Manual Jdemetra

Indice
Indice 2
1 Introducción a JDemetra+ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Descripción de JDemetra+ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1 Ventana Principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Menú principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Formatos de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4 Carga de Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5 Modelización de series temporales con JDemetra+ . . . . . . . . . . . . . . . . . . . . . . 27
5.1 Especificaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6 Ajuste Estacional con JDemetra+ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.1 Especificaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.3 Políticas de revisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7 Otras Herramientas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.1 Differencing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.2 Aggregation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.3 Tests de estacionalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.4 Análisis espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
7.5 Calendario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8 Ajuste estacional con jwsacruncher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
8.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
8.2 El espacio de trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
8.3 Automatización del ajuste estacional . . . . . . . . . . . . . . . . . . . . . . . . . . 134
9 Anexo I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
9.1 Lista de Outputs en ficheros Csv, Xls y txt . . . . . . . . . . . . . . . . . . . . . . . 136
9.2 Lista de Outputs en ficheros Csv matrix . . . . . . . . . . . . . . . . . . . . . . . . 140
9.3 Fichero de configuración wsacruncher.params . . . . . . . . . . . . . . . . . . . . . 144
1 Introducción a JDemetra+ 3
Este documento es una introducción al software JDemetra+, como herramienta para llevar a cabo
el ajuste estacional de series temporales.
En las primeras secciones se realiza una breve introducción a JDemetra+, con las instrucciones pa
ra su descarga, instalación y ejecución. A continuación, se muestra una descripción de las distintas
opciones del programa así como de las salidas que producen los diferentes procedimientos.
1 Introducción a JDemetra+
JDemetra+ es un sofware desarrollado por el Banco Nacional de Bélgica en colaboración con el
Deutsche Bundesbank y Eurostat para realizar ajuste estacional y tratar otros problemas relaciona
dos con series temporales de utilidad en la producción y análisis de estadísticas económicas.
Desde Febrero de 2015, JDemetra+ es el software recomendado oficialmente a los miembros del
Sistema Estadístico Europeo y del Sistema Europeo de Bancos Centrales para el ajuste estacional
y de calendario en estadísticas oficiales.
JDemetra+ está construido sobre los conceptos y algoritmos de los dos procedimientos más exten
didos de ajuste estacional, TRAMO/SEATS y X12ARIMA/X13ARIMASEATS.
Estos dos métodos de referencia han sido reestructurados siguiendo un enfoque orientado a obje
tos que permite su utilización, extensión y modificación de forma sencilla.
Desde el punto de vista técnico, JDemetra+ es una colección de componentes Java reutilizable y
extensible, a las que se puede acceder fácilmente desde una rica interfaz gráfica. Es un software
libre, de código abierto e independiente de la plataforma.
JDemetra+ funciona bajo todos los sistemas operativos que soportan la máquina virtual Java (Java
VM), tales como:
• Microsoft Windows Vista SP1/ Windows 7/8;
• Ubuntu 9.10;
• Solaris OS version 11 Express (SPARC and x86/x64 Platform Edition);
• Macintosh OS X 10.6 Intel.
Las versiones oficiales de JDemetra+ están disponibles github (fig.4).

También es posible acceder a este link desde la página web Collaboration in research and metho
dology for official statistics (CROSportal)(fig.1 a fig.4).
Figura 1: Ventana CROSS.

Figura 2: JDemetra+ en GitHub.

Figura 3: JDemetra+ en GitHub.
Figura 4: Última versión de JDemetra+ en GitHub.
Para instalar la última versión de JDemetra+ en Windows, descargaremos el fichero jdemetrax.x.x

windows.exe del apartado Latest release (fig.4) y lo ejecutaremos, siguiendo todas las instrucciones
por defecto.
Actualmente, la última versión disponible es la 2.2.1. Para poder hacer uso de ella es necesario
tener instalada la versión de Java SE 8 o posterior.
También es posible descargar JDemetra desde el fichero comprimido jdemetrax.x.x.zip. En este

caso, para abrir la aplicación tendremos que ir a la carpeta donde hemos guardado el .zip, descom
primirlo e ir al ejecutable nbdemetra64.exe que se encuentra en la carpeta /nbdemetra/bin.
En el CROSPortal también se encuentra disponible toda la documentación sobre JDemetra+ ela

borada por Eurostat (fig.5).
Figura 5: Documentación JDemetra+ en CROS.

2 Descripción de JDemetra+ 8
2 Descripción de JDemetra+
2.1 Ventana Principal
La ventana principal que se abre al lanzar JDemetra+ está dividida en las siguientes áreas (fig.6):
• menú principal, situado en la parte superior de la ventana. Sus opciones se describen en la

sección 2.2;
• ventana Providers, donde se organizan las series de datos en función del tipo de fichero del
que provienen;
• ventana Workspace, donde se guardan los resultados generados por el software así como
las especificaciones utilizadas para crearlos;
• panel de resultados, inicialmente vacío, donde se mostrarán los resultados de los distintos
análisis que se realicen.
Figura 6: Ventana Principal.
La ventana Providers presenta la lista de las fuentes de datos disponibles y en ella se organizan las
series importadas en función del tipo de fichero del que provienen. Los proveedores que permite
JDemetra+ son los que se muestran en la figura 7a. Es posible añadir nuevos mediante plugins.
En la ventana Workspace (fig.7b) se almacena de forma estructurada todo el trabajo realizado por
el usuario. Está dividida en tres secciones: Modelling, Seasonal adjustment y Utilities.
La sección Modelling contiene un conjunto de especificaciones predefinidas que permiten modeli
zar una serie mediante dos opciones: el método TRAMO y el método RegARIMA.
La sección Seasonal adjustment contiene un conjunto de especificaciones predefinidas que permi
ten el ajuste estacional de una serie mediante dos métodos: TRAMO/SEATS y X13ARIMASEATS.
Por último, la sección Utilities contiene todas las variables y calendarios definidos por el usuario.
Por defecto, este nodo contiene únicamente un calendario, Default. Con el botón derecho sobre la
opción Calendars podemos crear e importar nuevos calendarios y sobre la opción Variable crear
conjuntos de variables.
(a) Panel Providers. (b) Panel Workspace.
Figura 7: Paneles Providers y Workspace.
Resumiendo, cada Workspace contiene un calendario básico y un conjunto de modelos y especifi

caciones de ajuste estacional predefinidos por defecto y el usuario podrá definir especificaciones,
calendarios y variables adicionales en el mismo.
Los workspaces se pueden guardar. Al grabar un workspace se guardan todos los resultados de
los procesos de modelización y de ajuste estacional realizados y además, los datos originales de
las series, las rutas a los archivos de entrada y los parámetros utilizados en el análisis, de manera
que toda la información se pueden volver a cargar en sesiones posteriores de JDemetra+ para
actualizar, modificar y/o reproducir de nuevo los resultados.
El workspace que guarda JDemetra+ comprende:
una carpeta principal que contiene varias subcarpetas correspondientes a los distintos tipos
de items creados por el usuario (SAProcesing, Calendario, Variables, etc);
un archivo con extensión .xml que permite abrir de nuevo el workspace desde la aplicación y
mostrar su contenido.
La carpeta y el archivo .xml tienen el mismo nombre, que coincide con el utilizado para guardar el
workspace.
2.2 Menú principal

En las opciones del menú situado en la parte superior de la ventana principal se pueden encontrar
casi todas las funcionalidades del software, las cuales se describen en los siguientes apartados.
2.2.1 File
A través de menú File se pueden crear nuevos workspaces, abrir conjuntos de datos y otros works
paces ya existentes, así como guardarlos y actualizarlos (fig.8). Permite acceder a las siguientes
opciones:
• New Workspace: crea un nuevo workspace (Workspace_#number) en la ventana Works

pace.
• Open Workspace: abre la ventana de diálogo que permite seleccionar y abrir un workspace
ya existente. Sólo es posible tener abierto un workspace en la aplicación.
• Open Recent Workspace: muestra la lista de workspaces creados o guardados reciente

mente por el usuario y permite abrir uno de ellos.
• Save Workspace: guarda el workspace con el nombre y localización establecidas por de
fecto por el sistema si se trata de un workspace nuevo o con el que se hubiera guardado
previamente si se trata de un workspace ya existente.
• Save Workspace As...: guarda el workspace con el nombre y localización especificadas

por el usuario.
• Add star: permite que los conjuntos de datos

marcados con esta opción se abran automática-
mente la siguiente vez que se inicie una sesión de
JDemetra+. La opción se activa al posicionarnos
sobre cualquiera de los ficheros cargados en la
ventana Providers. Cuando un fichero tiene es-
ta opción activada, en el menú File se muestra
la opción Remove star en lugar de Add star
para poder desactivarla si se desea.
• Open recent: muestra la lista de los conjun-

tos de datos usados recientemente y permite al
usuario abrir cualquiera de ellos.
Figura 8: Menú File.
• Exit: cierra la aplicación.
2.2.2 Statistical methods

El menú Statistical methods incluye funcionalidades para modelizar, analizar y ajustar estacional
mente series temporales. Las opciones que presenta son:
• Anomaly Detection: incluye dos herramientas para la identificación automática de valores

atípicos (fig.9): Check Last y Outliers Detection. Ambas herramientas están basadas en el
programa TERROR de TRAMO/SEATS, para el control de calidad y detección de errores en
series temporales. Para cada serie, las dos herramientas estiman un modelo ARIMA, detec
tan los distintos tipos de outliers, interpolan valores missing y estiman efectos de calendario
si procede. La diferencia entre ellas estriba en que Check Last compara las últimas observa
ciones (una, dos o tres, dependiendo de la elección del usuario) con los valores predichos
mientras que Outlier Detection no.
– Check Last: ajusta un modelo ARIMA eliminando algunas observaciones al final de la

serie (1, 2 ó 3 según se especifique). Con el modelo obtenido se hacen predicciones un
paso hacia delante de las observaciones eliminadas y se marcan aquellas para las que
sus valores predichos difieren mucho de sus valores reales. Las observaciones se clasi
fican como con posible error (naranja), con error muy probable (rojo) o sin error, según
se encuentre el correspondiente conciente entre el error de predicción y la desviación
típica de los residuos entre dos umbrales predefinidos (pero modificables), por encima
del umbral superior o por debajo de los dos umbrales respectivamente.
Al seleccionar esta opción se abre la ventana Check Last Batch, que consta de dos pane
les. Las series a analizar se arrastran al panel izquierdo y los resultados se muestran en
el derecho. Para realizar el análisis hay que pulsar el botón Start . La modelización
se realizará con la especificación por defecto que se haya seleccionado.
Las opciones por defecto de la herramienta (número de observaciones a chequear, espe
cificación y los umbrales para decidir si la observación es anormal) se pueden modificar
en el cuadro de diálogo Propierties.
– Outliers Detection: ajusta un modelo ARIMA a cada serie utilizando todas sus obser
vaciones. Marca los diferentes tipos de outliers en distintos colores. Por defecto no se
consideran los outliers estacionales, pero se puede modificar esta configuración en el
cuadro Propierties.
Figura 9: Menú Anomaly Detection.
• Modelling: proporciona las herramientas para la modelización y predicción de series tempo

rales sin llevar a cabo la descomposición y estimación de las componentes de la serie (fig.10).
Incluye todas las capacidades tanto de TRAMO como de los modelos RegARIMA y los resul
tados del análisis pueden ser guardados y recalculados con series actualizadas.
Figura 10: Opción Modelling del menú Statistical methods.
• Seasonal adjustment: proporciona las herramientas para llevar a cabo el ajuste estacional
de series temporales a través de los métodos TRAMO/SEATS y X13ARIMA/SEATS.
– Multi Processing: para el ajuste estacional de un conjunto de series (también puede

utilizarse para una única serie).
– Single Analysis: para el ajuste estacional de una única serie. Ofrece dos métodos de
ajuste:
TramoSeats.
X13.
– Tools: que incluye las opciones
Seasonality Tests: ofrece un conjunto de contrastes que permiten analizar la pre
sencia y naturaleza de movimientos estacionales en la serie, que pueden realizarse
de forma independiente sin tener que llevar a cabo todo el proceso de ajuste esta
cional.
DirectIndirect Seasonal Adjustment: permite, para series agregadas, la compa
ración de los resultados del ajuste estacional con los métodos directo e indirecto.
2.2.3 View
Contiene funcionalidades para personalizar la vista de la aplicación según las necesidades del
usuario (fig.11). Ofrece las siguientes opciones:
Figura 11: Menú View

Figura 12: Menú Tools
• Split: esta opción no está operativa en la versión actual del software.
• Toolbars: permite seleccionar las barras de herramientas a mostrar bajo el menú principal.
• Show Only Editor: muestra únicamente el panel de resultados y oculta el resto de ventanas.
• Full Screen: activa la vista a pantalla completa.
2.2.4 Tools
El menú Tools incluye herramientas útiles para el análisis gráfico de series temporales y para la
configuración de la aplicación (fig.12).
• Container: incluye herramientas para mostrar datos de series temporales en el dominio del
tiempo:
– Chart: permite mostrar el gráfico de una o varias series. Las series se pueden arrastrar
desde la ventana Providers o desde otras ventanas (por ejemplo desde una ventana de
variables o de la de resultados).
Seleccionando cualquiera de las series del gráfico y pulsando el botón derecho del ratón
se despliegan nuevas opciones en el menú local.
– Grid:permite mostrar los datos tabulados de una o varias series.
– GrowthChart: permite mostrar las tasas de crecimiento anuales o de un periodo sobre
el anterior de una o varias series. La opción Kind del menú local es la que permite
seleccionar el tipo de tasa. La opción Edit last year... nos permite seleccionar el número
de años mostrados.
Las tasas se muestran en un gráfico de barras pero se pueden copiar y exportar a Excel
con la opción Select All y seleccionando a continuación la opción Copy growth data en
el nuevo menú local que aparece.
– List: permite ver el periodo de observación, el número de observaciones y un esbozo
del gráfico de una o varias series.
Pinchando sobre cualquiera de las series en la ventana List con el botón derecho del
ratón, aparece un menú local con opciones adicionales.
Al seleccionar cualquiera de estas opciones se abre una nueva ventana en el panel de re
sultados con el mismo nombre que la opción elegida, a la que hay que arrastrar las series
que se desea analizar. En todas las ventanas está disponible un menú local con opciones
adicionales que se despliega con el botón derecho del ratón.
• Spectral analysis: incluye tres gráficos espectrales para el análisis de series temporales
en el dominio de la frecuencia:
– Autoregressive Spectrum.
– Periodogram.
– Tukey Spectrum.
Para más detalles acerca de cada uno de ellos, ver apartado 7.4 del documento.
• Aggregation: permite calcular la suma de varias series y representar la serie resultante en

un gráfico.
Cuando seleccionamos esta opción se abre la ventana Aggregation Window (fig.13) que cons
ta de dos paneles:
el panel de datos. situado a la izquierda de la ventana e inicialmente vacío. A él se
arrastran (desde la ventana Providers) todas las series que se desea sumar y muestra
entonces información básica de cada una de las serie (fechas inicial y final y número de
observaciones) y un esbozo de sus gráfica;
el gráfico de la suma de las series incluidas en la parte de datos, en la parte derecha
de la ventana.
Para más detalles ver apartado 7.2 del documento.
Figura 13: Herramienta Aggregation.
• Differencing: permite calcular la serie de primeras diferencias (regulares y estacionales) de

la serie seleccionada.
Al seleccionar esta opción se abre la ventana Differencing Window (fig.14), donde se crea la
nueva serie diferenciada y se representa la función de autocorrelación simple y el periodogra
ma de la misma.
El número de diferencias regulares y estacionales que se consideran así como si se realiza
o no previamente la transformación logarítmica de los datos, pueden modificarse a través de
la ventana Propierties que suele aparecer minimizada a la izquierda de la pantalla pero que
en cualquier caso se puede abrir desde el menú Windows de la barra de herramientas.
Para más detalles sobre la herramienta ver apartado 7.1 del documento.
• Spreadsheet Profiler: presenta el contenido completo de cualquier fichero Excel que se

encuentre cargado en el workspace.
Para ver el contenido de un fichero Excel cargado en el workspace, arrastramos el nombre
completo de dicho fichero desde la ventana Providers a la ventana Spreadsheet Profiler Win
dow que se abre al seleccionar la herramienta (fig.15).
Figura 14: Herramienta Differencing.
Figura 15: Funcionalidad Spreadsheet Profiler.
• Plugins: permite cargar nuevos plugins en la aplicación.

JDemetra+ es una aplicación que soporta plugins. Un plugin es un componente de software
que añade una característica específica a una aplicación de software ya existente y es inde
pendiente de la versión de dicho software. Esto permite mejorar la aplicación sin necesidad
de modificar el código original.
• Options: permite configurar distintos aspectos de la aplicación.

Al seleccionar esta opción se abre la ventana Options que consta de cinco paneles principales:
Demetra, General, Keymap, Appearance y Miscellaneous.
Demetra
Consta de 7 pestañas que permiten establecer el aspecto y acciones por defecto del software
(fig.16).
Desde la pestaña Behaviour, si se activa la casilla de verificación Persist opened DataSour

ces (fig.16a), la aplicación mantendrá cargadas en sesiones posteriores las distintas fuentes
de datos que vayamos abriendo. Esta acción tiene el mismo efecto que si marcamos todas
las fuentes de datos abiertas con Add Star.
(a) Pestaña Behaviour. (b) Pestaña Demetra UI.
(c) Pestaña Statistics. (d) Pestaña Demetra Paths.
Figura 16: Panel Demetra
Desde la pestaña Demetra UI (fig.16b) podemos

modificar el formato de fechas y datos en el apartado Data format;
modificar el número de años considerados para los gráficos de tasas de crecimiento en
el apartado Growth Charts;
seleccionar la vista que aparecerá en las especificaciones para la introducción de outliers
en el apartado Prespecified Outliers (fig.17). JDemetra+ permite introducir los outliers
con dos vistas distintas:
List of outliers (18): los outliers se especifican introduciendo manualmente la fecha en la

que tienen lugar y seleccionando su tipo.
Calendarlike Grid (19): los outliers se especifican directamente seleccionando la fecha

sobre el calendario e indicando su tipo en la misma. Esta vista es especialmente reco
mendable para la especificación de outliers en series trimestrales.
Figura 18: List of outliers.
Figura 17: List of outliers.
Figura 19: Calendar-like Grid.
En la vista Calendarlike Grid se pueden modificar los valores de First Year y Last Year para
ajustar el intervalo de años mostrado en el calendario y que la introducción de outliers resulte
más cómoda.
Seleccionando la opción 4 en el desplegable Frequency, se muestra la vista de calendario
dividida por trimestres en vez de meses.
Desde la pestaña Statistics es posible

modificar la especificación y el tipo de
política de estimación que se utilizarán
por defecto en el ajuste estacional, a
través de los desplegables que aparecen
en los apartados Seasonal Adjustment
y Revision History respectivamente.
Las políticas disponibles son Complete,
FreeParameters y None.
En el apartado Default components

se puede configurar el conjunto de series
que se mostrarán en las salidas y la infor-
mación que aparecerá en la vista Matrix
de resultados del ajuste y en el subnodo
Matrix del nodo Diagnostics (ver sección 6).
Figura 20: Configuración de la especificación por defecto.
En el apartado Diagnostics de esta
pestaña, en el desplegablae Diagnostics
(fig.22a) se pueden personalizar los tests
de diagnosis del ajuste que se mostrarán
al pinchar directamente sobre el nodo
Diagnostics de los resultados del ajuste
(ver seccion 6). En el desplegable Outputs
se pueden especificar ciertas opciones y la
información que a incluir en los diferentes
ficheros de salida que se generen (fig.22b).
Estas preferencias quedan guardardadas de

una sesión a otra de JDemetra+ (fig.22). El
botón que aparece en el margen derecho
de este apartado permite reestablecer la con-
figuración inicial.
Figura 21: Configuración de la política de revisión por defecto.

(a) Configuración de los test. (b) Configuración de los ficheros de salida.
Figura 22: Configuración de las salidas.
General
Permite personalizar la configuración del proxy.
Keymap
Proporciona una lista de atajos de teclado para algunas funcionalidades y permite definir
nuevos.
Appearance
Proporcionado automáticamente por la plataforma Netbeans.
Miscellaneous
Proporcionado automáticamente por la plataforma Netbeans.
Figura 23: Paneles General y Keymap.

Figura 24: Paneles Appearance y Miscellaneous.
2.2.5 Window
El menú Window muestra distintas funcionalidades que facilitan el análisis de los datos y permiten
ajustar la vista de la interfaz mostrando o cerrando ventanas (fig.25a).
La opción Reset Window recoloca las ventanas de la aplicación tal y como estaban al iniciar la
sesión.
(a) Menú Window. (b) Menú Help.
Figura 25: Menús Window y Help.
2.2.6 Help
El menú Help proporciona diferentes opciones de ayuda (fig.25b).
La opción Help Contents no está operativa actualmente pero en un futuro permitirá acceder a la
documentación adjunta al software.
La opción About incluye información básica sobre las versiones de JDemetra+ y Java así como de
los directorios usados por la aplicación.
2.2.7 RegArimaDoc, X13Doc, TramoDoc, TramoSeatsDoc y SAProces

singDoc
Son opciones que aparecen en el menú principal cuando se utiliza el correspondiente método en
Modelling o Seasonal adjustment.
3 Formatos de entrada 22
3 Formatos de entrada
JDemetra+ trabaja con un conjunto de fuentes de datos predefinido, pero es posible crear plugins
que permitan añadir nuevos proveedores.
Entre las fuentes de datos que incluye por defecto se encuentran las siguientes:
• JDBC: JDemetra+ soporta todas las bases de datos estándar (Oracle, SQLServer, DB2,
MySQL) vía JDBC, que es un interfaz genérico que permite acceder una gran variedad de
bases de datos relacionales.
• SDMX (Statistical Data and Metadata eXchange).
• Spreadsheets: para series guardadas en ficheros Excel.

Los ficheros deben incluir los periodos en la primera columna (fila) y puede incluir o no los
nombres de las series en la correspondiente celda de la primera fila (columna). Cuando no
se especifican los nombres de las series, JDemetra+ les asigna los nombres S1, S2, etc por
defecto.
Si el fichero contiene nombres, la celda A1 (que corresponde a la columna/fila de periodos)
puede incluir texto o estar vacía.
JDemetra+ interpreta las celdas vacías como valores missings, y pueden aparecer al principio,
en el medio o al final de las series.
El programa deduce cierta información, como la periodicidad de los datos o los periodos inicial
y final, directamente de la primera columna o de la primera fila del fichero, dependiendo de
la orientación elegida para los datos (vertical u horizontal).
• TSW files.
• TXT files: para datos guardados en ficheros de texto .txt. La primera columna debe contener
los periodos de observación y la primera fila los nombres de las series que incluye el fiche
ro. Los campos vacíos son interpretados por JDemetra+ como valores missings y pueden
aparecer al principio, en el medio o al final de la serie.
• USCB.
• XML: para series preparadas en archivos XML. El contenido de los ficheros debe tener una
estructura XML apropiada.
Las fuentes de datos más utilizadas habitualmente son Excel, ficheros .txt y ficheros XML.
4 Carga de Series 23
4 Carga de Series
La carga de datos en JDemetra+ se realiza a través de la ventana Providers. Para importar datos
de una determinada fuente hay que pinchar sobre dicha fuente con el botón derecho del ratón y se
leccionar la opción Open del menú que se despliega. Se abrirá la ventana Open data source donde
se especificarán los detalles de la importación. Estas especificaciones dependerán del proveedor
seleccionado.
En la figura 26 se muestran las opciones disponibles cuando se carga un fichero Excel.
Figura 26: Ventana Open data source.
Para ficheros Excel, la ventana Open data source contiene las secciones Source y Options, con
las siguientes opciones:
Source
• Spreadsheet file: permite cargar el fichero con las series. Pinchando en el botón situado a la
derecha, se selecciona la ruta para acceder al fichero Excel en el que se encuentra guardada
la serie y una vez seleccionado el fichero, se pulsa el botón para que se cargue.
Options
La especificación de las opciones disponibles en esta sección es opcional.
• Data format: permite especificar el formato de los datos a cagar.
• Frequency: permite especificar la frecuencia de la serie (Undefined, Yearly, HalfYearly, Qua

driMonthly, Quarterly, BiMonthly o Monthly).
Cuando la frecuencia es Undefined, JDemetra+ determina la frecuencia de la serie analizando
la secuencia de fechas en los datos.
• Aggregation type: indica el tipo de agregación de los datos de cada serie temporal importada.
Puede ser None, Sum, Average, First, Last, Min o Max y requiere que se especifique un valor
para el parámetro Frecuency.
Por ejemplo, si Frequency es definida como Quarterly y Aggregation type como Average, una
serie mensual se transforma en una serie trimestral donde cada valor es un tercio de la suma
de los valores mensuales que pertenecen al correspondiente trimeste.
• Clean missing: borra los valores perdidos de la serie.
Los datos cargados se organizan en una estructura de árbol. Al hacer doble click sobre cualquiera
de las series cargadas, se despliega un gráfico de la misma en el panel de resultados (fig.27a). El
botón de la ventana del gráfico permite ver los datos de la serie de forma tabulada (fig.27b).
Para volver al gráfico utilizamos el botón .
(a) Gráfico de la serie. (b) Opción Grid.
Figura 27: Gráfico de la serie.
Pinchando con el botón derecho del ratón sobre cualquier zona del gráfico se despliega el menú
local del mismo (fig.28a).
• Paste: permite pegar datos de series copiadas previamente (la opción no funciona correcta
mente cuando abrimos el gráfico con el doble clic, pero sí desde la opción Container del menú
Tools).
• Select all: nos permite guardar los datos de la serie en un fichero Excel (al guardarlo hay que
incluir en el nombre la extensión .xls o .xlsx para que se guarde correctamente).
• Show title: permite mostrar u ocultar el título del gráfico.
• Show legend: permite mostrar u ocultar la leyenda del gráfico.
• Edit format...: permite configurar el formato de fechas y datos a mostrar en el gráfico.
• Color scheme: permite modificar el esquema de colores del gráfico.
• Line thickness: permite seleccionar el grosor de las líneas del gráfico.
• Clear: borra los datos del gráfico.
• Show all:
• Export image to: permite imprimir y guardar el gráfico como imagen en un fichero.
• Configure: abre la ventana Configure chart (fig.29a) que permite incluir un título en el gráfico
(apartado Title) y configurar algunas de sus opciones (mostrar leyenda, título, ejes y modificar
el grosor y color de las líneas, opciones también disponibles en la opción correspondiente del
menú).
Si se marca cualquiera de las series en el gráfico y se pulsa el botón derecho del ratón, aparece un
menú local con acciones adicionales que se pueden realizar sobre cada una de las series (fig.28b).
(a) Opciones básicas. (b) Opciones adicionales.
Figura 28: Menú local del gráfico.
• Open with: permite abrir la serie en una ventana separada de acuerdo a la elección del usuario
(Chart & Grid o sólo Simple chart).
• Save: nos permite guardar los datos de la serie en un fichero Excel. Seré necesario especificar
la extensión (.xls o .xlsx).
• Rename: permite cambiar el nombre de la serie.
• Copy: permite copiar los datos de la serie para copiarlos después en un archivo (Excel por
ejemplo).
• Paste: permite pegar datos de series copiadas previamente (la opción no funciona correcta
mente cuando abrimos el gráfico con el doble clic, pero sí desde la opción Container del menú
Tools).
• Split into yearly components: abre una ventana con la gráfica de la serie dividida por años
(fig.29b).
Este gráfico es útil para investigar las diferencias en los valores de la serie causados por
factores estacionales, y da una idea sobre la existencia y tamaño de la estacionalidad deter
minística y estocástica en los datos.
• Select all: permite seleccionar todas las series del gráfico.
• Show all:
• Show title: permite mostrar u ocultar el título del gráfico.
• Show legend: permite mostrar u ocultar la leyenda del gráfico.
• Color scheme: permite modificar el esquema de colores del gráfico.
• Line thickness: permite seleccionar el grosor de las líneas del gráfico.
• Clear: borra los datos del gráfico.
• Export image to: permite imprimir y guardar el gráfico como imagen en un fichero.
• Configure: abre la ventana Configure chart (fig.29a) que permite incluir un título en el gráfico
(apartado Title) y configurar algunas de sus opciones (mostrar leyenda, título, ejes y modificar
el grosor y color de las líneas, opciones también disponibles en la opción correspondiente del
menú).
(a) Opción Configure. (b) Opción Split into the yearly components.
Figura 29: Opciones del menú local.

