Professional Documents
Culture Documents
La modelizacin de series de tiempo es, por su puesto, una disciplina de pleno derecho. El anlisis de cointegracin
creci desde esta rama. El anlisis de series de tiempo es actualmente ampliamente visto como un ladrillo bsico de
la econometra. K. Cuthbertson et al.
1.1. BIBLIOGRAFIA
Los presentes apuntes estn basados en varios textos. En particular:
Ezequiel URIEL - ANALISIS DE SERIES TEMPORALES - MODELOS ARIMA -Coleccin Abaco - Ed.
Paraninfo - 1985.
Antoni ESPASA y Jos Ramn CANCELO (Eds.) - METODOS CUANTITATIVOS PARA EL ANALISIS
DE LA COYUNTURA ECONOMICA - Alianza Economa - 1993.
Otra referencia:
Para construir un modelo de series de tiempo, lo nico que se necesita es la informacin muestral de la variable a
analizar.
Si se desea explicar el comportamiento de una variable temporal Yt, un modelo de series temporales puede
plantearse como:
Y t = f( Y t -1 , Y t - 2 , ... )
i) a menudo no se dispone de los datos de las variables exgenas (por ejemplo, expectativas, gap de
producto);
ii) dificultades en el marco del mtodo de regresin para la estimacin con variables retardadas
(especialmente con la variable endgena retardada);
v) con niveles de desagregacin temporal elevados (datos mensuales, semanales, diarios) es mucho ms fcil
construir un modelo de series temporales;
Limitaciones:
vi) un modelo economtrico, estimado adecuadamente, ser ms eficiente, y por lo tanto ms til que un
modelo de series temporales;
vii) los modelos economtricos permiten conocer la forma en que la variable de inters se relaciona con las
variables exgenas; ste puede ser el objetivo principal del anlisis (por ejemplo, estimacin de una
elasticidad).
Serie temporal: Conjunto de T observaciones, una observacin por cada una de las variables: Y1, Y2, ..., YT.
Sinnimo: serie cronolgica.
A las observaciones de una variable temporal se denominan realizaciones. Son los resultados de un proceso
estocstico, como se plantea ms adelante.
En gran parte de las variables temporales propias del anlisis econmico se detecta un patrn de comportamiento
en el tiempo. Las series presentan movimientos sistemticos (repetitivos). En la evolucin en el tiempo se observa
una regularidad.
Esta regularidad de las series temporales es, en general, estocstica y no determinstica. Es decir, esa regularidad
no admite una formulacin funcional determinista, sino que es funcin de variables aleatorias.
Estimando tal regularidad, el analista construye un mecanismo explicativo que recibe el nombre de modelo.
Con la construccin de un modelo, Yt se descompone en dos partes: parte sistemtica (PS) e innovacin (a).
Y t = PS t + at
La innovacin es un componente aleatorio en el que sus valores no tienen ninguna relacin o dependencia
entre s. La innovacin y la parte sistemtica son independientes. No es posible ningn tipo de descomposicin
de la innovacin con fines predictivos: es impredecible. Por eso tambin se la llama sorpresa o ruido. Una
innovacin slo ser autnticamente tal si es impredecible para cualquier conjunto de informacin existente.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 2 - Pg. 1
i ) E ( at ) = 0 t [2.1.1]
ii ) V(at ) = E (at2 ) = 2 t [2.1.2]
iii ) COV(at , a s ) = E ( at .a s ) = 0 t s [2.1.3]
Esto es, la variable xt presenta una esperanza constante en el tiempo, e igual a 0; varianza constante e incorrelacin
temporal (autocorrelacin nula). Si se agrega la condicin de que la variable xt se distribuye normal, la condicin
(iii) de incorrelacin implica independencia.
Supondremos, salvo que se exprese lo contrario, que la distribucin de probabilidad asociada a un ruido blanco es
normal. Ello significa que las 3 condiciones anteriores pueden sintetizarse en la siguiente expresin:
at ~ Niid (0, 2 ) t
Niid: normales independientes e idnticamente distribuidas
El trmino ruido ha sido tomado de la teora de la comunicacin. En esta disciplina, un ruido corresponde a
perturbaciones aleatorias que vienen en funcin de la seal enviada, que es diferente de la seal recibida. Se
denomina ruido blanco a una perturbacin aleatoria con las caractersticas antes planteadas, por analoga con la
distribucin de energa continua en luz blanca de un cuerpo incandescente.
