Professional Documents
Culture Documents
MATRIZ DE PRECIOS
Timestamp .DJI WMT PFE PG KO VZ MCD
3/7/2016 17,074 67.89 29.79 83.1 44.01 52.21 117.15
3/8/2016 16,964 68.04 29.36 83.06 44.32 52.46 118.42
3/9/2016 17,000 67.53 29.74 82.96 44.81 52.34 119.64
3/10/2016 16,995 67.41 29.59 82.28 45.23 52.32 119.98
3/11/2016 17,213 67.17 30.5 81.75 45.2 52.53 121.55
3/14/2016 17,229 67.36 30.1 81.17 45.29 52.54 122.9
3/15/2016 17,252 68.09 29.54 81.31 45.24 52.67 123.43
3/16/2016 17,326 67.99 29.04 81.34 45.05 53.21 123.52
3/17/2016 17,481 67.45 29.34 82.75 45.77 53.63 123.16
3/18/2016 17,602 66.95 29.45 83.15 45.6 53.24 124.08
3/21/2016 17,624 67.97 30.07 83.32 45.67 53.44 123.81
3/22/2016 17,583 67.87 30.38 82.74 45.5 53.21 123.82
3/23/2016 17,503 67.46 30.19 82.82 45.46 52.91 124.19
3/24/2016 17,516 68 30.08 82.89 45.58 53.56 123.29
3/28/2016 17,535 68.12 29.78 82.62 45.8 53.4 123.17
3/29/2016 17,633 68.03 30.05 82.8 46.48 54.05 123.97
3/30/2016 17,717 68.8 30.07 82.68 46.58 54.04 125.83
3/31/2016 17,685 68.49 29.64 82.31 46.39 54.08 125.68
4/1/2016 17,793 69.06 30.04 83.53 46.83 54.01 127.02
4/4/2016 17,737 69.1 30.72 83.21 46.89 54.42 127.57
4/5/2016 17,603 68.64 31.36 83.16 46.53 54.09 127.38
4/6/2016 17,716 69.04 32.93 83.81 46.71 53.52 127.52
4/7/2016 17,542 68.22 32.76 83.24 46.36 52 128.14
4/8/2016 17,577 68.06 32.5 83.2 46.87 52.18 127.96
4/11/2016 17,556 67.4 31.89 82.73 46.44 51.61 127.56
4/12/2016 17,721 68.8 31.96 82.83 46.65 51.95 127.61
4/13/2016 17,908 69.15 32.54 82.46 46.04 51.29 126.89
4/14/2016 17,926 68.8 32.65 82.01 45.83 51.36 127.51
4/15/2016 17,897 69.06 32.5 82.3 46.1 51.35 127.78
4/18/2016 18,004 69.86 32.61 82.83 46.22 51.73 128.85
4/19/2016 18,054 69.77 32.89 83.28 46.6 52.08 128.86
4/20/2016 18,096 69.21 33.23 81.55 44.37 51.75 128.55
4/21/2016 17,983 68.47 33.24 80.8 43.66 50.03 125.79
4/22/2016 18,004 68.72 33.27 80.95 44.54 50.55 125.5
4/25/2016 17,977 69.47 33.21 81.41 44.71 50.76 127.46
4/26/2016 17,990 69.3 33.05 79.55 44.53 50.44 127.71
4/27/2016 18,042 69.42 33 79.89 44.68 51.69 128.3
4/28/2016 17,831 68.91 32.91 79.76 44.63 51.02 127.92
4/29/2016 17,774 66.87 32.71 80.12 44.8 50.94 126.49
5/2/2016 17,891 67.59 32.8 80.97 44.98 51.32 128.2
5/3/2016 17,751 67 33.7 81.1 44.84 50.68 128.4
5/4/2016 17,651 67.19 33.4 81.6 44.98 50.84 129.33
5/5/2016 17,661 67.21 33.57 81.3 45.06 50.84 129.28
5/6/2016 17,741 68.25 33.58 82.13 45.32 51.12 130.58
5/9/2016 17,706 68.95 33.82 82.12 45.24 51.08 130.83
5/10/2016 17,928 68.79 33.8 82.48 45.75 51.54 131.6
5/11/2016 17,711 66.41 33.16 82.15 45.46 51.15 129.14
5/12/2016 17,721 66.85 33.19 82.41 45.83 51.47 130.12
5/13/2016 17,535 64.94 33.19 81.23 45.35 50.94 128.83
5/16/2016 17,711 66.02 33.38 81.63 45.62 51.23 129.64
5/17/2016 17,530 65.1 33.03 80.62 44.75 50.9 127.69
5/18/2016 17,527 63.15 33.17 79.85 44.48 50.39 126.21
5/19/2016 17,435 69.2 33.38 80.19 44.32 49.63 125.29
5/20/2016 17,501 69.86 33.74 80.02 43.95 49.66 122.56
5/23/2016 17,493 69.5 33.67 80.2 43.97 49.14 122.81
5/24/2016 17,706 70.24 34.1 80.97 44.37 49.58 123.95
5/25/2016 17,852 70.48 34.35 81.48 44.38 49.85 123.26
5/26/2016 17,828 70.85 34.43 81.22 44.69 50.16 123.79
5/27/2016 17,873 70.75 34.61 81.43 44.78 50.62 123.25
5/31/2016 17,787 70.78 34.7 81.04 44.6 50.9 122.06
6/1/2016 17,790 70.5 34.75 81.79 44.7 50.43 121.97
6/2/2016 17,839 70.95 34.87 81.95 44.72 50.77 121.17
6/3/2016 17,807 70.87 34.69 82.47 45.04 50.92 121.35
6/6/2016 17,920 71.05 34.93 82.77 45.37 50.71 122
6/7/2016 17,938 71.03 34.84 82.32 45.32 51.75 121.9
6/8/2016 18,005 71.28 35.25 82.65 45.55 51.52 122.11
6/9/2016 17,985 71.09 35.31 83.17 45.76 51.95 122.79
6/10/2016 17,865 71.14 35.29 83.2 45.99 52.67 122.36
6/13/2016 17,732 70.53 34.74 82.57 45.12 52.57 122.99
6/14/2016 17,675 70.95 34.99 83.35 45.04 52.99 122.51
6/15/2016 17,640 71.12 34.79 82.95 45.01 52.84 122.25
6/16/2016 17,733 71.3 34.75 83.41 45.31 53.46 122.47
6/17/2016 17,675 70.95 34.22 83.13 44.79 53.78 122.27
6/20/2016 17,805 71.1 34.5 83.04 44.98 53.76 123.42
6/21/2016 17,830 71.46 34.75 83.41 45.13 54.1 122.63
6/22/2016 17,781 71.75 34.47 83.57 44.86 54.03 120.62
6/23/2016 18,011 72.1 34.59 84.21 45.08 54.67 121.21
6/24/2016 17,401 71.96 33.97 82.26 43.93 54.43 119.44
6/27/2016 17,140 71.5 33.8 81.23 43.78 54.74 116.3
6/28/2016 17,410 71.51 34.44 82.46 44.18 54.82 118.5
6/29/2016 17,695 72.46 35.01 83.91 44.44 55.06 119.49
6/30/2016 17,930 73.02 35.21 84.67 45.33 55.84 120.34
7/1/2016 17,949 72.81 35.57 84.78 45.12 56.23 120.4
7/5/2016 17,841 73.14 35.81 85.44 45.43 56.53 120.76
7/6/2016 17,919 73.82 35.86 85.03 45.27 56.26 120.63
7/7/2016 17,896 73.53 35.77 84.83 45.09 55.38 120.92
7/8/2016 18,147 73.84 36.12 85.77 45.38 55.9 121.31
7/11/2016 18,227 74.06 36.15 85.75 45.57 55.93 122
7/12/2016 18,348 73.27 36.24 85.75 45.58 55.47 122.25
7/13/2016 18,372 73.62 36.31 85.89 45.74 56 122.82
7/14/2016 18,506 73.7 36.92 85.87 45.69 55.84 123.93
7/15/2016 18,517 73.67 36.77 86.01 45.63 55.84 123.61
7/18/2016 18,533 73.84 36.64 85.93 45.63 55.93 123.8
7/19/2016 18,559 73.66 36.64 86.17 45.63 55.7 126.5
7/20/2016 18,595 73.79 36.68 85.32 45.51 55.62 126.06
7/21/2016 18,517 73.52 36.71 85.26 45.45 55.37 127.18
7/22/2016 18,571 73.55 36.74 85.72 45.83 56.1 128.26
7/25/2016 18,493 73.75 36.78 85.8 45.57 55.87 127.4
7/26/2016 18,474 73.73 36.83 85.27 44.88 54.81 121.71
7/27/2016 18,472 73.32 36.85 84.46 43.4 55.32 119.48
7/28/2016 18,456 73.24 36.67 84.81 43.65 54.86 119.42
7/29/2016 18,432 72.97 36.89 85.59 43.63 55.41 117.65
8/1/2016 18,405 73.78 37.31 86.41 43.45 54.5 118.01
8/2/2016 18,314 73.13 36.39 86.76 43.53 54 117.7
8/3/2016 18,355 72.94 35.29 85.97 43.64 53.9 117.52
8/4/2016 18,352 73.3 35.15 86.05 43.51 53.93 118.3
8/5/2016 18,544 73.76 35.44 85.78 43.48 53.64 119.21
8/8/2016 18,529 73.34 34.93 85.76 43.44 53.59 118.29
8/9/2016 18,533 73.54 35.08 85.99 43.47 53.66 118.31
8/10/2016 18,496 73.95 35.13 86.31 43.61 53.81 118.8
8/11/2016 18,614 73.8 35.15 86.73 43.75 53.86 119.38
8/12/2016 18,576 73.89 34.98 87.04 44.03 53.65 119.52
8/15/2016 18,636 73.32 35.11 87.02 44.24 53.61 118.52
8/16/2016 18,552 72.89 34.79 86.58 43.83 52.76 117.94
8/17/2016 18,574 72.93 35.14 86.96 44.06 53.17 117.1
8/18/2016 18,598 74.3 35.19 87.44 44.1 52.87 117.13
