Gracias. Bueno, vamos a ver las sesiones que nos quedan, que como se puede
comprobar aquí ahora, nos queda esta sesión del martes 27 de abril y
después queda viernes 30, martes 4, viernes 7 y martes 11. Ya estamos en
la fase, por tanto, final del seminario. Hoy vais a ver con Cipriano los
casos prácticos correspondientes a series temporales de paro y empleo, que
es un proceso que se va a hacer en el próximo año. Un poquito lo que
estuvimos viendo la semana pasada en la parte de desarrollo de contenidos.
Y en las dos sesiones que faltan del desarrollo de contenidos, vamos a
verlo aquí en los contenidos que están subidos, ya sabéis, a la página
web en este enlace donde vamos siempre, en el bloque 3, series temporales.
La sesión 1 fue la que celebramos la semana pasada. Que hoy... Hoy vais a
hacer estos casos prácticos de paro. Aquí los tenéis. La serie de paro,
Gretel. Y también la serie de empleo. Os va a explicar cómo bajarse los
datos, datos actualizados desde Internet, introducirlos en Gretel y hacer
un poquito el análisis que estáis viendo aquí. En las dos siguientes
sesiones del desarrollo de contenidos, el próximo viernes, vamos a empezar
con la función de consumo en España, que es un archivo que ya lo tenemos
subido a la plataforma. Es muy completo. Aquí lo veis, el que contiene ya
todo lo que vamos a ver aquí al final de las sesiones. Todo lo tenéis
aquí perfectamente recogido en este archivo. Y, concretamente, lo vamos a
desarrollar en dos sesiones. El próximo viernes hablaremos de los temas
que veis en pantalla, regresión de escurria y no esté acelerada,
cointegración, corrección de error y modelización de lo general a lo
específico, así como variables retardadas, modelos con retardos
distribuidos, hipótesis de COI, modelo de causalidad en el sentido de
Granger. Y empezaríamos, como veis con este archivo que veis aquí, que
hay una serie de casos que hemos dividido. Este caso 1, regresión de
escurria a raíces unitarias y cointegración, lo veríamos en la próxima
sesión del próximo viernes. Y ya en la última sesión de desarrollo de
contenidos, que sería al viernes siguiente, el excepcional. Es decir,
estamos hablando no del viernes 30, sino del viernes 7, es la última
sesión de desarrollo de contenidos. Veríamos los casos 2, retardos
distribuidos, hipótesis de COI y contraste de causalidad. Caso 3, modelo
de corrección de error. Y caso 4, modelización de lo general a lo
específico. Como son muchos casos para esta última sesión, vamos a
tratar del próximo viernes, el viernes 30, ver no solamente el caso 1, que
es regresión de escurria a raíces unitarias y cointegración, sino
intentar incluso avanzar en lo posible en el caso 2. Retardos distribuidos,
hipótesis de COI y contraste de causalidad. La verdad es que son unas
cuantas cosas las que nos quedan por ver. Y por eso tenemos que aprovechar
a tope estas próximas sesiones. Y seguramente por las sesiones de los
martes tendremos que dedicar un poquito más de tiempo para que realmente
nos dé tiempo a acabar de ver todos estos casos que son unos fallos.
Bueno, entonces por mi parte nada más. Os dejo ya con Cipriano para que
vea estos casos del paro y del empleo que explicábamos la semana pasada.
Un saludo. Buenas tardes. Voy a competir. El escritorio. Bueno, pues lo
primero que vamos a ver hoy, voy a ir a la página web para que veáis lo
que podéis bajaros. Aquí en el seminario, dentro de contenidos en series
temporales, hoy vamos a ver este caso. Aquí está explicado el caso que
vamos a ver, que vamos a ver el paro y la filiación. Aquí lo tenéis
explicado, lo podéis bajar, si queréis bajarlo lo tenéis ahí. Y
también, dentro del bloque 3, vamos a seguir, lo tenemos aquí,
estimación de los modelos ARIMA paro y empleo registrado. Vamos a seguir
este guión para hacer el ejercicio práctico de hoy, que es el primero que
hacemos de series temporales. También lo podéis bajar, lo que vamos a
seguir en la clase va a ser este guión. Guión este, lo podéis bajar, yo
ya me lo he bajado, que es el que vamos a seguir. Ahora, pues vamos a
empezar. Bueno, pues vamos a empezar con este guión y lo primero que nos
solicita, vamos a utilizar, vamos a hacer una estimación de, estimación a
través de los modelos ARIMA, del paro registrado y el empleo. El objetivo
de este ejercicio es utilizar la metodología ARIMA. Vamos a aplicarlo para
las series temporales, aplicando, en este caso vamos a utilizar dos
variables económicas, vamos a empezar por el empleo y después también el
mismo ejercicio se puede hacer con, vamos a empezar por el paro y el mismo
ejercicio se puede hacer con el empleo o la afiliación. Los modelos ARIMA
Son buenos modelos que se producen muy bien a corto plazo, pero es
discutible hacerlo de forma aceptable a medio y largo plazo. Eso es lo que
tenemos que tenerlo muy claro. Y en este análisis de aritmo exige no solo
un conocimiento teórico suficiente, sino que vamos a tener que utilizar
una destreza práctica y para ello vamos a utilizar un software. El
software que vamos a utilizar para este ejercicio es el programa, lo vamos
a utilizar a través de Grepel. Bueno, lo vamos a hacer a través de
Grepel. Después, tenemos que tener en cuenta que el modelo ARIMA que vamos
a utilizar, lo vamos a utilizar para identificar, estimar y validar estos
modelos. Lo primero que tenemos que hacer es seguir este guión que nos
pone aquí. Tenemos primero que mirar si la serie que vamos a utilizar, en
este caso que vamos a estudiar va a ser el paro y la filiación. Vamos a
estudiar primero el paro y después la filiación. Tenemos que ver si es
estacionaria. Si no es estacionaria, lo primero que tenemos que hacer es
introducir la estacionalidad. Y si ya es estacionaria, pasamos a la
identificación del modelo. Una vez que hemos identificado su modelo,
hacemos su estimación y lo validamos. Si lo validamos y no es bueno,
volveremos otra vez hacia arriba, volvemos a identificarlo, a estimarlo y
si el modelo es válido, ya podemos restaurar la no estacionalidad. Y
después, hacemos un proceso, un pronóstico. Si ese pronóstico es
adecuado, si es adecuado, aceptaríamos el modelo y si no es adecuado,
volveríamos a empujar. Lo primero que tenemos que hacer es... Lo primero
que tenemos que hacer es conseguir los datos. Para ello, lo que tenemos que
utilizar, aquí nos indica que tenemos que utilizar los datos paro y empleo