A continuacin se presenta el grfico de una serie temporal artificial de 100 observaciones, que es una realizacin
del proceso estocstico:
Y t = a t ; a t ~ Niid ( 0 , 1 )
-1
-2
-3
50 100 150 200 250 300
i) cada observacin tiende a oscilar alrededor de una media que es constante a lo largo del tiempo. Es decir,
todas las variables del proceso tienen la misma esperanza matemtica:
E ( Yt ) = t [2.2.1]
ii) la dispersin alrededor de esa media constante a lo largo del tiempo tambin es constante. Es decir, todas
las variables del proceso tienen la misma varianza:
V ( Y t ) = Y2 t [2.2.2]
iii) la covarianza entre dos variables que disten k perodos de tiempo (autocovarianza de orden k) es la
misma que existe entre cualesquiera otras dos variables que disten tambin k perodos entre s,
independientemente del momento del tiempo al que estn referidas:
2.3. EJEMPLOS
A. Claramente un proceso de ruido blanco corresponde a un fenmeno estacionario en sentido amplio (y en
sentido estricto, como se ver ms adelante).
Su media es invariante en el tiempo, al igual que su varianza. Las autocovarianzas, al ser nulas, tambin cumplen
con la condicin (iii).
Yt = + at ; at ~ Niid (0 , 2 )
E ( Yt ) =
V ( Yt ) = 2
COV ( Y t , Y t +k ) = 0 k
C. Considrese la serie Yt generada por el proceso siguiente:
Yt = + . t + at [2.3.1]
La variable t representa al tiempo. Yt no corresponde a un proceso estacionario, ya que:
E ( Y t ) = + .t
Es decir, su media (esperanza) no es invariante en el tiempo.
Obsrvese que la variable Yt presenta tendencia, por lo que no puede ser generada por un proceso estacionario.
Tngase en cuenta que las series con tendencia no necesariamente deben ser generadas por procesos del tipo
[ 2.3.1]. Como se ver ms adelante, este proceso corresponde a un tipo muy particular, de tendencia
determinstica.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 2 - Pg. 4
D. La serie del Indice de Volumen Fsico (IVF) de la Industria Manufacturera, calculado por el Instituto Nacional
de Estadsticas, en el perodo 1982-1992.
130
120
110
100
90
80
70
82 83 84 85 86 87 88 89 90 91 92
Podramos decir que afortunadamente la serie del IVF industrial no corresponde a un proceso estacionario (aunque
quizs estemos planteando un juicio de valor respecto a la estructura productiva deseable). Analice en la misma
forma el Producto Bruto Interno.
E. Las series de precios, monetarias, fiscales, de produccin, a precios corrientes, presentan claramente una
tendencia creciente, especialmente en pases con alta inflacin como en Uruguay. Evidentemente estas series no
pueden considerarse generadas por procesos estacionarios. Obsrvese que si bien la inflacin en los pases
desarrollados (y en EE.UU. en particular) es muy inferior a los registros uruguayos, de todas maneras se observan
una tendencia creciente de los precios, especialmente luego de la Segunda Guerra Mundial. Ello indica que an
variables medidas en dlares corrientes (como las relativas al comercio exterior), posiblemente presenten un
comportamiento no estacionario.
F. Varios investigadores han encontrado que la varianza de los ndices de retornos (ganancias) de las acciones
cambia a lo largo del tiempo. Por ejemplo, los retornos diarios del portafolio compuesto del Standard & Poor's
fueron estudiados. Se encontr que la desviacin estndar en el perodo 1929-1933 fue alrededor de 4 veces ms
grande que en 1953-1970 1.
Sin disponer de ms datos sobre la serie, qu podra afirmar sobre la estacionariedad del proceso generador?
1
SCHWERT, G. William y SEGUIN, Paul J. - "Heteroskedasticity en Stock Returns" - The Journal of Finance,
Vol. XLV, No. 4 - Setiembre 1990.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 2 - Pg. 5
V ( Yt ) = o [2.4.1]
que, por [ 2.2.2] es constante (invariante) en el tiempo.
