Breviario de comandos y aplicaciones para la operacin del programa Statistics Data Analysis Stata (versin 1 1).

Universidad Autnoma del Estado de Mxico Centro Universitario UAEM Valle de Mxico

Mdulo V. Fundamentos para la estimacin economtrica de series de tiempo. A) Metodologa para la descomposicin de series de tiempo:
Con base en el modelo multiplicativo que expresa los cuatro componentes de la series de tiempo: yt = T(t) * C(t) * S(t) * t , se procede a extraer cada uno de ellos. Descripcin de datos: 1. Generacin de una variable representativa del tiempo (puede requerir previamente la descarga de archivos mediante findit tsmktim): Ao:

.tsmktim [variable tiempo], start([ao])

Cuatrimestres por ao:

.tsmktim [variable tiempo], start([ao]q[nmero])

Meses por ao:

.tsmktim [variable tiempo], start([ao]m[nmero])

Da, mes y ao:

.tsmktim [variable tiempo], start([da][mes][ao])

2. Establecimiento de la variable representativa de unidad de tiempo:

.tsset [variable tiempo]

3. Inspeccin grfica de los componentes de la serie Vanse mdulos III y IV. 4. Inspeccin grfica de la relacin funcional entre la variable dependiente y el tiempo: .tsline [variable dependiente]

.twoway (tsline [variable dependiente]) (scatter [variable dependiente] [variable tiempo]) (lowess [variable dependiente] [variable tiempo])

Descomposicin de series de tiempo: 5. Componente estacional (S): 5.1. Se obtienen los componentes tendencia y ciclo (T*C) a partir del clculo de los promedios mviles, con base en el nmero de estaciones que conforman el ao: .tssmooth ma [variable de promedio mvil] = [variable dependiente], window([nmero

de estaciones anteriores a la estacin central] [estacin central] [nmero de estaciones posteriores a la estacin central] En meses: // window(6 1 5) En trimestres: // window(2 1 1)
5.2. Posteriormente se eliminan los promedios generados de las estaciones anteriores a la primera estacin central y los promedio generados posteriores a la ltima estacin central. 5.3. Si la serie contiene estaciones pares, se centran los promedios mviles:
1

Breviario de comandos y aplicaciones para la operacin del programa Statistics Data Analysis Stata (versin 1 1).

.tssmooth ma [variable de promedio mvil centrado] = [variable de promedio mvil],

window(0 1 1)
Se eliminan los promedios generados de las estaciones anteriores a la primera estacin central y los promedio generados posteriores a la ltima estacin central. De esta forma se han obtenido los componentes tendencia ( T) y ciclo (C). 5.4. Se calcula el componente estacional con error (S*), dividiendo los valores de la variable dependiente entre los componentes tendencia y ciclo (promedios mviles centrados): .gen [variable componente estacional y error] = [variable dependiente] / [variable de

componentes tendencia y ciclo]

5.5. Se asla el componente estacional (S) mediante el promedio del componente estacional y error, y su factor de ajuste: .sort [variable estacional]

.by [variable estacional]: egen [variable mean([variable componente estacional y error] .sort [variable tiempo]

componente

estacional

parcial]

La variable componente estacional parcial se ajusta mediante un factor, dividiendo el nmero total de estaciones entre la suma de los valores estacionales:

.tabstat [variable componente estacional parcial] in 1/[nmero de la estacin final], stat(sum) .di [nmero total de estaciones] / [suma de la variable componente estacional parcial] .gen [variable componente estacional] = [variable componente estacional parcial] * [factor de ajuste]
6. Componente tendencia (T) (desestacionalizacin): Se genera la variable de tendencia realizando la regresin lineal del componente tendencia ciclo (promedios mviles centrados): .reg [variable componente tendencia ciclo] [variable tiempo]

.predict [variable componente tendencia], xb

7. Componente ciclo (C): Se genera la variable componente ciclo dividiendo el componente tendencia ciclo (T*C) entre el componente tendencia (T): .gen [variable componente ciclo] = [variable componente tendencia ciclo] / [variable

componente tendencia]
8. Componente error (): Se genera la variable componente error (irregular) dividiendo el componente estacional con error (S* ) entre el componente estacional (S):

.gen [variable componente error] = [variable componente estacional y error) / [variable componente estacional]

Breviario de comandos y aplicaciones para la operacin del programa Statistics Data Analysis Stata (versin 1 1).

