Referencia¶

Todo se importa desde el paquete: import banxicolab as sie.

Cliente¶

Banxico ¶

Cliente del SIE de Banco de México.

Parameters:

Name	Type	Description	Default
`token`	`(str, opcional)`	Token de consulta. Lo normal es no pasarlo y dejar que se resuelva desde el entorno; ver :func:`banxicolab.obtener_token`.	`None`
`timeout`	`float`	Segundos de espera por petición.	`30`
`reintentos`	`int`	Reintentos ante fallas de red o errores 5xx (con espera creciente).	`3`
`cache`	`bool`	Guarda en memoria las respuestas para no gastar consultas repitiendo la misma petición. Banxico recomienda expresamente cachear.	`True`
`espera_maxima`	`float`	Si se supera el límite de consultas y el desbloqueo ocurre en menos de estos segundos, se espera y se reintenta; si no, se lanza :class:`~banxicolab.LimiteExcedido`.	`60`
`sesion`	`(Session, opcional)`	Sesión propia (proxies, certificados corporativos, pruebas).	`None`

Examples:

>>> import banxicolab as sie
>>> bmx = sie.Banxico()
>>> bmx.descargar(["inpc", "fix"], inicio="2015-01-01")

limpiar_cache ¶

limpiar_cache()

Olvida las respuestas guardadas (p. ej. tras una nueva publicación).

descargar ¶

descargar(series=None, inicio=None, fin=None, *, tema=None, incremento=None)

Descarga una o varias series y las devuelve alineadas por fecha.

Hay tres formas de decir qué se quiere: por clave del SIE, por alias del catálogo o un tema completo.

Parameters:

Name	Type	Description	Default
`series`	`str, lista o dict`	Identificadores del SIE (`"SF43718"`), alias del catálogo (`"fix"`) o un diccionario `{clave: nombre_de_columna}`. No hay límite de 20 series: la consulta se parte en lotes automáticamente.	`None`
`tema`	`(str, opcional)`	En lugar de `series`, todas las del catálogo de un tema (`"tasas"`, `"tipo_de_cambio"`…); ver :func:`banxicolab.catalogo`.	`None`
`inicio`	`(fecha, opcional)`	Cualquier cosa que entienda `pandas.Timestamp`. Si se omiten ambas se descarga la historia completa; si falta `fin` se usa hoy.	`None`
`fin`	`(fecha, opcional)`	Cualquier cosa que entienda `pandas.Timestamp`. Si se omiten ambas se descarga la historia completa; si falta `fin` se usa hoy.	`None`
`incremento`	`('mensual', 'anual', 'acumulado')`	Pide a Banxico la variación porcentual ya calculada en lugar del nivel: respecto a la observación anterior, al mismo periodo del año anterior, o al cierre del año anterior.	`"mensual"`

Returns:

Type	Description
`DataFrame`	`DatetimeIndex` llamado `fecha`, una columna por serie y valores `float` (`NaN` donde el SIE reporta `N/E`). Las fechas sin ningún dato se descartan. Los títulos oficiales quedan en `df.attrs["series"]`.

Raises:

Type	Description
`SerieNoEncontrada`	Si alguna clave no existe en el SIE.
`SinDatos`	Si ninguna serie tiene observaciones en el periodo.

panel ¶

panel(series=None, inicio=None, fin=None, *, tema=None, como=None)

Panel mensual listo para analizar, aunque las series tengan frecuencias distintas.

Descarga las series y lleva a frecuencia mensual las diarias, semanales y quincenales, cada una con la regla que le corresponde según el catálogo: último dato para precios y saldos, promedio para tasas, suma para flujos. Evita tener que descargar por grupos y agregar a mano.

Parameters:

Name	Type	Description	Default
`series`	`Series \| None`	Igual que en :meth:`descargar`.	`None`
`inicio`	`Series \| None`	Igual que en :meth:`descargar`.	`None`
`fin`	`Series \| None`	Igual que en :meth:`descargar`.	`None`
`tema`	`Series \| None`	Igual que en :meth:`descargar`.	`None`
`como`	`(dict, opcional)`	`{columna: regla}` para cambiar la regla de alguna serie o fijar la de una clave que no está en el catálogo (por omisión, `"ultimo"`). Reglas: `"ultimo"`, `"promedio"`, `"suma"`, `"primero"`.	`None`

Returns:

Type	Description
`DataFrame`	Indexado al primer día de cada mes. La regla aplicada a cada columna queda en `df.attrs["agregacion"]`.