8/19/2016 18,553 72.81 34.98 87.31 43.92 52.45 115.01
8/22/2016 18,529 72.7 34.84 86.85 43.74 52.55 115.42
8/23/2016 18,547 71.97 35.09 87.4 43.85 52.63 115.19
8/24/2016 18,481 72.23 34.82 87.31 43.85 52.53 114.87
8/25/2016 18,448 71.22 34.77 87.9 43.67 52.75 115.43
8/26/2016 18,395 71.14 34.82 87.58 43.32 52.07 114.44
8/29/2016 18,503 71.4 35.11 88.3 43.54 52.5 115.41
8/30/2016 18,454 71.31 34.88 87.54 43.24 52.27 115.36
8/31/2016 18,401 71.44 34.8 87.31 43.43 52.33 115.66
9/1/2016 18,419 72.84 34.68 88.31 43.35 52.56 115.4
9/2/2016 18,492 72.5 34.77 88.2 43.66 52.88 115.83
9/6/2016 18,538 73 34.77 88.64 43.79 53.51 117.25
9/7/2016 18,526 72.06 34.84 87.95 43.64 53.71 116.92
9/8/2016 18,480 71.83 34.72 87.78 43.63 53.6 116.17
9/9/2016 18,085 70.3 34.1 86.24 42.27 51.82 114.58
9/12/2016 18,325 71.94 34.65 88.25 43.19 52.57 115.95
9/13/2016 18,067 71.46 34.04 87.05 42.28 51.45 114.73
9/14/2016 18,035 71.52 33.94 87.01 42.11 51.49 115.18
9/15/2016 18,212 72.4 34.14 88.06 42.36 51.98 116.14
9/16/2016 18,124 72.87 33.94 88.05 42.14 51.88 115.28
9/19/2016 18,120 72.09 33.65 88.37 42.1 51.2 115.21
9/20/2016 18,130 71.97 33.81 88.58 42.34 51.27 116.45
9/21/2016 18,294 72.19 34.28 87.8 42.53 51.87 116.93
9/22/2016 18,392 72.27 34.15 88.99 42.96 52.35 117.36
9/23/2016 18,261 72.35 34.26 87.76 42.74 52.56 117.17
9/26/2016 18,095 71.62 33.64 87.85 42.05 52.15 116.53
9/27/2016 18,228 72.33 33.83 88.36 42.59 52.49 116.88
9/28/2016 18,339 71.79 33.99 89.46 42.15 52.06 115.18
9/29/2016 18,143 70.73 33.32 88.23 42.03 52.12 114.79
9/30/2016 18,308 72.12 33.87 89.75 42.32 51.98 115.36
10/3/2016 18,254 72.01 33.68 88.66 42.03 51.88 114.64
10/4/2016 18,168 71.75 33.72 88.35 41.84 51.26 113.5
10/5/2016 18,281 71.67 33.9 88.85 41.81 50.27 113.41
10/6/2016 18,269 69.36 33.65 89.22 41.71 50.26 113.92
10/7/2016 18,240 68.7 33.56 90 41.73 49.92 113.45
10/10/2016 18,329 67.98 33.61 89.06 41.73 50.19 114.71
10/11/2016 18,129 67.39 33.13 88.54 41.54 49.9 113.68
10/12/2016 18,144 67.46 33.07 88.57 41.78 50.3 114.71
10/13/2016 18,099 68.23 32.76 88.24 41.76 50.29 115.41
10/14/2016 18,138 68.45 32.66 88.43 41.67 50.28 114.09
10/17/2016 18,086 68.22 32.5 87.83 41.6 50.43 112.41
10/18/2016 18,162 68.87 32.69 87.45 41.97 50.27 111.25
10/19/2016 18,203 68.89 32.6 85.54 42.05 50.38 111.26
10/20/2016 18,162 68.73 32.54 84.93 41.93 49.14 110.57
10/21/2016 18,146 68.34 32.18 84.33 42.13 48.2 113.93
10/24/2016 18,223 69.19 32.13 84.1 42.56 48.21 113.57
10/25/2016 18,169 69.36 32.28 86.97 42.54 47.84 112.72
10/26/2016 18,199 69.59 32.4 87.4 42.44 47.63 112.11
10/27/2016 18,170 69.83 32.48 86.58 42.12 48.54 112.08
10/28/2016 18,161 69.99 31.93 86.84 42.23 48.21 112.1
10/31/2016 18,142 70.02 31.71 86.8 42.4 48.1 112.57
11/1/2016 18,037 69.3 31.07 86.85 42.12 47.66 112.25
11/2/2016 17,960 69.45 30.63 86.74 42.05 46.94 112.39
11/3/2016 17,931 69.63 29.89 86.6 42.03 46.87 111.72
11/4/2016 17,888 69.16 30 85.08 41.69 47.08 111.04
11/7/2016 18,260 69.78 30.38 86.56 42.46 47.46 112.82
11/8/2016 18,333 69.79 30 87.46 42.88 47.65 114.11
11/9/2016 18,590 71.1 32.12 85.93 42.27 47.86 114.98
11/10/2016 18,808 71.39 33.49 82.96 40.94 46.69 114.51
11/11/2016 18,848 71.23 32.59 83.58 41.03 46.69 114.22
11/14/2016 18,869 70.49 32.38 83 41.17 46.18 117.86
11/15/2016 18,923 71.42 32.23 83.62 41.44 47.37 118.32
11/16/2016 18,868 71.39 31.96 83.19 41.26 47.93 119.21
11/17/2016 18,904 69.19 31.73 83.07 41.12 47.84 119.45
11/18/2016 18,868 68.54 31.48 82 40.91 48.07 120
11/21/2016 18,957 69.37 31.57 82.64 41.36 48.31 119.5
11/22/2016 19,024 70.12 31.33 82.76 41.37 49.49 119.69
11/23/2016 19,083 70.83 31.42 82.68 41.12 50.23 120.14
11/25/2016 19,152 71.23 31.69 83.46 41.53 50.67 120.66
11/28/2016 19,098 71.19 31.54 83.07 41.75 51.12 121.82
11/29/2016 19,122 71.37 31.92 82.89 41.15 50.96 120.68
11/30/2016 19,124 70.43 32.14 82.46 40.35 49.9 119.27
12/1/2016 19,192 70.67 31.46 81.86 40.17 49.87 118.47
12/2/2016 19,170 70.88 31.63 82.4 40.36 49.81 118.24
12/5/2016 19,216 69.94 31.59 82.99 40.62 49.75 119.29
12/6/2016 19,252 70.36 31.56 82.91 40.57 50.36 119.25
12/7/2016 19,550 70.6 31.19 84.18 41.29 51.38 119.92
12/8/2016 19,615 70.34 30.94 83.5 40.98 51.13 120.45
12/9/2016 19,757 70.08 31.7 84.37 42 51.49 121.26
12/12/2016 19,796 71.67 32.4 85.13 41.9 51.76 121.74
12/13/2016 19,911 71.8 32.83 85.18 41.76 52.36 122.68
12/14/2016 19,793 71.34 32.82 84.37 41.21 51.63 122.84
12/15/2016 19,852 71.08 32.75 84.68 41.55 51.81 122.36
12/16/2016 19,843 70.98 32.84 84.68 41.74 52.27 123.24
12/19/2016 19,883 71.58 32.83 84.71 41.67 52.91 122.99
12/20/2016 19,975 71.82 32.85 84.57 41.66 53.12 123.33
12/21/2016 19,942 71.24 32.4 84.28 41.57 52.97 123.18
12/22/2016 19,919 69.59 32.34 84.47 41.55 53.65 123.72
12/23/2016 19,934 69.54 32.48 84.96 41.6 53.68 123.14
12/27/2016 19,945 69.7 32.53 84.6 41.61 53.64 123.07
12/28/2016 19,834 69.31 32.35 84.07 41.39 53.44 122.68
12/29/2016 19,820 69.26 32.49 84.35 41.6 53.74 122.79
12/30/2016 19,763 69.12 32.48 84.08 41.46 53.38 121.72
1/3/2017 19,882 68.66 33 84.2 41.8 54.58 119.62
1/4/2017 19,942 69.06 33.29 84.5 41.65 54.52 119.48
1/5/2017 19,899 69.21 33.61 85.06 41.75 54.64 119.7
1/6/2017 19,964 68.26 33.48 85.03 41.74 53.26 120.76
1/9/2017 19,887 68.71 33.47 84.4 41.32 52.68 120.43
1/10/2017 19,856 68.23 33.44 83.49 41.04 52.76 120.25
1/11/2017 19,954 68.53 32.83 83.75 41.05 52.46 120.88
1/12/2017 19,891 67.97 32.6 83.84 40.95 52.68 122.1
1/13/2017 19,886 67.13 32.52 84.01 40.88 52.55 121.5
1/17/2017 19,827 68.42 32.06 85.21 41.22 52.74 122.75
1/18/2017 19,805 68.11 32.03 84.93 41.29 52.25 122.71
1/19/2017 19,732 67.62 31.7 84.7 41.14 52.36 122.18
1/20/2017 19,827 67.18 31.77 87.45 41.32 52.72 122.26
1/23/2017 19,800 66.65 31.46 86.96 41.43 52.41 121.38
1/24/2017 19,913 67.4 31.15 87.86 41.9 50.12 121.05
1/25/2017 20,069 66.89 31.29 87.16 42.12 49.77 121.79
1/26/2017 20,101 66.73 31.28 86.6 41.81 49.12 121.88
1/27/2017 20,094 65.66 31.42 86.72 41.45 49.6 122.86
1/30/2017 19,971 66.42 31.31 86.75 41.38 49.37 123.02
1/31/2017 19,864 66.74 31.73 87.6 41.57 49.01 122.57
2/1/2017 19,891 66.23 31.67 87.33 41.26 48.39 122.42
2/2/2017 19,885 66.7 31.73 87.76 41.4 48.28 123.22
2/3/2017 20,071 66.5 32.09 87.41 41.54 48.58 124.24
2/6/2017 20,052 66.4 32.23 87.4 41.56 48.03 124.45
