Professional Documents
Culture Documents
Resumen
La provincia de Tucumán no dispone de datos del Producto Geográfico Bruto desde 1993,
aún más, las estadísticas económicas disponibles sólo cubren parcialmente algunos
sectores. Aplicamos la experiencia recogida desde 1994, en el monitoreo del ciclo
económico nacional con los Índices Compuestos Coincidente (ICCO) y Líder (ICLD), para
construir el Índice Mensual de Actividad Económica de Tucumán (IMAT). Así damos
respuesta a la necesidad de datos mensuales del nivel de actividad económica en Tucumán.
La metodología usada permite que el IMAT sea comparable con los indicadores nacionales
mencionados. Se propone una manera novedosa de usar la información del X-12-ARIMA
para corregir por componentes irregulares, las series que componen el IMAT. Se analizan
en la última sección los resultados obtenidos para Tucumán.
Abstract
The province of Tucumán does not have aggregate economic data as the GGP, since 1993,
even more; economic series cover partially few sector activities. We apply the expertise
developed since 1994 in the national business cycles indicators to build a Monthly Index of
Economic Activity of Tucumán (IMAT). We use a methodology that allows comparing the
national and regional indicators. We propose to use of the X-12-ARIMA information on
irregular component to correct all the series for its influence, before generating the composite
index. We discuss the results developed for Tucumán, in the last section.
1
Indicador Económico Regional: El Índice Mensual de Actividad
Económica de Tucumán (IMAT)
Por Juan Mario Jorrat
Universidad Nacional de Tucumán
E-mail: jjorrat@herrera.unt.edu.ar
1 Introducción
2
Luego del ajuste estacional, la variación mensual del índice compuesto se calcula
como el promedio de las tasas de cambio mensuales estandarizadas de las series que
componen el índice.
El proceso de construcción del índice compuesto se explicita mejor como un proceso
por etapas. Pasamos a considerar con mayor detalle cada una de ellas.
2.1 Ajuste por estacionalidad de las series componentes del índice compuesto
Para el ajuste estacional de las series se seleccionó el programa X-12-ARIMA del Census
Bureau de EE. UU.1. Para esta elección se tuvo en cuenta su disponibilidad, sus
actualizaciones periódicas, su relativamente fácil utilización, la abundante bibliografía y
manuales existentes, la muy buena disposición del staff técnico del Census Bureau para
evacuar consultas, y la experiencia ya acumulada2.
La familia de programas X11/X12-ARIMA domina el ajuste estacional a nivel mundial,
son usados en más del 90% de los datos ajustados por estacionalidad publicados en el
mundo. La oficina de estadística de la Unión Europea, Eurostat, seleccionó oficialmente dos
programas, el X12-ARIMA del Census Bureau de EE. UU y el TRAMO/SEATS del Banco de
España, para el ajuste estacional de todas las series de la Unión Europea.
El programa X12-ARIMA consiste en dos módulos. El primero es el módulo de
Modelados RegARIMA. En él se estima un modelo ARIMA estacional (SARIMA), de la forma
( p d q)( P D Q)12 para la serie bajo estudio o para una transformación (logarítmica) de la
misma, cuando es posible hacerlo. En la expresión anterior p es el orden del modelo
autoregresivo AR( p) ; d es el número de diferencias no estacionales; q es el orden del
modelo de promedios móviles MA(q ) ; P es el orden del autoregresivo estacional AR ( P ) ;
D es el número de diferencias estacionales; y Q es el orden del promedio móvil estacional
MA(Q) .
El modelo estimado se usa para extrapolar los valores finales de la serie a fin de
extender el número de observaciones (predicción); estimar valores anteriores al primer valor
observado (retroproyección), cuando las observaciones son pocas; y detectar y estimar
directamente diferentes efectos calendarios en la serie para preajustarla por ellos (días
hábiles, pascua y valores extremos). Todo esto se realiza para mejorar la estimación
posterior de los factores estacionales.