en España durante los últimos 27 años. Nosotros podemos hacer ejercicio
bien, como lo dice aquí, utilizar los datos desde enero de 1982 hasta
diciembre de 2019 y hacer la predicción hasta 2010. Entonces, seguiría el
patrón que hay aquí y que nos indican. O bien, ya que nos vamos a bajar
los datos... Vamos a bajar los datos actualizados desde el año 82 hasta
marzo, que ya los tiene el Banco de España, ya los ha subido hasta marzo
del 2021. lo podemos hacer de las dos maneras simplemente uno tendría más
datos que el otro pero bueno, al final del planteamiento la forma de
trabajar es la misma si queremos que coincida con lo que tenemos aquí
tendríamos que utilizar los mismos datos si no, no va a salir un mejor
resultado porque si pones distintos resultados no te va a dar los mismos
planteamientos que te da aquí eso tenedlo claro para que no haya dudas
bueno, por lo primero que tenemos no sé si os habéis leído ya este
guión si no, os recomiendo que os lo leéis porque viene muy bien
explicado y viene paso a paso yo voy a ir un poco más rápido porque si no
tardaría muchísimo bueno, aquí simplemente te dice que vamos a utilizar
ARIMA vamos a utilizar GRETEL y vamos a utilizar la identificación por
modelos ARIMA de manera que puedan comprender por qué se elige un tipo de
un modelo determinado o no otro aquí vamos a utilizar sobre todo para su
cálculo las funciones de autocorrelación total y autocorrelación parcial
de esta serie temporal vamos a empezar por el paro y después con la
afiliación y tendríamos otros datos de pre-afiliación sí, tendríamos
también los del EPA pero el problema del EPA es que es trimestral y
queremos trabajar con datos mensuales por eso vamos a trabajar con los
datos que están en el Banco de España en su página web y vamos a
utilizar vamos a sacar ahí el paro y la afiliación bueno, pues lo primero
que tenemos que hacer es ir a la página web para obtener los datos vamos a
la página web del Banco de España y dentro de la página web del Banco de
España cuando se hizo este guión la página web del Banco de España se
ha ido modificando por lo tanto no va a coincidir exactamente con lo que
dice cómo buscar los datos yo les voy a explicar cómo se buscan no va a
coincidir exactamente con lo que pone ahí pero bueno, lo voy a enseñar
vamos a estadísticas y dentro de estadísticas te las voy a aportar
estadísticas por temas y dentro de estadísticas por temas tenemos que
seleccionar estadísticas económicas generales en el guión no te lo
explica así directamente Porque la página, como se ha ido modificando,
por eso no te lo pones así. Pero bueno, yo os lo digo como se hace. Y
dentro de Estadísticas Generales tenemos que ir a Empleo y Salarios.
Estadísticas de Empleo. ¿Vale? Lo otro es una encuesta, que sería la
ECA. Por ahí dijimos que la ECA era trimestral y que no queremos trabajar
con ella. Vamos a trabajar con Estadísticas de Empleo. Y dentro de
Estadísticas de Empleo ya tenéis aquí los datos. Y dentro de
Estadísticas de Empleo nos dicen que tenemos que coger el paro y la
afiliación. Además, también nos indica ahí que eso sí está
actualizado. Nos indica el número que corresponde a cada uno de ellos. Es
el 24-15, sería el paro y el 24-19. No, y el 24-19. Encuentra el fichero
29. El empleo que sería la 24-19 y el paro la 24-15. Yo os lo estoy
diciendo. Si veis aquí, lo pone aquí. Demanda de empleo. Paro por ramas y
actividad. Además, ya te indica aquí la 24-15. Y te tiene dos formas,
tres formas de bajarla. PDF no la vamos a utilizar porque nosotros. Lo que
queremos utilizar es trabajar con los datos. Y para trabajar con los datos
y después esos datos se los podamos introducir en Gretel, tenemos que
utilizar o bien Excel o bien formato CSV. Aquí en el guión te habla de
formato CSV. ¿Por qué te habla de formato CSV? Porque antes en las
estadísticas de empleo del Banco de España solo te las daban en ese
formato. Pero ahora ya te las dan en Excel. Por lo tanto, bajarlo en CSV
tendrías que pasarlo. Formato Excel. Tendrías que pasar los datos porque
los datos bajan desordenados. Os voy a bajar solo una vez rápidamente
cómo sería el formato CSV para que lo veáis. Y después ya trabajamos
con la Excel. Es como una Excel. Lo lee Excel. Formato CSV. Lo que pasa es
que viene desordenado. Entonces, cuando te lo van a decir, lo que tenemos
que hacer sería ir a formato. Inicio. A datos. Texto en columnas.
Delimitados. Siguiente. Preencharíamos coma, siguiente y finalizar. Y ya
te aparecían ordenados. ¿Lo veis? Esto siempre lo veis para que veas
cómo lo ven en formato CSV. Te aparecen los datos desordenados, tú
tendrías que ordenarlos. De esta manera, para que sean legibles. Para que
aparezcan en Excel y tú puedas trabajar con ellos. ¿Vale? Pero como no es
necesario hacer este paso, antes sí era necesario hacerlo. Ahora ya no
hace falta. ¿Para qué lo voy a bajar en CSV? Lo bajo ya directamente en
la Excel. Voy a bajarlo. Los bajáis todos. Aquí, ¿veis? Ya está
ordenado. No necesitaremos hacer otro paso. Entonces, cuando te baja en
formato CSV, tienes tú que ordenar en columnas. Pero bueno, como en este
caso no hace falta, pues ya lo tenemos. Esta es la columna que nosotros
queremos. Que es Estadísticas Generales, Demandantes de Empleo, Ocupados,
Paro Registrado Total, Personas. Y los datos vienen desde 1933. Ahí lo
tenéis. Bueno, pues ya me lo he bajado, lo voy a guardar. Voy a guardar
como. Lo guardáis. Yo, por ejemplo, lo guardo en mi escritorio. Le llamo
Paro. Y lo guardo. Ya tendría la primera variable. ¿Vale? Y ahora voy con
la segunda. La otra variable me pedía afiliados. Pues voy aquí a
Estadísticas de la Seguridad Social y me pone aquí. Afiliación, fin de
mes, altas, bajas, efectivos por régimen. Además, me dice cuadro 2419,
que es lo que me decía él. Y me dejaba carlo. En PDF. Excel. Y en formato
CSV. Ya os dije que antes solo dejaba en CSV. Como ahora ya dejan este,
pues me ahorro ya tener que trabajar menos. Lo bajo. Y lo guardo. Archivo,
guardar como. Un momento. Habilitar edición. Archivo, guardar como. Lo
guardo en el escritorio. Y le pongo aquí. Aquí. Y acción. Y lo guardo.
Gracias. Bueno, pues ya tengo los datos. Voy a ver si los he bajado bien.
Mira, aquí tengo 24 y 19 y el otro no lo debí guardar correctamente.
Bueno, lo vuelvo a bajar y así también lo veis, que sería el paro. Aquí
lo tengo. Archivo, guardar como. Le llamo paro. Paro. Y en el escritorio.
