You are on page 1of 135

2009

APUNTES DE
I NTRODUCCI ON A LAS
SERI ES DE TI EMPO
Guía de estudio
NARCI SO GUARAMATO PARRA




2


























































3
INTRODUCCION

El presente trabajo tiene como objetivo principal, ayudar a todas aquellas
personas con conocimientos limitados de Estadística y Economía, especialmente
a los alumnos involucrados en esta cátedra. Aportándoles una herramienta que les
proporcione un conocimiento básico de la Econometría.

A lo largo de mi experiencia docente en la Escuela Nacional de
Administración y Hacienda Pública I.U.T, y en la Universidad Santa María, he
observado con preocupación lo difícil y problemático que le resulta al
estudiantado, el inicio del estudio de la Econometría.

Entre los factores que explican esta situación, destacan la deficiencia que
traen algunos alumnos en materias imprescindibles para el estudio del tema, como
son la Estadística y la Economía. La Econometría involucra todo un bagaje de
nuevo vocabulario que dificulta en una primera etapa su entendimiento.

Esta investigación documental, ha aprovechado la claridad de algunos
autores para tratar algunos temas específicos y mi experiencia enseñando la
materia, para lograr un texto donde se combinen los fundamentos teóricos
básicos de la Econometría con unos ejemplos prácticos, que permitan ver en una
forma sencilla sus aplicaciones, usando en varios de ellos el Software
economètrico Eviews 3.1..

Es importante señalar que este trabajo, de ninguna manera sustituye a un
libro de texto de la materia, debido a que en el mercado existen muchos de una
excelente calidad. Igualmente tampoco pretende que el alumno, mediante su
lectura, pueda prescindir de las clases presénciales.

Finalmente, quiero agradecerle a la Escuela Nacional de Administración y
Hacienda Pública I.U.T. por haberme invitado como profesor de la materia durante
los años 2000 y 2001, y a la Universidad Santa María, lo cual me permitió ordenar
mis apuntes, fuente de este trabajo.












4
CONTENIDO


I INTRODUCCIÓN A LAS SERIES DE TIEMPO (TECNICAS CLASICAS)

1.. Características y análisis de una serie de tiempo.
2. Técnicas elementales de estimación con tendencia.
3. Metodología del filtro de Hodrick–Prescott.
4. Indicadores o medidas de error.

II MODELOS AR, MA, ARMA, ARIMA y FUNCION DE TRANSFERENCIA

1. Procesos Estocásticos.
2. Caminata Aleatoria,
3. Estacionariedad,
4. Raíces unitarias, operador diferencia y orden de integración de una serie de
tiempo
5. Prueba de estacionariedad basada en el correlograma.
6. Prueba de raíz unitaria sobre estacionariedad – prueba DICKEY – FULLER
(ADF).
7. Prueba de PHILLIPS-PERRON (test PP)
8. Estacionalidad.
9. Modelo Autorregresivo de orden p (AR(p)).
10. Modelo de promedio móvil de orden q (MA(q)).
11. Modelo Autorregresivo de promedio móvil (ARMA(p,q)).
12. Modelo Autorregresivo integrado de promedio móvil (ARIMA(p,d,q)).
13. Metodología de Box-J enkis.
14. Modelos fe función de transferencia.

III. MODELOS DE VECTORES AUTORREGRESIVOS (VAR)
.
IV: COINTEGRACION Y MODELO DE VECTOR DE CORRECIÒN DEL ERROR
(VEC)

1. Cointegración.
2. Modelo de vector de corrección del error (VEC).
3. Test de Cointegración de J OHANSEN:

V: MODELOS AUTORREGRESIVOS CON HETEROCEDASTICIDAD
CONDICIONAL (ARCH)

BIBLIOGRAFIA



5
CAPITULO I
INTRODUCCIÓN A LAS SERIES DE TIEMPO
TECNICAS CLASICAS

Una serie de tiempo es un conjunto de datos estadísticos, recopilados, observados
o registrados a intervalos regulares y ordenados en el tiempo. Las técnicas de
estimación de series tienen como objetivo primordial el control y el pronóstico de
las variables con periodicidad subanual

Esta técnicas no se basan en ninguna teoría económica, a diferencia de los
modelos econométricos, sino que parten del supuesto de que una serie de tiempo
se puede descomponer en cuatro componentes:


a) La tendencia, el cual es un movimiento regular de la serie a largo plazo.

b) Las variaciones estacionales:, que son oscilaciones a corto plazo de
periodo regular, menor o igual a un año.

c) Variaciones cíclicas: movimientos a mediano plazo en torno a la
tendencia, cuyo período y amplitud presentan cierta regularidad.

d) Variaciones irregulares: recoge la influencia que ejercen sobre la serie
circunstancias aleatorias y accidentales.


Las técnicas de estimación se basan en descomponer una serie de tiempo, es
decir, en determinar los cuatro componentes básicos.

A continuación se presenta un cuadro
1
donde se hace una comparación entre las
series de tiempo y los modelos econométricos, así como un cuadro señalando las
ventajas y desventajas de cada uno.









1
Tomado de: Blanco, Carlos. “Convergencia de las Técnicas de Series de Tiempo con los Métodos
Econométricos”. Mimeo. Banco Central de Venezuela,. Departamento de Apoyo Cuantitativo.
Caracas. 1997



6
SERIES DE TIEMPO MODELOS ECONOMETRICOS
Se basan exclusivamente en la
información muestral, por tanto no
impopnen restricciones. Teóricamente
son menos eficientes que los modelos
econométricos.
Se basan tanto en la información
muestral como en la teoría
económica, la cual impone
restricciones que pueden ser
subjetivas
Se usan para Control, pronóstico y el
análaisis coyuntural dinámico
se usan para control, pronostico,
simulación y e nanálisis estructural
estático y dinámico. Para medir la
influencia de cada una de las
variables incluidas en el sistema.



VENTAJAS DESVENTAJAS
Son mas económicos en términos de información,
ya que las variables se expresan en función de si
misma
Requieren de información subanual,
aunque posrían utilizarse en series anuales
Series de
Tiempo
Requieren menos dominio de la teoría económica No recogen los puntos de cambio
adecuadamente
Son eficientes en el pronóstico a corto plazo Se pierde información de largo plazo
Tratamiento muy satisfactorio de los errores. Reqieren del juicio para determinar si un
proceso es o no integrado.
Los componentes del modelo son estocásaticos Análisis parcial
Facilitan el análisis de causalidad El pronóstico de corto plazo no es óptimo
por lo complejo de la dinámica
Describen la estructura económica y la relación
entre dos o mas variables
Son mas complejos y exigen más
conocimiento de la teoría
Modelos
econométricos
Dan mayor coherrencia a los pronósticos de
mediano plazo
Implican un mayor volumen de información
Recogen bastante bien los puntos de cambio tratamiento insastifactorio de los errores
Análisis global es posible Grado de intetfración no concluyente



El método más utilizado en el estudio de una serie de tiempo es el Modelo
Multiplicativo, el cual supone que el valor de los datos originales es el producto de
los cuatro componentes como sigue:




7
Irregular Variación I
cíclica Variación C
estacional Variación E
Tendencia T
t f estudio en temporal Serie Y
I x C x E x T Y tivo Multiplica Modelo
t
t
t
t
t
t t t t t
=
=
=
=
=
=
) ( ,


El objetivo principal del estudio de una serie de tiempo es proporcionar buenos
pronósticos o predicciones de futuros valores de la serie a partir de valores
pasados

El método clásico que se utiliza es primeramente estimar la tendencia a través de
las medias móviles o el alisado exponencial para luego realizar la proyección de
tendencia ajustada por variaciones estacionales. Este método se puede
esquematizar en los siguientes pasos:


a) Captar los componentes de tendencia y ciclo a través del método de las
medias móviles o otra metodología.

b) Cálculo de los factores estacionales y desestacionalizar la serie original.

c) Determinar la regresión lineal de tendencia través del método de los
mínimos cuadrados para describir el movimiento medio subyacente a
largo plazo de la serie de tiempo.

d) Bajo la suposición de que dicha tendencia se mantendrá en el futuro, se
utiliza la ecuación anterior para obtener las proyecciones
desestacionalizadas deseadas y se obtienen las proyecciones finales al
multiplicar cada uno de los resultados obtenidos anteriormente a través
de la línea de regresión lineal por su respectivo factor estacional.


En el presente capítulo se tratarán las técnicas clásicas de estimación de series de
tiempo, dejando para capítulos posteriores las técnicas avanzadas.










8
TECNICAS DE ESTIMACION DE SERIES DE TIEMPO
Medias Móviles
Alisado Exponencial
Clási cas
Alisado con Tendenci a
Ajuste Estacional
Modelos AR, MA, ARMA y ARIMA
Avanzados Vectores Autorregresi vos (VAR)
Vector de Corrección del Error (VEC)



1. CARACTERISTICAS Y ANALISIS DE UNA SERIE DE TIEMPO
2


Una serie temporal es una sucesión de vectores observados de una variable en
momentos del tiempo diferentes. Los datos de la serie aparecen ordenados
cronológicamente, esto supone distintas repercusiones entre X
t
y X
t-1
, de forma
que el comportamiento futuro de la serie se puede extrapolarse en función de sus
valores pasados. También nos encontramos con determinados efectos, conocidos
como problemas de calendario, que se refiere a la diferente incidencia de
acontecimientos que pueden variar de fecha. Por ejemplo. Cuando trabajamos con
seriares de tiempo de frecuencia mensual podemos comprobar la repercusión que
tiene en el análisis de la serie el hecho que la “Semana Santa” caiga en el mes de
marzo o en el mes de abril. Incluso la propia movilidad de los días, que conduce a
las fechas festivas puedan caer un día laborable o en fin de semana, tiene distinta
casuística, así como los festivos en lunes o martes pueden conllevar a los
llamados “puentes”. Otro criterio a considerar es la deflación de los valores de la
serie, pues si realmente queremos analizar la evolución de una serie, medida en
bolívares, es conveniente aislar el efecto de los precios y no siempre podemos
encontrar el deflactor más apropiado para ello. Adicionalmente, debemos
considerar las posibles incidencias de los cambios en los criterios de
contabilización. Dado que el principal origen de los datos es la encuesta, un
cambio en la selección muestral afecta considerablemente los resultados,
provocando problemas de enlace de la serie.

Al plantearse el análisis de series de tiempo, se pueden distinguir dos enfoques
diferentes, según la información que se utilice:





2
Pulido, Antonio y Ana María López. Ob.Cit. p.166



9
a) Enfoque univariante, se refiere a los datos históricos de la serie de
tiempo, es decir, a la autoproyección. Supone que la información pasada
contenida en la serie es suficiente para realizar predicciones. Este
enfoque consiste en describir las pautas de regularidad que sigue cada
uno de los componentes de la serie.

b) Enfoque multivariante, se basa en las relaciones existentes entre dos o
mas series temporales.

Además, se pueden distinguir varios componentes en una serie de tiempo:

 Tendencia: es el movimiento regular a largo plazo. La tendencia se explica por
alguna función del tiempo. La tendencia se suele describir mediante alguna
funciòn del tiempo. El tiempo en si no rs una variable que explique otra cosa
que la existencia d una evolución regular, pero, si no hay motivos para pensar
que esa regularidad deje de mantenerse en el futuro, la función de tendencia
puede ser util para realizae predicciones.

 Componente cíclico: fluctuaciones a medio plazo en torno a la tendencia, Se
determina después de eliminar tendencia y estacionalidad. No hay métodos
fiables de aplicación mecánica para proyectar el comportamiento cíclico debido
a la relativa irregularidad de su comportamiento.

 Componente estacional: oscilaciones a corto plazo de período regular, inferior
al año y amplitud regular. Al tener carácter oscilatorio, queda determinado por
su periodo y amplitud. En la práctica sulen calcularse indices de estacionalidad
que se aplican a la tendencia, por lo general, en forma multiplicativa

 Componente irregular: parte residual de la serie cuando se eliminan los
componentes anteriores.




















10
DESCOMPOSICIÓN DE LOS DATOS
DE SERIES DE TIEMPO



La descomposición de la serie puede realizarse de tres formas diferentes.

 Modelo aditivo:
t t t t t
I E C T X + + + =
 Modelo Multiplicativo:
t t t t t
I E C T X * * * =
 Modelo Mixto:
t t t t t
I E C T X + + + = ) 1 ( * ) 1 ( *

En la práctica, resulta difícil poder aislar adecuadamente los distintos
componentes de la serie; y en el caso de la descomposición se realice con éxito,
suele presentarse con mayor frecuencia el Modelo Multiplicativo.

Esta descomposición de la serie nos conduce a la consideración de dos enfoques
distintos en el análisis de las series de tiempo, según la importancia que se
conceda al componente irregular.

 Enfoque Clásico o determinista: que establece que el componente irregular es
una desviación de una pauta de comportamiento sistemática.

 Enfoque moderno o estocástico: que establece que e término irregular (azar)

no es una desviación momentánea, sino que es una sucesión de impulsos que
cuentan en el futuro movimiento del sistema.

Aparte de las consideraciones diferentes sobre el término de error o pauta
irregular entre ambos enfoques, el moderno no presta tanta atención como el
clásico a la diferenciación de los cuatro componentes de las series de tiempo.



11

En la práctica, lo habitual es distinguir en una serie los componentes de tendencia
y estacionalidad, donde además, se considera que esta última sigue un proceso
multiplicativo. Para analizar estas dos características. En una serie de tiempo, se
ha seleccionado los datos mensuales del índice de ventas al comercio al menor a
precios constantes (1994=100) de la economía española para el período
comprendido entre enero de 1995 y diciembre de 1998.


INDICE DE VENTAS DEL COMERCIO
AL MENOR
1994=100
1995 1996 1997 1998
ENE 101.684 101.743 102.661 108.149
FEB 82.712 85.799 82.978 85.679
MAR 94.665 92.018 89.527 93.303
ABR 91.333 90.851 94.226 96.863
MAY 97.133 93.858 96.261 102.144
JUN 98.733 944.407 94.382 101.962
JUL 104.260 103.603 105.156 113.154
AGO 92.082 90.698 90.961 95.141
SEP 99.904 96.096 98.168 103.557
OCT 98.733 100.762 102.545 109.875
NOV 95.580 93.643 94.367 99.527
DIC 126.772 123.248 129.456 133.554
FUENTE: INE. España.














12

.

Primeramente visualizamos el gráfico de la serie de tiempo, lo cual nos permite
observar la evolución temporal de la misma.






La observación del gráfico de la serie VENTAS nos permite apreciar la presencia
de un componente de estacionalidad clara en la serie, identificada en las subidas
que se presentan en los meses de diciembre respecto al comportamiento medio

de los meses restantes. Esto significa que en el último mes del año se comprueba
una mayor compra de bienes y servicios en comparación con la que cabría



13
esperar en meses anteriores.. Por otra parte, la evolución general de la serie, es
decir, a medio/largo plazo, nos muestra una tendencia creciente en torno ala cual
fluctúan los valores de la serie.

Para la aplicación de determinadas técnicas de predicción, en particular las
denominadas clásicas. Y en situaciones con historia (medias móviles y algunos
tipos de alisados exponenciales) debemos proceder, previamente, a la
transformación de los datos de la serie, para aislar la tendencia y la
estacionalidad.

Dado que la serie presenta tendencia y estacionalidad, se procede a la
transformación de la misma. En primer lugar, se comienza con la
desestacionalización de la serie, procedimiento que consiste en la obtención de un
factor de estacionalidad propio para cada mes.

En general hay dos métodos de ajuste estacional o desestacionalización:
multiplicativo y aditivo. Los métodos multiplicativos son apropiados cuando la serie
puede descomponerse en el producto de un componente de tendencia y otro
estacional. Además, los métodos multiplicativos sólo pueden aplicarse cuando la
serie presenta siempre valores positivos, es decir una serie con valores negativos

habría que optar por un procedimiento aditivo de desestacionalización

En nuestro caso, dado que todos los valores son positivos, supondremos un
planteamiento multiplicativo de descomposición de la serie de tiempo..

De esta forma, la serie original (VENTAS) será igual a una serie
desestacionalizada (SVENTAS) multiplicada por un factor estacional (FACTOR):


VENTAS =SVENTAS x FACTOR


Lo que significa que obtendremos la serie desestacionalizada (SVENTAS)
dividiendo los datos de la serie original entre un factor que contiene 12 datos
mensuales (uno diferente para cada mes).. Para realizar esta operación, en el
menú principal de Eviews, seleccionamos QUICK /SERIRES STATISTICS /
SEASONAL ADJ USMENT:











14



e indicamos que vamos a trabajara sobre la variable ventas



A continuación, aparece el siguiente cuadro de diálogo, en el que seleccionamos
el métdo de desestacionalización (Adjustment Method), indicamos el nombre para
la variable desestacionalizada (Adjusted Series) y para el factor (Factors).





Seleccionamos el método de mediad móviles (Ratio to moving average-

Multiplicative). Nombramos a la serie desestecionalizada como SVENTAS, aunque
Eviews nos proporciona ppor defecto un nombre, que se corresponde con el de la



15
serie original seguido de las letras SA. Al factor que calcula el programa lo
llamamos, simplemente FACTOR.

Como rersultado se muestra una pantalla en la que podemos observar los datos
del factor estacional calculado, dfonde se aprecia que se trata de valores en torno
a la unidad, siendo el valor más alto, el correspondiente al mes que presentaba
inicialmente estacionalidad (diciembre),




Dado que Eviews ha generado la nueva serie desestacionalizada (SVENTAS) se
puede visualizar un gráfico de la misma.





El gráfico de la serir SVENTAS mustra fluctuaciones que ya no se corresponden
con la estacionalidad, puesto aque ha sido corrergida, y como es lógicosigue
presentando tendencia. Una forma sencilla, y la mas empleada para corregir la



16
tendencia consiste en la aplicación en primeras diferencias de la serie. Se basa en
calcular una serie
t
z obtenida como:

y y y z
t t t
A = ÷ =
÷1


Si al representar graficamente una serie,
t
z , comprobamos que oscila alrededor
del mismo valor, entonces tendríamos que se trata de la serie original sin
tendencia. Si
t
z crece o decrece a largo plazo, entonces aún presenta tendencia y
habría que volver a diferenciar, es decir, proseguiriamos calculando ahora la
segunda diferencia:

t t t t t t t t t t t t
y y y y y y y y y z z z
2
2 1 2 1 1 1
2 ) ( ) ( A = AA = + ÷ = ÷ ÷ ÷ = ÷ = A
÷ ÷ ÷ ÷ ÷ ÷


y, en caso necesario, seguiriamos diferenciando, teniendo en cuenta que en cada
diferenciación perdemos una observación. En cualquier caso, lo habitual es que
con una primera diferencia la serie ya fluctue en torno al mismo valor, es decir, ya
no presente tendencia y, como mucho, se realizaría una asegunda diferencia.

Para eliminar la tendencia de la serie SVENTAS, ya corregida de estacionalidad,
selecionamos en el menú QUICK / GENERATE SERIES y escribimos la operación
a realizar, generando una nueva serie DSVENTAS a partir de las primeras
diferencias de SVENTAS.










17



Se consigue el mismo resultado si escribimos directamente en la ventana de
comandos





podemos visualizar un gráfico de la nueva serie DSVENTAS, serie sin
estacionalidad y sin tendencia. Para comprobar que los datos de la serie
transformada fluctúan en torno a un mismo valor, calculamos la media de esta
serie generando (GENR) una variable media, tal que





En el gráfico representamos la serie DSVENTASy su valor medio (MEDIA).








18























19












20



El gráfico sugiere una oscilación de los valores de la serie DSVENTAS en torno al
valor medio, por lo que podemos considerarla ya como una serie sin tendencia.

Finalmente, y a modo de comparación, se ha desestacionalizado la serie original
VENTAS, con otro procedimiento de los disponibles en Eviews: el método
CensusX11, método estándar de desestacionalización del U.S. Bereau of the
Census, que puede aplicarse a serires mensuales y trimestrales con el requisito de
disponer como mínimo de cuatro años completos de datos. Este método presenta,
adicionlamente, una restricción de volumen de información, pues el máximo de

datos para una serie mensual debe ser de veinte años y de treinta si se trata de
una serie trimestral.