5 Modelización de series temporales con JDemetra+ 27
5 Modelización de series temporales con JDemetra+

5.1 Especificaciones
Las especificaciones a las que nos referimos en esta sección son el conjunto de parámetros y
valores asignados a los mismos que contienen toda la información necesaria para realizar la mo
delización de una serie temporal.
JDemetra+ contiene un conjunto de especificaciones predefinidas que permiten al usuario modeli
zar la serie usando el método TRAMO o el método RegARIMA. Las especificaciones que incluye
para cada método son las utilizadas con mayor frecuencia en ajuste estacional y se muestran dentro
del nodo Modelling de la ventana Workspace, cuando se despliegan las opciones tramo o regarima
de la sección specifications. La terminología que se emplea corresponde a la utilizada en TSW+
(fig.34).
(a) Especificaciones de modelización TRAMO. (b) Especificaciones de modelización.
Figura 30: Especificaciones de modelización RegArima.
Haciendo doble click sobre cualquiera de ellas se abre una ventana donde se puede ver el valor
que toma cada uno de los parámetros de la especificación. En la tabla 31 se muestran las opciones
de cada una de las especificaciones predefinidas.
Transformation test: indica si se realiza un pretest para determinar si se trabaja con la serie en
niveles o con la serie en logaritmos.
Preadjustment for leapyear: indica si se aplica la corrección del efecto de Año Bisiesto (Leap
Year).
Working days: indica si se realiza un pretest para determinar la presencia de efectos de Working
Day (días laborables) usando un único regresor.
Trading days: indica si se realiza un pretest para determinar la presencia de efectos de Trading
Day (efecto de los distintos días de la semana) utilizando seis regresores.
Easter effect: indica si se realiza un pretest para determinar la presencia del efecto de Semana
Santa en la serie original. El efecto de Semana Santa que se considera tiene una longitud de 6 días
para las especificaciones TRAMO y de 8 días para las especificaciones RegARIMA.
Outliers: indica si se realiza la identificación automática de outliers. Los outliers que JDemetra+
identifica automáticamente son de 3 tipos: impulsos (AO: additive outliers), cambios de nivel (LS:
level shifts) y cambios transitorios (TC: transitory changes). En la identificación se utilizan los valo
res críticos por defecto.
ARIMA model: indica si se ajusta a la serie un modelo ARIMA (0, 1, 1)(0, 1, 1)s (modelo de Líneas
Aéreas) o bien un modelo con el procedimiento de identificación automático (AMI).
Figura 31: Especificaciones predefinidas de modelización.
Se pueden crear nuevas especificaciones tramo y rega-

rima desde la sección specifications del nodo Mode-
lling de la ventana Workspace, pinchando con el botón
derecho del ratón sobre la opción correspondiente y
seleccionando New en el menú local. Una vez creadas,
se pueden renombrar, clonar o borrar con las distintas
opciones del menú que se despliega al pichar sobre ella
con el botón derecho del ratón.
Figura 32: Creación de una nueva especificación en la sección Modelling.
Para ver y/o modificar los parámetro de cualquier especificación, nos situamos sobre la misma y
seleccionamos la opción Open del menú local que se despliega al pulsar el botón derecho del ratón
(fig.33a) o bien hacemos doble click sobre la misma.
Los valores de los parámetros que definen cualquier especificación (tanto predefinidas como las
creadas por el usuario) se presentan agrupados en cinco apartados (fig.33b): ESTIMATE, TRANS
FORMATION, REGRESSION, OUTLIERS y ARIMA.
(a) Abrir detalles de una especificación de modelización. (b) Secciones de las especificacines de modelización.
Figura 33: Detalles de la especificación.
En las siguientes subsecciones se describen las opciones disponibles en cada apartado para las
especificaciones tramo. Dichas opciones están basadas en el programa TSW+ por lo que al lado
de cada parámetro se incluirá entre paréntesis su homólogo en TRAMO, cuando éste exista. Los
asteriscos indican pequeñas variantes del parámetro en cuestión.
5.1.1 ESTIMATE
Contiene parámetros que detallan el procedimiento de estimación del modelo TRAMO que se de
termina en las secciones REGRESSION y ARIMA (fig.34a).
Model span - Type (-; -): intervalo de observaciones que se va a utilizar para realizar la modelización.
Puede tomar los valores:
All: considera la serie completa en la modelización. Es el valor por defecto.
From: se toma la serie desde la fecha especificada en adelante.
To: se toma la serie desde el inicio hasta la fecha especificada.
Between: se considera la serie entre las fechas inicial y final especificadas.
Last: indica el número de observaciones que se considerarán desde el final de la serie hacia
atrás.
First: indica número de observaciones que se consideran desde el inicio de la serie hacia
adelante.
Excluding: indica número de observaciones de la serie excluídas desde el inicio (especificadas
en el campo First) y/o el final (especificadas en el campo Last).
Tolerance (Estimation tuning; TOL): tolerancia utilizada para determinar la convergencia de la es
timación no lineal.
Los cambios absolutos en la logverosimilitud se comparan con el valor de Tolerance para compro
bar la convergencia de las iteraciones de la estimación. Su valor por defecto es 0.0000001.
Exact ML (Estimation tuning; INCON): indica el método aplicado para estimar los coeficientes del
modelo ARIMA. Si la opción está activa, la estimación se realiza por máxima verosimilitud exacta y
si está desactivada se utiliza el método de Mínimos Cuadrados Incondicionados. Por defecto está
marcada. En la versión actual de JDemetra+ no se recomienda cambiar el valor de este parámetro.
(a) Sección ESTIMATE. (b) Sección TRANSFORMATION.
Figura 34: Secciones ESTIMATE y TRANSFORMATION.
Unit root limit (Unit roots; UPR, UBP): umbral para el test final de raíces unitarias en la identifica
ción de los órdenes de diferenciación. Si la magnitud de la inversa de una raíz autorregresiva del
modelo ARIMA final es mayor que este límite dicha raíz se considerará unitaria, se reducirá en uno
el orden del polinomio AR correspondiente y se incrementará el orden de diferenciación (regular o
estacional) que corresponda. Su valor por defecto es 0.96.
5.1.2 TRANSFORMATION
Incluye los parámetros que especifican si se aplica alguna transformación a la serie antes de realizar
el ajuste del modelo (fig.34b).
Function (Transformation; LAM): transformación de los datos. Puede tomar los valores:
None: no se aplica ninguna transformación a los datos.
Auto: el programa realiza un pretest para determinar si se aplica la transformación logarítmica
a los datos o se trabaja con la serie sin transformar (en niveles) idéntico al implementado en
TSW+. Es el valor por defecto del parámetro Function.
Log: se aplica la transformación logarítmica a los datos.
Fct (Transformation; FCT): este parámetro es un valor real que controla el sesgo en el pretest
logaritmoniveles. Se activa cuando Function = Auto. Si Fct > 1 favorece la elección de niveles y
si Fct < 1 favorece la elección de logaritmos. Su valor por defecto es 0.95.
5.1.3 REGRESSION
Contiene los parámetros que permiten la estimación de efectos deterministas en la serie a través
de variables de regresión (fig.35).
Las variables de regresión puede ser de distinta naturaleza: definidas por el usuario, outliers pre
definidos, variables de intervención y efectos de calendario. Estos últimos también pueden ser
definidos por el usuario.
Figura 35: Sección REGRESSION.
Calendar
– Trading days
Option (Trading day; itrad*): indica el tipo de calendario asignado a la serie. Los tipos de
estimación de calendario disponibles son:
None: no se incluye efecto de tradingday en la regresión ni ningún efecto de calendario
definido por el usuario.
Default: se usa el calendario por defecto de JDemetra+, el cual no incluye festividades
específicas de ningún país. Es el valor por defecto del parámetro.
Stock: estima los efectos de los días de la semana para inventarios y stocks reportados
el wth día del mes (introducir 31 para indicar el último día del mes).
Holidays: permite modificar las variables de tradingday predefinidas para tener en cuenta
los festivos específicos del país.
El usuario debe de haber definido previamente un calendario que incluya dichas festivi
dades. Además, esta elección implica que el usuario debe asignar el valor TradingDays o
WorkingDays al parámetro tradingDays y el nombre del calendario definido al parámetro
Holidays.
UserDefined: cuando se desean introducir variables de calendario definidas por el usuario
distintas de las calculadas automáticamente por JDemetra+. Con esta opción, los efectos
de calendario sólo se pueden capturar de una lista de variables previamente definida por
el usuario en el apartado Variables del nodo Utilities del Workspace.
automatic (Trading day; ITRAD*): determina si los efectos de calendario se introducen en el
modelo automáticamente (en base a un test) o interactivamente. Los efectos de calendario
considerados en este parámetro son los de TradingDay (efecto de los distintos días de la
semana), WorkingDay (laborables/no laborables) y Leap Year (año bisiesto).
Los valores que puede tomar este parámetro son:
Unused: los efectos de calendario que se incluirán en el modelo son los que el usuario
especifique a través de los parámetros Option, tradingDays y Leap year. Es el valor por
defecto.
FTest: se elige entre las especificaciones de TradingDay y WorkingDay en base a los
resultados del Ftest sobre los coeficientes de las variables de calendario para los modelos
incluyendo unas y otras variables. Se elige la especificación con mayor valor del Ftest
siempre que dicho valor sea mayor que el fijado para el parámetro Pftd.
WaldTest: el modelo con la especificación de Working days se restringe a Trading days.
La elección del número de variables de calendario a incluir en el modelo se basa en el
resultado del test del Wald calculado sobre dicha restricción. El modelo seleccionado será
el que mayor valor del Ftest proporcione siempre que dicho valor sea mayor que el valor
fijado para el parámetro Pftd.
Pftd (Trading day; PFTD): este parámetro sólo se muestra si automatic = Ftest o automatic =
WaldTest y en esos casos su valor especifica el nivel de significación del test seleccionado.
Su valor por defecto es 0.01.
Holidays (Regression variables; IREG*): este parámetro sólo aparece si Option = Holidays.
Especifica el nombre del calendario definido por el usuario que se desea utilizar para construir
los regresores de calendario. Su valor por defecto es Default que implica que los regresores se
obtendrán con el calendario predefinido que incluye JDemetra+, el cual no considera festivos
específicos de ningún país.
UserVariables (Regression variables; IREG, IUSER, usertype = (...td...)∗): este parámetro apa
rece cuando Option = UserDefined. Permite incluir regresores de calendario construidos por
el usuario en el modelo.
Las variables que se especifiquen tienen que haber sido definidas previamente por el usuario
en la opción Variables del nodo Utilities de la ventana Workspace.
tradingDays (Trading day; ITRAD): indica la especificación que se utilizará del efecto de
tradingday. Este parámetro está disponible sólo si el parámetro automatic = Unused y Option
= Default o Holidays. Los valores que acepta son los que se muestran a continuación, aunque
algunas opciones pueden estar desabilitadas según los valores asignados a otros parámetros:
None: no se incluyen variables de calendario en el modelo (excluye tanto tradingday como
Leap Year).
TradingDays: incluye una especificación del efecto de tradingday con 6 regresores (uno
para cada día de la semana excepto el domingo). Es el valor por defecto.
WorkingDays: incluye una especificación del efecto de tradingday con un único regresor
(laborables/no laborables).
Leap year (Regression variables; ITRAD): habilita/deshabilita la corrección del efecto de año
bisiesto (Leap Year effect). La casilla de verificación está activada por defecto lo que implica
que se realizará la corrección del efecto de año bisiesto.
RegressionTestType (Regression variables; ITRAD*): especifica si se realiza un pretest de los
efectos de tradingday. Sólo está disponible si el parámetro automatic = Unused. En ese caso,
los valores que puede tomar son:
None: no se realiza ningún test y todas las variables de calendario especificadas se inclu
yen en el modelo directamente.
Separate_T: se aplica un ttest de significación separadamente a cada variable de trading
day y todas las variables se incluyen en el modelo si al menos un testadístico es mayor
que 2.6 o si dos testadíscos son mayores que 2.0 (en valor absoluto). Es la opción por
defecto.
Joint_F: se realiza un Ftest de significación conjunta de todas la variables de tradingday.
El efecto es significativo si el Festadístico es mayor que 0.95, en cuyo caso se incluyen
todas las variables.
– Easter
Option (easter effect; IEAST*): este parámetro controla la inclusión y longitud del efecto de
Semana Santa. Los valores que puede tomar son:
Unused: no se considera el efecto de Semana Santa.
Standard: el efecto de Semana Santa incluye los n días inmediatamente anteriores al
Domingo de Semana Santa (Domingo de Pascua), donde n es el valor del parámetro
Duration. Es el valor por defecto.
Include Easter: el efecto de Semana Santa incluye el periodo de n días hasta el Domingo
de Semana Santa, éste incluído. n es el valor del parámetro Duration.
Include Easter Monday: el efecto de Semana Santa incluye el periodo de n días hasta el
Lunes de Pascua (justo el posterior a la Semana Santa), éste incluido. n es el valor del
parámetro Duration.
Julian: si se activa esta opción se utiliza el calendario juliano en lugar del gregoriano para el
cáculo del regresor de Semana Santa.
Duration (easter effect; IDUR): indica la longitud en días del efecto de Semana Santa. Puede
variar entre 1 y 15 días. Su valor por defecto es 6.
Test (easter effect; IEAST): habilita/deshabilita el pretest de significatividad del efecto de Se
mana Santa. Si la casilla está activa, se realiza un test del efecto de Semana Santa y si el
testadístico de contraste tiene un valor mayor que 1.96 se considerará que el efecto es signi
ficativo.
Por defecto la casilla de verificación está marcada, lo que implica que se realiza el ttest.
Pre-specified outliers (regression variables; -): permite incluir outliers de los que se tiene conocimien
to previo de su existencia en determinados periodos de tiempo. JDemetra+ incluye cuatro tipos de
outliers predefinidos: AO (additive outliers), LS (level shifts), TC (temporary chages) y SO (seasonal
outliers). Por defecto no se incluye ningún outlier preespecificado.
Intervention variables (regression variables; -): las variables de intervención se definen como en
TSW+. Estos efectos son sucesos excepcionales de cuya existencia se tiene conocimiento a priori,
tales como huelgas, cambios de políticas, etc.
Las variables de intervención se definen como cualquier secuencia de unos y ceros sobre la cual se
aplica algún operador. Las variables de intervención se construyen como combinaciones de cinco
estructuras básicas:
– Variables Dummy;
– Cualquier secuencia de unos y ceros;
– 1
(1−δB)′ , 0 < δ ≤ 1;
– 1
(1−δs B s )′ , 0 < δs ≤ 1;
1
– (1−B)(1−B s )′ .
donde B es el operador retardo y s la frecuencia de la serie ( s = 12 para series mensuales y s = 4

para series trimestrales). Estas operaciones permiten generar, además de AO, LS, TC, SO Y RP,
variables de intervención más sofisticadas que se ajusten mejor a cada caso particular.
Por defecto, no se incluye ninguna variable de intervención en la especificación del modelo.
Ramps effects (regression variables; -): una rampa se define como un crecimiento o decrecimiento
lineal del nivel de la serie a lo largo de un cierto intervalo de tiempo [t0 , t1 ]. El periodo de tiempo
que abarca la rampa debe ser un subperiodo del periodo analizado.
Para incluir una rampa en el modelo hay que especificar las fechas de inicio y fin de la misma. Con
respecto a cómo se introducían estas fechas en TSW+, la fecha de inicio de la rampa en JDemetra+
se corresponde con un periodo anterior al que especificaríamos en TSW+, y la fecha final con un
periodo posterior.
Las rampas pueden solaparse con AO, LS y con otras rampas. Por defecto no se incluye ninguna
rampa en la especificación del modelo.
User-defined variables (regression variables; -): para especificar cualquier otro regresor externo que
el usuario desee incluir en el modelo.
Los regresores deben cubrir el periodo de la variable dependiente en cuanto a número de obser
vaciones y tienen que estar incluidos en una o varias variables definida previamente en la opción
Variables del nodo Utilities del Workspace.
El efecto de las variables definidas por el usuario puede asignarse a la componente tendencia, a la
componente irregular, a la componente estacional, a la serie ajustada estacionalmente o a ninguna
de las anteriores (opción Undefined), en cuyo caso existirá como una componente adicional. La
opción Undefined es la opción por defecto e implica que el efecto de la variable de regresión se
resta de la serie original para mejorar la modelización, pero que dicho efecto no se elimina de la
serie cuando se lleva a cabo la descomposición.
Como la asignación a la componente de calendario no está disponible en esta sección, las variables
definidas por el usuario que se deseen asignar a dicha componente deben añadirse a las especifi
caciones de calendario (en el apartado Trading days).
Por defecto no se incluye ninguna variable definida por el usuario en la especificación del modelo.
Fixed regression coefficients: permite fijar el valor de los coeficientes de las variables de regresión
preespecificadas incluidas en el modelo (outliers, regresores de calendario, usedefined variables,
etc.). Esta opción sólo está disponible cuando el parámetro Function = None o Function = Log
pues con el valor Auto no tiene sentido fijar coeficientes (fig. 36).
Los pasos para fijar el coeficiente de regresión de una variable son los siguientes:
1. Elegir la transformación de los datos (None o Log).

2. Definir la variable regresora a incluir.
3. Pulsar el botón del apartado Fixed regression coefficients.
4. Pulsar el botón , seleccionar la variable y pulsar .
5. Especificar el valor del coeficiente seleccionando la variables y pulsando el botón .
Cuando se va a fijar el coeficiente de alguna variable de regresión se deben tener en cuenta las
siguientes consideraciones:
– Existen opciones de la especificación que no podrán ser modificadas, entre ellas la transfor
mación aplicada a los datos.
– Para fijar coeficientes correspondientes a regresores de calendario será necesario eliminar
los pretests.
– Cuando se desee fijar coeficientes de variables de tradingday con una especificación de 6
regresores, será obligatorio fijar el coeficiente de todos ellos. No es posible fijar sólo el valor
de algunos de ellos.
– Los coeficientes de regresión fijos se utilizarán cuando se aplique la política de actualización
Fixed model (ver sección 6.3).
Figura 36: Fijar coeficientes de regresión
5.1.4 OUTLIERS
En esta sección se especifican los parámetros que permiten llevar a cabo una detección automática
de outliers (AO, TC, LS, SO y cualquier combinación de ellos) usando el modelo especificado.
Is enabled (outliers; IATIP): habilita/deshabilita la detección automática de outliers en el periodo

de tiempo especificado en la opción Detection span.
Por defecto la casilla de verificación está marcada activando la detección automática de outliers.
Use default critical value (outliers; VA): valor crítico que se utilizará por defecto en la detección de
outliers. Este valor crítico se determina automáticamente en función del número de observaciones
en el periodo especificado en la opción Detection span. Si la opción Use default critical value está
desactivada el procedimiento utiliza el valor crítico que se especifique en el parámetro Critical value
de este apartado.
El valor crítico es único para todos los tipos de outliers no siendo posible definir un valor crítico
distinto para cada uno de ellos.
La casilla de verificación está marcada por defecto y el valor crítico se determina automáticamente.
Critical value (outliers; VA): este parámetro permite especificar un valor crítico para la detección
de outliers distinto del calculado automáticamente. Este parámetro se activa una vez deshabilitada
la opción Use default critical value. Su valor por defecto es 3.5.
Detection span - Type (outliers; INT1, INT2): intervalo sobre el que se desea realizar la búsqueda
de outliers en la serie. Los valores disponibles son:
All: la detección de outlier se realiza sobre la serie completa. Es el valor por defecto.
From: la detección de outliers en la serie se realiza desde la fecha especificada en adelante.
To: la detección de outliers en la serie se realiza desde el inicio de la misma hasta la fecha
especificada.
Between: la detección de outliers en la serie se realiza entre las fechas inicial y final especifi
cadas.
Last: indica el número de observaciones que se considerarán desde el final de la serie hacia
atrás en la detección de outliers.
First: indica número de observaciones que se consideran desde el inicio de la serie hacia
adelante en la detección de outliers.
Excluding: indica número de observaciones de la serie excluídas desde el inicio (especificadas
en el campo First) y/o el final (especificadas en el campo Last) en la detección de outliers.
Figura 37: Sección OUTLIERS.

Additive (outliers; AIO*): habilita/deshabilita la identificación automática de outliers aditivos (AO).Esta

opción está habilitada por defecto.
Level shift (outliers; AIO*): habilita/deshabilita la identificación automática de cambios de nivel (LS).
Esta opción está habilitada por defecto.
Transitory change (outliers; AIO*): habilita/deshabilita la identificación automática de cambios tran
sitorios (T C). Esta opción está habilitada por defecto.
Seasonal outlier (outliers; AIO*): habilita/deshabilita la identificación automática de outliers estacio
nales (SO). Esta opción está deshabilitada por defecto.
EML estimation (outliers; IMVX): habilita/deshabilita el método de Máxima Verosimilitud Exacta en
la estimación de los parámetros del modelo en los pasos intermedios de la detección y corrección
automática de outliers. Si la casilla está desactivada la estimación se realiza con el algoritmo rápido
de HannanRissanen. Esta opción está deshabilitada por defecto.
TC rate (outliers; DELTATC): es un valor entre 0 y 1 que establece el ratio de decrecimiento de
los transitory changes (TC). Su valor por defecto es 0.7.
5.1.5 ARIMA
La identificación de la parte ARIMA del modelo RegARIMA se puede realizar de forma automática
o bien de forma interactiva mediante la especificación de los parámetro adecuados por parte del
usuario. Esta elección se controla mediante el parámetro Automatic.
(a) Modelización automática. (b) Modelización interactiva.
Figura 38: Sección ARIMA.
Cuando se habilita la opción Automatic la estructura final del modelo ARIMA es el resultado de un
procedimiento de identificación automático. El máximo orden que puede alcanzar cada uno de los
polinomios es 3 para la parte regular y 1 para la parte estacional.
Automatic (automdl; ami; IDIF, INIC*): habilita/desabilita la modelización ARIMA automática. Es
ta opción está habilitada por defecto, lo que implica que la modelización ARIMA se lleva a cabo de
forma automática.
Los parámetros que aparecen en la sección ARIMA cuando la casilla Automatic está activada
(identificación automática del modelo) son los que aparecen en la figura 38a:
Accept Default (-; -): controla si el modelo por defecto (ARIM A(0, 1, 1)(0, 1, 1)s ) puede ser elegido
como modelo final en el primer paso de la identificación automática del modelo. Más explícitamente,
si el estadístico Q de LjungBox para los residuos es aceptable, se selecciona el modelo por defecto
y no se realizan más intentos para identificar un modelo distinto.
Por defecto, esta opción está deshabilitada.
Cancelation limit (ami; CANCEL): límite para el cual se asume que las raíces de los polinomios
AR y MA son iguales. Este parámetro se utiliza en la identificación automática del orden de diferen
ciación. Si en la estimación de modelos ARIM A(1, 0, 1)(1, 0, 1)s que se lleva a cabo en el segundo
paso de la identificación automática de los polinomios de diferencias, la diferencia en módulo de
una raíz AR y una MA es menor que el valor del parámetro Cancelation limit, las dos raíces se
consideran iguales y se cancelan. Su valor por defecto es 0.05.
Initial UR (Diff.) (ami; UB1): umbral para el test inicial de raíces unitarias del procedimiento auto
mático de determinación del orden de diferenciación. Debe ser un valor menor que uno.
Cuando en la estimación del modelo ARIM A(2, 0, 0)(1, 0, 0)s con media que se realiza en el primer
paso del proceso de identificación automática del modelo, el módulo de una de las raíces es mayor
que el valor del parámetro Initial UR (Diff.), dicha raíz se hace igual a la unidad. Su valor por
defecto es 0.97.
Final UR (Diff.) (ami; UB2): umbral para el test final de raíces unitarias del procedimiento automá
tico de diferenciación. Su valor debe ser menor que uno.
Cuando en la estimación del modelo (1, 0, 1)(1, 0, 1)s con media que se realiza en el segundo paso
del proceso de identificación automática del modelo, el módulo de una de las raíces es mayor que
el valor del parámetro Final UR (Diff.), se comprueba si existen factores comunes en los polino
mios AR y MA del modelo ARMA que se puedan cancelar y si no hay cancelación la raíz AR se
hace igual a uno (i.e. cambia el orden de diferenciación de modelo). Su valor por defecto es 0.91.
Arma limit (ami; TSIG): valor crítico para los los testadísticos de los coeficientes ARIMA en el test
final de parsimonia del modelo. Su valor debe ser mayor que cero.
Si el coeficiente de mayor orden del modelo ARMA tiene un tvalor en valor absoluto menor que
el valor de este parámetro, JDemetra+ reduce el orden del modelo. También se utiliza para el test
final sobre la media del modelo, de modo que si su tvalor en valor absoluto es menor que Arma
limit se especificará un modelo sin media. Por defecto, toma el valor 1.
Reduce CV (outliers; PC): porcentaje en el cual se reduce el valor crítico para la detección de
outliers en la segunda ejecución cuando en la primera ejecución el modelo seleccionado durante el
proceso de modelización automático tiene un estadístico de LjungBox con un nivel de confianza
inaceptable. Este parámetro sólo está activo si se selecciona la identificación automática de outliers.
Su valor debe estar entre 0 y 1.
El valor crítico reducido será (1 − Reduce CV) × CV, donde CV es el valor crítico original.
LjungBox limit (ami; PCR): nivel de confianza para el contraste Q de LjungBox utilizado en la
identificación automática del modelo.
Si el estadístico Q de LjungBox de los residuos del modelo final es mayor que el valor crítico
correspondiente a un nivel de confianza igual al parámetro LjungBox limit, se rechaza el modelo, se
reduce el valor crítico de los outliers y se vuelve a realizar la estimación del modelo y la identificación
de outliers con un valor crítico reducido (ver parámetro Reduce CV). Si se realizan dos intentos
infructuosos se identificará un modelo por defecto, que normalmente será el (3, 1, 1)(0, 1, 1)s . El
valor por defecto del parámetro es 0.95.
Compare to default (ami; AMICOMP): si esta opción está marcada se compara el modelo iden
tificado por el procedimiento automático con el modelo ARIM A(0, 1, 1)(0, 1, 1)s y se selecciona
de entre ellos el que proporcione mejor ajuste. Esta comparación se realiza porque el modelo
ARIM A(0, 1, 1)(0, 1, 1)s es robusto y las desviaciones del mismo pueden ser inestables.
Los criterios para la comparación son la diagnosis de los residuos de ambos modelos (error están
dar de los residuos y coeficiente de confianza del estadístico Q de LjungBox), el número de outliers
y la estructura y parámetros estimados del modelo identificado por el procedimiento automático.