2/7/2017 20,090 66.89 32.08 88.01 41.9 48.04 124.59
2/8/2017 20,054 67.81 32.14 88.33 42.02 48.37 124.67
2/9/2017 20,172 69.08 32.38 88.67 41.25 48.81 124.48
2/10/2017 20,269 68.02 32.35 87.97 40.58 48.98 125.82
2/13/2017 20,412 67.77 32.61 88.31 40.62 48.55 125.54
2/14/2017 20,504 68.66 32.75 87.86 40.53 48.27 125.81
2/15/2017 20,612 68.69 33.51 91.12 40.44 48.08 126.48
2/16/2017 20,620 68.87 33.62 90.79 41.2 48.46 126.7
2/17/2017 20,624 69.37 33.62 91.09 41.23 49.19 127.8
2/21/2017 20,743 71.45 33.62 91.67 41.46 49.43 128.04
2/22/2017 20,776 71.71 33.59 91.44 41.6 49.67 127.85
2/23/2017 20,810 71.31 34.06 91.13 41.66 50.31 128.27
2/24/2017 20,822 72.39 34.26 91.05 41.78 50.6 128.65
2/27/2017 20,837 71.74 34.28 90.89 41.67 49.94 126.99
2/28/2017 20,812 70.93 34.12 91.07 41.96 49.63 127.65
3/1/2017 21,116 70.45 34.42 91.66 42.16 49.81 129.05
3/2/2017 21,003 70.76 34.51 90.91 42.47 49.98 128.23
3/3/2017 21,006 70.03 34.52 90.5 42.48 50.09 127.9
3/6/2017 20,954 69.88 34.35 90.37 42.18 50.03 128.03
3/7/2017 20,925 69.87 33.99 90.29 41.99 49.44 128.07
3/8/2017 20,856 69.8 33.91 90.14 41.99 49.16 128.09
MATRIZ DE RENTABILIDADES
IBM AAPL.O JNJ WMT PFE PG KO
140.15 101.87 -0.645% 0.221% -1.454% -0.048% 0.702%
139.07 101.03 0.214% -0.752% 1.286% -0.120% 1.100%
140.41 101.12 -0.031% -0.178% -0.506% -0.823% 0.933%
140.19 101.17 1.276% -0.357% 3.029% -0.646% -0.066%
142.36 102.26 0.092% 0.282% -1.320% -0.712% 0.199%
142.78 102.52 0.130% 1.078% -1.878% 0.172% -0.110%
142.96 104.58 0.429% -0.147% -1.707% 0.037% -0.421%
144.79 105.97 0.895% -0.797% 1.028% 1.719% 1.586%
147.04 105.8 0.689% -0.744% 0.374% 0.482% -0.372%
147.09 105.92 0.122% 1.512% 2.083% 0.204% 0.153%
148.63 105.91 -0.235% -0.147% 1.026% -0.699% -0.373%
148.1 106.72 -0.456% -0.606% -0.627% 0.097% -0.088%
145.4 106.13 0.075% 0.797% -0.365% 0.084% 0.264%
147.95 105.67 0.112% 0.176% -1.002% -0.326% 0.482%
148.4 105.19 0.556% -0.132% 0.903% 0.218% 1.474%
149.33 107.68 0.473% 1.125% 0.067% -0.145% 0.215%
148.41 109.56 -0.178% -0.452% -1.440% -0.449% -0.409%
151.45 108.99 0.607% 0.829% 1.341% 1.471% 0.944%
152.52 109.99 -0.314% 0.058% 2.238% -0.384% 0.128%
152.07 111.12 -0.757% -0.668% 2.062% -0.060% -0.771%
150 109.81 0.638% 0.581% 4.885% 0.779% 0.386%
150.02 110.96 -0.988% -1.195% -0.518% -0.682% -0.752%
148.25 108.54 0.199% -0.235% -0.797% -0.048% 1.094%
149.35 108.66 -0.117% -0.974% -1.895% -0.567% -0.922%
149.25 109.02 0.935% 2.056% 0.219% 0.121% 0.451%
149.63 110.44 1.050% 0.507% 1.798% -0.448% -1.316%
151.23 112.04 0.101% -0.507% 0.337% -0.547% -0.457%
151.16 112.1 -0.162% 0.377% -0.460% 0.353% 0.587%
151.72 109.85 0.594% 1.152% 0.338% 0.642% 0.260%
152.53 107.48 0.274% -0.129% 0.855% 0.542% 0.819%
144 106.91 0.236% -0.806% 1.028% -2.099% -4.904%
146.11 107.13 -0.631% -1.075% 0.030% -0.924% -1.613%
149.3 105.97 0.118% 0.364% 0.090% 0.185% 1.996%
148.5 105.68 -0.147% 1.085% -0.181% 0.567% 0.381%
148.81 105.08 0.073% -0.245% -0.483% -2.311% -0.403%
149.08 104.35 0.284% 0.173% -0.151% 0.426% 0.336%
150.47 97.82 -1.175% -0.737% -0.273% -0.163% -0.112%
147.07 94.83 -0.321% -3.005% -0.610% 0.450% 0.380%
145.94 93.74 0.659% 1.071% 0.275% 1.055% 0.401%
145.27 93.64 -0.787% -0.877% 2.707% 0.160% -0.312%
144.13 95.18 -0.563% 0.283% -0.894% 0.615% 0.312%
144.25 94.19 0.054% 0.030% 0.508% -0.368% 0.178%
146.47 93.24 0.452% 1.536% 0.030% 1.016% 0.575%
147.29 92.72 -0.196% 1.020% 0.712% -0.012% -0.177%
147.34 92.79 1.248% -0.232% -0.059% 0.437% 1.121%
149.97 93.42 -1.219% -3.521% -1.912% -0.401% -0.636%
148.95 92.51 0.053% 0.660% 0.090% 0.316% 0.811%
148.84 90.34 -1.051% -2.899% 0.000% -1.442% -1.053%
147.72 90.52 0.995% 1.649% 0.571% 0.491% 0.594%
149.46 93.88 -1.026% -1.403% -1.054% -1.245% -1.925%
148 93.49 -0.019% -3.041% 0.423% -0.960% -0.605%
147.34 94.56 -0.522% 9.149% 0.631% 0.425% -0.360%
144.93 94.2 0.375% 0.949% 1.073% -0.212% -0.838%
147.25 95.22 -0.046% -0.517% -0.208% 0.225% 0.045%
146.77 96.43 1.211% 1.059% 1.269% 0.956% 0.906%
148.31 97.9 0.818% 0.341% 0.730% 0.628% 0.023%
151.69 99.62 -0.130% 0.524% 0.233% -0.320% 0.696%
152.44 100.41 0.252% -0.141% 0.521% 0.258% 0.201%
152.84 100.35 -0.482% 0.042% 0.260% -0.480% -0.403%
153.74 99.86 0.014% -0.396% 0.144% 0.921% 0.224%
152.51 98.46 0.274% 0.636% 0.345% 0.195% 0.045%
153.5 97.72 -0.177% -0.113% -0.518% 0.633% 0.713%
152.89 97.92 0.634% 0.254% 0.689% 0.363% 0.730%
152.73 98.63 0.100% -0.028% -0.258% -0.545% -0.110%
153.33 99.03 0.372% 0.351% 1.170% 0.400% 0.506%
154 98.94 -0.110% -0.267% 0.170% 0.627% 0.460%
153.42 99.65 -0.669% 0.070% -0.057% 0.036% 0.501%
152.37 98.83 -0.746% -0.861% -1.571% -0.760% -1.910%
151.28 97.34 -0.326% 0.594% 0.717% 0.940% -0.177%
151.06 97.46 -0.196% 0.239% -0.573% -0.481% -0.067%
150.68 97.14 0.525% 0.253% -0.115% 0.553% 0.664%
151.06 97.55 -0.327% -0.492% -1.537% -0.336% -1.154%
151.99 95.33 0.731% 0.211% 0.815% -0.108% 0.423%
153.61 95.1 0.140% 0.505% 0.722% 0.445% 0.333%
154.05 95.91 -0.275% 0.405% -0.809% 0.192% -0.600%
152.92 95.55 1.287% 0.487% 0.348% 0.763% 0.489%
155.35 96.1 -3.447% -0.194% -1.809% -2.343% -2.584%
146.59 93.4 -1.508% -0.641% -0.502% -1.260% -0.342%
143.5 92.04 1.560% 0.014% 1.876% 1.503% 0.910%
145.7 93.59 1.624% 1.320% 1.642% 1.743% 0.587%
148.46 94.4 1.321% 0.770% 0.570% 0.902% 1.983%
151.78 95.6 0.108% -0.288% 1.017% 0.130% -0.464%
152.35 95.89 -0.608% 0.452% 0.672% 0.775% 0.685%
151.68 94.99 0.436% 0.925% 0.140% -0.481% -0.353%
152.37 95.53 -0.127% -0.394% -0.251% -0.235% -0.398%
152.6 95.94 1.392% 0.421% 0.974% 1.102% 0.641%
154.46 96.68 0.441% 0.297% 0.083% -0.023% 0.418%
155.33 96.98 0.660% -1.072% 0.249% 0.000% 0.022%
157.04 97.42 0.133% 0.477% 0.193% 0.163% 0.350%
158.02 96.87 0.728% 0.109% 1.666% -0.023% -0.109%
160.28 98.79 0.055% -0.041% -0.407% 0.163% -0.131%
159.78 98.78 0.089% 0.230% -0.354% -0.093% 0.000%
159.86 99.83 0.140% -0.244% 0.000% 0.279% 0.000%
159.58 99.87 0.194% 0.176% 0.109% -0.991% -0.263%
161.36 99.96 -0.419% -0.367% 0.082% -0.070% -0.132%
160.45 99.43 0.289% 0.041% 0.082% 0.538% 0.833%
162.07 98.66 -0.420% 0.272% 0.109% 0.093% -0.569%
162.65 97.34 -0.104% -0.027% 0.136% -0.620% -1.526%
162.12 96.67 -0.009% -0.558% 0.054% -0.954% -3.353%
161.83 102.95 -0.086% -0.109% -0.490% 0.414% 0.574%
161.37 104.34 -0.131% -0.369% 0.598% 0.915% -0.046%