En el segundo módulo, el Ajuste Estacional X-11, la serie mensual o trimestral ya
procesada por el Modelado RegARIMA (extendida y filtrada de los efectos calendarios), se
descompone en tendencia-ciclo ( Tt ), estacionalidad ( St ) e irregular ( I t ); según varias
descomposiciones alternativas posibles:
Descomposición Multiplicativa Yt = Tt ⋅ St ⋅ I t
Descomposición Aditiva Yt = Tt + St + I t (1)
Descomposición Pseudo-Aditiva Yt = Tt ⋅ ( St − 1 + I t )
1
U. S. Census Bureau. X-12-ARIMA Reference Manual, versión 0.2.10. July, 2002.
2
Jorrat (1996-b), Jorrat et al (1999, 2002).
3
Para una descripción más detallada del algoritmo básico consultar Jorrat et al. (2002).
3
A su vez, el algoritmo base se repite en tres etapas que se denominan B, C y D4, letras con
la que se designan también las diferentes salidas. Además se proveen, como etapas E, F, y
G, varias medidas de la bondad y calidad del ajuste estacional que interesan para el análisis
del ciclo económico, cuyos resultados se analizan más adelante.
El método X-11 incorpora en cada una de sus etapas una elaborada herramienta
para la detección y corrección de valores extremos del componente irregular. En particular,
se realiza una estimación robusta de su desvío estándar móvil. Esta estimación del error
típico se hace en dos pasos. En el primero se estima st( I ) como el desvío móvil de sesenta
meses que se asigna al año central; para los dos primeros y los dos últimos dos años se
repite el valor estimado más próximo. Posteriormente, se excluyen aquellas observaciones
con irregulares muy distantes, se eliminan los I t tales que: I t − I > 2.5 ⋅ st( I ) . Luego, en un
segundo paso, se estima de nuevo el desvío estándar móvil st( II ) .
A cada observación del componente irregular se adjudica el peso, Wt , inversamente
proporcional a la distancia del irregular respecto a su media, en términos del desvío
estándar, según la expresión (2).
Wt = 1 para I t − I ≤ 1.5st( II )
2.5st( II ) − I t − I
Wt = para 1.5st( II ) < I t − I < 2.5st( II ) (2)
2.5s ( II )
t − 1.5s
( II )
t
Wt = 0 para 2.5st( II ) ≤ I t − I
Nótese que las observaciones correspondientes al mismo año tienen el mismo valor
( II )
de st y que I toma el valor 1 para las descomposiciones multiplicativa y pseudo-aditiva; y
0 para el caso aditivo.
La gráfica de los pesos ( Wt ) como función de la distancia de su media se presenta
en la Gráfica 1.
Los Wt finales se informan en la salida denominada tabla C175 del Ajuste Estacional
X-11.
Otros importantes resultados del X-11 son: La tabla D12 que contiene la estimación
final de la tendencia-ciclo: Tt . La última estimación de los factores para el ajuste estacional,
St , se presenta en la tabla D16 (para descomposiciones multiplicativa y aditiva) y en la tabla
FAD (para la pseudo-aditiva). La tabla D11 contiene la serie ajustada por estacionalidad ( At )
definida como:
4
La etapa A designa las salidas, tablas, cuadros y gráficos del primer módulo, el RegARIMA y otros
ajustes previos.
5
El nombre del tipo de tabla, como ser C17, coincide con la extensión del archivo que la contiene.
4
Gráfico 1: Valores de Wt
Wt
6
Bry y Boschan (1971), pag. 79.
7
Dagum y Capitanio (1998).
5
partir de ajustar (y proyectar) a la serie de la tabla E2 un modelo SARIMA de la forma
(011)(001)12 . Esta sugerencia brinda estimaciones de Tt con menores revisiones al final del
periodo de observaciones, pero no resuelve el problema del aplanado de Tt en los puntos de
giro de la serie ajustada.
La alternativa que proponemos en este trabajo, extiende el concepto de la tabla E2 a
los casos en que el peso está entre cero y uno ( 0 < Wt < 1 ) y es menos complicada desde el
punto de vista computacional. Consiste es aprovechar la metodología robusta del X-11 para
detectar y corregir los valores irregulares extremos, definiendo la serie ajustada por
estacionalidad y filtrada por irregulares como Ft :
Ft = Wt ⋅ At + (1 − Wt ) ⋅ Tt (4)
23 2001.04
22
21
20
2000.09
19
18
17
1995.07
16
1995 1996 1997 1998 1999 2000 2001 2002 2003
TUC-VS-A P. G. Clás.