De esta forma, la condicin (iii) de estacionariedad (en sentido amplio) puede escribirse alternativamente como:
k
k = k [2.4.3]
o
Por las propiedades de la covarianza y la definicin del coeficiente de correlacin, se tiene:
k = -k k [2.4.4]
o = o 1 [2.4.5]
o
El conjunto (infinito) de los valores de los coeficientes de autocorrelacin se denomina funcin de autocorrelacin
(FAC), que es una funcin en k, cuyos valores son las autocorrelaciones definidas.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 2 - Pg. 6
A partir de una muestra de T observaciones, se definen las estimaciones de estos momentos poblacionales a partir
de la muestra como:
T
Yt
t=1
Y =
T
T
2
( Yt -Y )
V( Y ) = C o = o = t =1
T
T -k
( Y t - Y ) . ( Y t+k - Y )
C k = k =
t=1
T
C k = COV( Y t , Y t + k ) =
r k = k =
Co V( Y )
T -k
( Y t - Y ) . ( Y t +k - Y )
t =1
= T
2
( Yt -Y )
t =1
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 2 - Pg. 7
A partir de los datos de una serie temporal, se puede estimar un nmero finito (K) de las autocorrelaciones
muestrales.
Como se observa en [ 2.4.4], slo es necesario estimar los coeficientes de autocorrelacin para k=1, 2, ..., K. El
grfico de las autocorrelaciones muestrales recibe el nombre de correlograma.
A continuacin se incluyen el histrograma y el correlograma para el ruido blanco presentado en el grfico 2.1.1
En las salidas incluidas, la funcin de autocorrelacin se denomina "ac". Tambin se incluye la funcin de
autocorrelacin parcial ("pac"). Esta ltima mide la autocorrelacin de orden k cuando se elimina el efecto de las
variables retrasadas en 1, 2, ..., k-1 perodos. Ms adelante se vuelve sobre estos aspectos as como sobre otras
estadsticas incluidas en la salida.
IDENT EPSI
SMPL range: 1 - 200
Number of observations: 200
==========================================================================
Autocorrelations Partial Autocorrelations ac pac
==========================================================================
| .*| . | .*| . | 1 -0.072 -0.072
| . |*. | . |*. | 2 0.046 0.041
| . | . | . | . | 3 0.001 0.007
| . | . | . | . | 4 0.011 0.009
| ***| . | ***| . | 5 -0.195 -0.196
| . |*. | . |*. | 6 0.077 0.052
| .*| . | .*| . | 7 -0.114 -0.094
| .*| . | **| . | 8 -0.107 -0.128
| . | . | . | . | 9 -0.021 -0.030
| .*| . | .*| . | 10 -0.063 -0.102
| . | . | . | . | 11 -0.033 -0.021
| . | . | .*| . | 12 -0.012 -0.062
| . |*. | . | . | 13 0.048 0.010
| .*| . | .*| . | 14 -0.059 -0.068
| . |*. | . | . | 15 0.060 -0.006
==========================================================================
Box-Pierce Q-Stat 18.19 Prob 0.2527 SE of Correlations 0.071
Ljung-Box Q-Stat 19.02 Prob 0.2130
==========================================================================
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 2 - Pg. 9
Es decir, si p( Yt+1, Yt+2, ..., Yt+k ) es la funcin de distribucin acumulada de probabilidad, entonces:
p ( Y t +1 , Y t +2 , ..., Y t +k ) =
= p ( Y t +1+ s , Y t +2+ s , ..., Y t +k + s ) t, k, s
Los procesos estacionarios en sentido estricto tambin lo son en sentido amplio. Es decir, cumplen las condiciones
[ 2.2.5 ] a [ 2.2.7]. No es cierta la afirmacin inversa.
Obsrvese el caso de una variable ruido blanco. Si Yt sigue una distribucin conjunta Niid(0, ), entonces:
p ( Y t +1 , Y t +2 , ..., Y t +k ) =
k
= p ( Y t +i ) =
i= 1
k k
= [ p( Y t ) ] = [ p ( Y t + s ) ] =
= p ( Y t + s+1 , Y t + s+2 , ... Y t + s+k ) k ,t ,s
En realidad, la deduccin anterior slo requiere que la serie en cuestin sea generado por un proceso asociado a
una distribucin de variables independientes e idnticamente distribuidas.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 2 - Pg. 10
En la realidad, y especialmente para las variables econmicas, se encuentran muy raramente series generadas a
partir de procesos estacionarios. Como se explic, las series a precios corrientes, las series de Cuentas Nacionales,
generalmente presentan tendencia y, por lo tanto, no corresponden a procesos estacionarios.