Por defecto la casilla de verificación correspondiente está deshabilitada, lo que implica que no se
lleva a cabo la comparación.
Cuando la casilla de verificación correspondiente al parámetro Automatic está deshabilitada, JDe

metra+ permite al usuario especificar la estructura de la parte ARIMA del modelo RegARIMA y sus
coeficientes.
Figura 39: Especificación manual del modelo ARIMA.
Los parámetros que se muestra en la sección ARIMA al desmarcar la opción Automatic (identifica
ción interactiva) son los que aparecen en las figuras 38b y 39:
Mean (mean; IMEAN): habilita/desabilita la media en el modelo ARIMA especificado. La casilla

está activada por defecto, incluyendo la media en el modelo.
P (arima; P): orden del polinomio autorregresivo (AR) de la parte regular del modelo ARIMA. El
máximo valor que puede tomar es 3. Su valor por defecto es 0.
phi (arima; PHI, JPR): coeficientes del polinomio autorregresivo de la parte regular. A cada paráme
tro AR regular se le asigna una etiqueta que indica el procedimiento que se sigue en su estimación:
Undefined: el parámetro se estima sin usar ninguna información adicional proporcionada por
el usuario. Es el valor por defecto.
Initial: el parámetro se estima usando como condición inicial el valor definido por el usuario.
Fixed: el parámetro se mantiene fijo en el valor especificado por el usuario.
D (arima; D): número de diferencias regulares. El número máximo de diferencias regulares que se
puede especificar es 2. Su valor por defecto es 1.
Q (arima; Q): orden del polinomio de medias móviles (MA) de la parte regular del modelo ARIMA.
El máximo valor que puede tomar es 3. Su valor por defecto es 1.
theta (arima; TH, JQR): coeficientes del polinomio de medias móviles de la parte regular. A cada
parámetro MA regular se le asigna una etiqueta que indica el procedimiento que se sigue en su
estimación:
Undefined: el parámetro se estima sin usar ninguna información adicional introducida por el
usuario. Es el valor por defecto.
BP (arima; BP): orden del polinomio autorregresivo estacional. El máximo valor que puede tomar
es 1. Su valor por defecto es 0.
Bphi (arima; BPHI, JPS): coeficientes del polinomio autorregresivo de la parte estacional. A cada
parámetro AR regular se le asigna una etiqueta que indica el procedimiento que se sigue en su
estimación:
BD (arima; BD): número de diferencias estacionales. El máximo número de diferencias estaciona

les que se puede especificar es 1, que es su valor por defecto.
BQ (arima; BQ): orden del polinomio de medias móviles estacional. El máximo valor que puede
tomar es 1.
Por defecto vale 1.
Btheta (arima; BTH, JQS): coeficientes del polinomio de medias móviles estacional. A cada pa
rámetro MA regular se le asigna una etiqueta que indica el procedimiento que se sigue en su
estimación:
5.2 Resultados
Los resultados del proceso de modelización realizado con las opciones TRAMO o RegArima se
almacenan dentro de la ventana Workspace, en la sección Documents del nodo Modelling. Estos
documentos se muestran en las ventanas TramoDoc (para TRAMO) y RegArimaDoc (para los
modelos RegArima) y se pueden crear de varias formas:
• Desde el menú principal (fig.40) con la opción
Statistical Methods → Modelling → Single Analysis → Tramo/RegArima.
Figura 40: Creación de un documento desde el menú principal.
En este caso se abrirá directamente la ventana TramoDoc# o RegArimaDoc# en el panel

de resultados.
• Desde la ventana Workspace, en el nodo Modelling, tanto desde la opción specifications como
desde la opción documents (fig.41 y 42).
Para crear el documento desde la op-

ción specifications, seleccionamos
la especificación con la que quere-
mos ajustar el modelo (en el aparta-
do tramo o en regarima) y elegimos
la opción Create Document en el me-
nú local que se abre al pinchar con
el botón derecho.
Para abrir el documento en el pa-
nel de resultados tenemos que des-
plegar las opciones documents y tra-
mo/regarima y hacer doble click so-
bre el nombre del mismo.
Figura 41: Creación de un documento desde la opción specifications.
Para crear el documento des-

de la sección documents, mar-
camos el método de modeliza-
ción que vamos a utilizar (tra-
mo o regarima) y elegimos la
opción New en el menú local .
Como antes, para abrir el docu-
mento en el panel de resultados
tenemos que hacer dobre click
sobre su nombre en la sección
documents correspondiente.
Figura 42: Creación de un documento desde la opción documents.
Si se abren varios documentos a la vez, en el panel de resultados aparecerán tantas pestaña

TramoDoc# o RegArimaDoc# como documentos hayamos abierto. Podemos ver el contenido
de más de un documento simultáneamente si pinchamos con el botón derecho sobre una de las
pestañas y seleccionamos en el menú que se despliega la opción New Document Tab Group.
Para volver a la vista inicial, hacemos lo mismo pero seleccionando Collapse Document Tab Group
(fig.43).
Figura 43: Mostrar varios documentos.
La modelización y la generación del documento con los resultados se realizan de forma automática
una vez arrastrada la serie desde la ventana Providers a la ventana del documento donde aparece
el mensaje "Drop data here" (fig.44).
Figura 44: Elección de una serie para la modelización.
A continuación se describe el output para la modelización mediante el método TRAMO. La salida

que produce es similar a la que resulta con con el método RegARIMA, por lo que todo lo expuesto
a continuación es aplicable para este caso.
Los resultados se dividen en dos partes, Intput y Model, organizadas en una estructura de árbol que
puede ser expandida. Pinchando en cada nodo en la parte izquierda de la ventana de resultados
(pestaña TramoDoc#), se despliega su contenido en el panel derecho de la misma (fig.45).
Figura 45: Panel de resultados de la modelización.
5.2.1 Input
Este nodo incluye los datos de la serie original y las especificaciones utilizadas para realizar el
análisis.
Figura 46: Subnodo Specifications.
5.2.1.1 Specifications
En este subnodo se muestra la configuración de parámetros con la que se ha realizado la modeli
zación (fig.46).
5.2.1.2 Series
En este subnodo se muestran los datos tabulados de la serie original. La tabla mostrada se puede
copiar a una hoja de Excel directamente arrastrándola desde la celda superior izquierda a la hoja.
Si pinchamos inicialmente sobre la tabla con el botón derecho del ratón, se abre un menú local
con las siguientes opciones (fig.47):
• Select all: activa nuevas opciones en el menú.
• Transpose: cambia la orientación de la tabla de horizontal a vertical y viceversa.
• Reverse chronology: muestra la serie de la última a la primera observación.
• Single time series: si está activa, permite mostrar las observaciones de la serie por periodos de
calendario (meses, trimestres). Cuando está desactivada, los datos de la serie se presentan
de forma estándar en una única columna.
• Edit format: permite buscar fechas y valores para modificarlos.
• Use color scheme: muestra los datos de la serie utilizando el esquema de colores seleccionado
en la opción Color scheme.
• Color scheme: permite modificar la apariencia de la tabla en base a distintos esquemas de

colores. Para que se aplique el esquema seleccionado tiene que estar activada la opción Use
color scheme del menú local.
• Show bars: permite visualizar los valores de la serie en barras horizontales cuando la opción
Single time series del menú está activada.
• Show crosshair: resalta la fila y columna correspondientes a la celda de la tabla sobre la que
estemos posicionados.
• Zoom: permite modificar el tamaño de la tabla.
Figura 47: Subnodo Series.
La opción Select all nos permite copiar la tabla a una hoja Excel simplemente seleccionando y
arrastrando la tabla desde cualquier celda a la hoja. Además, activa nuevas opciones en el menú
local:
• Open: abre una ventana con el gráfico de la serie.
• Open with: abre la serie en una ventana independiente de acuerdo a la elección realizada
(Chart & grid o Simple chart). La opción All ts views no está disponible actualmente.
• Save: permite guardar la tabla en un fichero excel (Spreadsheet file) o en un fichero de texto
(Text file). Con la opción Spreadsheet file es necesario especificar la extensión (.xlsx o .xls)
en el nombre del fichero para que éste se genere correctamente.
• Rename: permite cambiar el nombre de la serie.
• Copy: copia la serie y permite pegarla en otra aplicación (por ejemplo en Excel).
5.2.2 Model
Al posicionarnos directamente sobre este nodo, se muestra toda información básica sobre el mode
lo final organizada en dos secciones: Summary y Final model (fig.48). El contenido de cada una de
ellas depende de la especificación utilizada en el proceso y de los resultados obtenidos del mismo.
El apartado Summary siempre contiene el periodo de observación de la serie con el que se ha

llevado a cabo la modelización (Estimation span) y el número de observaciones utilizadas (# ob-
servations). También puede aparecer en este apartado algunos de los mensajes que se recogen en
la tabla 1.
Figura 48: Nodo Model.

Series has been log-transformed Indica que se ha aplicado la transformación logarítmica a la serie.
No trading days effects Indica que no se han incluido efectos de trading day en el modelo.
No easter effect Indica que no se ha incluido el efecto de Semana Santa automático

en el modelo.
Trading days effect (K variables) Indica que se han incluido K regresores de calendario en el mode-
lo.
Easter [Duration] effect detected Indica que se ha incluido el efecto Semana Santa automático en
el modelo.
N pre-specified outliers Indica que se han introducido interactivamente N outliers.
M detected outliers Indica que el número M de outliers detectados automáticamente.
Cuadro 1: Mensajes Modelización.
En la sección Final Model se muestra la salida del proceso de estimación. En primer lugar aparece la
subsección Likelihood statistics que da información relativa a la estimación de máxima verosimilitud:
Number of effective observations: número efectivo de observaciones utilizadas en la estima

ción del modelo, i.e., el número de observaciones de la serie transformada (diferenciada re
gular y/o estacionalmente).
Number of estimated parameters: suma del número de parámetros autorregresivos y de me
dias móviles, tanto de la parte regular como estacional, del efecto medio (1 si el modelo tiene
media y 0 si no), del número de regresores de calendario, de número de outliers, del número
de otros regresores incluidos en el modelo, más 1.
Loglikelihood: valor de la logverosimilitud final, después de las iteraciones realizadas en el

proceso de estimación por máxima verosimilitud exacta. Este valor es el que se utiliza para
calcular los criterios de selección del modelo: AIC, AICC, BIC (corrected by length) y el
criterio de Hannan-Quinn.
Standard error of the regression (ML estimate): es el error estándar de regresión de la esti
mación por máxima verosimilitud.
En el apartado Arima model se muestra el modelo, los valores estimados de los parámetros del mo
delo (Coeffcients), sus testadísticos asociados (T-Stat) y los correspondientes pvalores (P [|T | >
t]). Para los coeficientes del modelo cuyos valores se fijen de antemano, no se muestran ni los
testadísticos ni los pvalores, ya que en ese caso el programa no estima dichos coeficientes. Tam
bién aparece en este apartado la matriz de correlaciones de los coeficientes estimados del modelo
(Correlation of the estimates).
JDemtra+ utiliza la siguiente notación:
Phi(p) para el pth término del polinomio autorregresivo de la parte regular;

Theta(q) para el qth término del polinomio de medias móviles de la parte regular;
BPhi(P) para el Pth término del polinomio autorregresivo de la parte estacional;
Theta(Q) para el Qth término del polinomio de medias móviles de la parte estacional.
Si el modelo ARIMA incluye media, se muestra su valor estimado y su estadístico correspondiente.

Por último, si hay regresores y/o outliers en el modelo en la sección Final Model aparece el apartado
Regression model con los coeficientes, testadísticos y pvalores de los mismos, agrupados en
distintas tablas.
Los resultados detallados de la modelización están divididos en varias secciones que resumimos
a continuación:
5.2.2.1 Forecasts
Al pinchar sobre este nodo directamente se muestra el gráfico de la serie junto con dos años de
predicciones hacia adelante y sus correspondientes intervalos de predicción calculados a un nivel
de confianza del 95%.
Figura 49: Subnodo Forecast.
El menú local del gráfico ofrece opciones para copiar y exportar, que permiten enviar el gráfico a la
impresora, guardarlo en el portapapeles o como fichero .PNG. La opción Show precision gradient
resalta la precisión de las estimaciones usando diferentes tonalidades de naranja. Como regla, la
precisión decrece en en tiempo, lo cual se representa mediante un naranja gradualmente más in
tenso. Copy all series permite exportar a otra aplicación todas la serie junto con sus predicciones y
los correspondientes intervalos de predicción.
Si desplegamos el nodo Forecast, vemos dos nuevas secciones: Table y Outofsample test.
Table
Muesta una tabla con las predicciones de dos años hacia adelante de la serie y sus correspondien
tes errores estándar de predicción.
En los documentos TramoSeatsDoc#number y SAProcessing#number esta tabla muestra por

defecto un año de predicciones, que puede ser modificado en las especificaciones.
Outofsample test
Presenta dos contrastes que chequean la predicción fuera de muestra. Estos contrastes se reali
zan dividiendo los datos de la serie linealizada en dos periodos, uno de ajuste y otro de contraste.
Como muestra de ajuste se toma la serie linealizada eliminando el último año y medio de observa
ciones (18 últimas para series mensuales y 6 para trimestrales) y como muestra de contraste las
observaciones del último año y medio que no se incluyen en la muestra de ajuste. Se ajusta un mo
delo automáticamente para la muestra de ajuste y se fijan sus parámetros. Utilizando este nuevo
modelo se obtiene la predicción un periodo hacia adelante de la muestra de ajuste. Esta estimación
se lleva a cabo tantas veces como periodos hemos eliminado (18/6), añadiendo en cada paso a la
serie de ajuste la predicción obtenida en el paso anterior.

El primer test compara los errores de predicción fuera de la muestra con los errores estándar de
los residuos dentro de la muestra. La bondad del ajuste se evalúa comprobando si la media de los
errores de predicción puede ser considerada igual a cero (que es la que deben tener los residuos).
El segundo test compara el error cuadrático medio de predicción con el error cuadrático medio
de los residuos dentro de la muestra. El resultado del contraste se acepta cuando estos dos in
dicadores tiene valores próximos. La falta de consistencia se considera una evidencia clara de la
inadecuación del modelo.
(a) Table. (b) Out-of-sample.
Figura 50: Subnodo Forecast del nodo Model.
5.2.2.2 Regressors
En este subnodo se muestra una tabla con las series de todos los regresores deterministas incluidos
en el modelo: variables de TradingDay, efecto de Año Bisiesto, Semana Santa, outliers, rampas,
variables de intervención y variables definidas por el usuario. El periodo mostrado coincide con el
de la serie original.
Figura 51: Subnodo Regressors series del nodo Model.

La tabla de datos puede copiarse pinchando so-

bre la celda vacía de la parte superior izquierda
para seleccionarla y pulsando Ctrl+C o la opción
Copy del menú local. Es posible copiar los datos
de una única serie de la tabla. Para ello hay que
pinchar sobre la cabecera de la serie que se desea
copiar y pulsar Ctrl+C.
La opción Save del menú local nos permite guar-
dar la tabla completa o alguna de sus series en un
fichero Excel. En el nombre del fichero se debe in-
cluir la extensión .xlsx o .xls para que el fichero se
cree correctamente. También se pueden guardar
en un fichero plano.
Figura 52: Copiar tabla Regressors.
5.2.2.3 Arima
En esta sección se muestra el espectro teórico del modelo ARIMA identificado por TRAMO para la
serie.
El menú local del gráfico permite copiarlo y exportarlo a la impresora, al portapapeles o guardarlo
como un archivo con formato .PNG. La opción Copy all visible permite exportar los datos a otra
aplicación.
En la parte inferior se muestra el modelo ARIMA identificado por TRAMO y los polinomios regular
y estacional en función del operador retardo (fig. 53).
Cuando existen raíces autorregresivas

en la parte regular del modelo, los mó-
dulos y los argumentos de las inversas
de dichas raíces se muestran en este
apartado. En el ajuste estacional de la
serie esta información nos va a permi-
tir determinar la componente a la que
se asignará cada raíz.
Si al realizar el ajuste SEATS cambia el
modelo seleccionado por TRAMO, en
este nodo aparece la información relati-
va al modelo seleccionado por SEATS
y a sus raíces inversas.
Figura 53: Subnodo Arima del nodo Model.
5.2.2.4 Preadjustment series

La tabla de esta sección contiene las series estimadas por TRAMO. El contenido de la tabla depen
derá de los regresores y outliers incluidos en el modelo. Las series que pueden aparecer son:
• Serie Interpolada (yc): serie original con la interpolación de las observaciones perdidas.
• Serie Linealizada (y_lin): serie ajustada de todos los efectos deterministas.

• Serie corregida de efecto calendario (ycal): serie corregida de todos los efectos de calenda
rio, incluidas las variables definidas por el usuario asignadas a la componente de calendario.
• Componente determinista (det): serie de efectos deterministas, como outliers, rampas, efec
tos de calendario, etc.
• Efecto de calendario (cal): efecto de calendario total, i.e., serie que recoge el efecto conjunto
de fiestas móviles, días laborables y Semana Santa.
• Efectos de las fiestas móviles (omhe): el mismo (provisionalmente) que el efecto de Sema
na Santa.
• Efecto de Trading day (tde): efecto de los días laborables (los predefinidos en JDemetra+ o
los definidos por el usuario).
• Efecto Semana Santa (ee): efecto de la Semana Santa (el detectado automática por JDe
metra+ o especificado por el usuario con las opciones disponibles en el software).
• Efecto de los outliers en la componente de tendencia (out_t): efecto de los cambios de

nivel (LS).
• Efecto de los outliers en la componente estacional (out_s): efecto de los outliers estacio
nales (SO).
Figura 54: Subnodo Pre-adjustment series del nodo Model.
• Efecto de los outliers en la componente irregular (out_i): efecto de los outliers aditivos
(AO) y cambios transitorios (TC).
• Efecto total de los outliers (out): efecto de los outliers en las componentes tendencia, es
tacional e irregular.
• Efecto de las variables de regresión en la serie (reg_y): efecto de las variable definidas
por el usuario y asignadas a la serie (variables con la opción Component type del parámetro
Userdefined variables igual a Trend, Irregular y/o SeasonallyAdjusted).
• Efecto de las variables de regresión en la serie ajustada estacionalmente (reg_sa): efec

to de las variable definidas por el usuario y asignadas a la serie ajustada estacionalmente
(variables con la opción Component type del parámetro Userdefined variables igual a Serie).
• Efecto de las variables de regresión en la componente de tendencia (reg_t): efecto de

rampas, variables de intervención, para los cuales Delta ̸= 0 y DeltaS = 0, y variables
definidas por el usuario asignadas a la componente de tendencia (variables con la opción
Component type del parámetro Userdefined variables igual a Trend).
• Efecto de las variables de regresión en la componente estacional (reg_s): efecto de

variables de intervención, para los cuales DeltaS ̸= 058 y variables definidas por el usuario
asignadas a la componente estacional (variables con la opción Component type del parámetro
Userdefined variables igual a Series).
• Efecto de las variables de regresión en la componente irregular (reg_i): efecto de va
riables definidas por el usuario asignadas a la componente irregular (variables con la opción
Component type del parámetro Userdefined variables igual a Irregular).
• Efecto total de las variables de regresión (reg): suma de los efectos de las variables de
regresión asignadas a la tendencia, comoponente estacional, a la irregular, a la serie deses
tacionalizada y los efectos de regresión separados no asignados a ninguna componente (en
este último caso, son variables con la opción Component type del parámetro Userdefined
variables igual a Undefined).
En los documentos TramoDoc# las series que se muestran en el subnodo Preadjustment series tie
nen la misma longitud que la serie original. En los documentos TramoSeatsDoc# y SAProcessing#
todas las series incluyen por defecto un año de predicciones, que puede ser modificado en las es
pecificaciones.
5.2.2.5 Residuals
Contiene la diagnosis del modelo a través del análisis de los residuos del mismo.
Al pinchar directamente sobre el nodo Residuals, el panel de resultados muestra una tabla con la
serie de residuos del modelo y una representación gráfica de los mismos. Tanto el gráfico como la
tabla tienen su correspondiente menú local que permite realizar distintas acciones (fig.55).
Figura 55: Subnodo Residuals series del nodo Model.
Si desplegamos el nodo Residuals se muestran lo subnodos Statistics, Distribution y Spectral analy

sis.
Statistics
Contiene una serie de contrastes para evaluar la idoneidad del modelo. En concreto se contrasta
si los residuos del modelo pueden ser considerados aleatorios, incorrelados, normales y sin nin
guna estructura que pueda ser modelizada. La ventana de resultados de este nodo presenta dos
secciones: Summary y Details
Summary
Resumen de los contrastes sobre los residuos. Se muestra el pvalor correspondiente a cada uno
de ellos en verde, rojo o amarillo en función de si el resultado del contraste es el deseado o no, o
no es concluyente (fig.56)
– Normality of the residuals: para evaluar

la normalidad de los residuos, JDemetra+ utiliza
el contraste de normalidad de Doornik-Hansen
(Normality) y la proximidad de la media y de los
coeficientes de asimetría y curtosis de los residuos
a los valores correspondientes de dichos momentos
para la distribución normal estándar (0, 0 y 3 respecti-
vamente). Un valor significativo de cualquiera de ellos
indicará que los residuos estandarizados no siguen
una distribución normal estándar. La normalidad de
los residuos es crucial para la validez de los intervalos
de predicción producidos en la predicción.
– Independence of the residuals: la indepen-

dencia de los residuos se evalúa a través del esta-
dístico Q de Ljung-Box calculado tanto para los re-
tardos regulares (Ljung-Box(24/16)) como estacio-
nales (Ljung-Box on seasonality(2)). Este con-
traste chequea la presencia de autocorrelación entre
retardos. La presencia de autocorrelación en los resi-
duos es señal de que los valores de dichos residuos no
son independientes.
El número de retardos que se tiene en cuenta para el
cálculo del estadístico depende de la frecuencia de la
serie. Para los retardos regulares el test considera los
24 primeros retardos si la serie es mensual y los 16
primeros si es trimestral.
Figura 56: Análisis de los residuos.
Para los retardos estacionales el contraste toma en ambos casos los dos primeros retardos
(retardos 12 y 24 para series mensuales y retardos 4 y 8 para trimestrales).
En este apartado también se muestra el estadístico de DurbinWatson (Durbin-Watson sta-

tistics), que igualmente contrasta la presencia de autocorrelación en los residuos. Un valor
próximo a 2 de este estadístico indica que no existen signos de autocorrelación.
Randomness of the residuals: la aleatoriedad en signo de los residuos se evalúa a través del
test de WaldWolfowitz, también denominado test de Rachas. La hipótesis nula que contrasta
es que los valores de la serie son realizaciones de una misma distribución que han sido gene
radas independientemente.
Linearity of the residuals: este test contrasta la presencia de autocorrelación en la serie de

cuadrados de los residuos. La existencia de dicha correlación implicaría que los residuos con
tienen cierta estructura no lineal. Este contraste se lleva a cabo con el estadístico Q de Ljung
Box (o el Q de BoxPierce) de los residuos al cuadrado, también para los 24 o 16 primeros
retardos dependiendo de si la serie es mensual o trimestral.
Details
En el apartado Details se presentan con más detalle los resultados de los contrastes.
En la sección 0Statistics se muestra la suma de cuadrados de los residuos (Sum of squares), su
error cuadrático medio (MSE) y su desviación típica (Standard error)(fig.57).
Figura 57: Secciones 0-Statistics y 1-Distribution.
En 1Distribution aparecen detallados los estadísticos y contrastes sobre la distribución de los re
siduos (Mean y Normality test) (fig.57).
En la sección 2Independence tests se obtiene para cada retardo la función de autocorrelación de

los residuos, con sus desviaciones típicas, y los estadísticos Q de LjungBox y de BoxPierce con
sus correspondientes pvalores (fig.58). Para los retardos estacionales se obtiene los mismos da
tos, pero calculados para los dos primeros retardos como ya se ha mencionado.
Los resultados detallados del test de Rachas se muestran en 3Randomness (fig.59).
En 4Linearity tests se puede ver la función de autocorrelación de los residuos al cuadrado, sus
desviaciones típicas y los estadísticos Q de LjungBox y de BoxPierce para cada retardo (fig.60).
Figura 58: Sección 2-Independence.
Figura 59: Sección 3-Randomness.