6
Como puede apreciarse, en el Gráfico 2, la presencia de irregulares importantes
desplaza (adelanta) los dos primeros puntos de giro de la serie, sin embargo, es preferible
pagar ese precio en términos de pequeños desplazamiento de los puntos de giro de la serie
individual, por la ganancia de un gráfico como el 4, en el que se aprecia más claramente los
movimientos de la tendencia-ciclo subyacente.
La respuesta al grado óptimo de suavizado de las series económicas para el análisis
de los ciclos económicos, sigue siendo una cuestión empírica. Aún cuando se usen otros
métodos como el estructural o el no paramétrico.
23 2001.04
22
21
20
2000.09
19
18
17
1995.07
16
1995 1996 1997 1998 1999 2000 2001 2002 2003
P. G. Clás. TUC-VS-T
23 2001.04
22
21
20
2000.09
19
18
17
1995.07
16
1995 1996 1997 1998 1999 2000 2001 2002 2003
TUC-VS-F P. G. Clás.
7
2.2 Cómputo de la media y desvío estándar de las tasas de cambio logarítmicas
mensuales de cada serie8
Una vez que todas las series se ajustaron por estacionalidad e irregulares de la manera
propuesta en el punto anterior, procedemos a expresar todas las observaciones como tasas
de cambio mensuales logarítmicas. Sea x jt el valor de la serie j en el mes t, entonces:
x
x jt = ln jt (5)
x j (t −1)
Para las series que ya están definidas como tasas, tomamos su diferencia y la
expresión (5) se expresa:
x jt = ( x jt − x j (t −1) ) (6)
1 b x
mj = ∑ x jt = ln jb (b − a ) (7)
( b − a j ) t =a j x ja
j
j
( )
b
1 2
sJ = ∑
( b − a j − 1) t =a j
x jt − m j (8)
Nótese que, para las series ya expresadas como tasas, el numerador de la expresión
( ) (
(7), ln x jb x ja j , debe interpretarse como x j ,b − x j ,a j ).
Para las series trimestrales, al definir a j < t < b , se deben considerar los meses
centrales del primer y último trimestre, respectivamente.
8
Basado en algoritmo de Moore y otros, Moore y Moore (1985), y Moore (1983, 1990).
9
Para estimar los factores estacionales finales se usa en la mayoría de las series un promedio móvil
compuesto 3x5 (siete términos). En este caso, aún sin revisiones de los datos anteriores, las
estimaciones dentro de los tres últimos años cambian por la incorporación de nuevos datos a la serie.
8
2.3 Primera variación mensual logarítmica del índice compuesto: sin ajuste por
tendencia ni por amplitud
La tasa de cambio mensual logarítmica del índice compuesto, sin ajuste por tendencia ni por
amplitud, se define como el promedio de las variaciones mensuales estandarizadas de las
series que forman el índice. Para las variables ya expresadas como razones, se consideran
las diferencias mensuales estandarizadas. Así, para n series componentes tenemos:
n
c t(1) = 1 x jt − m j
∑
n j =1 s j
(9)
La expresión (9) tiene media cero y varianza que dependerá de las covarianzas
temporales entre las series componentes ya que no son variables mutuamente
independientes por la presencia del co-movimiento cíclico.10
2.4 Segunda variación mensual logarítmica del índice compuesto, con amplitud
ajustada pero sin corrección por tendencia
Como se desea que el índice compuesto tenga la amplitud cíclica del Producto Interno Bruto
(PIB), se ajusta el desvío estándar de (9) al del PIB:
(2) (1) s
c t = c t ⋅ PIB (10)
s (1)
ct
Donde s (1) es el desvío estándar del la tasa de cambio definida en (9) y sPIB es el error
ct
típico del PIB.
Así la expresión (10) define la variación mensual logarítmica del índice compuesto
sin tendencia. Podemos construir el índice compuesto sin tendencia a partir de la expresión
(10) recordando que las tasas son logarítmicas y definiendo como 100 el valor inicial del
índice compuesto sin tendencia:
Ct(2) = Ct(2)
−1 ⋅ exp c { }
t(2) (11)
Este índice compuesto -sin tendencia- puede interpretarse como desvíos alrededor
de la tendencia en el enfoque del ciclo de crecimiento.
