P. 1
Capitulo II

Capitulo II

|Views: 54|Likes:
Published by Ana Lapato

More info:

Published by: Ana Lapato on Jun 17, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/30/2013

pdf

text

original

C CA AP PI IT TU UL LO O I II I

SERIES DE TIEMPO

1º INTRODUCCIÓN

La mayoría de las empresas y agentes económicos precisan realizar
predicciones sobre el comportamiento de su evolución y del entorno donde actúan.

Estas predicciones se utilizan para tomar decisiones operativas y, a veces,
estratégicas.

El conocimiento de acontecimientos futuros estará obviamente afectado de un
alto grado de incertidumbre, lo que implica la utilización de probabilidades asociadas
al proceso de predicción, y de modelos estadísticos y econométricos.

1.1. REGRESIÓN ESPURIA

Este problema surge porque si las dos series de tiempo involucradas presentan
tendencias fuertes (movimientos sostenidos hacia arriba o hacia abajo), el alto R
2

observado se debe a la presencia de la tendencia y no a la verdadera relación entre las
dos. Por consiguiente es muy importante averiguar si la relación entre las variables
económicas es verdadera o es espuria.

Como lo han sugerido Granger y Newbold : una buena regla práctica para
sospechar que la regresión estimada sufre de regresión espuria es que R
2
> D-W.

Cuando las series de tiempo son no estacionarias, no se debe depender de los
valores "t" estimados. Si las series de tiempo están cointegradas, entonces los
resultados de la regresión estimada pueden no ser espurios y las pruebas "t" y "F"
usuales son válidas. Como lo afirma Granger: "Una prueba de cointegración puede
ser considerada como una prueba previa para evitar situaciones de regresión espuria".

Por ejemplo: Se tiene las series anuales (1936-1972) del PNB nominal en
Estados Unidos (datos en miles de millones de dólares), y de la Incidencia del
melanoma en la población masculina (datos ajustados de edad) en el estado de
Connecticut.
0
200
400
600
800
0
1
2
3
4
5
6
1940 1945 1950 1955 1960 1965 1970
GNP MELANOMA

Observando los gráficos, ambas series mantienen una relación lineal.
Conceptualmente resulta absurdo relacionarlas.
100
200
300
400
500
600
700
800
0 1 2 3 4 5 6
MELANOMA
G
N
P

Dependent Variable: GNP
Method: Least Squares
Simple: 1936 1972
Included observations: 37


Variable Coefficient Std. Error t-Statistic Prob.


C 118.5659 23.72897 4.996675 0.0000
MELAMONA 118.9808 7.814147 15.22633 0.0000


R-squared 0.868836 Mean dependent var 443.6730
Adjusted R-squared 0.865088 S.D. dependent var 171.4417
Log likelihood -204.7517 F-statistic 231.8413
Durbin-Watson stat 0.879122 Prob(F-statistic) 0.000000



La estimación de una regresión en donde el PNB actúa como variable
endógena y la incidencia de melanoma como variable explicativa nos muestra que:
* Todos los coeficientes son estadísticamente significativos, y el R
2
(86.7%) es
muy elevado.
* El coeficiente estimado implica que, si aumentara la incidencia de melanoma
en un caso, cabría esperar un aumento del PNB de 119.000 millones de
dólares.

Si relacionamos las variables en primeras diferencias, la tendencia suele
desaparecer y, con ella, la relación espúrea.

-0.5
0.0
0.5
1.0
1.5
2.0
-60
-40
-20
0
20
40
60
1940 1945 1950 1955 1960 1965 1970
D(MELANOMA) D(GNP)

Dependent Variable: D(GNP)
Method: Least Squares
Sample (adjusted): 1937 1972
Included observations: 36 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 16.56841 3.179332 5.211287 0.0000
D(MELAMONA) 0.706295 6.585765 0.107246 0.9152


R-squared 0.000338 Mean dependent var 16.65278
Log likelihood -155.0594 F-statistic 0.011502
Durbin-Watson stat 1.262415 Prob(F-statistic) 0.915224



-60
-40
-20
0
20
40
60
-0.5 0.0 0.5 1.0 1.5 2.0
D(MELAMONA)
D
(
G
N
P
)
Consecuentemente, la relación de regresión entre las variables transformadas
no resulta significativa

1.2. TIPOS DE PREDICCIONES

Según el horizonte de predicción se clasifican:

1 º Inmediato, hasta 3 mese, para decisiones operativas, control presupuestario.
Por ejemplo: gestión de inventarios en establecimientos detallistas.

2º Corto Plazo de 3 a 12 meses, para tomar las decisiones operativas, control
presupuestario o decisiones de compra. Por ejemplo: Compra de bienes de
temporada para venta al por menor.

2º Medio Plazo, comprendidas entre 1 y 3 años, para las decisiones estratégicas.
Por ejemplo: Leasing de plantas y equipos, formación de empleados para
nuevos procesos.

3º Largo Plazo, de 3 a 10 años, para las decisiones estratégicas incluyendo las de
expansión. Por ejemplo: investigación y desarrollo, compra de activos,
adquisiciones y absorciones.

4º Muy Largo Plazo, mayor a 10 años, para las decisiones estratégicas
incluyendo aquellas de cambio de las características principales de la empresa.
Por ejemplo: predicción tecnológica en apoyo de investigación y desarrollo y
planificación estratégica.

1.3. CLASIFICACIÓN DE LAS TÉCNICAS DE PREVISIÓN

1º Históricas, la evolución de una magnitud tiene inercia temporal, lo que
permite construir un modelo basado en el análisis de series temporales.

2º Causales, se basa en la interrelación entre varias variables; en un modelo
econométrico o en un modelo de variables latentes, algunas magnitudes son
causa de las variaciones de otras, y se pueden usar como predictores.

3º Otros, como las encuestas de opinión a expertos, método Delphi, previsiones
por consumo y otras técnicas subjetivas.

1.4. TIPO DE PREVISIÓN DE LOS MODELOS

Según a las situaciones a las que se aplican tenemos:

1º Medios Escasos:

Corto Plazo.- La técnica de alisado exponencial, Medias móviles, Modelos
Naïve y Desestacionalización.
Medio Plazo.- Ajuste de tendencia.
Largo plazo.- Curva en S.

2º Medios Normales:

Corto Plazo.- ARIMA univariante, análisis de intervención, X-11 ARIMA y
Funciones de transferencia.
Medio Plazo.- Modelos econométricos uniecuacionales, modelos
econométricos de pequeño tamaño y Modelos VAR.
Largo plazo.- Modelos con cambio estructural.

3º Medios Altamente Profesionalizados:

Corto Plazo.- Análisis espectral, Modelos dinámicos y Filtros.
Medio Plazo.- Modelos multiecuacionales de gran tamaño, Simulación y
Input/Output.
Largo plazo.- Modelos con cambio estructural y Escenarios.

1.5. ANÁLISIS DE SERIES TEMPORALES

Una serie temporal está formada por un conjunto de observaciones medidas a
lo largo del tiempo. Es frecuente que se observen varias magnitudes
simultáneamente, en cuyo caso se tiene una serie temporal multivariante.

1.6. OBJETIVO DEL ANÁLISIS DE UNA SERIE TEMPORAL

El objetivo básico perseguido al realizar el análisis de una serie temporal es la
predicción, es decir, la extrapolación de valores futuros de la serie a partir de los
datos disponibles.

Otro objetivo es la modelización, o conocimiento de la estructura temporal del
proceso generador de los datos.

Un último objetivo es la actuación externa o control, sobre el sistema a partir
de las predicciones sucesivas (éste es el caso típico de un proceso de control de
calidad industrial o de servicios).

1.7. FORMAS DE ANÁLISIS DE UNA SERIE TEMPORAL

Una serie temporal se puede analizar:

1º En el dominio del tiempo, consiste en construir un modelo econométrico
dependiente del tiempo.

2º En el dominio de las frecuencias, o análisis espectral, trata sobre la detección
de posibles componentes cíclicos y de la aportación que realizan las distintas
frecuencias en la variabilidad de la serie. El análisis espectral no persigue la
construcción de modelos de predicción, sino simplemente investigar la
estructura interna del proceso estocástico generador de una serie.


1.8. MÉTODOS USADOS EN EL DOMINIO DEL TIEMPO

El análisis en el dominio temporal se realiza generalmente usando dos tipos de
técnicas:

1º Los métodos clásicos, como los de regresión, alisado exponencial, o medias
móviles, empleados si el número de observaciones es pequeño (hasta 40).

2º Los métodos de Box y Jenkins o utilización de modelos ARIMA, si se dispone
de suficiente material estadístico. Existen otros modelos derivados o
relacionados con esta metodología.

1.9. TIPOS DE MODELOS DE SERIES TEMPORALES

En el enfoque inicialmente propuesto por Box y Jenkins, se suelen dividir
cinco clases de modelos con un grado creciente de complejidad y que pueden
denominarse:

1º Univariante,

Se enlaza con la más clásica tradición de tratamiento aislado de una
serie temporal, cuya evolución se explica por los valores pasados de dicha
serie y un cierto término de error. Es decir:

2º Función de transferencia,

La función de transferencia del filtro es el cociente de los dos
polinomiales de retardos definidos, , de la siguiente forma:

Con los mismos polinomiales de retardos definidos, de orden p y q,
entonces puede definirse el modelo (simple) de función de transferencia, con
ruido, como:
donde

Y
t
puede interpretarse, a su vez, como la salida de dos filtros lineales,
uno sobre la variable de input y otro sobre la componente de ruido.

( ) ( )
Φ Β Θ Β Y u
t t
=

( )
( )
Y u
t t
=
Θ Β
Φ Β

( )
( )
( )
( )
Y X u
t t t
= +
ω
δ
Β
Β
Θ Β
Φ Β

( )
( )
Θ Β
Φ Β
Generalizando al caso de más de una variable explicativa, con K
cocientes distintos de polinomiales de retardos, uno por cada input; es:

3º Intervención,

Cuando en el modelo de función de transferencia las variables X
jt
son
ficticias.

4º Multivariantes,

Se trata de modelos de varias variables de salida, considerando que
todos los polinomiales pueden ser distintos (tanto en orden como en valor de
los parámetros) la expresión formal matricial condensada es:
representando m ecuaciones en retardos sobre las m series temporales con
retardos también en m variables de error.

Puede considerarse que los polinomiales en posiciones de diagonal
principal comienzan con la unidad, mientras que los restantes comienzan con
una potencia de Β ; entonces cada uno de las ecuaciones se entiende que
explica el comportamiento de cada una de las variables Z
jt
.

5º Funciones de transferencia mutlivariante,

Obtenido como generalización del modelo de función de transferencia
para un output único.

Una posible expresión consiste en definir, para K variables de input
(exógenas) y G variables output (endógenas), la matriz

( )
V Β de G x K
polinomiales del tipo
( )
( )
ϖ
δ
ij
ij
Β
Β
, así como las matrices m x n de polinomiales
( )
Φ Β y ( ) Θ Β
para los términos de error, con lo que:

2º ANÁLISIS BÁSICO DE UNA SERIE DE TIEMPO

Definimos una serie temporal como un conjunto de mediciones de un
determinado fenómeno repetidas de forma homogénea con una frecuencia
determinada. De forma genérica podemos representar una serie temporal de T
observaciones como:
( )
( )
( )
( )
Y X u
t
j
j j
K
jt t
= +
=

ω
δ
Β
Β
Θ Β
Φ Β
1

( ) ( )
H Z F U
t t
Β Β =

( ) ( ) ( )
Y V X U
t t t
= +

Β Φ Β Θ Β
1

) ,......, , (
2 1 T t
Y Y Y Y =

Una primera aproximación al análisis de las series se puede conseguir
mediante las medidas clásicas de posición: la media,

=
=
T
t
t t
Y
T
Y
1
1
y la desviación
típica, ( )

=
− =
T
t
t t
Y Y
T
DesY
1
2 1
.

Habitualmente las series económicas presentan una evolución generalmente
creciente en el tiempo que hace que la media sea un valor poco representativo como
se observa en el gráfico.
400
800
1,200
1,600
2,000
2,400
2,800
1950 1955 1960 1965 1970 1975 1980 1985
CP @MEAN(CP,"1950q1 1988q1")

En el contexto de las series económicas es frecuente acudir al análisis de su dinámica
temporal para obtener una descripción más adecuada del fenómeno.

El cálculo de tasas de variación suele ser el procedimiento más habitual para
analizar la dinámica de las series económicas. El planteamiento más simple de una
tasa de variación, expresada en % es el siguiente:




Cuando estamos analizando series temporales de frecuencia superior al año
podemos calcular distintas tasas de crecimiento alternativas.