160.62 104.21 -0.151% 1.104% 1.132% 0.953% -0.413%
161.45 106.05 -0.494% -0.885% -2.497% 0.404% 0.184%
160.58 104.48 0.225% -0.260% -3.069% -0.915% 0.252%
160.67 105.79 -0.016% 0.492% -0.398% 0.093% -0.298%
161.55 105.87 1.038% 0.626% 0.822% -0.314% -0.069%
163.5 107.48 -0.077% -0.571% -1.450% -0.023% -0.092%
162.04 108.37 0.020% 0.272% 0.429% 0.268% 0.069%
161.77 108.81 -0.202% 0.556% 0.142% 0.371% 0.322%
162.08 108 0.635% -0.203% 0.057% 0.485% 0.321%
163.53 107.93 -0.199% 0.122% -0.485% 0.357% 0.638%
161.95 108.18 0.320% -0.774% 0.371% -0.023% 0.476%
161.88 109.48 -0.452% -0.588% -0.916% -0.507% -0.931%
160.7 109.38 0.118% 0.055% 1.001% 0.438% 0.523%
160.44 109.22 0.128% 1.861% 0.142% 0.550% 0.091%
161.36 109.08 -0.243% -2.026% -0.599% -0.149% -0.409%
160.04 109.36 -0.125% -0.151% -0.401% -0.528% -0.411%
160 108.51 0.096% -1.009% 0.715% 0.631% 0.251%
160.26 108.85 -0.356% 0.361% -0.772% -0.103% 0.000%
159.05 108.03 -0.179% -1.408% -0.144% 0.673% -0.411%
158.63 107.57 -0.288% -0.112% 0.144% -0.365% -0.805%
158.32 106.94 0.583% 0.365% 0.829% 0.819% 0.507%
159.72 106.82 -0.263% -0.126% -0.657% -0.864% -0.691%
159.4 106 -0.290% 0.182% -0.230% -0.263% 0.438%
158.88 106.1 0.100% 1.941% -0.345% 1.139% -0.184%
159.54 106.73 0.394% -0.468% 0.259% -0.125% 0.713%
159.55 107.73 0.249% 0.687% 0.000% 0.498% 0.297%
160.35 107.7 -0.065% -1.296% 0.201% -0.781% -0.343%
161.64 108.36 -0.250% -0.320% -0.345% -0.193% -0.023%
159 105.52 -2.158% -2.153% -1.802% -1.770% -3.167%
155.69 103.13 1.316% 2.306% 1.600% 2.304% 2.153%
158.29 105.44 -1.420% -0.669% -1.776% -1.369% -2.129%
155.81 107.95 -0.177% 0.084% -0.294% -0.046% -0.403%
154.05 111.77 0.981% 1.223% 0.588% 1.200% 0.592%
155.66 115.57 -0.488% 0.647% -0.588% -0.011% -0.521%
153.84 114.92 -0.020% -1.076% -0.858% 0.363% -0.095%
154.87 113.58 0.054% -0.167% 0.474% 0.237% 0.568%
154.45 113.57 0.899% 0.305% 1.381% -0.884% 0.448%
155.53 113.55 0.538% 0.111% -0.380% 1.346% 1.006%
156.11 114.62 -0.715% 0.111% 0.322% -1.392% -0.513%
154.98 112.71 -0.917% -1.014% -1.826% 0.102% -1.628%
153.98 112.88 0.735% 0.986% 0.563% 0.579% 1.276%
156.77 113.09 0.607% -0.749% 0.472% 1.237% -1.038%
158.29 113.95 -1.073% -1.488% -1.991% -1.384% -0.285%
158.11 112.18 0.904% 1.946% 1.637% 1.708% 0.688%
158.85 113.05 -0.297% -0.153% -0.563% -1.222% -0.688%
157.61 112.52 -0.469% -0.362% 0.119% -0.350% -0.453%
156.46 113 0.618% -0.112% 0.532% 0.564% -0.072%
157.08 113.05 -0.069% -3.276% -0.740% 0.416% -0.239%
156.88 113.89 -0.153% -0.956% -0.268% 0.870% 0.048%
155.67 114.06 0.484% -1.054% 0.149% -1.050% 0.000%
157.02 116.05 -1.099% -0.872% -1.438% -0.586% -0.456%
154.79 116.3 0.086% 0.104% -0.181% 0.034% 0.576%
154.29 117.34 -0.250% 1.135% -0.942% -0.373% -0.048%
153.72 116.98 0.218% 0.322% -0.306% 0.215% -0.216%
154.45 117.63 -0.287% -0.337% -0.491% -0.681% -0.168%
154.77 117.55 0.417% 0.948% 0.583% -0.434% 0.885%
150.72 117.47 0.224% 0.029% -0.276% -2.208% 0.190%
151.26 117.12 -0.221% -0.233% -0.184% -0.716% -0.286%
151.52 117.06 -0.092% -0.569% -1.112% -0.709% 0.476%
149.63 116.6 0.425% 1.236% -0.155% -0.273% 1.015%
150.57 117.65 -0.295% 0.245% 0.466% 3.356% -0.047%
150.88 118.25 0.165% 0.331% 0.371% 0.493% -0.235%
151.81 115.59 -0.163% 0.344% 0.247% -0.943% -0.757%
153.35 114.48 -0.047% 0.229% -1.708% 0.300% 0.261%
152.61 113.72 -0.103% 0.043% -0.691% -0.046% 0.402%
153.69 113.54 -0.582% -1.034% -2.039% 0.058% -0.663%
152.79 111.49 -0.430% 0.216% -1.426% -0.127% -0.166%
151.95 111.59 -0.161% 0.259% -2.446% -0.162% -0.048%
152.37 109.83 -0.237% -0.677% 0.367% -1.771% -0.812%
152.43 108.84 2.055% 0.892% 1.259% 1.725% 1.830%
155.72 110.41 0.400% 0.014% -1.259% 1.034% 0.984%
155.17 111.06 1.392% 1.860% 6.828% -1.765% -1.433%
154.81 110.88 1.167% 0.407% 4.177% -3.517% -3.197%
160.22 107.79 0.211% -0.224% -2.724% 0.745% 0.220%
161.27 108.43 0.112% -1.044% -0.646% -0.696% 0.341%
158.21 105.71 0.288% 1.311% -0.464% 0.744% 0.654%
158.67 107.11 -0.291% -0.042% -0.841% -0.516% -0.435%
159.29 109.99 0.189% -3.130% -0.722% -0.144% -0.340%
159.8 109.95 -0.190% -0.944% -0.791% -1.296% -0.512%
160.39 110.06 0.469% 1.204% 0.285% 0.777% 1.094%
162.77 111.73 0.354% 1.075% -0.763% 0.145% 0.024%
162.67 111.8 0.311% 1.007% 0.287% -0.097% -0.606%
161.98 111.23 0.361% 0.563% 0.856% 0.939% 0.992%
163.14 111.79 -0.284% -0.056% -0.474% -0.468% 0.528%
164.52 111.57 0.124% 0.253% 1.198% -0.217% -1.448%
163.53 111.46 0.010% -1.326% 0.687% -0.520% -1.963%
162.22 110.52 0.357% 0.340% -2.138% -0.730% -0.447%
159.82 109.49 -0.112% 0.297% 0.539% 0.657% 0.472%
160.02 109.9 0.239% -1.335% -0.127% 0.713% 0.642%
159.84 109.11 0.185% 0.599% -0.095% -0.096% -0.123%
160.35 109.95 1.535% 0.341% -1.179% 1.520% 1.759%
164.79 111.03 0.333% -0.369% -0.805% -0.811% -0.754%
165.36 112.12 0.722% -0.370% 2.427% 1.037% 2.459%
166.52 113.95 0.200% 2.243% 2.184% 0.897% -0.238%
165.5 113.3 0.578% 0.181% 1.318% 0.059% -0.335%
168.29 115.19 -0.598% -0.643% -0.030% -0.955% -1.326%
168.51 115.19 0.301% -0.365% -0.214% 0.367% 0.822%
168.02 115.82 -0.044% -0.141% 0.274% 0.000% 0.456%
166.73 115.97 0.200% 0.842% -0.030% 0.035% -0.168%
166.68 116.64 0.459% 0.335% 0.061% -0.165% -0.024%
167.6 116.95 -0.164% -0.811% -1.379% -0.344% -0.216%
167.33 117.06 -0.116% -2.343% -0.185% 0.225% -0.048%
167.06 116.29 0.075% -0.072% 0.432% 0.578% 0.120%
166.71 116.52 0.056% 0.230% 0.154% -0.425% 0.024%
167.14 117.26 -0.560% -0.561% -0.555% -0.628% -0.530%
166.19 116.76 -0.070% -0.072% 0.432% 0.333% 0.506%
166.6 116.73 -0.289% -0.202% -0.031% -0.321% -0.337%
165.99 115.82 0.601% -0.668% 1.588% 0.143% 0.817%
167.19 116.15 0.303% 0.581% 0.875% 0.356% -0.359%
169.26 116.02 -0.215% 0.217% 0.957% 0.661% 0.240%
168.7 116.61 0.324% -1.382% -0.388% -0.035% -0.024%
169.53 117.91 -0.384% 0.657% -0.030% -0.744% -1.011%
167.65 118.99 -0.160% -0.701% -0.090% -1.084% -0.680%
165.52 119.11 0.496% 0.439% -1.841% 0.311% 0.024%
167.75 119.75 -0.318% -0.821% -0.703% 0.107% -0.244%
167.95 119.25 -0.026% -1.244% -0.246% 0.203% -0.171%
167.34 119.04 -0.297% 1.903% -1.425% 1.418% 0.828%
167.89 120 -0.111% -0.454% -0.094% -0.329% 0.170%
166.8 119.99 -0.366% -0.722% -1.036% -0.271% -0.364%
166.81 119.78 0.480% -0.653% 0.221% 3.195% 0.437%
170.55 120 -0.138% -0.792% -0.981% -0.562% 0.266%
171.03 120.08 0.568% 1.119% -0.990% 1.030% 1.128%