B) Regresiones de series de tiempo, medidas estimadas, pruebas economtricas y pronsticos:

1. Regresiones de series de tiempo para modelos con componente tendencial, bajo MCO. Modelo sin tendencia: .regress [variable dependiente] Modelo con tendencia lineal:

.regress [variable dependiente] [variable tiempo]

Modelos con tendencia polinmica: .regress [variable dependiente] [variable tiempo al cuadrado] [variable tiempo al cubo]

[variable tiempo a la potencia ensima]

Modelos de crecimiento:

.regress [logaritmo natural de la variable dependiente] [variable tiempo]

Al comando regress se puede aadir el complemento robust en presencia de heteroscedasticidad. 2. Regresiones de series de tiempo para modelos cuya estructura presenta simultneamente heteroscedasticidad y posiblemente autocorrelacin entre algunos rezagos: Estimacin de coeficientes mediante errores estndares Newey-West:

.newey [variable dependiente] [variable tiempo]

3. Regresiones de series de tiempo para modelos con componentes tendencial y estacional, bajo MCVD: Generacin de variables binarias o cualitativas (dummy) (Despus de ordenarlas ascendentemente de acuerdo a la variable de estacin):

.by [variable de estacin]: generate byte [variable binaria de la estacin iensima] = [variable de estacin]==1
Modelo con tendencia y componente estacional:

.regress [variable dependiente] [variable tiempo] [variable binaria de la estacin 1] [variable binaria de la estacin 2] [variable binaria de la estacin iensima]
Regresin y generacin simultneas de variables binarias o cualitativas ( dummy):

.xi: regress [variable dependiente] [variable tiempo] i.[variable binaria de estacin]

4. Estimaciones post-regresin: Residuales:

.predict [residuales], resid

Valores ajustados:

.predict [variable de valores ajustados], xb

5. Pruebas economtricas convencionales para MCO: Especificacin de modelos, normalidad de residuales y varianza constante (ver comandos del mdulo IV parte B)).
3

Breviario de comandos y aplicaciones para la operacin del programa Statistics Data Analysis Stata (versin 1 1).

6. Pruebas de correlacin serial: Ho = No existe correlacin serial Prueba Durbin-Watson para detectar correlacin serial de primer orden cuando las variables independientes son estrictamente exgenas: .estat dwatson Prueba alternativa Durbin-Watson de orden superior, q >= 0 (rezagos), tomando en cuenta estadstico F para distribuciones t y errores estndares robustos:

.estat durbinalt, lag([rezago]) small //, lag([rezago]) robust

Prueba Breusch-Godfrey para detectar correlacin serial de orden superior, q >= 0, tomando en cuenta estadstico F para distribuciones t:

.estat bgodfrey, lag([rezago]) small

7. Prueba LM (Multiplicadores de Lagrange) de Engel para detectar heteroscedasticidad condicional autorregresiva de orden superior, q >= 0: Ho: No se presenta

heteroscedasticidad condicional autorregresiva. .estat archlm, lag([rezago])

8. Pronsticos e intervalos de prediccin: Adicin de observaciones futuras a la serie (despus de llevar a cabo la regresin): .tsappend, add([nmero de observaciones futuras]) Introducir o reemplazar datos en las observaciones: .replace [variable] = [nuevo nmero] in [nmero de observacin] Estimacin de valores ajustados tomando en cuenta los valores pronosticados: .predict [variable con valores ajustados y pronosticados], xb Estimacin de errores estndares de los valores medios pronosticados:

.predict [nombre], stdp

Estimacin de errores estndares de los valores individuales pronosticados:

.predict [nombre], stdf

Generacin de los intervalos de prediccin de los valores pronosticados, medios e individuales:

.gen [lmite superior] = [variable con valores ajustados y pronosticados] + ([valor t con n-k-1 grados de libertad]*[variable de errores estndares de los pronsticos] .gen [lmite inferior] = [variable con valores ajustados y pronosticados] - ([valor t con n-k-1 grados de libertad] * [variable de errores estndares de los pronsticos]
Pronsticos de valores de la variable dependiente al definir valores futuros del tiempo: .adjust [variable tiempo] = [valor futuro] Pronsticos de valores de la variable dependiente con intervalos de confianza y errores estndares de los valores ajustados y del pronstico, medios e individuales:

.adjust [variable tiempo] = [valor futuro], ci se //, ci stdf

Pronsticos simultneos de toda la serie de tiempo hasta n valores futuros, con intervalos de prediccin basados en errores estndares para valores ajustados y pronosticados, medios e individuales. Desplegados en ventana de resultados:

.adjust, by([variable tiempo]) ci se // ci stdf

Breviario de comandos y aplicaciones para la operacin del programa Statistics Data Analysis Stata (versin 1 1).