Como ya se realizó anteriormente, se selecciona en el menú principal QUICK /
SERIRES STATISTICS / SEASONAL ADJ USTMENT. La serie original que se va a
desestacionalizar es VENTAS y la serire desestacionalizada se llamará
CVENTAS. Siendo FACTORC el nombre elegido para el factor estacional con el
método CensusX11 Multiplicativo.









21



Una vez obtenida la nueva serire CVENTAS, desestacionalizada con el
procedimiento Census X11, procedemos a representarla en un gr´pafico junto con
la serie SVENTAS.




La evolución que presentan ambas serires es similar, aunque parece que la serie
SVENTAS suaviza mas las oscilaciones de los valores de las ventas del comercio
al por menor corregidas de estacionalidad. Posiblemente sea más iloustrativo
comprobar conjuntamente los valores de los dos factores de estacionalidad que

han dado lugar a ambas series.




22
Comparación de factores mensuales
de desestacionalización
Relación de la media móvil Census X11
FACTOR FACTORC
ENE 106,03 104,68
FEB 86,21 85,00
MAR 93,02 92,62
ABR 95,21 93,57
MAY 98,47 98,08
JUN 97,81 97,69
JUL 106,90 107,33
AGO 93,36 92,60
SEP 100,30 99,63
OCT 102,93 104,32
NOV 96,51 95,88
DIC 128,96 128,36

La diferencia entre el factor calculado por el método de relación a la media móvil y
el del método X11 es que en este segundo caso el factor puede variar año a año,
mientras que en el primer caso se asume un valor constante.

2. TECNICAS ELEMENTALES DE ESTIMACION CON TENEDENCIA

Después de desestacionalizar la serie el siguiente paso es realizar las
predicciones a través de un modelo simple que parata del supuesto de la
existencia de la tendencia en la serie. El modelo màs simple es el modelo de
tendencia lineal . Si creemos que una serie
t
y se incrementará en cantidades
absolutas constantes en cada período. Se puede predecir
t
y , ajustando la linea de
tendencia

t y
t 2 1
o o + =

Donde t es el tiempo y
t
y es el valor esperado de y en el tiempo t. Por lo general t
se elige igual a cero en el período base (primera observación) y se incrementa en

1 durante cada período sucesivo.




23
El modelo de tendencia cuadrática es una extensión simple del modelo de
tendencia lineal y consiste en agregar un término
2
t

2
3 2 1
t t y
t
u u u + + =

Si
2
u y
3
u son ambos positivos,
t
y siempre estará incrementándose, pero cada vez
más rápido conforma pasa el tiempo. Si
2
u es negativo y
3
u ,
t
y disminuir´primero
pero después se incrementará. Si ambos son negativos ,
t
y siempre disminuirá.

Otros métodos de estimación, considerados como elementales, se basan en
modelos autorregresivos. Entre los mas simples se pueden señalar:

1.
t t
y y =
+1
ˆ ; 2.
1 1
ˆ
÷ +
÷ = ÷
t t t t
y y y y

La ecuación 1 utiliza como valor de predicción del próximo período, el dato del
período actual. La ecuación 2 supone la igualdad no de los valores, sino de los
incrementos. Dado la simplicidad de los modelos anteriormente descritos se debe
suponer que las estimaciones que se realicen deberán tener un elevado error de
predicción.

Una variante ligeramente más elaborada es utilizar el valor medio de la serie, en
lugar de las últimas observaciones

y y
t

=
+1
ˆ

Este modelo parte del supuesto que la serie carece de tendencia y la misma oscila
alrededor de la media. En este caso el valor mas probable de estimación, es el
valor medio de la serie.



.








Otro tipo de modelo utilizado para la estimación en serie con tendencia es el

Modelo de Promedio movil. Como ejemplo, se supone que para estimar un valor
dada una serie de tiempo mensual, se utilizaría el siguiente modelo:




24
( ) ( )
12 2 1
...
12
1
÷ ÷ ÷
+ + + =
t t t
y y y x f

Entonces, el pronóstico para el período ( ) 1 + t estará determinado por:

( )
12 2 1 1
...
12
1
÷ ÷ ÷ +
+ + + =
t t t t
y y y y



El modelo de promedio móvil es útil si se cree que un valor probable para el
próximo período es el valor promedio de la serie durante los últimos 12 meses.

El modelo de promedio móvil tiene la virtud de proporcionar una base para
suavizar series de tiempo. Por ejemplo una de las formas más simples de suavizar
una serie es tomar un promedio movil de n períodos:

( )
n t t t t
y y y
n
y
÷ ÷ ÷ +
+ + + = ...
1
2 1 1



Mientras mayor sea nmas suave será la curva

Ejemplo:
OBS Yt PM3 PM4 PM5 PM6
1 4
2 5
3 6 5,0
4 8 6,3 5,8
5 10 8,0 7,3 6,6
6 13 10,3 9,3 8,4 7,7
7 15 12,7 11,5 10,4 9,5
8 8 12,0 11,5 10,8 10,0
9 10 11,0 11,5 11,2 10,7
10 6 8,0 9,8 10,4 10,3
11 14 10,0 9,5 10,6 11,0
12 18 12,7 12,0 11,2 11,8
PM3 =promedio movil últimos tres períodos
PM4 =promedio movil últimos cuatro períodos
PM5 =promedio movil últimos cinco períodos
PM6 =promedio movil últimos seis períodos







25
0
5
10
15
20
1 2 3 4 5 6 7 8 9 10 11 12
OBSERVACIONES
Yt PM3 PM4 PM5 PM6


El alisado exponencial puede considerarse como aquel obtenido por una media
móvil con ponderaciones decreciente en forma de progresión geométrica:

... ) 1 ( ) 1 (
2
2
1
+ ÷ + ÷ + =
÷ ÷ t t t
y y y M o o o o o

donde el coeficiente o podrá tomar valores entre 0 y 1. La suma de los
coeficientes siempre será la unidad, ya que:

1
) 1 ( 1
) 1 (
0
=
÷ ÷
= ÷
¿
·
=
o
o
o o
s
s


Por tanto, el número de términos de la media móvil será tanto más reducido
cuanto mayor sea el valor de o . Para 1 = o , la media coincidirá con el valor del
período. Para o cercano a cero, las ponderaciones de los valores serán todas
muy pequeñas y, por tanto, el número de términos será elevado.

Como fórmula de predicción, la media deberá calcularse iniciándola en el último
dato disponible, es decir,

( ) ( ) ... 1 1 ˆ
2
2
1 1
+ ÷ + ÷ + =
÷ ÷ + t t t t
y y y y o o o o o

o en su forma más resumida:

( )
t t t
y y y ˆ 1 ˆ
1
o o ÷ + =
+


ya que, por sustituciones sucesivas, legaríamos a la fórmula anterior. Por tanto, la

predicción de alisado pueda interpretarse como una media ponderada de los
valores previos anteriores, reales y de predicción.




26
La expresión anterior exige disponer de los valores de
o
y de un valor inicial de .
Esta última cuestión es relativamente poco importante y puede resolverse
adoptando directamente
t t
y y = ˆ
o bien igualando este primer valor al promedio de
un pequeño número inicial de observaciones.

La elección del parámetro
o
debe acomodarse a cada serie en particular. Por ello
la mayor parte de los programas de computación disponibles permiten el cálculo
automático del valor óptimo de
o
, en el sentido de selecciona aquel que minimiza
el error cuadráticos medio.

En general se considera que un
o
alto es indicativo de fuertes oscilaciones o de la
existencia de tendencia en la serie, lo que conlleva un reducido alisado para
ajustarse mejor a estos cambios continuos. Por el contrario, una serie con
pequeñas oscilaciones irregulares aconsejará un
o
reducido (habitualmente
comprendido entre 0,01 y 0,4), que supondrá un fuerte alisado de la serie al
considerar un elevado número de valores anteriores de ésta.

Tanto el método de los promedios móviles como el alisado exponencial tienden a
ser ad hoc, en particular cuando se usan para generar pronósticos. Un problema
es que no se tiene forma de determinar el número correcto de rezagos o el valor
correcto de o , así que la elección de estos parámetros es un tanto arbitraria. Si el
objetivo es tan sólo la suavización de la serie para facilitar su análisis, este no es
un problema, ya que se puede elegir los parámetros para obtener la serie
suavizada que se desea.

El Eviews nos permite obtener en forma rápida un alisado exponencial de la serie,
a tal fin seleccionamos en el menú principal QUICK /SERIES STATISTICS /
EXPONENTIAL SMOOTHING e indicamos la serie a alisar (SVENTAS)
3






3
Es importante tener en cuenta que para que la serie con alisado exponencial incluya las
predicciones, antes de realizar el mismo hay que modificar el rango de la serie (range) para que
incluya el periodo a proyectar.



27






El menú que se encuentra en la opción EXPONENTIAL SMOOTHING nos permite
realizar distintos tipos de alisados exponensiales, en función de las características
que presente la serie. El primero de ellos, Simgle, es el alisado exponencial

simple, par el que Eviews proporcuiona un monbre a la serie que recogerá los
valores alisados SVENTASM, que podemos midificar si queremos, Asimismo nos
da la opción de calcular automáticamente los valores de los parámetros, en este
caso solo o , o bien podemos iuntroducir arbitrariamente un valor comprendido
entre 0 y 1.

Al permitir que el propio programa calcule automáticanmente el valor de o que
minimice la suma al cuadrado de los residuos, calculados estos como la diferencia
entre la serie original y la serie alisada, obtenemos los siguientes resultados:










28


A continuación se presenta un gráfico de la serie original y la serie con alisado
exponencial simple..





Es importante destacar que las proyecciones recogidas en SVENTASM no reflejan
las variaciones estacionales, par obtener las proyecciones deseadas creamos
multiplicamos las proyecciones obtenidas por los factores estacionales obtenidos.








29



En este caso se estimaron los primeros 3 meses del año 1999.

Relación de la media móvil PROYECCION
SVENTASM FACTOR VENTAS
ENE 103,8316 1,0603 110,093
FEB 103,8316 0,8621 89,513
MAR 103,8316 0,9302 96,584



Eviews, en el menú de EXPONENTIAL SMOOTHING, trae adicionalmente los
métodos de alisado exponencial: El doble alisado de Brown o de alisado
exponencial lineal con parámetro único y el alisado exponencial lineal con doble
parámetro o técnica de Holt-Winters.

Ambos métodos se utilizan para eliminar el sesgo en la predicción de series de
tiempo con tendencia aproximadamente lineal.

El método adecuado (simple, doble y el de Holt-Winters) será aquel que minimice
la sumatoria del cuadrado de los residuales (Sum os Squared Residuals)


3. METODOLOGIA DEL FILTRO DE HODRICK–PRESCOTT .

Hodrick y Prescott en 1980, propusieron un filtro que descompone la series de
tiempo macroeconómicas en un componente tendencial no estacionario
4
y un


4
El concepto de serie estacionaria se tratará en el capítulo II



30
residuo cíclico estacionario. De esta manera es posible utilizar el filtro para estimar
la tendencia estocástica de una serie, si existen evidencias de que no la describe
correctamente una tendencia determinística

De acuerdo con este método es preciso encontrar la serie Y*
t
(tendencia) que
minimice :
t
N
=
¿
1
( Y
t
- Y
t
* )
2
+ ì
t
N
=
¿
2
( AY
t
- AY
t
* )
2
la serie Y
t
* equivale a la
variable potencial y ì es el parámetro de suavización, en una serie estacionaria la
tendencia es casi paralela al eje X. El filtro de Hodrick – Prescott es quizá el
método mas frecuentemente utilizado para determinar la tendencia de una serie
estacionaria, sin embargo ha sido sujeto a criticas diversas. Entre ellas destaca el
hecho de que la determinación ex ante del parámetro de suavización esta sujeta a
la discrecionalidad del investigador, que los extremos de la serie de tendencias
están deficientemente definidos y que induce un comportamiento cíclico espurio
en los datos. Sin embargo el método representa un patrón contra el cual pueden
compararse otros métodos de estimación para series estacionarias. Bello y Ruiz
5

(2005) adicionalmente señalan que el filtro de Hodrick y Prescott está diseñado
para tratar problemas de largo plazo por lo que presenta comportamientos
inusuales y es susceptible de alteraciones en los valores extremos, lo que trae
como consecuencia que si esta herramienta se utiliza para análisis de corto plazo,
se puede incurrir en apreciaciones incorrectas

Para estimar el filtro de Hodrick–Prescott con Eviews, teniendo la serie activa,
seleccionamos en el menú secundario PROCS / HODRICK–PRESCOTT FILTER





Con lo cual aparece el siguiente cuadro de diálogo:









5
Bello, Omar D. Y Alexander Ruiz. “ El filtro de Hodrick y Prescott y el análisis de corto plazo”.
Banco Central de Venezuela. 2005. mimeo.



31




Donde en la parte superior izquierda se registra el nombre deseado o el que
Eviews coloca por defecto, de la serie suavizada . y en lado inferior observamos el
valor del parámetro de suavización.



4. INDICADORES O MEDIDAS DE ERROR
Como se ha señalado el objetivo principal de las series de tiempo, es el de poder
realizar estimaciónes futuras de la serie. Para lo cual se requiere elegir un método
que nos garantice exactitud
6
, entendiendose por tal, que tan bien puede reproducir
el módelo de predicción los datos que ya se conocen.

En los modelos de serires de tiempo, es posible utilizar un subconjunto de los
datos conocidos para pronosticar lo que queda de los datos conocidos,
posibilitándose el análisis de la precisión de los pronósticos más directamente.
Para el usuario de los pronósticos, la exactitud más importante es el de la

6
Makridakis Spyros y Esteven C. Wheelwrigth. “Métodos de Pronósticos”. Editorial Limusa. México.
2004. P.68



32
predicciónes futuras; que tan bien un modelo se ha ajustado a los datos históricos
disponibles es de poco o ningun valor. Las preguntas que más frecuentemente se
hacen son:

1. ¿qué precisión adicional se puede lograr enuna situación dada mediante
el uso de una técnica formal de predicción? (¿Qué tan inexacto serán
loss pron´sticos si se basan en un enfoque muy simple o ingenuo más
que una técnica estadísticamente mas refinada?).
2. Para una situación dada, ¿Qué tanto mejoramiento se puede obtener en
la exactitud de la spredicciones?(¿Qué tan cerca se puede llegar a logro
de los pronósticos perfectos?).
3. Si se comprende la oportunidad para lograr una mayor exactitud. En
una situación dada, ¿cómo puede ayudar tal conocimiento para
seleccionar la técnica de predicción más apropiada?.

A continuación se presentan algunos indicadores que miden la fiabilidad de las
predicciones, en alguna medida todos ellos tratan de medir cuan alejado están los
valores proyectados de los valores reles o observados, por ende mientras menor
sean estos indicadores, mayor será la confiabilidad de los pronósticos realizados.

Sean
t
X =Valor observado real para el período t

t
F =Pronóstico para el período
( ) ~ ÷ =
t t t
F X e Término de error.

a. Error medio

n
e
ME
n
t
t ¿
=
=
1



b. Error cuadratico medio

n
e
MSE
n
t
t ¿
=
=
1
2




c. Desviacion absoluta de la media

n
e
MAD
n
t
t ¿
=
=
1




33

d. Error porcentual

( )
100 *
t
t t
t
X
F X
PE
÷
=


e. Error porcentual medio

n
PE
MAPE
n
T
t
t
¿
=
=
1


f. Error porcentual absoluto medio

n
PE
MAPE
n
T
t
t
¿
=
=
1































34
CAPITULO II
MODELOS AR, MA, ARMA, ARIMA y FUNCION DE
TRANSFERENCIA

Según J osé Otero
7
, una serie de tiempo o serie cronológica, es una sucesión de
valores observados de una variable referidos a momentos o a periodos de tiempo
diferentes, generalmente regulares. La característica distintiva entre una serie de
tiempo , en contraposición a las observaciones de corte transversal, es que los
datos aparecen ordenados cronológicamente.

Una serie de tiempo está conformada por las siguientes partes
8
:

Y =sistemática +determinista +aleatoria

La variable Y se dice ser estocástica por que su valor en cada momento del
tiempo está en función de una parte conocida bastante predecible y de una parte
desconocida o impredecible. La parte conocida, a su vez, contiene dos elementos:
uno sistemático que recoge patrones de comportamiento del fenómeno de interés
(como la estacionalidad) y otro determinista que recoge características
predeterminados de la serie. La parte puramente aleatoria está formada de
eventos no explícitamente considerados en el modelo o factores estocásticos
(tendencia estocástica)

En este capítulo describiremos la metodología para la estimación de un tipo de
modelos estocásticos especialmente útiles para la predicción de series de tiempo,
los modelos ARIMA (Autoregressive Integrated Moving Average) a través de la
metodología desarrollada por Box y J enkins
9
(1976) para tratar modelos lineales
univariantes. Los cuales están conformados por dos componentes, la parte
autorregresiva, a fin de recoger la parte determinista del modelo, y la partes de
promedios móviles, que pretende reflejar el componente estocástico.
1.PROCESOS ESTOCASTICOS

Un proceso estocástico| |
t
X , para t =1,2,3,..., se define como una colección de
variables aleatorias,
t
X , ordenadas de acuerdo con el parámetro discreto , que en



7
Otero, J osé M. “Modelos Econométricos y Predicción de Series Temporales”.Editorial AC.
España. 1989. p1.
8
Blanco Odio, Carlos M. “Aspectos Conceptuales Sobre Series de Tiempo”. Banco Central de
Venezuela. Mimeo,1997 p.6.
9
Box, George y Gwilym J enkis. “Time Series Analysis, Forecasting and Control”. San Francisco,
Calif. Holden Day. 1976.



35
nuestro contexto es el tiempo. En otras palabras se asume que cada valor
t
X X X ,..., ,
2 1
en la serie es extraído al azar de una distribución de probabilidad.

2. CAMINATA ALEATORIA

El ejemplo mas simple de una serie de tiempo estocástica es el proceso de
caminata aleatoria o Random Walk
10
. En el proceso más simple de caminata
aleatoria cada cambio sucesivo en
t
y es extraído en forma independiente de una
distribución de probabilidad con media 0. Por tanto,
t
y está determinado por:

t t t
y y c + =
÷1


con ( ) 0 =
t
E c , ( )
2 2
o c =
t
E y ( ) 0 =
s t
E c c para t= s. Dicho proceso puede ser
representado por los lanzamientos sucesivos de una moneda, donde una cara
recibe un valor de +1 y una cruz recibe un valor de –1.

A menudo, la caminata aleatoria es comparada con la caminata de una persona
ebria. Al dejar el bar, el ebrio se mueve a una distancia aleatoria
t
u en el tiempo t
si el o ella continúa caminando indefinidamente, se alejarán cada vez más del bar.
Lo mismo se dice acerca del precio de las acciones. El precio de las acción hoy es
igual al precio de la acción ayer más un “shock” o innovación aleatoria
11


Consideremos el caso en el que se requiere un pronóstico para un proceso de
caminata aleatoria. El pronóstico está dado por:

( ) ( )
t t t t t t
y E y y y y E y = + = =
+ + + 1 1 1 1
,..., / ˆ c

3. ESTACIONARIEDAD

Cuando se comienza a desarrollar modelos para series de tiempo, se desea saber
si es posible suponer que el proceso estocástico subyacente que generó la series
es invariable con respecto al tiempo. Si las características del proceso estocástico
cambian con el tiempo; es decir, si el proceso no es estacionario, en general será
difícil representar la serie de tiempo durante intervalos de tiempo pasados y
futuros con un modelo algebraico simple. Por el contrario, si el proceso estocástico
está fijo en el tiempo; es decir, si es estacionario, entonces podemos modelar el
proceso a través de una ecuación con coeficientes fijos que pueden estimarse a
partir de datos pasados.




10
Pindyck, Robert. Ob.Cit. p.515.
11
Gujarati, Damodar. Ob.Cit. p.702



36
En sentido amplio, se dice que un proceso estocástico es estacionario (o
débilmente estacionario) si su media y su varianza son constantes en el tiempo y
si el valor de la covarianza entre dos períodos depende solamente de la distancia
o rezago entre dos períodos de tiempo y no del tiempo en el cual se ha calculado
la covarianza. En otras palabras, una serie es estacionaria cuando su distribución
de probabilidad no depende del tiempo. Esto implica que a pesar de sus
oscilaciones la serie tiende a converger a un valor medio fijo, y su varianza es
constante.