Figura 60: Sección 4-Linearity tests.
Distribution
En este nodo se muestra la función de autocorrelación simple muestral (ACF) y la función de auto
correlación parcial muestral (PACF) de la serie de residuos del modelo (fig.61).
Como se espera que los residuos del modelo sean un proceso aleatorio de ruido blanco, su ACF y
PACF no deben contener retardos significativos. La existencia de retardos significativos es indicio
de la presencia de autocorrelación o de procesos de medias móviles en los datos.
Junto a los gráficos de la ACF y la PACF muestrales aparece el histograma de los residuos junto
con la función de densidad de la distribución normal estándar. Desviaciones significativas de la
misma evidencian la presencia de estructura residual no modelizada.
Figura 61: Subnodo Residuals del nodo Model
Spectral analysis
En este nodo se muestran dos estimadores del espectro de los residuos: el periodograma y el
espectro autorregresivo. Ambos pueden ayudar a determinar la presencia de efectos estacionales
y/o de trading day en los residuos.
Figura 62: Opción Spectral analysis de la sección Residuals
5.2.2.6 Likelihood
Este nodo proporciona una idea de los resultados de la estimación de la función de logverosimilitud.
En el gráfico está representada la función inversa de la logverosimilitud. El punto rojo que aparece
corresponde al valor máximo de la logverosimilitud.
A través de este gráfico se pueden analizar los parámetros del modelo ARIMA estimado durante
el proceso de optimización. Como el gráfico es tridimensional, la representación corresponde al
valor de los 2 parámetros del modelo indicados en las listas X Parameter e Y Parameter de la parte
superior derecha del gráfico. En estos desplegables se puede variar la selección de los parámetros.
El menú de la izquierda ofrece distintas opciones para ajustar la vista.
Figura 63: Sección Likelihood del nodo Model

6 Ajuste Estacional con JDemetra+ 59
6 Ajuste Estacional con JDemetra+

JDemetra+ tiene implementados dos métodos para llevar a cabo el ajuste estacional de una serie:
X12ARIMA/X13ARIMASEATS y TRAMO/SEATS. Estos métodos usan diferentes aproximacio
nes para llevar a cabo la descomposición, lo que genera estructuras y contenidos de las salidas
distintos que, por tanto tienen que ser discutidos separadamente. No obstante, JDemetra+ propor
ciona algunos indicadores de calidad implementados para ambos métodos.
6.1 Especificaciones
La sección Seasonal adjustment de la ventana Workspace contiene un conjunto de especifica
ciones predefinidas que permiten realizar el ajuste estacional de una serie usando dos métodos:
TRAMO/SEATS y X13ARIMASEATS. Estas especificaciones predefinidas contienen los paráme
tros que se usan con más frecuencia en el ajuste estacional. Sus nombres se corresponden con la
terminología utilizada en TSW+.
Para ambos métodos los parámetros del proceso de ajuste estacional pueden ser establecidos por
el usuario. Lo más recomendable es utilizar una de estas especificaciones predefinidas y después
modificar los parámetros que se deseen usando el botón Specification.
(a) Especificaciones predefinidas de ajuste estacional: TRA- (b) Especificaciones predefinidas de ajuste estacional: X13.
MO/SEATS.
Figura 64: Especificaciones de ajuste estacional.
En la tabla 65 se muestran las opciones de las distintas especificaciones que JDemetra+ incluye
por defecto para cada uno de los métodos.
Figura 65: Especificaciones predefinidas de ajuste estacional.
donde
Transformation test: indica si se realiza un pretest para determinar si se trabaja con la serie en
niveles o con la serie en logaritmos.
Preadjustment for leapyear: indica si se aplica la corrección del efecto de Año Bisiesto.
Working days: indica si se realiza un pretest para determinar la presencia de efectos de Working
Day (días laborables) usando un único regresor.
Trading days: indica si se realiza un pretest para determinar la presencia de efectos de Trading
Day (efecto de cada día de la semana) utilizando seis regresores.
Easter effect: indica si se realiza un pretest para determinar la presencia del efecto de Semana
Santa en la serie original. El efecto de Semana Santa que se considera tiene una longitud de 6 días
para las especificaciones TRAMO y de 8 días para las especificaciones RegARIMA.
Outliers: indica si se realiza la identificación automática de outliers. Los outliers que se identifican
automáticamente son de 3 tipos: impulsos (AO: additive outliers), cambios de nivel (LS: level shifts)
y cambios transitorios (TC: transitory changes) y se usan los valores críticos por defecto.
ARIMA model: indica si se ajusta a la serie un modelo ARIMA (0, 1, 1)(0, 1, 1)s (modelo de Líneas
Aéreas), o se ajusta el modelo con el procedimiento de identificación automático (AMI).
El modelo (0, 1, 1)(0, 1, 1) se usa como modelo por defecto en varias de las especificaciones pre
definidas porque se ha demostrado en numerosos estudios que este modelo es apropiado en un
gran número de series reales tanto mensuales como trimestrales.
Se pueden crear nuevas especificaciones de ajuste estacional desde la ventana Workspace, en

la sección specifications del nodo Seasonal adjustment, pinchando con el bontón derecho sobre
tramoseats o sobre x13 y seleccionando la opción New del menú local (fig.66a). La nueva especifi
cación se generará bajo el nodo del método correspondiente con el nombre TramoSeatsSpec# o
X13Spec# según corresponda.
También se puede crear una especificación nueva copiando una de las ya existentes pinchando
sobre ella con el botón derecho del ratón y seleccionando la opción Clone del menú local que se
abre (fig.66b).
La opción Rename de ese mismo menú permite renombrar cualquier especificación creada por el
usuario.
(a) Crear una especificación nueva. (b) Clonar especificación.
Figura 66: Creación de nuevas especificación de ajuste estacional.
Pinchando con el botón derecho sobre cualquier especificación y seleccionando la opción Open en
el menú local (67a) o haciendo doble click sobre ella se mostrarán los valores de los parámetros
que la definen agrupados en distintas secciones.
(a) Abrir detalles de una especificación de ajuste estacional. (b) Secciones de la especificación de ajuste estacional.
Figura 67: Detalles de la especificación.
En las siguientes subsecciones se describen las opciones disponibles para las especificaciones
correspondientes al método TRAMO/SEATS, las cuales están basadas en el programa original
desarrollado por Victor Gómez y Agustín Maravall.
En estas especificaciones los parámetros aparecen agrupados en ocho apartados (67b): SERIES,
ESTIMATE, TRANSFORMATION, REGRESSION, OUTLIERS, ARIMA, SEATS Y BENCHMAR
KING.
La descripción de los nodos ESTIMATE, TRANSFORMATION, REGRESSION, OUTLIERS y ARI
MA coincide con lo ya expuesto en la sección Modelling, por lo que las omitiremos aquí y nos
centraremos en los parámetros correspondientes a la parte de descomposición del ajuste estacio
nal y a las opciones de benchmarking.
Para las especificaciones predefinidas los parámetros son fijos mientras que en el caso de espe
cificaciones definidas por el usuario se pueden establecer individualmente. En algunos casos esta
elección puede estar limitada debido a que determinados valores de algunos parámetros condicio
nan las alternativas disponibles para otros.
6.1.1 SERIES
En esta sección se establece el intervalo de observación de la serie utilizado para realizar el ajuste
estacional.
Series span - Type (-; -): especifica el intervalo de tiempo de la serie que se considera para llevar
a cabo el proceso de ajuste estacional. Puede tomar los valores:
All: se considera la serie completa en la modelización. Es el valor por defecto.
From: se especifica la primera fecha que se considera en el preprocesamiento de la serie.
To: se especifica la última fecha que se considera en el preprocesamiento de la serie.
Between: se especifican la fecha inicial y final del intervalo de observaciones que se conside
ran en el preprocesamiento de la serie.
Last: se especifica el número de observaciones desde el final de la serie hacia atrás que se
consideran en el preprocesamiento de la serie.
First: se especifica el número de observaciones desde el principio de la serie hacia adelante
que se consideran en el preprocesamiento de la serie.
Excluding: se especifica el número de observaciones de la serie excluídas desde el inicio
(especificadas en el campo First) y/o el final (especificadas en el campo Last) para el pre
procesamiento de la serie.
Preliminary Check (-; -): habilita/deshabilita la evaluación de las series a analizar. Cuando la casilla
está activada el programa comprueba la calidad de los datos y excluye aquellas series que son muy
problemáticas, como por ejemplo las que presentan un número de observaciones idénticas entre
sí y/o de observaciones missing que supera los umbrales preespecificados.
Cuando la casilla está deshabilitada, se ignoran los umbrales y el ajuste se lleva a cabo en los
casos en que sea posible.
(a) Sección SERIES. (b) Sección SEATS.

6.1.2 SEATS
Esta sección incluye todos los parámetros relevantes que utiliza SEATS para llevar a cabo la des
composición de la serie en base al modelo identificado por TRAMO.
Approximation mode (Seats parameters; NOADMISS): especifica la estrategia a seguir cuando el

modelo identificado por TRAMO no tiene una descomposición admisible.
En general, SEATS descompone el modelo ARIMA que le proporciona TRAMO pero en algunas
ocasiones puede ocurrir que dicho modelo no tenga una descomposición admisible, es decir, que
no exista una descomposición del mismo que verifique que el pseudoespectro de cada una de las
componentes sea no negativo para todas las frecuencias. En tales situaciones se debe utilizar una
aproximación que proporcione un modelo ARIMA aceptable y que admita descomposición.
Las opciones disponibles en JDemetra+ cuando no existe descomposición admisible son:
None: no se realiza ninguna aproximación y por tanto, SEATS no lleva a cabo la descomposi
ción.
Legacy: el modelo que no tiene descomposición admisible se reemplaza por otro modelo
parecido que sí la admita. Las predicciones de la serie obtenidas por SEATS con el nuevo
modelo (suma de las predicciones de las componentes) no se añade a la predicción de la
serie del modelo proporcionado por TRAMO. Esta es la opción por defecto.
Noisy: el modelo sin descomposición admisible se reemplaza por un nuevo modelo ARIMA
que resulta de añadir ruido blanco a dicho modelo sin descomposición, hasta que los pseudo
espectros de las componentes dejen de ser negativos. En este caso, la parte AR del modelo se
mantiene iguale y las predicciones de la serie que obtienen TRAMO y SEATS son las mismas.
También la suma de las predicciones de las componentes es la misma que la predicción de la
serie con el modelo de TRAMO.
MA unit root boundary (Seats parameters; XL): este parámetro controla el módulo de las raíces
MA del modelo.
Cuando el módulo de una raíz MA cae en el intervalo (XL, 1) el programa fija automáticamente el
modulo de dicha raíz en el valor XL. Cuando esto ocurre, aparecerá un warning (!) con el mensaje
Parameters cut off by Seats y en el apartado Warning del nodo Main Results con el mensaje de
composition.Model decomposition: Parameters cut off.
En el nodo Arima se muestra el modelo seleccionado por SEATS, pero en realidad es el mismo
que el seleccionado por TRAMO, sólo que con los coeficientes de la parte MA truncados e el valor
XL. El valor por defecto de parámetro MA unit root boundary es 0.95.
Trend boundary (Seats parameters; RMOD): este parámetro es un valor entre 0 y 1 definido para
el módulo de las inversas de las raíces AR reales del modelo:
si el módulo de una raíz inversa AR real es mayor que el valor de Trend boundary, dicha
raíz se asignará a la componente ciclotendencia;
en cualquier otro caso, se asignará a la componente transitoria.
Además, influye también en la asignación de las raíces complejas (ver Seasonal tolerance). Su valor
por defecto es 0.5.
Seasonal tolerance (Seats parameters; EPSPHI): este parámetro fija la tolerancia (medida en grados)
para determinar la componente a la que se enviarán las raíces AR complejas del modelo:
si el módulo de una raíz inversa AR compleja es mayor que el valor de Trend boundary y el
argumento de dicha raíz difiere de cualquiera de las frecuencias estacionales menos del valor
especificado para Seasonal tolerance, la raíz se asignará a la componente estacional;
en cualquier otro caso, la raíz se asignará a la componente transitoria.
π
Su valor por defecto es 90 rad (2 grados).
Seasonal boundary (Seats parameters; SMOD): este parámetro es un valor entre 0 y 1 definido para
el módulo de las inversas de las raíces AR reales negativas del modelo.
si el módulo de una raíz inversa AR real negativa es mayor o igual que el valor de Seasonal
boundary la raíz se asignará a la componente estacional;
en otro caso, la raíz se asignará a la componente ciclotendencia o a la componente transi
toria (ver Trend boundary).
Seasonal boundary (unique) (Seats parameters; STSMOD): este parámetro es un valor entre 0 y 1
a partir del cual una raíz AR real negativa es asignada a la componente estacional si su módulo lo
supera y dicha raíz es la única raíz estacional en el modelo. Su valor por defecto es 0.8.
Method (-; -): especifica el método utilizado en la estimación de las componentes no observables
de la serie. Las opciones son:
Burman: es el algoritmo que usa el método TRAMO/SEATS original y es la opción por defecto
en JDemetra+. Aunque es el más eficiente, no puede tratar las raíces MA unitarias y puede
llegar a ser numéricamente inestable cuando algunas de las raíces MA están próximas a 1.
En esos casos, la aproximación de WienerKolmogorov puede conducir a una subestimación
significativa de las desviaciones típicas de las componentes.
KalmanSmoother: es el algoritmo más robusto. No se ve perturbado por la presencia de raí
ces MA (cuasi) unitarias pero es ligeramente más lento que el de Burman. También hay que
indicar que proporciona medidas exactas del error estándar de las estimaciones (idénticos a
los resultados de las matrices de McElroy).
McElroyMatrix: este algoritmo es mucho más lento que las otras opciones y presenta los mis
mos problemas de estabilidad que el algoritmo de Burman. Sin embargo, proporciona resulta
dos adicionales que pueden ser útiles como la matriz completa de covarianzas de las estima
ciones.
6.1.3 BENCHMARKING
Esta sección permite igualar las medias anuales de la serie ajustada estacionalmente y de la serie
original o de la serie ajustada de efectos de calendario.
Is enabled: habilita la opción de benchmarking. Por defecto, la casilla de verificación está desacti
vada.
Target: especifica la variable objetivo en el proceso de benchmarking.

Original: la serie bruta es considerada como serie objetivo. Es la opción por defecto.
Calendar Adjusted: la serie ajustada de efectos de calendario es considerada como serie
objetivo.
Use forecast: si se marca la casilla de verificación, las predicciones de la serie ajustada estacional
mente y de la serie objetivo (Target) son usadas en los cálculos del benchmarking por lo que las
restricciones de benchmarking también se aplican al periodo predicho. Por defecto, la casilla está
desactivada.
Rho: el valor del parámetro AR(1) (fijado entre 0 y 1). Su valor por defecto es 1, que es equivalente
al benchmarking de Denton.
Lambda: parámetro relativo a los pesos en la ecuación de regresión. Típicamente es igual a 0, 1/2
ó 1.
Un valor igual a 1 hace que el método sea equivalente al benchmarking multiplicativo, mientras que
un valor de 0 lo hace equivalente al benchmarking aditivo.
Figura 69: Sección BENCHMARKING.

6.2 Resultados
Los resultados del ajuste estacional se almacenan dentro de la ventana Workspace, en la sección
Documents del nodo Seasonal Adjustment independientemente de la manera en la que se hayan
creado. Estos documentos se muestran en las ventanas TramoSeatsDoc para las series ajustadas
con TRAMO/SEATS, RegArimaSeatsDoc para las series ajustadas con X13ARIMASEATS y en
la ventana SAProcessing cuando se ajusta un conjunto de series.
Los documentos de resultados y por tanto la realización del ajuste estacional de una serie, se
pueden crear de varias formas:
• Desde el menú principal con una de las dos opciones siguientes:
Statistical Methods →
Seasonal Adjustment →
Single Analysis →
TramoSeats ó X13
para el análisis de una única serie (fig.70a) o bien desde
Statistical Methods → Seasonal Adjustment → Multi Processing → New
para el análisis de un conjunto de series (fig.70b). Esta opción también se puede usar para
una única serie.
(a) Ajuste de una única serie. (b) Ajuste de un conjunto de series.
Figura 70: Ajuste estacional desde el menú principal.
En ambos casos, las ventanas TramoSeatsDoc#number, RegArimaSeatsDoc#number o

SAProcessing#number se abren directamente en el panel de resultados. Con esta opción se
debe asignar una especificación al documento, que por defecto será TRfull cuando se elige
TramoSeats y RSA5c para x13. Dicha especificación será la que se utilice para llevar a cabo
el ajuste estacional de las series que se incluyan en la ventana de documentos.
Figura 71: Elección de una especificación para un documento.
• Desde la ventana Workspace, en el nodo Seasonal Adjustment, tanto desde la opción speci
fications como desde las opciones documents y multidocuments (fig.72, 73 y 74).
Para crear el documento desde la opción

specifications, seleccionamos la especifica-
ción con la que queremos realizar el ajuste,
en tramoseats o en x13, y en el menú local
de la especificación seleccionada elegimos
Create Document. Se añadirá un documen-
to vacío en el apartado correspondiente de
la sección documents de la opción specifica-
tions.
Para abrir el documento en el panel de re-
sultados hay que hacer doble click sobre su
nombre.
Figura 72: Creación de un documento desde la opción specifications del nodo Seasonal Adjustment.
Para crear el documento desde la opción do-

cuments, marcamos el método de ajuste que
vamos a utilizar, tramoseats o x13, y en el
menú local que se abre al pinchar con el bo-
tón derecho del ratón, elegimos New.
Como en el caso anterior, para abrir el do-
cumento en el panel de resultados tenemos
que hacer doble click sobre su nombre.
Figura 73: Creación de un documento desde la opción documents del nodo Seasonal Adjustment.
Para crear el documento desde la opción

multi-documents, seleccionamos en el me-
nú local la opción New. Como en el caso
anterior, para abrir el documento tenemos
que hacer doble click sobre su nombre para
mostrarlo en el panel de resultados.
Figura 74: Creación de un documento desde la opción multi-documents del nodo Seasonal Adjustment.
Los documentos creados mediante cualquiera de las opciones anteriores se añaden a la parte
correspondiente de la ventana Workspace. Si guardamos el workspace, todos los documentos de
finidos en el mismo quedarán guardados también.
Para llevar a cabo un análisis, seleccionamos y arrastramos la serie desde la ventana Providers a
la ventana del documento SAProcessing#number, TramoSeatsDoc#number o X13Doc#number
(fig.75 y 76).
Figura 75: Elección de una serie para el ajuste estacional: TramoSeatsDoc-#number.
Para los documentos TramoSeatsDoc#number y X13Doc#number el ajuste estacional y la gene

ración del documento con los resultados se realiza automáticamente una vez arrastrada la serie.
En los documentos SAProcessing#number, una vez que las series se han seleccionado y arras
trado hay que lanzar el proceso presionando el botón Start .
Los resultados detallados de cada serie se mostrarán en la parte inferior de la ventana SAProcessing
#number cuando pinchemos sobre ella en el panel superior de dicha ventana y estemos sobre la
vista Processing.
Además de esta vista, en la parte superior de la ventana SAProcessing#number podemos seleccio
nar otras dos vistas de resultados: Summary y Matrix. La primera de ellas proporciona resultados
agregados del procesamiento de todas las series y la segunda distintas pestañás con la informa
ción individual del ajuste de cada serie. La pestaña Custom puede personalizarse.
Figura 76: Elección de una serie para el ajuste estacional: SAProcessing
También se pueden generar ficheros Excel y Csv con las series y resultados que se obtienen en el
proceso de ajuste estacional, desde la opción Output del nuevo menú SAProcessing#number que
se activa en el menú principal cuando nos posicionamos sobre la ventana SAProcessing#number
(fig.77).
Figura 77: Elección de una serie para el ajuste estacional: SAProcessing
En la ventana Batch output (fig.78) que se abre cuando se selecciona la opción Output, se es
tablecen y configuran los ficheros a generar. Para especificar los ficheros que queremos obtener
pinchamos en el desplegable que aparece en el botón .
Las opciones disponibles son cuatro: Csv matrix, Csv, Excel y Txt.
La primera de ellas nos permite obtener la información de los modelos y de los contrastes para
cada serie incluida en el workspace, mientras que las 3 últimas opciones proporcionan ficheros
con los datos de las diferentes series que se crean en el proceso de ajuste estacional.
Se puede generar más de un tipo de fichero a la vez. Para ello hay que seleccionarlos uno a uno
a través del desplegable . Si se desea eliminar un tipo de fichero ya incluido, hay que
selecionarlo y a continuación pinchar en el botón menos, que pasará a estar activo (en azul) en
este momento.
Al pinchar sobre cualquiera de los ficheros elegidos, en la parte derecha de la ventana se puede
configurar el directorio de salida (folder), el nombre del fichero (File Name)y la información que
queremos incluir en él (Content) (fig.79).
Para que el directorio de salida quede registrado, una vez localizado se debe pinchar sobre el
nombre del mismo (debe aparecer su nombre en el campo folder, si no la aplicación no lo habrá
capturado).
Los ficheros se guardan en una carpeta con el nombre del SAprocessing para el que hemos gene
rado el output, la cual estará ubicada dentro de una carpeta con el mismo nombre que el workspace
con el que estemos trabajando que se creará en el directorio especificado en folder.
Los nombres de los ficheros csv siguen el siguiente patrón: series_ + nombre de la serie (por
ejemplo series_sa, series_i, etc). Para estos ficheros no es posible cambiar el nombre completo,
pero sí se puede modificar el prefijo.
El nombre por defecto del fichero Csv matrix será demetra_m.csv.
Figura 78: Seleccionar output. Figura 79: Configurar Csv matrix.
En los ficheros Csv y Excel las series que se pueden incluir son las que se muestran en la tabla 10
del Anexo I (9.3).
Para los Csv se genera un fichero por serie seleccionada, mientras que en Excel todas las series
se generan en un mismo archivo cuya salida se puede configurar en algunos aspectos, como se
muestra en la figura 80.
Si se activa la opción Full series name, en los ficheros aparecerán los nombres completos de las
series (Libro Excel con los datos + Hoja + Nombre serie). Si la casilla está desactivada, se mostrará
únicamente el nombre de la serie.
Figura 80: Configurar Excel. Figura 81: Configurar Csv.
En las salidas Csv y Excel se puede elegir la forma en la que se mostrarán los datos en los ficheros:
• Csv: en la opción Layout / presentation se puede seleccionar una de las siguientes opciones:
– List: es la opción que aparece por defecto. Las series aparecen por filas y los perio
dos por columnas, pero se incluyen además 5 campos iniciales para cada serie que
corresponden a la periodicidad, el año y periodo (mes/trimestre) de inicio y el número de
observaciones de dicha serie.
– HTable: presentación matricial de los datos con series por filas y periodos en columnas
(con formato dd/mm/aaaa)
– VTable: presentación matricial de los datos con periodos por filas (con formato dd/m
m/aaaa) y series en columnas.
• Excel: en la opción Layout / layput se puede seleccionar una de las siguientes opciones:
– BySeries: es la opción por defecto. Se crea un libro excel con nombre el especificado
en Location / File Name con una hoja para cada serie en el workspace, que contiene
las series especificadas en Content / Series para cada una de ellas. Si dejamos la op
ción Layuot verticalOrientation activada, se generan los datos de forma matricial con
los periodos en filas (con formato dd/mm/aaaa) y series por columnas. Si se desactiva
esta opción, se mostrarán los periodos en columnas y las series por filas. Esta opción
funciona igual en los otros dos casos.
– ByComponent: se crea un libro excel con nombre el especificado en Location / File
Name con una hoja para cada serie especificadas en Content / Series en la que apare
ce la componente correspondiente para todas las series del workspace. Los datos se
muestran en forma matricial, con periodos en las filas y series por columnas.
– OneSheet: en una única hoja se generan todas las componentes especificadas para ca
da una de las series del workspace. Los periodos se muestran en filas y las series por
columnas.
La información que se puede mostrar en el fichero Csv Matrix se detalla en la tabla 11 del Anexo I
(9.3).
Por otro lado, los resultados del ajuste que se muestran en la ventana SAProcessing#number
se dividen en 6 secciones (Intput, Main results, Preprocessing, Decomposition, Benchmarking y
Diagnosis) organizadas en una estructura de árbol que puede ser expandida (fig.82).
Pinchando en cada nodo en la parte izquierda de la ventana de resultados se despliega su contenido
en el panel derecho de la misma . Esta estructura es común para los dos métodos, TRAMO/SEATS
y X13ARIMASEATS.
Figura 82: Estructura de resultados.

La estructura y los contenidos presentados en los no-

dos Intput y Pre-processing son los mismos para ambos
métodos de ajuste y coincide con lo ya expuesto en el
apartado Resultados de la sección Modelling.
El contenido de los demás nodos es específico del pro-
ceso de descomposición. Como ambos métodos varían
sustancialmente en la manera en que llevan a cabo di-
cha descomposición, la salida que resulta del ajuste con
uno y otro método es distinta.
En las siguientes subsecciones se describe con detalle
la salida del programa para el ajuste estacional del mé-
todo TRAMO/SEATS (fig.83).
TRAMO/SEATS consta de dos programas: TRAMO que
identifica un modelo para la serie y SEATS que calcula
una estimación de las componentes de la serie en base
al modelo identificado por TRAMO.
Los resultados de TRAMO se muestran en el nodo Pre-
processing y son similares a los ya visto para el nodo
Model en la sección Resultados del capítulo de mode-
lización de series temporales (ver 5.2.2). Nos centrare-
mos en esta sección en la exposición de los resultados
producidos por SEATS y que corresponden al contenido
de los nodos Main results, Decomposition, Benchmar-
king y Diagnosis.
Figura 83: Estructura de los resultados para TRAMO/-
SEATS.
6.2.1 Main results

Al posicionarnos directamente sobre este nodo aparece toda la información básica del ajuste (fig.85).
Es importante revisarlo ya que si durante el proceso de ajuste surge algún problema aparecerán
avisos en este apartado bajo los epígrafes Warnings o Errors (fig.84).
Figura 84: Posibles avisos y mensajes de error.
En la tabla 2 se muestran algunos de los avisos y errores que pueden aparecer. Si la longitud de
la serie es inferior a 3 años JDemetra+ no dispone de un número de observaciones suficiente para
realizar la descomposición. Tampoco la llevará a cabo si existe un número demasiado elevado de
outliers, observaciones missings o datos idénticos.
input: Not enough data Error que indica que no se realiza la descomposición porque la
serie tiene una longitud inferior a 3 años.
input: Too many missing values Error que indica que no se realiza la descomposición porque la
serie contiene demasiados valores perdidos.
input: Too many identical values Error que indica que no se realiza la descomposición porque la
serie contiene demasiados valores iguales.
decomposition.Model decompo- Aviso que indica que alguna de las raíces MA está próxima a 1 y
sition: Parameters cut off su valor se ha fijado en el especificado para el parámetro MA unit
root boundary.
decomposition.Model decompo- Aviso que indica que el modelo identificado por TRAMO no tiene
sition: Non decomposable model descomposición.
Cuadro 2: Warnings y Errores.
Figura 85: Nodo Main Results.
El apartado Preprocessing(Tramo) contiene información resumida de la modelización realizada

por TRAMO, como el periodo de observación con el que se realiza el análisis (Estimation span), el
número de observaciones utilizadas, si se ha realizado la transformación logarítmica de los datos,
los regresores de calendario incluidos y el número de outliers si los hubiera, distinguiendo los de
tectados automáticamente de los predefinidos.
En el apartado Decomposition(Seats) se muestran las varianzas de las innovaciones de la serie

ajustada estacionalmente (sa.Innovation variance) y de las componentes estimadas por SEATS
que resultan de la descomposición canónica de la serie estocástica es decir, de la serie corregida

de efectos deterministas y sin observaciones missing, a la que también nos referimos como serie
linealizada (trend.Innovation variance, seasonal.Innovation variance, transitory.Innovation variance
e irregular.Innovation variance).
La varianza de las innovaciones viene expresada en

unidades de la varianza de las innovaciones de la serie
linealizada. Por tanto, para obtenerlas en las unidades
originales será necesario multiplicarlas por la varianza
de las innovaciones de la serie linealizada.
Figura 86: Varianza de las innovaciones.
La innovación de una componente es la causa de su comportamiento estocástico, es decir, de sus

rasgos variables, por lo que cuanto mayor sea su varianza más volátil será el comportamiento de
dicha componente.
La descomposición canónica obtiene componentes acordes a los modelos estimados para cada
una de ellas y de forma que la varianza de la componente irregular se maximice (es decir, que la
componente irregular absorba tanto ruido como sea posible) y tal que las componentes de ciclo
tendencia y estacional sean lo más suavizadas y estables posible.
Si el modelo seleccionado por TRAMO es modificado posteriormente por SEATS justo antes de las
innovaciones aparecerá en este apartado el mensaje Model changed by Seats.
En el apartado Diagnostics se muestra un resumen de los indicadores de calidad más importantes.

Estos indicadores serán explicados con detalle al describir el nodo Diagnostics (sec.6.2.4).
El apartado incluye también un gráfico de la serie original (y) junto con la serie ajustada estacional
mente (sa) y la componente de tendencia (t) (gráfico de la izquierda), y el gráfico SI ratios (gráfico
de la derecha). Pinchando con el botón derecho del ratón sobre cada gráfico se despliega el co
rrespondiente menú local, con las distintas opciones para cada uno de ellos.
Las tres subsecciones en que se divide el nodo Main results (Charts, Table y SI ratio) proporcionan
una presentación visual de los resultados de la descomposición.
6.2.1.1 Charts
Incluye dos subnodos con gráficos de las distintas componentes del ajuste estacional y de calen
dario.
Sa, trend
Gráfico con los datos de la serie original (Series), la serie ajustada estacionalmente (sa) y la com
ponente de ciclotendencia (trend), cada una de ellas extendida con un año de predicciones hacia
adelante (87a).
Cal., sea., irr.

