (9) tiene media cero y varianza que dependerá de las covarianzas temporales entre las series componentes ya que no son variables mutuamente independientes por la presencia del co-movimiento cíclico.10 2.4 Segunda variación mensual logarítmica del índice compuesto, con amplitud ajustada pero sin corrección por tendencia Como se desea que el índice compuesto tenga la amplitud cíclica del Producto Interno Bruto (PIB), se ajusta el desvío estándar de (9) al del PIB: (2) (1) s c t = c t ⋅ PIB s (1) (10) ct Donde s (1) es el desvío estándar del la tasa de cambio definida en (9) y sPIB es el error ct típico del PIB. Así la expresión (10) define la variación mensual logarítmica del índice compuesto sin tendencia. Podemos construir el índice compuesto sin tendencia a partir de la expresión (10) recordando que las tasas son logarítmicas y definiendo como 100 el valor inicial del índice compuesto sin tendencia: { } t(2) Ct(2) = Ct(2) ⋅ exp c −1 (11) Este índice compuesto -sin tendencia- puede interpretarse como desvíos alrededor de la tendencia en el enfoque del ciclo de crecimiento. 2.5 Tercera variación mensual logarítmica del índice compuesto, con ajustes por amplitud y por tendencia (final) El paso final consiste en ajustar a la ecuación (10), la tendencia del PIB, para reconstruir el Índice Compuesto con tendencia y amplitud cíclica del PIB. Así la tasa de cambio mensual logarítmica del índice compuesto queda definida como: 10 Recordemos que la suma de variables no independientes tienen como varianza: var ∑ x j = ∑ σ 2j + ∑∑ σ iσ j ρij i≠ j j j 9 (3) (2) c t = c t + mPIB (12) y el correspondiente índice compuesto final es: { } (3) Ct(3) = Ct(3) −1 ⋅ exp c t (13) El índice compuesto se computa mientras se tengan observaciones para la mitad de las series que lo forman, por lo menos. 3 Resultados del ajuste estacional de las series componentes del IMAT Las variables que forman el Índice Mensual de Actividad Económica de Tucumán (IMAT), son seis series mensuales y una trimestral. El detalle de series se presenta en la Tabla 1. En ella se muestran la definición de cada serie, sus unidades de medida, fuentes, siglas, medias y desvíos estándares de sus variaciones mensuales logarítmicas. Tabla 1: Series Componentes del Índice Mensual de Actividad Económica de Tucumán Periodo 1994 - 2003. Nº Serie 1 Ventas Minoristas en Supermercados en San Miguel de Tucumán. En Millones de Pesos de 1997, deflactado por IPC-TUC. Fuente: INDEC y Direc. Pcial. de Estadística de Tucumán (DPE). 2 Total de Gas entregado para la Industria en Tucumán. Millones de m3 de 9300 kcal. Fuente: GasNor S.A. y Enargas. 3 Consumo Industrial de energía Eléctrica en Tucumán. Giga-Watts-hora (GWh). Fuente: Edet S.A.. 4 Recaudación Total de la Dirección General de Rentas de la Provincia de Tucumán (DGR). Millones de pesos de 1997, deflactado por IPC-TUC. Fuentes: Direc. Gral. de Rentas y Direc. Pcial de Estadísticas. 5 Cheques Compensados en Cámara del Gran San Miguel de Tucumán. Millones de pesos de 1997, deflactado por IPC-TUC. Fuente: Coel S.A.. 6 Producción de Azúcar. Toneladas. Fuente: Centro Azucarero Regional Tucumán. 7 Número de Puestos de Trabajos de Asalariados declarados en el Sistema Integrado de Jubilaciones y Pensiones (SIJP). Fuente: Min. De Trabajo, Sec. Seguridad Social, SIJP. Sigla y Frecuencia Fecha de Inicio Media TCML1 Desviación Estándar TCML1 TUC-VS Mensual 1995.01 0.187% 1.184% TUC-GAS Mensual 1994.01 -0.299% 8.482% TUC-EEI Mensual 1994.01 0.656% 4.112% TUC-REC Mensual 1987.01 0.161% 5.281% TUC-CCM Mensual 1991.01 -0.234% 3.300% TUC-PAZ Mensual 1990.01 0.699% 17.534% TUC-PT Trimestral 1994.30 1.061% 2.003% Fuente: Elaboración propia en base a fuentes citadas. Nota: (1) Tasa de cambio mensual logarítmica. Los sectores de actividad que representan son muy variados: montos de cámara compensadora del sector financiero (TUC-CCM); uso de insumos industriales de gas y de energía eléctrica (TUC-GAS y TUC-EEI); recaudación total real de impuestos provinciales (TUC-REC); ventas minoristas reales de supermercados (TUC-VS); una rama industrial muy importante para Tucumán: producción de azúcares (TUC-PAZ); y puestos de trabajos asalariados declarados en el Sistema Integrado de Jubilaciones y Pensiones (TUC-PT). Excepto la última serie que es trimestral, las demás son mensuales. 