Las series no estacionarias son aquellas cuya media o varianza cambian con el
tiempo. Cuando sólo la media depende del tiempo se dice que existe tendencia
determinística y cuando es la varianza la que depende del tiempo, se habla de
tendencia estocástica. Es de resaltar que la mayoría de las series económicas
encontradas en la práctica son no estacionarias. Un aspecto importante a
considerar con respecto a las series estacionarias, tiene que ver con la
innovaciones, lo que significa que mientras un shock tiene carácter transitorio en
series estacionarias, su efecto es permanente sobre fenómenos no estacionarios.

Gráfico Nº 1 Gráfico Nº 2














En el gráfico Nº 1
12
se puede observar una serie no estacionaria, en el mismo se
puede
observar claramente una tendencia, lo que es indicativo de que la media no es
constante para toda la serie. En el gráfico Nº 2 se muestra una serie de tiempo
estacionaria

La definición de estacionariedad en sentido estricto implica que las características
del proceso estocástico no sufren alteración al considerar tiempos históricos
diferentes


12
El ejemplo es tomado de Pulido, Antonio y Ana María López. Ob.Cit. y el mismo consiste en una
serie de tiempo que abarca el periodo 1980-1998, con periodicidad mensual de un indicador de
renta salarial real para la economía española.



37
A continuación se presenta un cuadro resumiendo las características principales
de una serie estacionaria y de una no estacionaria:

ESTACIONARIA NO ESTACIONARIA
Tiene una media constante y hay una
tendencia de la serie a volver hacia esta
media cuando se ha desviado de ella. Por
tanto tiende a fluctuar alrededor de la media
Tiene un comportamiento divagante, en el
sentido de que no se manatiene sobre un
valor medio a lo largo de su historia.
Tiene autocorrelaciones que decrecen
rapidamente al alejernos en el tiempo
Las autocorrelaciones tienden a uno para
cualquier retardo
Tiene varianza finita e independiente del
tiempo
La varianza depende del tiempo.
Tiene memoria limitada de su
comportamiento pasado. Por tanto los
efectos de un Shock aleatorio son sólo
transitorios y van decreciendo (perdiendo
fuerza) en el tiempo.
El proceso tiene memoria ilimitada y, por
tanto, un shock aleatorio tendrá efectos
permanentes en el proceso.



Muy pocas series económicas de tiempo son estacionarias. Los motivos de la falta
de estacionariedad suelen ser:

a) Se presenta una tendencia.
b) La varianza no es una constante.
c) Hay variaciones estacionales.

La presencia de variaciones estacionales se traduce en una variabilidad de la
media del proceso, lo que es contrario a la hipótesis de estacionariedad.
Afortunadamente, es posible transformar muchas series económicas de tiempo en
otras estacionarias, sometiéndolas a operaciones algebraicas.


4. RAICES UNITARIAS, OPERADOR DIFERENCIA Y ORDEN DE
INTEGRACION DE UNA SERIE DE TIEMPO

es importante destacar la asociación existente entre la noción de serie no
estacionaria y raíz unitaria, para ello consideramos la siguiente representación
autorregresiva de la serie X
t:

t t t
a X X + =
÷1
|
donde
t
a es un ruido blanco







38
utilizando el operador de retardo ( )
j t t
j
X X B
÷
= obtenemos la siguiente
representación:
t t t t
BX a X X | | = + =
÷1


t t t
a BX X = ÷ ¬ |

( )
t t
a X B = ÷ ¬ | 1

( )
t t
a X B = ¬| donde ( ) ( ) B B | | ÷ = 1

( )
t t
a X B = | es la representación general de un modelo autorregresivo de orden 1

Obsérvese que ( ) B | es un polinomio de grado 1, cuya raíz viene dada por
|
ì
1
= :
( ) ì
|
| = = ¬ = ÷ B B
1
0 1

Ahora bien, un resultado teórico establece que un modelo como el anterior es
débilmente estacionario si toda raíz ì de ( ) B | cumple con las siguiente condición:

1 > ì
(la raíz está fuera del circulo unitario)

-1 0
1



1 1
1
< ¬ > ¬ |
|

-1 0
1


El caso de mayor interés es cuando , esto es, cuando existe raíz unitaria, y se
puede probar que cuando esto ocurre, la varianza de X
t
no es finita, en otras





39
palabras, la serie es no estacionaria. De allí que la relación fundamental que
siempre se ha de tener en cuenta es: EXISTENCIA DE RAICES UNITARIAS
EQUIVALE A NO ESTACIONARIEDAD

NO ESTACIONARIEDAD
·
EXISTENCIA DE
RAICES
UNITARIAS
¹
CRECIMIENTO EXPLOSIVO


SI 1 = |

t t t
a X X + =
÷1
|

t t t
a X X + =
÷1
=caminata aleatoria
¬proceso integrado
¬no estacionario

Saber que existen raíces unitarias provee de la transformación necesaria para
superar el problema de la no estacionariedad. Considerando nuevamente una
representación autorregresiva para X
t
, si existe raíz unitaria se tiene que:

t t t
a X X + =
÷1
:

t t t
a X X = ÷ ¬
÷1


denotando
1 ÷
÷ = A
t t t
X X X y sustituyendo en la ecuación anterior, resulta:

t t
a X = A ·

La primera diferencia de X
t
es estacionaria, de forma que la no estacionariedad se
supera diferenciando la serie tantas veces como raíces unitarias posea.

En general, diremos que una serie X
t
es integrable de orden d, si debe ser
diferenciada d veces para alcanzar estacionariedad y se denota:

X
t
~I(d)








40
5. PRUEBA DE ESTACIONARIEDAD BASADA EN EL
CORRELOGRAMA

Una prueba sencilla de estacionariedad está basada en la denominada función de
autocorrelación (ACF). La ACF al rezago k, denotada por
k
µ , se define como:

ianza
k rezago al arianza
k
k
var
. . . cov
0
= =
¸
¸
µ

Puesto que la covarianza y la varianza están medidas en las mismas unidades,
k
µ
es un número sin unidad de medida, o puro. Se encuentra entre –1 y +1, igual que
cualquier coeficiente de correlación, Si se grafica
k
µ frente a k, la gráfica obtenida
se conoce como correlograma.

Para obtener el correlograma en Eviews, seleccionamos
VIEWS/CORRELOGRAM.

La ACF de las series estacionarias disminuye sensiblemente a medida que
aumenta el desfase temporal K (gráfico Nº 3). Esto no suele ocurrir con las series
estacionarias (gráfico Nº 4).

Gráfico Nº 3





41
En el gráfico Nº 3 se aprecia como la función de autocorrelación decrece
rápidamente, ya para la observación 2, esta función es cercana a cero, lo cual es
indicativo de una serie estacionaria.


En el caso de un proceso estocástico puramente aleatorio, su autocorrelación en
cualquier rezago mayor que cero es cero.


Gráfico Nº 4


En el gráfico Nº 4 se aprecia que la ACF decrece exponencialmente y de forma
lenta, mientras que la función de autocorrelación parcial presenta un valor
significativo en el retardo uno, con un coeficiente de autocorrelación cercano a la
unidad (0,941). Este gráfico puede considerarse como indicativo de la no
estacionariedad.

6. PRUEBA DE RAIZ UNITARIA SOBRE ESTACIONARIEDAD –
PRUEBA DICKEY – FULLER (ADF).

Dado el siguiente modelo autorregresivo de primer orden
13
:
t t t
u Y Y + =
÷1
donde
t
u
es el término de error estocástico que sigue los supuestos del modelo clásico,
tiene media cero, varianza constante y no esta autocorrelacionado. Un término de
error con tales propiedades es conocido también como término de error de ruido
blanco (White noise). Ahora bien si el coeficiente de
1 ÷ t
Y es igual a 1, surge lo que


13
Gujarati, Damodar. Ob.Cit. p.702



42
se conoce como el problema de raíz unitaria es decir, una situación de no
estacionariedad. Por consiguiente al realizar la regresión
t t t
u Y Y + =
÷1
µ y se
encuentra que 1 = µ , entonces se dice que la variable estocástica
t
Y tiene una raíz
unitaria.

Si a la ecuación anterior se le resta
1 ÷ t
Y podemos hallar una forma alternativa de
expresarla de muy frecuente utilización:

t t t t t
u Y Y Y Y + ÷ = ÷
÷ ÷ ÷ 1 1 1
µ

( )
t t t
u Y Y + ÷ = A
÷1
1 µ

t t t
u Y Y + = A
÷1
o

donde ( ) 1 ÷ = µ o y A se el operador de primera diferencia
1 ÷
÷ = A
t t
T Y . Si se
cumple la hipótesis nula de 0 = o el modelo se puede escribir de la siguiente
forma:
t t
u Y = A , lo cual nos indica que la primera diferencia de una serie de tiempo
de caminata aleatoria es una serie de tiempo estacionaria porque por supuestos,
t
u es puramente aleatoria.

Lo anterior supone que una serie de tiempo no estacionaria, se puede convertir en
estacionaria diferenciándola. Ahora bien, si una serie de tiempo ha sido
diferenciada una vez y la serie diferenciada resulta estacionaria, se dice que la
serie original (caminata aleatoria) es integrada de orden 1, y se denota por I(1). En
forma similar, si la serie original debe ser diferenciada dos veces (es decir, debe
tomarse la primera diferencia de la primera diferencia) para hacerla estacionaria,
se dice que la serie original es integrada de orden dos, o I(2). En general, si una
serie de tiempo debe ser diferenciada d veces, esta se dice que esta es integrada
de orden d, o I(d). En su gran mayoría las series de tiempo económicas son
integrada de orden uno, o I(1).

Para saber si una serie es estacionaria o no, se debe determinar si µˆ es
estadísticamente igual a uno ( ) 1 ˆ :
0
= µ H , o si o
ˆ
es estadísticamente igual a cero
( ) 0
ˆ
:
0
= o H . Lamentablemente, los estadísticos t que se obtengan no siguen una
distribución t de Student aun en muestras grandes.

Bajo la hipótesis nula de 1 = µ , el estadístico t calculado se conoce como el
estadístico t (tau), cuyos valores críticos han sido tabulados por Dickey-Fuller
14
,
por lo que a esta prueba se conoce como la prueba de Dickey-Fuller (DF).


14
A. Dickey y W.A. Fuller. Distribution of the Estimators for Autoregressive Time Series with a Unit
Root”. J ournal of the American Statistical Association. Vol. 4 1979.



43
Posteriormente, las tablas con los valores críticos, fueron ampliadas por
Mackinnon.

Por razones teóricas y prácticas, la prueba de Dickey-Fuller se aplica a
regresiones efectuadas en las siguientes formas:


t t t
u Y Y + = A
÷1
o

t t t
u Y Y + + = A
÷1 1
o |

t t t
u Y t Y + + + = A
÷1 2 1
o | |

Donde t es la variable tiempo o tendencia. En cada caso, la hipótesis nula es que
0 = o , es decir que hay una raíz unitaria, o lo que es lo mismo, la variable
estocástica no es estacionaria.

Si el término de error
t
u está correlacionado, se modifica la ecuación
t t t
u Y t Y + + + = A
÷1 2 1
o | | de la siguiente forma:


t
m
i
i t t t
u Y Y t Y + A + + + = A
¿
=
÷ ÷
1
1 1 2 1
o o | |

donde, por ejemplo, ( )
2 1 1 ÷ ÷ ÷
÷ = A
t t t
Y Y Y , ( )
3 2 2 ÷ ÷ ÷
÷ = A
t t t
Y Y Y , etc., es decir se utilizan
términos en diferencia rezagados. El número de términos en diferencia rezagados
que deben incluirse con frecuencia se determina empíricamente, siendo la idea
incluir suficientes términos, de tal manera que el termino de error
t
u sea
serialmente. Independiente (ruido blanco). La hipótesis nula es la misma, es decir
que existe una raíz unitaria en
t
Y (o lo que es igual,
t
Y es no estacionaria). Esta
prueba se llama Dickey-Fuller aumentada (ADF)

En el paquete Eviews, se puede obtener fácilmente la prueba de Dickey-Fuller,
para tal fin seleccionamos VIEWS/UNIT ROOT TEST, con lo cual obtenemos el
siguiente cuadro:













44





Como se puede observar, en el cuadro se pueden identificar cuatro áreas: en la
superior izquierda, identificamos que prueba se utilizará, la de Dickey-Fuller
aumentada o la de Phillips-Perron (que se tratará mas adelante). En la inferior
izquierda, indicamos si la prueba se va a realizar sobre la serie en niveles,
primeras diferencias o segundas diferencias de la serie original. En el área
superior derecha, especificamos la forma funcional del modelo a regresar: con
intercepto solamente, con tendencia e intercepto, o finalmente, sin tendencia ni
intercepto. Para esta parte resulta bastante importante ver el gráfico de la serie.
Finalmente, en el área inferior derecho, indicamos el número de rezagos de la
variable en diferencias que se va a utilizar.

Por ejemplo, seleccionando:




Se obtiene el siguiente cuadro



45




El estadístico del test ADF (-2,749934) coincide con el estadístico t de la variable
dependiente retardada IRENTA(-1), incluida como regresor en la ecuación
estimada.

La hipótesis nula ( :
0
H existe una raíz unitaria) se acepta si el estadístico t es
menor que los valores críticos de Mackinnon. En este ejemplo, comprobamos que
la hipótesis nula se acepta a cualquiera de las de los tres niveles de significación
presentados (1%, 5% y 10%), es decir, la serie IRENTA, presenta una raíz
unitaria, es decir, no es estacionaria. Adicionalmente, podemos ver que tanto la
tendencia como el intercepto son significativos a un 5%.

Es importante destacar que un requisito para que esta prueba sea válida, es que
el término de perturbación sea un ruido blanco, por lo cual, se hace necesario ver
el correlograma de los residuales







46


Para que sea ruido blanco, los residuales no deben estar autocorrelecionados. En
el correlograma se puede observar que los primeros 6 coeficientes de correlación
no son significativos, con lo cual podríamos interpretar que el término de
perturbación
t
u es un ruido blanco, por lo tanto la prueba del Dickey-Fuller es
válida En el caso de que no fuera un ruido blanco, se realiza una nueva prueba de
Dickey-Fuller aumentada, incluyendo rezagos de la variable en diferencias.


A continuación se presenta un cuadro con el tipo de cambio promedio para
Venezuela para el período 1996-2002. Se pide determinar si la serie es
estacionaria o no.
















CUADRO Nº 1
VENEZUELA - TIPO DE CAMBIO PROMEDIO
(millones de US$)
1996 1997 1998 1999 2000 2001 2002
ENERO 290,00 476,84 507,29 568,84 652,15 699,70 761,55
FEBRERO 290,00 474,40 514,64 577,10 658,51 702,58 884,21
MARZO 290,00 478,40 520,90 579,40 666,12 705,52 947,22
ABRIL 360,47 479,25 530,08 587,29 672,01 709,64 876,54
MAYO 468,89 483,27 537,05 595,63 679,53 714,39 965,48
JUNIO 471,25 485,63 542,00 602,13 680,55 716,69 1196,74
JULIO 470,75 491,25 557,39 610,56 685,21 722,00 1328,98
AGOSTO 474,20 495,90 570,19 615,22 688,89 730,82 1373,93
SEPTIEMBRE 476,12 496,79 584,42 624,48 690,08 742,94 1457,20
OCTUBRE 470,01 498,62 571,25 630,19 692,46 743,07 1452,32
NOVIEMBRE 471,57 499,93 569,25 634,15 695,31 744,73 1366,60
DICIEMBRE 474,73 502,80 566,19 643,35 698,34 751,91 1320,67
FUENTE: B.C.V.
EJERCICIO Nº 1



47
En primer lugar debemos observar el gráfico de la serie:

Gráfico Nº 5



En el gráfico Nº 5, se observa que la serie de tiempo muestra una clara tendencia
ascendente, por lo que la media no puede ser constante, lo que evidencia que la
serie no es estacionaria en niveles.

En segundo lugar vemos el correlograma:

Gráfico Nº 6
Correlograma TCP


Observando el correlograma, vemos como la función de autocorrelación decrece

exponencialmente y de forma lenta, mientras que la función de autocorrelación
parcial presenta un valor significativo en el retardo uno, con un coeficiente de



48

autocorrelación cercano a uno (0,93). Este gráfico puede considerarse como
indicativo de la no estacionariedad de la serie, es decir, presenta raíz unitaria.


Para comprobar de forma más exhaustiva esta característica de la serie,
procedemos a aplicar la prueba de raíces unitarias. Seleccionando en el cuadro de
diálogo de aplicación de la prueba ADF (datos en niveles, tendencia, intercepto y
tres rezagos). Eviews nos presenta los siguientes resultados:















49
GRAFICO Nº 7
CORRELOGRAMA DE
LOS RESIDUOS





El estadístico ADF (-3,4181) es menor que el valor crítico de Mackinnon a un 5%
de significación, por lo que se acepta la hipótesis nula, es decir, la serie TCP
presenta raíz unitaria, no es estacionaria.

A continuación se presenta la prueba de Dickey-Fuller para la primera diferencia
del tipo de cambio promedio y el correlograma de los residuales:










50



7. PRUEBA DE PHILLIPS-PERRON (test PP)

Phillips y Perron
15
propusieron en 1988 un método no paramétrico para controlar
la correlación serial de orden elevado en una serie. La prueba de regresión
contenida en el test PP es el proceso autorregresivo de primer orden AR(1):

t t t
Y Y c | o + + = A
÷1


Mientras que la prueba ADF corrige la correlación serial de orden elevado
añadiendo más retardos del término diferenciado de la serie original en el lado
derecho de la ecuación, el test PP realiza una corrección del estadístico t sobre el
coeficiente en la regresión AR(1) para considerar la correlación serial en el término
c .

La distribución asintótica del estadístico t del test PP es la misma que la del
estadístico t de la prueba ADF y se contrastan los resultados del test con los
valores críticos de Mackinnon. Igual que en la prueba ADF tenemos que
especificar si incluimos una constante, constante mas término de tendencia o nada
en la regresión, para el test PP además hay que especificar el numero de períodos
de correlación serial a incluir.






15
Pulido, Antonio y Ana María López. Ob.Cit. p.271



51























8. ESTACIONALIDAD

La estacionalidad
16
es un comportamiento cíclico que se apoya en un calendario
común. Un ejemplo de una serie de tiempo muy estacional sería la venta de
juguetes, la cual exhibe un punto máximo en la temporada de navidad.

A menudo los puntos máximos o mínimos estacionales pueden identificarse
fácilmente mediante la observación directa de la serie, pero en el caso en que la
serie de tiempo fluctúa en forma considerable, éstos no pueden distinguirse de las
otras fluctuaciones. La identificación de la estacional es importante, debido a que
proporciona información acerca de la regularidad en la serie que puede ayudarnos
a hacer un mejor pronóstico.

A través de la función de correlación podemos identificar la posible estacionalidad
de la serie. Si una serie de tiempo mensual presenta estacionalidad anual, los
datos individuales en la serie mostraran algún grado de correlación con los datos
individuales correspondientes que se rezagan por 12 meses.



A continuación observamos el correlograma de la serie IRENTA en primeras
diferencias (la cual es estacionaria). En el mismo se puede ver los coeficientes de

16
Pindyck. Robert y Daniel L. Rubinfeld. Ob.Cit. p.530



52
correlación para las observaciones 12 y 24 son significativos, indicando una
estacionalidad anual

GRAFICO Nº 8






















Si la estacionalidad fuera semestral, por ejemplo, los coeficientes de correlación
para las observaciones 6,12,18,24.... serían significativos.

9. MODELO AUTORREGRESIVO DE ORDEN p (AR(p))

Un modelo autorregresivo de orden p la observación actual
t
Y es función del
promedio ponderado de observaciones pasadas que se remontan p periodos,
junto con una perturbación estocástica en el período actual. Denotamos este
proceso como AR(p) y escribimos su ecuación de la siguiente forma:

t p t p t t t t
Y Y Y Y Y c | | | | o + + + + + + =
÷ ÷ ÷ ÷
...
3 3 2 2 1 1


donde o es una constante y
t
c es un ruido blanco.