2.5 Tercera variación mensual logarítmica del índice compuesto, con ajustes por
amplitud y por tendencia (final)
El paso final consiste en ajustar a la ecuación (10), la tendencia del PIB, para reconstruir el
Índice Compuesto con tendencia y amplitud cíclica del PIB. Así la tasa de cambio mensual
logarítmica del índice compuesto queda definida como:
10
Recordemos que la suma de variables no independientes tienen como varianza:
var ∑ x j = ∑ σ 2j + ∑∑ σ iσ j ρij
j j i≠ j
9
(3) (2)
c t = c t + mPIB (12)
Ct(3) = Ct(3) { }
(3)
−1 ⋅ exp c t (13)
Las variables que forman el Índice Mensual de Actividad Económica de Tucumán (IMAT),
son seis series mensuales y una trimestral. El detalle de series se presenta en la Tabla 1. En
ella se muestran la definición de cada serie, sus unidades de medida, fuentes, siglas,
medias y desvíos estándares de sus variaciones mensuales logarítmicas.
Los sectores de actividad que representan son muy variados: montos de cámara
compensadora del sector financiero (TUC-CCM); uso de insumos industriales de gas y de
energía eléctrica (TUC-GAS y TUC-EEI); recaudación total real de impuestos provinciales
(TUC-REC); ventas minoristas reales de supermercados (TUC-VS); una rama industrial muy
importante para Tucumán: producción de azúcares (TUC-PAZ); y puestos de trabajos
asalariados declarados en el Sistema Integrado de Jubilaciones y Pensiones (TUC-PT).
Excepto la última serie que es trimestral, las demás son mensuales.
10
Los resultados del primer módulo del ajuste estacional, el Modelado RegARIMA, se
presentan en la Tabla 2.
Excluyendo la producción de azúcar que merece un comentario especial, cinco de
las seis series se ajustan al modelo ARIMA estacional (011)(011)12, y sólo en una se estima
el (012)(011)12; aunque en la mitad de los ajustes se deben aceptar errores de predicción
mayores que el 20%11. En todas las series, la probabilidad12 del estadístico Q de Ljun-Box
indica que no se puede rechazar la hipótesis nula de ruido blanco en los residuos del
modelo ajustado. La experiencia acumulada con el ajuste estacional de las series nacionales
señala que nuestras variables económicas tienen un componente irregular muy importante y
que los estándares establecidos para Canadá y EE. UU. deben relajarse.13 Por eso se
aceptan los ajustes mencionados, a pesar de los niveles de errores de predicción absolutos
promedios altos, según los estándares internacionales.
Tabla 2: Ajuste Estacional de las Series Componentes del IMAT: (1) Resultados Modelo RegARIMA
Regresores (1)
Período Inicio Transfor- Modelo Error de Prob. Q
Abreviatura Frecuencia
Modelado mación Elegido Predicción Ljun-Box
Inicio Fin TD LPY Easter AO
TUC-CCM Mensual 1990.01 2003.07 1994.01 Niv (011)(011) 22.95 28.36 TD LPY 4
TUC-EEI Mensual 1994.01 2003.07 1994.01 Niv (012)(011) 10.10 50.56 E(1)
TUC-GAS Mensual 1994.01 2003.07 1994.01 Niv (011)(011) 28.69 59.34 TD LPY
TUC-PAZ Mensual 1990.01 2003.07 1994.01 Niv Ninguno NC NC NC NC NC NC
TUC-PT Trimestral 1994.3 2003.1 1994.3 Niv (011)(011) 5.75 91.47 TD LPY E(15)
TUC-REC Mensual 1987.01 2003.07 1994.01 Log (011)(011) 32.38 55.96 E(1)
TUC-VS Mensual 1995.01 2003.07 1995.01 Log (011)(011) 5.54 92.41 TD
Notas: (1) Regresores:
TD: Dias hábiles 6 variables, incluye ajuste años bisiestos.
TD1C: Dias hábiles 1 variable, incluye ajuste años bisiestos.
LPY: Longitud de febreros, años bisiestos.
AO: Número de extremos detectados automáticamente en la serie orginal.
Easter Efecto Pascua: 1, 8 ó 15 dias antes del Domingo de Pascua.
