ESTIMACIÓN DE LA PRODUCCIÓN DE COBRE EN PERÚ
Enviado por Angie Agama • 11 de Septiembre de 2020 • Tareas • 1.552 Palabras (7 Páginas) • 137 Visitas
[pic 1]
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Perú, DECANA DE AMÉRICA)
FACULTAD DE ECONOMÍA
[pic 2]
ESTIMACIÓN DE LA PRODUCCIÓN DE COBRE EN PERÚ
CURSO: ECONOMETRÍA DE SERIES DE TIEMPO
PROFESOR: LLANOS MARCOS, ABRAHAM
ALUMNA: AGAMA CORASI, ANGUELIK ALONDRA
CÓDIDO: 17120068
LIMA – PERÚ
2020
ESTIMACIÓN DE LA PRODUCCIÓN DE COBRE EN EL PERÚ
- Introducción
La producción de cobre a nivel mundial se ha incrementado significativamente en los últimos años, siendo liderada por Chile, seguida de Perú y China. Sin embargo, desde octubre del 2019 la producción de cobre en el Perú no ha incrementado a pesar del incremento de la producción minera peruana, según el Instituto Nacional de Estadística e Informática (INEI).
China es uno de los principales productores de cobre, asimismo, lugar donde brotó por primera vez la COVID-19, lo cual ha impactado significativamente en la cotización del cobre, reduciendo la producción de este.
El presente trabajo analizará la producción de cobre en Perú mediante un modelo ARIMA y para determinarlo se desarrollará el análisis exploratorio de la variable, ajuste del modelo y avalándose en sus resultados, medidas de diagnóstico.
- Metodología
La producción de cobre en Perú es analizada por medio del modelo ARIMA, representada como una serie de tiempo debido a que los datos empleados de los periodos mensuales comprendidos entre enero del año 2000 hasta febrero del 2020 son representados de modo estructural en formato de serie temporal.
El modelo ARIMA reside en realizar algunas pruebas, para cumplir las condiciones necesarias para que la serie sea estacionaria y que el modelo trabaje con una variable, principalmente estas son: i) prueba de Dickey-Fuller: empleado para verificar si las series son estacionarias, dado que es esencial para lograr ejecutarlas, ii) la prueba de Ljung Box Test, el cual permitirá determinar la validez del modelo; es decir, el error o residuos sea ruido blanco representado por media igual a cero, varianza constante y no estar correlacionada.
La existencia de ruido blanco demuestra el buen ajuste del modelo por lo que se puede realizar pronósticos.
- Desarrollo
Partimos de convertir los datos de serie temporal que incluye todos los periodos mensuales de enero del año 2000 hasta febrero del 2020, debido a la pandemia. Para modelar es imprescindible que la serie sea estacionaria, por lo que se representa gráficamente, junto a ello una breve descripción; y seguidamente la prueba de Dickey-Fuller. Usando el software R, obtenemos los siguientes resultados:
.En el gráfico se observa que la serie de la producción de cobre muestra la existencia de una tendencia creciente de los periodos comprendidos entre el año 2000 y 2015, posible comportamiento cíclico dada la similitud en su trayectoria cada cierto periodo; además, componente de la serie conocido como estacionalidad. Además, a partir de un(os) periodo(s) de 2015 presenta un incremento abrupto en la producción presumiendo que la serie es no estacionaria. [pic 3]
Para apreciar los componentes de la serie de manera separada, los cuales construyen la serie observada y cada una tiene una peculiaridad definida, se procede a descomponer la serie.
[pic 4][pic 5]
Observando el gráfico de cada componente de la serie verifica la tendencia en periodos, presencia de la estacionalidad durante la trayectoria evidenciados en comportamientos secuenciales, y el componente irregular volátil.
Para corroborar que no es estacionaria de la serie se procede a realizar el test de Dickey-Fuller: prueba de raíz unitaria; y así hallar la forma de hacer estacionaria a la serie.
[pic 6]
[pic 7]
|1.3709|<|-1.95|, el valor del estadístico es menor, aceptando la hipótesis nula, serie no estacionaria, debido a que la serie presenta raíz unitaria.[pic 8][pic 9][pic 10]
Concluyendo que la serie es no estacionaria, y recalcando lo indispensable que es convertirla en estacionaria para desarrollar el modelo ARIMA y para ello aplicaremos logaritmos y diferencias a la serie.
Por consiguiente, continuaremos con la aplicación de logaritmo a la serie de producción de cobre.
[pic 11]
En el gráfico se percibe una reducción de la tendencia creciente en la serie, asimismo que el cambio abrupto de un periodo del año 2015 a otro en la producción de cobre a aminorado. Sin embargo, la serie continúa siendo no estacionaria.
Aplicamos la primera diferencia a la serie:
[pic 12]
Se puede observar en el gráfico, que la diferencia de la variable muestra que la media permanece alrededor de cero mientras que la varianza no es constante, por lo que se presume que la serie es no estacionaria conllevando a verificarlo mediante la prueba de Raíz Unitaria (Dickey-Fuller).
|-7.0017|<|-1.95|, el valor del estadístico es mayor, rechazando la hipótesis nula, y aceptando la alternativa, serie estacionaria, debido a que no presenta raíz unitaria [pic 13][pic 14][pic 15]
En el gráfico de diferencia de la serie, se observa que la varianza aún es relativamente volátil podría ser explicado por el componente de estacionalidad mostrado en los gráficos de descomposición de la varianza, por lo que se ajustará la estacionalidad para eliminar dicho componente. Partiremos comparando gráficamente la serie con estacionalidad y sin esta.
[pic 16]
Se observa el ajuste estacional en la serie. La línea de color rojo es la serie desestacionalizada, en la que podemos apreciar que ha aminorado la presencia de ruido, está más suavizada y se aprecia mejor la estacionalidad de la serie.
...