Pronsticos simultneos de toda la serie de tiempo hasta n valores futuros, generando variables en los intervalos de prediccin, basados en errores estndares para valores ajustados y pronosticados medios:

.predictnl [variable de con valores ajustados y pronosticados] = predict(xb), ci([variable lmite inferior] [variable lmite superior])
Enlistar valores pronosticados:

.list [variable tiempo] [variable con valores ajustados y pronosticados] [lmite inferior] [lmite superior] in [observacin inicial pronosticada]/[observacin final pronosticada]
9. Pronsticos mediante componentes de una serie de tiempo: 9.1. Una vez realizados los pronsticos de los valores que toma el componente tendencia (valores ajustados) y sus intervalos de prediccin, se copian los valores de la variable componente estacional ajustado (S) a partir de la estacin que corresponda a la observacin n+1 hasta la ltima observacin aadida. Esta operacin permite obtener los valores pronosticados del componente estacional. 9.2. Se genera la nueva variable de los componentes tendencia y estacionalidad (T*S) pronosticados:

.gen [variable de componentes tendencia y estacionalidad pronosticados] = [variable de componente tendencia con pronsticos] * [variable componente estacional con pronsticos]
9.3. Los intervalos de prediccin pronosticados de los componentes tendencia y estacionalidad se generan: .gen [variable lmite superior de los componentes tendencia y estacionalidad ajustados y

pronosticados] = [variable de componentes tendencia y estacionalidad pronosticados] + ([variable lmite superior] - [variable lmite inferior] /2) .gen [variable lmite inferior de los componentes tendencia y estacionalidad ajustados y pronosticados] = [variable de componentes tendencia y estacionalidad pronosticados] ([variable lmite superior] - [variable lmite inferior] /2)
9.4. En caso de tener definido los periodos de inicio y final del componente ciclo, se copian los valores de la variable componente ciclo (C) a partir de la estacin que corresponda a la observacin n+1 hasta la ltima observacin aadida. 9.5. Se genera la nueva variable de los componentes tendencia , estacionalidad y ciclo (T*S*C) pronosticados:

.gen [variable de componentes tendencia, estacionalidad y ciclo pronosticados] = [variable de componente tendencia con pronsticos] * [variable componente estacional con pronsticos] * [variable componente cclico]
9.6. Para obtener los intervalos de prediccin pronosticados de los componentes tendencia, estacionalidad ajustados y ciclo, se procede como en el inciso d 10. En el caso de pronsticos bajo MCVD, antes de aplicar los comandos adjust, predict y predictnl, deben copiarse en las observaciones aadidas los valores que toman las variables binarias (dummy) a partir de la estacin pronosticada correspondiente. 11. Representacin grfica de pronsticos: Representacin lineal del pronstico por rangos y con intervalos de confianza:
5

Breviario de comandos y aplicaciones para la operacin del programa Statistics Data Analysis Stata (versin 1 1).

.twoway lfitci [variable dependiente] [variable tiempo], range([dato pronosticado inicial] [dato pronosticado final])
Representacin lineal del pronstico por rangos con lnea de tendencia y etiquetado:

.twoway (scatter [variable con valores ajustados y pronosticados] [variable tiempo] in [observacin inicial pronosticada]/[observacin final pronosticada], mlabel([variable con valores ajustados y pronosticados]) (lfit [variable con valores ajustados y pronosticados] [variable tiempo] in [observacin inicial pronosticada]/[observacin final pronosticada])
Representacin cuadrtica del pronstico por rangos con lnea de tendencia y etiquetado:

.twoway (scatter [variable con valores ajustados y pronosticados] [variable tiempo] in [observacin inicial pronosticada]/[observacin final pronosticada], mlabel([variable con valores ajustados y pronosticados]) (qfit [variable con valores ajustados y pronosticados] [variable tiempo] in [observacin inicial pronosticada]/[observacin final pronosticada])

Copyright @ 2010, 2011, 2012, 2013. Hctor Cervantes y el CU UAEM VM. Todos los derechos reservados. Este documento puede reproducirse bajo consentimiento expreso del autor.