NC Estadístico no calculado.
Fuentes: Elaboración propia
Cinco de las siete series analizadas no tienen patrones estacionales que interactúen
con la tendencia y en ellas el mejor ajuste se logra en los niveles (sin la transformación
logarítmica), estas decisiones se tomaron conforme al criterio de Akaike corregido por la
longitud de la serie.
En algunos casos se seleccionan algunas variables de efectos calendarios, según el
mismo criterio de Akaike, los resultados se presentan en las últimas columnas de la Tabla 2.
Así TD indica el tipo de ajuste por días hábiles, en los casos en que se incluye en la
regresión, representa seis variables que toman como valor el número de veces que se
presenta cada día de la semana, de lunes a sábado, en el mes en particular, menos el
número de domingos. El efecto LPY señala la presencia de un efecto de duración del mes,
solamente relevante para febrero, cuya longitud cambia en los años bisiestos. La existencia
de un efecto Pascua y los días es que éste es significativo, previo al domingo de Pascua, se
indican en la columna Easter de la forma E(días previos). La determinación de valores
extremos se muestra en la columna AO consignando el número de observaciones en la serie
original a las que se les asigna una variable dicotómica para corregirla por valor extremo. En
general la inclusión de los efectos calendarios y extremos, mejora el ajuste SARIMA y el
posterior ajuste estacional.
11
El límite máximo del error de predicción que usamos para datos argentinos es del 20%. Si ningún
modelo se selecciona automáticamente con ese límite, aumentamos el máximo, observando el
estadístico de Ljun-Box que resume el correlograma, hasta que se ajusta algún modelo por selección
automática. En muy pocos casos debemos aceptar hasta el 40% (Jorrat et al 1999 y 2002).
12
Expresada en porcentaje.
13
Jorrat et al 1999 y 2002.
11
El sector azucarero es muy importante en la economía tucumana. La zafra azucarera
se inicia en junio (excepcionalmente en mayo) y se extiende hasta diciembre de cada año,
alcanzando un máximo de producción entre los meses de julio y septiembre. No es de
extrañarse que el RegARIMA no logre estimar modelo SARIMA para esta serie.
Tenemos así valores positivos para siete u ocho meses del año y las restantes
observaciones son cero. En estos meses sin producción, el factor estacional es próximo a
cero ( St ≈ 0 ), y dividiendo por esos valores tan pequeños, arroja resultados insatisfactorios.
El X-12-ARIMA incorporó el modelo de descomposición pseudo-aditivo que fue
desarrollado en Gran Bretaña para ajustar este tipo de situaciones. Si ajustamos esos
meses con observaciones nulas substrayendo una estimación de Tt ( St − 1) ≈ −Tt ,
obtenemos como serie ajustada por estacionalidad valores más próximos a la tendencia de
la serie ya que, en esos meses, Yt ≈ 0 , entonces: At ≈ 0t − Tt ⋅ ( St − 1) ≈ Tt , como se indica en
la expresión (3).
En un sentido práctico, el ajuste estacional por descomposición pseudo-aditiva,
distribuye la producción de azúcar, concentrada en sólo algunos meses, en los doce meses
del año. Los estadísticos relacionados con el ajuste estacional de la producción de azúcar
(TUC-PAZ) se incluyen en la Tabla 3.
Los resultados del ajuste estacional propiamente dicho o módulo X-11, se presentan
en la Tabla 3. La descomposición estacional se condice con la transformación de la serie
original del módulo RegARIMA, a transformación logarítmica le corresponde descomposición
multiplicativa y; a los niveles, se aplica el modelo aditivo.