10 Los resultados del primer módulo del ajuste estacional, el Modelado RegARIMA, se presentan en la Tabla 2. Excluyendo la producción de azúcar que merece un comentario especial, cinco de las seis series se ajustan al modelo ARIMA estacional (011)(011)12, y sólo en una se estima el (012)(011)12; aunque en la mitad de los ajustes se deben aceptar errores de predicción mayores que el 20%11. En todas las series, la probabilidad12 del estadístico Q de Ljun-Box indica que no se puede rechazar la hipótesis nula de ruido blanco en los residuos del modelo ajustado. La experiencia acumulada con el ajuste estacional de las series nacionales señala que nuestras variables económicas tienen un componente irregular muy importante y que los estándares establecidos para Canadá y EE. UU. deben relajarse.13 Por eso se aceptan los ajustes mencionados, a pesar de los niveles de errores de predicción absolutos promedios altos, según los estándares internacionales. Tabla 2: Ajuste Estacional de las Series Componentes del IMAT: (1) Resultados Modelo RegARIMA Abreviatura Frecuencia Período Inicio TUC-CCM TUC-EEI TUC-GAS TUC-PAZ TUC-PT TUC-REC TUC-VS Notas: Fuentes: Fin Inicio TransforModelado mación Modelo Elegido Error de Prob. Q Predicción Ljun-Box Mensual 1990.01 2003.07 1994.01 Niv (011)(011) 22.95 28.36 Mensual 1994.01 2003.07 1994.01 Niv (012)(011) 10.10 50.56 Mensual 1994.01 2003.07 1994.01 Niv (011)(011) 28.69 59.34 Mensual 1990.01 2003.07 1994.01 Niv Ninguno NC NC Trimestral 1994.3 2003.1 1994.3 Niv (011)(011) 5.75 91.47 Mensual 1987.01 2003.07 1994.01 Log (011)(011) 32.38 55.96 Mensual 1995.01 2003.07 1995.01 Log (011)(011) 5.54 92.41 (1) Regresores: TD: Dias hábiles 6 variables, incluye ajuste años bisiestos. TD1C: Dias hábiles 1 variable, incluye ajuste años bisiestos. LPY: Longitud de febreros, años bisiestos. AO: Número de extremos detectados automáticamente en la serie orginal. Easter Efecto Pascua: 1, 8 ó 15 dias antes del Domingo de Pascua. NC Estadístico no calculado. Elaboración propia Regresores (1) TD LPY Easter AO TD LPY 4 E(1) TD LPY NC NC NC TD LPY E(15) E(1) TD NC Cinco de las siete series analizadas no tienen patrones estacionales que interactúen con la tendencia y en ellas el mejor ajuste se logra en los niveles (sin la transformación logarítmica), estas decisiones se tomaron conforme al criterio de Akaike corregido por la longitud de la serie. En algunos casos se seleccionan algunas variables de efectos calendarios, según el mismo criterio de Akaike, los resultados se presentan en las últimas columnas de la Tabla 2. Así TD indica el tipo de ajuste por días hábiles, en los casos en que se incluye en la regresión, representa seis variables que toman como valor el número de veces que se presenta cada día de la semana, de lunes a sábado, en el mes en particular, menos el número de domingos. El efecto LPY señala la presencia de un efecto de duración del mes, solamente relevante para febrero, cuya longitud cambia en los años bisiestos. La existencia de un efecto Pascua y los días es que éste es significativo, previo al domingo de Pascua, se indican en la columna Easter de la forma E(días previos). La determinación de valores extremos se muestra en la columna AO consignando el número de observaciones en la serie original a las que se les asigna una variable dicotómica para corregirla por valor extremo. En general la inclusión de los efectos calendarios y extremos, mejora el ajuste SARIMA y el posterior ajuste estacional. 11 El límite máximo del error de predicción que usamos para datos argentinos es del 20%. Si ningún modelo se selecciona automáticamente con ese límite, aumentamos el máximo, observando el estadístico de Ljun-Box que resume el correlograma, hasta que se ajusta algún modelo por selección automática. En muy pocos casos debemos aceptar hasta el 40% (Jorrat et al 1999 y 2002). 12 Expresada en porcentaje. 13 Jorrat et al 1999 y 2002. 