Examples:

>>> import banxicolab as sie
>>> sie.panel(["inpc", "fix", "tasa_objetivo"], "2015-01-01")

serie ¶

serie(clave, inicio=None, fin=None, *, incremento=None)

Como :meth:descargar, pero para una sola serie y sin valores faltantes.

metadatos ¶

metadatos(series)

Título, periodicidad, unidad y cobertura de cada serie.

Conviene revisarlo antes de transformar: indica si la serie es un índice, una tasa o un saldo, y desde cuándo existe.

oportuno ¶

oportuno(series)

Último dato publicado de cada serie (consulta barata: 80 por minuto).

buscar ¶

buscar(texto, limite=30)

Busca series por texto en el catálogo público del SIE. No usa token.

Notes

Se apoya en el buscador de la página del catálogo, que no forma parte de la API documentada: funciona mejor con una o dos palabras ("subyacente", "cetes") y podría cambiar sin aviso.

info ¶

info(clave)

Ficha de una serie desde el catálogo público. No usa token ni gasta consultas.

inflacion ¶

inflacion(inicio=None, fin=None, *, indice='inpc')

Tabla de inflación calculada a partir del índice de precios.

Descarga 13 meses extra hacia atrás para que la variación anual exista desde inicio. Ver :func:banxicolab.inflacion para las columnas.

inflacion_implicita ¶

inflacion_implicita(plazo=10, inicio=None, fin=None)

Inflación implícita diaria en los precios de Bonos M y Udibonos.

Descarga el vector de precios de Banxico, calcula el rendimiento a vencimiento de cada título y los compara. Ver :func:banxicolab.inflacion_implicita para la interpretación.

Parameters:

Name	Type	Description	Default
`plazo`	`(3, 10, 20, 30)`	Plazo de referencia en años.	`3`

Returns:

Type	Description
`DataFrame`	`nominal` (Bono M) y `real` (Udibono) en % anual, `implicita` en %, y el plazo efectivo en años de cada título (`plazo_nominal`, `plazo_real`), que rara vez coinciden exactamente.

Token¶

obtener_token ¶

obtener_token(token=None, *, preguntar=True)

Resuelve el token siguiendo el orden descrito en el módulo.

Parameters:

Name	Type	Description	Default
`token`	`(str, opcional)`	Token explícito. Si se da, solo se valida su formato.	`None`
`preguntar`	`bool`	Si no se encuentra en ninguna fuente y la sesión es interactiva, pedirlo con `getpass`.	`True`

Raises:

Type	Description
`TokenNoEncontrado`	Si no hay token y no se puede preguntar.
`TokenInvalido`	Si el token encontrado tiene un formato imposible.

guardar_token ¶

guardar_token(token=None, *, verificar=True)

Configura el token: lo pide, lo comprueba con Banxico y lo guarda.

Es el paso que se hace una sola vez por computadora. El token queda en un archivo que solo tu usuario puede leer, y a partir de ahí la librería lo encuentra sola.

Parameters:

Name	Type	Description	Default
`token`	`(str, opcional)`	Si se omite (lo recomendable) se pide con `getpass`, de modo que nunca queda escrito en la celda del notebook ni en el historial.	`None`
`verificar`	`bool`	Hace una consulta de prueba antes de guardar. Si Banxico rechaza el token no se guarda nada y se lanza :class:`~banxicolab.TokenInvalido`.	`True`

Returns:

Type	Description
`Path`	Ruta del archivo escrito.

Examples:

>>> import banxicolab as sie
>>> sie.guardar_token()
Pega tu token del SIE (no se mostrará en pantalla): ········
Token verificado con Banxico y guardado. Ya puedes descargar series.

borrar_token ¶

borrar_token()

Elimina el archivo creado por :func:guardar_token. Devuelve si existía.

Catálogo¶

catalogo ¶

catalogo(tema=None, *, buscar=None)

Tabla con los alias disponibles.

Parameters:

Name	Type	Description	Default
`tema`	`(str, opcional)`	Filtra por tema: `"precios"`, `"expectativas"`, `"tipo_de_cambio"`, `"tasas"`, `"actividad"`, `"externo"` o `"dinero"`.	`None`
`buscar`	`(str, opcional)`	Texto a buscar en el alias o la descripción, sin distinguir mayúsculas ni acentos (`buscar="inflacion"`).	`None`

Examples:

>>> catalogo("tipo_de_cambio").index.tolist()
['fix', 'fix_liquidacion', 'fix_promedio_mensual', 'euro']
>>> catalogo(buscar="cetes")["id"].tolist()
['SF60633', 'SF60634']

Las funciones descargar, panel, serie, metadatos, oportuno, buscar e info existen también a nivel de módulo (sie.descargar(...)), con los mismos parámetros que los métodos de Banxico.