Mensual Trimestral
Sobre el periodo anterior

Sobre el mismo periodo
del año anterior
(interanuales)


Las tasas interanuales presentan un comportamiento mas suavizado y
representan el movimiento tendencial de la variable, mientras que las tasas sobre el
100 * 1 100 * %
1 1
1
|
|
¹
|

\
|
− =

= ∆
− −

t
t
t
t t
t
Y
Y
Y
Y Y
Y
100 * 1
1
1
1
|
|
¹
|

\
|
− = ∆
− t
t
t
Y
Y
Y
100 * 1
1
1
1
|
|
¹
|

\
|
− = ∆
− t
t
t
Y
Y
Y
100 * 1
12
12
1
|
|
¹
|

\
|
− = ∆
− t
t
t
Y
Y
Y 100 * 1
4
4
1
|
|
¹
|

\
|
− = ∆
− t
t
t
Y
Y
Y
periodo anterior recogen la dinámica más reciente y son más volátiles.
-4
-2
0
2
4
6
-2
0
2
4
6
8
1950 1955 1960 1965 1970 1975 1980 1985
TPA TPAA


Para muchas aplicaciones econométricas es frecuente utilizar la
transformación logarítmica. Esta transformación no altera las propiedades dinámicas
de la serie y reduce la volatilidad de la misma.

CP LOG(CP)
Mean 1493.913 7.244159
Std. Dev. 528.3112 0.366872
Ratio Des./Media 35.36 % 5.06 %
Observations 149 149






Si calculamos las diferencias de una serie transformada en logaritmos
obtenemos un valor similar a la tasa de variación.

-3
-2
-1
0
1
2
3
1955 1960 1965 1970 1975 1980 1985
(LOG(CP)-LOG(CP(-1)))*100 TPA


La transformación de Box-Cox se define como:


Se tiene los valores siguientes:
500
1000
1500
2000
2500
3000
6.4
6.8
7.2
7.6
8.0
1955 1960 1965 1970 1975 1980 1985
CP LOG(CP)
2 2 ) ( ≤ ≤ − = − = λ
λ
para Y Y C B W
t t t
¦
¦
¦
¦
¦
)
¦
¦
¦
¦
¦
`
¹
¦
¦
¦
¦
¦
¹
¦
¦
¦
¦
¦
´
¦
− =
− =
− =
=
=
=
=
2 λ
1
λ
Y
1
0,5 λ
Y
1
0 λ para ) Ln(Y
0,5 λ Y
2 λ Y
t
t
t
2
t
2
t
2
2
1
t
t
Y
W


Graficando tenemos:
0
1000000
2000000
3000000
4000000
5000000
6000000
7000000
1955 1960 1965 1970 1975 1980 1985
CP^2
24
28
32
36
40
44
48
52
1955 1960 1965 1970 1975 1980 1985
SQR(CP)
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
1955 1960 1965 1970 1975 1980 1985
LOG(CP)
.016
.020
.024
.028
.032
.036
.040
1955 1960 1965 1970 1975 1980 1985
1/SQR(CP)
.0002
.0004
.0006
.0008
.0010
.0012
.0014
1955 1960 1965 1970 1975 1980 1985
1/CP
.0000000
.0000004
.0000008
.0000012
.0000016
.0000020
1955 1960 1965 1970 1975 1980 1985
1/CP^2


3º ANÁLISIS PRIMARIO DE UNA SERIE DE TIEMPO

Sobre una serie temporal Y
t
podemos identificar una serie de componentes
básicos que se denominan respectivamente como:

1º TENDENCIA: T
t
Movimientos de larga duración que se mantienen durante
todo el periodo de observación.

2º CICLO: C
t
Oscilaciones alrededor de la tendencia producidos por períodos
alternativos de prosperidad y depresión.

3º ESTACIONALIDAD: S
t
Movimiento que se produce, dentro de un periodo
anual, por motivos no estrictamente económicos (climáticos, sociales, etc.).

4º IRREGULARIDAD: I
t
Movimientos erráticos generados por causas ajenas al
fenómeno económico y no repetidos en el tiempo.

Otra forma de agrupar los componentes es:

1º Deterministico ⇒ Tendencia, Estacionalidad.

2º Modelable ⇒ Es posible hacer un modelo para reproducir una
estructura. El componente modelable es estocástico.

3º Irregulares ⇒ Error, no se puede modelar ni deterministicamente ni
estocásticamente.

Podemos plantear diferentes esquemas alternativos de descomposición de una
serie temporal:

1º ADITIVO:


2º MULTIPLICATIVO:


3º MIXTO:


Generalmente, el proceso de descomposición de una serie se realiza, en el
enfoque clásico, mediante un proceso secuencial de identificación y separación de
componentes.

Por regla general el orden en el que se van identificando los sucesivos
componentes es el siguiente (para estructura aditiva):

1º Estacionalidad

2º Tendencia

3º Ciclo

4º Componente irregular

3.1. DESESTACIONALIZACIÓN

Es frecuente antes de aplicar un proceso de desestacionalización realizar un
análisis de LABORALIDAD y efecto PASCUA (Semana Santa).

* LABORALIDAD: Corrección de los datos originales en función del número de
días laborables de cada mes. Por ejemplo, una serie mensual se
puede homogeneizar a meses de 30 días, multiplicando los
datos de enero por 30/31, los de febrero por 30/28 o por 30/29
si el año es bisiesto, etc. En este tratamiento previo, se aconseja
realizar un gráfico temporal de la serie.

* Efecto PASCUA: Corrección que se aplica a los meses de Abril o Marzo en
función de las fechas de Semana Santa.

t t t t t
I S C T Y + + + =
t t t t t
I S C T Y * * * =
t t t t t
I S C T Y + + + = ) 1 ( * ) 1 ( *
) (
ˆ
t t
Y f S =
t t t
S Y Y
ˆ
1
− =
) (
ˆ
1
t t
Y f T =
t t t
T Y Y
ˆ
1 2
− =
) (
ˆ
2
t t
Y f C =
t t t
C Y I
ˆ
2
− =
A las series de las que se han eliminado estos efectos se les denomina SERIES
CORREGIDAS DE CALENDARIO.

Las series temporales de datos económicos presentan generalmente
características estacionales cuando se observan a una frecuencia inferior a la anual,
ya sea mediante datos trimestrales, mensuales, bimestrales o semanales.

Estas características se deben a que las decisiones tomadas por los agentes
económicos en un determinado trimestre (bimestre, mes, o semana) del año puede
estar correlacionado con las decisiones tomadas en el mismo trimestre (bimestre, mes
o semana) de otros años.

La identificación del elemento estacional es importante cuando el objetivo es
explicar el comportamiento de la variable endógena, dado que una parte de las
fluctuaciones de esta se manifiesta por el solo hecho de encontrarse en una época del
año.

También es importante cuando el objetivo es predecir, puesto que las
diferencias estacionales motivan que aun siendo idénticos los valores de las variables
exógenas en cada parte del año se deberá predecir diferentes valores para la variable
endógena.

Este fenómeno se puede detectar:

1º GRÁFICO DE BARRAS.- Nos interesa observar los picos que se dan en la
serie y si estos picos se repiten todos los años, podemos concluir que existe
estacionalidad.

Realizando el gráfico del Producto Bruto Interno Agrícola y del
Consumo Personal Real:
20
30
40
50
60
70
92M01 92M07 93M01 93M07 94M01
PBIA


Observando los gráficos se concluye que el Producto Bruto Interno
Agrícola presenta indicios de estacionalidad porque presenta picos que se
repiten en enero y octubre de cada año; en cambio, en el Consumo Personal
Real no presenta indicios de estacionalidad porque los picos no se repiten.

2º LINEAS APILADAS.- Nos interesa observar el comportamiento de cada mes
o trimestre, si el comportamiento es diferente, entonces existe estacionalidad.
700
720
740
760
780
800
820
1950 1951 1952 1953
CP

Realizando el gráfico del Producto Bruto Interno Agrícola y del
Consumo Personal Real:
20
30
40
50
60
70
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Means by Season
PBIA by Season


Observando los gráficos se concluye que el Consumo Personal Real no
presenta estacionalidad y el Producto Bruto Interno agrícola si presenta
estacionalidad.

3º LINEAS SEPARADAS.- Nos interesa observar el comportamiento de cada
mes o trimestre, si el comportamiento es diferente, entonces existe
estacionalidad.

Realizando el gráfico del Producto Bruto Interno Agrícola y del
Consumo Personal Real:

Observando los gráficos se concluye que el Consumo Personal Real no
presenta estacionalidad y el Producto Bruto Interno agrícola si presenta
estacionalidad.

4º CORRELOGRAMA.-

Para analizar la estacionalidad de una serie introduciremos un concepto
de gran interés en el análisis de series temporales: la función de
autocorrelación.

La función de autocorrelación mide la correlación entre los valores de
la serie distanciados un lapso de tiempo k.

La función de autocorrelación es el conjunto de coeficientes de
autocorrelación r
k
desde 1 hasta un máximo que no puede exceder la mitad de
20
30
40
50
60
70
1992 1993 1994
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
PBIA by Season

400
800
1200
1600
2000
2400
2800
CP Means by Season
Q1 Q2 Q3 Q4
CP by Season
400
800
1200
1600
2000
2400
2800
1950 1955 1960 1965 1970 1975 1980 1985
Q1
Q2
Q3
Q4
CP by Season
los valores observados, y es de gran importancia para estudiar la
estacionalidad de la serie, ya que si ésta existe, los valores separados entre sí
por intervalos iguales al periodo estacional deben estar correlacionados de
alguna forma. Es decir que el coeficiente de autocorrelación para un retardo
igual al periodo estacional debe ser significativamente diferente de 0.

Debemos obtener el correlograma considerando 25 retardos si la serie
es mensual, 9 retardos si la serie es trimestral, etc.. Se tiene que observar los
picos que se dan en el correlograma y si estos picos se repiten en el mismo
periodo en los siguientes años, podemos concluir que existe estacionalidad.

El correlograma del Producto Bruto Interno Agrícola se obtiene
siguiendo la instrucción siguiente:
Abrir el PBIA

View

Correlogram...

se marca level y se escribe
25 lag

OK y se muestra el siguiente resultado para el PBIA:

Sample: 1992M01 1995M12
Included observations: 30


Autocorrelation Partial Correlation AC PAC Q-Stat Prob


. |***** | . |***** | 1 0.672 0.672 14.927 0.000
. |**. | ***| . | 2 0.234 -0.396 16.798 0.000
. *| . | .**| . | 3 -0.150 -0.222 17.596 0.001
***| . | . *| . | 4 -0.350 -0.069 22.131 0.000
***| . | . *| . | 5 -0.408 -0.141 28.534 0.000
***| . | .**| . | 6 -0.398 -0.199 34.869 0.000
***| . | . *| . | 7 -0.330 -0.127 39.414 0.000
.**| . | . *| . | 8 -0.247 -0.177 42.085 0.000
. | . | . |* . | 9 -0.024 0.160 42.112 0.000
. |**. | . |* . | 10 0.246 0.127 45.015 0.000
. |*** | . |* . | 11 0.458 0.115 55.594 0.000
. |**** | . | . | 12 0.484 0.031 68.113 0.000
. |*** | . | . | 13 0.330 0.001 74.278 0.000
. |* . | . | . | 14 0.095 -0.000 74.816 0.000
. *| . | . | . | 15 -0.133 -0.022 75.956 0.000
.**| . | . | . | 16 -0.245 0.045 80.088 0.000
.**| . | . | . | 17 -0.291 -0.023 86.322 0.000
.**| . | . | . | 18 -0.264 0.030 91.891 0.000
. *| . | . |* . | 19 -0.141 0.164 93.636 0.000
. | . | . *| . | 20 -0.027 -0.066 93.705 0.000
. | . | .**| . | 21 0.017 -0.216 93.735 0.000
. | . | . *| . | 22 0.047 -0.067 94.000 0.000
. | . | . *| . | 23 0.041 -0.186 94.235 0.000
. | . | . *| . | 24 0.000 -0.176 94.235 0.000
. | . | . | . | 25 0.000 0.033 94.235 0.000



Si observamos el correlograma del producto bruto interno agrícola se
visualiza que el pico del retardo 5 se repite en el retardo 17, por lo tanto,
podemos concluir que el producto bruto interno agrícola es estacional.

El correlograma del Consumo Personal Real se obtiene siguiendo la
instrucción siguiente:
Abrir el CP

View

Correlogram...

se marca level y se escribe 9
lag

OK y se muestra el siguiente resultado para el CP:

Sample: 1950Q1 1988Q1
Included observations: 153


Autocorrelation Partial Correlation AC PAC Q-Stat Prob


.|*******| .|*******| 1 0.955 0.955 142.33 0.000
.|*******| .|. | 2 0.911 -0.014 272.69 0.000
.|*******| .|. | 3 0.868 -0.014 391.73 0.000
.|****** | .|. | 4 0.825 -0.012 500.15 0.000
.|****** | .|. | 5 0.786 0.008 599.06 0.000
.|****** | .|. | 6 0.747 -0.010 689.07 0.000
.|***** | .|. | 7 0.711 0.006 771.12 0.000
.|***** | .|. | 8 0.677 0.008 846.07 0.000
.|***** | .|. | 9 0.645 0.008 914.68 0.000



El comportamiento del coeficiente de autocorrelación del consumo
personal real no presenta picos, por lo tanto, concluimos que el consumo
personal real no es estacional.