Se debe recordar que con un modelo autorregresivo de orden p, se pretende
recoger la parte determinista de la serie de tiempo, es decir, las características




53
predeterminadas y propias de la misma. En la práctica habitual lo mas frecuente
es trabajar con modelos autorregresivos de orden bajo, AR(1) o AR(2).

Un AR(p) se caracteriza por el siguiente comportamiento: Una función de
correlación
Con decaimiento exponencial o suave hacia cero y una función de autocorrelación
parcial que se anula a partir del p-esimo rezago.

Por ejemplo en el correlograma del tipo de cambio promedio (gráfico Nº 6),
observamos un posible AR(1) o AR(2)

En los modelos autorregresivos la estacionalidad se trata a través de los modelos
SAR(s)

SAR(s) :
t s t t
Y Y c | | + + =
÷ 0


S =4 para datos trimestrales
S =12 para datos mensuales


10. MODELO DE PROMEDIO MOVIL DE ORDEN q (MA(q))

Este tipo de modelo establece que el valor actual de la serie es determinado por
movimientos no predecibles (aleatorios) de la misma en el pasado. Tales
fluctuaciones de carácter no determinístico son representadas a través de
perturbaciones aleatorias del tipo ruido blanco.

Denotamos este modelo como MA(q) y escribimos su ecuación como:


q t q t t t t t
Y
÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷ + = c u c u c u c u c µ ...
3 3 2 2 1 1
blanco ruido
t
. = c

Se puede decir que un MA(q) es sencillamente una combinación lineal de
términos de error de ruido blanco.

con un modelo de promedio móvil de orden q, se pretende recoger la parte
puramente aleatoria de la serie de tiempo al igual que en los modelos
autorregresivos, los ordenes suelen ser pequeños.

Un modelo de promedio móvil de orden q se caracteriza por una función de
autocorrelación que se anula a partir de q-esimo rezago y una función de

correlación parcial con decaimiento exponencial o suave hacia cero.

En los modelos de promedio móvil la estacionalidad se trata a través de los
modelos MAR(s)



54

MAR(s) :
s t t t
Y
÷
+ + = uc c µ

S =4 para datos trimestrales
S =12 para datos mensuales


11. MODELO AUTORREGRESIVO DE PROMEDIO MOVIL
(ARMA(p,q))

La combinación de los modelos anteriormente señalados, da a lugar lo que se
conoce como modelo autorregresivo de promedio móvil (ARMA), de gran poder
explicativo y que se aplica básicamente a series de tiempo que no muestran
tendencia.

El caso mas simple y frecuente de orden (1,1), quedaría definido como:

1 1 1 1 ÷ ÷
÷ ÷ + =
t t t t
Y Y c u c | µ



y en el caso mas general, un modelo ARMA(p,q) correspondería a la expresión:

q t q t t p t p t t
Y Y Y
÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ + + + = c u c u c | | µ ... ...
1 1 1 1


Resulta lógico pensar entonces que los modelos autorregresivos corresponden a
modelos ARMA(p,0) y los de promedios móviles a modelos ARMA(0,q).

Un modelo ARMA se caracteriza por que tanto la función de correlación como la
de correlación parcial decaen suavemente a cero..

12. MODELO AUTORREGRESIVO INTEGRADO DE PROMEDIO
MOVIL (ARMA(p,d,q))

Si se debe diferenciar una serie de tiempo d veces para hacerla estacionaria y
luego aplicar el modelo ARMA(p,q), se dice que la serie de tiempo original es
ARIMA(p,d,q), es decir una serie autorregresiva integrada de promedios móviles,
donde p denota el número de términos autorregresivos, d el número de veces que
la serie debe ser diferenciada para hacerse estacionaria y q, el número de

términos de promedio móvil.

En general, un modelo ARIMA(p,d,q) corresponderá a la expresión
17
:

17
Pulido, Antonio y Ana María López. Ob.Cit. p.262



55

q t q t t p t
d
p t
d
t
d
Y Y Y
÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ A + + A = A c u c u c | | ... ...
1 1 1 1


en la que se ha eliminado el término independiente, el cual frecuentemente es nulo
al trabajar con series en diferencias.

Otra forma de expresar el modelo es utilizando el operador de retardo B, el cual
aplicado al valor de una variable, desfasa esta en un período:

1 ÷
=
t t
Y BY
y aplicado en forma sucesivamente j veces, desfasa en j períodos:

j t t
j
Y Y B
÷
=

Utilizando el operador de retardo, el modelo Arima puede expresarse de la
siguiente forma:

( )( ) ( )
t
q
q t
d
p
p
B B y B B B c u u | | ÷ ÷ ÷ = ÷ ÷ ÷ ÷ ... 1 1 ... 1
1



o en forma mas condensada:

( ) ( )
t q t
d
p
B Y B c u | = V


ejemplo de modelo ARIMA(1,1,1)
18


( )
t t
B Y B c u |
1
1
1
) ( = V

( )( )
t t
B Y B B c u | ) 1 ( 1 1
1 1
÷ = ÷ ÷

( )
1 1 2 1 1
) (
÷ ÷ ÷
÷ = ÷ ÷ ÷
t t t t t t
Y Y Y Y c u c |





DECISIÓN SOBRE LOS ORDENES p Y q


18
Pulido, Antonio y Ana María López. Ob.Cit. p.263



56
Una guía
19
bastante aceptable para decidir sobre el orden de q y p en un modelo
ARIMA es observando las funciones de correlación y correlación parcial. Un
proceso autorregresivo se caracteriza por una función de autocorrelación
decreciente (geométricamente, con valores de igual signo, alternantes o incluso
ondulados) y una función de autocorrelación parcial con uno o dos coeficientes
sólo significativos según que el modelo apropiado sea AR(1) o AR(2). Los modelos
MA() y MA(2) se caracterizan por un comportamiento similar a los procesos
autorregresivos pero cambiando las funciones, es decir, una función de
autocorrelación parcial decreciente y una función de autocorrelación con uno o dos
coeficientes sólo significativos. Por último un proceso ARMA(1,1) se caracteriza
por que ambas funciones de autocorrelación muestran tendencias decrecientes
con todas las posibles combinaciones de cada tipo de decrecimiento
(geométricamente, con o sin cambio de signos, y ello en cada una de las
funciones).




























13. METODOLOGÍA DE BOX - JENKIS


19
Pulido San Roman, Antonio y J ulián Pérez García. Modelos Econométricos. Ediciones Pirámide
S.A.. Madrid. 2001. P.648
k
µ
kk
|
ACF PACF
Ejemplo de un correlograma característico
de un proceso AR(1)
k
µ
kk
|
ACF PACF
Ejemplo de un correlograma característico
de un proceso MA(1)
k
µ
kk
|
ACF
PACF
Ejemplo de un correlograma característico
de un proceso ARMA(1,1)



57
La metodología de Box – J enkis para la estimación de un modelo ARIMA, está
conformado en forma general por cuatro etapas:

- Identificación: Se apoya en dos instrumentos gráficos que miden el grado
de correlación serial en la serie de tiempo. Estas herramientas son: la
función de autocorrelación (ACF) y la función de autocorrelación parcial
(PACF). La idea central es cada modelo se asocia con un ACF y PACF
teóricas.
- Estimación: En esta etapa se obtienen estimaciones de los parámetros del
modelo elegido en la etapa de identificación.
- Diagnóstico-Chequeo: Se utilizan test estadísticos que permiten determinar
si el modelo es estadísticamente adecuado, es decir, si los residuos del
modelo son no correlacionados. Además los test dan indicios de cómo
reformular en caso de ser necesario.
- Predicción: Una de las características que hacen atractiva la utilización de
un modelo ARIMA, es su capacidad de predicción. En muchos casos las
predicciones obtenidas por este método son más confiables que aquella
obtenidas de la elaboración tradicional de modelos, particularmente para
predicciones a corto plazo.

En forma mas detallada, las etapas para construir un modelo ARIMA son
20
:

1. Recopilación de los datos: Para aplicar esta técnica se necesita un mínimo
de 20 datos o observaciones para series no estacionales y al menos 30-40
para series estacionales. Sin embargo, es conveniente de 50 o mas datos y
para el caso, muy frecuente, de series mensuales, es frecuente trabajar
entre seis y diez años completos de información.
2. Representación gráfica de la serie: Para decidir sobre la estacionalidad de
la serie es de gran utilidad disponer de un gráfico de la misma.
3. Transformación previa de la serie: La transformación logarítmica es
necesaria en caso de heterocedasticidad. Sin embargo, es una
transformación muy frecuente, incluso en series con dispersión
relativamente constantes en el tiempo. Una posibilidad práctica es ensayar
siempre con la serie original y en logaritmos y comparar resultados.
4. Estacionalidad: La observación del gráfico de la serie, conjuntamente con el
correlograma y la prueba de Dickey – Fuller, nos indicará la estacionariedad
o no del modelo, Igualmente nos indicará si hay que aplicar diferencias o
no de la variable. Como se comentó anteriormente, la mayoría de las
variables económicas son I(1), lo cual obliga a diferenciar una sola vez a la
variable, d=1.


5. Identificación del modelo: El paso siguiente consiste en determinar el tipo
de modelo más adecuado para la serie objeto de estudio, es decir, el orden
de los procesos autorregresivos y de promedios móviles de los

20
Ibíd. P.285



58
componentes regular y estacional, (valores de p, q, P y Q). Técnicamente,
esta decisión se tomará a partir de las funciones de autocorrelación y
autocorrelación parcial. Habitualmente se terminará eligiendo entre los
procesos mas simples: AR(1), AR(2), MA(1), MA(2) Y ARMA(1,1), tanto en
la parte regular como la estacional. En caso de duda pueden seleccionarse
varios modelos alternativos, que serán estimados y contrastados
posteriormente, para decidir el que se adoptará en definitiva.
6. Estimación del modelo: Decidido el modelo, se procede a la estimación del
mismo. El programa Eviews permite el calculo automático del modelo
ARIMA.
7. Contraste de validez conjunta del modelo: Se utilizan diversos
procedimientos para valorar el modelo o modelos inicialmente
seleccionados: contraste de significación de los parámetros, covarianza
entre estimadores, coeficientes de correlación, etc.
8. Análisis detallado de los residuales: Deberá comprobarse un
comportamiento no sistemático de los mismos, así como se debe analizar la
posible existencia de residuales especialmente significativos.
9. Selección del modelo definitivo: Con base en los resultados obtenidos en
las etapas precedentes, se deberá escoger el modelo definitivo.
10. Predicción: El modelo seleccionado servirá como fórmula inicial de
predicción. Deberá comprobarse la congruencia de las predicciones con los
valores ya conocidos y analizar a los errores que se vayan cometiendo. El
modelo podré reestimarse con la nueva información disponible o incluso
reiniciar todo el proceso en caso de resultados no satisfactorios.

Finalmente es importante mencionar y recalcar la importancia que tiene la
estacionariedad de la serie de tiempo después de una o más diferenciaciones para
la metodología de Box – J enkis. El objetivo de esta, es identificar y estimar un
modelo estadístico que pueda ser interpretado como generador de la información
muestral. Entonces, si este modelo estimado va a ser utilizado para predicción, se
debe suponer que sus características son constantes a través del tiempo y,
particularmente , en periodos de tiempo futuro. Así la simple razón para requerir
información estacionaria es que cualquier modelo que sea inferido a partir de esta
información pueda ser interpretado como estacionario o estable, proporcionando,
por consiguiente, una base válida para predicción
21
.









21
Gujarati, Damodar. Ob.Cit. P. 721.



59
A continuación se presenta una serie de tiempo para los precios reales de la
cesta petrolera venezolana para el periodo enero 1980 – mayo 2001
22
.


Precio Petroleo de la cesta venezolana
en términos reales de los precios IPC de los EE.UU.
USD de 1984
(USD/B)
1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991
ENERO 33,12 36,80 30,85 26,63 26,74 25,02 21,98 14,69 12,08 12,74 14,69 15,43
FEBRERO 32,79 36,89 29,58 26,51 26,15 24,74 16,18 13,81 11,35 12,06 13,19 11,98
MARZO 32,21 35,23 27,64 24,84 25,62 25,26 12,33 14,43 10,70 12,99 12,30 12,52
ABRIL 29,51 33,88 27,64 24,07 25,75 24,48 11,17 14,37 12,19 15,65 11,44 10,96
MAYO 30,13 33,61 28,63 25,15 25,89 24,25 10,96 15,08 12,48 15,17 11,50 11,57
JUNIO 31,23 31,71 28,75 24,62 25,98 25,03 10,60 14,22 12,32 13,81 11,18 10,79
JULIO 31,77 30,21 28,34 25,13 25,59 23,88 8,97 15,88 12,30 12,74 11,56 10,96
AGOSTO 31,45 30,65 27,92 25,61 25,57 22,90 10,07 15,25 11,67 11,91 18,28 11,54
SEPTIEMBRE 30,83 30,70 27,78 26,11 25,75 23,50 10,89 14,23 11,37 13,48 21,17 10,16
OCTUBRE 31,88 30,76 28,44 25,74 25,60 23,80 10,10 14,58 10,08 13,18 20,76 13,34
NOVIEMBRE 33,18 30,75 28,51 26,30 25,11 23,51 11,07 14,41 10,40 13,31 19,75 12,05
DICIEMBRE 34,25 31,19 28,15 25,35 24,70 23,10 11,03 11,59 10,46 15,92 17,32 11,59
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 9,12 10,13 7,77 9,43 9,84 13,56 8,63 5,61 13,99 13,24
FEBRERO 9,05 10,15 8,13 9,34 10,26 11,99 7,52 5,12 15,20 12,78
MARZO 8,70 10,52 7,78 9,72 11,33 10,99 7,05 6,67 15,48 11,47
ABRIL 10,50 10,40 8,81 11,04 11,96 10,20 7,42 8,24 12,86 12,60
MAYO 11,06 10,36 9,16 10,98 11,44 10,59 7,06 8,30 14,82 13,06
JUNIO 11,78 9,23 10,24 9,76 10,09 9,73 5,96 8,58 16,18
JULIO 11,51 8,38 9,78 9,17 10,98 9,72 6,08 10,20 15,21
AGOSTO 11,39 5,71 9,52 9,46 11,20 10,04 6,06 10,69 15,93
SEPTIEMBRE 12,00 9,56 8,32 9,38 12,53 10,80 7,03 12,10 17,27
OCTUBRE 11,50 9,46 8,66 8,39 13,61 10,24 6,70 12,04 16,90
NOVIEMBRE 10,99 8,37 9,29 9,30 12,60 10,12 5,77 13,37 17,00
DICIEMBRE 9,81 6,26 9,14 10,89 13,33 9,31 4,90 13,53 13,33




Se requiere mediante la estimación de un modelo ARIMA, realizar la estimación
para el precio del petróleo para los próximos 6 meses.





Solución:


22
Ejercicio tomado de los apuntes de clase de la cátedra de Econometría II, de la Maestría en
Teoría y Política Económica de la Universidad Central de Venezuela. Febrero 2002.
EJERCICIO Nº 2



60
Inicialmente se realizará el estudio de la estacionariedad de la serie con los
valores expresados en logaritmos de tal manera que se pueda eliminar de cierta

forma cualquier posible problema de heterocedasticidad que pueda presentar la
serie, y en cierta medida que esta sea estacionaria en la varianza.

Seguidamente se presentan: le gráfico en niveles de la serie, el correlograma del
mismo y los test de Dickey-Fuller y Phillips-Perron



En el gráfico se observa que la serie no tiene una media constante al mostrar una
clara tendencia negativa, lo cual indica la no estacionariedad de la serie en
niveles.



En el correlograma se puede observar como la función d autocorrelación (ACF)
decrece exponencialmente y de forma lenta, mientras que la función de
autocorrelación parcial presenta un valor significativo en el retardo uno, con un



61
coeficiente de autocorrelación cercano a uno (0,971). Este correlograma reafirma
la hipótesis de no estacionariedad de la serie.







Finalmente tanto el test de Dickey-Fuller como el de Phillips-Perron llevan a
aceptar la hipótesis nula de la existencia de raíz unitaria en la serie. En conclusión,
la serie en niveles no es estacionaria




62
A continuación se realizan las mismas pruebas para la serie en primera diferencia
1 ÷
÷ = A
t t
PRECIOS PRECIOS PRECIOS



El grafico muestra como la media de la serie es constante, lo cual es indicativo de
que la serie es estacionaria





En el correlograma se observa como la función de autocorrelación no es
significativo para ningún rezago, lo cual es indicativo de una serie estacionaria.





63




En el test de Dickey-Fuller se acepta la hipótesis alterna de la no existencia de raíz
unitaria en la serie, es decir, la serie en primera diferencia es estacionaria. Es
importante resaltar, que se ha comprobado a través del Correlograma de los
residuos, que estos sean un ruido blanco con el fin de validar los resultados del
test





64
.

El test de Phillips-Perron reafirma los resultados del test de Dickey-Fuller

Como se mencionó anteriormente la serie LPRECIOS no es estacionaria en
niveles, por lo que es necesario trabajar con la serie en primera diferencia
(
1 ÷
÷ = A
t t
PRECIOS PRECIOS PRECIOS ). Ahora es necesario analizar las funciones
de Autocorrelación y Autocorrelación parcial de DLPRECIOS con el propósito de
construir el modelo ARIMA que mejor explique su comportamiento. Para
determinar el orden óptimo de “p” y “q” se utilizará la aproximación de Box-J enkis,
es decir, se estudiará la Función de Autocorrelación, (cuyo estudio permite
encontrar el nivel de “q” óptimo) y la Función de Autocorrelación Parcial (que
permite encontrar el nivel de “p” optimo), A continuación se muestra el
correlograma











65




Como puede observarse en el correlograma ni la ACF Ni la PACF muestran un
comportamiento sistemático, lo que si puede observarse claramente es que ambas
funciones se mueven en el mismo sentido, lo que puede indicar que el orden de
“p” y “q” son iguales.

De forma que el procedimiento de determinación de “p” y “q” óptimos será por
tanteo y de esta forma encontrar la especificación que mejor se ajuste al
comportamiento de la serie.

Inicialmente estimaremos un modelo ARIMA (1,1,1)















66





Como se puede observar en los resultados obtenidos, los coeficientes son
individualmente significativos y los residuales son ruido blanco, lo que es indicativo
del buen ajuste del modelo, no obstante los valores de las raíces invertidas son
muy cercanos a uno
23
. Por lo que se desecha el modelo.







23
Es importante chequear la estacionariedad e invertibilidad del modelo ARIMA. La invertibilidad
define la capacidad de un modelo para representar adecuadamente el corto plazo, esto es, un
modelo invertible es aquel en el cual el valor corriente de la serie X
t
es fundamentalmente
determinado por el pasado mas reciente. Verificar la estacionariedad e invertibilidad, se lleva a
cabo mediante los polinomios ( ) B | y ( ) B u de la siguiente manera:
1) un modelo AR(p) es estacionario si la raíces del polinomio ( ) B | están fuera del circuito
unitario, esto es, si ì es raíz de ( ) B | debe cumplirse que 1 > ì lo que equivale que su raíz
invertida sea menor que 1, 1 1
1
< ¬ > = |
|
ì
2) un modelo MA(q) es invertible si la raíces del polinomio ( ) B u están fuera del circuito unitario,
esto es, si ì es raíz de ( ) B u debe cumplirse que , 1 > ì lo que equivale que su raíz invertida
sea menor que 1, 1 1
1
< ¬ > = u
u
ì
3) Un modelo ARMA(p,q) será estacionario e invertible si las raíces de los polinomios
( ) B | y ( ) B u se encuentran fuera del circulo unitario.



67



A continuación se procede a estimar un modelo ARIMA (2,1,2)





68

En el modelo resultante se puede ver que los coeficientes son individualmente
significativos
24
y las raíces invertidas son menores que uno (0,50 y 0,48). Igualmente
los valores de los criterios de Akaike y Schwarz son menores que en modelo ARIMA
(1,1,1). Finalmente se comprobó a trabes del correlograma que los residuos son ruido
blanco.

Otra forma de chequear si los residuales son ruido blanco es utilizando el Serial
Correlation LM test



el cual determina la presencia o no de correlación serial en el modelo a través de la
estimación de un modelo en el cual los residuales están en función de las variables
explicativas del modelo original y de sus valores rezagados.