11 El sector azucarero es muy importante en la economía tucumana. La zafra azucarera se inicia en junio (excepcionalmente en mayo) y se extiende hasta diciembre de cada año, alcanzando un máximo de producción entre los meses de julio y septiembre. No es de extrañarse que el RegARIMA no logre estimar modelo SARIMA para esta serie. Tenemos así valores positivos para siete u ocho meses del año y las restantes observaciones son cero. En estos meses sin producción, el factor estacional es próximo a cero ( St ≈ 0 ), y dividiendo por esos valores tan pequeños, arroja resultados insatisfactorios. El X-12-ARIMA incorporó el modelo de descomposición pseudo-aditivo que fue desarrollado en Gran Bretaña para ajustar este tipo de situaciones. Si ajustamos esos meses con observaciones nulas substrayendo una estimación de Tt ( St − 1) ≈ −Tt , obtenemos como serie ajustada por estacionalidad valores más próximos a la tendencia de la serie ya que, en esos meses, Yt ≈ 0 , entonces: At ≈ 0t − Tt ⋅ ( St − 1) ≈ Tt , como se indica en la expresión (3). En un sentido práctico, el ajuste estacional por descomposición pseudo-aditiva, distribuye la producción de azúcar, concentrada en sólo algunos meses, en los doce meses del año. Los estadísticos relacionados con el ajuste estacional de la producción de azúcar (TUC-PAZ) se incluyen en la Tabla 3. Los resultados del ajuste estacional propiamente dicho o módulo X-11, se presentan en la Tabla 3. La descomposición estacional se condice con la transformación de la serie original del módulo RegARIMA, a transformación logarítmica le corresponde descomposición multiplicativa y; a los niveles, se aplica el modelo aditivo. Tabla 3: Ajuste Estacional de las Series Componentes del IMAT: (2) Resultados Ajuste Estacional X-11 AbreDescomp. viatura de Estacional Serie (2) TUC-CCM TUC-EEI TUC-GAS TUC-PAZ TUC-PT TUC-REC TUC-VS Notas: Fuentes: Test Estacionalidad Identificable Dominancia Cíclica Est. Est. Est. Estable Móvil Ident. (3) A 12.91 0.37 P 4 meses A 12.98 3.63 P 5 meses A 182.37 0.09 P 6 meses P 27.10 1.19 P 12 meses A 20.60 3.50 P 1 trim. M 3.45 3.24 NP 5 meses M 146.74 1.30 P 3 meses (2) Descompposición estacional A: Aditivo M: Multiplicativo Pseudo-Aditivo P: (3) Test de Estacionalidad Identificable: P: Presente NP: No presente Elaboración propia Números de Falla en las Medidas de la Calidad del Ajuste (4) I/C I/S M1 1.78 2.59 2.28 2.33 0.15 1.65 1.07 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 Q1 5.07 0 0 0 0 0 0 0 0 0 0 0 0.46 4.17 1 0 0 0 0 0 0 0 0 1 1 0.79 4.89 0 0 0 0 0 0 0 0 0 0 0 0.31 1.86 0 0 0 2 3 0 0 0 0 0 0 0.80 1.31 0 0 0 0 0 1 0 1 1 1 1 0.57 3.79 1 0 0 0 0 0 1 1 1 1 1 0.97 2.38 0 0 0 0 0 0 0 0 0 0 0 0.22 (4) Estadísticos M1-M11: Número de fallas de cada esta´distico:: 0: Valor del estadístico menor que 1. 1: Valor del estadístico mayor o igual a 1 y menor que 2. 2: Valor del estadístico mayor o igual a 2 y menor que 3. 3: Valor del estadístico igual a 3. (5) Análisis de Subperiodos Móviles SA: Porcentaje de factores estacionales considerados no confiables. MM: Porcentaje de variaciones mensuales consideradas no confiables. El X-11 presenta 11 medidas de control de calidad del ajuste estacional, designadas M1 a M11, y una medida resumen denominada Q1. Cada uno de los M evalúa una característica específica del ajuste estacional. Toman valores entre 0 y 3, con un rango de aceptación que va de 0 a 1, inclusive (número de falla: 0). Si el valor del M es mayor que 1 pero menor que 2, decimos que hay una primera falla (número de fallas: 1). Cuando su valor es mayor que 2 pero menor que 3, hay una segunda falla (número de fallas: 2). Si toma el valor máximo de 3, estamos ante una falla completa (número de fallas: 3). En la Tabla 3 se presentan los números de fallas para los M1 a M11. De los once M el más importante es el M7 porque señala si la estacionalidad presente en la serie es identificable con el X-11.14 El test de presencia de estacionalidad estable (relacionado también con M7) indica que la estacionalidad es identificable por el X-11 para todas las series, excepto para la recaudación provincial (TUC-REC). El M7 correspondiente presenta una falla. Esta serie 14 Para consultar las definiciones y los valores aceptables de los distintos estadísticos M y Q ver el apéndice. También consultar Jorrat et al (2002). 