Mg.

William Richard Snchez Tapia 1

Universidad Nacional de Ingeniera
I Diplomado de Econometra Aplicada al Desarrollo Econmico

Mdulo: Evaluacin de Poltica Macroeconmica I

Profesor: Mg. William Richard Snchez Tapia wsanchezt@ mef.gob.pe



Anlisis Univariado de Series Temporales

Objetivo

Implementar las principales derivaciones analticas mediante el lenguaje de programacin de
Eviews para:

- Generacin de procesos ARMA
- Construccin de las FAS, FAP e Impulso Respuesta de las series

Definicin de Serie de Tiempo

Existen muchas definiciones de series de tiempo, aqu algunas:

- Una serie de tiempo es una secuencia
} {
} {
1, 2
,..., , 1,...,
T t
x x x x t T = .
Donde t denota el periodo de tiempo en el que x ocurre.

- Una serie de tiempo corresponde a la realizacin de un proceso estocstico
subyacente.

Motivacin

La mayora de preguntas interesantes en macroeconoma son respondidas con anlisis de
series de tiempo.

En general las series de tiempo no son estacionarias, a continuacin comparamos la serie PBI
de Per a precios constantes de 1994 versus una serie ruido blanco.
1


La rutina genera el logaritmo del PBI nominal a precios constantes de 1994 y una serie
artificial ruido blanco definida como una constante (4,76) mas una variable aleatoria con
media cero y desviacin estndar 0,17, donde 4,76 y 0,17 son respectivamente la media y la
desviacin estndar de lpbi.

Grafico 1
En el grafico 1 claramente se observa que el
modelo con ruido blanco no captura la
propiedad de persistencia que motiva el
estudio de series de tiempo. Para construir

1
Ver ejemplo1.prg

Mg. William Richard Snchez Tapia 2
modelos mas realistas se deben usar combinaron de
t
c . Nos concentraremos en una clase de
modelo creados tomando combinaciones lineales del ruido blanco, los modelos
autoregresivos de media mvil (ARMA).

La forma estndar de representar el proceso estocstico que genera una serie de tiempo es en
funcin de sus valores pasados (componente autoregresivo, AR) y de trminos estocsticos
presentes y pasados (componente de medias mviles, MA).

El objetivo es analizar la dinmica de una variable
t
y a travs del tiempo.
Expresando a dicha variante como una ecuacin de diferencia lineal de primer orden:

1 t t t
y y w u

= +

Si la dinmica es descrita as, la pregunta a responder es, cuales son los efectos en
t
y de
cambios en el valor de
t
w ?
Para cada fecha t, tenemos una ecuacin que relaciona el valor de
t
y con su valor previo y el
valor actual de
t
w .

Para hallar los valores de
t
y se resuelva la ecuacin en diferencias por sustitucin recursiva:

1 1
1 0 1 1
...
t t t
t t t t
y y w w w w | | | |
+

= + + + + +

Media ( )
t
E y =

Varianza
2
0
( )
t
E y =

Autocovarianzas

Es la covarianza de
t
y con sus propios valores rezagados.

( )( )
j t t t j t j
E y y

=


Autocorrelaciones

La autocorrelacion de orden j es definido como la autocovarianza de orden j dividido por la
varianza

0
j
i

=

Funcin de Autocorrelacin Simple (FAS)

Se define como la correlacin temporal entre y
t t j
y y

para todo j. Hace referencia al
componente MA de la serie.

Mg. William Richard Snchez Tapia 3

Funcin de Autocorrelacin Parcial (FAP)

Se define como la correlacin entre y
y t j
y y

una vez que se ha de contado el efecto
intermedio de y
t t s
y y

para todo s j < . Es decir la correlacin de
t
y sobre todos los
rezagos hasta el rezago j. Hace referencia al componente AR de la serie

Procesos Autoregresivos: AR(p)

1 1 2 2
...
t t t p t p t
y c y y y | | | c

= + + + + +

t
c Ruido Blanco
2 3
1 2 3
2 3
1 2 3
( ) ( ) ( ) ( ) ...
= ...
1
t t t t t
t t t t
y c c c c
c
c | c | c | c
c uc u c u c
|


= + + + + + + + +
(
+ + + + +
(

Media

1 2
( )
1 ...
t
p
c
E y
| | |
= =



Autocovarianzas

1 1 2 2
2
1 1 2 2
... para j=1,2,..
... para j=0
j j p j p
j
p p
| | |

| | | o

+ + +

=
`
+ + + +

)


Autocorrelaciones: Ecuaciones de Yule-Walker

1 1 2 2
0
... para j=1,2,..
j
i j j p j p

| | |

= = + + +




AR(1)

1 1 t t t
y c y | c

= + +

t
c Ruido Blanco

Media

( )
1
t
c
E y
|
= =

Varianza

Mg. William Richard Snchez Tapia 4

2
2
0 2
( )
1
t
E y
o

|
= =

Autocovarianzas

2
2
( )( )
1
j
j t t j j
E y y
|
o
|

(
= =
(

1
2
1 1 2
( )( )
1
t t j
E y y
|
o
|

(
= =
(

Autocorrelaciones

1
0
i

|

= =


En un proceso AR(1) la funcin impulso respuesta y la funcin de autocorrelacin coinciden.