175.9 119.97 0.779% -0.760% 0.448% -0.800% 0.524%
178.29 121.88 0.161% -0.239% -0.032% -0.645% -0.739%
178.66 121.94 -0.035% -1.616% 0.447% 0.138% -0.865%
177.3 121.95 -0.612% 1.151% -0.351% 0.035% -0.169%
175.8 121.63 -0.537% 0.481% 1.333% 0.975% 0.458%
174.52 121.35 0.135% -0.767% -0.189% -0.309% -0.749%
174.29 128.75 -0.030% 0.707% 0.189% 0.491% 0.339%
174.58 128.53 0.934% -0.300% 1.128% -0.400% 0.338%
175.82 129.08 -0.095% -0.150% 0.435% -0.011% 0.048%
175.86 130.29 0.189% 0.735% -0.466% 0.696% 0.815%
178.46 131.53 -0.179% 1.366% 0.187% 0.363% 0.286%
176.17 132.04 0.587% 1.856% 0.744% 0.384% -1.849%
177.21 132.42 0.480% -1.546% -0.093% -0.793% -1.638%
178.68 132.12 0.702% -0.368% 0.800% 0.386% 0.099%
179.36 133.29 0.451% 1.305% 0.428% -0.511% -0.222%
180.13 135.02 0.523% 0.044% 2.294% 3.643% -0.222%
181.68 135.51 0.038% 0.262% 0.328% -0.363% 1.862%
181.43 135.345 0.021% 0.723% 0.000% 0.330% 0.073%
180.67 135.72 0.575% 2.954% 0.000% 0.635% 0.556%
180.26 136.7 0.157% 0.363% -0.089% -0.251% 0.337%
181.15 137.11 0.167% -0.559% 1.390% -0.340% 0.144%
181.65 136.53 0.055% 1.503% 0.585% -0.088% 0.288%
181.35 136.66 0.075% -0.902% 0.058% -0.176% -0.264%
179.4 136.93 -0.121% -1.135% -0.468% 0.198% 0.694%
179.82 136.99 1.447% -0.679% 0.875% 0.646% 0.476%
181.95 139.79 -0.535% 0.439% 0.261% -0.822% 0.733%
180.53 138.96 0.013% -1.037% 0.029% -0.452% 0.024%
180.05 139.78 -0.245% -0.214% -0.494% -0.144% -0.709%
180.47 139.34 -0.141% -0.014% -1.054% -0.089% -0.451%
180.38 139.52 -0.330% -0.100% -0.236% -0.166% 0.000%
179.45 139
VARIANZA 0.004%
COVARIANZA 0.003%
BETA 0.81
VARIANZA 0.002%
COVARIANZA 0.001%
BETA 0.53
VARIANZA 0.002%
COVARIANZA 0.002%
BETA 0.83
WMT
Cierre Ant
$ 139.00
Tiempo Analizado Correlacion Retorno Desviacion E. R^2
Ultimo Año 0.40 0.12284% 1.246514% 0.99
Ultimos 6 Meses 0.25 0.19158% 1.022728% 0.98
Ultimos 3 Meses 0.40 0.37814% 0.926623% 0.98
Ultimos 2 Meses 0.34 0.40135% 1.035052% 0.97
T.est-T.req Evaluación
5.32757% SUBVALUADA
ARIMA (Modelos Autorregresivos Integrados de Medias Móviles)
Estadísticas de la Regresión
R-Cuadrado (Coeficiente de Determinación) 0.9865 Criterio de Información Akaike (AIC) 3.3796
R-Cuadrado Ajustado 0.9864 Criterio Schwarz (SC) 3.4452
R-Múltiple (Coeficiente de Correlación Múltiple) 0.9933 Logaritmo de Probabilidad -427.52
Error Estándar Estimado (EEy*) 11.40 Estadístico Durbin-Watson (DW) 1.9813
Número de Observaciones 253 Número de Iteraciones 7
Los Modelos Autorregresivos Integrados de Medias Móviles o ARIMA(p,d,q) son la extensión del modelo AR que utiliza los tres componentes para modelar la correlación serial en
datos de series de tiempo. El primer componente es el término autorregresivo (AR). El modelo AR(p) utiliza un número p de regazos de la serie. Un modelo AR(p) tiene la forma:
y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t). El segundo componente es el termino del orden de integración (d) de la serie. Cada orden de integración corresponde al numero de veces que
la serie de tiempo debe se diferenciada para hacerse estacionaria. I(1) significa diferenciar los datos una vez. I(d) significa diferencia los datos d veces. El tercer componente es el
término (MA) media móvil. El modelo MA(q) utiliza q rezagos de los errores del pronóstico para mejorar este proceso. Un modelo MA(q) tiene la forma: y(t)=e(t)+b(1)*e(t-1)+...
+b(q)*e(t-q). Finalmente, un modelo ARMA(p,q) tiene la forma combinada: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t)+b(1)*e(t-1)+...+b(q)*e(t-q).
El R-Cuadrado, o el Coeficiente de Determinación, indica el porcentaje de variación en la variable dependiente que puede explicarse y contarse por las variables independientes en
este análisis de regresión. Sin embargo, en una regresión múltiple, el R-Cuadrado Ajustado toma en cuenta la existencia de variables independientes adicionales o regresores y
ajusta el valor de esta R-Cuadrado para una perspectiva más exacta del poder explicativo de la regresión. Sin embargo, bajo algunas circunstancias de modelación ARIMA (por
ejemplo, modelos con no convergencia), el R-Cuadrado tiende a ser no confiable.
El Coeficiente de Correlación Múltiple (R-Múltiple) mide la correlación entre la verdadera variable dependiente (Y) y el estimado o ajuste (Y*) basado en la ecuación de regresión.
Esta correlación también es la raíz cuadrada del Coeficiente de Determinación (R-Cuadrado).
El Error Estándar Estimado (Sey*) describe la dispersión del conjunto de datos por encima y por debajo de la línea de regresión o plano. Este valor es utilizado como parte del
cálculo para obtener el intervalo de confianza de las estimaciones posteriores.
Los criterios de información AIC (Akaike) y SC (Schwarz) son utilizados generalmente en la selección del modelo de regresión. SC impone una gran penalidad por coeficientes
adicionales. Generalmente el usuario debe seleccionar un modelo con el valor más bajo de los criterios AIC y SC.
El estadístico Durbin-Watson mide la correlación serial en los residuales. Por lo general, DW menores a 2 implican una correlación serial positiva.
Resultados de la Regresión
Los coeficientes proporcionan el intercepto y la pendiente de la regresión estimada. Por ejemplo, los coeficientes son estimaciones de los posibles valores poblacionales b
representados en la siguiente ecuación de regresión Y = b0 + b1X1 + b2X2 + ... + bnXn. El Error Estándar mide que tan exactos son los pronósticos de los coeficientes, y el
estadístico t es la razón entre el valor correspondiente al coeficiente estimado y su respectivo Error Estándar.
El estadístico t se utiliza en la prueba de hipótesis, donde se establece la hipótesis nula (Ho) de manera que el coeficiente sea cero, y la hipótesis alternativa (Ha) diferente de
cero, de manera que el verdadero valor del coeficiente no sea igual a cero. Una prueba t se lleva a cabo cuando el estadístico t se compara con los valores críticos de los Grados
de Libertad Residual. La prueba t es muy importante ya que calcula si cada uno de los coeficientes es estadísticamente significativo en presencia de otros regresores. Esto
significa que la prueba t comprueba estadísticamente cuando un regresor o una variable independiente debe continuar en la regresión o de lo contrario, debe descartarse.