Vale, ya lo tengo. Tengo los dos. ¿Lo veis? Ahora necesito hacer una Excel
para poder trabajar con ellos. ¿Por qué? Tengo que hacer una serie
temporal. Entonces, los dos datos. Una, el paro. Tengo datos desde 1933
mensualmente. Aquí lo veis. Desde julio de 1993 y son datos mensuales. Y
la afiliación tengo desde 1983. Y dentro de la afiliación, quiero
estadísticas generales, afiliación total. Quiero la afiliación total.
Habría por distintos regímenes. Pero nosotros queremos toda la
afiliación. No queremos distinguir. Queremos la afiliación total de todos
los regímenes de trabajadores. Y este dato lo tenemos desde 1982. ¿Vale?
Bueno, pues entonces lo que tenemos que hacer. Voy a abrir una Excel nueva.
Que le voy a llamar afiliados 2021. Vale. Y en esta Excel. Aquí van a ser
primero columnas que son las observaciones. O la frecuencia que le puedo
llamar, por ejemplo, como year. Aunque viene meses. Month. Vamos a poner
meses. Los meses. Y esto empieza. Vamos a empezar en enero del 82. ¿Por
qué voy a empezar en el 82? Para que las dos series empiecen en el mismo
periodo. Entonces las voy a copiar ahí. Voy a la primera, esta que sería
paro, y el paro empiezo a seleccionar desde el 82. Busco el 82, 82, aquí.
Aquí, copio desde el 82, cojo la columna Estadísticas Generales
Demandantes de Empleo Ocupados Paro Registrado Total Personas, la que los
datos vienen desde 1933. ¿La viste? Cojo los datos desde 1982. ¿Por qué
cojo desde el 82? Para que me coincida las dos series y tenga los mismos
datos. Aquí le voy a llamar paro, columna paro, va a ser una variable, y
la otra va a ser afiliados. La pego, cojo aquí, esta es la de afiliados.
Cojo afiliados desde el 82 hasta hoy. Copio, y afiliados, ahí está. Mes,
voy a formato celda, porque tengo que poner por fecha. Fecha, y voy a poner
enero 1982. espera que lo escribí mal voy a ponerlo otra vez formato
celdas vamos a coger este, el mensual donde pone mar 01, ¿lo veis? por
fecha y cojo y pongo enero 82 febrero 82 vamos a poner aquí el formato me
lo he cogido bien formato celdas tenía que dejarme hacerlo no sé por qué
no me deja voy a poner uno a uno porque si no estoy esta mañana ¿cuál?
de afiliados veamos aquí aquí estoy en el paro, espera que el paro
también la que es pieza espera espera que te digo ahora mismo cojo
también la del paro, la pego ahí la pegamos aquí y ya tenemos los dos
datos, ahora tenemos tenemos que poner la frecuencia me preguntes en
afiliados pues en afiliados cogí la columna que pone escritas generales
afiliación trabajadores afiliados total, esa es la total ¿vale? la que
coge todos los regímenes voy a coger la que coge todos los regímenes los
datos así y las hemos cogido, la hemos cogido hasta, voy a pegar esto y ya
está, hasta marzo del 2021, pego aquí y ya está, mira, cambio ahora el
formato y ya está, ya está, ya tendría los datos, tanto tendría los
datos paro y afiliados en una sola Excel, esta S le llamé afiliados y
aquí le llamo datos, datos 2021, bueno, una vez que ya tengo los datos ya
puedo ir a Grepe, ¿vale? Ya hemos tenido los datos, hemos salido al Banco
de España, hemos cogido el paro y los afiliados, hemos cogido desde el 82
para tener las dos series temporales en la fecha de inicio la misma y le
hemos adaptado hasta el 2021, guardo, los otros también los guardo y los
guardo, nosotros lo que nos interesa es la columna, la hoja de Excel,
afiliados, tenéis ya todo el mundo la hoja de Excel con los datos que
vamos a introducir en Grepe, vale, aquí por ejemplo tienen un problema que
no tenían la del paro, la del paro, ¿os acordáis que os dije que era la
B2415? Es esta, la primera que te pone estadísticas de empleo B2415, le
das aquí a Excel y ya la puedes bajar. Y la columna que utilizamos para el
paro, que es la 2415. Dijimos que eran aquí las estadísticas generales
demandantes de empleo y ocupados paro registrado, total personas mensual.
vale como veo que ya todo el mundo lo tiene todo el mundo ya tiene los
datos voy a utilizar Grete ¿vale? podemos hacerlo de dos maneras coger os
voy a dar a elegir queréis utilizar los datos desde el 82 hasta el 2021
coger los datos que te pone el guión para que coincida exactamente con el
guión voy a cogerlos todos pero si después queréis hacerlo en caso para
que coincida con el guión pues simplemente tenéis que coger los datos en
vez hasta el 2021 como he hecho yo hasta el 2010 y así os coincide con los
gráficos que va a coincidir exactamente todo como pone aquí ¿vale? así
que hay dos opciones yo voy a cogerlos todos bueno, lo primero que abro es
Grete ya tengo Grete y lo primero que abro es Grete archivo de datos
archivo de usuario en este caso sé que son ficheros y los tengo en mi
escritorio y le llamé afiliado el 2021 ¿lo veis ahí? lo voy a abrir me
dice comenzar a importar se ha encontrado tres variables realmente son dos
no me ha cogido bien una cosa me ha cogido como datos lo del mes por lo
tanto tengo que quitarlo del mes tengo que volver a cargarlo no lo ha
entendido bien a ver si le llamo ya y lo entiendo y si no voy a coger este
formato que ya lo tenía yo así con este formato lo entiendo le voy a
cambiar el formato porque no lo entendió vale, ya lo tengo guardo vamos a
ver si ahora lo entiende si no, no pasa nada no lo entiendo le ponemos
otros el año y ya está herramientas archivo archivo de datos archivo de
usuario Yo lo tengo en el escritorio y aquí lo tengo, afiliados. ¿Veis?
Ahora me lo han entendido. Dos variables, paros y afiliados, ahí lo
tenéis. Vamos a mostrar los valores, datos, mostrar valores. Perfecto. 82,
1, 2, empieza en el 82, que sería 1, sería enero, datos mensuales y tengo
hasta el 2011, 0, 3. ¿Lo veis? Vale, pero como nosotros también queremos,
vamos a indicar cómo se hace una predicción, lo que vamos a hacer, vamos
a hacer como que solo tenemos datos de todo 2020. Vamos a eliminar los tres
datos del mes del 2021, ¿vale? Para que sean años completos y después si
haces una predicción vas a ver que si se asemeja a los datos reales, que
ya tienes los datos reales de enero, febrero y marzo. Vale, entonces ¿qué
tengo? Tengo que ir a muestra, establecer rango. Quiere decir que voy a
bajar este rango, final 2012. ¿Lo entendéis? 2012, ¿por qué? Porque es
diciembre de 2020. De esa manera le estoy quitando a mi muestra los tres
últimos meses, ¿vale? Hace esto, datos, mostrar valores. Voy hacia abajo,
perfecto. Vale, lo tenéis todo el mundo ya. Si tenéis alguna duda me
preguntáis. Y ya empezamos a trabajar con la serie temporal. Lo primero es
que tenemos que conseguir los datos. ¿No te leyó bien la fecha? No.