Un proceso AR(1) se caracteriza por tener un FAS infinito y un FAP que se desvanece tras el
primer periodo. La presencia de un coeficiente menor a uno (0.8) garantiza que cualquier
shock que afecte a la serie en determinado momento se diluya rpidamente. La serie
presenta alta fluctuacin alrededor de su media.

t t t
y y c + =
1
8 . 0


Al ser el parmetro de persistencia positive (0.8), el FAP tiene primer coeficiente positivo. La
FAS deja de ser significativa a partir del periodo 2.

t t t
y y c + =
1
8 . 0


Mg. William Richard Snchez Tapia 5


Al ser el parmetro de persistencia negativo (-0.8), el FAP tiene primer coeficiente negativo.

AR(2)
1 1 2 2 t t t t
y c y y | | c

= + + +

Media

1 2
( )
1
t
c
E y
| |
= =


Varianza

2
2 2
0 1 1 2 2
2 2
2 2 1
(1 )
(1 ) (1 )
| o
| | o
| | |

= + + =
( +



Autocovarianzas

1 1 0
2 1 1 2 0
|
| |
=
= +


Autocorrelaciones

1
1
2
1
|

|
=

2 1 1 2
| | = +







1 2
0.5 0.3
t t t t
y y y c

= + +



Mg. William Richard Snchez Tapia 6



1 2
0.5 0.3
t t t t
y y y c

= + +





1 2
0.5 0.3
t t t t
y y y c

= +








1 2
0.5 0.3
t t t t
y y y c

= +



Mg. William Richard Snchez Tapia 7


Proceso Media Mviles

MA(q)

1 1 2 2
...
t t t t q t q
y c u c u c u c

= + + + + +
t
c Ruido Blanco

El trmino media mvil proviene del hecho que la serie
t
y se construye como una suma
ponderada de los q+1 valores mas recientes de c .

Media:
( )
t
E y =

Varianza:
2 2 2 2
0 1 2
(1 ... )
q
u u u o = + + + +

Autocovarianzas:

2
1 1 1 2
... . para j=1,2,...q
0 para j>q
j j j q q j
j
u u u u u u u o

+ +
( + + + +


=
`

)


MA(1)
1 t t t
y c uc

= + +

El trmino media mvil proviene del hecho que la serie
t
y se construye como una suma
ponderada de los dos valores mas recientes de c .

Media: ( )
t
E y =

Varianza:
2 2 2
0
( ) (1 )
t
E y u o = = +

Autocovarianzas:

Mg. William Richard Snchez Tapia 8
2
1 1
( )( )
0
t t
j
E y y uo

= =
=

Autocorrelaciones:

0
j
i

=

2
1 2 2
(1 )
uo

u o
=
+


2
0 =

1
+ =
t t Y t
y uc c

Un proceso MA(1) se caracteriza por tener una FAS infinita y un FAP que se desvanece tras
el primer rezago.

1
8 . 0

+ =
t t t
y c c




1
8 . 0

=
t t t
y c c







Mg. William Richard Snchez Tapia 9
MA(2)

1 1 2 2 t t t t
y c u c u c

= + + +
Media:
( )
t
E y =

Varianza:
2 2 2 2
0 1 2
( ) 1 .
t
E y u u o ( = = + +



Autocovarianzas:
| |
| |
2
1 1 1 2 1
2
2 2 2
3 4
( )( ) .
( )( ) .
... 0
t t
t t
E y y
E y y
u u u o
u o

= = +
= =
= = =


Autocorrelaciones:
0
j
i

=

| |
2
1 2 1
1 2 1
1 2 2 2 2 2
1 2 1 2
.
1 1 .
u u u o
u u u

u u u u o
+
+
= =
+ + ( + +



| |
2
2
2
2 2 2 2 2 2
1 2 1 2
.
1 1 .
u o
u

u u u u o
= =
+ + ( + +





1 2
0.5 0.3
t t t t
y c c c

=









Mg. William Richard Snchez Tapia 10
1 2
0.5 0.3
t t t t
y c c c

= + +



1 2
0.5 0.3
t t t t
y c c c

=




1 2
0.5 0.3
t t t t
y c c c

= +












Mg. William Richard Snchez Tapia 11
Procesos ARMA(p,q)

1 1 2 2 1 1 2 2
... ...
t t t p t p t t t q t q
y c y y y | | | c u c u c u c

= + + + + + + + + +

La estacionariedad de un proceso ARMA depende por completo de los parmetros
autoregresivos
1 2
( , ,..., )
p
| | | y no de los parmetros de media mvil.

Media

1 2
( )
1 ...
t
p
c
E y
| | |
= =



ARMA(1,1)

En una especificacin ARMA(1,1) el primer rezago del FAS y del FAP deben ser
significativos.

1 1
8 . 0 5 . 0

+ + =
t t t t
y y c c




1 1
8 . 0 5 . 0

+ =
t t t t
y y c c







Mg. William Richard Snchez Tapia 12
ARMA(2,1)

1 2 1
8 . 0 3 . 0 3 . 1

+ =
t t t t t
y y y c c



A pesar que se construyo una serie artificial ARMA(2,1) claramente se observa la posibilidad
de existencia de raz unitaria en la serie.

1 1
8 . 0

+ =
t t t t
y y c c



1 1
+ =
t t t
y y c








Mg. William Richard Snchez Tapia 13

2 1 2 1
4 . 0 5 . 0 6 . 0 8 . 0 6 . 0

+ + =
t t t t t t
y y trend y c c c