Los métodos para cuantificar la estacionalidad y desestacionalizar la
serie son:

1º REGRESIÓN CON VARIABLES DUMMY.-

En el método de regresión se utiliza una serie de variables mudas para
capturar los efectos estacionales:
t t k k t
Y D D Y ε γ β β β + + + + + =
−1 1 1 0
.....
donde cada variable D
i
toma valores 1 en el período que ésta representa (p. e.,
enero de cada año) y cero en cualquier otro período. El modelo puede ser
extendido para incluir otras variables explicativas o un proceso más complejo
(aunque estacionario) para el error (p. e., un ARMA).

En la medida en que los coeficientes
i
β sean estadísticamente
significativos, habrá componentes estacionales. Consecuentemente, la serie
desestacionalizada
SE
t
Y se calcula como:
k k t
SE
t
D D Y Y β β β − − − − = .....
1 1 0

donde
i
β son los parámetros estimados para cada componente estacional que
resulten significativos.

Como es evidente, al modelar la estacionalidad de esta manera se
asume que el efecto estacional sea determinístico (o constante en valor
esperado), es decir, que en cada año el cambio en la variable por razones
estacionales sea exactamente el mismo. Ello no es un supuesto adecuado para
muchas de las variables económicas debido a que el comportamiento
estacional se determina por numerosas y muy heterogéneas fuentes, lo que
sugiere que éste sea modelado como una variable aleatoria.

El uso de variables mudas para modelar estacionalidad en un análisis de
regresión presenta el problema de inducir correlaciones espurias entre las
variables, en tanto que su uso para predecir variables en modelos de series de
tiempo (p.e., ARIMA, VAR) produce predicciones fuera de muestra que son
de peor calidad que las que se obtienen de otros métodos (X-11 o la variación
en x-períodos), en especial en modelos multivariados.

No obstante, este método satisface algunas características que son
deseables en cualquier método de remoción de estacionalidad: que se preserve
el promedio de la serie original, que los componentes estacionales sean
ortogonales entre sí, y que al aplicar el método a la serie desestacionalizada no
se obtengan nuevos factores estacionales (idempotencia).

Aplicando este método a la serie Consumo personal real tenemos:

Dependent Variable: CP
Method: Least Squares
Sample (adjusted): 1950Q2 1988Q1
Included observations: 152 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 0.940573 3.380101 0.278268 0.7812
@SEAS(1) 2.577797 2.784144 0.925885 0.3560
@SEAS(2) 1.529906 2.784490 0.549438 0.5835
@SEAS(3) 4.609948 2.784212 1.655746 0.0999
CP(-1) 1.006017 0.001863 539.9100 0.0000


R-squared 0.999496 Mean dependent var 1479.040



En la regresión ninguna de las variables dummy son significativas, por
lo tanto el consumo personal real no presenta estacionalidad.

En GRETL se obtiene el mismo resultado:

Modelo 1: MCO, usando las observaciones 1950:2-1988:1 (T = 152)
Variable dependiente: CP
Coeficiente Desv. Típica Estadístico t Valor p
Const 0,940573 3,3801 0,2783 0,78120
dq1 2,5778 2,78414 0,9259 0,35602
dq2 1,52991 2,78449 0,5494 0,58354
dq3 4,60995 2,78421 1,6557 0,09991 *
CP_1 1,00602 0,0018633 539,9100 <0,00001 ***
Media de la vble. dep. 1479,040 D.T. de la vble. dep. 533,5063
Suma de cuad. residuos 21648,89 D.T. de la regresión 12,13554
R-cuadrado 0,999496 R-cuadrado corregido 0,999483
F(4, 147) 72922,06 Valor p (de F) 3,0e-241
Log-verosimilitud -592,5497 Criterio de Akaike 1195,099
Criterio de Schwarz 1210,219 Crit. de Hannan-Quinn 1201,241
Rho 0,147941 h de Durbin 1,818406

Aplicándolo en Eviews para Producto bruto interno agrícola resulta:

Dependent Variable: PBIA
Method: Least Squares
Sample (adjusted): 1992M02 1994M06
Included observations: 29 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C -11.66865 3.817922 -3.056282 0.0075
@SEAS(1) -3.149474 1.741879 -1.808090 0.0894
@SEAS(2) 4.600756 1.631591 2.819797 0.0123
@SEAS(3) 1.089949 1.591708 0.684767 0.5033
@SEAS(4) 8.744458 1.611761 5.425405 0.0001
@SEAS(5) 5.446288 2.162990 2.517944 0.0228
@SEAS(6) -4.584691 3.175343 -1.443841 0.1681
@SEAS(7) -8.288786 3.077233 -2.693585 0.0160
@SEAS(8) -21.88337 3.103516 -7.051155 0.0000
@SEAS(9) -9.241514 1.983766 -4.658570 0.0003
@SEAS(10) -4.739175 1.756342 -2.698321 0.0158
@SEAS(11) 2.503367 1.757713 1.424218 0.1736
PBIA(-1) 1.402257 0.122378 11.45837 0.0000


R-squared 0.986385 Mean dependent var 37.99448



En la regresión, siete de las variables dummy son significativas, por lo
tanto el Producto bruto interno agrícola presenta estacionalidad. Entonces se
aplica el método aditivo para desestacionalizar.

2º MEDIA MÓVIL.- Se desestacionaliza transformando la serie original en la
que las nuevas observaciones para cada periodo son un promedio de las
observaciones originales. El orden de la media móvil indica el número de
observaciones a promediar.

Mensuales Orden 12 Trimestrales Orden 4
Sin centrar

Centrada




Con ω = 0.5 para r=-6 y
+6 y ω = 1 el resto.




Con ω = 0,5 para r = -2 y +2
y ω = 1 el resto.


=

=
11
0
12
12
1
r
r t t
Y Y MM

=

=
3
0
4
4
1
r
r t t
Y Y MM

+
− =

=
6
6
12
12
1
r
r t t
Y Y MMc ω

+
− =

=
2
2
4
4
1
r
r t t
Y Y MMc ω
Aplicando la media móvil sin centrar al consumo personal real nos
daría los siguientes factores estacionales:

En el Eviews se sigue la instrucción siguiente:

Genr mvscp = @movav(cp,4) y se obtiene la serie desestacionalizada
empleando la media móvil sin centrar.

Genr mvccp = (0.5*cp(-2)+cp(-1)+cp+cp(+1)+0.5*cp(+2))/4 y se obtiene la
serie desestacionalizada empleando la media móvil central.

En Gretl se sigue la instrucción siguiente:

Marcamos CP

Variable

Filtrar

Media Móvil simple


marcar serie suavizada

Aceptar, para obtener la media móvil sin centrar.

Marcamos CP

Variable

Filtrar

Media Móvil simple


marcar centrada y serie suavizada

Aceptar, para obtener la media móvil
centrada.

3º RATIO DE MEDIO MÓVIL.- Los pasos para obtener el ratio de promedio
móvil son:

1) Se calcula el promedio móvil central de
Y
t
como:

2) Se considera el ratio:

3) Calculamos el índice estacional ( ) i
m
como el promedio del ratio de
promedio móvil para ese mes o trimestre en el periodo analizado.

1) El factor estacional es el ratio entre el índice estacional y la media
geométrica de los índices estacionales, así:
X
Y Y Y Y Y
mensual
Y Y Y Y Y
trimestral
t
t t t t t
t t t t t
=
+ + + + + +
+ + + +
¦
´
¦
¹
¦
+ + − −
+ + − −
05 05
12
05 05
4
6 5 5 6
2 1 1 2
. ... ... .
. .

r
Y
X
t
t
t
=


s
i
i i i
mensuales
i
i i i i
trimestres
m
m
=
¦
´
¦
¦
¹
¦
¦
1 2 12
12
1 2 3 4
4
...

En el Eviews se sigue la instrucción siguiente:

Abrir el CP

Proc

Seasonal Adjusment

se marca Ratio to
moving average - Multiplicative

OK y se muestra el siguiente resultado
para el CP:

Sample: 1950Q1 1988Q1
Included observations: 153
Ratio to Moving Average
Original Series: CP
Adjusted Series: CPSA


Scaling Factors:


1 1.000019
2 0.999470
3 1.000848
4 0.999663



4º DIFERENCIA DE PROMEDIO MÓVIL.- Los pasos para obtener la
diferencia de promedio móvil son:

1.- Se calcula el promedio móvil central de
Y
t
como:

2.- Se considera la diferencia:

3.- Calculamos el índice estacional
( ) i
m
como el promedio de la diferencia
de promedio móvil para ese mes o trimestre en el periodo analizado.

4.- El factor estacional es la diferencia entre el índice estacional y el
promedio de los índices estacionales, así:

En el Eviews se sigue la instrucción siguiente:

Abrir el CP

Proc

Seasonal Adjusment

Difference from moving
average - Additive

OK y se muestra el siguiente resultado para el CP:

X
Y Y Y Y Y
mensual
Y Y Y Y Y
trimestral
t
t t t t t
t t t t t
=
+ + + + + +
+ + + +
¦
´
¦
¹
¦
+ + − −
+ + − −
05 05
12
05 05
4
6 5 5 6
2 1 1 2
. ... ... .
. .

d Y X
t t t
= −

s i i
j j
= −

Sample: 1950Q1 1988Q1
Included observations: 153
Difference from Moving Average
Original Series: CP
Adjusted Series: CPSA1


Scaling Factors:


1 -0.132086
2 -0.941545
3 1.444906
4 -0.371275



5º ALISADO.- Las técnicas de alisado exponencial se utilizan en situaciones en
las que existen pocos datos (muestra pequeña), y si es necesario ir
actualizando el modelo empleado cada vez que se obtiene un nuevo dato. Son
muy simples en su aplicación pero limitados.

El Modelo de Holt-Winters, para series con tendencia polinomial, ciclo
estacional y componente aleatoria, tanto para tipo aditivo como multiplicativo.

El Alisado exponencial estacional con triple parámetro (Holt-Winters
estacional-multiplicativo) es:





La predicción es:


Válido para series con tendencia lineal y estacionalidad. El factor
estacional no es fijo en el ajuste a periodo muestral.

En el Eviews se sigue la instrucción siguiente:

Abrir el PBIA

Proc

Exponential Smoothing

Holt-Winters
Multiplicativo

OK y se muestra el siguiente resultado:


Sample: 1992M01 1994M06
Included observations: 30
Method: Holt-Winters Multiplicative Seasonal
Original Series: PBIA
Forecast Series: PBIASM

( ) ( )
( ) ( )
( )
s t
t
t
t
t t t t
t t
s t
t
t
s
Y
Y
s
b Y Y b
b Y
s
Y
Y

− −
− −

− + =
− + − =
+ − + =
δ δ
β β
α α
1
ˆ
* 1
ˆ ˆ
*
ˆ
* 1 *
ˆ
1 1
1 1
( )
k s t t t k t
s k b Y Y
+ − +
+ = * *
ˆ ˆ

Parameters: Alpha 0.8700
Beta 1.0000
Gamma 0.0000
Sum of Squared Residuals 42.98890
Root Mean Squared Error 1.197065


End of Period Levels: Mean 49.38024
Trend 4.217104
Seasonals: 1993M07 1.406998
1993M08 1.032589
1993M09 0.865693
1993M10 0.758299
1993M11 0.807855
1993M12 0.810340
1994M01 0.735470
1994M02 0.848620
1994M03 0.874647
1994M04 1.113844
1994M05 1.338879
1994M06 1.406765



El Alisado exponencial estacional con triple parámetro (Holt-Winters
estacional-aditivo) es:




La predicción es:


Válido para series con tendencia lineal y estacionalidad. El factor
estacional no es fijo en el ajuste a periodo muestral.

En el Eviews se sigue la instrucción siguiente:

Abrir el PBIA

Proc

Exponential Smoothing

Holt-Winters
Aditivo

OK y se muestra el siguiente resultado:

Sample: 1992M01 1994M06
Included observations: 30
Method: Holt-Winters Additive Seasonal
Original Series: PBIA
Forecast Series: PBIASM1


Parameters: Alpha 0.9400
Beta 1.0000
Gamma 0.0000
Sum of Squared Residuals 54.46170
( ) ( ) ( )
( ) ( )
( ) ( )
s t t t t
t t t t
t t s t t t
s Y Y s
b Y Y b
b Y s Y Y

− −
− − −
− + − =
− + − =
+ − + − =
δ δ
β β
α α
1
ˆ
*
* 1
ˆ ˆ
*
ˆ
* 1 *
ˆ
1 1
1 1
k s t t t k t
s k b Y Y
+ − +
+ + = *
ˆ ˆ
Root Mean Squared Error 1.347364


End of Period Levels: Mean 54.92442
Trend 6.410787
Seasonals: 1993M07 14.64229
1993M08 1.253542
1993M09 -4.815208
1993M10 -8.758958
1993M11 -6.982708
1993M12 -6.931458
1994M01 -9.250208
1994M02 -5.313958
1994M03 -4.442708
1994M04 4.013542
1994M05 12.04479
1994M06 14.54104



6º METODO X11.- Un procedimiento de estimación de los componentes de una
serie temporal es el desarrollo por J. Siskin en la Oficina del Censo de los
Estados Unidos.