¿Qué formato le pusiste? Mes. Le puse el del mes, mira, aquí lo tienes.
Formato celdas. Mira, le puse este. En personalizar, enero 82. Rayo 82.
Sí. Pero si le pones en 82... Igual te obliga a que lo hagas todo el
primer año y después arrastras y ya te los coge. Los años completos.
Pero bueno, eso es lo de menos. No pasa nada, ¿eh? Porque no nos va a
importar los años. Mira, este ya lo tienen bien. Con el formato y la
respuesta propia. Primero formate y ponlo en todos. Venga, ya lo tienen
aquí también. Bueno, pues ahora ya que tenemos los datos, lo tenemos ya
todo correctamente, ya tenemos los datos, ya podemos empezar a trabajar. Lo
primero que tenemos que hacer, según lo que pone aquí el guión, vamos a
gráfico, vamos a Greta en gráficos. Vamos a trabajar primero dentro de la
serie temporal. Cuando trabajas con la serie temporal, vamos a trabajar
individualmente con cada variable. Con las distintas observaciones que
tiene una variable. También tenemos que recordar que para trabajar con
Arima, tenemos que saber que si la serie es estacionaria o no. Eso es lo
primero que vamos a hacer. Y tenemos que recordar la definición que decía
de serie. ¿Cuándo? ¿Cuándo en una serie era estacionaria o no? Un
proceso estocástico es estacionario en sentido estricto si las funciones
de distribución de las distintas variables aleatorias de la que cuesta el
proceso son iguales. Y un proceso estocástico se define con estacionario
en sentido amplio, que es como vamos a trabajar nosotros, si la esperanza
es constante y la varianza es constante. Es decir, su media y su varianza
se mantienen constantes a lo largo del tiempo. El problema es que la
mayoría de las variables económicas en general no presentan estas
características. Es decir, no son estacionarias. Y entonces lo que tenemos
que hacer es convertirlas en series estacionarias. ¿Vale? Bueno, pues
vamos a mirar primero la variable paro. Vamos a ver gráficos series
estacionarias. ¿Los tres? Los tres son de costa. ¿Los tres son de más o
menos? Ah, espera, tiene una duda. Pero lo voy a repetir otra vez. ¿Vas a
muestra? muestra establecer rango y donde estableces rango te va a poner el
último rango que tú tienes que tendrás 21, 03 pues tienes que poner 20,
12 vale vamos a seguir pues vamos con esto ver gráficos gráficos series
temporales vamos a seleccionar, podemos trabajar variable con variable en
esto consiste en estudiar una variable y poder predecir cómo va a moverse
cómo va a ser esa variable en el futuro por eso es cuando trabajas con
series temporales con el método ARIMA te vale para estimar a muy corto
plazo cogemos paro y esto es el gráfico que nos muestra aquí se aprecia
un fuerte crecimiento del paro vemos aquí al principio que hay un fuerte
crecimiento del paro en el área de 85, 86 vuelve a bajar porque baja sobre
todo os acordáis que en España en el 90 y en el 92 fue la exposición de
Sevilla y las Olimpiadas entonces hizo muchísima obra pública que genera
mucho empleo también y veis cómo bajó el paro justamente hasta el 92
después del 92 que se acabaron las Olimpiadas y lo de Sevilla volvió otra
vez a aumentar el paro después volvió otra vez a bajar el paro os
acordáis cuando empezó la entrada de la moneda única y cuando España
entró también había entrado en el 86 en la Comunidad Económica Europea
¿os acordáis de eso? bueno, pues entró después aquí en el 90 volvió
otra vez el paro volvió a bajar ¿y después os acordáis de la crisis del
2008-2009? ¿os acordáis de esa crisis? bueno, pues que había sido había
venido por las hipotecas subprime las hipotecas basura en Estados Unidos y
después en España fue por problemas de liquidez sobre todo de las cajas
que hubo que rescatar las cajas nunca se rescató ningún banco en España
fueron las cajas que vamos a entender en el BBVA no se rescataron fueron
las cajas que había aquel agujero ¿os acordáis? bueno, y las
preferencias y todo eso y entonces fue una crisis brutal mirad aquí lo que
incrementó el paro Después nos habíamos ya empezado a recuperar, cada
vez iba bajando el paro. Más o menos, ¿lo veis? Y aquí, justamente, ¿os
acordáis que vino una pandemia? Pues mira su reflejo. Como veis, todo
acontecimiento tiene reflejo económico. ¿Lo veis cómo repercute en la
economía? Pues aquí se ve perfectamente. Como veis, la función paro a
simple vista ya se ve que no es una función estacionaria. Bueno, ¿qué es
lo que tenemos que hacer ahora? Lo primero que tenemos que hacer para poder
aplicar la metodología RIMA es que la serie debe ser estacionaria. Ya
sabemos que esta serie no es estacionaria. Entonces, ¿qué es lo que
tenemos que hacer? Tenemos dos maneras de hacerlo. Primero, tenemos, bajo
el supuesto histórico de que las variables, bien puede ser en un sentido
estricto, tienen que ser una función de distribución constante. Pero
nosotros vamos a utilizar la definición de estacionaria en sentido amplio.
En sentido amplio, ¿a qué nos referimos? En que la media y su varianza
tienen que ser constantes a lo largo del tiempo. Y para ello, ¿qué es lo
que vamos a hacer? Vamos a utilizar la función de autocorrelación total y
la función de autocorrelación parcial. Y vamos a mirar su función. Vamos
a mirar sus correleogramas. Esos son los que nos va a indicar si hemos
conseguido que esa serie se convierta, a veces para convertir una serie en
estacionaria, tenemos que aplicar diferencias en esa serie. Pero primero
vamos a mirar si es estacionaria o no. Lo que nos lo va a decir simplemente
ya lo vemos que no. Pero bueno, vamos a comprobarlo mediante un
correleograma. ¿Vale? Es lo primero que vamos a hacer. Entonces, vamos
allá. Tenemos la variable paro. Vamos a variable. Correleograma. ¿Lo veis
ahí? Pincho. Máximo de retardo. En este ejercicio se trabaja con 50.
Vamos a trabajar con 50 como están trabajando aquí. Y ahí tenéis el
correleograma. Os van a salir dos pantallazos. Aquí tenéis la función de
autocorrelación total del paro y la función de autocorrelación parcial.
También el otro día habíamos dado... En teoría, que también lo tenemos
aquí al final, cuando después apliquemos diferencias para poder entender
a qué se asemeja dentro del modelo ARIMA, el correlograma, para
identificar los modelos ARIMA tenemos que, tanto los modelos autoregresivos
y los modelos de medias móviles. ¿A qué se identifica cada uno de ellos?