Tabla 3: Ajuste Estacional de las Series Componentes del IMAT: (2) Resultados Ajuste Estacional X-11
Test Estacionalidad
Abre- Descomp. Domi- Números de Falla en las Medidas de la Calidad del Ajuste (4)
Identificable
viatura de Estacional nancia I/C I/S
Serie (2) Est. Est. Est. Cíclica
M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 Q1
Estable Móvil Ident. (3)
TUC-CCM A 12.91 0.37 P 4 meses 1.78 5.07 0 0 0 0 0 0 0 0 0 0 0 0.46
TUC-EEI A 12.98 3.63 P 5 meses 2.59 4.17 1 0 0 0 0 0 0 0 0 1 1 0.79
TUC-GAS A 182.37 0.09 P 6 meses 2.28 4.89 0 0 0 0 0 0 0 0 0 0 0 0.31
TUC-PAZ P 27.10 1.19 P 12 meses 2.33 1.86 0 0 0 2 3 0 0 0 0 0 0 0.80
TUC-PT A 20.60 3.50 P 1 trim. 0.15 1.31 0 0 0 0 0 1 0 1 1 1 1 0.57
TUC-REC M 3.45 3.24 NP 5 meses 1.65 3.79 1 0 0 0 0 0 1 1 1 1 1 0.97
TUC-VS M 146.74 1.30 P 3 meses 1.07 2.38 0 0 0 0 0 0 0 0 0 0 0 0.22
Notas: (2) Descompposición estacional (4) Estadísticos M1-M11: Número de fallas de cada esta´distico::
A: Aditivo 0: Valor del estadístico menor que 1.
M: Multiplicativo 1: Valor del estadístico mayor o igual a 1 y menor que 2.
P: Pseudo-Aditivo 2: Valor del estadístico mayor o igual a 2 y menor que 3.
(3) Test de Estacionalidad Identificable: 3: Valor del estadístico igual a 3.
P: Presente (5) Análisis de Subperiodos Móviles
NP: No presente SA: Porcentaje de factores estacionales considerados no confiables.
Fuentes: Elaboración propia MM: Porcentaje de variaciones mensuales consideradas no confiables.
14
Para consultar las definiciones y los valores aceptables de los distintos estadísticos M y Q ver el
apéndice. También consultar Jorrat et al (2002).
12
muestra una estacionalidad variable que no es adecuadamente identificada por el X-11,
probablemente consecuencia de las permanentes moratorias y políticas diversas dirigidas a
aumentar la recaudación; pero, los estadísticos relacionados con la identificación del ciclo y
analizados más adelante, son aceptables y por ello, decidimos incluir esta serie. Además, un
porcentaje importante de la recaudación provincial corresponde al impuesto a los ingresos
brutos que tienen que ver con el nivel de actividad.
M1 y M2 miden la magnitud de la variabilidad del componente irregular respecto a la
del componente estacional, con diferentes métodos de extracción de la tendencia. Fallas en
estos estadísticos marcan dificultades para distinguir entre los componentes irregular y
estacional. El M1 tiene una falla en las series de energía eléctrica y de recaudación, como
consecuencia de la importante presencia del componente irregular. Como se aprecia en la
Tabla 3, los resultados para todas las series son aceptables.
Las razones I C son todas menores que tres; esto indica que el ciclo puede
separarse del componente irregular y estimarse fácilmente por el X-11, a pesar de la
variabilidad del irregular. Estos ratios se relacionan con el M3 que, como se puede observar,
no registra falla para las siete series, subrayando valores muy aceptables del I C .
Los meses de dominancia cíclica (MCD), que se relaciona con el M5, toman valores
seis (máximo tolerado) o menos, excepto para la producción de azúcar (TUC-PAZ), en este
caso el M5 alcanza tres fallas (falla completa). Con observaciones nulas en algunos meses,
es frecuente un valor alto del MCD, pero no es grave ya que el M3 es cero para esta serie.
Las razones I S presentan valores dentro del intervalo (3,5; 5,5], que muestran que
la selección automática del promedio móvil estacional del X-11 es apropiada para separar
los componentes estacional e irregular. El promedio móvil estacional elegido es el 3x5 y es
adecuado para estimar el componente estacional. Los valores de M6 no presentan fallas
excepto para la serie trimestral de empleo (TUC-PT), en este caso, se podría usar un
promedio más corto, como el 3x3. Desde el punto de vista del análisis del ciclo económico,
el M6 es poco relevante.
Tampoco es importante el M4 que mide la autocorrelación de primer orden en el
componente irregular, ya que este no se supone ruido blanco en el ajuste del X-12-ARIMA.