Este programa X11 se usa en numerosos organismos públicos, así
como en el sector financiero, y permite ajustar series mensuales y trimestrales
mediante el método aditivo, multiplicativo y mixto. Incluye numerosas
opciones para tener en cuenta las fiestas, los días no laborables, e incluso para
detectar y corregir automáticamente los datos anormales.

Los resultados que muestra el método son:

a.- Estimación de la tendencia.
b.- Determinación de unos coeficientes estacionales.
c.- Estimación de la componente aleatoria, y
d.- Varios contrastes para detectar la estacionalidad.

Dispone de numerosas opciones, en las que se proporcionan muy
variadas y extensas tablas relativas a las componentes, en las distintas fases de
la estimación, ya que el procedimiento realiza varias iteraciones antes de
estimar finalmente las componentes del modelo, incluido el modelo ARIMA
para la componente aleatoria.

En unas iteraciones iniciales, se estiman las componentes de la serie y
se corrigen los datos en función de los días laborables (si se elige esta opción).
Se identifican las observaciones extremas o anormales, y así se llega a unas
estimaciones finales de las componentes.

En la primera iteración, con una media móvil centrada de amplitud 12,
se obtiene una estimación inicial de la tendencia y ciclo, eliminando variación
estacional e irregular, que se estiman por diferencia o por cociente según el
tipo de modelo.

En la segunda etapa, se aplican medias móviles a la serie que incluye
las componentes estacionales y la irregular, para estimar esta última, y se
obtiene también su desviación típica mensual. De esta forma se estiman y
corrigen los valores extremos, y con una nueva media móvil se estima la
componente estacional. Los índices estacionales se usan para obtener una
primera aproximación de la serie desestacionalizada, a partir de la cual, y
mediante una media móvil ponderada, se obtienen una segunda estimación de
las componentes agregadas de tendencia y ciclo no estacional.

El mismo procedimiento se utiliza para obtener una segunda estimación
de la serie desestacionalizada y de la componente irregular, que es de nuevo
corregida en sus valores extremos o anormales.

En una tercera y última iteración, se estiman finalmente los índices
estacionales, y las componentes irregular y tendencial.

En el Eviews se tiene:

T representa la tendencia de la serie y los ciclos no estacionales.
S componente estacional.
I componente aleatoria o irregular.

En el Eviews se sigue la instrucción siguiente:

Abrir el CP

Proc

Seasonal Adjusment

X11 (Historical)


Census X11-Multiplicative y se escribe en Factor: FEM

OK.

7º CENSUS X12-ARIMA.- es un programa de código abierto creado por el U.S.
Census Bureau. Este es un programa de corrección estacional que incorpora
algunas mejoras con respecto al programa X11-ARIMA (Statistics Canada)
como el desarrollo de nuevas medidas de identificación de modelos y de
diagnóstico de ajustes.

Además es un programa de reajuste estacional. También el Census
X12-ARIMA es un método basado en promedios móviles, los cuales se
sustentan en el dominio del tiempo o en el de frecuencias. Census X12-
ARIMA logra el ajuste estacional con el desarrollo de un sistema de los
factores que explican la variación estacional en una serie.

En años recientes, el Census X12-ARIMA ha adquirido relevancia en
vista de que entre sus innovaciones se encuentran procedimientos basados en
modelos (“model based”) como el Seats, el cual supone un modelo ARIMA
para cada uno de los componentes de la serie de tiempo de interés.
Específicamente, considera los modelos RegARIMA, los cuales son modelos
de regresión cuyos errores siguen un proceso ARIMA. Por lo anterior, este
programa es muy utilizado en varios bancos centrales, así como en varias
oficinas de estadística como la de la Unión Europea (Eurostat) y la de Perú.

En el Eviews se sigue la instrucción siguiente:

Abrir el CP

Proc

Seasonal Adjusment

Census X12

se
marca Multiplicative, Final seasonally adjusted serie y Final seasonal factors

OK.

8º TRAMO/SEATS.- las siglas de Tramo significan “Time Series Regression
with ARIMA Noise, Missing Observations, and Outliers” y las de Seats
“Signal Extraction in ARIMA Time Series”. Estos programas (que
normalmente se usan juntos) han sido desarrollados por Víctor Gómez y
Agustín Maravall del Banco de España.

Tramo es un programa para estimar y pronosticar modelos de regresión
con errores posiblemente no estacionarios como los ARIMA (Autoregressive
Integrated Moving Average) y cualquier serie de observaciones ausentes,
también identifica y corrige observaciones atípicas como por ejemplo: el
efecto Pascua, Calendario y el relacionado a formas de variables de
intervención. El programa es eficiente en el ajuste estacional de series, y más
en la extracción de señales estocásticas. El ajuste de la serie con el programa
Tramo, corresponde al procedimiento que realizaba SCA (Scientific
Computing Associates).

Seats es un programa para la estimación de los componentes no
observados en series temporales, siguiendo el método “basado en modelos
ARIMA”. Se estima y se obtienen predicciones de la tendencia, el componente
estacional, el componente irregular y los componentes cíclicos. Además se
obtienen los estimadores con error cuadrático medio mínimo (ECMM) de los
componentes, así como sus predicciones también. Seats puede usarse para un
análisis profundo de series o para aplicaciones rutinarias masivas. La
estimación que realiza Seats corresponde a la metodología que llevaba a cabo
X11- ARIMA.

Citando la descripción de Tramo/Seats dada en el sitio Web del Banco
de España1, “Los programas están dirigidos fundamentalmente al análisis de
series temporales económicas y sociales, de frecuencia mensual o más baja.
Aunque están estructurados para satisfacer las necesidades de un analista
experto, pueden utilizarse también de forma totalmente automática. Sus
principales aplicaciones son predicción, ajuste estacional, detección y
corrección de observaciones atípicas, estimación de efectos especiales, y
control de calidad de los datos”.

En conjunto, Tramo/Seats realiza la estimación ARIMA y la
descomposición en componentes aditivos o multiplicativos; por lo que Tramo
hace la estimación, mientras que Seats hace la descomposición. Asimismo se
recomienda el uso de este programa para obtener un buen punto de partida al
ajustar alguna serie.

En el Eviews se sigue la instrucción siguiente:

Abrir el CP

Proc

Seasonal Adjusment

Tramo/Seats

se
marca Seasonally adjusted y seasonal factor

OK.

3.2. TENDENCIA

Es un movimiento de larga duración que se mantiene durante el período de
observación. Una primera idea sobre la presencia de tendencia en la serie la
obtendremos en su representación gráfica.

En general es difícil diferenciar entre el componente tendencial y el cíclico y,
habitualmente, se obtienen de forma conjunta eliminando de la serie
desestacionalizada el componente irregular, obteniéndose una nueva serie
denominada de CICLO-TENDENCIA.

Se tiene los métodos siguientes:

1º MEDIA MÓVIL CENTRADA.- Una forma sencilla de eliminar el
componente irregular consiste en calcular una media móvil centrada de orden
bajo (p.e. 3) sobre la serie previamente desestacionalizada.




El componente irregular se obtendría por diferencia (método aditivo)
entre la serie desestacionalizada y la de Ciclo-Tendencia, así:



En el Eviews se sigue la instrucción siguiente:

Genr mvc3cp = (cp(-1)+cp+cp(+1))/3 y se obtiene el ciclo-tendencia siguiente:

Modified: 1950Q1 1988Q1 // mvc3cp = (cp(-1)+cp+cp(+1))/3
1950Q1 NA 730.8333 740.3667 749.9000
1951Q1 745.0667 747.5000 746.8000 751.6000
1952Q1 758.3667 765.1667 776.9333 787.5000
1953Q1 797.8333 802.2000 803.3667 804.5000
1954Q1 808.2333 816.2333 827.9667 841.6333
1955Q1 855.5667 867.4667 879.9333 888.6000

2º FUNCIONES DE TIEMPO.- se obtiene la nueva serie de componente
tendencial ajustando los datos observados a una especificación en función del
tiempo, calculándose los parámetros de la función de tiempo forma que se
minimicen las diferencias cuadráticas entre la serie original y la estimada. Es
decir:




+
− =

=
1
1
3
1
s
SE
s t
CT
t
Y Y
CT
t
SE
t
I
t
Y Y Y − =
2 2 2
)
ˆ
( / ) , (
ˆ
t t t t
Y Y Min t f Y Y − = = β β
Se pueden plantear distintas especificaciones de la función:


Lineal



Parábola



Exponencial



Potencial



En Eviews se escribe la instrucción siguiente:
LS CP C @TREND LINEAL
LS CP C @TREND @TREND^2 PARÁBOLA
LS LOG(CP) C @TREND EXPONENCIAL
LS LOG(CP) C LOG(@TREND) POTENCIAL

Se obtiene el resultado siguiente:

Variable CP
Included Observation 153
Equation Yt = 551.89 +11.976*t
Yt = 689.46 +6.6505*t
+0.03458*t**2
Yt = 716.86 *
(1.0085**t)
R-Squared 0.982551 0.995333 0.993978
R-Square Adjusted 0.999980 0.999990 0.961511
Sum Square Error
(SSE)
760146.960164 203307.057636 0.024479

Adicionalmente tenemos los modelos que incorporan un componente
cíclico, como:

t b a Y
t
* + =
Lineal
0
10
20
30
40
50
60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 1516 17 18 19 20
2
* * t c t b a Y
t
+ + =
Parábola
0
50
100
150
1 2 3 4 5 6 7 8 9 101112 131415 1617 18 1920
( ) t d c Y Ln
b a Y
t
t
t
*
*
+ =
=
Exponencial
0
50
100
150
200
1 2 3 4 5 6 7 8 9 1011 1213 1415 16 1718 1920
( ) ( ) t Ln d c Y Ln
t a Y
t
b
t
*
*
+ =
=
Potencial
0
50
100
150
200
1 2 3 4 5 6 7 8 9 10 1112 1314 1516 1718 1920
1.- Modelo de tendencia senoidal simple.-

El modelo es:



donde w es el número de observaciones en un año.

En Eviews, primero hay que generar el ángulo, así:
GENR O = (2*3.14159*@TREND)/12
GENR O = (2*3.14159*@TREND)/4

y a continuación se escribe la instrucción siguiente:
LS CP C @TREND @SIN(O) @COS(O) @TREND*@SIN(O) @TREND*@COS(O)

Resulta:

Dependent Variable: CP
Method: Least Squares
Sample: 1950Q1 1988Q1
Included observations: 153


Variable Coefficient Std. Error t-Statistic Prob.


C 563.7933 11.56697 48.74167 0.0000
@TREND 11.97613 0.131602 91.00294 0.0000
@SIN(O) 6.007610 16.48854 0.364351 0.7161
@COS(O) 2.679173 16.22456 0.165131 0.8691
@TREND*@SIN(O) -0.080349 0.187892 -0.427635 0.6695
@TREND*@COS(O) -0.020915 0.184291 -0.113487 0.9098


R-squared 0.982576 Mean dependent var 1474.026
Adjusted R-squared 0.981984 S.D. dependent var 535.3530
S.E. of regression 71.85795 Akaike info criterion 11.42569
Sum squared resid 759044.1 Schwarz criterion 11.54453
Log likelihood -868.0650 F-statistic 1657.947
Durbin-Watson stat 0.033761 Prob(F-statistic) 0.000000



2.- Modelo de tendencia senoidal cuadrático.-

El modelo es:




donde w es el número de observaciones en un año.
Y t sen
t
w
t
w
tsen
t
w
t
t
w
u
t t
= + +
|
\

|
¹
| +
|
\

|
¹
| +
|
\

|
¹
| +
|
\

|
¹
| + α α α
π
α
π
α
π
α
π
0 1 2 3 4 5
2 2 2 2
cos cos
Y t t sen
t
w
t
w
tsen
t
w
t
t
w
t sen
t
w
t
t
w
u
t
t
= + + +
|
\

|
¹
| +
|
\

|
¹
| +
|
\

|
¹
| +
|
\

|
¹
| +
|
\

|
¹
| +
|
\

|
¹
| +
α α α α
π
α
π
α
π
α
π
α
π
α
π
0 1 2
2
3 4 5
6 7
2
8
2
2 2 2
2 2 2
cos
cos cos

En Eviews, primero hay que generar el ángulo, así:
GENR O = (2*3.14159*@TREND)/12
GENR O = (2*3.14159*@TREND)/4
y a continuación se escribe la instrucción siguiente:
LS CP C @TREND @TREND^2 @SIN(O) @COS(O) @TREND*@SIN(O)
@TREND*@COS(O) @TREND^2*@SIN(O) @TREND^2*@COS(O)

Obteniendo:

Dependent Variable: CP
Method: Least Squares
Sample: 1950Q1 1988Q1
Included observations: 153


Variable Coefficient Std. Error t-Statistic Prob.