El hecho de que una gran cantidad de fenmenos econmicos correspondan a procesos no estacionarios, no debe
llevar a pensar de que no reviste inters el estudio de los procesos estacionarios.
Como se ver ms adelante, una gran cantidad de procesos no estacionarios pueden ser fcilmente transformados
en procesos estacionarios y, a partir de esta transformacin, les son aplicables los mtodos de identificacin y
estimacin que se vern ms adelante.
LYt = Yt 1
Es decir, el resultado de aplicar el operador L corresponde a la observacin en el perodo anterior de la
variable (serie).
L( LYt ) = L2Yt = Yt 2
y, en general:
Lk Yt = Yt k
La diferencia de una serie es:
Yt = Yt Yt 1 = (1 L)Yt
En general:
k Yt = (k 1Yt ) = (1 L) k Yt
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 1
3. PROCESOS AUTORREGRESIVOS
3.1. MODELO AR(p)
Si el valor corriente de la variable Yt depende de sus valores pasados y de la innovacin corriente, puede
plantearse:
A partir del uso del operador de retardo L, la expresin [ 3.1.1 ] puede plantearse como:
2 p
Yt = C + 1 LYt + 2 L Yt + ... + p L Yt + at
(1 1 L 2 L2 ... p Lp ) Yt = C +at
Por analoga, podemos definir la expresin entre parntesis como un polinomio en el operador de retardos L:
(L) 1 1 L 2 L2 ... p Lp
(L) Yt = P (L) Yt = C + at
Comenzaremos por analizar el modelo ms sencillo, el correspondiente al modelo autoregresivo de 1er. orden,
AR(1).
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 2
Y t = Y t -1 + at [3.2.1]
donde | | < 1
El supuesto respecto al parmetro , como veremos despus, est relacionado a la estacionariedad del proceso.
Partiendo de la base que [ 3.2.1] corresponde a un proceso estacionario, podemos derivar las expresiones de la
esperanza, la varianza y las auto-covarianzas de Yt.
E ( Y t ) = E ( Y t -1 + at ) =
= E ( Y t -1 ) + E ( at )
y = y
Excepto en el caso =0, que es trivial y que no dara lugar a un AR(1), se deduce:
E ( Yt ) = y = 0
V ( Y t ) = Y2 = E ( Y t2 ) =
E [ ( Y t -1 + at ) ] =
2
= E ( Y t2-1 ) + E ( at2 ) + 2 E ( Y t -1 at )
2
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 3
El tercer trmino del segundo miembro de la expresin anterior es igual a 0. La fundamentacin rigurosa
quedar clara ms adelante cuando se analicen los procesos de medias mviles. Sin embargo, es posible
razonarlo en los siguientes trminos.
E(Yt-1.at) corresponde a la correlacin (poblacional) entre Yt-1 y el ruido blanco at. Yt-1 depende de los
valores pasados del ruido blanco (es decir, de at-1, at-2, ) pero no del valor futuro, ya que, justamente, at
es una sorpresa. De ah que la correlacin es nula.
V ( Y t ) = 2y = 2 2y + 2
2
V ( Yt ) = = o = 2
y
( 1-2 )
La condicin de en valor absoluto menor que 1 es necesaria para la existencia de la varianza de Yt.