Gráfico con las series correspondientes a los efectos de calendario (Calendar effects), la componen
te estacional (Seas (component)) y la componente irregular (Irregular), cada una de ellas extendida
con un año de predicciones hacia adelante (87b).
La componente irregular se supone que debe ser ruido blanco y por tanto aleatoria e impredecible.
Así, sus predicciones serán cero para modelos aditivos y uno para modelos multiplicativos.
Como regla general se espera que la componente de calendario sea más débil que la estacional.
Sin embargo esto no será así en series no estacionales que presentan efectos de calendario.
La ausencia de ciertos movimientos (estacional y/o irregular) se manifiestará con la presencia de

una línea horizontal en el cero para el modelo aditivo o en el uno para el modelo multiplicativo.
(a) Subnodo Sa, trend. (b) Subnodo Cal.,sea.,irr.
Figura 87: Gráficos del apartado Charts del nodo Main results
6.2.1.2 Table
Presenta los datos tabulados de la serie original (Series), la serie final ajustada estacionalmente
(Seasonally adjusted) y de las componentes de ciclotendencia (Trend), estacional (Seasonal) e
irregular (Irregular) (fig.88), cada una de ellas extendidas con un año de predicciones hacia ade
lante. Las predicciones parecen al final de la tabla en cursiva.
Las predicciones de la componente irregular serán 0 en modelos aditivos y 1 en modelos multipli
cativos por tratarse de un ruido blanco como ya hemos mencionado anteriormente. Sin embargo,
cuando en la descomposición se estima una componente transitoria dicha componente no se mos
trará en una nueva columna de la tabla si no que sus valores se agregarán a los de la componente
irregular en la columna Irregular. En ese caso, las predicciones que se aparecerán en la columna
Irregular serán distintas de 0(1) y corresponderán a las predicciones de la componente transitoria.
Figura 88: Subnodo Table.
También pueden aparecer predicciones distintas de cero en la columna Irregular cuando existen
outliers del tipo TC (transitory changes), especialmente si aparecen al final de la serie ya que este
tipo de outlier genera un efecto que decrece en el tiempo.
Por último, en el caso de modelos en logaritmos, SEATS lleva a cabo una corrección del sesgo
para garantizar que las componentes irregular y estacional son, en media, iguales a 1. Este factor
de corrección también se aplica a las predicciones por lo que no serán exactamente iguales a 1,
aunque sí serán constantes.
Cuando el método usado es X13ARIMASEATS, no se calculan predicciones para la componente

irregular, siguiendo lo implementado en el software original.
El menú local de la tabla está disponible pinchando con el botón derecho del ratón sobre la tabla y
sus opciones son las mismas que las disponibles para Grid.
6.2.1.3 SI ratio

Presenta la componente estacionalirregular (SI) y los factores estacionales para cada periodo de
la serie (meses o trimestres).
La componente estacionalirregular representa una estimación de la serie sin la tendencia. En fun
ción de si la descomposición es aditiva o multiplicativa dicha componente se calculará como suma
o como producto respectivamente, de las componentes estacional e irregular estimadas. Equivalen
temente, la componente estacionalirregular se puede obtener restando (descomposición aditiva) o
dividiendo (descomposición multiplicativa) la serie original entre la componente de ciclotendencia
estimada.
Figura 89: S-I ratios.
En el grágico SI ratio los puntos corresponden a la componente estacionalirregular, las curvas

azules a la componente estacional y las rectas en rojo representan la media de la componente
estacional para cada periodo (mes o trimestre).
El gráfico SI ratio es útil para analizar si los movimientos de la serie en el corto plazo están provo
cados por fluctuaciones estacionales o irregulares.
Generalmente, los SI ratios seguirán el comportamiento de la componente estacional, la cual se
espera que sea estable a lo largo del tiempo. Esto significa que las componentes estacionales
calculadas para el mismo periodo de tiempo no debieran cambiar drásticamnete a lo largo de los
años. Sin embargo, en la práctica sí puede ocurrir que el patrón estacional cambie de repente como
resultado por ejemplo de cambios institucionales o en el método de recogida de la información.
El hecho de que la componente SI sea muy errática indica que la serie analizada está dominada
por su componente irregular y que la componente estacional es también relativamente errática.
6.2.2 Decomposition
Cuando pinchamos directamente sobre el nodo Decomposition podemos ver el modelo ARIMA esti
mado para la serie linealizada y el estimado para cada una de las componentes que SEATS obtiene
a partir de dicha serie linealizada. También se muestran las varianzas de las innovaciones de cada
uno de estos modelo (fig.90).
En general, la descomposición corresponde a la del modelo ARIMA que identifica TRAMO pero en
algunos casos SEATS cambia este modelo y la descomposición que aparece es la correspondiente
al modelo seleccionado por SEATS. Cuando esto ocurre, aparece un mensaje en el nodo Main
results que indica que SEATS ha cambiado el modelo. El modelo que selecciona SEATS se podrá
ver en la sección Arima del nodo Preprocesing, donde también se mostrarán el espectros, los
polinomios AR y MA y las raíces inversas de la parte AR regular de cada uno de los modelos.
Figura 90: Componentes de la descomposición.
6.2.2.1 Stochastic series

Muestra una tabla similar a la que aparece en la figura 91 con las series estimadas (Seasonally
adjusted(lin), Trend(lin), Seasonal(lin) e Irregular(lin)) que resultan de la descomposición canónica
de la serie linealizada (Series(lin)).
Estas series aparecen extendidas con un año de predicciones hacia adelante y transformadas
logarítmicamente cuando la descomposición es multiplicativa. Junto a ellas se incluyen los corres
pondientes errores estándar (Seasonally adjusted(stde lin), Trend(stde lin), Seasonal(stde lin) e
Irregular(stde lin)).
Cuando la descomposición devuelve una componente transitoria, sus estimaciones se incluye en

la tabla junto con los datos correspondientes a la componente irregular en vez de aparecer en una
columna independiente.
Las 2 subsecciones Trend y Seasonal de este subnodo muestran gráficamente la evolución de las
componentes ciclotendencia y estacional en los últimos 7 años y sus correspondientes prediccio
nes un año hacia adelante con intervalos de confianza al 95%, subrayando el hecho de que son el
resultado de un proceso de estimación (fig.91b y 91c). La amplitud de los intervalos de confianza
representa el grado de incertidumbre de los resultados que en general, será mayor al final de la
serie.
(a) Table de componentes estocásticas.
(b) Trend. (c) Seasonal.
Figura 91: Subnodo Stochastic series.
6.2.2.2 Components
Muestra los valores de las series estimadas (Seasonally adjusted(cmp), Trend(cmp), Seasonal(cmp)
e Irregular(cmp)) resultado de la descomposición de la serie linealiza (Series(cmp)) extendidas con
un año de predicciones y una vez deshecha la transformación logarítmica de las mismas cuando
corresponda. Cuando se trabaja con la serie en niveles las series que aparecen en la tabla coinci
den con las mostradas en el subnodo Stochastic series.
Junto a estas series se incluyen los correspondientes errores estándar (Seasonally adjusted st
dev(cmp), Trend stdev(cmp), Seasonal stdev(cmp) e Irregular stdev (cmp)).
Figura 92: Subnodo Components.
6.2.2.3 WK analysis
Este nodo se divide en 2 subsecciones: Components y Final estimators.
Components
La pestaña Spectrum contiene el pseudo espectro de las componentes y de la serie ajustada de
estacionalidad calculado a partir de los modelos teóricos que aparecen en el panel principal del
nodo Decomposition (93).
Figura 93: Pestaña Spectrum. Figura 94: Pestaña ACGF (stationary).
Figura 95: Sección Components del subnodo WK analysis
La suma de los espectros de las componentes debe ser igual al espectro de la serie linealizada, el
cual se muestra en el subnodo Arima del nodo Preprocessing.
Cuando SEATS cambia el modelo identificado por TRAMO para la serie linealizada, los espectros
que aquí aparecen corresponderán a las componentes derivadas del nuevo modelo identificado
por SEATS.
El espectro de la serie ajustada estacionalmente (en amarillo en el gráfico) es la suma del espec
tro de la componente de ciclotendencia (verde), el espectro de la componente irregular y el de la
componente transitoria si existiera.

La variabilidad estocástica de la componente iésima está generada por las innovaciones de la
misma, ait , de modo que valores pequeños de la varianza de las innovaciones V (ai ) darán lugar a
componentes estables mientras que valores grandes de la misma corresponderán a componentes
inestables. El espectro de la componente iésima es proporcional a V (ai ).
Si una componente es estable su espectro presentará picos suaves. Una componente inestable es
tará caracterizada por la presencia de amplios picos espectrales. Para series mensuales, existen
6 frecuencias espectrales (π/6, 2π/6, 3π/6, 4π/6, 5π/6 y π) mientras que para series trimestrales
existen 2 (π/2 y π). El espectro de la componente estacional mostrará picos alrededor de esas
frecuencias.
La existencia de picos en el espectro de la componente transitoria evidenciarán la presencia de
efectos de trading day no modelizados.
En la pestaña ACGF (stationary) está representada la función generatriz de autocovarianzas de

cada componente teórica, de las componentes calculadas con los modelos ARIMA, no de las ob
tenidas a través de la serie linealizada (fig. 94).
Final estimators
Este apartado incluye distintos gráficos que muestran el resultado de la estimación de las compo
nentes que se obtiene con el filtro de WienerKolmogorov.
En la pestaña Spectrum se muestra el espectro del estimador histórico de cada una de las compo
nentes. El espectro del estimador de la componente estacional se obtiene multiplicando el espectro
de la serie linealizada por la ganancia al cuadrado del filtro.
En la figura 96 se puede observar que el espectro del estimador histórico de una componente es
similar al de la correspondiente componente teórica pero presenta ceros en las frecuencias donde
el espectro de la componente está muy próximo a cero.
Figura 96: Pestaña Spectrum. Figura 97: Pestaña Square gain.
La pestaña Square gain muestra la función de ganancia al cuadrado del filtro para cada componen
te (fig.97). La forma que presente esta función dependerá del modelo de la serie en cuestión.
La función de ganancia determina cómo la varianza de la serie contribuye a la varianza de cada
componente para las distintas frecuencias. Es decir, filtra el espectro de la serie por frecuencias
especificando qué frecuencias contribuyen a cada señal (componente). Cuando la función de ga
nancia es cero en una banda [ω1 , ω2 ] la serie que se obtiene estará libre de movimientos en ese
rango de frecuencias. Por el contrario, cuando para algúna frecuencia ω la ganancia al cuadrado
sea 1 todas las variaciones pasarán al estimador de la componente correspondiente.
Las frecuencias estacionales se asignarán a la componente estacional por lo que la función de ga
nancia de esta componente será igual a 1 en las frecuencias estacionales. Por el contrario, la serie
ajustada estacionalmente capturará la varianza de la parte no estacional de la serie, eliminando las

frecuencias estacionales y manteniendo las no estacionales. Así, su función de ganancia estará
próxima a 0 para las frecuencias estacionales.
Figura 98: Pestaña WK filters. Figura 99: Pestaña ACGF (stationary).
En la pestaña WK filters se muestran los pesos que se han aplicados a las observaciones xt de la
serie original en el filtro de WienerKolmogorov (FWK) para estimar los valores x̂it de la componente
iésima:
∞
X
x̂it = νi (B, F )xt donde νi (B, F )xt = ν0 + (B j + F j ). (1)
j=0
El FWK es convergente por ser simétrico y centrado lo cual permite su aplicación aproximada cuan
do la longitud de la serie es finita en lugar de infinita. Los gráficos muestran j = 36 por lo que el
FWK incluye 36 + 1 + 36 = 73 términos.
Para poder aplicar el filtro a todas las observaciones xt de la serie original, la serie linealizada se
extiende con predicciones hacia adelante y hacia atrás usando el modelo ARIMA identificado pa
ra la misma. Cuando se dispone de una nueva observación (i.e. una observación para el periodo
t + 1) se reemplaza la predicción del periodo t + 1 por el valor observado y se actualizan todas las
predicciones para los periodos r > t + 1. Esto implica que al final de la serie el estimador de la
componente es preliminar y está sujeto a revisiones mientra que para los periodos centrales de la
serie el estimador puede ser tratado como final (también denominado estimador histórico).
El patrón de pesos del FWK dependerá de la componente estimada en cuestión aunque como
puede observarse en el gráfico, en la estimación de una determinada observación (j = 0) de una
componente los pesos más altos corresponden, en general, a las observaciones más próximas a
dicha observación y van decreciendo a medida que aumenta la distancia a ella. De este modo, los
valores estimados de cada componentes estarán fuertemente influenciados por los valores de la
serie linealizada.
La pestaña ACGF (stationary) muestra la función generatriz de autocorrelaciones de cada compo

nente.
Figura 100: Pestaña PsiE-weights.
En la pestaña PsiEweigths se muestran los pesos de la representación del estimador histórico

como un filtro aplicado a las innovaciones totales en lugar de aplicado sobre la serie original. Los
pesos representan la variación en el tiempo de la contribución de la innovación total al estimador
de cada componente. El tamaño de dicha contribución se muestra en el eje Y. Para valores no
negativos en el eje X estos pesos muestran el efecto de las condiciones iniciales, es decir, de las
innovaciones presente y pasadas de la serie, mientras que para valores negativos representan el
efecto de las innovaciones futuras.
Los PsiEweights son importantes en el análisis de la convergencia de los errores de estimación y
revisión.
6.2.2.4 Error analysis

Las estimaciones de las componentes en los extremos de la serie son preliminares ya que se ob
tienen utilizando predicciones y por tanto estarán sujetas a revisiones a medida que se dispone de
nuevas observaciones hasta que se alcance el estimador final (histórico). Este proceso suele durar
normalmente entre 3 y 5 años.
El análisis del error se ocupa del tamaño de las varianzas del error y de la velocidad de su conver
gencia al valor final.
De la estructura basada en modelos es posible determinar los modelos subyacentes tanto del error
de revisión como del error estimación de modo que sus respectivas varianzas, autocorrelaciones
y espectros pueden ser calculados. También podrá evaluarse la velocidad de convergencia de la
revisión.
En este subnodo se muestran las varianzas y autocorrelaciones (ACF) del error total del estimador
preliminar (Total error (concurrent estimator)) y de sus componentes, esto es, del error de revisión
(Revision error (concurrent estimator)) y del error final (o histórico) de estimación (Final error). La
información está disponible para la componente ciclotendencia (fig.102) y para la serie ajustada
estacionalmente (fig.101).
Figura 101: Autocorrelaciones de los errores para la serie ajustada estacionalmente.
Los valores vienen expresados en unidades de varianza de las innovaciones de la serie linealizada.
Así, en el ejemplo mostrado en las fig.101 y fig.102, la varianza del estimador concurrente para la
serie ajustada de estacionalidad (sa) es aproximadamente el 17, 6% de la varianza de las innova
ciones de la serie linealizada y el 23% para la ciclotendencia (trend).
Figura 102: Autocorrelaciones de los errores para la componente ciclo-tendencia.
La tabla Revision errors (fig.103) presenta la convergencia del estimador concurrente medida a tra
vés de la revisión del error, que es la diferencia entre el estimador preliminar y el histórico. Para la
componente ciclotendencia y la serie ajustada estacionalmente se calcula el porcentaje de reduc
ción en el error estándar de la revisión después de 1, 2, 3, 4 y 5 años de observaciones adicionales
en el estimador concurrente. Proporciona, por tanto, información del tiempo que necesita el estima
dor concurrente para converger al histórico y de cuántos periodos deben transcurrir para que una
nueva observación deje de afectar significativamente a las estimaciones.
Figura 103: Errores de revisión.

Cuando se comparan varios modelos para una determinada serie se preferirán aquellos modelos
para los que el error del estimador histórico es mínimo y la convergencia de los errores de revisión
es relativamente rápida.
6.2.2.5 Growth rates

En esta sección se muestra la convergencia del estimador concurrente a su estimador final (histó
rico) a medida que se dispone de nuevas observaciones. Los cálculos se obtienen para la serie zt
de tasas de crecimiento sobre el periodo (t − m, t) de la componente ciclotendencia y de la serie
ajustada estacionalmente.
Cuando se aplica un modelo multiplicativo la tasa de crecimiento sobre m periodos, se define como
zt
( zt−m − 1) ⋆ 100 y viene por tanto, expresada en porcentaje.
Para modelos aditivos la tasa de crecimiento viene dada por la diferencia entre zt−m y zt .
El error total de estimación es mayor para el primer periodo, que corresponde al estimador concu
rrente, y va decreciendo para los estimadores preliminares (periodos anteriores) hasta que alcanza
un valor constante que se corresponde con la desviación típica del estimador histórico.
En el ejemplo que se muestra en la figura 104, podemos ver que en el caso de la serie ajustada
estacionalmente el error total de estimación del estimador histórico es aproximadamente 1.29147.
Analizando la convergencia a través del error estándar de la revisión, vemos que después de dos
años de observaciones una nueva observación no afectará significativamente a la estimación ya
que el error de revisión se reduce a 0.45. También se aprecia que el estimador de la ciclotendencia
converge más rápido que el de la serie ajustada estacionalmente y que después de 2 años de
observaciones ambos estimadores prácticamente han convergido, ya que su error de revisión está
muy próximo a 0.
Figura 104: Tasas de Crecimiento.

6.2.2.6 Modelbased test

Esta sección se realiza el análisis sobre las distribuciones de las componentes teóricas, sus estima
dores teóricos y sus estimaciones empíricas. Este análisis consiste en una serie de comprobaciones
sobre los supuestos básicos que deben cumplir las componentes en relación a sus distribuciones.
Se evalúa la validez del análisis comparando los valores de las varianzas de las innovaciones,
las funciones de autocorrelación simple y las correlaciones cruzadas de los estimadores teóricos
(MMSE) de las componentes con los de sus estimaciones empíricas (fig.105, fig.106 y 107 respec
tivamente).
Estos valores deben de estar próximos. Cuando no es así, la especificación de las componentes
no es adecuada. Esto normalmente ocurre cuando el modelo proporcionado por TRAMO no tiene
descomposición admisible y SEATS lo reemplaza por otro.
Figura 105: Varianzas de las innovaciones.
Figura 106: Autocorrelaciones de la SA y componente ciclo tendencia.
Figura 107: Correlaciones cruzadas.

6.2.2.7 Significant seasonality

Muestra el número de periodos en un año que tienen estacionalidad significativa. Lo ideal es que los
valores proporcionados por el estimar histórico (Historical), los actuales (Current) y las predicciones
(Forecast) sean similares.
Figura 108: Periodos de estacionalidad significativa. Figura 109: Descomposición de la varianza estaciona-
ria.
6.2.2.8 Stationary variance decomposition

Esté subnodo presenta la contribución relativa de cada componente a la varianza de la serie original
sin la tendencia (fig.109. Esta descomposición revela cómo cada componente particular contribuye
a la variabilidad total de la serie sin tendencia.
La tendencia se elimina de la serie original utilizando el filtro de HodrickPrescott.
6.2.3 Benchmarking
En el contexto del ajuste estacional, el benchmarking se refire al procedimiento que asegura la
consistencia entre las medias sobre un año de calendario de la serie ajustada estacionalmente y
la original.
En las especificaciones predefinidas esta opción está desactivada, ya que la ESS Guidelines on
Seasonal Adjustment (2015) no lo recomienda pues el benchmarking introduce sesgo en los datos
ajustados estacionalmente.
6.2.4 Diagnostics
Este nodo contiene una amplio rango de indicadores (contrastes) que miden la calidad del ajuste.
Está dividido en seis secciones: Matrix, Seasonality tests, Spectral analysis, Sliding spans, Revi
sions history y Model stability.
El panel principal que se muestra pinchando directamente sobre Diagnostics presenta una evalua
ción resumida de la calidad del ajuste.
Los contrastes que aparecen en este apartado se pueden modificar en el apartado Diagnostics de
la pestaña Statistics del panel Demetra al que se accede desde la opción Option del menú principal
(fig.114).
Haciendo doble click sobre cualquiera de las opciones que aparecen al desplegar el nodo Diagnos
tics de dicho apartado se abre una ventana que permite habilitar o deshabilitar las salidas que se
muestran y modificar ciertos parámetros de los contrastes.
Figura 110: Configuración salida del nodo Diagnostics
Si seleccionamos todas las opciones las secciones que incluirá el panel principal del nodo Diag
nostics se muestran en la figura 111 y se describen brevemente a continuación.
Figura 111: Diagnosis del ajuste estacional.
summary
Para facilitar la interpretación de los resultados de los contrastes JDemetra+ acompaña dichos tests
de un conjunto de valores que ayudan a evaluar la calidad del proceso. Estos valores se muestran
en la tabla 112.
Figura 112: Valores asociados a los indicadores de calidad del ajuste.
Los indicadores se pueden combinar siguiendo un conjunto de reglas (arbitrarias) básicas. Esto es
lo que muestra el indicador Summary, que da una primera idea de la calidad de las estimación.
Las reglas para el cálculo del indicador Summary así como de cualquier otro indicador agregado
que combine n indicadores cualitativos, se muestran en la tabla 113.
Figura 113: Reglas de cálculo de los valores de los indicadores agregados de calidad.
Para calcular la media de los diagnósticos definidos, se asigna 0 a Bad, 2 a Uncertain y 3 a Good.
basic checks
Incluye los dos diagnósticos de calidad siguientes:
definition: este contraste comprueba que se cumplan algunas de las relaciones básicas que
deben existir entre las distintas componentes de la serie. En el caso de una descomposición
aditiva, se chequean las siguientes relaciones:
– mhe = ee + omhe
– cal = tde + mhe
– out = out_t + out_s + out_i
– reg = reg_t + reg_s + reg_i + reg_y
– reg_sa = reg_t + reg_i

– det = cal + out + reg
– c_t = t + o_t + reg_t
– c_t = s + cal + o_s + reg_s
– c_i = i + o_i + reg_i
– c_sa = y_c − c_s = c_t + c_i + reg_y
– cy_c = c_t + c_s + reg_y = t + s + i + reg
– y_l = y_c − det = t + s + i
– sa = y − s = t + i
– si = y_l − t = s + i
Si el modelo es multiplicativo las relaciones son las mismas pero sustituyendo las operaciones
suma y resta por multiplicación y división respectivamente. El significado de cada abreviatura
se explica en el cuadro 5.
El test verifica que se respetan todas las restricciones calculando el máximo de las diferencias
absolutas para las diferentes ecuaciones de la serie inicial (Q).
Los umbrales para los resultados de este test son los que se indican en el cuadro 3.
Q Diagnóstico
> 0.000001 Error
≤ 0.000001 Good
Cuadro 3: Umbrales para los resultados del test definition.
annual totals: contraste que compara los totales anuales de la serie original con los de la serie
ajustada estacionalmente. Obtiene el máximo de sus diferencias absolutas en relación a la
norma euclídea de la serie inicial.
Los umbrales para los resultados de este test son los que se indican en el cuadro 4.
Q Diagnóstico
> 0.5 Error
(0.1, 0.5) Severe
(0.05, 0.01) Bad
(0.01, 0.05) Uncertain
≤ 0.01 Good
Cuadro 4: Umbrales para el contraste annual totals.

Nombre Definición
y Serie original
y_c Serie interpolada (i.e., serie original con los valores missing re-
emplazados por sus estimaciones)
t Tendencia (sin efectos de regresión)
s Componente estacional (sin efectos de regresión)
i Componente irregular (sin efectos de regresión)
sa Serie ajustada estacionalmente (sin efectos de regresión)
si S-I ratio
tde Efecto de Trading day (o de Working day)
mhe Efecto de fiestas móviles
ee Efecto de la Semana Santa
omhe Efecto de otras fiestas móviles
cal Efectos de calendario
out Efecto total de los outliers
out_t Efecto de los outliers asignado a la tendencia (LS)
out_s Efecto de los outliers asignado a la componente estacional (SO)
out_i Efecto de los outliers asignado a la componente irregular (AO,
TC)
reg Efecto de las variables de regresión
reg_t Efecto de las variables de regresión (excepto para outliers) asig-
nado a la tendencia
reg_s Efecto de las variables de regresión (excepto para outliers) asig-
nado a la componente estacional
reg_i Efecto de las variables de regresión (excepto para outliers) asig-
nado a la componente irregular
reg_y Efectos separados de regresión (excepto para outliers)
reg_sa Efecto de las variables de regresión (excepto para outliers) asig-
nado a la serie ajustada estacionalmente
det Efectos deterministas
c_t Tendencia, incluyendo los efectos deterministas
c_s Componente estacional, incluyendo los efectos deterministas
c_i Componente irregular, incluyendo los efectos deterministas
c_y Serie original, incluyendo los efectos deterministas
c_sa Serie ajustada estacionalmente, incluyendo los efectos determinis-
tas
cal_y Serie ajustada de calendario
y_l Serie linealizada
Cuadro 5: Definición de las series utilizadas en el contraste definition.
visual spectral analysis

JDemetra+ identifica los picos espectrales en las componentes estacional y de trading day median
te un criterio empírico de "significación visual".
regarima residuals
En este apartado se presentas varios contrastes sobre los residuos del modelo ARIMA propor
cionado por TRAMO. La definición de los residuos en JDemetra+ difiere ligeramente de la de los
algoritmos originales de X13ARIMASEATS y TRAMO/SEATS pero los resultados de los contras
tes son casi siempre muy similares.
normality: contraste de normalidad de DoornikHansen, el cual se distribuye como una χ2 . Los

umbrales para este test son los que aparecen en la tabla 6.
P r(χ2 > val) Valor establecido por JDemetra+

< 0.01 Bad
[0.01, 0.1) Uncertain
≥ 0.1 Good
Cuadro 6: Umbrales para el contraste de normalidad de Doornik-Hansen.
independence: contraste de LjungBox, que se distribuye como una χ2 k−np donde k depende
de la frecuencia de la serie (24 para series mensuales, 8 para trimestrales, 4 ∗ freq para series
con frecuencia freq) y np es el número de parámetros en el modelo ARIMA. Los umbrales para
este test se muestra en la tabla 7.
P r(χ2 k−np > Valor establecido por JDemetra+

val)
< 0.01 Bad
≥ 0.1 Good
Cuadro 7: Umbrales para el contraste de independencia de Ljung-Box.
spectral td peaks y spectral seas peaks: chequean la presencia de picos de TradingDay y es
tacionales en los residuos usando el test basado en el periodograma de los residuos.
El periodograma se calcula en las denominadas frecuencias de Fourier. Bajo la hipótesis de
que los residuos son ruido blanco gaussiano es posible obtener un test simple sobre el perio
dograma alrededor de grupos de frecuencias específicos.
Los umbrales de estos contrastes son los que aparecen en la tabla 8.
P r(stat > val) Valor establecido por JDemetra+

< 0.001 Severe
[0.001, 0.01) Bad
≥ 0.1 Good
Cuadro 8: Umbrales para los resultados del contraste sobre el periodograma.
outliers
Muestra el resultado del test que comprueba el número de outliers en relación con la longitud de la
serie. Por defecto, el resultado del test es aceptable si el número relativo de outliers es inferior al
3%.
En general, un número alto de outliers puede indicar problemas en la especificación del modelo.
Sin embargo, en algunos casos un alto porcentaje de outliers en la serie puede estar justificado por
ejemplo cuando la serie se ve afectada por diversos cambios metodológicos.
outofsample
Presenta el resumen del conjunto de contrastes realizados sobre las predicciones ya visto para el
proceso de modelización en el apartado de Resultados de la sección Modelling.
seats
Recoje un conjunto de indicadores que resumen si las hipótesis relativas a la relación entre las
componentes se cumplen.
residual seasonality tests

Conjunto de contrastes para chequear la presencia de estacionalidad residual en la serie ajustada
estacionalmente y en la componente irregular. Los diagnósticos de estacionalidad residual imple
mentados en JDemetra+ son los desarrollados en X12ARIMA.
Por defecto se muestra el ftest para la presencia de estacionalidad residual y el qs test basado
en el estadístico de LjungBox, calculados para la serie ajustada estacionalmente (on sa (seasonal
dummies)) y para la componente irregular (on i (seasonal dummies)).
Los umbrales del el ftest para contrastar la presencia de estacionalidad residual son los que se
muestran en la tabla 9.
P-valor Valor establecido por JDemetra+

< 0.01 Severe
[0.01, 0.05) Bad
≥ 0.1 Good
Cuadro 9: Umbrales para el F-test sobre presencia de estacionalidad residual.
combined residual seasonality tests

Muestra el resultado del test combinado de estacionalidad residual calculado para la serie ajustada
estacionalmente en el periodo completo (on sa) y en los últimos 3 años (on sa (last 3 years))y para
la componente irregular (on i (seasonal dummies)).
residual trading days tests

Muestra el resultado del ftest utilizado para chequear la presencia de efectos residuales de tra
ding day para la serie ajustada estacionalmente (on sa (td)) y para la componente irregular (on i (td)).
6.2.4.1 Matrix
En este nodo se comparan los resultados del ajuste estacional de una serie obtenidos con una
especificación concreta con los de todas las especificaciones predefinidas que incluye JDemetra+
para el método seleccionado. La especificación que está siendo utilizada por el usuario para llevar a
cabo el ajuste estacional aparece marcada con [C]. Los resultados están agrupados en 6 pestañas:
• Main: con la información principal del modelo ARIMA identificado:
– N: número de observaciones;
– Seasonal: resultado de los contrastes de estacionalidad (vale 1 si existe estacionalidad
y 0 si no);
– Log: tipo de transformación aplicada a los datos (0 ninguna, 1 logarítmica);
– Mean: efecto medio en el modelo ARIMA (0 no presente, 1 presente);
– PD: orden del proceso AR regular;
– P: orden del polinomio AR no estacional;
– D: orden de diferenciación no estacional;
– M: orden del polinomio MA no estacional;
– BP: orden del polinomio AR estacional;
– BD: orden de diferenciación estacional;
– BQ: orden del polinomio MA estacional;
– BIC: valor del criterio de información Bayesiano corregido para la longitud;
– SE(res): error estándard de los residuos;
– Qval: valor del estadístico de LjungBox para el retardo 24/16.
• Calendar: resultados de la estimación de las variables de calendario, sus coeficientes estima

dos y correspondientes testadísticos.
• Outliers: con los tipos, periodos, coeficientes y testadísticos de los outliers seleccionados en
cada uno de los modelos.
• Arma: con los parámetros estimados y testadísticos del modelo ARIMA seleccionado con
cada una de las especificaciones.
• Tests: con la diagnosis de los residuos en cada una de las especificaciones
– Skewness: simetría de la distribución de los residuos;

– Kurtosis: curtosis de la distribución de los residuos;
– LjungBox: contraste de LjungBox de autocorrelación en los residuos (hasta el retardo
24 para series mensuales u 8 para trimestrales);
– LB on seas: test de autocorrelación de LjungBox en los restardos estacionales de los
residuos;
– LB on sq.: test de LjungBox de linealidad de los restardos calculado con el cuadrado de
los residuos.
• Custom: con una matriz personalizada con información seleccionada por el usuario a través
de la opción Option del menú principal
Figura 114: Subnodo Matrix
Todas las matrices pueden ser copiadas con las opciones del menú local para usarlas en otras
aplicaciones, por ejemplo en Excel.
6.2.4.2 Seasonality tests

Incluye un conjunto de contrastes para chequear la presencia de estacionalidad en las series. Estos
test se llevan a cabo para:
• la serie original, transformada logarítmicamente si es necesario (Original (transformed) series)
• serie linealizada (Linearized series)
• residuos completos (Full residuals)
• serie ajustada estacionalmente (SA series)
• componente irregular (Irregular)
• residuos últimos periodos (Residuals (last periods))
• serie desestacionalizada últimos periodos (SA series (last periods))
• componente irregular últimos periodos (Irregular (last periods))

Figura 115: Test de estacionalidad sobre la SA.
La presencia de estacionalidad también se chequea mediante un test combinado (Combined test)

que considera los resultados de varios contrastes de estacionalidad para evaluar globalmente si la
serie contiene fluctuaciones estacionales identificables.
Figura 116: Contrastes de estacionalidad.