Esto lo voy a dejar abierto para después ir mirándolos, ¿vale? Esto nos
va a servir de ayuda. Bueno, lo primero que vemos en el correlograma, aquí
en la función de autocorrelación total y en la función de
autocorrelación parcial, lo primero que vemos es cómo decrece muy
lentamente en la función de autocorrelación total, ¿lo veis? Entonces,
en la metodología ARIMA se asume que la forma de conseguir series
estacionarias consiste en diferenciar la parte regular y la parte
estacional. También vemos ahí que la función de autocorrelación decrece
lentamente en la parte superior del gráfico, ¿lo veis? Por lo tanto,
consecuentemente, esta serie no es una serie estacionaria. Entonces, ¿qué
es lo que tenemos que hacer? Convertirla en una especie estacionaria. Y
para ello vamos a aplicar la metodología ARIMA. Y esta metodología ARIMA
dice que para conseguir... Para conseguir series estacionarias hay que
diferenciar primero la parte regular y o estacionalmente. Una serie nos
indica aquí que es integrada de orden 0 si es estacionaria de orden 0, o
integrada de orden 1 si es necesaria una primera diferencia regular para
conseguirlo. Y así sucesivamente. Por lo tanto, nosotros vamos a tener que
aplicar una primera diferencia. Primero vamos a aplicar esa primera
diferencia en la parte regular. Y si aplicando esa primera diferencia en la
parte regular conseguimos que ya sea estacional... Perfecto. ¿Que no lo
conseguimos? Pues vamos a aplicar una primera diferencia en la parte
estacional. ¿Que lo conseguimos? Perfecto. ¿Que no lo conseguimos? Pues
el siguiente paso es aplicar una primera diferencia tanto en la parte
regular como en la parte estacional. Y una vez que vamos aplicando esas
primeras diferencias, tenemos que ver, ir comparando con los modelos, con
la teoría que nos indica el modelo. Si podemos asemejarlo a algún modelo.
Que tenemos aquí, en la parte regular y en la parte estacional. ¿Lo veis?
Los AR y los MA1, los MA, AR y MA. Y aquí tenéis función de
autocorrelación total, función de autocorrelación parcial. Por ejemplo,
para el AR1. Y para el SA1, parte estacional, tenemos aquí los
autoregresivos. Y los tenemos aquí, para un MA1, función de
autocorrelación total y función de autocorrelación parcial. ¿Vale? Muy
bien. Vamos ya con Gretel. Como ya vemos que no es una función
estacionaria, lo primero que hacemos es aplicar una primera diferencia.
Primera diferencia en la parte regular. Y vamos a ver lo que sale. Vamos
allá. Y vamos a seleccionar. Primera, añadir. Cogemos la variable de
Pablo, paro y añadir. Primera diferencia de las variables seleccionadas. Y
nos va a salir una primera diferencia en la variable paro. Vamos a hacer la
parte regular primero. ¿Vale? Una vez que ya hemos hecho esa primera
diferencia, lo primero que tenemos que ver es cómo queda la variable. Ver
gráficos siempre. Siempre es igual. Gráficos, gráficos y series
temporales. De esta nueva variable, que es de paro. Ahí la veis. Bueno. Ya
se asemeja, ya vemos que está más en torno a la media y la variante más
o menos constante. Bueno, aquí ya no, en esta zona. Aquí crece demasiado
y aquí y aquí. Pero por lo demás, más o menos, ya se va acercando,
¿no? A lo que estamos buscando. ¿Veis que no es esta primera diferencia?
Podría ser. Aunque se ve ahí que aquí no. Pero bueno, vamos a comprobar
lo que realmente no es. Pero bueno, ya se asemeja algo. ¿Qué es lo que
estamos buscando? O sea, ¿qué es la definición de ruido blanco? ¿Cómo
era? que era totalmente la esperanza alrededor del cero y una varianza más
o menos constante. Vale, todavía no se asemeja, pero bueno, ya se parece
muchísimo más de la primera gráfica que hicimos al principio, sin
ninguna diferencia en la parte regular, que aquello ya sería, a simple
vista, ya sería que no era estacionaria. Ahora ya nos vamos acercando con
esta primera diferencia que hemos hecho en la parte regular, ¿vale? Ya se
asemeja un poco más. Bueno, para saber si es o no, tenemos que ir al
correlograma. Variable, correlograma. De ese deparo, retardo, dijimos que
vamos a poner 50. Es lo que está utilizando en todo el ejercicio, veréis
cuando sale en el correlograma utiliza 50. Ahí lo tenemos. Bueno, ¿qué
es lo que vemos? En la función de autocorrelación total y vemos la
función de autocorrelación parcial. En la función de autocorrelación...
En la función de autocorrelación total, primero vemos que el paro
registrado decrece rápidamente al principio en las partes regulares, pero
vemos que en las partes estacionales, que sería la 12, que sería aquí,
veis la 12 aquí, 24 aquí, veis como la 24-12 no decrece rápidamente. Por
lo tanto, no es estacionaria esta serie, no es estacionaria, hemos
explicado una primera diferencia en la parte regular, pero vemos que en la
parte que sería estacionaria se decreciera rápidamente y vemos que en las
primeras sí decrece rápidamente, lo veis como decrece aquí rápidamente,
todo esto. Pero ¿qué pasa? Que en las estacionales, en la 12, la 24, la
38, la 46 no decrece, 48 no decrece rápidamente, por lo tanto no es una
serie estacionaria. ¿Qué es lo que podemos hacer ahora? Pues ir a la
parte estacional. Vamos a ir a la parte estacional y vamos a aplicar una
primera diferencia también, a ver qué pasa. ¿Qué tal? No sé si... A
ver, voy despacio más o menos, si tenéis alguna duda me indicáis, porque
esto es nuevo. igual nos puede costar un poco más entonces cojo la
variable paro añadir y ahora qué dije que iba a hacer vamos a hacer una
primera diferencia en las estacionales diferentes estacionales de las
variables seleccionadas estacionales lo veis antes cualice una primera
diferencia en la variable seleccionada porque era la parte regular ahora
voy en la parte estacional no porque porque yo bien primero hice una
primera diferencia en la variable para que sería la parte regular y ahora
voy a hacer una primera diferencia también esa misma variable paro pero en
su parte estacional por eso tengo que capturar diferentes estacionales de
las variables seleccionadas estacionales vale ahí lo tenéis ese deparó
lo primero que tenemos que hacer ver gráficos gráficos series temporales
ese deparó ahí lo tenéis cómo se ha acentuado realmente donde ha habido
esos incrementos es lo que hace esa primera de diferencias y ahora voy a
coger la función ese deparó y voy a calcular la función autocorrelación
total y la función autocorrelación parcial para ver si es una función
vamos a ver si ya es estacionaria o no con estas diferentes que hacemos en
la parte estacional vale variable correlograma 50 siempre es igual como
veis estoy repitiendo todo el rato lo mismo bueno qué es lo que vemos que
la variable decrece muy lentamente no veis por lo tanto si decrece muy
lentamente no es estacionaria tenía que crecer muy rápidamente la
función autocorrelación total y no lo hace bueno pues como hemos visto
que la función de autocorrelación total que decrece lentamente en la
parte regular La serie en diferencias estacionales no es estacionaria.