Frecuencia y diagnóstico¶

frecuencia ¶

frecuencia(serie)

Frecuencia aproximada según la separación mediana entre observaciones.

Returns:

Type	Description
`str`	`"Diaria"`, `"Semanal"`, `"Quincenal"`, `"Mensual"`, `"Trimestral"` o `"Anual"`.

diagnostico ¶

Conocer los datos antes de transformarlos, y verificar después.

diagnostico ¶

diagnostico(datos)

Resumen mínimo por serie: cobertura, frecuencia, faltantes y rango.

La columna razon_max_min orienta sobre el logaritmo: si una serie positiva se multiplicó varias veces, su varianza casi seguro crece con el nivel.

faltantes cuenta los huecos entre la primera y la última observación de cada columna, así que diagnostica por separado las series de frecuencias distintas: al juntarlas en una tabla, los días sin dato mensual contarían como faltantes.

prueba_adf ¶

prueba_adf(datos, alfa=0.05)

Prueba Dickey–Fuller Aumentada para una o varias series.

Acepta un diccionario {nombre: serie}, ideal para comparar la misma variable bajo distintas transformaciones. H0: la serie tiene raíz unitaria; se rechaza (estacionaria = True) cuando p_valor < alfa.

a_mensual ¶

a_mensual(datos, como='ultimo')

Lleva una serie de alta frecuencia a frecuencia mensual.

Parameters:

Name	Type	Description	Default
`datos`	`Series o DataFrame`	Serie diaria o semanal.	required
`como`	`('ultimo', 'promedio', 'suma', 'primero')`	Regla de agregación. La elección no es neutral: `"ultimo"` para precios y saldos (tipo de cambio, reservas), `"promedio"` para tasas de interés, `"suma"` para flujos. Promediar un precio reduce artificialmente su volatilidad. Con un `DataFrame` puede darse un diccionario `{columna: regla}`.	`"ultimo"`

Returns:

Type	Description
`Series o DataFrame`	Indexado al primer día de cada mes, igual que las series mensuales del SIE, para que se puedan unir sin desfases.

valor_en ¶

valor_en(serie, fecha)

Último valor disponible en o antes de fecha.

Evita el KeyError cuando la fecha exacta no existe (fines de semana, series mensuales fechadas el día 1, etc.).

Números índice¶

indice_base ¶

indice_base(datos, base=None, valor=100)

Convierte a número índice: valor × X_t / X_base.

Parameters:

Name	Type	Description	Default
`base`	`(fecha, opcional)`	Periodo base. Se toma el último dato en o antes de esa fecha; si se omite, la primera observación válida.	`None`
`valor`	`float`	Valor del índice en la base (100 por convención).	`100`

cambiar_base ¶

cambiar_base(indice, base, valor=100)

Rebasifica un índice ya construido, sin volver a los datos originales.

empalmar ¶

empalmar(anterior, nueva, traslape=None)

Une dos tramos de un índice con bases distintas en una sola serie.

El tramo anterior se reescala para que coincida con nueva en la fecha de traslape; de ahí en adelante se usa nueva tal cual. Las tasas de variación de ambos tramos se conservan intactas.

Parameters:

Name	Type	Description	Default
`traslape`	`(fecha, opcional)`	Fecha común en la que se igualan. Por omisión, la primera fecha de `nueva` que también existe en `anterior`.	`None`

Tasas de variación¶

variacion ¶

variacion(datos, periodos=1, *, log=False, porcentaje=True)

Tasa de variación respecto a periodos observaciones atrás.

Parameters:

Name	Type	Description	Default
`periodos`	`int`	1 para la variación periodo a periodo; 12 para la anual de una serie mensual (ver también :func:`variacion_anual`).	`1`
`log`	`bool`	Si es `True` devuelve la diferencia de logaritmos, que es aditiva en el tiempo. Se aproxima a la variación simple solo para cambios pequeños.	`False`
`porcentaje`	`bool`	Multiplica por 100.	`True`

variacion_anual ¶

variacion_anual(datos, *, log=False, porcentaje=True)

Variación contra el mismo periodo del año anterior.