24
Tanto en el modelo ARMA(1,1,1) como en el ARMA(2,1,2), el intercepto no resultó significativo, motivo
por el cual se omitió en las salidas finales.

69
Como se puede observar ninguno de los coeficientes de los rezagos de los residuales
son significativos lo que indica la no autocorrelación del modelo, por lo que se puede
afirmar que los residuales son ruido blanco.

Finalmente realizamos una estimación con el modelo ARIMA (2,1,2) de los valores de
la serie para comprobar la calidad del ajuste. Para tal fin señalamos FORECAST en el
menú secundario de Eviews, y seleccionamos la estimación estática.



Eviews procederá a realizar la estimación de la variable que le indiquemos y la
almacenará en una variable creada por defecto para tal propósito, la cual tiene el
mismo nombre de la variable a estimar pero con la letra “F” al final de la misma.





70
Graficando las dos variables, la real, LPRECIOS, y la estimada LPRECIOSF, podemos
apreciar la calidad del ajuste de nuestro modelo ARIMA (2,1,2).



Finalmente, después de aceptar el modelo ARIMA (2,1,2) como nuestro modelo
óptimo, procedemos a estimar los valores proyectados para los próximos 7 meses.
Antes de proceder a la estimación es necesario cambiar los parámetros del rango y
sample de la serie para que estos incluyan el período a proyectar.




71
pulsando dos veces el botón derecho del ratón de la computadora sobre el rango, y
posteriormente en el sample, en la pantalla, aparecerá los siguientes cuadros, donde
se definirá los nuevos parámetros.








ya realizado el cambio en el rango y el sample, procedemos a realizar una estimación
dinámica del modelo, igual que en el caso anterior señalamos en el menú secundario
FORECAST e indicamos las características de la estimación








72




y obtenemos los valores proyectados deseados





73


A continuación se presenta datos para el indicador de valor de la industria
manufacturera
25
privada para el período enero 1992 – mayo 2001



CUADRO N° 2
INDUSTRIA MANUFACTURERA PRIVADA
ÍNDICE DE VALOR DE LA PRODUCCIÓN
(BASE 1997=100)


1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 9,14 11,70 14,95 26,22 43,56 74,84 105,42 98,77 104,81 133,84
FEBRERO 10,83 13,59 17,29 30,06 52,26 81,93 117,13 113,21 131,36 145,18
MARZO 11,66 16,01 19,47 37,48 62,94 85,81 137,49 123,78 146,06 170,76
ABRIL 10,86 12,66 19,36 30,92 59,08 99,09 122,83 111,43 121,98 143,29
MAYO 12,10 14,43 22,11 40,30 72,53 97,36 125,06 118,93 147,96 170,00
JUNIO 12,63 13,80 22,55 39,79 71,69 99,18 121,26 119,50 144,44
JULIO 12,48 14,70 20,76 37,55 81,40 107,32 114,27 122,79 138,10
AGOSTO 12,50 16,19 23,63 42,51 80,94 106,24 117,59 127,32 154,03
SEPTIEMBRE 12,84 17,14 24,45 40,61 84,89 111,73 121,19 130,77 151,35
OCTUBRE 13,28 16,80 25,45 39,73 83,12 120,11 124,18 127,00 155,85
NOVIEMBRE 13,76 18,01 28,88 44,78 84,68 116,24 130,04 139,07 171,28
DICIEMBRE 11,10 14,75 24,59 37,05 67,17 100,13 100,32 112,28 140,54









25
Ejercicio tomado de: Benzaquen S. Moises y Manuel Delgado. “Evaluación del Comportamiento
Actual y Modelización del Comportamiento Futuro del Sector Manufacturero Privado Venezolano a
Través del Indice Valor período( 1992-2000”. Trabajo Especial de Grado para optar al Título de
Economista (01-08-N). Universidad Santa María. Caracas. 2001
EJERCICIO Nº 3

74
Como primer paso, se presenta el gráfico de la variable en estudio para determinar si
es estacionaria o no. Una variable estacionaria en su media no muestra tendencia ya
que por definición su media es constante



GRAFICO Nº 9
ESTUDIO DE LA VARIABLE
EN NIVELES



En el gráfico se ve claramente que la media no es constante, presenta una clara
tendencia, lo que señala la no estacionariedad en la varianza del modelo.

La variable se ha expresado en logaritmo para que la serie sea estacionaria en su
varianza.

Como segundo paso, se realiza el análisis del correlograma. La condición de
estacionariedad se caracteriza por una caída rápida en la autocorrelación.











GRAFICO Nº 10

75
CORRELOGRAMA DE LA VARIABLE EN NIVELES





Se puede observar que la autocorrelación desciende muy lentamente, lo que señala la
no estacionariedad en la media de la variable.

los estudios anteriores determinan que la variable en niveles no es estacionaria, por lo
tanto a continuación se analiza con la misma metodología la primera diferencia del
logaritmo de la variable.

Gráfico Nº 11
ESTUDIO DE LA VARIABLE EN
PRIMERA DIFERENCIA




El gráfico muestra medida y varianza constante, lo que indica que la variable es
débilmente estacionaria.

76


Gráfico Nº 12
CORRELOGRAMA DE LA VARIABLE
EN PRIMERA DIFERENCIA



La autocorrelación desciende rápidamente, lo que indica o refuerza la estacionariedad
de la variable.

Adicionalmente se aprecia que el coeficiente de autocorrelación es significativo para la
primera observación lo que es indicativo de un modelo de medias móviles de orden 1,
MA(1). Igualmente en el coeficiente de correlación parcial es significativo para las dos
primeras observaciones, lo que es representativo de un modelo auto regresivo de
orden 2, AR(2). También es importante destacar que el correlograma indica un
comportamiento estacional aleatorio indicado por la significancia de las observaciones
12, 24. Motivo por el cual en el modelo a estimar incluir un proceso ARMA estacional
que defina retardos de 12 períodos.

Finalmente para reforzar el análisis anterior se plantea el Test de Dickey Fuller
ampliado.






77



TEST DE DICKEY FULLER
PARA LA VARIABLE EN PRIMERA DIFERENCIA
Condiciones, no intercepto, no tendencia y cero rezagos


Donde IVAL97 =Indice de la producción manufacturera

-13,03642 <-2.5643: por lo que se acepta la hipótesis alternativa de que no hay
existencia de raíz unitaria, debido a que la variable es débilmente estacionaria.

El test para que sea válido, los residuos tienen que ser un ruido blanco, es decir, con
( ) 0 =
T
E c y varianza =o
2








78
Gráfico Nº 13
CORRELOGRAMA DE LOS RESIDUOS
























Observando el correlograma de los residuos vemos que las tres primeras
autocorrelaciones no son significativas, indicando que los residuos son ruido blanco
por lo tanto el test de Dickey Fuller es válido.

Acorde con el análisis efectuado se puede decir que la variable es integrada de
orden 1, lo que significa que hay que diferenciarla una vez para que sea estacionaria;
por lo tanto el modelo ARIMA a estimar se basará en la variable en primera diferencia.

Es importante destacar que en el correlograma sigue apareciendo el comportamiento
estacional para las observaciones 12 y 24.

PLANTEAMIENTO DE LA ECUACIÓN DEL MODELO ARIMA

En concordancia con los resultados obtenidos, el modelo a estima está definido
por la ecuación:

( ) ( ) ( ) ( )
t t
a B B IVAL B B
12 12 12
2 2
97 u u | | = VV


Cuadro Nº 3

79
ESTIMACIÓN DEL MODELO ARIMA


























Donde IVAL97 =Indice de la producción manufacturera.


Análisis de los Resultados

- Los parámetros son individualmente significativos a un 5% de significancia.

- La raíz invertida del modelo autorregresivo es menor a uno.
( ) ( ) 1 42 , 0 27 , 0 87 , 0
2 2
< = + , lo que señala la estacionariedad del modelo.

- La raíz invertida del modelo de promedios móviles es menor que uno 1 83 , 0 < ÷
lo que indica la invertibilidad del modelo, es decir, tiene capacidad de predicción en
el corto plazo

- Realizando la estimación de la variable a través del modelo ARIMA planteado
para el periodo en estudio se puede ver que el modelo se presta bastante bien a la



80
- serie en estudio; de manera especial en las ultimas observaciones, lo que
refuerza la idea de la capacidad predictiva del modelo planeado.

GRAFICO Nº 14
ESTIMACIÓN DEL ÍNDICE DE VALOR DE LA
INDUSTRIA MANUFACTURERA A
TRAVÉS DEL MODELO ARIMA
(Millones de Bolívares)




En el gráfico se tiene la estimación de la data histórica del indicador de valor de la
producción a través del modelo especificado.










Gráfico Nº 15
PROYECCIÓN DEL ÍNDICEDE VALOR DE LA

81
INDUSTRIA MANUFACTURERA A
TRAVÉS DEL MODELO ARIMA
(Millones de Bolívares)







En el gráfico se muestra conjuntamente la data histórica real estimada para
poder apreciar el ajuste que obtiene o a través del modelo. Se puede observar que los
valores estimados se ajustan bastante bien a la data real, sobre todo en las últimas
observaciones lo que refuerza la capacidad de la proyección del modelo.








Gráfico Nº 16
CORRELOGRAMA RESIDUOS MODELO ARIMA

82
























El correlograma de los residuos para el modelo obtenido, se aprecia que los
residuos son ruido blanco lo cual indica que el modelo está bien planteado.

Análisis del Modelo

Dado los elementos señalados, aceptamos el modelo ARIMA obtenido como
adecuado para realizar proyecciones de la variable en estudio.

Ecuación resultante:

) ) 83 , 0 ( 1 ( 975 25 , 0 974 15 , 0 967 14 , 0 97 ) 35 , 0 ( 1 )( ) 36 , 0 ( ) 07 , 1 ( 1 (
12 2
B D D D DLIVAL B B B ÷ + = ÷ + + ÷ ÷ ÷ ÷ ÷ ÷


Desarrollando:

a B D D D DLIVAL B B B ) 83 , 0 1 ( 975 25 , 0 974 15 , 0 967 14 , 0 97 ) 35 , 0 1 )( 36 , 0 07 , 1 1 (
12 2
÷ = ÷ + + + + +

Quedando la ecuación final:





83
) 1 ( 83 , 0 975 25 , 0
974 15 , 0 967 14 , 0 ) 14 ( 97 35 , 0 * 36 , 0 ) 13 ( 97 35 , 0 * 07 , 1
) 12 ( 97 35 , 0 ) 2 ( 97 36 , 0 ) 1 ( 97 07 , 1 97
÷ ÷ + +
÷ ÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷ ÷ =
a a D
D D DLIVAL DLIVAL
DLIVAL DLIVAL DLIVAL DLIVAL


Cuadro Nº 7
PROYECCIONES DEL ÍNDICE DE
VALOR DE LA PRODUCCIÓN
AÑO MES IVAL97
2001 junio 169,84
2001 julio 162,96
2001 agosto 180,49


donde IVAL97 =Índice de valor de la producción manufacturera

En el cuadro N° 7 se tienen los valores proyectados del índice de valor de la
producción manufacturera del sector privado a través del modelo ARIMA estimado.

14. MODELOS DE FUNCION DE TRANSFERENCIA (MARMA)

Un modelo de función de transferencia o modelo de promedio autorregresivo móvil
autovariado (MARMA) es aquel que relaciona una variable dependiente con valores
rezagados de si misma,, valores actuales y rezagados de una o más variables
explicativas y un término de error que es explicado en forma parcial por un modelo de
series de tiempo
26
. Por ejemplo para una sola variable explicativa, la especificación de
un modelo MARMA puede ser:

t k t k t t t t
u X X X X Y + + + + + =
÷ ÷ ÷
| | | | ...
2 2 1 1 0


donde

q t q t t p t p t t
u u u
÷ ÷ ÷ ÷
+ + + + + + = c u c u c | | ... ...
1 1 1 1





26
Pindyck, Robert. Ob.Cit. p.618

84
La utilidad que presenta un modelo de función de transferencia, es que proporciona
mejore pronósticos que un modelo de regresión mínimo cuadrática solo o una serie de
tiempo sola dado que incluye tanto una explicación estructural (económica) de esa
parte de la varianza de la variable dependiente que puede explicarse desde el punto
de vista estructural como una explicación de series de tiempo de esa parte de la
varianza de la variable dependiente que no puede explicarse estructuralmente.

El cuadro siguiente presenta un ejemplo de un modelo de función de transferencia
27
o
modelo de promedio autorregresivo móvil autovariado (MARMA).en el cual
relacionamos el Indice de precios al consumo (IPC) para un país hipotético y el Índice
de precios al consumo de bienes no alimenticios (IPCNA)





t
u IPCNA DLOG IPC DLOG + = ) 12 , 2 , ( 86229 , 0 ) 12 , 2 , (


con

1 12
989948 , 0 530094 , 0
÷ ÷
÷ + ÷ =
t t t t
u u c c




27
Tomado de Pulido Antonio y Ana María López. Ob.Cit. p.365

85
CAPITULO III
MODELO DE VECTORES AUTORREGRESIVOS (VAR)

Los modelos de vectores autorregresivos
28
(VAR) fueron originalmente
propuestos como alternativa a la modelización econométrica convencional. El objetivo
fundamental de la propuesta era proporcionar una estrategia de modelización
alternativa a los modelos econométricos convencionales. Esta nueva modelización
evitaría las imposiciones derivadas de la estimación e identificación de un modelo
econométrico, y permitiría especificar modelos que reflejaran lo más fielmente posible
las regularidades empíricas
29
e interacciones entre las variables objetos de análisis.

En forma aproximada, podríamos considerar los modelos VAR como un híbrido entre
los modelos AR, pues en su modelización interviene la variable endógena retardada,
las funciones de transferencia y los modelos de ecuaciones simultaneas, dado que se
incorporan variables explicativas que a su vez son endógenas de otra ecuación. Por lo
que, en definitiva, no especificamos un modelo uniecuacional, como los modelos
ARMA, sino, que, al menos, se especifican dos ecuaciones.

El enfoque VAR soluciona la necesidad de la especificación estructural de los modelos
mediante la modelización de cada variable endógena en el sistema de ecuaciones
como función de los valores retardados de todas las variables endógenas del sistema.
La expresión matemática de un modelo VAR es:

t t p t p t t t
x y y y y c | o o o + + + + + =
÷ ÷ ÷
...
2 2 1 1


donde y
t
es un vector de g variables endógenas, x
t
es un vector de k variables
explicativas,
p
o o ...,
1
y | son matrices de coeficientes a estimar, y
t
c es un vector de
innovaciones que puede estar correlacionado contemporáneamente con los demás,
pero nunca correlacionado con las variables ubicadas a la derecha de la ecuación.

Dado que en la parte derecha de cada ecuación sólo aparecen valores retardados de
las variables endógenas, no hay problema de simulteanidad
30
, y el método de
estimación del modelo puede ser el de mínimos cuadrados ordinarios. La cuestión

28
Capítulo tomado de: Pulido, Antonio y Ana María López. Ob.Cit. p375
29
Los modelos VAR centra su interés en la capacidad predictiva del modelo, sacrificando la base teórica
del mismo.
30
La Simulteanidad o interdependencia es un problema que sucede en los sistemas de ecuaciones
simultaneas cuando existe relaciones de causalidad de doble sentido entre las ecuaciones del modelo.
Es decir
j i
y y ÷ , indicando por la flecha de doble dirección el sentido de causalidad de
i
y a
j
y , y
viceversa. Como es el caso del siguiente modelo:
t t t t
x y y
1 1 2 2 1 0 1
c o o o + + + =
t t t t
x y y
2 2 2 1 1 0 2
c | | | + + + =
donde existe relación causal simultanea de la forma:
j i
y y ÷

86

relativa a que las perturbaciones puedan estar serialmente correlacionadas, no es una
condición restrictiva, porque en principio, cualquier correlación serial puede ser
absorbida añadiendo mas retardos de las variables endógenas

El vector autorregresivo (VAR) se utiliza normalmente para plantear sistemas de
predicción de series de tiempo interrelacionadas y para analizar el impacto dinámico
de posibles perturbaciones (shocs) aleatorias en el sistema de variables

De esta forma los modelos de vectores autorregresivos proporcionan una técnica de
predicción para series de tiempo interrelacionadas. Suelen utilizarse para analizar el
impacto dinámico de diferentes tipos de perturbaciones aleatorias y control sobre el
sistema de ecuaciones. Precisamente, una de las motivaciones fundamentales de la
aplicación de modelos VAR reside en el estudio de las interacciones dinámicas
estimadas en el modelo. Estas implicaciones dependerán de la estructura de de
correlaciones contemporáneas reflejadas en la matriz de varianzas-covarianzas de las
perturbaciones.

Un ejemplo de un modelo VAR sencillo es:

t t t t
IMGS EXGS EXGS
, 1 1 2 1 1
c o o + + =
÷ ÷

t t t t
EXGS IMGS IMGS
, 2 1 2 1 1
c | | + + =
÷ ÷


donde se supone que la exportación totales de bienes y servicios (EXGS) y las
importaciones totales de bienes y servicios (IMGS) están determinadas conjuntamente
por un modelo VAR de dos ecuaciones.

En este modelo un cambio en
t , 1
c modificará inmediatamente el valor presente de
EXGS, pero también puede modificar valores futuros de EXGS y IMGS al incluir el
valor retardado de EXGS en ambas ecuaciones.

Si, en este ejemplo, las innovaciones
t , 1
c y
t , 2
c no están correlacionadas, la
interpretación es sencilla, pues
t , 1
c sería la innovación para EXGS y
t , 2
c , la innovación
para IMGS. La función de impulso-respuesta
31
para
t , 2
c mide el efecto de una
variación en los errores sobre los valores actuales y futuro de las importaciones y el
valor futuro de las exportaciones.



Sin embargo, normalmente, los vectores de innovaciones están correlacionados, en
forma que presentan un componente común que no puede ser asociado a ninguna


31
La función de impulsos-respuesta muestra la respuesta (reacción) de las variables endógenas en el
sistema ante cambio en los errores.

87
variable específica. Un procedimiento arbitrario, pero de uso generalizado, para
resolver este problema consiste en atribuir todo el efecto de cualquier componente
común a la variable que se especifica en primer lugar en el modelo VAR. En el
ejemplo, el componente común de
t , 1
c y
t , 2
c se atribuye totalmente a
t , 1
c , porque
t , 1
c
precede a
t , 2
c . De esta forma,
t , 1
c es la innovación de las exportaciones y
t , 2
c , la
innovaciones de la importaciones, se transforman para sustraer el componente común.

Gujarati
32
plantea algunos problemas en la elaboración de un modelo VAR, algunos de
ellos son:

1. Un modelo VAR a diferencia de un modelo de ecuaciones simultaneas es a-
teórico dado que centra su interés en la capacidad predictiva, y no en la base
teórica del modelo.
2. Debido a su énfasis en la predicción, los modelo VAR son menos apropiados
para el análisis de políticas.
3. Es importante la selección de la longitud de los rezagos. Por ejemplo si se tiene
un modelo VAR de tres variables y se decide incluir ocho rezagos de cada
variable e cada ecuación. Se tendrán 24 parámetros rezagados en cada
ecuación mas el término constante, para un total de 25 parámetros. A menos
que el tamaño de la muestra sea grande, la estimación de tantos parámetros
consumirá muchos grados de libertad, con todos los problemas que ello
contrae.
4. Estrictamente hablando, en un modelo VAR de m variables, todas las m
variables deben ser estacionarias (en forma conjunta). Si este no es el caso, se
tendrá que transformar la información en forma apropiada (por ejemplo,
mediante diferenciación).
5. Puesto que los coeficientes individuales estimados en los modelos VAR son,
con frecuencia, difíciles de interpretar, los practicantes de esta técnica
usualmente centran su estudio en el análisis de la función de impulso-
respuesta, análisis que ha sido muy cuestionado por los investigadores.