Bueno, pues ¿qué es lo que vamos a hacer ahora? Vamos a probar ahora una
primera diferencia en la parte regular y en la parte estacional a la vez.
Vamos a hacer esa primera diferencia. Antes lo hicimos primero en la parte
regular y después en la parte estacional. Hemos visto que haciendo esa
primera diferencia, primero en la parte regular y después en la parte
estacional, no hemos conseguido que sea estacionaria. Pues vamos a dar otro
paso más. Esto es siempre repetitivo. Esto es todo tanto repetitivo. Vale,
ahora vamos a hacerlo una primera diferencia tanto en la parte regular como
en la parte estacional a la vez. A ver qué pasa. Cerramos. Como veis, es
siempre el mismo proceso. Y ahora, ¿qué variable tengo que coger? Como me
preguntaban aquí antes en la sala, ¿qué tendría que hacer? Ya tengo la
diferencia en... Ahora no cojo la variable paro. Cojo de paro, que ya tiene
una primera diferencia en de paro. Y a de paro... Y a de paro, le aplico
una diferencia estacional. De esa manera, tengo una primera diferencia en
la parte regular y una primera diferencia en la parte estacional.
¿Entienden? ¿Entendéis lo que hago? Porque quiero una primera diferencia
que podría coger ese de paro entonces. Pero voy a hacerlo como cojo de
paro. Que ya tiene una primera diferencia. Entonces le aplico esa otra
diferencia en la parte estacional y ya tendría una diferencia en la parte
estacional ¿Vale? Añadir diferencias estacionales. ¿Lo veis aquí? Y
ahora, ¿qué variable tengo? Una nueva. ¿La veis aquí? Ahora ya tengo
una primera diferencia tanto en la parte regular como en la parte
estacional. Ver gráficos, serie de temporales. ¿Qué veis ahí ya? Ya se
asemeja más, cada vez más. Aunque hay unos pequeños picos ahí. Unos
pequeños piquines. Bueno. Pero se ve mejor en el correlograma. Vamos a
verlo. ¿Veis lo que hace la diferencia? Las va alisando. La va... ... Más
cerca, la media y la variante haciéndola como más constante. ¿La veis?
Es el objetivo que buscamos. Y la media o la esperanza constante. Variable.
Correlograma. S de paro, cogí. Lo veis que cogí ese SD de paro. 50.
Podríamos estar así, imagínate. Igual 5 diferentes en la parte regular.
Así, podríamos estar así todo el rato. Podríamos estar toda la tarde
haciendo esto. ¿O volvemos otra vez a empezar? Dos diferencias. Pues tres,
así, y podemos estar así toda la tarde. Bueno, ya que veis aquí ahora.
Ahora más o menos sí se asemeja a una R. Mira, podríamos hacer otra
diferencia y estaríamos más tiempo. Pero si os fijáis ahora, realmente,
en la función de autocorrelación, la función total sí decrece
rápidamente y está en torno, veis, están todo en torno al cero y entre
cero, entre cero uno y menos cero uno. Excepto aquí hay dos valores,
porque este es muy poquitito. Hay estos dos valores sobre todo. ¿Veis
estos dos valores? Están por encima. Y uno por abajo, pero sería ¿en
cuál? En el doce. Pues entonces, ¿a qué se asemeja más esto? Podríamos
ir a un R, en la parte regular, no a la estacional. En la parte regular
sería, aquí lo tenéis, autoregresivo de orden dos. Veis aquí en la
parte estación, vamos a ponerlo aquí. A ver, para que se vea bien aquí.
Realmente tiene, vamos a decir, podría ser tres valores, uno, dos y tres.
Podría ser un R3. Mira, no tenemos R3. Todo tenemos hasta R3. R2, lo veis
aquí. bueno así que tenemos que jugar con lo que tenemos tiene estos dos
valores aquí 1, 2 y este también sería, sería 3 vamos a hacer lo que se
asemeja a un R2 pero sería un R3 si nosotros trabajáramos los datos solo
hasta el 2010 fíjate que en el 2021 fue cuando hubo otra vez la escalada
la fuerte escalada del paro por eso ahora se asemeja a otro tendríamos
igual que hacer otra diferente si queríamos llegar a un R2 pero si no
estaríamos haciendo diferente, vamos a dejarlo nos deja aquí el
plantamiento el plantamiento nos indica que podríamos seguir pero aquí en
el correlograma vemos que tenemos sobre todo dos diferencias estas dos, las
veis aquí pues como solo tenemos dos bueno pues vemos que en la parte
regular se asemeja a un R2 puesto que la función de autocorrelación total
aquí la veis, la función de autocorrelación total presenta dos valores
significativamente distintos a cero estos dos veis que dos son
significativamente distintos a cero en la parte regular pues entonces se
asemeja a un R2 porque tiene dos valores significativamente distintos por
eso se asemeja a un R2 pues la función de autocorrelación presenta dos
valores significativamente distintos a cero mientras que la función de
autocorrelación parcial decrece rápidamente lo veis aquí como decrece
rápidamente en la parcial en los desfases estacionales la cuestión es
diferente el primer desfase estacional lo veis aquí es significativo el
primer desfase estacional es significativo la función de autocorrelación
parcial estacional decrece rápidamente lo veis, de manera que el paro en
diferencias regulares estacionales es estacionario de orden 1-1 Porque
hemos aplicado una primera diferencia, tanto en la parte regular como en la
parte estacional. Y en la parte regular se asemeja a un AR2 y en la parte
estacional a un MA1. Lo podéis ver aquí. Dos valores significativamente,
en la función de autocorrelación parcial veis dos valores significativos.
Como nos indican aquí. Y el MA1, aquí lo tenéis, un valor significativo.
Aquí, un valor, que sería este. Por lo tanto, esto parece responder a un
modelo AR2 regular y MA1 estacional. Es decir, un SARIMA 210-011. Y aquí
te indica cómo se puede escribir de la siguiente forma. Lo veis. SARIMA
210, ¿por qué es? El primero es en la parte regular 2. 2. 2, que es un
AR2. 1, que es una primera diferencia. Y 0, porque sería en la parte
regular, sería 0. Y en la parte estacional sería 1, que sería el MA1. El
siguiente 1 del medio sería, que le hemos aplicado una diferencia. ¿Vale?