C 696.2372 9.007112 77.29860 0.0000
@TREND 6.716405 0.273801 24.53023 0.0000
@TREND^2 0.034602 0.001744 19.84635 0.0000
@SIN(O) 0.011491 12.93618 0.000888 0.9993
@COS(O) -1.803156 12.52636 -0.143949 0.8857
@TREND*@SIN(O) 0.018841 0.393081 0.047933 0.9618
@TREND*@COS(O) 0.086830 0.380987 0.227907 0.8200
@TREND^2*@SIN(O) -0.000200 0.002504 -0.079986 0.9364
@TREND^2*@COS(O) -0.000709 0.002425 -0.292256 0.7705


R-squared 0.995339 Mean dependent var 1474.026
Adjusted R-squared 0.995080 S.D. dependent var 535.3530
S.E. of regression 37.55118 Akaike info criterion 10.14631
Sum squared resid 203053.1 Schwarz criterion 10.32457
Log likelihood -767.1926 F-statistic 3843.774
Durbin-Watson stat 0.104706 Prob(F-statistic) 0.000000



3º ALISADO.- Las técnicas de alisado exponencial se utilizan en situaciones en
las que existen pocos datos, y si es necesario ir actualizando el modelo
empleado cada vez que se obtiene un nuevo dato. Son muy simples en su
aplicación pero limitados.

Alisado exponencial simple:




Predicción:


Válido para series sin tendencia. La predicción no aporta información
adicional.

( )
( )


=


− =
− + =
1
0
1
1 *
ˆ
ˆ
* 1 *
ˆ
N
s
s t
s
t
t t t
Y Y
Y Y Y
α α
α α
0
ˆ ˆ
> ∀ =
+
k Y Y
t k t
En el Eviews se sigue la instrucción siguiente:
Abrir el PBIA

Proc

Exponential Smoothing

Single

OK y
se muestra el siguiente resultado:

Sample: 1992M01 1994M06
Included observations: 30
Method: Single Exponential
Original Series: PBIA
Forecast Series: PBIASM


Parameters: Alpha 0.9990
Sum of Squared Residuals 1345.407
Root Mean Squared Error 6.696782


End of Period Levels: Mean 69.42131



Alisado exponencial doble (Brown):




Predicción:







Válido para series con tendencia lineal. La predicción es una recta con
ordenada en el origen y pendiente .

En el Eviews se sigue la instrucción siguiente:

Abrir el PBIA

Proc

Exponential Smoothing

Double


OK y se muestra el siguiente resultado:

Sample: 1992M01 1994M06
Included observations: 30
Method: Double Exponential
Original Series: PBIA
Forecast Series: PBIASM


Parameters: Alpha 0.8560
Sum of Squared Residuals 1320.795
Root Mean Squared Error 6.635247


End of Period Levels: Mean 69.53286
Trend 10.11279


( ) ( )
( )
1
1
1 1
ˆ
* 1
ˆ
*
ˆ
ˆ
* 1 *
ˆ

− + =
− + =
t t t
t t t
Y Y Y
Y Y Y
α α
α α
( ) ( )
( )
( )
|
|
¹
|

\
|


+ − =
=
|
|
¹
|

\
|

+ −
|
|
¹
|

\
|

+ =
+
k Y Y Y Y
Y
k
Y
k
Y
t t t t
t t k t
ˆ ˆ
1
ˆ ˆ
* 2
ˆ
*
1
1
ˆ
*
1
2
ˆ
1 1
1
α
α
α
α
α
α
t t
Y Y
ˆ ˆ
* 2
1

( ) ( ) α α − − 1
ˆ ˆ
1
t t
Y Y

El Alisado exponencial lineal con doble parámetro (Holt-Winters) es:




Los valores iniciales pueden ser:



La predicción es:

Válido para series con tendencia lineal. La predicción es una recta con
ordenada en el origen y pendiente .

En el Eviews se sigue la instrucción siguiente:
Abrir el PBIA

Proc

Exponential Smoothing

Holt-Winters-No
Seasonal

OK y se muestra el siguiente resultado:

Sample: 1992M01 1994M06
Included observations: 30
Method: Holt-Winters No Seasonal
Original Series: PBIA
Forecast Series: PBIASM


Parameters: Alpha 1.0000
Beta 0.8100
Sum of Squared Residuals 1002.241
Root Mean Squared Error 5.779969


End of Period Levels: Mean 69.43000
Trend 9.713274



4º FILTRADO DE SERIES.- los medios más utilizados para detectar y eliminar
la tendencia de una serie se basan en la aplicación de filtros a los datos. Un
filtro no es más que una función matemática que aplicada a los valores de la
serie produce una nueva serie con unas características determinadas.

Según Baxter y King, un método óptimo de extracción de ciclos
económicos debe cumplir con 6 objetivos:

• El filtro debe extraer un rango específico de periodicidades, sin variar sus
propiedades inherentes (la varianza, correlaciones y otras medidas
exploratorias de los datos).
• No debe producir un movimiento de fase (es decir, que no altere las
( ) ( )
( ) ( )
1 1
1 1
* 1
ˆ ˆ
*
ˆ
* 1 *
ˆ
− −
− −
− + − =
+ − + =
t t t t
t t t t
b Y Y b
b Y Y Y
β β
α α
0 ;
ˆ
1 1 1
= = b Y Y
( )
1 2 2 2 2
;
ˆ
Y Y b Y Y − = =
k b Y Y
t t k t
*
ˆ ˆ
+ =
+
1
ˆ
t
Y
t
b
relaciones temporales de las series a ninguna frecuencia). Este aspecto y el
anterior definen un promedio móvil ideal, con ponderaciones simétricas
para rezagos y adelantos.
• El método debe ser una aproximación óptima de un filtro ideal. Esto se
puede determinar midiendo la diferencia de los resultados obtenidos con un
filtro ideal y uno aproximado.
• La aplicación de un filtro debe producir una serie de tiempo estacionaria
cuando se aplica a cifras que presentan tendencia.
• El método debe ser independiente de la longitud de la serie.
• El método debe ser operacional, esto es, de fácil aplicación y uso.

Los requisitos para el filtro ideal conllevan el establecer un equilibrio
entre el estimar un filtro óptimo, lo cual implica agregar la mayor cantidad de
rezagos y adelantos como explicativos de una variable y el perder
observaciones al inicio y al final del período, lo cual reduce la cantidad de
datos para el análisis. Los autores recomiendan utilizar como mínimo 6 años
cuando se trabaja con datos trimestrales y anuales.

En la actualidad existen dos filtros:

1.- HODRICK-PRESCOTT.- partiendo del supuesto de que la serie está
compuesta por un componente tendencial más un componente cíclico,
se obtiene la nueva serie de componente tendencial que sea “lo mas
suave posible” (penalizándose con el parámetro λ la volatilidad de la
nueva serie) y que minimize las diferencias cuadráticas frente a la serie
original. Tendríamos:



Los propios autores proponen unos valores de λ para cada tipo
de series: Anual = 100, Trimestral =:1600 y Mensual =14400.

En términos matriciales podemos expresar el problema de
minimización como:


Donde:








Igualando a cero la primera derivada y despejando la serie
2
t
Y
obtenemos:


)
ˆ
( )
ˆ
( )
ˆ
( )'
ˆ
(
2 2 2 2
t t t t t t
Y A Y A Y Y Y Y Min ′ + − − λ
(
(
(
(
(
(
¸
(

¸

(
(
(
(
(
(
¸
(

¸





=
2
2
3
2
2
2
1
2
ˆ
ˆ
ˆ
ˆ
*
1 2 1 0 0 0 0 0
0 0 0 1 2 1 0 0
0 0 0 0 1 2 1 0
0 0 0 0 0 1 2 1
ˆ
n
t
Y
Y
Y
Y
Y A
M
L
M M M O M M M M M
L
L
L
1 1 2
) (
ˆ
t t
Y A A I Y

′ + = λ
( ) ( ) ( ) ( )
∑ ∑
= =
− +
− − − + − =
N
t
N
t
t t
t t t t t t
Y Y Y Y Y Y Min Y T
2
2
2 2 2 2
1
2
2 1 2
1 1
ˆ ˆ ˆ ˆ ˆ
/
ˆ
λ
Posee una serie de características ideales según los criterios de
Baxter y King, por ejemplo:

• Como el filtro es simétrico, no produce movimientos de fase.
• Aproxima bien a un filtro ideal cuando se utiliza un 1600 = λ para
datos trimestrales.
• Produce series estacionarias, cuando éstas están integradas hasta el
orden cuarto.
• El método es operacional.

Adolece de los problemas siguientes:
• Las ponderaciones van a depender del tiempo, por lo que el filtro
dejará de ser independiente del largo de la serie.
• Por construcción el filtro no perderá ningún dato al inicio o al final
de la serie. Sin embargo, las propiedades de la serie filtrada en
puntos iniciales y finales es significativamente distinta de un filtro
ideal, no así en los valores intermedios de la misma.
• Se relaciona con la elección un tanto arbitraria del parámetro λ .
Para datos con periodicidad anual es una mala aproximación de un
filtro ideal, por cuanto incluye comportamientos cíclicos que
debería omitir y viceversa. Para datos anuales no existe consenso y
la utilización del parámetro de suavización va desde λ = 10 hasta
λ= 400.

En el Eviews se sigue la instrucción siguiente:
Abrir CP

Proc

Hodrick-Prescott Filter

OK y se muestra
el siguiente resultado:

-80
-40
0
40
80
500
1000
1500
2000
2500
3000
1950 1955 1960 1965 1970 1975 1980 1985
CP Trend Cycle
Hodrick-Prescott Filter (lambda=1600)


2.- BAXTER-KING.- su objetivo es encontrar un método útil para medir
ciclos económicos y que éste sea óptimo, por ejemplo, que cumpla con
las especificaciones sobre ciclos asignadas por el investigador.

Su procedimiento se resume en dos pasos: primero se mide el
ciclo, para lo cual el investigador debe especificar ciertas características
del mismo y posteriormente se le aísla, aplicando promedios móviles a
los datos.

Desarrolla 3 tipos de filtro lineal: “low-pass”, “high-pass” y
“bandpass”.

Un filtro de tipo “low-pass” sólo retendrá los componentes que
se mueven lento en los datos, esto es, que se producen con frecuencias
muy bajas. Entre menor sea la frecuencia mayor va a ser la cantidad de
períodos que abarca un ciclo.

Un filtro de tipo “high-pass” equivale a una frecuencia
relativamente alta, por lo que se espera que incluya elementos más
frecuentes de la serie, como los irregulares o estacionales.

El filtro band-pass son los períodos mínimo y máximo a incluir
en el ciclo, es un tipo de construcción de promedios móviles que aísla
los componentes periódicos de una serie de tiempo económica que cae
en una banda de frecuencias específica.

La cantidad de rezagos a incluir en el filtro es muy importante,
por cuanto estos definen la precisión de los ponderadores. Según Baxter
y King, no existe un número ideal de rezagos, pero sí ocurre que entre
más rezagos se incorporen en el promedio móvil, mejor será la
aproximación con el filtro ideal, a costa de una mayor pérdida de datos
por encima y por debajo del valor de interés, aspecto que cobra mayor
importancia al final de la serie. Por ello, la elección de k dependerá en
gran medida de la cantidad de datos disponibles y de lo necesario que
sea aproximar el filtro al ideal.

Este filtro cumple con la mayoría de las características:

• es simétrico, por lo que no produce movimientos de fase.
• aproxima relativamente bien un filtro ideal.
• produce series estacionarias.
• es un método operacional.
• es superior a otros en la medida que permite introducir la definición
del investigador del ciclo económico y no produce variación en las
propiedades de la variable al final de las series.

Habrá una pérdida de datos al inicio y al final de la serie igual a
dos veces la cantidad de rezagos que el investigador incluya.

Se recomienda utilizar los siguientes valores de parámetros:

Series anuales upper =2 lower =8 nma =3 arpad =1
Series trimestrales upper =2 lower =32 nma =12 arpad =4
Series mensuales upper =2 lower =96 nma =12 arpad=12

Donde:
Upper: número de períodos mínimos que se incluirán en el filtro,
correspondientes a frecuencias altas.
Lower: número de períodos máximos que se incluirán en el filtro,
correspondientes a frecuencias bajas.
Nma: número de promedios móviles (o rezagos ) del filtro.
Arpad: número de parámetros autorregresivos que se utilizarán para
sustituir los valores que se pierden al final de la serie, por la
aplicación de un promedio móvil truncado.