Detecta sola si la serie es quincenal, mensual, trimestral o anual. Al comparar cada mes con el mismo mes del año previo, cancela la estacionalidad estable.

anualizar ¶

anualizar(tasa, periodos_por_anio=12, *, porcentaje=True)

Anualiza una tasa por capitalización compuesta: (1 + r)^k − 1.

Multiplicar por k subestima el resultado; el error crece con la tasa.

Parameters:

Name	Type	Description	Default
`tasa`	`Series, DataFrame o número`	Tasa por periodo (en % si `porcentaje=True`).	required
`periodos_por_anio`	`int`	12 para una tasa mensual, 4 para trimestral.	`12`

Inflación y precios constantes¶

inflacion ¶

inflacion(indice)

Las cuatro lecturas habituales de la inflación, en %.

Parameters:

Name	Type	Description	Default
`indice`	`Series`	Índice de precios mensual (INPC, subyacente, etc.).	required

Returns:

Type	Description
`DataFrame`	`mensual`: variación respecto al mes anterior. `anual`: respecto al mismo mes del año anterior (la que se compara con la meta de 3 % de Banxico). `acumulada`: respecto a diciembre del año anterior. `mensual_anualizada`: la mensual capitalizada a 12 meses; muy volátil y afectada por la estacionalidad.

Examples:

>>> import banxicolab as sie
>>> sie.inflacion(sie.serie("inpc", "2020-01-01")).tail()

inflacion_entre ¶

inflacion_entre(indice, inicio, fin)

Inflación acumulada (en %) entre dos fechas.

Examples:

>>> import pandas as pd
>>> inpc = pd.Series([100.0, 110.0], index=pd.to_datetime(["2020-01-01", "2021-01-01"]))
>>> round(inflacion_entre(inpc, "2020-01-01", "2021-01-01"), 2)
10.0

deflactar ¶

deflactar(nominal, precios, base=None)

Expresa una serie monetaria en pesos constantes.

Parameters:

Name	Type	Description	Default
`nominal`	`Series o DataFrame`	Montos en pesos corrientes.	required
`precios`	`Series`	Índice de precios (normalmente el INPC) con la misma frecuencia y fechas que `nominal`.	required
`base`	`(fecha, opcional)`	Los resultados quedan en pesos de esa fecha. Si se omite se usa la base propia del índice (se divide entre `precios / 100`).	`None`

a_pesos_de ¶

a_pesos_de(monto, origen, destino, precios)

Convierte un monto de la fecha origen a pesos de la fecha destino.

Examples:

>>> import pandas as pd
>>> inpc = pd.Series([100.0, 110.0], index=pd.to_datetime(["2020-01-01", "2021-01-01"]))
>>> a_pesos_de(1000, "2020-01-01", "2021-01-01", inpc)
1100.0

tasa_real ¶

tasa_real(nominal, inflacion, *, exacta=True)

Tasa de interés real ex-post (ecuación de Fisher), en %.

Parameters:

Name	Type	Description	Default
`nominal`	`Series`	Ambas en % anual y con el mismo índice.	required
`inflacion`	`Series`	Ambas en % anual y con el mismo índice.	required
`exacta`	`bool`	`True`: `(1 + i) / (1 + π) − 1`. `False`: la aproximación `i − π`, que siempre sobreestima y empeora cuando la inflación es alta.	`True`

Tendencia y pronósticos¶

impulso ¶

impulso(indice, meses=3, *, ajustar=True)

Ritmo reciente de la inflación: promedio móvil contra el previo, anualizado.

Compara el promedio del índice en los últimos meses con el de los meses anteriores y anualiza el resultado (el «3m/3m anualizado» de los reportes de bancos centrales). Detecta los cambios de tendencia varios meses antes que la variación anual, que arrastra lo ocurrido hace un año.

Parameters:

Name	Type	Description	Default
`indice`	`Series`	Índice de precios mensual.	required
`meses`	`int`	Tamaño de la ventana (3 o 6 son los habituales).	`3`
`ajustar`	`bool`	Desestacionaliza antes con :func:`banxicolab.desestacionalizar`. Sin ajuste, el resultado refleja sobre todo el calendario.	`True`

Returns:

Type	Description
`Series`	En % anualizado.

persistencia ¶

persistencia(serie, rezagos=12, ventana=None)

Persistencia de la inflación: suma de los coeficientes de un AR(p).