12 muestra una estacionalidad variable que no es adecuadamente identificada por el X-11, probablemente consecuencia de las permanentes moratorias y políticas diversas dirigidas a aumentar la recaudación; pero, los estadísticos relacionados con la identificación del ciclo y analizados más adelante, son aceptables y por ello, decidimos incluir esta serie. Además, un porcentaje importante de la recaudación provincial corresponde al impuesto a los ingresos brutos que tienen que ver con el nivel de actividad. M1 y M2 miden la magnitud de la variabilidad del componente irregular respecto a la del componente estacional, con diferentes métodos de extracción de la tendencia. Fallas en estos estadísticos marcan dificultades para distinguir entre los componentes irregular y estacional. El M1 tiene una falla en las series de energía eléctrica y de recaudación, como consecuencia de la importante presencia del componente irregular. Como se aprecia en la Tabla 3, los resultados para todas las series son aceptables. Las razones I C son todas menores que tres; esto indica que el ciclo puede separarse del componente irregular y estimarse fácilmente por el X-11, a pesar de la variabilidad del irregular. Estos ratios se relacionan con el M3 que, como se puede observar, no registra falla para las siete series, subrayando valores muy aceptables del I C . Los meses de dominancia cíclica (MCD), que se relaciona con el M5, toman valores seis (máximo tolerado) o menos, excepto para la producción de azúcar (TUC-PAZ), en este caso el M5 alcanza tres fallas (falla completa). Con observaciones nulas en algunos meses, es frecuente un valor alto del MCD, pero no es grave ya que el M3 es cero para esta serie. Las razones I S presentan valores dentro del intervalo (3,5; 5,5], que muestran que la selección automática del promedio móvil estacional del X-11 es apropiada para separar los componentes estacional e irregular. El promedio móvil estacional elegido es el 3x5 y es adecuado para estimar el componente estacional. Los valores de M6 no presentan fallas excepto para la serie trimestral de empleo (TUC-PT), en este caso, se podría usar un promedio más corto, como el 3x3. Desde el punto de vista del análisis del ciclo económico, el M6 es poco relevante. Tampoco es importante el M4 que mide la autocorrelación de primer orden en el componente irregular, ya que este no se supone ruido blanco en el ajuste del X-12-ARIMA. Los estadísticos M8 a M11 cuantifican la magnitud del movimiento inter-anual en el componente estacional. Los movimientos capturados por estos estadísticos son de dos tipos, las fluctuaciones aleatorias alrededor de la media se muestran en M8 (para toda la serie) y M10 (para los últimos años). Mientras que el segundo tipo de movimiento mensurado es la variación lineal inter-anual de los factores estacionales, señalados por M9 (para toda la serie) y M11 (para últimos años). Cuando estos estadísticos fallan, manifiestan que la estimación de los factores estacionales es inestable. La alternativa es re-estimar el ajuste estacional cada vez que se agregan nuevos datos o se modifican las últimas observaciones. La utilización de un archivo de comandos batch hace esta tarea muy sencilla.15 El resumen de los M, el estadístico Q1, indica que en cinco de siete series, el ajuste estacional es aceptable y que en las dos series restantes, producción de azúcar y recaudación, el proceso es condicionalmente aceptable. Téngase en cuenta que el ajuste estacional es una etapa previa al objetivo último, la construcción de un índice compuesto de actividad. Por eso, algunas fallas en el ajuste individual de alguna serie, se subsanan de dos maneras. Primero, el filtrado que se propone en la ecuación (4), resta importancia al componente irregular. Y, en segundo lugar, al usar tasas de cambios mensuales estandarizadas de varias series para construir el indicador compuesto, se reduce la importancia individual de cada variable, impidiendo que una única serie imponga su conducta al índice compuesto. Así se logra estimar la tendencia general y los quiebres de la misma, que es lo que en definitiva, se quiere captar. 15 Ibidem. 