En el Eviews se sigue la instrucción siguiente:
Abrir CP

Proc

Frecuency Filter

Fixed length symmetric
(Baxter-King), lag = 12, low = 2, high = 32

OK y se muestra el
siguiente resultado:

-80
-40
0
40
80
500
1000
1500
2000
2500
3000
1950 1955 1960 1965 1970 1975 1980 1985
CP Non-cyclical Cycle
Fixed length symmetric (Baxter-King) filter
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
.0 .1 .2 .3 .4 .5
Actual Ideal
Frequency Response Function
cycles/period


3.- CHRISTIANO Y FITZGERALD.- es una variante al filtro Baxter-
King, derivan una aproximación óptima cuando la representación de los
datos tiene raíz unitaria o es estacionario alrededor de una tendencia.
Asimismo, desarrollan una variante cuyas ponderaciones son diferentes
para cada observación (asimétricas), la cual puede usarse para toda la
muestra ya que no hay pérdida de observaciones.

Este filtro de banda está basado en el proceso de generación de
los datos, el cual suponen que sigue un paseo aleatorio o Random Walk
(RW). Aun el caso que esta representación no sea verdadera, utilizando
datos macroeconómicos para EE.UU., los autores referidos encuentran
que el desempeño es satisfactorio.

Este filtro presenta ventajas cuando el interés es extraer
componentes para datos de baja frecuencias (donde la elección
adecuada de λ puede ser un problema) y estimar la tendencia y el ciclo
en tiempo real, o sea hasta la última observación. No obstante y al igual
que el filtro Baster-King, la variante de Christiano-Fitzgerald no
invalida el filtro Hodrick-Prescott particularmente para el análisis
estadístico del ciclo y los componentes de alta frecuencia para datos
trimestrales.

En el Eviews se sigue la instrucción siguiente:
Abrir CP

Proc

Frecuency Filter

Fixed length symmetric
(Ghristiano-Fitzgerald), lag = 12, low = 2, high = 32, I(1)-random walk

OK y se muestra el siguiente resultado:

-80
-40
0
40
80
500
1000
1500
2000
2500
3000
1950 1955 1960 1965 1970 1975 1980 1985
CP Non-cyclical Cycle
Fixed length symmetric (Christiano-Fitzgerald) filter
0.0
0.2
0.4
0.6
0.8
1.0
1.2
.0 .1 .2 .3 .4 .5
Actual Ideal
Frequency Response Function
cycles/period


3.3. CICLO

Para extraer y predecir el componente cíclico se utiliza el ajuste de funciones
periódicas.

Una función periódica es aquella que repite sus valores en el tiempo cada p
periodos y puede venir expresada como:




donde:

A amplitud de la oscilación.
P período.
θ desfase.
N número total de observaciones.


A efectos de ajustar y predecir series cíclicas podemos utilizar la expresión
alternativa:


0
ω es lo que se denomina frecuencia básica y es igual a N / * 2 π .

Paso 1: Identificar el número de máximos (mínimos) cíclicos p y construir las series:



Paso 2: Ajustar mediante regresión el modelo:
|
¹
|

\
|
+ = θ
π
N
p
A Y
t
2
cos *
-1,5
-1
-0,5
0
0,5
1
1,5
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99
A
T
-1,5
-1
-0,5
0
0,5
1
1,5
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99
DESFASE = PI/2
) * * ( * ) * * cos( *
0 0
t p sen t p Y
t
ω β ω α + =
) * * / 1416 . 3 * 2 ( ) * * / 1416 . 3 * 2 cos( t p N sen SENP y t p N COSP
t t
= =



Paso 3: Calcular los errores (residuos) y si tienen comportamiento cíclico repetir el
proceso añadiendo nuevos términos al modelo.

Para determinar el valor del periodo p, podríamos utilizar, como primera
aproximación, el número de máximos (o mínimos) locales que presenta la serie a
analizar.

4º ANÁLISIS EN EL DOMINIO DE FRECUENCIAS

Una función periódica se repite transcurrido T (período), por lo tanto
presentará la máxima correlación con el retardo T y sus múltiplos enteros. Puede
demostrarse que la autocorrelación de una función periódica es periódica, del mismo
período que dicha función. Veamos los gráficos:











Para visualizar la periodicidad de una serie, tenemos:

1.- EL PERIODOGRAMA.- se asimila a un “sintonizador” de un receptor de
radio, así, la serie que observamos sería la señal emitida por una radio y el
periodograma no sería mas que el dial que busca en que frecuencia se “oye”
mejor la señal emitida.

“Modelo” que sigue la serie observada:




Asumimos que las frecuencias,
i
ω , denominadas Frecuencias de
Fourier son:



Los parámetros, a y b, se pueden estimar por MCO o bien, de forma
directa como:

N
p
i
i
π
ω
2
=
t t t
SENP COSP Y * *
2 1
β β + =
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-40 -20 0 20 40
FUNCION DE AUTOCORRELACION

=
+ + =
k
i
t i i i p t
t b t a Y
1
) sen cos ( ε ω ω
k p
i
,..., 1 =
( )
¦
)
¦
`
¹
¦
¹
¦
´
¦

=
impar es N si
N
par es N si
N
k
2
1
2

=
=
N
t
t
N
Y
a
1
0
ˆ

=
=
N
t
o t p
t p Y
N
a
1
cos
2
ˆ ω ∑
=
=
N
t
o t p
t p Y
N
b
1
sen
2
ˆ
ω
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
20 40 60 80 100 120 140 160 180 200
COS(2*PI*@TREND/(200/10))

Se calcula el periodograma I(w):




El periodograma mide aportaciones a la varianza total de la serie de
componentes periódicos de una frecuencia determinada (w). Si el
periodograma presenta un “pico” en una frecuencia, indica que dicha
frecuencia tiene mayor “importancia” en la serie que el resto.

De izquierda. a derecha. aumenta la frecuencia (disminuye el período):





El periodograma está basado en una herramienta matemática
denominada Transformada de Fourier, según la cual una serie, que cumpla
determinados requisitos, puede descomponerse como suma de un número
finito o infinito de frecuencias. Del mismo modo, a partir de la representación
frecuencial puede recuperarse la serie original a través de la Transformada
Inversa de Fourier.

Las series periódicas presenta un periodograma discreto, es decir, solo
existe "masa" espectral en aquellas frecuencias contenidas en la serie, siendo
éstas un número discreto.
0
2 2
2
) (
) (
ω
ω
p p
p
b a
I
+
=
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
20 40 60 80 100 120 140 160 180 200
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
20 40 60 80 100 120 140 160 180 200
Tendencia
Ciclo – Estacionalidad (Ciclo anual) Irregular
0
1
2
3
4
0 50 100 150


Las series aperiódicas presentan un periodograma continúo, es decir,
existe "masa" en un "infinito" número de frecuencias.


Las series estocásticas presentan densidad espectral en un rango
continúo de frecuencias.


2.- EL ESPECTRO.- o densidad espectral se define para procesos estocásticos
estacionarios como la transformada de Fourier de la función de autocovarianza
(teorema de Wiener-Khintchine). Su estimador “natural” es el periodograma,
antes visto. Como hemos comprobado es un instrumento adecuado para la
detección de procesos periódicos puros, sin embargo en el caso de procesos
estocásticos presenta serias limitaciones, las más importantes son la
inconsistencia y la correlación asintóticamente nula entre ordenadas del
periodograma. Esto implica que no converja al verdadero “espectro” cuando la
muestra se amplia y que el periodograma muestre un comportamiento errático.

Los métodos paramétricos, parten de suponer “conocido” el PGD, y
modelizado en general a través de un proceso ARMA, a partir del cual se
puede recuperar una estimación del espectro.

Si la serie observada responde a un modelo ARMA (p,q):


El espectro equivale a:
q t q t t t p t p t t t
b b b Y a Y a Y a Y
− − − − − −
+ + + + = + + + + ε ε ε ε ... ...
2 2 1 1 2 2 1 1
-3
-2
-1
0
1
2
3
20 40 60 80 100 120 140 160 180 200
0
20
40
60
80
100
20 40 60 80 100 120 140 160 180 200
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
20 40 60 80 100 120 140 160 180 200
0
5
10
15
20
0 50 100 150
FREC
P
E
R
D
G
0
2000
4000
6000
8000
10000
12000
0 50 100 150
FREC
P
E
R
D
G
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
0 50 100 150
FREC
P
E
R
D
G


5º PROCESO ESTOCÁSTICO

Siempre que estudiamos el comportamiento de una variable aleatoria a lo
largo del tiempo, estamos ante un proceso estocástico. En general, trabajamos con
procesos estocásticos en cualquier caso en que intentamos ajustar un modelo teórico
que nos permita hacer predicciones del comportamiento futuro de un proceso.

Si podemos encontrar patrones de regularidad en diferentes secciones de una
serie temporal, podremos también describirlas mediante modelos basados en
distribuciones de probabilidad.

Tenemos las definiciones siguientes:

1.- La secuencia ordenada de variables aleatorias X(t) y su distribución de
probabilidad asociada.
2.- Es el modelo matemático para una serie temporal.
3.- Es una colección {Y
t
; t = 1, 2, ……, T} de variables aleatorias ordenadas en
el tiempo. {Y
t
; t ∈ T} es un proceso continuo si −∞ < t < ∞. Si T is finito,
{Y
t
} es un proceso discreto.

Cualquier serie de tiempo puede ser generada por un proceso estocástico o
aleatorio; y un conjunto concreto de información, puede ser considerado como una
realización (particular) del proceso estocástico subyacente. La distinción entre un
proceso estocástico y su realización es semejante o la distinción entre la información
de corte transversal poblacional y muestral.

PROCESO ESTOCÁSTICO ESTACIONARIO

Un Proceso Estocástico Discreto (PED) es una sucesión de variables aleatorias
{ }
t
y
, donde t= -4, ..., -2, -1, 0, 1, 2, ... 4. Dos ejemplos de PED podrían ser: El ruido
blanco y el camino aleatorio.

Consideremos el PED {y
-4
, ...y
1
,...y
T
,...,y
4
} y centrémonos en dos de sus
miembros: y
t
y y
t-k
. Este PED se denomina “estacionario” de un tipo particular si
determinadas propiedades estocásticas de y
t
y y
t-k
no dependen de t y t-k (su
ubicación absoluta en la secuencia) pero dependen sólo de k (su separación relativa
en la secuencia).

Se tiene los tipos de estacionariedad siguiente:

1.- Estricta: Se verifica si las distribuciones de y
t
y y
t-k
(conjunta y marginal) no
dependen de t pero sólo de k.

π
σ
ω
ε
ω ω ω
ω ω ω
2
... 1
... 1
) (
2
2
2
2 1
2
2
2 1
ip
p
i i
iq
q
i i
Y
e a e a e a
e b e b e b
h
− − −
− − −
+ + + +
+ + + +
=
π ω π ≤ ≤ −
Un proceso estocástico es estacionario en sentido estricto
cuando su función de distribución conjunta es invariante respecto a un
desplazamiento en el tiempo.

Considerando que t
1
; t
2
; .... ; t
k
corresponden a periodos
sucesivos de tiempo que denominamos como t; t + 1;.. ; t + k,
entonces:
) ;...; ; ( ) ;...; ; (
1 m t 1 t m k t m t k t t
y y y f y y y f
+ + + + + + +
=


2.-Débil: Se verifica cuando los dos primeros momentos de y
t
y y
t-k
dependen
posiblemente de k pero no de t, i.e. E(y
t
) = E(y
t-k
) y Var(y
t
) = Var(y
t-k
)
y Cov(y
t
y
t-k
) depende posiblemente de k pero no de t.
[ ]
( )
( ) ( )( ) ( )
1 2 1 2
2
1 2
,
t Y
t Y
t t t Y t Y
E Y
Var Y
COV Y Y E Y Y t t
µ
σ
µ µ λ
=
=
(
= − − = −
¸ ¸


En el caso que las series sean estacionarias en el sentido débil, se podrán
modelar a través de un conjunto de especificaciones conocidas como los modelos
AR, MA y ARMA. El objetivo de los mismos es explicar el componente cíclico de la
serie (o su componente estacionario) a través de su pasado por medio de diferentes
tipos de relaciones.

Una serie de tiempo es estacionaria si su distribución es constante a lo largo
del tiempo; para muchas aplicaciones prácticas es suficiente considerar la llamada
estacionariedad débil, esto es, cuando la media y la varianza de la serie son
constantes a lo largo del tiempo. Muchas de las series de tiempo que se analizan en
Econometría no cumplen con esta condición, cuando tienen una tendencia.

5º PRUEBA DE ESTACIONARIEDAD

Existen varias pruebas para verificar estacionariedad y se clasifican en los
tipos siguiente:

5.1. MÉTODO DE BOX - JENKINS

El procedimiento para verificar estacionariedad de la serie es:

1º El examen visual de la trayectoria de la serie a lo largo del tiempo puede dar
una idea de si es o no estacionaria en media. Si existe algún valor en torno al
cual la serie va oscilando pero sin alejarse de forma permanente de dicho
valor, entonces se puede considerar que la serie es estacionaria en media.