EJERCICIO Nº 4

A continuación se estimará un modelo VAR
33
de dos ecuaciones en el que el tipo de
interés y el índice de precios al consumo están determinados conjuntamente.
Específicamente, las variables IPC (índice de precios al consumidor) y TIC (tipo de
interés) están determinadas por los valores retardados de IPC y TIC, donde se han


elegido, para empezar dos retardos para cada variable, y por errores denominados
1
e y
2
e
1 2 4 1 3 2 2 1 1 0
e TIC TIC IPC IPC IPC
T t t t t
+ + + + + =
÷ ÷ ÷ ÷
o o o o o

32
Gujarati, Damodar. Ob.Cit. p.730
33
Pulido, Antonio y Ana María López. Ob.Cit. p378

88

2 2 4 1 3 2 2 1 1 0
e IPC IPC TIC TIC TIC
t t t t t
+ + + + + =
÷ ÷ ÷ ÷
| | | o |

Para estimar el modelo VAR se utilizaron datos con frecuencia mensual para el
período enero 1980 – noviembre 1998.

Para estimar el modelo en Eviews, seleccionamos en el menú QUICK/ESTIMATE VAR
Y nos aparece la siguiente pantalla donde se ha incluido el término independiente en
la especificación (exógenos) y el número de retardos seleccionados (dos)





En la aplicación se han obtenido como resultado las siguientes salidas del programa,
operando en primer lugar con el índice de precios (IPC) como variable dependiente; y
en segundo lugar, con la variable tipo de interés (TIC) como dependiente










89



Cada columna de esta tabla corrersponde a la ecuación para cada una de las
variables endógenas en el modelo VAR. Por filas, tenemos las variables explicativas,
para las que se indica el valor de su coeficiente estimado, el error standar y el cálculo
de t-Student. Por ejemplo, el coeficiente que acompaña a la variable IPC(-1) en la
ecuación del IPC como variable endógena (primera columna) tiene un valor estimado
de 1,027 con un error estandar de 0,067, resultando entonces un valor significativo
para la prueba t (15,2).

Al final de esta tabla se muestran los resultados de la regresión para cada ecuación
por separado:




90
Así , en la primera ecuación ( la que define el IPC como variable dependiente) se tiene
una bondad de ajuste de 0,9998. Que como se puede observar es ligeramente mayor
a la bondad de ajuste de la ecuación del tipo de cambio ((0,9733). En la parte inferior
de esta salida aparecen los estadísticos del modelo VAR en su conjunto: el
Determinante de Covarianza Residual (Determinant Residual Covariance), El valor del
Logaritmo de Verosimilitud (log Likelihood), el Criterio de información de Arkaike y el
Criterio de Schwarz. Estos criterios de información pueden utilizarse para seleccionar
el modelo mas apropiado entre varios modelos VAR con distintos retardos
especificados. Aquel que presente menores valores en estos criterios, será el modelo
mas adecuado.

Un vez estimado el modelo VAR, la principal utilización del modelo son las funciones
de impulso – respuesta y la descomposición de la varianza que Eviews proporciona
automáticamente. En primer lugar, para obtener la función impulso – respuesta, dentro
del menú de la ventana creada para el modelo VAR, selecionamos IMPULSE



y en la nueva ventana marcamos las opciones de visualización de datos (table),
función de impulso respuesta (Impulse responses) y aceptamos, el número de
períodos que nos indica Eviews (10):



Una función de impulso respuesta muestra el efecto de un cambio en los errores sobre
las variables endógenas del sistema de ecuaciones. Eviews nos muestra nuestro



91
modelo con sus dos ecuaciones, de tres formas diferentes, seleccionando
VIEW/REPRESENTATIONS dentro del menú de la ventana del modelo VAR estimado







se obtiene




En la asegunda expresión, el primer número que figura dentro de C(nº, nº) se refiere al
orden (número) de la ecuación del modelo VAR, mientras que el sgundo número se
refiere al orden que ocupa la variable en cada ecuación. Por ejemplo, C(2,3) es el
coeficiente del tercer regresor (TIC(-1)) en la ecuación segunda (la de TIC). En la
tercera expresión, los coeficientes ya se sustituyen popr sus valores estimados.




92
Un cambio en e
1
modificará automaticamente el valor de la variable IPC, pero no sólo
se aterará el valor de ésta, también el de la variable TIC debido a la estructura
dinámica del sistema.

Un impulso respuesta separa los determinantes de las variables endógenas en
cambios o innovaciones identificadas con variables específicas. De esra forma, una
función de impulso respuesta para e
2
medirá el efecto de una desviación en TIC hoy
sobre el valor actual y futuro de IPC y TIC.




La función de impulso respuesta mide un cambio en los errores equivalente al valor de
su error estandar que es, precisamente, 0,320227, valor que aparece como respuesta
de IPC en el primer período. Así un cambio en los errores de la ecuación IPC, del
orden de una desviación típica del error de esta primera ecuación, provoca un
incremento equivalente de 0,32 en el período inicial, aumentando a 0,33 despues de 2
y 3 períodos. A partir del cuarto período los efectos tienden a decrecer lentamente. Por
otra parte, el efecto sobre los tipos de interés es nulo en el primer período, incluso
negativo durante los períodos 2 y 3, pero va acumulando sus efectos hasta añadir 0,07
al cabo de 10 períodos.

Un cambio en TIC, equivalente a una desviación típica del error de esta segunda
ecuación (0,69, según resultados precedentes), apenas tiene efecto sobre precios en
el primer período – como resultado de situar la variable IPC antes de TIC en el orden -
, y provoca una caida de -0,03 y –0,04 despues de 2 y 3 periodos de IPC. Sobre los
propios tipos de interés, el efecto va aumentando durante los tres primeros períodos
hasta transformar el cambio inicial de 0,69 en 0,90, para después ir reduciéndose



93
progresivamente su impacto hasta alcanzar 0,45 al final del período considerado de 10
meses. Esto puede verse en el cuadro siguiente:



Podemos visualizar los efectos comentados en términos gráficos, si en lugar de
seleccionar tabla de resultados (table) en las opciones para obtener la función de
respuesta de impulso indicamos la opción gráfica (Combines response graphs),




y como resultado obtenemos:

94




En definitiva, y en este caso, comprobamos nuevamente que el efecto de un choque
sobre la variable tipo de interés no tiene apenas efecto sobre la variable índice de
precios al consumo, mientras que los efectos sobre la propia variable son crecientes
hasta el cuarto período, donde empiezan a decrecer.


95
Para obtener el cálculo de la descomposición de la varianza seleccionamos esta
opción (Variance decomposition) en la ventana de impulso respuesta del modelo VAR
que ya conocemos:



que nos proporciona las siguientes tablas de resultados:



La columna S:E. De la tabla puede interpretarse como el error de predicción de la
variable IPC en diferentes períodos en el futuro. La fuente de este error de predicción


96
es la variación en los valores actuales y futuros de las innovaciones de cada variable
endógena en el modelo VAR, Vemos que se indica un error de predicción de o,32 en
un primer período y de 0,46 en dos períodos hacia delante, y así sucesivamente.

Las otras dos columnas muestran el porcentaje de variación debido a cada innovación
específica, donde cada fila suma la unidad. Un período hacia delante, toda la
innovación de IPC es debida a cambios en IPC, y dos períodos hacia delante del
porcentaje de explicación corresponde un 99,99 a IPC y el resto (0,01) a TIC.

La segunda parte de la tabla nos muestra que, de nuevo, la descomposición de la
varianza depende del orden de las ecuaciones. Así, si situamos TIC en primer lugar,
antes de IPC, obtenemos resultados diferentes.

Finalmente, suponiendo que los resultados obtenidos con la estimación de este
modelo de vectores autorregresivos fuesen satisfactorios para el objetivo perseguido,
podríamos realizar predicciones con el modelo VAR. Para ello , dentro del menú de la
ventana del modelo VAR seleccionamos PROCS / MAKE MODEL:




Veremos entonces una ventana donde se especifica el modelo y en la que podemos
introducir los cambios que creamos convenientes:


97



Seleccionamos la opción SOLVE en el menú de esta última ventana del modelo y en el
cuadro de opciones que aparece a continuación indicamos el período para el que
queremos obtener predicciones (hasta junio de 1999):




Es importante rceordar que como paso previo a la estiamación hay que cambiar el
tamaño del Range y del Sample para que incluyan el período a estimar.







98
Automáticamente Eviews nos proporcionará predicciones para nuestras dos series
IPCF y TICF
34
en el período comprendido entre el mes de de diciembre de 1998 y
junio de 1999.






















34
Eviews le agrega automáticamente la letra F al final del nombre de cada variable para tener
separados las serie original de la serie estimada.

99
CAPITULO IV
MODELOS DE VECTOR DE CORRECCION DEL ERROR (VEC)
Y COINTEGRACION

Los modelos de corrección de errores
35
han ganado popularidad en el análisis
econométrico aplicado a series de tiempo en los últimos años. En su forma más
general estos modelos se plantean en términos de las variaciones (o tasas de cambio)
de las variables, incorporando uno o más términos de corrección de error (o salidas de
equilibrio) para incorporar restricciones dinámicas de largo plazo.

La preocupación de este tipo de modelos tiene su origen en la constatación de algunos
problemas de ocurrencia frecuente en econometría con datos de series temporales,
así como con la insuficiencia de algunas de las soluciones tradicionales.

La raíz del problema radica en que la gran mayoría de las series de datos económicos
muestran tendencias bastante fuertes en el tiempo y, ya sea a causa de la inflación o
el crecimiento real de la economía, dichas tendencias están fuertemente
correlacionadas. En estas circunstancias se aprecia que muchos estudios
econométricos adolecen de serias limitaciones a causa de la colinealidad de las series
para las variables supuestamente independientes y, al mismo tiempo, se observa la
ocurrencia muy frecuente de problemas de autocorrelación residual. Todo esto
redunda en estimaciones muy imprecisas y test de hipótesis muy débiles o
francamente inapropiadas
36
.

Estos malos resultados no son de extrañar, dado que no hacen más que confirmar
algo que un estadístico habría advertido desde un comienzo ante la falta de control del
“proceso generador de los datos” (experimentos), los datos para distintas variables no
sólo no son independientes entre sí, sino que además no corresponden a un proceso
estacionario
37
(muestran fuertes tendencias). En estas circunstancias, es altamente
probable que los errores de las regresiones no sean estacionarios, lo que se refleja en
bajos valores del estadístico de Durbin-Watson, así como en rechazos de la hipótesis
de homocedasticidad
38
. Como es bien sabido, si los residuos de una regresión no son
estacionarios, todas las pruebas estadísticas tradicionales pierden validez.

Enfrentados a este problema, muchos econometristas han optado por transformar sus
modelos, expresando las variables en primeras diferencias o en tasa de cambio, con el

35
Tomado de :Vial, J oaquin. “Especificación y Evaluación de Modelos Econométricos”. Serie Docente
Nº 3. Corporación de Investigaciones Económicas para América Latina (CIEPLAN). Santiago de Chile.
1991. P 50
36
Este fenómeno se conoce como “Regresión Espuria”..
37
Recordemos que por estacionario o débilmente estacionario caracterizamos a aquellas series que
tienen media y varianza constantes, es decir que son independientes del tiempo
38
La tradición en la enseñanza de la econometría ha enfatizado erróneamente que la
heterocedasticidad es un fenómeno propio de los estudios con datos de corte transversal, por lo que
rara vez se realizan pruebas de esta hipótesis en estudios de series de tiempo.

100
objeto de eliminar tendencias y conseguir estacionariedad en las series y en los
residuos. Sin embargo, esta práctica no está exenta de problemas: uno de ocurrencia
muy frecuente es que al hacer este tipo de transformaciones se pierde, en la práctica,
la posibilidad de imponer ciertas condiciones de equilibrio o regularidades que se dan
entre variables en niveles. Un ejemplo característico se da en modelos de inflación,
donde se estiman ecuaciones para las tasas de cambio de los salarios nominales, los
precios y otras variables, y con ello se pierde la vinculación entre salarios reales y
productividad, de manera que simulaciones con el modelo tienden a violar ciertas
condiciones de equilibrio de largo plazo en el mercado. Si bien existe la posibilidad de
imponer estas condiciones por la vía de restringir los coeficientes de las distintas
ecuaciones, en muchos casos no son coherentes con los datos.

El modelo de vector de corrección del error (VEC) busca superar las limitaciones de
ambos enfoques con una aproximación empírica: se estima un modelo en tasas de
cambio, pero se incluye además un término de corrección de errores (TCE) para forzar
a que las tasas de cambio de las variables respondan a las desviaciones respecto a
las condiciones de equilibrio de largo plazo que se desea imponer.

Si expresamos todas las variables en logaritmos y usamos el operador A para
denotar primeras diferencias, un típico modelo de corrección de errores toma la
siguiente forma:

( )
t t t t t T t
u X Y X X Y Y + ÷ + A + A + A + = A
÷ ÷ ÷ ÷ 1 1 1 1 0 1 1 0
| o ¸ ¸ o o

donde ( ) 0 = u E y el término ( )
1 1 ÷ ÷
÷
t t
X Y | o se denomina término de corrección del
error

Si bien en sus orígenes este tipo de modelos se desarrollo en forma ad-hoc, sin
precisar las condiciones bajo las cuales este enfoque tiene validez, ni eventuales
pruebas de dicha hipótesis, hoy día si se cuenta con un marco formal apropiado
gracias a los desarrollos teóricos en el campo de la teoría de las series de tiempo y, en
particular, del desarrollo del concepto de cointegración (Granger y Newbold, 1977;
Granger 1986; Engle y Granger, 1987).

La premisa fundamental para la validez de un modelo de corrección de errores es que
efectivamente la relación de equilibrio ( ) 0 ´ =
t
X o exista y se vea reflejada en los datos.
Una condición suficiente para ello es que las variables en el vector X
t
sean co-
integradas (Granger, 1986).





1. COINTEGRACION


101
Supongamos que tenemos una serie de observaciones para una variable X
t
. Si dicha
serie es estacionaria; es decir, si su media, varianza y autocorrelaciones son
constantes, entonces se dice que X
t
es “integrada de orden 0”, ) 0 ( I X
t
~ .

Sólo unas pocas variables económicas cumplen con estas características,
generalmente requieren “d” diferenciaciones para llegar a una serie estacionaria. La
mayoría de las series macroeconómicas son integradas de orden 1. ) 1 ( I X
t
~ .
Algunas características distintivas de estas series son las siguientes: Una serie I(0)
tiene una media y exhibirá una tendencia a volver a dicha media, por lo que habrán
fluctuaciones en torno a ella. Las autocorrelaciones tienden a declinar rápido y el peso
de observaciones distantes será muy bajo (“memoria finita”).


Series Integradas de orden 0 Series Integradas de orden 1
Características I(0) I(1)
Media Fluctúan alrededor de la media
Oscilan ampliamente y no en torno
al valor medio
Varianza
Varianza finita e independiente del
tiempo
Varianza depende del tiempo y
tiende a infinito con el paso del
mismo
Autocorrelasción
La autocorrelación disminuye
rapidamente a medida que se
incremente los retardos
La autocorrelación tiende al valor 1
para cualquir orden de retardo
Efectos de innovaciones
Tienen memoria limitada, luego las
innovaciones no tienen efectos
permanentes
Cualquier innovación afecta
permanentemente sus procesos


Supongamos que existen dos series
T
Y y
t
X ambas I(1). Supongamos también que
existe una constante | , la combinación lineal de estas dos variables podría ser
estacionaria. Más específicamente, si se escribe como:

t t t
X Y Z | ÷ =

y se encuentra que Z
t
(es decir la combinación lineal
t t
X Y | ÷ ) es I(0) o estacionaria,
entonces se dice que las variables
t
Y y
t
X están cointegradas¸ es decir, están sobre
la misma longitud de onda
39
. Intuitivamente se observa que cuando Z
t
es I(0), las
tendencias en
t
Y y
t
X se cancelan. Así si una serie Y es I(1) y otra serie X es I(1),
ellas pueden estar cointegradas. En general, si Y es I(d) y X también es I(d) , donde d


es el mismo valor, estas dos series pueden estar cointegradas. Si ése es el caso, la
regresión de las dos variables en niveles, es significativa (es decir, no es espuria); y no

39
Gujarati. Ob.Cit. p.709

102
se pierde información valiosa de largo plazo, lo cual sucedería si se utilizaran sus
primeras diferencias.. La combinación lineal estacionaria (
t t
X Y | = ) se denomina
ecuación de cointegración y puede interpretarse como la relación de equilibrio a largo
plazo entre las distintas variables que conforman la ecuación. El parámetro | se
conoce como el parámetro de cointegración y en un sistema bidimensional es único,
cuando existe.

2. MODELO DE VECTOR DE CORRECCION DEL ERROR (VEC)

Si dos variables están cointegradas, se dice que hay una relación de equilibrio a largo
plazo entre las dos. Por supuesto en el corto plazo, puede haber desequilibrio. En
consecuencia, se puede tratar el término de error en
t t t
X Y Z | ÷ = como el “error de
equilibrio “ y se puede utilizar este término de error para atar el comportamiento de
corto plazo de Y
t
con su valor de largo plazo. El mecanismo de corrección del error

popularizado por Engle y Granger corrige el desequilibrio.

Un modelo de vector de corrección del error (VEC) es un modelo VAR restringido
(habitualmente, con sólo dos variables) que tiene restricciones de cointegración
incluidas en su especificación, por lo que se diseña para ser utilizado con series que
no son estacionarias pero se sabe que son cointegradas. La especificación de un VEC
restringe el comportamiento a largo plazo de las variables endógenas para que
converjan a sus relaciones de cointegración mientras que permite un amplio espectro
de relaciones dinámicas a corto plazo. El concepto de cointegración se interpreta
como una corrección del error, dado que la desviación respecto al equilibrio a largo
plazo se corrige gradualmente a través de ajustes parciales en el corto plazo.

Para ver un ejemplo de un VEC partamos del supuesto de que tenemos dos variable
(Y
t
y X
t
)
40
que son I(1) y no están cointegradas, con los cuales se puede estimar un
modelo dinámico en primeras diferencias:

t t t t t
u X X Y Y + A + A + A + = A
÷ ÷ 1 1 0 1 1 0
¸ ¸ o o


donde
t
u tiene media cero dadas
1 1
, ,
÷ ÷
A A A
t t t
X Y X y rezagos adicionales.

Si Y
t
y X
t
están cointegradas con parámetro | , tenemos variables adicionales I(0) que
se pueden incluir en la ecuación anterior. Sea
t t t
X Y S | ÷ = de modo que
t
S es I(0) y
por simplicidad, tiene media cero. Ahora, incluimos en la ecuación los rezagos de
t
S .
En el caso más simple incluimos un rezago de
t
S :

t t t t t t
u S X X Y Y + + A + A + A + = A
÷ ÷ ÷ 1 1 1 0 1 1 0
o ¸ ¸ o o



40
Wooldigde, J effrey M. Introducción a la Econometría. Thomson Learning. México, 2001.p591.

103
( )
t t t t t t t
u X Y X X Y Y + + + A + A + A + = A
÷ ÷ ÷ ÷ 1 1 1 1 0 1 1 0
| o ¸ ¸ o o



donde ) (
t t
X Y | o ÷ es el término de corrección del error.

3. TEST DE COINTEGRACION DE JOHANSEN
41


J ohansen (1991) desarrolló una metodología para analizar las restricciones impuestas
por la cointegración de las series incluidas en un modelo VAR restringido.

El planteamiento teórico de la propuesta de J ohansen considera un modelo VAR de
orden p:

t t P T p T t
BX Y A AY Y c + + + + =
÷ ÷
...
1

donde Y
t
es un vector de k variables no estacionarias I(1), X
t
es un vector de d
variables determinísticas, y
t
c es un vector de innovaciones.
En forma condensada podemos reescribir el modelo VAR como:

¿ [
÷
=
÷ ÷
+ + A 9 + = A
1
1
1
p
i
T t i t i t t
BX Y Y Y c


donde

¿ [
=
÷ =
p
i
i
I A
1

¿
+ =
÷ = 9
p
i j
j i
A
1


El teorema de representación de Granger afirma que si la matriz de coeficientes
[

tiene un orden reducido r <k, entonces existen k*r matrices o y | de orden r tal que
´ o| = P y
t
Y ´ | es estacionaria, donde r es el número de relaciones de cointegración (el
orden de cointegración). Cada columna de | es el vector de cointegración. Los
elementos de o son conocidos como los coeficientes de ajuste en el modelo del
vector de corrección del error. El método de J ohansen estima la matriz
[
en forma
restringida, de modo que analiza si se pueden rechazar las restricciones implícitas por
el orden reducido de
[
.