Los estadísticos M8 a M11 cuantifican la magnitud del movimiento inter-anual en el
componente estacional. Los movimientos capturados por estos estadísticos son de dos
tipos, las fluctuaciones aleatorias alrededor de la media se muestran en M8 (para toda la
serie) y M10 (para los últimos años). Mientras que el segundo tipo de movimiento
mensurado es la variación lineal inter-anual de los factores estacionales, señalados por M9
(para toda la serie) y M11 (para últimos años). Cuando estos estadísticos fallan, manifiestan
que la estimación de los factores estacionales es inestable. La alternativa es re-estimar el
ajuste estacional cada vez que se agregan nuevos datos o se modifican las últimas
observaciones. La utilización de un archivo de comandos batch hace esta tarea muy
sencilla.15
El resumen de los M, el estadístico Q1, indica que en cinco de siete series, el ajuste
estacional es aceptable y que en las dos series restantes, producción de azúcar y
recaudación, el proceso es condicionalmente aceptable.
Téngase en cuenta que el ajuste estacional es una etapa previa al objetivo último, la
construcción de un índice compuesto de actividad. Por eso, algunas fallas en el ajuste
individual de alguna serie, se subsanan de dos maneras. Primero, el filtrado que se propone
en la ecuación (4), resta importancia al componente irregular. Y, en segundo lugar, al usar
tasas de cambios mensuales estandarizadas de varias series para construir el indicador
compuesto, se reduce la importancia individual de cada variable, impidiendo que una única
serie imponga su conducta al índice compuesto. Así se logra estimar la tendencia general y
los quiebres de la misma, que es lo que en definitiva, se quiere captar.
15
Ibidem.
13
4 El Índice Mensual de Actividad Económica de Tucumán (IMAT)
Gráfico 5
Índices Coincidente de Argentina (ICCO) y Mensual de Actividad Económica de Tucumán (IMAT).
Base 1994=100. Datos Enero 1994 - Julio 2003.
Programa Ciclos Económicos de Argentina; Director: Juan M. Jorrat - UNT.
125
120
115
110
105
100
95
90
85
80
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Recesión Nacional ICCO IMAT
14
El objetivo final de un índice compuesto coincidente como el IMAT es poder
determinar los puntos de giro de la economía tucumana. Los puntos de giro son las fechas
en que la economía deja de crecer e inicia una recesión (Pico) o cesa de caer para
comenzar una expansión (Valle)16. La determinación de los puntos de giro se hace teniendo
en cuenta pautas establecidas por el NBER y utilizando el programa Turning Point
Determination para series mensuales17:
Gráfico 6
Indice Mensual de Actividad Económica de Tucumán (IMAT).
Base 1994=100. Datos Enero 1994 - Julio 2003.
Programa Ciclos Económicos de Argentina; Director: Juan M. Jorrat - UNT.
125
120 1998.02
115
110
105
1994.04
100
95 2002.12
90 1995.12
85
80
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Recesión Nacional IMAT P. G. Clás.
16
Burns y Mitchell (1946).
17
Bry y Boschan (1971)
15
Tabla 5: Puntos de Giro y Duración de Cada Fase en Argentina y Tucumán
Puntos de Giro
Duración Cada Fase Puntos de Giro Duración Cada Fase Rezagos (+) de Ptos.
de Argentina en Argentina de Tucumán en Tucumán de Giro en Tucumán
Año Mes Tipo Recesión Expansión Año Mes Tipo Recesión Expansión Picos Valles
1994 12 Pico 1994 4 Pico -8
1995 7 Valle 7 1995 12 Valle 20 5
1998 8 Pico 37 1998 2 Pico 26 -6
2002 7 Valle 47 2002 12 Valle 58 5
Promedios 27 37 39 26 -7 5
Fuente: Elaboración propia.
5 Conclusiones
18
Ver los informes de Paz.
16
• Al brindar información cierta, efectiva, mensual y actual, sobre el estado corriente de la
economía regional, permite tomar mejores decisiones privadas y públicas.
Agradecimientos
17
Bibliografía
Bry, Gerhard; & Charlotte Boschan. (1971). “Cyclical Analysis of Time Series: Selected
Procedures and Computer Programs”. Technical Paper National Bureau of Economic
Research, No. 20. New York: Columbia University Press.
Burns, Arthur F. & Wesley C Mitchell. (1946). Measuring Business Cycles. National Bureau
of Economic Research. New York: Columbia University Press.