13 4 El Índice Mensual de Actividad Económica de Tucumán (IMAT) Conforme a la metodología expuesta en la sección previa, se construye el Índice Mensual de Actividad de Tucumán (IMAT), para ello se usan los datos de las siete series, sus tendencias y desvíos estándares de las series presentadas en la Tabla 1. A nivel nacional, el Índice Compuesto Coincidente (ICCO) usa la información de ocho series, incluido el PIB, y se construye con una metodología similar. Podemos comparar el desempeño de ambos índices compuestos en el Gráfico 5. Notamos, en el Gráfico 5, como el IMAT sigue de cerca al ICCO. Esto nos brinda mayor confianza de que estamos captando información sobre el nivel general de actividad en Tucumán y que este se comporta de manera similar al agregado nacional. Gráfico 5 Índices Coincidente de Argentina (ICCO) y Mensual de Actividad Económica de Tucumán (IMAT). Base 1994=100. Datos Enero 1994 - Julio 2003. Programa Ciclos Económicos de Argentina; Director: Juan M. Jorrat - UNT. 125 120 115 110 105 100 95 90 85 80 1994 1995 1996 1997 1998 1999 Recesión Nacional 2000 ICCO 2001 2002 2003 IMAT Fuente: Elaboración propia según metodología detallada. Además de la observación gráfica, convienen cuantificar la correlación simple entre el IMAT trimestralizado, por un lado, y el ICCO y PIB, por el otro. Para trimestralizar ambos índices compuestos mensuales, computamos el promedio de los meses correspondientes a cada trimestre. Los datos del PIB ya se expresan en trimestres. El análisis se hace desde el primer trimestre de 1994, fecha inicial del IMAT. Los resultados se presentan en la Tabla 4. Concentrándonos en la columna de las variaciones trimestrales logarítmicas (TCTL), vemos que el IMAT tiene una alta correlación con ambos indicadores nacionales. Esto significa que estamos estimando correctamente el nivel de actividad en Tucumán usando solamente las siete series ya mencionadas. Tabla 4: Coeficiente de Correlación del IMAT Trimestral con el Producto Interno Bruto (PIB) y con el Índice Compuesto Coincidente Nacional (ICCO) Variable Niveles TCTL (1) ICCO (Excluido PIB) 0.896 PIB 0.873 No. Trimestres 37 Notas: (1) Tasas de cambio trimestrales logarítmicas Fuente: Elaboración propia 0.717 0.693 36 14 El objetivo final de un índice compuesto coincidente como el IMAT es poder determinar los puntos de giro de la economía tucumana. Los puntos de giro son las fechas en que la economía deja de crecer e inicia una recesión (Pico) o cesa de caer para comenzar una expansión (Valle)16. La determinación de los puntos de giro se hace teniendo en cuenta pautas establecidas por el NBER y utilizando el programa Turning Point Determination para series mensuales17: 1. 2. 3. 4. Una duración mínima del ciclo completo de 15 meses. Una longitud de cada fase (expansión y recesión) de por lo menos 5 meses. Que las sucesivas fases cíclicas se alternen, respectivamente. Una amplitud significativa dentro del contexto de cada período. Los puntos de giro resultantes para la economía Tucumana se muestran en el Gráfico 6, juntamente con las recesiones nacionales como sombreado gris en el fondo. Gráfico 6 Indice Mensual de Actividad Económica de Tucumán (IMAT). Base 1994=100. Datos Enero 1994 - Julio 2003. Programa Ciclos Económicos de Argentina; Director: Juan M. Jorrat - UNT. 125 1998.02 120 115 110 105 1994.04 100 95 2002.12 90 1995.12 85 80 1994 1995 1996 1997 1998 1999 Recesión Nacional 2000 IMAT 2001 2002 2003 P. G. Clás. Fuente: Elaboración propia según metodología detallada. Aunque el número de cuatro puntos de giro es relativamente poco para sacar conclusiones, llama poderosamente la atención dos hechos. El primero, los picos de actividad en Tucumán son líderes con respecto a las recesiones nacionales. El segundo hecho remarcable es que Tucumán se rezaga en los valles nacionales, es decir, tarda más en iniciar las expansiones. Usando la terminología de ciclos económicos podemos decir que Tucumán lidera a Argentina en las crisis (Picos) pero se demora en iniciar las recuperaciones nacionales (Valles). Los datos correspondientes a las fechas de picos y valles, nacionales y tucumanos, se presentan en la Tabla 5. Se observa en la Tabla 5 que Tucumán lidera en 7 meses en los picos nacionales, en promedio; mientras que en los valles nacionales se rezaga en 5 meses. Por ello, las recesiones tienen en Tucumán una duración promedio 12 meses mayor (Tucumán: 39 meses, Nación: 27 meses). Lo contrario ocurre en las expansiones, estas duran en Tucumán 11 meses menos, en promedio (Tucumán: 26 meses, Argentina: 37 meses). 