Respecto al número de relaciones de cointegración, si tenemos k variables
endógenas, cada una de las cuales con una raíz unitaria, puede haber cero hasta k-1
relaciones de cointegración. Si no hay ninguna relación de cointegración, cualquier

41
Pulido, Antonio y Ana María López. Ob.Cit. p.391

104
método de análisis de series temporales, cómo, por ejemplo, los modelos VAR sin
restricciones, puede aplicarse a las primeras diferencias de los datos.

Dado que hay k elementos integrados separados en las series, los niveles de las
series no aparecen en el modelo VAR en este caso. Por el contrario, si hay una
ecuación de cointegración en el sistema, entonces una combinación lineal de los
niveles de las variables endógenas
1
´
÷ t
Y | deberá ser añadida en cada ecuación del
modelo VAR. Cuando se multiplica una ecuación por un coeficiente, el término
resultante
1
´
÷ t
Y o| se refiere al término de corrección del error. Si existen ecuaciones
adicionales de cointegración, cada una conllevará un término adicional de corrección
del error, que contenga una combinación lineal diferente de los niveles de la serie.

Si existen, exactamente, k relaciones de cointegración, es decir, tantas como variables
endógenas, es por que ninguna de las series contiene una raíz unitaria, y el modelo
VAR puede expresarse en términos de los niveles de todas las series. Nótese que en
algunos casos, el test individual de raíces unitarias puede indicar que algunas de las
series están integradas ( tienen raíz unitaria), pero el test de J ohansen puede, sin
embargo, indicar que el orden de cointegración es k. Esta aparente contradicción
puede ser el resultado del error de especificación del modelo.

Por otra parte, cada columna de la matriz | proporciona una estimación del vector de
cointegración. El vector de cointegración no se identifica a menos que se imponga
alguna normalización arbitraria. Por ejemplo Eviews adopta la normalización de que
las r relaciones de cointegración se resuelven para los primeras r variables en el vector
Y
t
como función del resto de variables k-r. Sin embargo, una consecuencia de esta
normalización es que los vectores normalizados que proporciona Eviews no son, en
general, ortogonales, a pesar de la ortoganilidad de los coeficientes normalizados.

Por tanto, el test de cointegración de J ohansen nos permitirá confirmar que las
variables están cointegradas y el número de ecuaciones de cointegración. Para
acceder a el, abrimos un grupo de series con SHOW y el nombre de las series, y
seleccionamos VIEW / COINTEGRACION TEST, o bien, en el menú principal QUICK /
GROUP STATISTICS / COINTEGRACION TEST










105






El primer paso es seleccionar una de las opciones que especifican el tipo de tendencia
presente en los datos. Las primeras opciones proporcionan alternativas particulares
acerca de la inclusión de una constante y un término de tendencia en la especificación
de las ecuaciones de cointegración. Hay que considerar, pues, que las series objeto
de estudio pueden tener medias distintas de cero, es decir, pueden tener tendencia o


106
no. Similarmente, las ecuaciones de cointegración pueden tener un término
independiente y tendencia. La distribución asintótica del test estadístico LR (likelihood
ratio) para el test de orden reducido no presenta la distribución usual de la
2
_ y
depende de las hipótesis respecto a las tendencias determinísticas. Eviews
proporciona el test para las siguientes cinco posibilidades consideradas por J ohansen
(1995):

1. Las series Y no presentan tendencia y las ecuaciones de cointegración no
tienen término independiente:

( )
[ ÷ ÷
= +
1 1 2
´ :
t t t
Y BX Y r H o|
2. Las series Y no presentan tendencia y las ecuaciones de cointegración
incluyen término independiente:

( ) ) ´ ( :
0 1 1
*
1
µ | o + = +
[ ÷ ÷ t t t
Y BX Y r H

3. Las series Y tienen tendencia y las ecuaciones de cointegración sólo
incluyen término independiente:

( )
0 0 1 1 1
) ´ ( : ¸ o µ | o
± ÷ ÷
+ + = +
[ t t t
Y BX Y r H

4. Tanto las series Y como las ecuaciones de cointegración tienen tendencia
lineal:

( )
0 1 0 1 1
*
) ´ ( : ¸ o µ µ | o
± ÷ ÷
+ + + = +
[
t Y BX Y r H
t t t


5. Las series Y tienen tendencias cuadráticas y las ecuaciones de
cointegración tienen tendencia lineal:

( ) ) ( ) ´ ( :
1 0 1 0 1 1
*
t t Y BX Y r H
t t t
¸ ¸ o µ µ | o + + + + = +
± ÷ ÷ [


donde
±
o es la matriz (no única) ( ) r k k ÷ * tal que 0 ´ =
±
o o y el orden
( ) k =
±
o o /

Estos cinco casos se clasifican desde el más hasta el menos restrictivo, dado un
particular orden de cointegración r :

( ) ( ) ( ) ( ) ( ) r H r H r H r H r H c c c c
*
1
*
1 2


Para cada caso, Eviews tabula los valores críticos para el test de orden reducido de
Osterwal-Lenum (1992), no los tabulados en J ohansen y J uelius (1990).De estas cinco


107
opciones descritas Eviews utiliza, por defecto, la tercera. Esta selección se basa en
que las condiciones de equilibrio a largo plazo probablemente no tengan tendencia.
Para elegir el modelo más apropiado habrá que guiarse tanto por la interpretación
económica implícita en el mismo como por los criterios estadísticos.

Adicionalmente, podemos incluir variables exógenas, como, por ejemplo, Dummys
estacionales,, sin considerar aquí ni el término independiente, ni la tendencia..
También hay que indicar el número de retardos del modelo VAR como pares de
intervalos. Los retardos se especifican como retardos de la primera diferencias de las
series, no como retardos para los datos en niveles. Por ejemplo, si señalamos 1,4, el
test VAR hace la regresión de
t
Y A sobre
4 3 2 1
, , ,
÷ ÷ ÷ ÷
A A A A
t t t t
Y Y Y Y y sobre otras variables
exógenas que especifiquemos,


A continuación se presenta la salida en Eviews del test de J ohansen:




En cada cada contraste de hipótesis, se proporcionan unos valores estadísticos de
contrate denomindos autovalores (Eigenvalues) ubicados en primer término, y en la
siguiente columna se propoeciona el estadístico LR (Likelihood ratio) que se calcula
como:



108
EJERCICIO Nº 5
( )
¿
+ =
÷ ÷ =
k
r i
i r
T Q
1
1 log ì


para r =0, 1, … , k-1, donde
i
ì es el i-ésimo eigenvalue mayor.
r
Q se denomina
estadístico traza (trace statistic) y es el test de la hipótesis ( ) r H
1
frente a ( ) k H
1
.

El estadístico Q rechaza la primera hipótesis (no cointegración) tanto al nivel de
significación del 5 por 100 como al 1 por 100 si el valor calculado es superior al de lso
valores críticos. En el ejemplo podemos ver que 27,59743 es mayor que 15,41 y es
mayor que 20,04, por lo tanto se rechaza la hipótesis de no cointegración tanto al nivel
de significación del 5 por 100 como al de 1 por 100. Por su parte, la segunda hipótesis
(al menos una relación de cointegración) se aceptará si el valor calculado para el ratio
de verosimilitud (Likelihood ratio) es inferior a los valores críticos fijados para los
niveles de significación del 5 por 100 y del 1 por 100 En el ejemplo podemos ver que
5,452656 es mayor que 3,76, por lo tanto se rechaza la hipótesis de al menos una
relación de cointegración al nivel de significación del 5 por 100, pero 5,452656 es
menor que 6.65 por lo tanto se acepta la hipótesis de al menos una relación de
cointegración al nivel de significación del 1 por 100.

Debajo de los resultados de los contrates de orden de cointegración. Eviews
proporciona las estimaciones de los vectores o relaciones de cointegración. El vector
de cointegración no es identificado a menos que impongamos algun criterio arbitrario
de normalizaciñon. Eviews resuelve este problema adoptando una normalización tal
que la primera r serie en el vector Y
t
se normaliza a una matriz identidad.. en el
ejemplo la relación de cointegración normalizada aaaaasume una relación de
cointegración r =1, que puede ser escrita como:

TIC +0,028861 IPC -14,98822

Adicionalmente, hay que considerar que los valores críticos están disponibles para un
máximo de diez series y pueden no ser apropiados para modelos que contengan otras
variables deterministas como regresores somo, por ejemplo variables Dummy.





Para aplicar el análisis de cointegración
42
se han tomado dos series de frecuencia
mensual, con un horizonte temporal desde 1980 (enero) hasta 1998 (noviembre). Las
series en cuestión son la oferta monetaria (M1) y los créditos internos concedidos a las



42
Ejercicio tomado de: Pulido, Antonio y Ana María López. Ob.Cit. p.395

109
familias y empresas (CRED), ambas medidas en miles de millones de pesetas y
obtenidas del Banco de España.

En primer lugar hay que comprobar que las series son no estacionarias, es decir, que
presentan una raíz unitaria. Para comprobar esta condición, utilizamos el test de
Dickey-Fuller aumentado disponible en Eviews, al que accederemos de dos formas
diferentes: en el menú principal QUICK / SERIES STATISTICS / UNIT ROOT TEST, o
bie en le ventana de la serie (abierta con SHOW o con dos pulsaciones del botón
izquierdo del ratón sobre el nombre de la serie) seleccionamos VIEW / UNIT ROOT
TEST.



En este menú de selección, elegimos, en primer lugar, el test de Dickey-Fuller
aumentado. En segundo lugaar hay que indicar ai queremos realizar el test sobre la
variable en niveles, primeras o segundas diferencias. Podemos utilizar esta opción
para determinar el número de raices unitarias que contiene la serie. Si el test aplicado
sobre la serie en niveles acepta la hipòtesis nula (existe una raíz unitaria en la serie),
pero la rechaza trabajando con los datos en primeras diferencias, entonces la serie
presenta una araìz unitaria y es integrada de orden 1: I(1). Por el contrario, si el test
acepta la hipótesis nula aplicado sobre la serie en niveles y también en primeras
diferencias, pero la rechaza en segundas diferencias, entonces la serie contiene dos
raices unitarias y es integrada de orden 2: I(2)

En tercer lugar, especificamos si queremos incluir una constante o término
independiente, una constante y una tendenciaaa lineal o, simsplemente, nada. La
selección es importante en el sentido en que la distribución estadística del test, bajo la
hipótesis nula., es diferente en cada uno de los tres casos. Por último, seleccionamos
el orden de la correlación serial o númereo de retardos a incluir en la especificación.a
fin de que los residuales sean ruido blanco.

Obtenemos, en primer término, el estadístico ADF para la variable CRED y, a
continuación, para la variable M1



110







111
Para el test ADF, el valor que presenta (1,525537 en CRED y -0,822899 en M1) se
acepta la hipótesis nula de una raíz unitaria en las series CRED y M1 en todos los
niveles de significación.

Para modelizar conjuntamente el efecto de estas dos series utilizamos un modelo
VEC (vector de corrección del error), pues ya sabemos que un modelo VAR sin
restricción no supone la presencia de cointegración. Como la especificación de un
modelo VEC solamente se aplica sobre series cointegradas, debemos previamente
chequear el test de cointegración de J ohansen. Para acceder a el , abrimos un grupo
se series con SHOW de las series CRED y M1 y seleccionamos VIEW /
COINTEGRATION TEST o bien, en el menú principal, QUICK / GROUP ESTATISTICS
/ CONTEGRATION TEST.






En la selección de las opciones, optamos por dejar el tipo de tendencia que tiene
Eviews por defecto (la tercera), no colocamos variables exógenas y especificamos 4
retardos para el modelo VAR.,







112




En los resultados del estadístico
r
Q podemos observar que se rechaza la hipótesis
nula (primera fila) de no cointegración (24,955528 >15,41 y >20,04) tanto al nivel de
significación del 5 por 100 como el de 1 por 100. Sin embargo se acepta la hipótesis
nulo (segunda fila) de al menos una relación de cointegración, tanto al nivel de
significación del 5 por 100 como el de 1 por 100.

La relación de cointegración normalizada, asume una relación de cointegración r=1,
que puede ser escrita como:

CRED -9,188926 M1 – 14.166,62

El número entre paréntesis debajo del coeficiente estimado para M1 es la desviación
estándar asintótica. Los coeficientes que son normalizados al valor 1 aparecen sin el
valor de la desviación estándar, como CRED, y también los que no son identificados.
La presentación de las relaciones normalizadas de cointegración dependen del orden
especificado para las variables VAR. Por ejemplo si queremos una relación con un
coeficiente unitario en M1, tendremos que especificar esta variable como la primera en
el modelo VAR. Por supuesto, este cambio no afecta la esencia de las relaciones,
dado que cualquier combinación lineal de las ecuaciones de cointegración es también
una relación de cointegración.


113
Una vez comprobada que las series están cointegradas de orden 1, podemos estimar
un modelo de corrección del error. Seleccionamos en el menú principal de Eviews:
QUICK / ESTIMATE VAR. En la ventana de opciones marcamos Vector Error
Correction, las variables endógenas (CRED y M1), con retardos comprendido entre 1 y
4. También hay que especificar el número de ecuaciones de cointegración del modelo
VEC. Este número debe ser determinado por el test de cointegración de J ohansen,
como se vio anteriormente. El máximo número de ecuaciones de cointegración es uno
menos que el número de variables endógenas en el modelo VAR. Para el modelos que
estamos planteando, el número de ecuaciones de cointegración es 1, y así lo
especificamos en la parte inferior de esta ventana (Number of CE´s):







114




Naturalmente, el coeficiente 0,009588 que afecta a CointEq1 debe interpretarse a
partir de los resultados de la ecuación de cointegración, que en nuestro caso es :

CRED(-1) -9,188926 M1(-1) – 14.166,62

Al final de esta tabla se muestran los resultados de la regresión para cada ecuación
computándolos, por separado para cada variable:




115
En la primera ecuación (la que define como variable dependiente CRED) se alcanza
una bondad de ajuste del 65,66%, siendo inferior (46,66%) en la ecuación que explica
la oferta monetaria (M1). En la parte inferior de esta salida de resultados, aparecen los
estadísticos del modelo VEC en su conjunto, que se utilizan para elegir entre modelos
VEC alternativos. Así podríamos repetir el proceso especificando ahora un modelo
VEC con retardos de 1 a 2 y comparar los resultados hasta seleccionar aquel que
parezca apropiado.

Una vez especificado el modelo VEC, podemos trabajar con él en forma análoga a un
modelo VAR, aunque en este caso no disponemos de las funciones de impulso-
respuesta, ni del análisis de descomposición de varianza. Para ver las ecuaciones que
constituyen nuestro modelo VEC, seleccionamos en el menú de la ventana del modelo
las opciones VIEW / REPRESENTATION:




El primer número que acompaña al coeficiente A es el número de la ecuación del VEC.
Mientras que el segundo hace referencia al número de la ecuación de cointegración.
Por ejemplo A(2,1) es el coeficiente ajustado de la primera ecuación de integración (y
única) en la segunda ecuación del modelo VEC.

En el primer número que sigue al coeficiente B es el número de la ecuación de
cointegración, y el segundo es el número de la variable en la ecuación de
cointegración. Por ejemplo B(1,2) es el coeficiente de la segunda variable en la
primera ecuación de cointegración.

En el caso C, el primer número es el número de la ecuación del VEC, y el segundo
término es el número de la variable del primer regresor diferenciado en el modelo
VEC. Por ejemplo C(2,1) es el coeficiente de la primera diferencia del primer regresor
en la segunda ecuación del VEC.



116
Al igual que en el modelo VAR, podemos realizar predicciones con el modelo VEC
estimado. Para ello, dentro del menú de la ventana del modelo VEC seleccionamos
PROCS / MAKE MODEL, y aparece la siguiente ventana en la que pulsamos SOLVE



Indicamos el período de predicción, desde el mes de diciembre de 1998 hasta el mes
de junio de 1999, y automáticamente tendremos predicciones con el modelo VEC para
las variables CRED y M1.










117


En el grafico siguiente se muestra la evolución de la serie Créditos internos
concedidos a las empresas y familias (CRED) y la oferta monetaria (M1), incluyendo el
período histórico y el de predicción con los datos en niveles. Se aprecia la evolución
paralela que siguen ambas series en el tiempo, lo que nos ha hecho suponer la
presencia de una cointegración de orden 1 entre ambas y que hemos corroborado en
este ejercicio.




118
CAPITULO V
MODELOS AUTORREGRESIVOS CON HETEROCEDASTICIDAD
CONDICIONAL (ARCH)


Los modelos autorregresivos con heterocedasticidad condicional (ARCH) se diseñan
específicamente para modelizar y predecir las varianzas condicionales, es decir, tienen
como objetivo principal el determinar un patrón de comportamiento estadístico para la
varianza. EL planteamiento básico reside en modelizar la varianza de una variable
dependiente en función de los valores pasados de la propia variable y de las variables
independientes o exógenas que se incluyan en el modelo.

Este tipo de modelos fueron tratados por primera vez en un artículo publicado en 1982
por Robert Engle
43
en el que recogía una serie de situaciones en las que parecía
necesaria la consideración explícita de una varianza dinámica para analizar
correctamente la evolución de algunos fenómenos económicos. Específicamente
Engle pretendía obtener una predicción adecuada para la inflación del Reino Unido,
sujeta a una fuerte volatilidad, con periodos de especial calma o, por el contrario, de
agitación. Aunque su uso se ha extendido a diversas ramas de la econometría, la
principal aplicación de estos modelos se encuentra en la serie de tiempo financieras.

En el artículo en referencia Engle cita tres situaciones que motivan o justifican la
Modelización de una modelo ARCH. Estas serían las siguientes.

1. La experiencia empírica nos lleva a contrastar períodos de amplia varianza
de error seguidos de otros de varianza más pequeña. Es decir, el valor de la
dispersión del error respecto a su media cambia en el pasado, por lo que es
lógico pensar que un modelo que atienda en la predicción a los valores de
dicha varianza en el pasado servirá para realizar estimaciones más precisas.
2. En segundo lugar, Engle expone la validez de estos modelos para
determinar los criterios de mantenimiento o venta de activos financieros. Los
agentes económicos deciden esta cuestión en función de la información
proveniente del pasado respecto al valor medio de su rentabilidad y la
volatilidad que ésta ha tenido. Con los modelos ARCH se tendrían en cuenta
estos dos condicionantes.
3. El modelo de regresión ARCH puede ser una aproximación a un sistema
más complejo en el que no haya factores de innovación con heterocedaticida
condicional.



En definitiva, la clave de los modelos ARCH está en considerar la información pasada
de la variable y su volatilidad observada como factor que explica en alto grado el

43
Engle, R.F. (1982): “Autorregresive Conditional Heterocedasticity with Estimastes of the Variance of
the U.K. Inflation”. Econometrica. Num 50, pp. 987 –1008.

119
comportamiento presente y, por extensión lógica, de su futuro predecible..
Estadísticamente, esta conclusión se refleja en tener en cuenta la esperanza
condicional del cuadrado de una variable (la cual es la expresión de la varianza si la
media es nula)

De los modelos ARCH se han surgido diversas variantes como son los modelos
GARCH (Genaralized ARCH) por Bollerslev (1986),, los modelos TARCH (Threhold
ARCH) introducido, independientemente por Zakoian (1990) y Glosten, J AGANATHAN
Y runkle (1993); los modelos EGARCH (Exponential GARCH) propuesto por Nelson
(1991).

1. MOMENTOS MARGINALES Y MOMENTOS CONDICIONALES
44
.

Antes de presentar la especificación de los modelos ARCH, resulta pertinente realizar
un breve repaso sobre la diferencia existente entre los momentos marginales y los
momentos condicionales de una distribución, ya que estos modelos, como su nombre
lo indica, están centrados en e3l análisis de la heterocedasticidad condicional.

La diferencia fundamental entre los momentos condicionales y los marginales de una
distribución es que en los marginales no disponemos de información a priori, sobre las
realizaciones (observaciones) de dicha distribución, mientras que en los momentos
condicionales disponemos de todas las realizaciones previas de la misma.

Para ilustrar esta diferencia, tenemos un ejemplo muy intuitivo en términos
probabilísticos y que hace referencia a la media condicional y la media marginal.