Una vez que ya lo hemos identificado y sabemos que es estacionario. Y ya
tenemos identificado el modelo. Y ahora, este modelo, tenemos que ir a
Gretel y ya trabajar con el modelo que acabamos de identificar. Para eso
vamos a Gretel. Vamos a Gretel. Un momento. Y ya vamos al modelo. Porque ya
sabemos que podemos utilizar este modelo que hemos identificado. Y en el
modelo vamos a univariante. Aquí el guión nos indica de otra manera
dónde tienes que ir. Pero, tanto y cual, tienes que ir a univariante y
está en series. Y modelo aritmán. ¿Lo veis? Bien, y el modelo que
nosotros hemos planteado es la variable SD de paro como variable
dependiente, lo veis ahí, y tenemos que seleccionar, en lo no estacional
dijimos que era A1, AR2, diferencia 0, ¿por qué pongo diferencia 0?
Porque ya lo tenemos en la variable SD de paro, no estoy trabajando con la
variable paro, por eso la diferencia en la EA sería 0 y el MA 0, y en lo
estacional dijimos que era un MA 1, ponemos aquí 1, aceptamos y ahí
tenemos ya planteado el modelo. Tendríamos 455 observaciones, sería desde
1982-1983. ¿En 2020 os sale el mismo resultado? Y aquí tendríamos los
parámetros. La ecuación sería esta, espera que lo voy a poner aquí para
que la veáis, aquí lo tenemos, este es el modelo. En este caso,
estimación del modelo paro sería ZT, el valor que nos dio en este caso,
que fue menos 221,499, lo que pondríamos en esta ecuación. Y esta
ecuación. Y esta ecuación que tenemos aquí era cuando si lo hubieras
hecho con los datos hasta el 2000, en este caso sería hasta el 2011 o
2010, me parece que era. Pero como lo hemos hecho hasta el 2020, la
constante cambia, ya no es 362 sino menos 221. La ZT menos 1, la variable,
tiene que estar multiplicada por... En este caso el coeficiente es
0,243252. Cada vez que coincide. El coeficiente de la ZT menos 2, 0,178672.
Lo veis aquí. Y el coeficiente de la ZT menos 12, menos 0,834539. Ahí lo
tenéis. Veis, todos estos parámetros son significativos. Aquí lo veis,
las tres estrellitas, con cada uno de ellos. Y este sería el modelo. Una
vez que ya tenemos el modelo, lo que tenemos que hacer es comprobar que los
residuos del modelo estimado son ruido blanco. Bueno, pues aquí nos indica
cómo tenemos que ir al modelo y sacar los residuos. Vamos al modelo, donde
hemos calculado el modelo, pero tenemos aquí guardar. Y ahí tenéis que
guardar los residuos. Ahí lo tenéis, aceptáis y ya tenéis los residuos
del modelo. Mostrar datos, mostrar valores. Y ahí tenéis todos los
residuos. Bueno, pues una vez que ya tenemos los parámetros, sabemos que
son significativos. Una vez tenemos los residuos, vamos a gráficos,
gráficos residuos, y vamos a ver cómo salen esos residuos. Tiene que
ser... Dejarse a ruido blanco, como ya hemos dicho. Residuos 50. Sí. En el
correlograma, para mirar si se parece a un residuo blanco. Lo veis. Los
correlogramas de los residuos del modelo Sarima, el 210.011 del paro,
presenta una función de autocorrelación total con un solo valor
significativo. ¿Lo veis el valor significativo? Ahí lo tenéis. En este
caso es el 8, con un solo valor significativo mayor de 0,110. Un retardo en
el 8, el 0,146. ¿Veis aquí el 8? Y aquí lo tenéis. ¿Lo veis el 8?
Además te pone las tres estrellitas. Ahí lo tenéis. Lo que muestra unos
residuos cercanos a la imagen empírica de ruido blanco. De manera que
podemos considerar que el modelo SARIMA210-011 para el paro registrado como
válido. Este modelo es válido. Una vez que ya tenemos el modelo válido,
lo que ya podemos hacer ahora es una estimación. ¿Os acordáis en el
guión al inicio que teníamos que calcular? Que teníamos que, al inicio,
seguir el guión que nos indicaba. Y lo tenéis. Ahora tenemos ya, una vez
que hemos aceptado el modelo, también tenemos que hacer un pronóstico.
Vamos a ver si este pronóstico es el adecuado o no. Para hacer el
pronóstico tendríamos que hacerlo en una Excel. Vamos a ponerlo aquí
para que lo veáis. Bueno, tendríamos que coger en una Excel, coger la
variable paro. Tendríamos que hacerlo, por ejemplo, nosotros en este caso,
como hemos hecho hasta el 2020, tendríamos que coger todo el 2020. Y hacer
un pronóstico y compararlo con el 2021. ¿Vale? Entonces, lo primero que
tendréis que hacer sería la diferencia paro. A ver, os voy a calcular
esta variable, esta columna. Esta columna. Esta de aquí es la de los
residuos que acabo de sacar. Aquí la veis. Tendréis que ir aquí al
gráfico, residuos, mostrar valores, datos. Mostrar valores. Y coger. Si
cogeremos en el año 2020, pues tendréis que coger estos. Estos valores
son. De aquí se sacan. Estos serían los del 2020. ¿Lo veis ahí? Esa
columna se saca de ahí. el resto de columnas pues tendríamos que hacer
tendríamos que ir a afiliados aquí lo tenemos, 2020 la primera columna
que sería la de WParo yo os voy a explicar más o menos cómo se hace esto
había que hacerlo a mano teníamos que coger la función que acabamos de
calcular y después ir sustituyendo pero antes tienes que calcular estos
valores la primera que sería la de WParo que sería esta variable la
variable WParo menos la del periodo anterior ahí la tenéis y ahí
tendréis todos los valores esta columna sería esta esta es la que estoy
haciendo ¿la veis? no va a coincidir los valores porque esta era en el
2011 ahora estamos en el 2021, no va a coincidir pero bueno, si vosotros lo
queréis hacer por ejemplo hasta 2010 para que coincida con el día tenéis
que hacerlo así tiro hacia atrás ¿por qué tiro hacia atrás esto?
porque lo voy a necesitar voy hasta 2019 aquí está ahí ya tendría esa
columna entera lo que yo voy a coger va a ser a partir de enero ¿vale?
calcular y el otro que tenéis que calcular es este aquí la S de WParo que
sería lo de la estacional ¿cómo haría esa? tendréis que ir aquí,
también aquí sería esta columna sería esta variable menos esta contáis
12 justamente es 12 hacia atrás y es la diferencia, os acordáis que lo
había puesto y ahí lo tendríais a enero del siguiente año pero desde la
diferencia primero calcule desde la variable y después sobre la
diferencia, ¿lo veis? ya tendríais la segunda columna la tercera esta es
la que nos da los residuos que tenéis que pegarlo ahí había que bajarlo
y pegarlo y ya lo tendréis aquí con los residuos y ya podíais calcular
el pronóstico ¿y el pronóstico cómo lo tendríamos que hacerlo?