16 17 Burns y Mitchell (1946). Bry y Boschan (1971) 15 Tabla 5: Puntos de Giro y Duración de Cada Fase en Argentina y Tucumán Puntos de Giro de Argentina Duración Cada Fase en Argentina Año Mes Tipo Recesión Expansión 1994 12 Pico 1995 7 Valle 7 1998 8 Pico 37 2002 7 Valle 47 Promedios 27 37 Fuente: Elaboración propia. Puntos de Giro de Tucumán Año 1994 1995 1998 2002 Duración Cada Fase Rezagos (+) de Ptos. en Tucumán de Giro en Tucumán Mes Tipo Recesión Expansión Picos Valles 4 Pico -8 12 Valle 20 5 2 Pico 26 -6 12 Valle 58 5 39 26 -7 5 Resultados similares a los presentados se derivan de las encuesta de coyuntura industrial en Tucumán.18 En esas encuestas de opinión a industriales (excluido el sector azucarero) se observó siempre una demora en el inicio de las expansiones en Tucumán, estimándose dicho rezago en 6 meses, resultados muy similares a los nuestros. Estos hechos estilizados que se han repetido en cuatro puntos de giro de la economía tucumana, son preocupantes porque indican que la provincia de Tucumán puede tener problemas en el largo plazo para converger a los niveles de actividad de Argentina. Si bien es cierto que sacamos esta conclusión solamente con la dimensión de la duración de las fases del ciclo, la evidencia parcial que se tiene es que las velocidades de crecimiento de la actividad económica en Tucumán no son mayores que el promedio nacional, por lo que la inferencia es, desafortunadamente, válida. Se llama a la reflexión a las autoridades provinciales para que instrumenten una política fiscal provincial de contención del gasto público, asimismo hacerlo más eficiente, emprender la reducción y reordenamiento de la deuda provincial con superávit genuinos, realizar infraestructura de base y de educación de la fuerza laboral, que permitan un desarrollo creciente y mayor que el nacional, para así recuperar la posición relativa de la provincia de Tucumán en el contexto nacional. 5 • • • • • 18 Conclusiones El ajuste por irregulares propuesto, proceso adicional al ajuste por estacionalidad, y que utiliza la información de la tabla C17 del X-12-ARIMA, produce un suavizado en las series individuales que goza de ventajas tanto en el análisis individual como al incorporarlas en el índice compuesto, a juzgar por los resultados obtenidos en el indicador tucumano que se comporta de manera similar a los agregados nacionales. Series como las agrícolas, con valores nulos en algunos meses, e importantes en las economías regionales, pueden ser incorporadas al análisis y a la construcción de indicadores agregados si se ajustan adecuadamente por estacionalidad, una alternativa útil es usar la descomposición pseudo-aditiva del X-12-ARIMA. Se pueden construir indicadores económicos regionales con buen desempeño comparativo, usando la propuesta metodológica presentada en este trabajo y series similares a las seleccionadas para el caso tucumano. Por supuesto que no hay nada mecánico en esto, deberá analizarse cada caso en particular conforme a los resultados que se obtengan. Una ventaja adicional de esos indicadores regionales, construidos con la misma metodología, es que son comparables entre sí y con los agregados nacionales. Si bien estas propuestas no disminuyen la sentida necesidad de más y mejores datos socio-económicos, es una respuesta fácil de implementar en el corto plazo, mientras se esperan las soluciones de largo plazo. Ver los informes de Paz. 16 • Al brindar información cierta, efectiva, mensual y actual, sobre el estado corriente de la economía regional, permite tomar mejores decisiones privadas y públicas. Agradecimientos Este trabajo recibió apoyo económico parcial del Consejo de Investigaciones de la Universidad Nacional de Tucumán, Programa 26/F204. 