Figura 117: Test combinado.
En el apartado Residual seasonality aparecen resumidos los resultados del análisis de estaciona
lidad residual para la serie de residuos completa y para la correspondiente a los últimos 3 años.
En el caso del Test de autocorrelación en los retardos estacionales , se está realizando tomando
sólo una diferencia regular sobre la serie original, serie linealizada y sobre la serie ajustada es
tacionalmente, cuando en ocasiones con una diferencia regular no se consigue que la serie sea
estacionaria, como requiere este test.
Figura 118: Residual seasonality test.
6.2.4.3 Spectral analysis

Los efectos estacionales y de calendario son aproximadamente periódicos por lo que el espectro
es una herramienta apropiada para detectar su presencia.
En este apartado se muestran los gráficos de dos estimadores del espectro: el periodograma y el es
pectro autorregresivo. Ambos gráficos están disponibles para la serie de los residuos (Residuals),
la componente irregular (Irregular) y para la serie ajustada estacionalmente (SA series (statio
nary)).
En el eje X de estos gráficos aparecen las frecuencias entre 0 y π, las líneas verticales en azul co
rrespondena las frecuencias estacionales y las líneas rojas a la frecuencia de TradingDay. Además,
para la serie de residuos aparecerá una línea verde horizontal indicando el nivel de significación
del 0.05 si alguno de los picos espectrales de la serie es significativo a un nivel de 0.05. En los
gráficos de la serie ajustada estacionalmente y de la componente irregular no se calcula por lo que
no existe ningún mensaje que nos informe de si los picos que se observan en ellos son significativos.
Figura 119: Periodograma y espectro autorregresivo para la serie de residuos.
La inspección del periodograma y del espectro autorregresivo nos puede alertar de la presencia
de estacionalidad y de efectos de calendario residuales. Su interpretación es sencilla: valores al
tos del espectro (en relación con el resto) para frecuencias bajas indican que los movimientos a
largoplazo son los dominantes en la serie; picos espectrales grandes para frecuencias altas indi
can que la serie carece de tendencia y contiene mucho ruido; la presencia de estacionalidad en
la serie se manifiesta con picos espectrales grandes en las frecuencias estacionales. Los picos en
las frecuencias de TradingDay indican la presencia de efectos de TradingDay en los datos.
Si el proceso es ruido blanco los valores de su espectro estarán distribuidos aleatoriamente alre
dedor de una constante y su espectro no mostrará ningún pico visiblemente significativo.
La presencia de picos en las frecuencias estacionales y de TradingDay en los residuos indica

la necesidad de ajustar un modelo mejor a la serie. En concreto, los picos en las frecuencias es
tacionales suelen ser consecuencia de una elección inadecuada de los filtros en el proceso de
descomposición. Los picos en las frecuencias de TradingDay pueden aparecer debido al uso de
variables de regresión inadecuadas en el modelo.
6.2.4.4 Sliding spans

El análisis de sliding spans es una herramienta diseñada para examinar si los resultados del ajuste
estacional son estables en el tiempo y no varían sustancialmente cuando se añaden o eliminan
unas pocas observaciones de la serie original.
Es también útil para detectar cambios significativos en el tiempo en la serie original tales como
cambios en el patrón estacional, la aparición de un elevado número de outliers o la presencia de
estacionalidad altamente variable.
La evaluación de la estabilidad de los resultados del ajuste estacional se realiza comparando los
resultados que se obtienen al aplicar el proceso de ajuste estacional sobre una secuencia de in
tervalos solapados (dos, tres o cuatro, dependediendo de la longitud de la serie) que cubren el
conjunto de periodos observados (meses o trimestres). El ajuste se lleva a cabo en cada intervalo
con los datos de la serie que quedan incluidos en el mismo. Se examina si el ajuste estacional de
cada periodo (mes o trimestre) que es común a más de un intervalo varía más o menos que una
cierta cantidad predefinida de un intervalo a otro.
El umbral para detectar valores anómalos está establecido en el 3%.
Figura 120: Sliding span.
Los intervalos utilizados para este diagnóstico en JDemetra+ siempre cubren 8 años de observa
ciones y cada uno de ellos comienza un año después que el intervalo inmediatamente anterior. Por
tanto el número de intervalos considerados es dos, tres o cuatro dependiendo de la longitud de
la serie. Siempre que existan suficientes datos en la serie el número máximo de intervalos será
cuatro. El último intervalo siempre incluye las observaciones más recientes, por lo que en series
muy largas las observaciones iniciales no se tendrán en cuenta a la hora de definir los intervalos.
Si la serie tiene menos de 9 años de observaciones el diagnóstico no se puede llevar a cabo y
JDemetra+ no mostrará ningún resultado en este nodo.
El resumen del análisis que aparece al pinchar directamente sobre el nodo Sliding span (fig.120)
muestra los resultados de algunos contrastes de estacionalidad para el ajuste en cada intervalo.
Las diferencias entre intervalos indicarán cambios en las características de los movimientos esta
cionales de la serie.
Las diferencias en la media de los factores estacionales entre los diferentes intervalos para un pe
riodo dado también serán indicativo de la existencia de cambios significativos en las características
de las variaciones estacionales. Las medias en cada periodo e intervalo se muestran en la tabla
Means of seasonal factors (fig.120).
Figura 121: Sliding span.
JDemetra+ realiza el análisis sliding spans para la componente estacional, para el efecto de Trading
Day/WorkingDay y para la serie desestacionalizada. Los resultados detallados de estos análisis
se muestran en los subnodos Seasonal, Trading day y SA (changes). Este último se refiere al
porcentaje de cambios de periodo a periodo en la serie ajustada estacionalmente.
La salida de los tres subnodos mencionados es similar al presentado en la fig.121 para la com
ponente estacional. Por tanto lo expuesto a continuación para la componente estacional es válido
también para los otros dos subnodos.
En el primer gráfico se muestra el estadístico de sliding spans calculado para cada periodo (mes
o trimestre) (fig.122). Este estadístico se define como la diferencia porcentual máxima de las esti
maciones de la componente estacional obtenidas en los diferentes intervalos. La estimación de la
componente estacional se considerará inestable si dicho estadístico supera el 3%.
Figura 122: Distribución del estadístico de Sliding span.
El siguiente panel muestra la distribución acumulada de frecuencias de los valores del estadístico
de sliding spans (meses o trimestres) usando un polígono de frecuencias 123. En el eje horizon
tal se muestran los valores del estadístico y en el eje vertical la frecuencia en porcentaje de cada
intervalo de clase. Por ejemplo, en la figura 123 el primer intervalo se extiende de 0 a 0.005. Este
invervalo tiene una frecuencia del 9% lo que significa que el 9% de los valores del estadístico de
sliding spans están dentro de dicho intervalo.
Los resultados del ajuste estacional serán estables si el porcentaje de factores estacionales inesta
bles (anormales) no supera el 15% del número total de observaciones. Estudios empíricos avalan
que un ajuste estacional con más de un 25% de los periodos (meses o trimestres)con una estima
ción inestable del factor estacional no es aceptable. Por tanto, se debe chequear la frecuencia total
en los intervalos entre 0.03 y 1 (que serán los marcado como inestables).
En el ejemplo de la figura 124 el 1.7% de los valores han sido marcados como anormales.
El último panel contiene información detallada sobre la proporción de observaciones inestables

(fig.124), es decir que exceden el umbral del 0.03.
En este panel también se muestra el número de observaciones inestables y las diferencias porcen
tuales máximas medias agrupadas por periodo (mes o trimestre) y por año. Estas tablas proporcio
nan información de la distribución de las observaciones inestables por periodos y años, y pueden
dar una idea de si las observaciones con un ajuste estacional poco fiable se concentran en ciertos
periodos y de si sus estadísticos de sliding spans apenas o sustancialmente exceden el umbral.
En el ejemplo de la figura 124 la primera tabla muestra que 1 estadístico de sliding spans de los
calculados para Mayo supera el umbral del 3% y que la máxima diferencia porcentual media entre
intervalos para este periodo fue de 1.5.
Figura 123: Frecuencias acumuladass del estadístico de Sliding spans.
Figura 124: Distribución de observaciones inestables.
6.2.4.5 Revisions history

El historial de revisiones es un diagnóstico de estabilidad que muestra cómo los resultados del
ajuste estacional se van viendo afectados con la introducción de nuevos datos en la serie.
Como ya sabemos, las estimaciones de la serie ajustada estacionalmente y de la tendencia, así
como las del resto de componentes, cambian a lo largo del tiempo a medida que se dispone de
nuevas observaciones al final de la serie. Estos cambios en la serie ajustada estacionalmente y en
la tendencia reciben el nombre de revisiones.
El historial de revisiones es una herramienta complementaria que nos puede ayudar a seleccionar
de entre un conjunto de modelos todos ellos aceptables el que mejor comportamiento presenta en
términos de revisiones. Como regla general, cuanto menores sean estas revisiones mejor será el
ajuste. Es importante señalar que no se proporciona una medida absoluta de lo que debe ser con
siderado como un nivel de revisiones aceptable. No se trata por tanto, de un contraste estadístico,
sino un análisis descriptivo complementario.
JDemetra+ muestra el historial de revisiones para la seria ajustada estacionalmente (SA series) y
la componente ciclotendencia (Trend). También incluye los subnodos SA changes y Trend chan
ges que contienen las revisiones para los cambios de las tasas entre un periodo (mes o trimestre)
y el anterior en la serie ajustada estacionalmente y en la componente de ciclotendencia.
En primer lugar aparece la representación gráfica de las revisiones de cada observación calculadas
como la diferencia entre la estimación inicial de cada observación cuando dicha observación es el
último periodo de la serie (estimador concurrente, representado con círculos azules) y la estimación
más reciente cuando se ha utilizado toda la longitud de la serie en el ajuste (representado con la
línea roja) (fig.125).
El gráfico del historial de revisiones se realiza con las 84 observaciones más recientes en series
mensuales (16 en trimestrales) pero si la serie tiene menos de 109 observaciones (37 en el caso
trimestral) el número de revisiones consideradas se reduce en consonancia. Si la longitud de la
serie es inferior a 62 observaciones en series mensuales (22 en series trimestrales) JDemetra+ no
muestra este gráfico.
Figura 125: Gráfico de revisiones en la SA.
En los subnodos SA series y Trend, la tabla que aparece debajo del gráfico muestra las diferen
cias entre los valores estimados inicialmente para la serie ajustada estacionalmente y su estimación
más reciente para cada periodo de los últimos 4 años de observaciones. Las diferencias calculadas
serán las absolutas o las relativas dependiendo de si la descomposición es aditiva o multiplicativa
respectivamente.
En los subnodos SA changes y Trend changes en lugar de las diferencias relativas entre las esti
macines, se muestran las tasas de crecimiento entre periodos.
En todos ellos se proporciona además el error cuadrático medio de las revisiones (rsme) y su dife
rencia relativa media (mean.)
Los valores de las revisiones que superen en en términos absolutos 2 veces el valor del error cua
drático medio de las mismas, se mostrarán en rojo. Su presencia pueden interpretarse como un
aviso que informa de la inestabilidad de la salida.
Si pinchamos sobre cualquier

punto azul del gráfico de revi-
siones, supongamos que es el
correspondiente a la estimación
inicial para el periodo tn , se
abrirá una ventana auxiliar con
la gráfica de las estimaciones
sucesivas para el periodo tn
calculadas sobre las muestras
[t0 , ..., tn ], [t0 , ..., tn+1 ], ..., [t0 , ..., tT ]
de la serie.
Figura 126: Detalle del gráfico de revisiones en la SA.
Este gráfico auxiliar nos permite evaluar cómo varían las observaciones de la serie ajustada es
tacionalmente y de la ciclotendencia desde la estimación inicial a la final calculando la diferencia
existente entre una y otra en el eje de ordenadas.
Figura 127: Resumen del tamaño de las revisiones en un modelo aditivo.
6.2.4.6 Model stability

En este nodo se realiza un análisis puramente descriptivo para evaluar la estabilidad de los pará
metros del modelo: coeficientes de los regresores de TradingDay (Trading day), de los regresores
de Semana Santa(Easter) y de los parámetros del modelo ARIMA (Arima).
El análisis de la estabilidad se realiza calculando las sucesivas estimaciones de los parámetros del
modelo seleccionado con la serie completa, en distintos periodos de observaciones (fig.130). Por
defecto, la longitud de los periodos es de 8 años, y cada intervalo comienza un año después que
el anterior. Por tanto, el número de estimaciones calculadas dependerá de la longitud de la serie.
Por ejemplo, para una serie cuya longitud fuera de 12 años, el número de estimaciones calculadas
sería 5.
Los resultados de las estimaciones se muestran gráficamente (círculos azules) junto con la media
de las mismas ((línea horizontal roja). La concentración de estimaciones (círculos azules) respecto
de la media (línea roja horizontal) indicará estabilidad de los parámetros en el tiempo.

Los resultados individuales de un parámetro determinado se pueden visualizar separadamente
en una nueva ventana haciendo doble click sobre el área correspondiente al mismo en el gráfico
general.
Si alguno de los efectos no está presente en el modelo el gráfico correspondiente no se generará.
Figura 128: Estimación de los coeficientes de los efec- Figura 129: Estimación de los parámetros del modelo
tos de Trading-Day. ARIMA.
Figura 130: Estabilidad del modelo.

6.3 Políticas de revisión

Los resultados de un Workspace que contienen numerosas series con sus especificaciones, se
pueden actualizar aplicando distintas políticas, cuando se tienen nuevas observaciones o modifica
ciones de las mismas.
Para refrescar los resultados , es necesario abrir el Workspace en el menú principal File → Open Workspace
Hay que seleccionar el Multiproceso y hacer doble click para mostrar su contenido. Se puede apli
car la misma política a todas las series de un mismo SAProcessing desde el menú principal, selec
cionando la opción SAProcessing-1 → Refresh (fig.131).
Si se quiere aplicar una política a una serie en concreto, se selecciona la serie dentro de la ventana
SAProcessing1 y con el botón derecho del ratón, posicionándose en Refresh, permite aplicar las
diferentes políticas.
Figura 131: Políticas de revisión.
JDemetra+ permite aplicar las siguientes políticas de revisión:
1. Partial concurrent adjustment → Fixed model: esta política mantiene fijos los coeficientes del mo
delo, los coeficientes de regresores y outliers (fig.132).
Si pinchamos con el botón derecho del ratón cuando hemos seleccionado una serie, dentro del
Multiproceso, esta política coincide con Partial concurrent adjustment → Current adjustment
Figura 132: Fixed model.
2. Partial concurrent adjustment → Estimate Regression coefficients: Los coeficientes del modelo se
mantienen fijos y se reestiman los coeficientes de outliers y regresores (fig.133).
Figura 133: Estimate Regression coefficients
3. Partial concurrent adjustment → +Arima Parameters: Se mantienen modelo Arima, regresores y

outliers, pero se reestiman los coeficientes de todos ellos (fig.134).
Esta política es la que actualmente se aplica en la mayor parte de las series del INE. Si aplicamos
esta política con una especificación RSAfull, se puede comprobar que la especificación de referen
cia ha cambiado, fijando modelos, regresores y outliers predefinidos.
Figura 134: Arima Parameters
4. Partial concurrent adjustment → Last Outliers: Igual que la política anterior y además se identifi
can y estiman los outliers en el último año de observaciones (fig.135).
Figura 135: Last Outliers
5. Partial concurrent adjustment → +All Outliers: Se mantienen modelo ARIMA y regresores, pero
se reestiman los coeficientes de ambos. Se identifican y estiman de nuevo, todos los outliers de
forma automática en toda la serie.
6. Partial concurrent adjustment → + Arima Model: Se reidentifica y estiman de nuevo el modelo

ARIMA y los outliers del modelo. Los regresores se mantienen pero se reestiman sus coeficientes.
7. Concurrent: Identificación completamente nueva del modelo ARIMA, outliers y regresores.
Cuanto más restrictiva sea la especificación de referencia, menos políticas de revisión se podrán
aplicar, es decir, sí se ha preespecificado modelo, regresores y outliers, no se pueden aplicar las
últimas tres políticas. Si la especificación de referencia es una especificación automática en cuanto
al modelo, regresores y outliers, se podrán aplicar todas las políticas. Incluso si se realiza la política
Arima Parameters sobre esta especificación automática de referencia, aunque el programa cambie
la especificación y se pueda ver el modelo, outliers y regresores identificados de modo automático
como preespecificados, después se podrá aplicar cualquier política.
Cuando se usan regresores de calendario definidos por el usuario y se introducen datos nuevos,
tanto de la serie, como de los regresores, los datos de la serie se actualizan al aplicar la política,
pero para que haga lo mismo con los datos de los regresores, es necesario seleccionar desde la
ventana Workspace la opción Utilities → Variables → Vars-1 y pinchando con el botón derecho del
ratón, aplicar Refresh (fig.136).
Figura 136: Políticas de revisión: Refresh Variables

7 Otras Herramientas 110
7 Otras Herramientas
7.1 Differencing
La ventana Differencing permite obtener la función de autocorrelación simple y el periodograma
de una serie con una diferencia regular y una estacional por defecto. Desde el menú principal, se
puede seleccionar esta opción en Tools → Differencing.
Para añadir la serie en la ventana Differencing, hay que arrastrarla desde la ventana Providers a
la ventana Differencing.
Por defecto, muestra los resultados sobre la serie tomando una diferencia regular y una estacional,
sin realizar transformación logarítmica (fig.137). Para cambiar estas opciones, seleccionamos en
el menú principal, Window → Properties.
Figura 137: Differencing
7.2 Aggregation
La ventana Aggregation permite sumar las series que se arrastren a esta opción y visualizar la
gráfica de la suma (fig.138). Para añadir las series en la ventana Aggregation, hay que arrastrarlas
desde la ventana Providers a la ventana Aggregation.
Figura 138: Agregation
7.3 Tests de estacionalidad

Los tests de estacionalidad juegan un papel importante tanto antes como después del ajuste. Esta
herramienta nos permite identificar movimientos estacionales en la serie original, usando varios de
los tests disponibles en JDemetra+. También se puede usar para detectar la estacionalidad residual
después del ajuste, más difícil de detectar que en el caso anterior.
Para más información sobre estos tests ver JDemetra+ Reference Manual Version 2.2, documenta
ción de la parte teórica del Curso Avanzado de Ajuste estacional y el artículo "Detecting Seasonality
in Seasonally Adjusted Monthly Time Series" Findley, Lytras (2017).
Desde el menú principal:

Statistical Methods → Tools → Seasonality Tests (fig.139).
JDemetra+ abre una ventana de Tests de estacionalidad que contiene dos paneles vacíos.
Figura 139: Opción Tests de Estacionalidad.
Para comenzar el análisis, se arrastra una serie de la ventana Providers al área Drop data here y
automáticamente se realiza al análisis.
En el panel de arriba, aparece la gráfica de la serie. Con el menú local se puede guardar la imagen,
cambiar formato, etc. En el panel de abajo, se muestran los resultados de los tests (fig.140)).
Figura 140: Ventana de Tests de Estacionalidad.
El menú principal Window → Properties (fig.141), permite realizar de nuevo los tests sobre la serie
original transformada (transformación logarítmica y diferenciada regularmente) y sobre un tamaño
de la serie determinado (últimos años).
Figura 141: Ventana de Properties.

En el panel de abajo aparece una tabla resumen y los resultados detallados de 6 tests de estacio
nalidad (fig.142). En general, un resultado verde indica que hay evidencia de estacionalidad en la
serie (se rechaza el test), amarilla incierta y rojo indica que no se detectan movimientos estaciona
les (se acepta el test).
Figura 142: Tabla resumen Tests
1. Test de autocorrelación en los retardos estacionales: se realiza el test con el estadístico Qs de Ma
ravall (2012) para detectar autocorrelación estacional positiva. Es similar al test de LjungBox que
contrasta la correlación entre las observaciones actuales y la observaciones de hace un año y de
hace dos, sobre la transformación estacionaria de los datos investigados. Cuando la hipótesis nula
se rechaza, las autocorrelaciones en los retardos estacionales son significativas, indicando la pre
sencia de movimientos estacionales en la serie y la salida del test aparece en verde (fig.143). El
estadístico sigue una distribución asintótica χ22 , según Maravall (2012) y tiene la siguiente expresión:
X
2
rbsj
2
Qs = n(n + 2) (2)
n − js
j=1
El valor crítico del test para un nivel de significación del 0.05 es 5.99146 y 9.21034 para un nivel de
significación del 0.01. Por lo tanto, se rechaza la hipótesis nula si Qs > 5.99146 y Qs > 9.21034 al
95% y 99% respectivamente. Sólo se podrá utilizar Qs para contrastar la presencia de movimientos
estacionales si Qs > 0.
La presencia de autocorrelación de retardo 12 positiva (caso mensual), tanto en la serie ajustada
estacionalmente como en la irregular, es un indicador fuerte de estacionalidad residual. Se trata de
un indicador fuerte porque r12 < 0 sugiere que ρ12 < 0, que es lo que se espera obtener después
del ajuste. Si r12 < 0, la autocorrelación está asociada a un ciclo en dos años (fig.144) y Qs = 0.
QS.01 es el diagnóstico más creible cuando se realiza el test sobre toda la serie, según indican en
el artículo Lytras, Findley (2017). En general, la detección de estacionalidad residual con este test
aumenta con la longitud de la serie.
Figura 143: Test de autocorrelación en los retardos estacionales
Figura 144: Test de autocorrelación en los retardos

Figura 145: FAS
estacionales
2. Test de Friedman (Test de la estacionalidad estable): el test de Friedman es el análogo al test de

Análisis de la varianza, sin la asunción de normalidad y facilitando el análisis de datos ordinales.
En este caso se tienen s = 12 tratamientos que serían los meses (s = 4 en el caso de series
trimestrales), y n bloques que se corresponden con el número de años que tiene la serie. Dentro
de cada bloque se reemplazan Xi1 , Xi2 , Xi3 , .., Xis por sus respectivos rangos, Ri1 , Ri2 , Ri3 , .., Ris ,
es decir, 1 el más pequeño, 2 el siguiente más pequeño y así sucesivamente. Bajo la hipótesis nula
de ausencia de estacionalidad estable, este estadístico se distribuye asintóticamente según una
χ2s−1 , es decir, χ211 en el caso mensual y χ23 en el trimestral, y tiene la siguiente expresión:
Pk 2
n j=1 (Rj − r̄)
Xr2 = Pk 2
(3)
j=1 (Rij − r̄)
1
n(s−1)
dónde Rj = R1j + R2j + R3j .. + Rnj .