2 º Si los coeficientes de AC no decaen rápidamente sería un indicio claro de que
la serie es no estacionaria.

3º El primer coeficiente de PAC es significativo (es decir, mayor o igual a 0.9)
entonces la serie es no estacionaria.

Si la serie es no estacionaria, la serie debería someterse a la primera
diferencia, y se volvería a analizar siguiendo los pasos anteriores. De esta forma se
continuaría hasta obtener una serie diferenciada de orden d. En la práctica, es
suficiente con tomar d = 1 o d = 2 para obtener una serie estacionaria en media.

EJEMPLO

1º Si observamos el ploteo del consumo personal agregado real se visualiza que
no oscila alrededor de su media, por lo tanto es no estacionaria.
400
800
1200
1600
2000
2400
2800
1950 1955 1960 1965 1970 1975 1980 1985
CP @MEAN(CP,"1950q1 1988q1")


2º Según el correlograma del consumo personal agregado real cae lentamente,
por lo tanto no es estacionaria.

Abrir la serie

View

Correlogram...

se marca nivel y se escribe
12 lag

OK y se muestra el siguiente resultado:

Sample: 1950Q1 1988Q1
Included observations: 153


Autocorrelation Partial Correlation AC PAC Q-Stat Prob


.|*******| .|*******| 1 0.955 0.955 142.33 0.000
.|*******| .|. | 2 0.911 -0.014 272.69 0.000
.|*******| .|. | 3 0.868 -0.014 391.73 0.000
.|****** | .|. | 4 0.825 -0.012 500.15 0.000
.|****** | .|. | 5 0.786 0.008 599.06 0.000
.|****** | .|. | 6 0.747 -0.010 689.07 0.000
.|***** | .|. | 7 0.711 0.006 771.12 0.000
.|***** | .|. | 8 0.677 0.008 846.07 0.000
.|***** | .|. | 9 0.645 0.008 914.68 0.000
.|***** | .|. | 10 0.616 0.011 977.69 0.000
.|**** | .|. | 11 0.590 0.012 1035.8 0.000
.|**** | .|. | 12 0.565 0.010 1089.5 0.000



3º Examinando el primer coeficiente de autocorrelación parcial del consumo
personal agregado real es significativo (0.955 > 0.9), entonces el ingreso
personal disponible no es estacionario.

Como el consumo personal agregado real no es estacionario, tenemos que
examinar la primera diferencia de la serie y repetir el procedimiento de Box-Jenkins.

1º Si observamos el ploteo de la primera diferencia del consumo personal
agregado real se visualiza que oscila alrededor de su media, por lo tanto es
estacionaria.
-60
-40
-20
0
20
40
60
1950 1955 1960 1965 1970 1975 1980 1985
D(CP) @MEAN(D(CP),"1950q1 1988q1")


2º Obtenemos el correlograma de la primera diferencia del consumo personal
agregado real se obtiene siguiendo la instrucción siguiente:

Abrir la serie

View

Correlogram...

se marca 1st difference y
se escribe 12 lag

OK y se muestra el siguiente resultado:

Sample: 1950Q1 1988Q1
Included observations: 152


Autocorrelation Partial Correlation AC PAC Q-Stat Prob


.|** | .|** | 1 0.204 0.204 6.4803 0.011
.|** | .|* | 2 0.223 0.189 14.251 0.001
.|** | .|* | 3 0.217 0.153 21.681 0.000
.|* | .|* | 4 0.165 0.075 26.010 0.000
.|. | *|. | 5 0.021 -0.089 26.082 0.000
.|* | .|. | 6 0.077 0.013 27.021 0.000
.|. | .|. | 7 0.049 0.010 27.408 0.000
*|. | **|. | 8 -0.151 -0.193 31.104 0.000
.|. | .|. | 9 0.018 0.058 31.156 0.000
.|. | .|. | 10 -0.011 0.023 31.176 0.001
.|. | .|. | 11 -0.023 0.021 31.267 0.001
*|. | .|. | 12 -0.072 -0.046 32.134 0.001



De la observación del gráfico podemos deducir que la primera diferencia del
consumo personal agregado real es estacionaria.

3º Examinando el primer coeficiente de autocorrelación parcial de la primera
diferencia del consumo personal agregado real no es significativo (0.204 <
0.9), entonces la primera diferencia del consumo personal agregado real es
estacionaria.

Por lo tanto, la primera diferencia del consumo personal agregado real es
estacionaria.

5.2. PRUEBA DE RAÍZ UNITARIA

Las series de tiempo no estacionarias que presentan raíces unitarias son un
caso muy especial de las series no estacionarias, tanto por su frecuencia en economía
como por lo que se conoce de sus propiedades estadísticas; en los últimos años se ha
realizado una gran cantidad de trabajos para el diseño de pruebas de hipótesis de que
una serie tiene raíces unitarias.

Consideremos el siguiente modelo:
donde u es el término de error estocástico que sigue los supuestos clásicos, a saber:
tiene media cero, varianza constante (
σ
2
) y no está autocorrelacionada; es decir, el
término de error es ruido blanco.
Si el coeficiente de
Y
t −1
es en realidad igual a 1, surge lo que se conoce como
el problema de raíz unitaria, o sea, una situación de no estacionariedad. En
econometría, una serie de tiempo que tiene una raíz unitaria se conoce como un
camino aleatorio. Por lo tanto, se estima la regresión:
y se encuentra que
ρ = 1
, entonces se dice que la variable estocástica
Y
t
tiene una
raíz unitaria.

5.2.1. DICKEY FULLER NORMAL

De modo que podemos contrastar la hipótesis de no estacionareidad probando
la hipótesis nula ρ = 1 contra la alternativa |ρ| < 1 o simplemente ρ < 1.
Si restamos
Y
t −1
en ambos miembros de la ecuación ( 2 ), resulta:
sacando factor común y definiendo


Y Y u
Y Y u
t t t
t t t
= − +
= +


( ) ρ
δ
1
1
1

Y Y u
t t t
= +
−1
( 1 )

Y Y u
t t t
= +

ρ
1
( 2 )

Y Y Y Y u
t t t t t
− = − +
− − − 1 1 1
ρ

Entonces, tendríamos la siguiente implicación con la prueba de hipótesis:
H0 : ρ = 1 ⇒ H0 : δ = 0
H0 : ρ < 1 ⇒ H0 : δ < 0

Cuando las series en una regresión no son estacionarias, el uso del estadístico t
para contrastar hipótesis δ = 0 es inadecuado pues este no sigue la distribución t
Student. Esta tabla es limitada, pero Mac Kinnon preparó tablas más extensas, que
están incorporadas en el Eviews.

Además de probar si una serie es una caminata aleatoria, Dickey y Fuller
desarrollaron también valores críticos para la presencia de una caminata aleatoria con
desplazamiento y con tendencia determinística, es decir bajo tres distintas hipótesis
nulas:
t t t
t t t
t t t
t Y Y
Y Y
Y Y
ε α δ α
ε δ α
ε δ
+ + + = ∆
+ + = ∆
+ = ∆



2 1 0
1 0
1



Series como
t
Y , las cuales se convierten en estacionarias después de tomar la
primera diferencia, se conocen como integradas de orden 1 y se designa como I(1).
Las series estacionarias son series integradas de orden 0, I(0).

En general, si una serie debe ser diferenciada d veces para alcanzar
estacionaridad se dice que es integrada de orden d o I(d).

5.2.2. DICKEY FULLER AUMENTADO

Al realizar la prueba de DF se supuso que el término de error ε
t
no estaba
correlacionado.

Dickey y Fuller, Said y Dickey (1984), Phillips y Perron (1988) y otros,
desarrollaron modificaciones de las pruebas de Dickey y Fuller cuando
ε
t
, no es
ruido blanco. Se conocen con el nombre de pruebas “aumentadas” de Dickey y
Fuller.

No todos los procesos de series de tiempo pueden ser representadas por un
proceso autoregresivo de primer orden. Considerando un proceso autoregresivo de
orden p, como:
y y y y
t t t p t p t
= + + + + +
− − −
α α α α ξ
0 1 1 2 2
....



adicionando y sustrayendo el término
α
p t p
y
− +1
, nos resulta:
∆ ∆ y y y
t t i t i
i
p
t
= + + +
− − +
=

α δ β ξ
0 1 1
2

donde,
|
|
¹
|

\
|
− − =

=
p
i
i
1
1 α δ y

=
=
p
i j
j i
α β .
Donde
ξ
t
es un término de error puro con ruido blanco. El número de términos de
diferencia rezagados que se debe incluir, con frecuencia se determina de manera
empírica, siendo la idea incluir los términos suficientes para que el término de error
no esté serialmente relacionado.

Considerando las tres posibilidades tenemos:
∆ ∆
∆ ∆
∆ ∆
y y y
y y y
y y y t
t t i t i
i
p
t
t t i t i
i
p
t
t t i t i
i
p
t
= + +
= + + +
= + + + +
− − +
=
− − +
=
− − +
=



δ β ξ
α δ β ξ
α δ β α ξ
1 1
2
0 1 1
2
0 1 1
2
2

En la DFA se sigue probando δ = 0 y además esta prueba sigue la misma
distribución asintótica que el estadístico DF, por lo que se puede utilizar los mismos
valores críticos.
Para elegir p se tiene los siguientes criterios:

1) Incluir retardos de
t
Y hasta que el error sea ruido blanco.
2) Incluir retardos de
t
Y significativos.
3) Utilizar AIC, SBC, etc. (“information criteria”), para elegir p.

Sin embargo, la prueba de Dickey-Fuller es frágil siempre hay que utilizar
información adicional (inspección visual de la serie, sentido común, historia, teoría)
antes de aceptar o rechazar lo que sugiere la prueba de Dickey-Fuller
Si hay variables innecesarias en la regresión, es más difícil rechazar la
hipótesis nula (existencia de raíz unitaria) cuando en realidad es 0 < δ . Por
consiguiente, existen tres pruebas:

1) Sin la constante y sin el término de tendencia.
2) Con la constante pero sin el término de tendencia.
3) Con la constante y el término de tendencia.

5.2.3. PRUEBA DE PHILLIPS - PERRON

Phillips y Perron (1988) proponen una alternativa (no paramétrico) método de
control de la correlación serial cuando se realiza la prueba de raíz unitaria. Al igual
que la prueba ADF, la prueba PP es una prueba de hipótesis sobre
ρ = 1

en la
ecuación:
∆Y Y t
t t t
= + + +

α δ β ε
1

y modifica el t del coeficiente δ de modo que la correlación serial no afecta la
distribución asintótica de la prueba estadística. La prueba PP se basa en la
estadística:
( ) ( ) ( )
s f
se f T
f
t t
2
1
0
0 0
2
1
0
0
2
ˆ
ˆ
~
δ γ γ
δ δ


|
|
¹
|

\
|
=
donde ( ) δ
ˆ
se es el error estándar de coeficiente δ , s es el error estándar de la
regresión de la prueba,
0
γ es una estimación consistente de la varianza del error
(calculado como ( ) T s k T /
2
− , donde k es el número de regresores) y
0
f es un
estimador del espectro residual en la frecuencia cero.

Hay dos opciones que usted tendrá que hacer para realizar la prueba PP. En
primer lugar, debe decidir si incluir una constante, una constante y una tendencia en
el tiempo lineal, o ninguno, en la regresión de la prueba. En segundo lugar, usted
tendrá que elegir un método para estimar
0
f . Eviews apoya estimadores para
0
f
basados en el núcleo basado en suma-de-covarianzas, o sobre estimación de la
densidad espectral autorregresivos.

La distribución asintótica de la relación de PP es la misma que la de la
estadística de ADF.

La hipótesis nula del test de Phillips-Perron es la trayectoria de raíz unitaria
con tendencia y la alternativa la estacionariedad con tendencia, si el valor t-Student
asociado al coeficiente de

Y
t −1
es mayor en valor absoluto al valor crítico de
MacKinnon, se rechaza la hipótesis de existencia de raíz. La distribución asintótica
de la prueba PP es la misma que la prueba DFA.

5.2.4. PRUEBA DE DICKEY – FULLER CON ELIMINACION DE LA
TENDENCIA (DFGLS)

En los test anteriores, se puede optar por incluir una constante, o una constante
y una tendencia en el tiempo lineal, en la prueba de regresión ADF. Para estos dos
casos, el ERS (1996) proponen una simple modificación de las pruebas de ADF en
el que los datos son sin tendencias a fin de que las variables explicativas son
"sacadas" de los datos antes de ejecutar la prueba de regresión.

ERS define una cuasi-diferencia de
t
Y que depende del valor que representa
la alternativa punto concreto contra el que deseamos probar la hipótesis nula:
( )
¹
´
¦
> −
=
=

1
1
1
t if aY Y
t if Y
a Y D
t t
t
t


Se considera una regresión de MCO de la cuasi-diferenciada de datos ( ) a Y D
t

sobre la cuasi-diferenciados ( ) a X D
t
, es decir:
( ) ( ) ( )
t t t
a a X D a Y D ε δ +

=
que
t
X contiene ya sea una constante, o una constante y la tendencia, y ( ) a δ
ˆ
son las
estimaciones de MCO de esta regresión.