Las autocovarianzas pueden deducirse de una manera anloga. La autocovarianza de orden 1 es:
COV ( Y t , Y t - 1 ) = E ( Y t . Y t - 1 ) =
= E [ ( Y t -1 + a t ) . Y t -1 ] =
= V ( Y t -1 ) + E ( a t . Y t -1 )
1 = o
k
La autocovarianza de orden k es:
k = o
Como resulta inmediato de las ecuaciones anteriores, el coeficiente de autocorrelacin de orden k es:
k
k = =k
0
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 4
CORRELOGRAMA CORRELOGRAMA
PROCESO AR(1) - COEF. +0,8 PROCESO AR(1) - COEF. -0,8
1,0 1,0
0,9 0,8
0,8 0,6
0,7 0,4
0,6
0,2
0,5
0,0
0 1 2 3 4 5 6 7 8 9 10 11 12
0,4
-0,2
0,3
-0,4
0,2
-0,6
0,1
-0,8
0,0
0 1 2 3 4 5 6 7 8 9 10 11 12 -1,0
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 5
Yt = 0.8 Yt-1 + at
Correlogram of Y1
==============================================================
Sample: 1 300
Included observations: 300
==============================================================
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
==============================================================
.|****** | .|****** | 1 0.780 0.780 184.35 0.000
.|***** | .|. | 2 0.602-0.016 294.53 0.000
.|**** | .|. | 3 0.463-0.003 359.96 0.000
.|*** | .|. | 4 0.351-0.013 397.69 0.000
.|** | .|* | 5 0.296 0.078 424.63 0.000
.|** | .|. | 6 0.263 0.036 446.01 0.000
.|** | .|. | 7 0.231 0.001 462.52 0.000
.|** | .|. | 8 0.200-0.002 474.92 0.000
.|* | .|. | 9 0.167-0.005 483.61 0.000
.|* | .|. | 10 0.145 0.020 490.20 0.000
.|* | .|. | 11 0.148 0.058 497.09 0.000
.|* | *|. | 12 0.097-0.123 500.04 0.000
.|* | .|. | 13 0.068 0.019 501.50 0.000
.|. | .|. | 14 0.029-0.048 501.78 0.000
.|. | .|. | 15 0.014 0.036 501.84 0.000
.|. | .|. | 16 0.008-0.008 501.86 0.000
.|. | .|. | 17-0.013-0.049 501.91 0.000
.|. | .|. | 18-0.029-0.012 502.18 0.000
.|. | .|. | 19-0.037 0.005 502.62 0.000
*|. | .|. | 20-0.058-0.037 503.72 0.000
*|. | .|. | 21-0.068-0.005 505.23 0.000
.|. | .|. | 22-0.043 0.061 505.82 0.000
.|. | *|. | 23-0.055-0.060 506.80 0.000
.|. | .|. | 24-0.050 0.017 507.63 0.000
*|. | .|. | 25-0.063-0.034 508.94 0.000
*|. | *|. | 26-0.114-0.117 513.22 0.000
*|. | .|. | 27-0.127 0.033 518.53 0.000
*|. | .|. | 28-0.142-0.033 525.28 0.000
*|. | .|. | 29-0.122 0.060 530.28 0.000
*|. | .|. | 30-0.110-0.038 534.35 0.000
*|. | .|. | 31-0.112-0.026 538.60 0.000
*|. | .|. | 32-0.127-0.044 544.02 0.000
*|. | .|* | 33-0.074 0.150 545.89 0.000
.|. | .|. | 34-0.052-0.026 546.83 0.000
.|. | *|. | 35-0.052-0.065 547.76 0.000
.|. | .|* | 36-0.027 0.073 548.01 0.000
==============================================================
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 6
Yt = -0.8 Yt-1 + at
Correlogram of Y2
==============================================================
Sample: 1 300
Included observations: 300
==============================================================
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
==============================================================
******|. | ******|. | 1-0.776-0.776 182.57 0.000
.|***** | .|. | 2 0.594-0.021 289.97 0.000
***|. | .|. | 3-0.447 0.020 350.92 0.000
.|** | .|. | 4 0.319-0.042 382.06 0.000
**|. | *|. | 5-0.252-0.067 401.60 0.000
.|* | .|. | 6 0.186-0.036 412.26 0.000
*|. | .|. | 7-0.114 0.059 416.24 0.000
.|. | .|. | 8 0.062-0.007 417.44 0.000
.|. | .|. | 9 0.001 0.065 417.44 0.000
*|. | *|. | 10-0.064-0.065 418.70 0.000
.|* | .|. | 11 0.113 0.043 422.71 0.000
*|. | .|* | 12-0.110 0.076 426.51 0.000
.|* | .|. | 13 0.097-0.005 429.49 0.000
*|. | .|. | 14-0.076 0.013 431.34 0.000
.|. | .|. | 15 0.038-0.055 431.79 0.000
.|. | .|. | 16-0.020-0.008 431.92 0.000
.|. | .|. | 17 0.013 0.019 431.98 0.000
.|. | .|. | 18-0.016-0.028 432.06 0.000
.|. | .|. | 19 0.004-0.039 432.06 0.000
.|. | .|. | 20 0.021 0.026 432.20 0.000
==============================================================
Obsrvese que los coeficientes de autocorrelacin decrecen en forma geomtrica. En un modelo AR(1), si el
coeficiente es negativo, los coeficientes de autocorrelacin alternan de signo.