El coeficiente es estadísticamente significativo si su estadístico t excede el estadístico crítico en los grados de libertad relevantes (df). Los tres principales niveles de confianza
utilizados para medir la significancia son 90%, 95% y 99%. Si un estadístico t del coeficiente excede el nivel crítico, se le considera estadísticamente significativo. Alternativamente,
el P - Value calcula cada probabilidad de ocurrencia del estadístico t, lo que significa que entre más pequeño sea el P - Value, más significativo será el coeficiente. Los niveles
usuales de significancia para el P - Value son 0.01, 0.05, y 0.10, que corresponden a 99%, 95%, y 90% de los niveles de confianza respectivamente.
Los coeficientes con sus P - Value resaltados en azul indican que son estadísticamente significativos al 90% de confianza o 0.10 en nivel alfa, mientras que aquellos resaltados en
rojo indican que no son estadísticamente significativos en cualquier otro nivel alfa.
Análisis de Varianza
Suma del
Suma de Estadístico
Promedio de Valor P
Cuadrados F
Cuadrados Prueba de Hipótesis
Regresión 32330.48 16165.24 9168.63 0.0000 Estadístico F Crítico (99% confianza con diferencia de 2 y 25 4.6911
Residual 440.78 1.76 Estadístico F Crítico (95% confianza con diferencia de 2 y 25 3.0319
Total 32771.25 Estadístico F Crítico (90% confianza con diferencia de 2 y 25 2.3239
El cuadro de Análisis de Varianza (ANOVA) proporciona una prueba con el estadístico F, apoyado en los resúmenes generales de las estadísticas significativas de los modelos. En
lugar de buscar regresores individuales como en la prueba t, la prueba F busca en todas las propiedades estadísticas de los coeficientes. El estadístico F se calcula como la razón
de la suma ponderada de cuadrados de la suma explicada de la regresión sobre la suma ponderada de cuadrados de la suma de residuales cuadrados. El numerador mide que
tanto de la regresión se explica, mientras que el denominador mide que tanto no se explica. Por lo tanto, mientras más grande sea el estadístico F, más significativo será el
modelo. El P - Value correspondiente es calculado para comprobar la hipótesis nula (Ho) en donde todos los coeficientes son simultáneamente iguales a cero, contra la hipótesis
alternativa (Ha), en la cual todos son simultáneamente diferentes a cero, indicando un modelo de regresión estadísticamente significativo. Si el P - Value es más pequeño que los
niveles de significancia alfa, es decir, 0.01, 0.05, o 0.10, entonces la regresión es significativa. La misma aproximación puede aplicarse comparando el estadístico F con los valores
críticos de F en varios niveles de significancia.
Autocorrelación
Si la autocorrelación total AC(1) es diferente a cero, significa que la serie de tiempo esta ordenada serialmente y esta correlacionada. Si AC(k) decrece geométricamente o
exponencialmente con un incremento en los rezagos, implica que la serie sigue un proceso autorregresivo de orden bajo. De la misma manera si AC(k) disminuye hasta cero
después de un pequeño número de rezagos, implica que la serie sigue un proceso de orden bajo. La autocorrelación parcial PAC(k) mide la correlación entre observaciones (para
series de tiempo) que están separadas k periodos, manteniendo constantes las correlaciones entre los rezagos intermedios menores que k. Si el patrón de autocorrelación total
puede ser capturado por una autorregresion u orden menor que k, entonces la autocorrelación parcial PAC en el rezago será muy cercana a cero. El estadístico Ljung-Box Q
analiza utiliza los valores P - Value para identificar si los coeficientes de correlación superiores al primer rezago son iguales a cero (la hipótesis nula) contra la hipótesis de que no
todos los rezago son cero. Cuando los P-Value son muy pequeños (P < 0.001) se puede rechazar la hipótesis nula inicial, es decir, existen valores de los coeficientes de
autocorrelación que son significativamente diferentes de cero. Las líneas punteadas en las gráficas de las autocorrelaciones son los dos errores estándar aproximados a los
límites. Si la autocorrelación está dentro de estos límites, no es significativamente diferente a cero en (aproximadamente) el 5% del nivel de significancia.
Pronóstico
Estadísticas de la Regresión
R-Cuadrado (Coeficiente de Determinación) 0.9836 Criterio de Información Akaike (AIC) 3.1915
R-Cuadrado Ajustado 0.9833 Criterio Schwarz (SC) 3.3265
R-Múltiple (Coeficiente de Correlación Múltiple) 0.9918 Logaritmo de Probabilidad -164.36
Error Estándar Estimado (EEy*) 9.51 Estadístico Durbin-Watson (DW) 1.9759
Número de Observaciones 103 Número de Iteraciones 7
Los Modelos Autorregresivos Integrados de Medias Móviles o ARIMA(p,d,q) son la extensión del modelo AR que utiliza los tres componentes para modelar la correlación serial en
datos de series de tiempo. El primer componente es el término autorregresivo (AR). El modelo AR(p) utiliza un número p de regazos de la serie. Un modelo AR(p) tiene la forma:
y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t). El segundo componente es el termino del orden de integración (d) de la serie. Cada orden de integración corresponde al numero de veces que
la serie de tiempo debe se diferenciada para hacerse estacionaria. I(1) significa diferenciar los datos una vez. I(d) significa diferencia los datos d veces. El tercer componente es el
término (MA) media móvil. El modelo MA(q) utiliza q rezagos de los errores del pronóstico para mejorar este proceso. Un modelo MA(q) tiene la forma: y(t)=e(t)+b(1)*e(t-1)+...
+b(q)*e(t-q). Finalmente, un modelo ARMA(p,q) tiene la forma combinada: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t)+b(1)*e(t-1)+...+b(q)*e(t-q).
El R-Cuadrado, o el Coeficiente de Determinación, indica el porcentaje de variación en la variable dependiente que puede explicarse y contarse por las variables independientes en
este análisis de regresión. Sin embargo, en una regresión múltiple, el R-Cuadrado Ajustado toma en cuenta la existencia de variables independientes adicionales o regresores y
ajusta el valor de esta R-Cuadrado para una perspectiva más exacta del poder explicativo de la regresión. Sin embargo, bajo algunas circunstancias de modelación ARIMA (por
ejemplo, modelos con no convergencia), el R-Cuadrado tiende a ser no confiable.
El Coeficiente de Correlación Múltiple (R-Múltiple) mide la correlación entre la verdadera variable dependiente (Y) y el estimado o ajuste (Y*) basado en la ecuación de regresión.
Esta correlación también es la raíz cuadrada del Coeficiente de Determinación (R-Cuadrado).
El Error Estándar Estimado (Sey*) describe la dispersión del conjunto de datos por encima y por debajo de la línea de regresión o plano. Este valor es utilizado como parte del
cálculo para obtener el intervalo de confianza de las estimaciones posteriores.
Los criterios de información AIC (Akaike) y SC (Schwarz) son utilizados generalmente en la selección del modelo de regresión. SC impone una gran penalidad por coeficientes
adicionales. Generalmente el usuario debe seleccionar un modelo con el valor más bajo de los criterios AIC y SC.
El estadístico Durbin-Watson mide la correlación serial en los residuales. Por lo general, DW menores a 2 implican una correlación serial positiva.
Resultados de la Regresión
Los coeficientes proporcionan el intercepto y la pendiente de la regresión estimada. Por ejemplo, los coeficientes son estimaciones de los posibles valores poblacionales b
representados en la siguiente ecuación de regresión Y = b0 + b1X1 + b2X2 + ... + bnXn. El Error Estándar mide que tan exactos son los pronósticos de los coeficientes, y el
estadístico t es la razón entre el valor correspondiente al coeficiente estimado y su respectivo Error Estándar.
El estadístico t se utiliza en la prueba de hipótesis, donde se establece la hipótesis nula (Ho) de manera que el coeficiente sea cero, y la hipótesis alternativa (Ha) diferente de
cero, de manera que el verdadero valor del coeficiente no sea igual a cero. Una prueba t se lleva a cabo cuando el estadístico t se compara con los valores críticos de los Grados
de Libertad Residual. La prueba t es muy importante ya que calcula si cada uno de los coeficientes es estadísticamente significativo en presencia de otros regresores. Esto
significa que la prueba t comprueba estadísticamente cuando un regresor o una variable independiente debe continuar en la regresión o de lo contrario, debe descartarse.
El coeficiente es estadísticamente significativo si su estadístico t excede el estadístico crítico en los grados de libertad relevantes (df). Los tres principales niveles de confianza
utilizados para medir la significancia son 90%, 95% y 99%. Si un estadístico t del coeficiente excede el nivel crítico, se le considera estadísticamente significativo. Alternativamente,
el P - Value calcula cada probabilidad de ocurrencia del estadístico t, lo que significa que entre más pequeño sea el P - Value, más significativo será el coeficiente. Los niveles
usuales de significancia para el P - Value son 0.01, 0.05, y 0.10, que corresponden a 99%, 95%, y 90% de los niveles de confianza respectivamente.
Los coeficientes con sus P - Value resaltados en azul indican que son estadísticamente significativos al 90% de confianza o 0.10 en nivel alfa, mientras que aquellos resaltados en
rojo indican que no son estadísticamente significativos en cualquier otro nivel alfa.