tendríais que utilizar aquí lo tenéis la fórmula e ir sustituyendo ya
tenéis los valores, ir sustituyendo y te trae la predicción y después
comprobar los valores que tenéis en el 2021 si es si se acierta o no
acierta y así tenéis ya el ejemplo con esto ya terminaríamos la función
paro ahora lo mismo que hemos hecho ahora habría que hacerlo con la
función empleo exactamente lo mismo tendríamos que volver a empezar una
vez que hayamos terminado lo del paro bueno, se me olvidó deciros que
también se podría calcular a partir de la variable paro el modelo yo el
modelo lo hice a partir de la SD de paro si lo hiciera a partir de la
variable paro pues tendría que poner el modelo AR2 una primera diferencia
lo veis aquí, el 1 y en la parte regular y orden en el MA0 y en la parte
estacional sería el MA1 una primera diferencia y 0 se puede hacer, el
resultado va a ser el mismo pero cuando tú haces el modelo tienes que
saber qué variable estás cogiendo, si estás cogiendo la SD de paro o la
variable paro ¿vale? para que veáis que sale lo mismo lo voy a hacer a
ver modelo voy a repetir harima ahora voy a hacerlo con la variable paro en
la parte no estacional que es era un AR1, 0 ¿os acordáis? y en la parte
estacional era MA1 y una diferencia ¿lo veis? tiene que salir lo mismo
ahí lo tenéis ¿lo veis? Bueno, pues esto lo hemos hecho desde el
principio. Hemos cogido la variable, se han atado los datos, hemos mirado
si era estacional y hemos aplicado la diferencia primero en la parte
regular y después en la parte estacional. Individualmente cada una de
ellas vimos que no nos salía. Entonces calculamos una primera diferencia
en cada una de las partes, en la parte estacional y en la parte regular. Y
hemos visto que se semejaba a un modelo, un SARIMA 210111. Bueno, una vez
que hemos visto ese modelo, hemos analizado el modelo y ya hemos hecho,
hemos validado el modelo porque se asemejaba a un ruido blanco. Hemos hecho
el cronograma y vemos que se asemejaba a un ruido blanco, solo había una
pequeña diferencia en uno de ellos que era el retardo número 8. Y
después hemos hecho la predicción. Este mismo ejercicio ahora habría que
volver a hacerlo, pero con la variable afiliados. Sería exactamente lo
mismo. Entonces habría que empezar, empezaríamos cogiendo la variable
afiliados, ver datos, en ver gráficos empezaríamos igualmente series
temporales. La variable afiliados y ahí tenemos lo de afiliados. Ya vemos
así simplemente que no es una serie estacional. Pero para comprobarlo
mejor, ¿qué es lo que tenemos que ir? A un cronograma. Entonces lo que
cogeríamos con esta variable paro, esta variable afiliados, iríamos a
variable cronograma. Pondríamos 50 de retardo y vemos como decrece muy
lentamente en la función de autocorrelación total. ¿Lo veis? Por lo
tanto no es una serie estacionaria. ¿Qué es lo que tendríamos que hacer
ahora? Pues empezaríamos aplicando una primera diferencia en la parte
regular. ¿Qué conseguimos? Que con una primera diferencia en la parte
regular estacionaria, perfecta, ya tendríamos nuestro modelo. ¿Que no lo
conseguimos? Pues tendríamos que calcular una primera diferencia en la
parte estacional. ¿Que tampoco lo conseguimos? Pues aplicaríamos una
primera diferencia. tanto en la parte regular como en la parte estacional
igual en este de afiliados que ya no lo vamos a hacer seguís el guión
exactamente como yo lo he hecho el del paro y si queréis que los datos os
salgan exactamente iguales tenéis que coger las mismas observaciones si
no, no pero bueno, yo es más bonito hacerlo con más observaciones como
hemos hecho nosotros aquí por lo que veo yo y os lo voy a adelantar como
sería este en la función de afiliados pues en la función de afiliados el
paro registrado se va a parecer a un SARIMA 311 012 bueno, habría que
aplicar una diferencia tanto en la parte regular como en la parte
estacional podéis intentarlo a ver si os sale pero es exactamente igual
porque acabamos de hacer como la otra variable y buscar el modelo ir
aplicando una primera diferencia si con una primera diferencia tanto en la
parte regular como en la parte estacional no sirve tenéis que buscar a
qué modelo os asemejo y ya está es exactamente el mismo ejercicio nada
más que con la variable afiliación pues lo dejamos aquí ¿tenéis alguna
duda me indica? vamos a ver si hay alguna pregunta ¿hay algo? ah, en la
predicción espera que nos hace una pregunta en la predicción en la
predicción lo que tenemos que hacer a ver, lo tenemos aquí esto es lo que
tenemos que hacer primero, coger la variable paro en este caso cogeríamos
del 2020 al 2020 hasta el 12 calcular una diferencia primero, la de paro
porque nosotros con el modelo hemos planteado este modelo nos ha quedado un
modelo por lo que tenemos que calcular es el ZT-1, ZT-2 y el VT-12 ir
sustituyendo para que nos dé el valor de la predicción ¿vale? y ahí ya
tenéis el valor de la predicción que es la ZT ¿no veis que pone aquí
ZT? que es el valor que estamos buscando es la predicción y lo vamos
calculando para cada mes y ya os dije cómo sacar esta columna esta y esta
las tres columnas que necesitáis estos valores los tenéis que sustituir
en esta función que acabamos de calcular en el modelo de Aritma es
sustituir y ya está es siempre igual no hay ningún problema tenéis
alguna duda vamos a seguir mirando o sea es como se trabaja con los modelos
harina vale esa rima porque también tiene la parte estacional vale
entonces el próximo día ya seguimos con el siguiente ejercicio práctico
que va a hacer también de seguir interactuando en una serie temporal es
una variable aplicando diferencias siempre es importante primero la parte
regular después en la parte estacional el modelo mismo así me esté
trabajando con una se trabaja tanto con la parte estacional primero como
aparte de regular código y con la parte estacional primera calculamos la
diferencia en la parte regular si no lo conseguimos aplicando una primera
diferencia la parte regular lo hacemos en la parte excepcional que lo
conseguimos para la parte estacional perfecto que no lo conseguimos
Seguimos. Tampoco una primera diferencia. Pues la aplicamos en las dos al
mismo tiempo. Bueno, pues nos vemos el próximo día y toda la información
la tenéis subida. Todo este ejercicio, tanto el guión que se va a seguir,
lo tenéis. Lo único que tenéis vosotros que es bajar los datos, que yo
os enseñé cómo se bajaban los datos. Y ya con esos datos ya podéis
hacer ahora vosotros la de afiliación, que es exactamente igual que como
hicimos con el paro. Bueno, venga, hasta el próximo día. Y gracias y
perdonad que a veces con tantos frentes a veces me equivoco. Venga, hasta
luego.