La hipótesis nula es la no existencia de estacionalidad estable. Si la hipótesis nula se rechaza, se

puede considerar que la serie presenta movimientos estacionales y la salida del test aparece en
verde (fig.146).
Figura 146: Test de Friedman
3. Test de Kruskal-Wallis: es un test no paramétrico usado para contrastar si las muestras proceden
de una misma población. La hipótesis nula es la igualdad de medias en todos los periodos (meses
o trimestres). Cuando esta hipótesis se rechaza, se asume que las medias son distintas entre los
periodos y la serie presenta estacionalidad. En este caso, el resultado del test aparece en verde
(fig.147). Bajo la hipótesis nula, el estadístico sigue una χ2s−1 (s = 12 en el caso mensual y s = 4
en el caso trimestral) y tiene la siguiente expresión:
12 X Rj2
s
Q= − 3(n + 1) (4)
n(n + 1) Nj
j=1
donde Nj es el número de observaciones de la serie que hay en el periodo (mes o trimestre) j y

Rj es la suma de los rangos de las observaciones correspondientes al periodo (mes o trimestre) j
en la serie completa.
Figura 147: Test de Kruskal-Wallis
4. Identificación de picos espectrales en el espectro autorregresivo y en el periodograma de Tukey: El

espectro autorregresivo es la representación gráfica, en el dominio de la frecuencia, de la función
de densidad espectral de un proceso AR(30) estimado, mientras que el espectro de Tukey es un
espectro muestral suavizado. Para contrastar si la serie presenta un componente estacional, el test
usa un criterio visual y un test basado en dos principios básicos sobre la serie estacionaria. Así,
para que un pico estacional se considere visualmente significativo:
a) Debe ser mayor que la mediana del espectro para todas las frecuencias.
b) Debe exceder el espectro de los dos valores adyacentes en más de un valor crítico.
Cuando esto ocurre, el resultado del test es verde, indicando que la serie presenta movimientos
estacionales (fig.148).
Figura 148: Picos espectrales en el espectro autorregresivo y en el espectro de Tukey
5. Periodograma Test: Este test se basa en la suma de los valores del periodograma clásico en las
frecuencias estacionales, sobre la serie diferenciada (1 − B)d , d ≥ 0, y en logaritmos si es ne
cesario. bajo la hipótesis nula de ausencia de estacionalidad, el estadístico del test sigue una
Fs−1,n−d+h−12+K , donde k = 1 si n − d + h es par, y k = 0 en caso contrario. Este test se conoce
como OLSFtest diagnóstico de De Antonio y Palate (2014) y sólo está disponible en JDemetra+
(fig.149).
Figura 149: Periodograma
6. F-test de variables dicotómicas estacionales: Este test contrasta la presencia de estacionalidad de
terminista. El modelo consta de s − 1 (11 en el caso mensual y 3 en el caso trimestral) efectos
estacionales dicotómicos y del efecto de la media para describir el comportamiento de la serie tem
poral (transformada si es necesario). El test contrasta si los efectos estacionales dicotómicos son
no significativos conjuntamente. Cuando la hipótesis nula se rechaza, se asume que existe esta
cionalidad determinista y el resultado del test aparece en verde (fig.150).
Este test hace referencia al Ftest para Efectos estacionales fijos propuesto por Lytras,D.P., FELD
PAUSCH, R.M., and BELL, W.R. (2007), que se basa en la estimación de variables de regresión
dicotómicas y los correspondientes testadísticos de un modelo RegArima, donde la parte ARIMA
del modelo tiene la forma (0, 1, 1)(0, 0, 0).
El F estadístico propuesto es el siguiente:
b2
χ n−d−k
F = + (5)
s−1 n−d
donde:
b2 = βb′ ∗ [V ar(β)]
χ b −1 ∗ βb (6)
Figura 150: F-test de variables dicotómicas estacionales
Este estadístico sigue, bajo la hipótesis nula, una Fs−1,n−d−k , donde n es la longitud de la serie, d
es el número de veces que se ha diferenciado la serie antes de ajustarle el modelo de variables
ficticias (sin contar el (1 − B) del modelo de variables ficticias) y k es el número total de regresores.
7.4 Análisis espectral

El objetivo del análisis espectral es determinar la importancia de los ciclos de diferentes frecuencias
para explicar el comportamiento de la serie. El análisis espectral se puede utilizar para detectar la
presencia de componentes periódicas, por lo que sirve como herramienta de diagnóstico para de
tectar efectos de trading day y efectos estacionales.
El espectro de un proceso estacionario es la transformada de Fourier de la función de autocovarian

zas del proceso. El análisis de las series en el dominio de la frecuencia y en el dominio del tiempo
son teóricamente equivalentes.
Esto está diseñado para usuarios avanzados, que quieran realizar un análisis en profundidad de
las series temporales en el dominio de la frecuencia
Las frecuencias estacionales se muestran con una línea gris ( 2πk12 , k = 1, 2, ..6) y el efecto del ciclo
semanal con una línea roja (2.1879). Por lo tanto, si los valores del gráfico espectral para frecuen
cias pequeñas son grandes en relación al resto, esto quiere decir que los movimientos a largo plazo
dominan la serie. Por el contrario si predominan los valores altos en frecuencias altas, esto quiere
decir que la serie presenta mucho ruido.
Los valores del espectro de un proceso ruido blanco están en torno a una constante, sin ningún
pico. En este caso, todas las frecuencias aportan lo mismo para explicar la variabilidad de la serie.
Figura 151: Menú Análisis espectral
La presencia de estacionalidad en una serie temporal se manifiesta en el gráfico espectral median

te picos en las frecuencias estacionales.
Entre las herramientas usadas para el análisis espectral se encuentran el espectro autorregresivo,
el periodograma y el espectro muestral suavizado mediante la ventana de Tukey (fig.151). Estas
tres herramientas se representan en el intervalo (0, π).
1. Espectro autorregresivo: El gráfico del espectro autorregresivo disponible en JDemetra+ está basa
do en la herramienta del programa X13ARIMASEATS.
Se estima un modelo AR(p), con p suficientemente grande para el proceso estocástico xt . El esti
mador del espectro autorregresivo para la serie xt se define:
σx2
sb(ω) = 10 × log10 Pp b −ikω 2 (7)
2π|1 − k=1 ϕk e |
donde:
ω es la frecuencia, 0 ≤ ω ≤ π.
σx2 la varianza de la innovación de la muestra de residuos.
ϕbk AR(k) estimación de los coeficientes de la regresión lineal de xt − x̄ sobre xt−k , 1 ≤ k ≤ p.
El estimador del espectro autorregresivo está expresado en decibelios. Este estimador se usa en la
herramienta de análisis visual espectral para detectar picos significativos en el espectro. El criterio
visualmente significativo implementado en JDemetra+, está basado en el rango sbmax − sbmin de los
valores de sb(ω), donde sbmax = maxk sb(ωk ); sbmin = mink sb(ωk ); y sb(ωk ) es el késimo valor del esti
mador del espectro autorregresivo. El número mínimo de observaciones necesario para calcular el
espectro es 80 para datos mensuales y 60 para datos trimestrales.
Seleccionamos la opción Tools → Spectral Analisys → Auto-regressive Spectrum (fig.152).

Figura 152: Opción Análisis espectral
Si arrastramos una serie de Providers al gráfico, obtenemos el espectro autorregresivo para la serie
(fig.153).
Figura 153: Gráfico Espectro autorregresivo
El número de observaciones, la transformación de los datos y otras opciones, como la resolución

del gráfico y el orden del polinomio autorregresivo (30 por defecto) se puede especificar pinchando
Window → Properties (fig.154).
Figura 154: Ventana Propiedades
Tiene las siguientes opciones:
• Log: realiza la transformación logarítmica sobre la serie.

• Differencing: tranformación de los datos calculando diferencias regulares (orden 1,2..) o esta
cionales (orden 4,12, dependiendo de la frecuencia de la serie).
• Differencing lag: el numero de retardos que el usuario utilizará para tomar diferencias.Por
ejemplo si Dif f erencinglag = 3, entonces el filtro diferencias no se aplicará a los primeros
retardos (por defecto), sino a los retardos de orden 3.
• Last years: el número de años al final de la serie que se van a utilizar para realizar el espectro
autorregresivo. Por defecto, es 0, considerando así el total de la serie.
• Auto-regressive polynomial order: el numero de retardos en el modelo AR que se van a usar
para estimar la densidad espectral. Por defecto, para datos mensuales el orden del polinomio
autorregresivo es 30.
• Resolution: Parámetro que indica la precisión del gráfico del estimador de la función de densi
dad espectral. Por defecto es 5.
2. Periodograma: El periodograma se utiliza para detectar estacionalidad en la serie bruta y y en la

serie ajustada estacionalmente. Además, también se utiliza para comprobar la aleatoriedad de los
residuos del modelo ARIMA.
Para realizar el Periodograma de una serie, seleccionamos la opción Tools → Spectral Analisys →
Periodogram (fig.155).
Figura 155: Peridograma
Al igual que en el caso anterior podemos modificar las propiedades en Window → Properties
(fig.156).
Figura 156: Peridograma
Tiene las mismas propiedades que el espectro autorregresivo, salvo la opción Resolución.
Para cualquier frecuencia de Fourier ω, el periodograma muestral está estrechamente relacionado
con el espectro muestral. El espectro muestral es un estimador asintóticamente insesgado del es
pectro poblacional, pero no es consistente.
Un modo de reducir la varianza del espectro muestral es suavizar el espectro muestral localmente
en las frecuencias vecinas a la frecuencia objetivo a través de una función de pesos de m valores
a la derecha y m a la izguierda de la frecuencia objetivo. La función de pesos se conoce como
ventana espectral.
Veamos en la siguiente opción de los gráficos de Análisis espectral las diferentes ventanas dispo
nibles en JDemetra+.
3. Espectro de Tukey: Seleccionamos en el menú Tools → Spectral Analisys → Tukey Spectrum

(fig.157).
Figura 157: Espectro de Tukey
Arrastrando una serie sobre el gráfico, obtenemos el espectro muestral suavizado mediante la
ventana de Tukey (fig.158).
Figura 158: Espectro de Tukey
En las propiedades podemos ver las siguientes opciones:

• Log: realiza la transformación logarítmica sobre la serie.
• Differencing: tranforma los datos calculando diferencias regulares (orden 1,2..) o estacionales
(orden 4,12, dependiendo de la frecuencia de la serie).
• Differencing lag: el número de retardos que el usuario utilizará para tomar diferencias. Por
ejemplo si Dif f erencinglag = 3, entonces el filtro diferencias no se aplicará a los primeros
retardos (por defecto), sino a los retardos de orden 3.
• Last years: el número de años al final de la serie que se van a utilizar para realizar el espectro
de Tukey. Por defecto, es 0, considerando así el total de la serie.
• Taper part: un parámetro mayor que 0 y menor o igual a 1, que proporciona la forma de la
curvatura de la función suavizante que se aplica a la función de autocovarianzas.
• Window length: tamaño de la ventana que se usa para suavizar la función de autocovarianzas.
El valor 0 considera el total de la serie.
• Window type: se refiere a la función de pesos que se utiliza para suavizar la función de au
tocovarianzas. Los tipos de ventanas disponibles en JDemetra+ son; Square, Welch, Tukey,
Barlett, Hamming y Parzen.
7.5 Calendario
Se pueden definir distintos tipos de calendario. Estos calendarios se pueden aplicar a la especifica
ción que tiene en cuenta los días festivos en cada país, que serán usados para detectar y estimar
los efectos de calendario.
Los efectos de calendario son aquellas partes del movimiento de una serie temporal, causados por
el diferente número de cada tipo de día de la semana en los distintos meses (o trimestres). Surge
del hecho de que el número de ocurrencias de un determinado día de la semana en un mes (o tri
mestre) difiere de un año a otro. Estas diferencias causan un efecto regular en algunas series. En
particular, esta variación es causada por el efecto del año bisiesto. Es deseable estimar y eliminar
el efecto de calendario de las series.
El efecto de calendario se puede dividir en un efecto de la media, una parte estacional y una parte
estructural. El efecto de la media es independiente del periodo y se debe asociar a la ciclo tenden
cia. La parte estacional surge de las propiedades del calendario que se repiten cada año. El número
de días laborables en meses de 31 días son, en media, más que en meses de 30 días. Este efecto
es la parte estacional capturada en la componente estacional (con excepción del efecto del año
bisiesto). La parte estructural del efecto de calendario se determinará mediante el ajuste de calenda
rio. Por ejemplo, el número de días laborables en un mismo mes, en distintos años, varía año a año.
Este enfoque está en línea con el la ESS Guidelines on Seasonal Adjustment (2015). Tanto TRA
MO/SEATS como X12ARIMA/X13ARIMASEATS estima los efectos de calendario, añadiendo
regresores a la ecuación estimada en el modelo preajustado (RegARIMA o TRAMO, respectiva
mente). El calendario de JDemetra+ corresponde a las variables usuales de días laborables ba
sadas en el Calendario Gregoriano, con la posibilidad de tener en cuenta algunos días festivos
específicos. Estos festivos se tratan como el domingo, y las variables se ajustan adecuadamente
para tener en cuenta los efectos medios a largo plazo.
El calendario en JDemetra+ se encuentra en la ventana Workspace, en la sección de Utilities

(fig.159).
Figura 159: Calendario

Por defecto, JDemetra+ no contiene los días festivos de cada país. El único calendario disponible
por defecto, sólo considera como no laborables los sábados y los domingos.
El calendario por defecto refleja sólo la composición de las semanas en los periodos de calendario
(meses, trimestres).
En el panel de propiedades el usuario puede calcular los regresores para diferentes frecuencias, ti
pos de variables (Trading days o días laborables) y especificar la longitud de la serie que se quiere
calcular, definiendo la fecha inicial y la longitud total. Los resultados se actualizarán automática
mente.
Para Trading days se generan 7 regresores. El regresor de los lunes se calcula como el número
de lunes en un mes (trimestre) menos el número de domingos en ese mes (trimestre). También se
genera un regresor que contiene el número de días en cada mes (trimestre) que recoge el efecto
del año bisiesto (fig.160).
Figura 160: Regresores Trading days y año bisiesto
Se pueden ver los dos tipos de variables haciendo doble click en Workspace → Utilities → Calendar →
Default (fig.161).
Figura 161: Calendario por defecto
Para la variable de días laborables, se calcula un regresor del siguiente modo:

Figura 162: Cálculo regresores días laborables y año bisiesto
Se pueden ver los dos regresores haciendo doble click en Workspace → Utilities → Calendar →
Default y seleccionando en Properties → Variable Type → Working days (fig.163).
En el panel de arriba a la derecha, aparece el espectro de las variables de calendario. Por defecto,
se muestra el espectro de la primera variable que aparece en la tabla. Se puede cambiar de varia
ble representada en el espectro haciendo click en la cabecera de la tabla.
Las variables de calendario no pueden tener ni un pico en la frecuencia 0, ni un pico en las frecuen
cias estacionales. La presencia y localización de los picos de las variables de calendario deben ser
comprobados, sobre todo cuando se utilizan variables de calendario definidas por el usuario.
Hay tres opciones de calendario disponibles:
• National calendars: es apropiado para definir un calendario que incluya festivos nacionales
específicos.
• Chained calendars: definido por dos calendarios nacionales y una fecha de corte entre ambos.
• Composite calendars: se define como una suma ponderada de distintos calendarios nacionales
Figura 163: Regresores días laborables y año bisiesto
a) National calendars: se puede definir el calendario nacional seleccionando con el botón derecho del
ratón sobre Calendar Utilities → Calendars → Add Calendar → National (fig.164).
Hay que introducir un nombre del calendario en Name. Para añadir días festivos al calendario, hay
que pinchar en el más que aparece al lado de special days.
Figura 164: Opción Calendario Nacional
Figura 165: Calendario Nacional
Hay 4 opciones para definir los festivos(fig.166):

• Fixed: define un festivo que se celebra siempre un día específico del año, que ocurre siempre
en el mismo día del mes. Ejemplo: 1 de enero
• Easter Related: denota un festivo cuya fecha depende de Semana Santa.
• Fixed Week: esta opción crea un festivo fijo que siempre cae en una semana específica de un
determinado mes.
• Special Day: permite al usuario escoger un festivo de una lista de festivos predefinida, que
incluye los festivos móviles y fijos más populares.
Figura 166: Opciones Calendario Nacional
La definición del efecto de calendario descrito en este escenario da lugar a variables de regresión
que tienen efecto de la media (este efecto es independiente del periodo). En la descomposición
usual de una serie, este efecto tiene que asociarse a la componente ciclotendencia, por lo tanto el
efecto de calendario actual solo debe contener efectos que no pertenezcan a otras componentes. El
efecto de la media de una variable de calendario es el número medio de días de un grupo relevante.
Teniendo en cuenta que un año tiene en media 365,25 días, el efecto de la media mensual de los
días laborables 365,25
12 ∗ 57 = 21, 7411, para los días no laborables 365,25
12 ∗ 72 = 8, 696 y en total
365,25
12 = 30, 4375.
Figura 167: Ejemplo distintos efectos
Figura 168: Ejemplo distintos efectos

Por lo tanto, siempre que se defina un calendario tiene que marcarse la opción Long-term mean
correction (fig.169).
Figura 169: Corrección del Efecto de la media
Se pueden seleccionar como Special Day (fig.170), las siguientes fiestas:
Figura 170: Special Day
Por defecto, JDemetra+ siempre incluye el día de Navidad. El usuario puede cambiar esta opción
inicial especificándolo en el panel de especificaciones. Se puede modificar:
• Start: el día de comienzo del festivo. Por defecto el programa considera la fecha inicial del
calendario. Para introducir una nueva fecha, se debe hacer con el siguiente formato yyyymm
dd.
• End: la fecha final para los días festivos. Por defecto se considera la fecha final del calendario.
Para introducir una nueva fecha, se debe hacer con el siguiente formato yyyymmdd.
• Weight: la parte del día que se va a considerar como un domingo, esto se añade al número de
domingos y se resta del tipo de día considerado. El peso tiene que ser positivo y no superior a
1.
• Day event: permite seleccionar los festivos predefinidos de una lista.
• Offset: permite al usuario modificar la posición del festivo predefinido seleccionado. Es la dife
rencia en días, entre la fecha en la que se quiere definir el festivo y la fecha predefinida. Por
defecto es 0, y puede ser positivo o negativo. Por ejemplo , si el festivo deseado es el 26 de
diciembre y el festivo predefinido es el 25 de diciembre, el valor de offset es 1. Si toma valores
negativos la fecha deseada es anterior a la fecha predefinida. No permite definir festivos en
distintos años, a partir de un festivo predefinido, es decir, no se podría definir un festivo +10
días respecto al 25 de diciembre.
El calendario nacional creado se puede ver en la opción Calendars, haciendo doble click sobre él
se puede ver cómo son los regresores.
b) Chained calendars: Esta opción se puede utilizar cuando hay grandes cambios en la composición
de la celebración de los festivos. Se pueden definir dos calendarios, uno hasta una determinada
fecha y el siguiente de la fecha de finalización del anterior hasta la actualidad.
c) Composite calendars: Este tipo de calendario es una opción útil para series que incluyen datos de
más de un país/región. Esta opción se puede utilizar, por ejemplo, para crear el calendario de la
Unión Europea o para crear un calendario nacional para un país donde cada región celebra sus
festivos.
Para crear un calendario de este tipo, primero hay que crear un calendario nacional para cada
país o región. A continuación se selecciona la opción Utilities → Calendars → Add Calendar →
Composite (fig.171).
Figura 171: Opción Calendario Composite
Hay que rellenar el nombre del calendario composición y seleccionar los calendarios nacionales,
indicando el peso de cada uno de los calendarios (fig.172). Estos pesos tienen que ser diferentes
para las distintas series y se deben modificar cada año. El nuevo calendario creado se verá en
Calendars. Se puede editar, borrar, clonar y exportar, haciendo click sobre el botón derecho del
ratón.
Figura 172: Calendario Composite

8 Ajuste estacional con jwsacruncher 130
8 Ajuste estacional con jwsacruncher

El jwsacruncher es una herramienta de línea de comandos para realizar ajuste estacional en batch.
Utiliza el motor de JDemetra+, por lo que los resultados tienen que ser iguales. En la práctica,
reestima todas las pestañas Multi Processing de un espacio de trabajo, que hayamos creado pre
viamente con JDemetra+. Esto es equivalente a hacer un Refresh en la aplicación, excepto que
además saca la salida en ficheros csv. Por todo esto, es difícil (aunque posible) utilizarlo sin JDe
metra+, ya que tendríamos que crear el espacio de trabajo de alguna otra manera. Por lo tanto
hay que considerarlo un complemento a JDemetra+ más que una herramienta de ajuste estacional
independiente.
Podemos encontrar el jwsacruncher en github, donde además del código fuente (en Java) podemos
encontrar el programa ya compilado listo para ejecutar en cualquier equipo (más o menos). El
principal documento sobre el cruncher (aunque un poco desactualizado), está en CROS.
8.1 Introducción
En primer lugar, debemos asegurarnos que la versión requerida de Java (ahora mismo Java SE
8 o posterior) está instalada en nuestro sistema, o de lo contrario el cruncher no funcionará. Hay
una página con las últimas versiones del cruncher en github. Descargamos la carpeta zip con la
última versión estable y la descomprimimos en nuestro disco duro. El ejecutable se encuentra en
la carpeta bin y en sistemas windows es el fichero jwsacruncher.bat.
Para ejecutar el cruncher necesitamos:
• Un espacio de trabajo que habremos creado previamente, con las series y sus especificacio
nes.
• El fichero de configuración del cruncher, que por defecto se llama wsacruncher.params.
El espacio de trabajo es una estructura de carpetas que contiene varios ficheros xml, y el fichero de
configuración es un fichero único que sigue también el estándar xml. En este fichero se establece,
entre otras cosas, la política, que ha de ser común para todas las series del espacio de trabajo que
estamos procesando.
Figura 173: Ejemplo de documento xml del espacio de trabajo.
Antes de ejecutar el cruncher debemos crear el fichero de configuración, para lo que ejecutamos
sin ningún argumento
C: \JDEMETRA\ jdemetra - c l i - 2 . 2 . 0 \ bin>jwsacruncher
C: \JDEMETRA\ jdemetra - c l i - 2 . 2 . 0 \ bin>d i r

El volumen de l a unidad C no t i e n e e t i q u e t a .
El numero de s e r i e d e l volumen e s : 9A13-D7D6
D i r e c t o r i o de C: \JDEMETRA\ jdemetra - c l i - 2 . 2 . 0 \ bin
04/10/2017 14:04 <DIR> .

04/10/2017 14:04 <DIR> ..
11/07/2017 13:00 4.585 jwsacruncher
11/07/2017 13:00 4.084 jwsacruncher . bat
04/10/2017 14:04 12.664 wsacruncher . params
4 archivos 21.333 bytes
2 d i r s 4 1 6 . 5 6 5 . 7 0 6 . 7 5 2 bytes l i b r e s
El fichero de configuración (wsacruncher.params)tiene las siguiente estructura:
Listing 1: Fichero de configuración params

<?xml version= " 1 . 0 " encoding= "UTF−8" standalone= " yes " ?>
<wsaConfig bundle= " 10000 " c s v l a y o u t = " l i s t " c s v s e p a r a t o r = " ; " ndecs= " 6 " >
parameters
<matrix>
span . s t a r t 
span . end
span . n
espan . s t a r t 
espan . end
espan . n
<item> l i k e l i h o o d . n e f f e c t i v e o b s < / item>
< / matrix>
<tsmatrix>
< s e r i e s >y< / s e r i e s >
<series>y_f< / series>
< s e r i e s >y_ef< / s e r i e s >
< s e r i e s >yc< / s e r i e s >
</ tsmatrix>
< / wsaConfig>
Se puede ver más detalle sobre este fichero en la del Anexo I (9.3) Una vez creado ya estamos
en condiciones de procesar un espacio de trabajo. En el siguiente ejemplo se procesa el espacio
de trabajo ws1 que contiene una única serie (IPI), utilizando wsacruncher.params como fichero de
configuración.
C: \JDEMETRA\ jdemetra - c l i - 2 . 2 . 0 \ bin>jwsacruncher ws1 . xml - x wsacruncher . params
R e f r e s h i n g data
Opening . . .
Hoja1
IPI [ f r o z e n ]
processed
Flushing bundle . . .
Generate Output
csv
generated
Csv matrix
generated
Saving new p r o c e s s i n g . . .
P r o c e s s i n g time : 0 s
Total p r o c e s s i n g time : 1 s
E: \JDEMETRA\ jdemetra - c l i - 2 . 2 . 0 \ bin>
Los ficheros .csv que se generan tras la ejecución del cruncher se guardan en la carpeta Output del
espacio de trabajo. Estos ficheros son los mismos que se pueden obtener a través de las opciones
Csv y Csw matrix del menú Output de la aplicación (ver 6.2 y Anexo I (9). En este caso, los ficheros
tomarán los nombres por defecto (demetra_m.csv para el correspondiente a Csw matrix y el prefijo
series_ para el resto de Csv).
El formato, las series que se incluyen y demás aspectos configurables de la salida se especifican
en el fichero wsacruncher.params.
8.2 El espacio de trabajo

Como ya habíamos dicho, el cruncher no está pensado para generar y/o modificar el espacio de
trabajo; esto lo debemos hacer desde la GUI. No obstante, para pequeñas modificaciones en las
especificaciones de la serie, es posible hacerlas manualmente. Aunque es más incómodo y compli
cado que hacerlo desde la GUI, tiene una ventaja importante: si sabemos modificar el espacio de
trabajo con un editor de texto, también podemos hacer un programa que lo modifique y automatizar
los cambios de especificación que queramos.
Vamos a ver con un poco más de detalle la estructura del espacio de trabajo. Existen librerías en
Java que convierten los objetos a archivos xml para guardarlos en el sistema de ficheros. Así, los
ficheros y carpetas que vemos son simplemente el volcado de los objetos Java que componen el
espacio de trabajo. En primer lugar hay un xml que contiene información muy general sobre los con
tenidos del espacio de trabajo. Junto con el xml tenemos una carpeta con el mismo nombre que a
su vez contiene varias carpetas: Calendars, SAProcessing, TramoSeatsSpec, Variables, ... No tie
nen por qué estar presentes todas las carpetas mencionadas. En cada subcarpeta encontraremos
ficheros xml que contienen la información que sugiere el nombre de la carpeta.
La carpeta más útil a la hora de modificar el espacio de trabajo es SAProcessing, en la que cada xml
contiene la configuración de una pestaña de Multi Processing. Sobre cada serie, el Multi Processing
contiene información: en que fichero se encuentra la serie, que especificación se debe utilizar, que
especificación se ha utilizado en la última ejecución, las estimaciones de la última ejecución, etc.
La información en un fichero xml aparece con estructura de árbol. Cada tag puede contener tex
to, atributos y/o más tags (hijos). Por lo tanto, encontramos información a varios niveles, a ve
ces en forma de texto y otras veces contenida en atributos. XPath (XML Path language) es un
lenguaje de query diseñado para seleccionar información de un documento xml. Podemos pen
sar en XPath como una especie de lenguaje SQL para documentos xml. A un nivel elemental,
se parece a la búsqueda de ficheros en un árbol de directorios (de ahí lo de Path), por ejemplo,
/*/item[@name=’metadata’] selecciona los tags item que son hijos de un nodo que cuelga directa
mente del nodo raíz (el documento) y que poseen un atributo llamado metadata.
Vamos a ver con un poco más de detalle la estructura de los xml contenidos en la carpeta SAPro
cessing. En el raíz, hay un único nodo (InformationSet) del que cuelgan nodos con el atributo name
igual a metadata, sa1, sa2, …y domainspecs. El nodo metadata contiene la fecha y hora del último
ajuste y el nodo domainspecs las especificaciones utilizadas en las series. Por su parte, los sa1,
sa2, etc. contienen información acerca de las series procesadas/a procesar, estructurada en
• ts: Información puramente relativa a la serie: frecuencia, año de inicio, etc. También encon
tramos la URL del fichero del que proceden los datos.
• domainspec: Una referencia al elemento de domainspecs que contiene la especificación de

la serie.
• pointspec: Es la especificación del último procesado de la serie. Contiene las estimaciones

de los coeficientes, utilizadas para la reestimación del ajuste con coeficientes fijos.
• estimationspec: Una vez aplicada una política de revisión a la especificación original de la

serie (la de domainspec), se obtiene una especificación distinta. Esa nueva especificación es
la que figura en este apartado.
• quality: Calidad del ajuste.
• policy: Política con la que se ha realizado el último procesado de la serie.