Si consideramos la variable aleatoria definida por los sucesivos valores que se
obtienen al lanzar un dado al aire, en principio dicha distribución es uniforme y la
esperanza marginal sería directamente el valor medio de los seis posibles resultados a
obtener (dado que todos presentan la misma probabilidad).

Determinando ( ) n F
d
la función de distribución que genera las distintas observaciones
(tiradas) n del dado, podríamos afirmar que la esperanza marginal de dicha
distribución es 3,5

( ) 5 , 3 ) 6 5 4 3 2 1 (
6
1
) ( = + + + + + = n F E
d


Ahora bien, si obtenemos una serie de valores muestrales de dicha distribución
(tiramos el dado n veces), podríamos obtener una muestra como la que figura

continuación donde, para cada valor, se recoge el número de veces que ha aparecido
y su probabilidad observada,


44
Pulido San Roman, Antonio y J ulián Pérez García. “Modelos Econométricos”. Ediciones Pirámide
S.A.. Madrid. 2001. P 741

120

Valor 1 2 3 4 5 6
Ocurrencia 157 230 150 155 156 152
% ocurrencia 0,157 0,230 0,150 0,155 0,156 0,152
Probabilidad esperada 0,167 0,167 0,167 0,167 0,167 0,167


A la vista de esta muestra parece demostrarse que el valor 2 tiene una probabilidad de
ocurrencia superior a la que le correspondería de acuerdo con la distribución uniforme
supuesta a priori, por lo que se podría inferir que el dado está cargado.


Disponiendo de esta manera, si tuviéramos que asignar un valor esperado a la
observación 1 + n , la esperanza condicional a toda la información disponible hasta la
observación n sería ligeramente inferior a la esperanza marginal, la que teníamos sin
conocer la muestra.


( ) ( ) 35 , 3 , 0 6 152 , 0 5 156 , 0 4 155 , 0 3 150 , 0 2 230 , 0 1 157 , 0 / ) 1 ( = + + + + + = + x x x x x x n n F E
d



Esta diferenciación entre momentos marginales y condicionales no tendría mayor
importancia sino fuera porque pueden exis
tir procesos estocásticos cuya esperanza y varianza marginales fueran constantes,
mientras que su varianza condicional varía en cada punto muestral t
.
Tomemos como ejemplo un proceso estocástico definido como:

2 / 1 2
1
) (
÷
+ =
t t t
y y o e c




donde
t
c es un ruido blanco, y en el que para cada momento condicional t la
información disponible 1 ÷ t es una realización concreta, no aleatoria.


Calculando los momentos de primer y segundo orden, marginales y condicionales de
dicho proceso, podemos comprobar que sería un proceso estacionario en media y
varianza marginal (sus valores no dependen del tiempo), y, sin embargo, es un


proceso no estacionario en su varianza condicional, pues este depende del período de
tiempo que consideremos.

Momentos marginales y condicionales del proceso

121

Marginal Condicional
Esperanza
( ) ( ) = + =
÷
2 / 1 2
1
) (
t t t
y E y E o e c
0 ) ( ) (
2 / 1 2
1
= + -
÷ t
y E E o e c
0 ) ( ) | ( ) | (
2 / 1 2
1 1 1
= + - =
÷ ÷ ÷ t t t t t
y E y E o = c
Varianza
( ) ( )
( ) ( )
( )
2
2 2
2
1
2 2
1
)... 1 (
) (
t
t t
t t t
y E
y E y E
o
o
e
o e o
o e c
÷
=
¬ ¬ + -
= + =
÷


(1) Sustituciones sucesivas
( ) ( ) ( )
( )
2 2
1
1
2 2
1 1
2
| ) | (
c
o o e
c o e
÷
÷ ÷ ÷
+
= + =
t
t t t t t
y
E y y E


Donde la varianza condicional depende de las
realizaciones de la variable en el período
anterior


Sobre este proceso, así definido, se puede demostrar que la función de
autocovarianzas, y por tanto de autocorrelaciones, son nulas para la variable original
t
y ; mientras que presentan valores distintos de cero para el proceso elevado al
cuadrado
2
t
y , al menos en el primer retardo.

Es decir, el proceso analizado, aun presentando autocorrelaciones nulas en la forma
lineal, presenta autocorrelación en sus cuadrados. Esta circunstancia se utiliza para la
identificación de procesos autorregresivos de varianza condicional.


2. ESPECIFICACION DE LOS MODELO ARCH Y GARCH

Los modelo ARCH , como de comentó anteriormente, tienen su origen en un artículo
de Engle (1982), en el que se pretendía obtener una predicción adecuada para la
inflación del Reino Unido, sujeta a una fuerte volatilidad y con períodos de especial
calma o de especial agitación.

Para especificar un modelo ARCH, primeramente comenzaremos con la ecuación:

t t t t
X X Y c | | | + + + =
3 3 2 2 1
(2.1)

donde se relaciona una variable dependiente con dos variables explicativas. Luego
escribiremos una segunda ecuación relacionando la varianza del término de error con
la cantidad de volatilidad observada en períodos anteriores, la más simple de estas
ecuaciones sería:


2
1 1 0
2
÷
+ =
t t
c o o o (2.2)

La ecuación (2.2) dice que la varianza de
t
c ,
2
t
o , tiene dos componentes: una
constante y las noticias respecto a la volatilidad del último período, lo cual es

122
modelado como el residual al cuadrado del último período (el término ARCH).
Obsérvese que en este modelo
t
c es heterocedástico, condicional en
1 ÷ t
c . Tomando
en cuenta esta información acerca de la heterocedasticidad condicional de
t
c , se
pueden obtener estimaciones más eficientes de los parámetros
3 2 1
, | | | y .

La estimación de las ecuaciones 2.1 y 2.2 con frecuencia se hace con máxima
verosimilitud. Dado el bajo costo del poder de cálculo, esto no es muy difícil. Por
consiguiente, los paquetes de programas de econometría para computadoras mas
usados hacen posible estimar modelos ARCH de esta clase con mucha facilidad.

Dado que la varianza de
t
c en la ecuación 2.2 sólo depende de la volatilidad del último
período, nos referimos a este modelo como ARCH(1). De forma más general, la
varianza podría depender de cualquier cantidad de volatilidades rezagadas. Podemos
especificar un modelo ARCH(p), como:

2 2
2 2
2
1 1 0
2
...
p t p t t t ÷ ÷ ÷
+ + + + = c o c o c o o o (2.3)

Nótese que en este caso los parámetros 1 + p del proceso de varianza deben
estimarse junto con los parámetros
3 2 1
, | | | y de la regresión, una ves más usando
estimación de máxima verosimilitud.

A menudo hay razón para esperar que la varianza de
t
c dependerá de volatilidades
pasadas que se remontan a una gran cantidad de períodos. (esto sucede en particular
en aplicaciones de finanzas que implican el uso de datos diarios o semanales) El
problema en este caso es que deben estimarse una gran cantidad de parámetros, y
esto puede ser difícil de hacer con alguna precisión. Sin embargo, si reconocemos que
la ecuación 2.3 tan sólo es un modelo de rezago distribuido para
2
t
o , vemos que
podemos remplazar muchos de estos valores rezagados de
2
t
c con sólo uno o dos
valores rezagados de
2
t
o . Esto nos conduce al modelo autorregresivo de
heterocedaticidad condicional generalizado. (GARCH), el cual también puede
estimarse por máxima verosimilitud.

El modelo GARCH más simple es el modelo GARCH(1,1):

2
1 1
2
1 1 0
2
÷ ÷
+ + =
t t t
o ì c o o o



Ahora la varianza del término de error tiene tres componentes, una constante, la
volatilidad del último período (el término ARCH) y la varianza del último período (el
término GARCH). En general, se puede tener cualquier número de término ARCH y
cualquier número de términos GARCH. El modelo GARCH(p,q) se refiere a la
siguiente ecuación para
2
t
o :

123
EJERCICIO Nº 6

2 2
1 1
2 2
1 1 0
2
... ...
q t q t p t p t t ÷ ÷ ÷ ÷
+ + + + + + = o ì o ì c o c o o o






En este ejercicio
45
se modelará en comportamiento de la tasa de un bono corporativo
AAA relacionándola con valores actuales y pasados de una tasa de interés libre de
riesgo a corto plazo (la tasa de bonos de tesorería a tres meses) al igual que con el
índice de producción industrial y la tasa de de inflación de precios al por mayor.




La figura anterior muestra el bono corporativo AAA y la tasa de bonos de tesorería a
tres meses desde enero de 1960 hasta febrero de de 1996. Obsérvese que la tasa del

bono, por lo general, es mayor que la tasa de bonos de tesorería y también tiende a
suavizar las fluctuaciones a corto plazo en la tasa de bonos de tesorería. La tasa del
bono refleja expectativas de valores futuros de la tasa de tesorería (y por tanto, deberá
ser menos volátil que esa tasa) y también incluye una pequeña prima de riesgo que
refleja la probabilidad de incumplimiento.


-
45
Tomado de Pindiyck, Robert S. y Daniel L. Rubenfeld. Econometría, modelos y pronóstico. Mc.
Graw Hill. México. 2001. p.301


124
En primer lugar se realizará la regresión de la tasa del bono AAA contra valores
actuales y rezagados de la tasa de tesorería (R3), valores actuales y rezagados del
índice de producción industrial (IP), la tasa de crecimiento del índice de precios al
productor para todas las mercancías (GPW) y el valor rezagado de la tasa del bono
AAA. (la inclusión de la variable dependiente rezagada impone una estructura de
rezago que declina geométricamente, esta estructura suaviza las fluctuaciones a corto
plazo en las otras variables explicativas.) Después de algunos ensayos se eligió la
siguiente ecuación, estimada con mínimos cuadrados ordinarios. valores actuales y
rezagados del





Seguidamente se presenta el gráfico de los residuos de la regresión en el cual se
puede observar el agrupamiento de la volatilidad. Hay períodos en la que la volatilidad
es bastante baja (1962-1967) y períodos en que la volatilidad es bastante alta (1980-
1988). Esto sugiere que el término del error es condicionalmente heterocedástico y,
por tanto, puede ser representado por un modelo ARCH o GARCH.




125



Para estimar un modelo tipo ARCH, o alguna de sus variantes metodológicas con
Eviews, se comienza por contrastar la posible existencia de heterocedasticidad
condicional, mediante la observación del correlograma de los residuos al cuadrado.
Para tal fin seleccionamos en el menú VIEW/ RESIDUAL TEST / CORELOGRAM
SQUARED RESIDUAL, como se muestra en la figura.






Lo que se busca con el correlograma, es determinar en que retardos aparecen
coeficientes significativos analizando el correlograma en forma similar a cuando se


126
analiza el correlograma de los residuos para la estimación de un modelo ARIMA, en
nuestro caso no se ve claro cual puede ser el proceso autorregresivo de la varianza,
por lo cual se hace necesario realizar el contraste del multiplicador de Lagrange.
Seleccionamos en el menú VIEW / RESIDUAL TEST / ARCH LM TEST




E indicamos tres retardos








127



Este test ARCH LM proporciona el test del multiplicador de Lagrange para chequear si
los residuos estandarizados muestran un proceso ARCH adicional, que no existirá si la
ecuación de varianza está correctamente especificada.

En la salida del test se comprueba que las variables son significativas
estadísticamente, es decir, el contraste es claramente significativo de la relación
cuadrática entre el residuo y sus valores retardados. Parece entonces, conveniente
construir un modelo ARCH para identificar correctamente el proceso de formación de
la varianza del término de error. Al tratarse de un modelo no lineal, el método de
estimación no puede ser el tradicional de mínimos cuadrados ordinarios.

Para realizar la estimación seleccionamos en el menú: QUICK / ESTIMATE
EQUATION.










128



Y seleccionamos la opción ARCH que aparece como uno de los métodos de
estimación



En la nueva ventana de especificación de modelos ARCH, se debe indicar, además de
la formulación genérica de la ecuación básica (Mean equation Specification), las
características propias del modelo ARCH a estimar.

Comenzando por la parte superior, debemos indicar si se desea incluir la varianza
condicional como explicativa del modelo básico (ARCH-M term), pudiéndose optar por
su no inclusión (None), o por su inclusión en términos de desviación típica (Std.Dev) o
de su cuadrado (Variance).

A continuaciones debe especificar el orden de los procesos a estimar, tanto para la
parte autorregresiva (ARCH) como para la parte de medias móviles (GARCH), para lo

cual inicialmente se utilizan los resultados obtenidos en el análisis del correlograma de
residuos al cuadrado. En nuestro ejemplo al no observarse con claridad los posibles

129
procesos, se inicio la estimación con un retardo, tanto para el ARCH como para el
GARCH





Como se puede observar en la imagen anterior, se puede optar por una especificación
general (GARCH) o por alguna de las variantes metodológicas alternativas (TARCH,
EGARCH, Component ARCH, o Asymetric Component ARCH)

Adicionalmente se puede incluir variables explicativas adicionales sobre la ecuación de
la varianza condicional (Variante Regressors).

Inicialmente se estimará un modelo GARCH(1,1)












130


La salida de la estimación del modelo ARCH está dividida en dos partes: la superior
que muestra los resultados de la ecuación de la media, e inmediatamente debajo, en
la parte denominada Variante Equation, la correspondiente a la ecuación de la
varianza.

Al observar la salida del Eviews, se puede determinar que el incluir esta
representación GARCH de la varianza del error tuvo muy poco impacto en cualquiera
de las estimaciones de los coeficientes. Además, sólo uno de los coeficientes en la
ecuación GARCH es estadísticamente significativo. Es importante también destacar
que el error estándar de la regresión se incrementó, al pasar de 0,001835 a 0,001841.
Esta variación en el error estándar se explica por el hecho de que al estimar una
ecuación con errores heterocedásticos con mínimos cuadrados ordinarios, loe errores
estándar estimados serán sesgados.

A continuación se estimaron diferentes combinaciones del modelo GARCH:
GARCH(2,1), GARCH(2,2), etc. Concluyéndose que el modelo que mejor se ajustaba
es el modelo GARH(1,1) a pesar de las limitaciones antes indicadas.




131
Pindiyck y Rubinfeld
46
sugieren a fin de explorar mas a fondo el patrón de la
heterocedasticidad, incluir una variable exógena a la ecuación de la varianza. Estos
autores proponen incluir el cambio del valor rezagado de la tasa de bonos de tesorería
a tres meses. Para tal fin, activamos la ventana Equation Specification seleccionando
Estimate en el menú secundario.




Y se añade en el espacio Variante Regressiors la variable indicada









46
Pindiyck, Robert S. y Daniel L. Rubinfeld. Ob.Cit. p.303

132



El cambio rezagado en la tasa de bonos de tesorería a tres meses se añade,
significativamente, a la explicación de los cambios en la varianza del término del error
de la regresión. Además, los coeficientes en los términos ARCH y GARCH ahora son
altamente significativos desde el punto de vista estadístico. Por último hay un cambio
pequeño pero notorio en la magnitud de algunos de los coeficientes en la ecuación de
regresión, y varios de los estadísticos t se han incrementado.

Con este modelo final se puede realizar una razonable predicción de los intervalos de
confianza en los que se moverían nuestros valores de predicción, empleando
correctamente la varianza del error que se ha estimado. Para efectuar la proyección
activamos dentro de la ventana de la ecuación, en el menú secundario, Forecast y se
indica el período de predicción


BIBLIOGRAFIA

133

1) BENZAQUEN S. MOISES Y MANUEL DELGADO. Evaluación del
Comportamiento Actual y Modelización del Comportamiento Futuro del Sector
Manufacturero Privado Venezolano a Través del Indice Valor período( 1992-
2000. Trabajo Especial de Grado para optar al Título de Economista (01-08-N).
Universidad Santa María. Caracas. 2001.

2) BLANCO, CARLOS. Convergencia de las Técnicas de Series de Tiempo con
los Métodos Econométricos. Mimeo. Banco Central de Venezuela,.
Departamento de Apoyo Cuantitativo. Caracas. 1997

3) CARRASCAL A, URSICINO, YOLANDA GONZÁLEZ G. Y BEATRIZ
RODRÍGUEZ P. Análisis Econométrico con Eviews. RA – MA Editorial. Madrid.
2001.

4) CHAREMZA, WOJ CIECH W. Y DERECK F. DEADMNAN. New Directions in
Econometric Practice, General to Specific Modelling, Cointegration and Vector
Autoregression. Second Edition. Edward Elgar Publishing Limited. .1997.

5) CHIANG, ALPHA C. Métodos Fundamentales de Economía Matemática.
Tercera Edición. McGraw-Hill. México.1993.

6) DHRYMES, PHOEBUS J . Mathematics for Econometrics. Third Edition.
Springer - Verlag New York Inc. 2000.

7) ENDERS, WALTER. Applied Econometric Time Series. J ohn Wiley & Sons.
INC. USA. 1995.

8) GREENE, WILLIAM H. Análisis Econométrico. Tercera edición, Prentice Hall.
Madrid.1999.

9) GUERRA, J OSÉ.” Raíces Unitarias en las series de Tiempo”. Temas de
Coyuntura Nº 31. Instituto de Investigaciones Económicas y Sociales UCAB.
Caracas.1995.

10) GUERRA, J OSÉ, GUSTAVO SÁNCHEZ Y BELKIS REYES.”Modelos de Series
de Tiempo Para Predecir la Inflación en Venezuela”. Banco Central de
Venezuela. Serie Documentos de Trabajo, Gerencia de Investigaciones
Económicas Nº 13. Caracas.1997

11) GUJ ARATI, DAMODAR N. Econometría.. cuarta edición. Mc. Graw Hill.
Mexico. 2003.




134
12) HAMILTON, J AMES D. Times Series Analysys. Princenton University Press.
USA.1994.

13) HANS FRANCES Y DICK VAN DIJ K. Non-Linear Time Series Models in
Empirical Finances. Cambridge University Press. United Kingdom. 2000.

14) HARRIS, RICHARD L.D. Using Cointegration Análisis in Eonometric Modelling.
Prentice Hall. Great Britain. 1995.

15) HARVEY, ANDREW C. Forecasting, Structural Time Series models and the
Kalman Filter. Cambridge University Press. Great Britain. 1991.

16) J OHNTON,, J ACK Y J OHN DINARDO. Econometric Methods. Fourth Edition.
McGraw Hill Internacional Editions. Economics Series.Singapore. 1997.

17) LÓPEZ BAZO. ENRIQUE, J ORDI SURIÑACH CARALT Y ANDREU SANSÓ
ROSSELLÓ. “Análisis de Integrabilidad de Variables Económicas y Relaciones
de Largo Plazo. Una Aplicación”. Doc. 9204. Departamento de Economía,
Estadística y Economía Española. Universidad de Barcelona. mimeo

18) MADDALA G.S. Y IN-MOO KIM. Unit Roots, Cointegration, and Structural
Change. Cambridge University Press. Great Britan. 2000

19) MAKRIDAKIS, SPYROS Y ESTEVEN C. WHEELWRIGTH. Métodos de
Pronósticos.Editorial Limusa S.A.. México. 2004.

20) MILLS, TERENCE C. The econometric Modelling of financial Time Series.
Second Edition. Cambridge University Press. Great Britan. 1999.

21) OTERO, J OSÉ M. Modelos Econométricos y Predicción de Series Temporales.
Editorial AC. España 1989.

22) PINDIYCK, ROBERT S. Y DANIEL L. RUBENFELD. Econometría, modelos y
pronóstico. Mc. Graw Hill. México. 2001.

23) PULIDO, ANTONIO Y ANA MARÍA LÓPEZ. Predicción y Simulación Aplicada a
la Economía de Empresas. Ediciones Pirámide S.A.. Madrid. 1999.

24) PULIDO SAN ROMAN, ANTONIO Y J ULIÁN PÉREZ GARCÍA. Modelos
Econométricos. Ediciones Pirámide S.A.. Madrid. 2001

25) VIAL, J OAQUIN. “Especificación y Evaluación de Modelos Econométricos”.
Serie Docente Nº 3. Corporación de Investigaciones Económicas para América
Latina (CIEPLAN). Santiago de Chile. 1991.

26) WOOLDIGDE, J EFFREY M. Introducción a la Econometría. Thomson Learning.
México, 2001

135