Análisis de Varianza
Suma del
Suma de Estadístico
Promedio de Valor P
Cuadrados F
Cuadrados Prueba de Hipótesis
Regresión 9072.87 4536.43 2997.13 0.0000 Estadístico F Crítico (99% confianza con diferencia de 2 y 10 4.8239
Residual 151.36 1.51 Estadístico F Crítico (95% confianza con diferencia de 2 y 10 3.0873
Total 9224.23 Estadístico F Crítico (90% confianza con diferencia de 2 y 10 2.3564
El cuadro de Análisis de Varianza (ANOVA) proporciona una prueba con el estadístico F, apoyado en los resúmenes generales de las estadísticas significativas de los modelos. En
lugar de buscar regresores individuales como en la prueba t, la prueba F busca en todas las propiedades estadísticas de los coeficientes. El estadístico F se calcula como la razón
de la suma ponderada de cuadrados de la suma explicada de la regresión sobre la suma ponderada de cuadrados de la suma de residuales cuadrados. El numerador mide que
tanto de la regresión se explica, mientras que el denominador mide que tanto no se explica. Por lo tanto, mientras más grande sea el estadístico F, más significativo será el
modelo. El P - Value correspondiente es calculado para comprobar la hipótesis nula (Ho) en donde todos los coeficientes son simultáneamente iguales a cero, contra la hipótesis
alternativa (Ha), en la cual todos son simultáneamente diferentes a cero, indicando un modelo de regresión estadísticamente significativo. Si el P - Value es más pequeño que los
niveles de significancia alfa, es decir, 0.01, 0.05, o 0.10, entonces la regresión es significativa. La misma aproximación puede aplicarse comparando el estadístico F con los valores
críticos de F en varios niveles de significancia.
Autocorrelación
Si la autocorrelación total AC(1) es diferente a cero, significa que la serie de tiempo esta ordenada serialmente y esta correlacionada. Si AC(k) decrece geométricamente o
exponencialmente con un incremento en los rezagos, implica que la serie sigue un proceso autorregresivo de orden bajo. De la misma manera si AC(k) disminuye hasta cero
después de un pequeño número de rezagos, implica que la serie sigue un proceso de orden bajo. La autocorrelación parcial PAC(k) mide la correlación entre observaciones (para
series de tiempo) que están separadas k periodos, manteniendo constantes las correlaciones entre los rezagos intermedios menores que k. Si el patrón de autocorrelación total
puede ser capturado por una autorregresion u orden menor que k, entonces la autocorrelación parcial PAC en el rezago será muy cercana a cero. El estadístico Ljung-Box Q
analiza utiliza los valores P - Value para identificar si los coeficientes de correlación superiores al primer rezago son iguales a cero (la hipótesis nula) contra la hipótesis de que no
todos los rezago son cero. Cuando los P-Value son muy pequeños (P < 0.001) se puede rechazar la hipótesis nula inicial, es decir, existen valores de los coeficientes de
autocorrelación que son significativamente diferentes de cero. Las líneas punteadas en las gráficas de las autocorrelaciones son los dos errores estándar aproximados a los
límites. Si la autocorrelación está dentro de estos límites, no es significativamente diferente a cero en (aproximadamente) el 5% del nivel de significancia.
Pronóstico
Estadísticas de la Regresión
R-Cuadrado (Coeficiente de Determinación) 0.9837 Criterio de Información Akaike (AIC) 3.0608
R-Cuadrado Ajustado 0.9831 Criterio Schwarz (SC) 3.2630
R-Múltiple (Coeficiente de Correlación Múltiple) 0.9918 Logaritmo de Probabilidad -93.36
Error Estándar Estimado (EEy*) 9.05 Estadístico Durbin-Watson (DW) 1.9818
Número de Observaciones 61 Número de Iteraciones 6
Los Modelos Autorregresivos Integrados de Medias Móviles o ARIMA(p,d,q) son la extensión del modelo AR que utiliza los tres componentes para modelar la correlación serial en
datos de series de tiempo. El primer componente es el término autorregresivo (AR). El modelo AR(p) utiliza un número p de regazos de la serie. Un modelo AR(p) tiene la forma:
y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t). El segundo componente es el termino del orden de integración (d) de la serie. Cada orden de integración corresponde al numero de veces que
la serie de tiempo debe se diferenciada para hacerse estacionaria. I(1) significa diferenciar los datos una vez. I(d) significa diferencia los datos d veces. El tercer componente es el
término (MA) media móvil. El modelo MA(q) utiliza q rezagos de los errores del pronóstico para mejorar este proceso. Un modelo MA(q) tiene la forma: y(t)=e(t)+b(1)*e(t-1)+...
+b(q)*e(t-q). Finalmente, un modelo ARMA(p,q) tiene la forma combinada: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t)+b(1)*e(t-1)+...+b(q)*e(t-q).
El R-Cuadrado, o el Coeficiente de Determinación, indica el porcentaje de variación en la variable dependiente que puede explicarse y contarse por las variables independientes en
este análisis de regresión. Sin embargo, en una regresión múltiple, el R-Cuadrado Ajustado toma en cuenta la existencia de variables independientes adicionales o regresores y
ajusta el valor de esta R-Cuadrado para una perspectiva más exacta del poder explicativo de la regresión. Sin embargo, bajo algunas circunstancias de modelación ARIMA (por
ejemplo, modelos con no convergencia), el R-Cuadrado tiende a ser no confiable.
El Coeficiente de Correlación Múltiple (R-Múltiple) mide la correlación entre la verdadera variable dependiente (Y) y el estimado o ajuste (Y*) basado en la ecuación de regresión.
Esta correlación también es la raíz cuadrada del Coeficiente de Determinación (R-Cuadrado).
El Error Estándar Estimado (Sey*) describe la dispersión del conjunto de datos por encima y por debajo de la línea de regresión o plano. Este valor es utilizado como parte del
cálculo para obtener el intervalo de confianza de las estimaciones posteriores.
Los criterios de información AIC (Akaike) y SC (Schwarz) son utilizados generalmente en la selección del modelo de regresión. SC impone una gran penalidad por coeficientes
adicionales. Generalmente el usuario debe seleccionar un modelo con el valor más bajo de los criterios AIC y SC.
El estadístico Durbin-Watson mide la correlación serial en los residuales. Por lo general, DW menores a 2 implican una correlación serial positiva.
Resultados de la Regresión
Los coeficientes proporcionan el intercepto y la pendiente de la regresión estimada. Por ejemplo, los coeficientes son estimaciones de los posibles valores poblacionales b
representados en la siguiente ecuación de regresión Y = b0 + b1X1 + b2X2 + ... + bnXn. El Error Estándar mide que tan exactos son los pronósticos de los coeficientes, y el
estadístico t es la razón entre el valor correspondiente al coeficiente estimado y su respectivo Error Estándar.
El estadístico t se utiliza en la prueba de hipótesis, donde se establece la hipótesis nula (Ho) de manera que el coeficiente sea cero, y la hipótesis alternativa (Ha) diferente de
cero, de manera que el verdadero valor del coeficiente no sea igual a cero. Una prueba t se lleva a cabo cuando el estadístico t se compara con los valores críticos de los Grados
de Libertad Residual. La prueba t es muy importante ya que calcula si cada uno de los coeficientes es estadísticamente significativo en presencia de otros regresores. Esto
significa que la prueba t comprueba estadísticamente cuando un regresor o una variable independiente debe continuar en la regresión o de lo contrario, debe descartarse.
El coeficiente es estadísticamente significativo si su estadístico t excede el estadístico crítico en los grados de libertad relevantes (df). Los tres principales niveles de confianza
utilizados para medir la significancia son 90%, 95% y 99%. Si un estadístico t del coeficiente excede el nivel crítico, se le considera estadísticamente significativo. Alternativamente,
el P - Value calcula cada probabilidad de ocurrencia del estadístico t, lo que significa que entre más pequeño sea el P - Value, más significativo será el coeficiente. Los niveles
usuales de significancia para el P - Value son 0.01, 0.05, y 0.10, que corresponden a 99%, 95%, y 90% de los niveles de confianza respectivamente.
Los coeficientes con sus P - Value resaltados en azul indican que son estadísticamente significativos al 90% de confianza o 0.10 en nivel alfa, mientras que aquellos resaltados en
rojo indican que no son estadísticamente significativos en cualquier otro nivel alfa.
Análisis de Varianza
Suma del
Suma de Estadístico
Promedio de Valor P
Cuadrados F
Cuadrados Prueba de Hipótesis
Regresión 4833.72 2416.86 1747.29 0.0000 Estadístico F Crítico (99% confianza con diferencia de 2 y 58) 4.9910
Residual 80.23 1.38 Estadístico F Crítico (95% confianza con diferencia de 2 y 58) 3.1559
Total 4913.94 Estadístico F Crítico (90% confianza con diferencia de 2 y 58) 2.3965
El cuadro de Análisis de Varianza (ANOVA) proporciona una prueba con el estadístico F, apoyado en los resúmenes generales de las estadísticas significativas de los modelos. En
lugar de buscar regresores individuales como en la prueba t, la prueba F busca en todas las propiedades estadísticas de los coeficientes. El estadístico F se calcula como la razón
de la suma ponderada de cuadrados de la suma explicada de la regresión sobre la suma ponderada de cuadrados de la suma de residuales cuadrados. El numerador mide que
tanto de la regresión se explica, mientras que el denominador mide que tanto no se explica. Por lo tanto, mientras más grande sea el estadístico F, más significativo será el
modelo. El P - Value correspondiente es calculado para comprobar la hipótesis nula (Ho) en donde todos los coeficientes son simultáneamente iguales a cero, contra la hipótesis
alternativa (Ha), en la cual todos son simultáneamente diferentes a cero, indicando un modelo de regresión estadísticamente significativo. Si el P - Value es más pequeño que los
niveles de significancia alfa, es decir, 0.01, 0.05, o 0.10, entonces la regresión es significativa. La misma aproximación puede aplicarse comparando el estadístico F con los valores
críticos de F en varios niveles de significancia.