Figura 174: Estructura básica del SAProcessing.
Así, tenemos hasta tres especificaciones por serie. En caso de que quisiéramos cambiar manual
mente las especificaciones de la serie, es recomendable cambiar las tres (a ser posible) para evitar
sorpresas. Una ejecución del cruncher podría sobreescribir o simplemente ignorar un cambio que
hayamos hecho, en función de la política elegida. Además, una incoherencia entre las especifica
ciones puede dar lugar a resultados imprevisibles.
8.3 Automatización del ajuste estacional

El primer paso ha de ser generar un espacio de trabajo con las series. Lo hacemos manualmen
te utilizando la GUI, lo que no quita que podemos utilizar especificaciones automáticas. También
necesitamos el fichero wsacruncher.params. Lo más cómodo es generarlo con el cruncher y modi
ficarlo después para adaptarlo a nuestras necesidades. Contiene la política a utilizar, lo que quiere
decir que ésta es la misma para todas las series del espacio de trabajo procesado. Si necesitamos
una política distinta para algunas series, conviene ponerlas en un espacio de trabajo diferente.
Con estos dos elementos, utilizaremos una llamada al sistema para ejecutar el cruncher y pro
cesar todas las series de una vez. Cada vez que actualizamos las series (datos nuevos, revisiones,
...) podemos volver a realizar la llamada al cruncher. Lo mismo si modificamos manualmente el
espacio de trabajo (por ejemplo porque no estamos satisfechos con el modelo). Pero todo esto so
breescribirá la última salida, así que conviene hacer una copia de todo lo que queramos preservar.
La salida consiste en una serie de ficheros csv separados por puntos y coma (u otro caracter según
la configuración elegida) que se pueden leer sin problema en cualquier lenguaje de programación.
Si no necesitamos nada más, la programación de software para ajuste estacional automático se
vuelve muy sencilla, ya que el cruncher lo hace casi todo. A pesar de todo, podemos encontrarnos
que la máquina virtual JAVA no tenga memoria suficiente para procesar el espacio de trabajo. Esto
ocurrirá si tenemos una gran cantidad de series. Si el ordenador tiene memoria suficiente, esto se
soluciona asignando más memoria a la máquina virtual con la opción Xmx.
En ocasiones, puede ser necesario manipular (de manera automática) los ficheros xml que
componen el espacio de trabajo: hacer la misma modificación en un montón de especificaciones
distintas, extraer información no disponible en los ficheros csv (típicamente los coeficientes del
ARIMA), etc. Este caso es un poco más complicado de programar. Lo más práctico es utilizar
un lenguaje de query como XPath, que tiene librerías para la mayor parte de los lenguajes de
programación, y nos evita programar búsquedas de texto. Además, si es necesario actualizar la
acción a realizar por el software, normalmente bastará con modificar la query.
El paquete rjdemetra proporcionan una interfaz con JDemetra+. Ya es utilizable, pero aún no
tiene todas la funcionalidades del programa. Los desarrolladores de JDemetra+ están dando ahora
mismo un importante impulso a dicho paquete, y parece que en el futuro la solución más sencilla
para automatizar el manejo de la aplicación pasará por R.
9 Anexo I 136
9 Anexo I
9.1 Lista de Outputs en ficheros Csv, Xls y txt
Todos estos ficheros no presentan cabecera, cada fila corresponde a una serie de datos. El formato
de las filas es:
• Nombre de la hoja excel separado por un asterisco del nombre de la serie.
• Periodicidad de la serie
• Año de inicio de la serie
• Periodo de inicio
• Número de datos de la serie
• A continuación todos los datos de la serie entre comillas.
Nombre Definición
y Serie original.
y_f Predicciones de la serie original.
y_ef Errores estándar de las predicciones de la serie original.
Serie interpolada (i.e., serie original con los valores missing reemplaza
yc
dos por sus estimaciones).
yc_f Predicciones de la serie interpolada.
yc_ef Errores estándar de las predicciones de la serie interpolada.
y_lin Serie linealizada (transformada logarítmicamente si es el caso).
Predicciones de la serie linealizada (transformada logarítmicamente si
y_lin_f
es el caso).
l Serie linealizada (transformada logarítmicamente si es el caso).
Predicciones hacia el futuro de la serie linealizada (transformada loga
l_f
rítmicamente si es el caso).
Predicciones hacia el pasado de la serie linealizada (transformada lo
l_b
garítmicamente si es el caso).
ycal Serie corregida de efectos de calendario.
ycal_f Predicciones de la serie corregida de efectos de calendario.
t Componente final de ciclotendencia (incluidos efectos deterministas).
t_f Predicciones de la componente final de ciclotendencia.
sa Serie ajustada estacionalmente final (incluidos efectos deterministas).
sa_f Predicciones de la serie ajustada estacionalmente final.
s Componente estacional final (incluidos efectos deterministas).
s_f Predicciones de la componente estacional final.
i Componente irregular final (incluidos efectos deterministas).
i_f Predicciones de la componente irregular final.
det Efectos deterministas.
det_f Predicciones de los efectos deterministas.
cal Efectos de calendario.
cal_f Predicciones de los efectos de calendario.
Efecto de Trading day (o de los regresores de calendario definidos por
tde
el usuario).
Predicciones del efecto de Trading day (o de los regresores de calen
tde_f
dario definidos por el usuario).
mhe Efecto de las fiestas móviles.
mhe_f Predicciones del efecto de las fiestas móviles.
9 Anexo I 137
ee Efecto de la Semana Santa.

ee_f Predicciones del efecto de la Semana Santa.
omhe Efecto conjunto de otras fiestas móviles.
omhe_f Predicciones del efecto conjunto de otras fiestas móviles.
out Efecto conjunto de todos los outliers.
out_f Predicciones del efecto conjunto de todos los outliers.
out_t Efecto conjunto de los outliers asignados a la ciclotendencia (LS).
Predicciones del efecto conjunto de los outliers asignados a la ciclo
out_t_f
tendencia (LS).
Efecto conjunto de los outliers asignados a la componente estacional
out_s
(SO).
Predicciones del efecto conjunto de los outliers asignados a la compo
out_s_f
nente estacional. (SO)
Efecto conjunto de los outliers asignados a la componente irregular (AO,
out_i
TC).
Predicciones del efecto conjunto de los outliers asignados a la compo
out_i_f
nente irregular (AO, TC).
reg Efecto conjunto de otras variables de regresión.
reg_f Predicciones del efecto de otras variables de regresión.
Efecto de otras variables de regresión asignadas a la componente de
reg_t
ciclotendencia.
Predicciones del efecto de otras variables de regresión asignadas a la
reg_t_f
componente de ciclotendencia.
Efecto de otras variables de regresión asignadas a la componente es
reg_s
tacional.
Predicciones del efecto de las variables de regresión asignadas a la
reg_s_f
componente estacional.
Efecto de otras variables de regresión asignadas a la componente irre
reg_i
gular.
reg_i_f
componente irregular.
Efecto de otras variables de regresión asignadas a la serie ajustada
reg_sa
estacionalmente.
reg_sa_f
serie ajustada estacionalmente.
Efectos de otras variables de regresión no asignadas a ninguna com
reg_y
ponente.
Predicciones de los efectos de otras variables de regresión no asigna
reg_y_f
das a ninguna componente.
fullresiduals Residuos completos del modelo RegARIMA.
Serie linealizada (transformada logarítmicamente si es el caso) utilizada
decomposition.y_lin
como input en la descomposición.
Predicciones de la serie linealizada (transformada logarítmicamente si
decomposition.y_lin_f
es el caso) utilizada como input en la descomposición.
Error estándar de las predicciones de la serie linealizada (transformada
decomposition.y_lin_ef logarítmicamente si es el caso) utilizada como input en la descomposi
ción.
Componente estocástica de ciclotendencia (transformada logarítmica
decomposition.t_lin
mente si es el caso).
Predicciones de la componente estocástica de ciclotendencia (trans
decomposition.t_lin_f
formada logarítmicamente si es el caso).
Error estándar de la estimación de la componente estocástica de ciclo
decomposition.t_lin_e
tendencia (transformada logarítmicamente si es el caso).
9 Anexo I 138
Error estándar de las predicciones de la componente estocástica de

decomposition.t_lin_ef
ciclotendencia (transformada logarítmicamente si es el caso).
Componente estacional estocástica (transformada logarítmicamente si
decomposition.s_lin
es el caso).
Predicciones de la componente estacional estocástica (transformada
decomposition.s_lin_f
logarítmicamente si es el caso).
Error estándar de la estimación de la componente estacional estocásti
decomposition.s_lin_e
ca (transformada logarítmicamente si es el caso).
Error estándar de las predicciones de la componente estacional esto
decomposition.s_lin_ef
cástica (transformada logarítmicamente si es el caso).
Componente irregular estocástica (transformada logarítmicamente si es
decomposition.i_lin
el caso).
Predicciones de la componente irregular estocástica (transformada lo
decomposition.i_lin_f
garítmicamente si es el caso).
Error estándar de la estimación de la componente irregular estocástica
decomposition.i_lin_e
(transformada logarítmicamente si es el caso).
Error estándar de las predicciones de la componente irregular estocás
decomposition.i_lin_ef
tica (transformada logarítmicamente si es el caso).
Serie ajustada estacionalmente estocástica (transformada logarítmica
decomposition.sa_lin
mente si es el caso).
Predicciones de la serie ajustada estacionalmente estocástica (trans
decomposition.sa_lin_f
formada logarítmicamente si es el caso).
Error estándar de la estimación de la serie ajustada estacionalmente
decomposition.sa_lin_e
estocástica (transformada logarítmicamente si es el caso).
Error estándar de las predicciones de la serie ajustada estacionalmente
decomposition.sa_lin_ef
estocástica (transformada logarítmicamente si es el caso).
Serie linealizada (deshecha la transformación logarítmica) utilizada co
decomposition.y_cmp
mo input en la descomposición.
Predicciones de la serie linealizada (deshecha la transformación loga
decomposition.y_cmp_f
rítmica) utilizada como input en la descomposición.
Componente estocástica de ciclotendencia (deshecha la transforma
decomposition.t_cmp
ción logarítmica).
Predicciones de la componente estocástica de ciclotendencia (deshe
decomposition.t_cmp_f
cha la transformación logarítmica).
Error estándar de la estimación de la componente estocástica de ciclo
decomposition.t_cmp_e
tendencia (deshecha la transformación logarítmica).
Error estándar de las predicciones de la componente estocástica de
decomposition.t_cmp_ef ciloctendencia (deshecha la transformación logarítmica) obtenida en
la descomposición
Componente estacional estocástica (deshecha la transformación loga
decomposition.s_cmp
rítmica).
Predicciones de la componente estacional estocástica (deshecha la
decomposition.s_cmp_f
transformación logarítmica).
Error estándar en la estimación de la componente estacional estocásti
decomposition.s_cmp_e
ca (deshecha la transformación logarítmica).
Error estándar de las predicciones de la componente estacional esto
decomposition.s_cmp_ef
cástica (deshecha la transformación logarítmica).
Componente irregular estocástica (deshecha la transformación logarít
decomposition.i_cmp
mica).
Predicciones de la componente irregular estocástica (deshecha la trans
decomposition.i_cmp_f
formación logarítmica).
Error estándar en la estimación de la componente irregular estocástica
decomposition.i_cmp_e
(deshecha la transformación logarítmica).
9 Anexo I 139
Error estándar de las predicciones de la componente irregular estocás

decomposition.i_cmp_ef
tica (deshecha la transformación logarítmica).
Serie ajustada estacionalmente estocástica (deshecha la transforma
decomposition.sa_cmp
ción logarítmica).
Predicciones de la serie ajustada estacionalmente estocástica (deshe
decomposition.sa_cmp_f
cha la transformación logarítmica).
Error estándar en la estimación de la serie ajustada estacionalmente
decomposition.sa_cmp_e
estocástica (deshecha la transformación logarítmica).
Error estándar de las predicciones de la serie ajustada estacionalmente
decomposition.sa_cmp_ef
estocástica (deshecha la transformación logarítmica).
decomposition.si Componente EstacionalIrregular.
benchmarking.original Serie ajustada estacionalmente sin aplicar benchmarking.
Sumas anuales de la serie utilizada como target en el benchmarking
benchmarking.target
(original o ajustada de calendario).
benchmarking.result Serie ajustada estacionalmente tras aplicar benchmarking.
Son tablas que se generan para el método X13ARIMASEATS, que
decomposition.x
corresponden a la descomposición que realiza X11 (x=a, b, c, d, e;
tables.y
y=a1, a1a,…,e11 )
Cuadro 10: Series en ficheros Csv y Excel.

9 Anexo I 140
9.2 Lista de Outputs en ficheros Csv matrix

Este fichero se llama demetra_m y tiene cabecera, con los campos que aparecen en la siguiente
tabla.
Nombre Definición
start Periodo inicial del intervalo de observación (span).
end Periodo final del intervalo de observación (span).
n Longitud del intervalo de observación (span).
start Periodo inicial del intervalo de estimación (espan).
end Periodo final del intervalo de estimación (espan).
n Longitud del intervalo de estimación (espan).
Indica si se aplica la transformación logarítmica a los datos (valor
log
1) o no (valor 0)
adjust Aparece siempre vacío. (Denominación anterior del lp)
Indica si se realiza el preajuste automático de la serie del efec
to de año bisiesto (valor Leap year) o no (vacío). Si se incluye,
lp
se muestran también el coeficiente y el testadístico de contraste
para el mismo.
Número de regresores de trading day automáticos o de regreso
ntd
res de calendario definidos por el usuario.
nmh Número de fiestas móviles.
Indica si se incluye regresor automático del efecto de Semana
Santa (valor Easter) o no (vacío). Si se incluye, también mues
easter
tra la longitud considerada para el regresor (entre corchetes) y el
coeficiente y testadístico de contraste para el mismo.
nout Número total de outliers.
noutao Número de outliers de tipo impulso (additive outliers).
noutls Número de outliers de tipo cambio de nivel (level shifts).
nouttc Número de outliers de tipo cambio transitorio (transitory changes).
noutso Número de outliers de tipo estacional (seasonal outliers).
Nombre, coeficiente y testadísitco para el iésimo regresor de
td(i)
calendario incluido en el modelo.
Tipo de outlier y perido, coeficiente y testadístico de contraste
out(i) para el efecto del iésimo outlier (aparecerán tantos como el max
nout).
Número de observaciones efectivas en el cálculo de la función de
neffectiveobs
verosimilitud.
np Número de parámetros en la función de verosimilitud.
logvalue Valor de la logverosimilitud.
adjustedlogvalue Valor de la logverosimilitud ajustada.
ssqerr Suma del cuadrado de los errore de la verosimilitud.
aic Valor del criterio de información de Akaike (AIC).
aicc Valor del criterio de información de Akaike corregido.
bic Valor del criterio de información Bayesiano (BIC).
bicc Valor del criterio de información Bayesiano corregido.
ser Error estándar de los residuos (insesgado, como en TRAMO).
ser ml Error estándar de los residuos (ML, como en X13ARIMASEATS)
mean Estadístico de contraste para la media de los residuos.
skewness Estadístico del contraste sobre la asimetría de los residuos.
kurtosis Estadístico del contraste sobre la curtosis de los residuos.
Estadístico del contraste de normalidad de los residuos (Contras
dh
te de DoornikHansen).
9 Anexo I 141
Estadístico de LjungBox para contrastar la independencia de los

lb
residuos.
Estadístico de LjungBox calculado con el cuadrado de los resi
lb2
duos (McLeodLi) para contrastar la linealidad de los residuos.
Estadístico de LjungBox calculado con los retardos estacionales
seaslb de los residuos para contrastar la presencia de estacionalidad en
los residuos.
Estadístico de BoxPierce para contrastar la independencia de los
bp
residuos.
Estadístico de BoxPierce calculado con el cuadrado de los resi
bp2
duos para contrastar la linealidad de los residuos.
Estadístico de BoxPierce calculado con los retardos estacionales
seasbp de los residuos para contrastar la presencia de estacionalidad en
los residuos.
Estadístico del contraste sobre el número de rachas de los resi
nruns
duos para contrastar la aleatoriedad de los residuos.
Estadístico del contraste sobre la longitud de las rachas de los
lruns
residuos para contrastar la aleatoriedad de los residuos.
arima Modelo ARIMA ajustado a la serie linealizada.
Indica si el modelo ARIMA ajustado incluye media (valor 1) o no
mean
(valor 0).
p Orden de la parte autorregresiva regular del modelo ARIMA.
d Número de diferencias regulares del modelo ARIMA.
q Orden de la parte regular de medias móviles del modelo ARIMA.
bp Orden de la parte autorregresiva estaciona del modelo ARIMA.
bd Número de diferencias estacionales del modelo ARIMA.
Orden de la parte estacional de medias móviles del modelo ARI
bq
MA.
Parámetros de la parte autorresiva regular (lag = i, max i = 3) del
phi(i)
modelo ARIMA.
Parámetros de la parte regular de medias móviles (lag = i, max i
th(i)
= 3) del modelo ARIMA.
Parámetros de la parte autorresiva estacional (lag = i, max i = 1)
bphi(i)
del modelo ARIMA.
Parámetros de la parte estacional de medias móviles (lag = i, max
bth(i)
i = 1) del modelo ARIMA.
Indica la presencia de componente estacional (valor 1) o no (valor
seasonality
0).
Indica si se ha truncado alguno de los coeficientes del modelo
parameters_cutoff
(valor 1) o no (valor 0).
model_changed Indica si SEATS ha cambiado el modelo (valor 1) o no (valor 0).
Este campo es un vector de dos dimensiones. El campo ar_root(i)
contiene el módulo de la inversa de la iésima raíz autorregresiva
ar_root(i)
de la parte regular del modelo ARIMA. El campo que aparece en
blanco corresponde al periodo de ráiz.
trendfilter Orden del filtro de la tendencia.
seasfilter Orden del filtro de la componente estacional.
Contribución relativa de la componente irregular sobre el intervalo
m1
de 3 meses.
Contribución relativa de la componente irregular a la parte esta
m2
cionaria de la varianza.
Cambio periodo a periodo en la componente irregular comparado
m3
con el cambio periodo a periodo en la ciclotendencia.
9 Anexo I 142
Autocorrelación en la componente irregular definida por la dura

m4
ción media de las rachas.
Número de periodos que son necesarios para que el cambio en
m5
la ciclotendencia supere el cambio en la componente irregular.
Cambio año a año en la componente irregular comparado con el
m6
cambio año a año en la ciclotendencia.
Cantidad de estacionalidad variable presente en relación con la
m7
cantidad de estacionalidad estable.
Tamaño de las fluctuaciones en la componente estacional a lo
m8
largo de toda la serie.
Media de los movimientos lineales en la componente estacional
m9
a lo largo de toda la serie.
Tamaño de las fluctuaciones en la componente estacional en los
m10
últimos años.
Media de los movimientos lineales en la componente estacional
m11
en los últimos años.
q Resumen de los Mestadísticos.
qm2 Resumen de los Mestadísticos sin M2.
Diagnóstico (Good, Uncertain, Bad) y pvalor del diagnóstico de
definition
finition (basic checks).
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste de
annual totals
igualdad de las medias anuales (basic checks).
Diagnóstico (Good, Uncertain, Bad) sobre la presencia de picos
spectral td peaks espectrales en la frecuencia de trading day en la SA y la compo
nente irregular (visual spectral analysis).
Diagnóstico (Good, Uncertain, Bad) sobre la presencia de picos
spectral seas peaks espectrales en las frecuencias estacionales en la SA y la compo
nente irregular (visual spectral analysis).
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste de nor
normality
malidad de los residuos (regarima residuals).
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste de in
independence
dependencia de los residuos (regarima residuals).
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste sobre
spectral td peaks la presencia de picos espectrales en las frecuencias de trading
day en los residuos (regarima residuals).
spectral seas peaks la presencia de picos espectrales en las frecuencias estacionales
en los residuos (regarima residuals).
number of outliers
el número de outliers en el modelo.
mean la media de los errores de predicción fuera de la muestra (outof
sample).
mse el error cuadrático medio de predicción fuera de la muestra (out
ofsample).
q Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste q.
qm2 Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste qm2.
seas variance
la varianza de la componente estacional (seats).
irregular variance
la varianza de la componente irregular (seats).
9 Anexo I 143

seas/irr crosscorrelation las correlaciones cruzadas entre las componentes estacional e
irregular (seats).
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste de es
qs test on sa tacionalidad de LjungBox sobre los retardos estacionales calcu
lado para la serie ajustada estacionalmente.
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste de es
qs test on i tacionalidad de LjungBox sobre los retardos estacionales calcu
lado para la componente irregular.
Diagnóstico (Good, Uncertain, Bad) y pvalor del Ftest de esta
ftest on sa(seasonal dum cionalidad de variables dicotómicas para la serie ajustada esta
mies) cionalmente.
Diagnóstico (Good, Uncertain, Bad) y pvalor del Ftest de esta
ftest on i(seasonal dummies)
cionalidad de variables dicotómicas para la componente irregular.
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste com
binado de estacionalidad residual para la serie ajustada estacio
on sa
nalmente sobre todas las observaciones (combined residual sea
sonality).
binado de estacionalidad residual para la serie ajustada estacio
on sa (last 3 years)
nalmente sobre los últimos 3 años de observaciones (combined
residual seasonality).
on irregular binado de estacionalidad residual para la componente irregular
(combined residual seasonality)
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste de los
ftest on sa(td) efectos de tradingday residuales para la serie ajustada estacio
nalmente.
Diagnóstico (Good, Uncertain, Bad) y pvalor del contraste de los
ftest on i(td)
efectos de tradingday residuales para la componente irregular.
Cuadro 11: Output en fichero Csv matrix.

9 Anexo I 144
9.3 Fichero de configuración wsacruncher.params

El fichero params presenta los siguientes campos:
Nombre Definición Valor

bundle Máximo número de series 1000 por defecto
csvlayout diseño de los ficheros csv lista
htable
vtable
separador de los ficheros Csv
csvseparator (";") por defecto
matrix csv
numero de decimales en el
ndecs 6 por defecto
output
política de revisión del proce parameters: se reestimana todos los paráme
policy
so tros del modelo Arima y los regresores
complete: se identifica el modelo arima, regre
sores y outliers
fixedparameters: los párametros del modelo Ari
ma( no los coeficientes de regresión) son fijos,
no se reestiman
lastoutliers: se reidentifican los outliers del últi
mo año y se reestiman los parámetros
outliers: se identifican los outliers y se re
estiman coeficientes
stochastic: se identifica modelo arima y outliers
y se reestiman los parámetros
ruta completa de la carpeta de salida.Puede es
output Output folder
tar en blanco (por defecto, <workspace>/Output
matrix.item Items de la matriz output 1
Cuadro 12: Fichero de configuración wsacruncher.params.
1
Se configura la tabla matrix, permite obtener como salida todos los campos mencionados en la tabla matrix.
9 Anexo I 145
Referencias
[1 ] S. GRUDKOWSKA. JDemetra+ Reference Manual Version 1.1. Narodowy Bank Polski, Varso
via, 2015.
[2 ] S. GRUDKOWSKA. JDemetra+ User Guide. Narodowy Bank Polski, Varsovia, 2015.
[3 ] S. GRUDKOWSKA. JDemetra+ Quick Start. Narodowy Bank Polski, Varsovia, 2015.
[4 ] EUROSTAT. ESS guidelines on seasonal adjustment. Eurostat, Luxemburgo, 2015.
[5 ] DAVIS F.FINDLEY, DEMETRA P.LYTRAS, TUCKER S. MCELROY. Detecting Seasonality in Sea

sonally Adjusted Monthly Time Series. U.S.Census Bureau, 2017.

Manual Jdemetra

Cargado por

Copyright:

Formatos disponibles

Manual Jdemetra

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Jdemetra

Cargado por

Copyright:

Formatos disponibles

Indice

• Microsoft Windows Vista SP1/ Windows 7/8;

• Solaris OS version 11 Express (SPARC and x86/x64 Platform Edition);

• Macintosh OS X 10.6 Intel.

Las versiones oficiales de JDemetra+ están disponibles github (fig.4).

Figura 1: Ventana CROSS.

Figura 2: JDemetra+ en GitHub.

Figura 3: JDemetra+ en GitHub.

Figura 4: Última versión de JDemetra+ en GitHub.

Para instalar la última versión de JDemetra+ en Windows, descargaremos el fichero jdemetra­x.x.x­

También es posible descargar JDemetra desde el fichero comprimido jdemetra­x.x.x.zip. En este

En el CROSPortal también se encuentra disponible toda la documentación sobre JDemetra+ ela­

Figura 5: Documentación JDemetra+ en CROS.

• menú principal, situado en la parte superior de la ventana. Sus opciones se describen en la

Figura 6: Ventana Principal.

(a) Panel Providers. (b) Panel Workspace.

Figura 7: Paneles Providers y Workspace.

Resumiendo, cada Workspace contiene un calendario básico y un conjunto de modelos y especifi­

El workspace que guarda JDemetra+ comprende:

2.2 Menú principal

• New Workspace: crea un nuevo workspace (Workspace_#number) en la ventana Works­

• Open Recent Workspace: muestra la lista de workspaces creados o guardados reciente­

• Save Workspace As...: guarda el workspace con el nombre y localización especificadas

• Add star: permite que los conjuntos de datos

• Open recent: muestra la lista de los conjun-

2.2.2 Statistical methods

• Anomaly Detection: incluye dos herramientas para la identificación automática de valores

– Check Last: ajusta un modelo ARIMA eliminando algunas observaciones al final de la

Figura 9: Menú Anomaly Detection.

• Modelling: proporciona las herramientas para la modelización y predicción de series tempo­

Figura 10: Opción Modelling del menú Statistical methods.

– Multi Processing: para el ajuste estacional de un conjunto de series (también puede

Figura 11: Menú View

• Split: esta opción no está operativa en la versión actual del software.

• Full Screen: activa la vista a pantalla completa.

• Aggregation: permite calcular la suma de varias series y representar la serie resultante en

Figura 13: Herramienta Aggregation.

• Differencing: permite calcular la serie de primeras diferencias (regulares y estacionales) de

• Spreadsheet Profiler: presenta el contenido completo de cualquier fichero Excel que se

Figura 14: Herramienta Diﬀerencing.

Figura 15: Funcionalidad Spreadsheet Proﬁler.

• Plugins: permite cargar nuevos plug­ins en la aplicación.

• Options: permite configurar distintos aspectos de la aplicación.

Desde la pestaña Behaviour, si se activa la casilla de verificación Persist opened DataSour­

(a) Pestaña Behaviour. (b) Pestaña Demetra UI.

(c) Pestaña Statistics. (d) Pestaña Demetra Paths.

Figura 16: Panel Demetra

Desde la pestaña Demetra UI (fig.16b) podemos

List of outliers (18): los outliers se especifican introduciendo manualmente la fecha en la

Calendar­like Grid (19): los outliers se especifican directamente seleccionando la fecha

mendable para la especificación de outliers en series trimestrales.

Figura 18: List of outliers.

Figura 17: List of outliers.

Figura 19: Calendar-like Grid.

Desde la pestaña Statistics es posible

En el apartado Default components

Estas preferencias quedan guardardadas de

Figura 21: Conﬁguración de la política de revisión por defecto.

(a) Configuración de los test. (b) Configuración de los ficheros de salida.

Para instalar la última versión de JDemetra+ en Windows, descargaremos el fichero jdemetrax.x.x

También es posible descargar JDemetra desde el fichero comprimido jdemetrax.x.x.zip. En este

En el CROSPortal también se encuentra disponible toda la documentación sobre JDemetra+ ela

Resumiendo, cada Workspace contiene un calendario básico y un conjunto de modelos y especifi

• New Workspace: crea un nuevo workspace (Workspace_#number) en la ventana Works

• Open Recent Workspace: muestra la lista de workspaces creados o guardados reciente

• Modelling: proporciona las herramientas para la modelización y predicción de series tempo

• Plugins: permite cargar nuevos plugins en la aplicación.

Desde la pestaña Behaviour, si se activa la casilla de verificación Persist opened DataSour

Calendarlike Grid (19): los outliers se especifican directamente seleccionando la fecha

2.2.7 RegArimaDoc, X13Doc, TramoDoc, TramoSeatsDoc y SAProces

• Frequency: permite especificar la frecuencia de la serie (Undefined, Yearly, HalfYearly, Qua

Cuando la casilla de verificación correspondiente al parámetro Automatic está deshabilitada, JDe

BD (arima; BD): número de diferencias estacionales. El máximo número de diferencias estaciona

En este caso se abrirá directamente la ventana TramoDoc# o RegArimaDoc# en el panel