Dagum, E. Bee & A. Capitanio. (1998). Smoothing Methods for short-term Analysis: Cubic
splines and Henderson filters. Statistica, No. 1, pp. 5-24.
Findley, D.F., B.C. Monsell, W.R. Bell, M.C. Otto, & B.C. Chen (1998). "New Capabilities and
Methods of the X-12-ARIMA Seasonal Adjustment Program". Journal of Business and
Economic Statistics. Vol. 16.
Jorrat, J. M. (1996-a). “Indicadores del Ciclo Económico de Argentina: Resumen Conceptual
y Aplicación al Análisis y Predicción de la Coyuntura”. Tucumán: Universidad
Nacional de Tucumán; mimeo.
Jorrat, J. M. (1996-b). “Ajuste estacional y corrección de los factores estacionales de los
Índices de Producción Industrial de Argentina”. Anales de la XXXI Reunión Anual de
la Asociación Argentina de Economía Política. Salta: Universidad Nacional de Salta.
Tomo 3 páginas 321 y ss.
Jorrat, J. M. y S. E. Salvatierra. (1999) “Ajuste Estacional de Series de Tiempo Económicas
de Argentina”. IV Congreso Latinoamericano de Sociedades de Estadística.
Mendoza: Universidad Nacional de Cuyo.
Jorrat, J. M., L. Sal Paz y M. J. Catalán. (2002). “Ajuste Estacional de las Series Económicas
de Argentina”. Anales XXXVII Reunión Anual Asociación Argentina de Economía
Política. En página web www.aaep.org.ar
Klein, Philip A. (1990, editor). Analyzing Modern Business Cycles: Essays Honoring Geffrey
H. Moore. Armonk, New York: M.E. Sharper Inc.
Klein, Phillip A. & Geoffrey H. Moore. (1983). “The Leading Indicators Approach to Economic
Forecasting: Retrospect and Prospect”. Journal of Forecasting, Vol. 2.
Monsell, B.C. (1988). "Supplement to Technical Paper No. 15 - The Use and Feature of X-
11.2 and X-11Q.2". Statistical Research Division, Bureau of the Census. Washington,
DC, USA: September.
Moore, Geoffrey H. & Melita H. Moore. (1985). International Economic Indicators: A
Sourcebook. Westport, Connecticut: Greenwood Press.
Moore, Geoffrey H. (1983, editor). Business Cycles, Inflation and Forecasting, 2º ed. Studies
in Business Cycle No. 24. National Bureau of Econimic Research. Cambridge, Mass.:
Ballinger Publishing Company.
Moore, Geoffrey H. (1990, editor). Leading Indicators for the 1990s. Homewood, Illinois: Dow
Jones-Irwin.
Paz, C. “Encuesta de Coyuntura Industrial de Tucumán”. Instituto de Economía Aplicada.
Tucumán: Fundación Banco Empresario de Tucumán. Varios números.
U.S. Census Bureau (2002). X-12-ARIMA Reference Manual. Washington, DC, USA: July.
18
Apéndice:
Medidas de Monitoreo y de Calidad del Ajuste Estacional del X-12-ARIMA
19
• Fluctuaciones aleatorias.
• Movimiento lineal.
Las medidas individuales son:
M8: Magnitud de la fluctuación aleatoria en el componente estacional a través de toda la
serie. Un valor alto probablemente indica una alta distorsión en los factores
estacionales.
M9: Magnitud del movimiento lineal en el componente estacional a través de toda la serie.
Un valor alto puede significar pobres estimaciones de los factores estacionales.
M10: El tamaño de la fluctuación aleatoria inter-anual en el componente estacional en los
años recientes.
M11: El promedio del movimiento lineal inter-anual en el componente estacional en los
años recientes.
Ambas medidas, M10 y M11, brindan información sobre la calidad de los factores
estacionales al final de la serie. Especialmente importantes si se desea usar los
factores extrapolados con anticipación de un año. La alternativa es re-estimar el
ajuste estacional cada vez que se modifican los últimos datos.
2. Los Dos Q
Se calcula un promedio ponderado de los diferentes M, esto se conoce como medida Q. M7
es el que más se pondera debido a su importancia. El valor de Q es una indicación global
del ajuste estacional acorde los siguientes límites.
20