Autocorrelación
Si la autocorrelación total AC(1) es diferente a cero, significa que la serie de tiempo esta ordenada serialmente y esta correlacionada. Si AC(k) decrece geométricamente o
exponencialmente con un incremento en los rezagos, implica que la serie sigue un proceso autorregresivo de orden bajo. De la misma manera si AC(k) disminuye hasta cero
después de un pequeño número de rezagos, implica que la serie sigue un proceso de orden bajo. La autocorrelación parcial PAC(k) mide la correlación entre observaciones (para
series de tiempo) que están separadas k periodos, manteniendo constantes las correlaciones entre los rezagos intermedios menores que k. Si el patrón de autocorrelación total
puede ser capturado por una autorregresion u orden menor que k, entonces la autocorrelación parcial PAC en el rezago será muy cercana a cero. El estadístico Ljung-Box Q
analiza utiliza los valores P - Value para identificar si los coeficientes de correlación superiores al primer rezago son iguales a cero (la hipótesis nula) contra la hipótesis de que no
todos los rezago son cero. Cuando los P-Value son muy pequeños (P < 0.001) se puede rechazar la hipótesis nula inicial, es decir, existen valores de los coeficientes de
autocorrelación que son significativamente diferentes de cero. Las líneas punteadas en las gráficas de las autocorrelaciones son los dos errores estándar aproximados a los
límites. Si la autocorrelación está dentro de estos límites, no es significativamente diferente a cero en (aproximadamente) el 5% del nivel de significancia.
Pronóstico
Estadísticas de la Regresión
R-Cuadrado (Coeficiente de Determinación) 0.9715 Criterio de Información Akaike (AIC) 3.3552
R-Cuadrado Ajustado 0.9700 Criterio Schwarz (SC) 3.6319
R-Múltiple (Coeficiente de Correlación Múltiple) 0.9857 Logaritmo de Probabilidad -67.10
Error Estándar Estimado (EEy*) 7.77 Estadístico Durbin-Watson (DW) 1.9571
Número de Observaciones 40 Número de Iteraciones 7
Los Modelos Autorregresivos Integrados de Medias Móviles o ARIMA(p,d,q) son la extensión del modelo AR que utiliza los tres componentes para modelar la correlación serial en
datos de series de tiempo. El primer componente es el término autorregresivo (AR). El modelo AR(p) utiliza un número p de regazos de la serie. Un modelo AR(p) tiene la forma:
y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t). El segundo componente es el termino del orden de integración (d) de la serie. Cada orden de integración corresponde al numero de veces que
la serie de tiempo debe se diferenciada para hacerse estacionaria. I(1) significa diferenciar los datos una vez. I(d) significa diferencia los datos d veces. El tercer componente es el
término (MA) media móvil. El modelo MA(q) utiliza q rezagos de los errores del pronóstico para mejorar este proceso. Un modelo MA(q) tiene la forma: y(t)=e(t)+b(1)*e(t-1)+...
+b(q)*e(t-q). Finalmente, un modelo ARMA(p,q) tiene la forma combinada: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t)+b(1)*e(t-1)+...+b(q)*e(t-q).
El R-Cuadrado, o el Coeficiente de Determinación, indica el porcentaje de variación en la variable dependiente que puede explicarse y contarse por las variables independientes en
este análisis de regresión. Sin embargo, en una regresión múltiple, el R-Cuadrado Ajustado toma en cuenta la existencia de variables independientes adicionales o regresores y
ajusta el valor de esta R-Cuadrado para una perspectiva más exacta del poder explicativo de la regresión. Sin embargo, bajo algunas circunstancias de modelación ARIMA (por
ejemplo, modelos con no convergencia), el R-Cuadrado tiende a ser no confiable.
El Coeficiente de Correlación Múltiple (R-Múltiple) mide la correlación entre la verdadera variable dependiente (Y) y el estimado o ajuste (Y*) basado en la ecuación de regresión.
Esta correlación también es la raíz cuadrada del Coeficiente de Determinación (R-Cuadrado).
El Error Estándar Estimado (Sey*) describe la dispersión del conjunto de datos por encima y por debajo de la línea de regresión o plano. Este valor es utilizado como parte del
cálculo para obtener el intervalo de confianza de las estimaciones posteriores.
Los criterios de información AIC (Akaike) y SC (Schwarz) son utilizados generalmente en la selección del modelo de regresión. SC impone una gran penalidad por coeficientes
adicionales. Generalmente el usuario debe seleccionar un modelo con el valor más bajo de los criterios AIC y SC.
El estadístico Durbin-Watson mide la correlación serial en los residuales. Por lo general, DW menores a 2 implican una correlación serial positiva.
Resultados de la Regresión
Los coeficientes proporcionan el intercepto y la pendiente de la regresión estimada. Por ejemplo, los coeficientes son estimaciones de los posibles valores poblacionales b
representados en la siguiente ecuación de regresión Y = b0 + b1X1 + b2X2 + ... + bnXn. El Error Estándar mide que tan exactos son los pronósticos de los coeficientes, y el
estadístico t es la razón entre el valor correspondiente al coeficiente estimado y su respectivo Error Estándar.
El estadístico t se utiliza en la prueba de hipótesis, donde se establece la hipótesis nula (Ho) de manera que el coeficiente sea cero, y la hipótesis alternativa (Ha) diferente de
cero, de manera que el verdadero valor del coeficiente no sea igual a cero. Una prueba t se lleva a cabo cuando el estadístico t se compara con los valores críticos de los Grados
de Libertad Residual. La prueba t es muy importante ya que calcula si cada uno de los coeficientes es estadísticamente significativo en presencia de otros regresores. Esto
significa que la prueba t comprueba estadísticamente cuando un regresor o una variable independiente debe continuar en la regresión o de lo contrario, debe descartarse.
El coeficiente es estadísticamente significativo si su estadístico t excede el estadístico crítico en los grados de libertad relevantes (df). Los tres principales niveles de confianza
utilizados para medir la significancia son 90%, 95% y 99%. Si un estadístico t del coeficiente excede el nivel crítico, se le considera estadísticamente significativo. Alternativamente,
el P - Value calcula cada probabilidad de ocurrencia del estadístico t, lo que significa que entre más pequeño sea el P - Value, más significativo será el coeficiente. Los niveles
usuales de significancia para el P - Value son 0.01, 0.05, y 0.10, que corresponden a 99%, 95%, y 90% de los niveles de confianza respectivamente.
Los coeficientes con sus P - Value resaltados en azul indican que son estadísticamente significativos al 90% de confianza o 0.10 en nivel alfa, mientras que aquellos resaltados en
rojo indican que no son estadísticamente significativos en cualquier otro nivel alfa.
Análisis de Varianza
Suma del
Suma de Estadístico
Promedio de Valor P
Cuadrados F
Cuadrados Prueba de Hipótesis
Regresión 2288.11 1144.06 630.83 0.0000 Estadístico F Crítico (99% confianza con diferencia de 2 y 37) 5.2290
Residual 67.1 1.81 Estadístico F Crítico (95% confianza con diferencia de 2 y 37) 3.2519
Total 2355.21 Estadístico F Crítico (90% confianza con diferencia de 2 y 37) 2.4520
El cuadro de Análisis de Varianza (ANOVA) proporciona una prueba con el estadístico F, apoyado en los resúmenes generales de las estadísticas significativas de los modelos. En
lugar de buscar regresores individuales como en la prueba t, la prueba F busca en todas las propiedades estadísticas de los coeficientes. El estadístico F se calcula como la razón
de la suma ponderada de cuadrados de la suma explicada de la regresión sobre la suma ponderada de cuadrados de la suma de residuales cuadrados. El numerador mide que
tanto de la regresión se explica, mientras que el denominador mide que tanto no se explica. Por lo tanto, mientras más grande sea el estadístico F, más significativo será el
modelo. El P - Value correspondiente es calculado para comprobar la hipótesis nula (Ho) en donde todos los coeficientes son simultáneamente iguales a cero, contra la hipótesis
alternativa (Ha), en la cual todos son simultáneamente diferentes a cero, indicando un modelo de regresión estadísticamente significativo. Si el P - Value es más pequeño que los
niveles de significancia alfa, es decir, 0.01, 0.05, o 0.10, entonces la regresión es significativa. La misma aproximación puede aplicarse comparando el estadístico F con los valores
críticos de F en varios niveles de significancia.
Autocorrelación
Si la autocorrelación total AC(1) es diferente a cero, significa que la serie de tiempo esta ordenada serialmente y esta correlacionada. Si AC(k) decrece geométricamente o
exponencialmente con un incremento en los rezagos, implica que la serie sigue un proceso autorregresivo de orden bajo. De la misma manera si AC(k) disminuye hasta cero
después de un pequeño número de rezagos, implica que la serie sigue un proceso de orden bajo. La autocorrelación parcial PAC(k) mide la correlación entre observaciones (para
series de tiempo) que están separadas k periodos, manteniendo constantes las correlaciones entre los rezagos intermedios menores que k. Si el patrón de autocorrelación total
puede ser capturado por una autorregresion u orden menor que k, entonces la autocorrelación parcial PAC en el rezago será muy cercana a cero. El estadístico Ljung-Box Q
analiza utiliza los valores P - Value para identificar si los coeficientes de correlación superiores al primer rezago son iguales a cero (la hipótesis nula) contra la hipótesis de que no
todos los rezago son cero. Cuando los P-Value son muy pequeños (P < 0.001) se puede rechazar la hipótesis nula inicial, es decir, existen valores de los coeficientes de
autocorrelación que son significativamente diferentes de cero. Las líneas punteadas en las gráficas de las autocorrelaciones son los dos errores estándar aproximados a los
límites. Si la autocorrelación está dentro de estos límites, no es significativamente diferente a cero en (aproximadamente) el 5% del nivel de significancia.
Pronóstico