Cerca de 1, los choques tardan mucho en disiparse (la inflación se comporta casi como una caminata aleatoria); cerca de 0, se revierten pronto.

Parameters:

Name	Type	Description	Default
`serie`	`Series`	Inflación mensual (idealmente desestacionalizada) u otra serie estacionaria.	required
`rezagos`	`int`	Orden `p` del autorregresivo, estimado por mínimos cuadrados.	`12`
`ventana`	`(int, opcional)`	Si se indica, estima en ventanas móviles de ese tamaño y devuelve un `Series` para ver cómo cambia en el tiempo; si no, un solo número.	`None`

pronosticar_inflacion ¶

pronosticar_inflacion(indice, horizonte=12, *, metodo='sarima', nivel=0.9, orden=(0, 1, 1), orden_estacional=(0, 1, 1, 12), simulaciones=2000, semilla=0)

Pronostica la inflación a partir del índice de precios.

Parameters:

Name	Type	Description	Default
`indice`	`Series`	Índice de precios mensual (INPC, subyacente…), al menos 5 años.	required
`horizonte`	`int`	Meses a pronosticar.	`12`
`metodo`	`('sarima', 'ingenuo')`	`"sarima"`: SARIMA sobre el logaritmo del índice. El valor por omisión, `(0,1,1)(0,1,1)₁₂`, es el «modelo de aerolíneas», la referencia habitual para series mensuales con estacionalidad. `"ingenuo"`: la inflación anual se mantiene en su último valor. Es sorprendentemente difícil de superar a 12 meses; todo modelo debería compararse contra él.	`"sarima"`
`nivel`	`float`	Cobertura del intervalo (0.90 → de 5 % a 95 %). Solo con `"sarima"`.	`0.9`
`orden`	`tuple`	Especificación del SARIMA.	`(0, 1, 1)`
`orden_estacional`	`tuple`	Especificación del SARIMA.	`(0, 1, 1)`
`simulaciones`	`int`	Trayectorias simuladas para construir el intervalo de la inflación anual, que depende de varios meses pronosticados a la vez.	`2000`
`semilla`	`(int, opcional)`	Fija las simulaciones para que el resultado sea reproducible.	`0`

Returns:

Type	Description
`DataFrame`	Una fila por mes futuro: `indice`, `mensual`, `anual` y, con SARIMA, `anual_inf` y `anual_sup`. Todo en % salvo el índice.

Notes

El intervalo refleja solo la incertidumbre de los choques futuros bajo el modelo; no incluye la de los parámetros ni la de haber elegido mal el modelo, así que es más estrecho que la incertidumbre real.

evaluar_pronosticos ¶

evaluar_pronosticos(indice, horizontes=(1, 3, 6, 12), *, desde=None, paso=3, metodos=METODOS, orden=(0, 1, 1), orden_estacional=(0, 1, 1, 12))

Compara los métodos con pronósticos fuera de muestra de origen móvil.

Para cada fecha de origen se estima el modelo solo con los datos disponibles hasta entonces, se pronostica la inflación anual y se compara con lo que realmente ocurrió.

Parameters:

Name	Type	Description	Default
`horizontes`	`tuple de int`	Meses hacia adelante a evaluar.	`(1, 3, 6, 12)`
`desde`	`(fecha, opcional)`	Primer origen. Por omisión, el último tercio de la muestra.	`None`
`paso`	`int`	Meses entre orígenes consecutivos. 1 es lo más preciso y lo más lento (cada origen reestima el SARIMA).	`3`

Returns:

Type	Description
`DataFrame`	Raíz del error cuadrático medio, en puntos porcentuales de inflación anual, por horizonte (filas) y método (columnas), más `n` pronósticos evaluados. Los errores individuales quedan en `.attrs["errores"]`.

Rendimientos e inflación implícita¶

rendimiento_bono ¶

rendimiento_bono(precio_limpio, cupon, plazo_dias, valor_nominal=100, dias_cupon=182)

Rendimiento a vencimiento (% anual) a partir del precio limpio.

Inversa de :func:precio_bono, resuelta por bisección. Para un Udibono, el precio debe estar en UDIS (precio en pesos entre el valor de la UDI) y el resultado es un rendimiento real.

Examples:

>>> round(float(rendimiento_bono(100, 8, 3640)), 4)   # a la par rinde su cupón
8.0

precio_bono ¶

precio_bono(rendimiento, cupon, plazo_dias, valor_nominal=100, dias_cupon=182)

Precio limpio de un bono a tasa fija con la convención mexicana.