17 Bibliografía Bry, Gerhard; & Charlotte Boschan. (1971). “Cyclical Analysis of Time Series: Selected Procedures and Computer Programs”. Technical Paper National Bureau of Economic Research, No. 20. New York: Columbia University Press. Burns, Arthur F. & Wesley C Mitchell. (1946). Measuring Business Cycles. National Bureau of Economic Research. New York: Columbia University Press. Dagum, E. Bee & A. Capitanio. (1998). Smoothing Methods for short-term Analysis: Cubic splines and Henderson filters. Statistica, No. 1, pp. 5-24. Findley, D.F., B.C. Monsell, W.R. Bell, M.C. Otto, & B.C. Chen (1998). "New Capabilities and Methods of the X-12-ARIMA Seasonal Adjustment Program". Journal of Business and Economic Statistics. Vol. 16. Jorrat, J. M. (1996-a). “Indicadores del Ciclo Económico de Argentina: Resumen Conceptual y Aplicación al Análisis y Predicción de la Coyuntura”. Tucumán: Universidad Nacional de Tucumán; mimeo. Jorrat, J. M. (1996-b). “Ajuste estacional y corrección de los factores estacionales de los Índices de Producción Industrial de Argentina”. Anales de la XXXI Reunión Anual de la Asociación Argentina de Economía Política. Salta: Universidad Nacional de Salta. Tomo 3 páginas 321 y ss. Jorrat, J. M. y S. E. Salvatierra. (1999) “Ajuste Estacional de Series de Tiempo Económicas de Argentina”. IV Congreso Latinoamericano de Sociedades de Estadística. Mendoza: Universidad Nacional de Cuyo. Jorrat, J. M., L. Sal Paz y M. J. Catalán. (2002). “Ajuste Estacional de las Series Económicas de Argentina”. Anales XXXVII Reunión Anual Asociación Argentina de Economía Política. En página web www.aaep.org.ar Klein, Philip A. (1990, editor). Analyzing Modern Business Cycles: Essays Honoring Geffrey H. Moore. Armonk, New York: M.E. Sharper Inc. Klein, Phillip A. & Geoffrey H. Moore. (1983). “The Leading Indicators Approach to Economic Forecasting: Retrospect and Prospect”. Journal of Forecasting, Vol. 2. Monsell, B.C. (1988). "Supplement to Technical Paper No. 15 - The Use and Feature of X11.2 and X-11Q.2". Statistical Research Division, Bureau of the Census. Washington, DC, USA: September. Moore, Geoffrey H. & Melita H. Moore. (1985). International Economic Indicators: A Sourcebook. Westport, Connecticut: Greenwood Press. Moore, Geoffrey H. (1983, editor). Business Cycles, Inflation and Forecasting, 2º ed. Studies in Business Cycle No. 24. National Bureau of Econimic Research. Cambridge, Mass.: Ballinger Publishing Company. Moore, Geoffrey H. (1990, editor). Leading Indicators for the 1990s. Homewood, Illinois: Dow Jones-Irwin. Paz, C. “Encuesta de Coyuntura Industrial de Tucumán”. Instituto de Economía Aplicada. Tucumán: Fundación Banco Empresario de Tucumán. Varios números. U.S. Census Bureau (2002). X-12-ARIMA Reference Manual. Washington, DC, USA: July. 18 Apéndice: Medidas de Monitoreo y de Calidad del Ajuste Estacional del X-12-ARIMA 1. Los Once M’s El X-11 presenta 11 medidas de control de calidad del ajuste estacional, designadas M1 a M11, y dos medidas resumen denominadas Q1 y Q2. Cada uno de los M evalúa una característica específica del ajuste estacional. Toman valores entre 0 y 3, con un rango de aceptación que va de 0 a 1, inclusive. Si su valor es mayor que 1 pero menor que 2, decimos que hay una primera falla. Cuando el M es mayor que 2 pero menor que 3, hay una segunda falla. Si toma el valor máximo de 3, estamos ante una falla completa. M1: Contribución relativa del componente irregular en un intervalo de 3 meses. Si esta medida falla significa que el componente irregular tiene mucha variabilidad y puede no ser fácilmente separado del estacional. M2: La contribución relativa del componente irregular a la parte estacionaria de la varianza de la serie. Este mide el tamaño relativo de la varianza del componente irregular comparado con los otros componentes. Los componentes estacional e irregular no pueden ser estimados fácilmente cuando la variación del irregular es demasiada grande con respecto a la variación del factor estacional Ambas medidas, M1 y M2, señalan esta situación ajustando (extrayendo) la tendencia-ciclo de dos maneras diferentes. M3: Magnitud del cambio mensual absoluto en el componente irregular comparado con el cambio mensual absoluto en la tendencia-ciclo. M3 es una función de la razón I / C , muy útil para el análisis de Ciclos Económicos. Cuando el M3 falla indica que el