Todo lo que necesitamos ahora es un valor para a . ERS recomienda el uso de
a a = , cuando:
{ }
{ }
¦
¹
¦
´
¦
= −
= −
=
t X if
T
X if
T
a
t
t
, 1
5 . 13
1
1
7
1


Definimos ahora el GLS sin tendencia de datos
d
t
Y , utilizando las
estimaciones relacionadas con a :
( ) a X Y Y
t t
d
t
δ
ˆ
′ − =

Entonces la prueba DFGLS consiste en calcular la ecuación siguiente:
t
d
p t p
d
t
d
t
d
t
Y Y Y Y υ β β α + ∆ + + ∆ + = ∆
− − −
.....
1 1 1


Si bien el DFGLS que es el ratio t sigue una distribución de Dickey-Fuller, en
el caso de única constante, la distribución asintótica es diferente cuando se incluyen
tanto una constante y tendencia. ERS simula los valores críticos de la estadística de
prueba en este escenario para { } ∞ = , 200 , 100 , 50 T . La hipótesis nula es rechazada por
los valores que caen por debajo de estos valores críticos.

5.2.5. PRUEBA DE KWIATKOWSKI, PHILLIPS, SCHMIDT, Y SHIN (KPSS)

La prueba KPSS (1992) difiere de las otras pruebas de raíz unitaria, en que la
serie se supone que es estacionaria bajo la hipótesis nula. La estadística KPSS se
basa en el los residuos de la regresión de MCO de
t
Y en las variables exógenas
t
X :
t t t
u X Y + ′ = δ

El estadístico LM es definido como:
( ) ( )

=
=
T
t
f T t S LM
1
0
2 2
/

donde
0
f , es un estimador del espectro residual en la frecuencia cero y en caso de
( ) t S es una función residual acumulativa:
( )

=
=
t
r
r
u t S
1
ˆ

sobre la base de los residuos ( ) 0
ˆ
ˆ δ
t t t
X Y u ′ − = . Se señala que el estimador de δ
utilizado en este cálculo difiere del estimador δ utilizado para GLS con eliminación
de la tendencia, ya que se basa en una regresión con los datos originales y no en la
cuasi-datos diferenciados.

Para especificar la prueba KPSS, debe especificar el conjunto de regresores
exógenos
t
X y un método para la estimación de
0
f . Los valores reportados crítico
para la estadística de prueba LM se basan en los resultados presentados en KPSS
asintótica.

5.2.6. PRUEBA DE ELLIOT, ROTHENBERG, AND STOCK POINT OPTIMAL
(ERS)

El estudio del punto óptimo de ERS se basa en la cuasi-regresión de
diferenciación que se define:
( ) ( ) ( )
t t t
a a X D a Y D ε δ +

=

Definir los residuos de la ecuación como ( ) ( ) ( ) ( ) a a X D a Y D a
t t t
δ ε
ˆ
ˆ

− = , y dejar
que ( ) ( )

=
=
T
t
t
a a SSR
1
2
ˆ ε sea la suma de los residuos al cuadrado. El ERS (posible) el
punto óptimo de la estadística de prueba de la hipótesis nula que 1 = a frente a la
alternativa que a a = , es definido como:
( ) ( ) ( )
0
1
f
SSR a a SSR
P
T

=

donde
0
f , es un estimador del espectro residual en la frecuencia cero.

Para calcular la prueba de ERS, debe especificar el conjunto de regresores
exógenos
t
X y un método para estimar
0
f . Los valores críticos para la estadística
de prueba ERS se calculan por interpolación de los resultados de la simulación
prevista por el ERS para { } ∞ = , 200 , 100 , 50 T .

5.2.7. PRUEBA DE NG Y PERRON (NP)

Ng y Perron (2001) construye cuatro pruebas estadísticas que se basan en los
datos del GLS sin tendencia
d
t
Y . Estas pruebas estadísticas modifican las formas del
estadístico Phillips y Perron
a
Z y
t
Z , el estadístico Bhargava (1986)
1
R y el
estadístico ERS punto óptimo. En primer lugar, definimos el término:
( )

=

=
T
t
d
t
T Y
2
2
2
1
/ κ


Las estadísticas modificadas puede escribirse como:
( ) ( ) ( )
( )
( ) ( ) { }
( ) ( ) ( ) { } ¦
¹
¦
´
¦
= − +
= −
=
=
× =
− =



t X if f Y T c c
X if f Y T c c
MP
f MSB
MSB MZ MZ
f Y T MZ
t
d
T
t
d
T
d
T
a
d
t
d
T
d
a
, 1 / 1
1 /
/
2 /
0
2
1 2
0
2
1 2
2
1
0
0
2
1
κ
κ
κ
κ

donde:
{ }
{ }
¹
´
¦
= −
= −
=
t X if
X if
c
t
t
, 1 5 . 13
1 7


Las pruebas NP requieren una especificación para
t
X y la elección de un
método para la estimación de
0
f .

5.2.8. CRÍTICAS DE LAS PRUEBAS DE RAÍZ UNITARIA

Existen varias pruebas de raíz unitaria porque difieren en el tamaño y potencia
de dichas pruebas.

Por tamaño de la prueba se quiere entender el nivel de significancia (es decir,
la probabilidad de cometer error de tipo I) y por potencia de una prueba se entiende
la probabilidad de rechazar la hipótesis nula cuando es falsa.

La potencia de una prueba se calcula restando la probabilidad de un error de
tipo II de uno.

La mayoría de las pruebas del tipo DF tienen poco poder; es decir, tienden
aceptar la nulidad de la raíz unitaria con más frecuencia de la que se garantiza. En
otras palabras, estas pruebas pudieran encontrar una raíz unitaria, aunque ésta no
exista.

Perron (1989) sostuvo que los tradicionales test de raíz unitaria (Dickey-
Fuller, Dickey-Fuller Aumentado y Phillips-Perron) tenían poco poder para
diferenciar una trayectoria de raíz unitaria de una estacionaria cuando había cambio
estructural. En consecuencia, como estos test estaban sesgados hacia el no rechazo
de la hipótesis nula de raíz unitaria, a menudo se rechazaba incorrectamente la
hipótesis alternativa de estacionariedad. Perron encontró, por ejemplo, que las series
de agregados macroeconómicos y financieros utilizados por Nelson y Plosser
(1982) eran en su mayoría estacionarias con cambio estructural, en oposición a lo
que los citados autores señalaban.

5.2.9. EJERCICIO

Considerando el consumo personal agregado real y observando su ploteo con
la media, deducimos que tiene tendencia e intercepto, además consideramos cuatro
rezagos y el criterio Schwarz para elegir el retardo óptimo.

Se obtiene los resultados siguientes:

¿Existe Raíz Unitaria?
Nivel de significancia Tipo de Test
Estadístico
t
Valor crítico
1 % / 5 %
1 % 5 %
NIVELES
Hipótesis Nula: Existe raíz unitaria (no estacionaria)
Dickey-Fuller Aumentado (ADF) -1.117406 -4.019561 / -3.439658 SI SI
Elliott-Rothenberg-Stock (DF-GLS) -0.809523 -3.520000 / -2.980000 SI SI
Phillips-Perron (PP) -1.451289 -4.019561 / -3.439658 SI SI
Elliott-Rothenberg-Stock punto óptimo. 94.95858 4.148700 / 5.650600 NO NO
Hipótesis Nula: No existe raíz unitaria (estacionaria)
Kwiatkowski-Phillips-Schmidt-Shin 0.289358 0.216000 / 0.146000 SI SI

Por lo tanto, el consumo personal agregado real es no estacionaria, es decir,
tiene raíz unitaria. Ahora debemos seguir el mismo procedimiento con la primera
diferencia.

Observando el ploteo de la primera diferencia del consumo personal agregado
real con su media, concluimos que no tiene tendencia y si tiene intercepto
(t=11.78070 > 2), además consideramos cuatro rezagos y el criterio Schwarz para
elegir el retardo óptimo.

Obtenemos los siguientes resultados:

¿Existe Raíz Unitaria?
Nivel de significancia Tipo de Test
Estadístico
t
Valor crítico
1 % / 5 %
1 % 5 %
PRIMERA DIFERENCIA
Hipótesis Nula: Existe raíz unitaria (no estacionaria)
Dickey-Fuller Aumentado (ADF) -4.625715 -3.474567 / -2.880853 NO NO
Elliott-Rothenberg-Stock (DF-GLS) -4.546566 -2.580574 / -1.942982 NO NO
Phillips-Perron (PP) -10.75407 -3.473967 / -2.880591 NO NO
Elliott-Rothenberg-Stock punto óptimo. 0.935116 1.929200 / 3.141200 SI SI
Hipótesis Nula: No existe raíz unitaria (estacionaria)
Kwiatkowski-Phillips-Schmidt-Shin 0.496796 0.739000 / 0.463000 NO NO

Por lo tanto, la primera diferencia del consumo personal agregado real es
estacionaria, es decir, el consumo personal agregado real es integrado de orden uno.
6º CAMBIO ESTRUCTURAL

Nos interesa evaluar la presencia de un cambio en alguno de los elementos
determinísticos que caracterizan a la serie: el intercepto, y/o la tendencia. Es decir,
tenemos los modelos siguientes:
t t t t
t t t
t t t
u t D t D Y
u t D t Y
u D Y
+ + + + =
+ + + =
+ + =
3 2 1 0 .
2 1 0
1 0
α α α α
α α α
α α


Zivot y Andrews (1992) elaboraron un test en la que la fecha del punto de
quiebre era determinada endógenamente. Con esta finalidad se desarrollo un
programa preparado para E-Views , correspondiente al test de Z&A, realizado de
manera secuencial, esto último se refiere a que el programa evalúa la posible
presencia de quiebre estructural en cada observación de la serie analizada (genera
variables Dummy a partir de la 75ava observación y termina en la observación N-75).

Zivot & Andrews elaboraron un test en el que se diferencia una trayectoria de
raíz unitaria de una estacionaria cuando había cambio estructural, debido a que los
tradicionales test ADF y PP estaban sesgados hacia el no rechazo de la hipótesis nula
de raíz unitaria, puesto que a menudo se rechazaba incorrectamente la hipótesis
alternativa de estacionariedad. La hipótesis nula es la presencia de raíz unitaria con
tendencia y la alternativa, la de estacionariedad con tendencia y cambio estructural
(en el nivel y/o pendiente).

Zivot y Andrews presentan un gráfico F con tres líneas: La línea roja (FT)
muestra el resultado del test F aplicado secuencialmente, para posibles quiebres en
tendencia, la línea verde (FM), muestra el mismo test, pero para posibles quiebres en
media, la línea azul (F) es el test F, para ambos casos; se observa la línea que alcanza
valores más altos, por lo que podemos concluir que existe evidencia de un POSIBLE
quiebre (en tendencia, media o ambos), o dicho de otra forma, si existe quiebre en la
serie (y no raíz unitaria), este sería quiebre (en tendencia, media o ambos) y estaría
alrededor de tal observación.

Asimismo, se presentan tres gráficos en la que se plotean por un lado, la
trayecoria de la distribución t o t’s de Zivot, y por el otro los valores de la
distribución t crítico; si el valor t-Zivot cruza los valores críticos (VCRIT), existe
suficiente evidencia estadística para rechazar la hipótesis nula de raíz unitaria, por lo
que la(s) serie(s) evaluadas muestra una trayectoria de raíz unitaria. Contrariamente,
si la distribución de valores t Zivot no cruza el t crítico, no existe evidencia para
rechazar la hipótesis nula de raíz unitaria (no estacionariedad).

6.1. EJERCICIO

Considerando el consumo personal agregado real y aplicando el programa de
Zivot y Andrews, nos da el resultado siguiente:

4000
6000
8000
10000
12000
14000
16000
18000
25 50 75 100 125 150
F FT FM
GRÁFICO N°01
-5
-4
-3
-2
-1
30 40 50 60 70 80 90 100 110 120 130
ZIVOTM VCRITM
GRÁFICO N°02
-4.5
-4.0
-3.5
-3.0
-2.5
-2.0
-1.5
30 40 50 60 70 80 90 100 110 120 130
ZIVOTT VCRITT
GRÁFICO N°03
-5.2
-4.8
-4.4
-4.0
-3.6
-3.2
-2.8
-2.4
-2.0
30 40 50 60 70 80 90 100 110 120 130
ZIVOT VCRIT
GRÁFICO N°04

Como se aprecia en el gráfico N° 01, existe un posible quiebre estructural en
tendencia y en los otros tres gráficos, los valores t Zivot no cruzan el t crítico, no existe
evidencia para rechazar la hipótesis nula de raíz unitaria (no estacionariedad).

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->