Parameters:

Name	Type	Description	Default
`rendimiento`	`número o Series`	Rendimiento a vencimiento, en % anual.	required
`cupon`	`número o Series`	Tasa cupón, en % anual.	required
`plazo_dias`	`número o Series`	Días por vencer.	required
`valor_nominal`	`float`	100 pesos en los Bonos M; 100 UDIS en los Udibonos.	`100`
`dias_cupon`	`int`	Días entre cupones (182).	`182`

Notes

Con R = rendimiento × 182/360, cupón C = VN × cupón × 182/360, K cupones por cobrar y d días transcurridos del cupón vigente:

precio sucio = [C + C·(1/R − 1/(R(1+R)^(K−1))) + VN/(1+R)^(K−1)] / (1+R)^(1−d/182)

y el precio limpio descuenta los intereses devengados C·d/182.

inflacion_implicita ¶

inflacion_implicita(nominal, real)

Inflación implícita (breakeven): (1 + i) / (1 + r) − 1, en %.

Es la inflación promedio que iguala el rendimiento de un bono nominal con el de uno indexado a la inflación del mismo plazo.

Parameters:

Name	Type	Description	Default
`nominal`	`número o Series`	Rendimiento nominal (Bono M, Cetes), en % anual.	required
`real`	`número o Series`	Rendimiento real (Udibono), en % anual.	required

Notes

No es una expectativa pura. Incluye una prima por riesgo inflacionario (la sube) y una prima de liquidez de los Udibonos (la baja). Banxico la llama «compensación por inflación y riesgo inflacionario». Compárala con las expectativas de la encuesta ("expectativa_inflacion_12m") antes de interpretarla.

Examples:

>>> round(inflacion_implicita(9.5, 5.0), 4)
4.2857

inflacion_implicita_forward ¶

inflacion_implicita_forward(corta, larga, plazo_corto, plazo_largo)

Inflación implícita entre dos plazos futuros, en % anual.

Con las implícitas a 10 y 20 años, por ejemplo, devuelve la que el mercado descuenta para los diez años que empiezan dentro de diez («10a10a»). Aísla el largo plazo de los choques de corto plazo.

Parameters:

Name	Type	Description	Default
`corta`	`número o Series`	Inflación implícita al plazo corto y al largo, en %.	required
`larga`	`número o Series`	Inflación implícita al plazo corto y al largo, en %.	required
`plazo_corto`	`float`	Plazos en años.	required
`plazo_largo`	`float`	Plazos en años.	required

Cambio de unidades¶

estandarizar ¶

estandarizar(datos, referencia=None)

Puntaje z: (x − media) / desviación estándar.

Parameters:

Name	Type	Description	Default
`referencia`	`Series o DataFrame, opcional`	Muestra de la que se calculan media y desviación. Al evaluar un modelo pasa aquí solo el conjunto de entrenamiento para no filtrar información del futuro (data leakage).	`None`

min_max ¶

min_max(datos, a=0, b=1, referencia=None)

Reescala linealmente al intervalo [a, b].

Muy sensible a valores atípicos. Con referencia (entrenamiento) los datos nuevos pueden salir de [a, b]: eso es información, no un error.

escalar_robusto ¶

escalar_robusto(datos, referencia=None)

(x − mediana) / rango intercuartílico: resistente a valores atípicos.

Estacionalidad y estacionariedad¶

desestacionalizar ¶

desestacionalizar(serie, modelo='multiplicativo', periodo=None)

Ajuste estacional sencillo por descomposición clásica (medias móviles).

Sirve para explorar y enseñar. No reproduce las cifras oficiales, que usan X-13ARIMA-SEATS con efectos de calendario; si existe la serie desestacionalizada oficial (p. ej. "igae_desestacionalizado"), úsala.

Parameters:

Name	Type	Description	Default
`modelo`	`('multiplicativo', 'aditivo')`		`"multiplicativo"`
`periodo`	`(int, opcional)`	Observaciones por ciclo; por omisión 12 o 4 según la frecuencia.	`None`

prueba_adf ¶

prueba_adf(datos, alfa=0.05)

Prueba Dickey–Fuller Aumentada para una o varias series.

Acepta un diccionario {nombre: serie}, ideal para comparar la misma variable bajo distintas transformaciones. H0: la serie tiene raíz unitaria; se rechaza (estacionaria = True) cuando p_valor < alfa.