componente irregular es muy variable comparado con el componente tendencia-ciclo y, por lo tanto, es difícil separar ambos componentes de la serie ajustada por estacionalidad At = Tt I t = Ct I t . M4: Grado de autocorrelación en el componente irregular conforme a la duración media de las rachas (ADR). Esta medida testa la presencia de autocorrelación residual (proceso autorregresivo de primer orden) en el componente irregular de la serie. Dado que no se supone que el irregular sea ruido blanco, esta medida de control no es importante. M5: Meses de Dominancia Cíclica. Números de meses que le toma al cambio en la tendencia-ciclo superar el cambio en el irregular. Es una medida importante para el análisis de ciclos económicos. Indica el orden del promedio móvil necesario para que el movimiento cíclico domine. Es otra manera de medir la facilidad de la separación entre tendencia-ciclo e irregular (ver M3). M6: Medida de la magnitud del cambio anual en el irregular comparado con la magnitud del cambio anual en el estacional. Esta medida usa la razón I / S para testar si un promedio móvil estacional 3x5 es adecuado para estimar los factores estacionales. Sólo es relevante cuando el filtro estacional usado para ajustar la serie es precisamente 3x5. Si M6 falla, se puede probar otro filtro estacional. M7: Cantidad de estacionalidad móvil presente, relativa a la estacionalidad estable. Esta medida es computada usando los valores F para la estacionalidad estable y móvil. Indica si la estacionalidad puede ser identificada por el método del X-11, por este motivo este es el más importante de los M. M8 a M11: Movimiento inter-anual en el componente estacional: Estas cuatro medidas estadísticas son usadas para analizar los movimientos inter-anuales en los factores estacionales. Cuando ellas fallan, revelan que la estimación de los factores estacionales es inestable. Los movimientos capturados por estos estadísticos son: 19 • Fluctuaciones aleatorias. • Movimiento lineal. Las medidas individuales son: M8: Magnitud de la fluctuación aleatoria en el componente estacional a través de toda la serie. Un valor alto probablemente indica una alta distorsión en los factores estacionales. M9: Magnitud del movimiento lineal en el componente estacional a través de toda la serie. Un valor alto puede significar pobres estimaciones de los factores estacionales. M10: El tamaño de la fluctuación aleatoria inter-anual en el componente estacional en los años recientes. M11: El promedio del movimiento lineal inter-anual en el componente estacional en los años recientes. Ambas medidas, M10 y M11, brindan información sobre la calidad de los factores estacionales al final de la serie. Especialmente importantes si se desea usar los factores extrapolados con anticipación de un año. La alternativa es re-estimar el ajuste estacional cada vez que se modifican los últimos datos. 2. Los Dos Q Se calcula un promedio ponderado de los diferentes M, esto se conoce como medida Q. M7 es el que más se pondera debido a su importancia. El valor de Q es una indicación global del ajuste estacional acorde los siguientes límites. Valor de Q El Ajuste Estacional es 0 ≤ Q < 0.8 Aceptado 0.8 ≤ Q < 1.0 Condicionalmente aceptado 1.0 ≤ Q < 1.2 Condicionalmente rechazado 1.2 ≤ Q ≤ 3.0 Rechazado Para el Q1 se incluyen los once M’s. Para el Q2 se excluye el M2. 3. Consideraciones para los datos argentinos • Las series económicas en Argentina tienen un componente irregular con importante variabilidad en general. Especialmente cierto en las series mensuales. Se percibe cono fallas en M1 y M2, y en alguna medida en M7. Por lo que la corrección por estacionalidad y por extremos propuesta es más relevante. • Si el último objetivo es estudiar el ciclo económico, debe tolerarse que algunas medidas de calidad del ajuste estacional tengan una primera o segunda falla, y aún que tengan falla completa. Dar más importancia a M3 y M5. • Una situación muy frecuente en Argentina es la revisión de los últimos datos cada vez que nueva información de la serie es provista. Ante esta situación y valores altos de M8, M9, M10 y M11, convienen realizar el ajuste cada vez que se dispone de datos nuevos y revisados. 20