Media no nula
Y t = 1 Y t -1 + 2 Y t - 2 + a t
E( Yt ) = y = 0
2
V ( Yt ) = = o = 2
y
1 - 12 - 22
1
1 = .
1-2 o
12
2 = ( 2+ ) . o
1-2
1
1 =
1-2
12
2 = 2+
1-2
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 8
Y t = 1 Y t - 1 + 2 Y t - 2 + ... + p Y t - p + a t
2 p
Y t = 1 L Yt + 2 L Yt + ... + p L Yt + a t
(Yt 1 L Yt 2 L2 Yt ... p Lp Yt ) = a t
(1 1 L 2 L2 ... p Lp ) Yt = a t
y, en forma sinttica,:
( L ) Y t = p ( L ) Y t = at [3.4.1]
La estacionariedad de la serie Yt requiere, entre otras condiciones, una media invariante. Es decir, la no
observacin de una tendencia. La serie no puede presentar un crecimiento (o decrecimiento) sostenido en el
tiempo.
La expresin [ 3.4.1] puede interpretarse como una ecuacin en diferencias finitas en la variable Yt. Como la
variable at es un ruido blanco y, por consiguiente, no influye sobre la existencia de una tendencia en la variable
Yt, la trayectoria en el tiempo de Yt estar determinada por el polinomio autoregresivo (miembro izquierdo de
la ecuacin). En otras palabras, lo que interesa analizar es la ecuacin homognea:
p ( L )Y t = 0
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 9
Y t = 1 Y t -1 + 2 Y t - 2 + a t
( 1 - 1 L - 2 L2 ) Y t = at
Y t - 1 Y t -1 - 2 Y t - 2 = 0
r -1 r -2 = 0
2
[3.4.2]
El polinomio autorregresivo (en el operador de retardos L) es:
( L ) 1 - 1 L - 2 L2 [3.4.3]
Obsrvese que las races de la ecuacin caracterstica [ 3.4.2] corresponden a las inversas de las races del
polinomio autorregresivo [ 3.4.3].
r - 1 r - 2 r - ... - p = 0
p p -1 p-2
[3.4.4]
El polinomio Autoregresivo:
( L ) 1 - 1 L - 2 L2 ... p Lp [3.4.5]
y admite p races, en general complejas, en la forma ri. La solucin general de la ecuacin homognea (que es
la que determina la trayectoria en el tiempo de Yt) puede plantearse como:
t t t
Y t = A1 r 1 + A2 r2 + ... + A p rP
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 3 - Pg. 10
Supongamos que las p races son reales. Si existe ri tal que ri > 1 entonces Yt no tiene lmite ( o no
tiene lmite finito).
Si dentro de las races de la ecuacin caracterstica hay soluciones complejas, lo mismo vale para el mdulo de
las races.
En resumen, las races de la ecuacin caracterstica [3.4.4] deben ser, en mdulo, inferiores a 1. Como las
races del polinomio autoregresivo son las inversas de las correspondientes a la ecuacin caracterstica,
llegamos a la regla general de estacionariedad de un proceso AR(p).
Las races del polinomio autoregresivo deben caer fuera del crculo
unidad.
Y t = 1 Y t - 1 + 2 Y t - 2 + ... + p Y t - p + a t
Suponiendo que el modelo es estacionario, se multiplica ambos miembros por Yt-k y se toman esperanzas:
k = 1 k 1 + 2 k - 2 + ... + p k p
k = 1 k 1 + 2 k 2 + ... + p k p [3.5.1]
Para k=1, 2, , p se obtiene un sistema de p ecuaciones:
1 = 1 + 2 1 + 3 2 + ... + p 1 p 2 + p p 1
2 = 1 1 + 2 + 3 1 + ... + p 1 p 3 + p p 2 [3.5.2]
...
p = 1 p 1 + 2 p 2 + 3 p 3 + ... + p 1 1 + p
El sistema [3.5.2] puede ser considerado tanto en trminos de los coeficientes de autocorrelacin i
conocidos (con lo cual pueden deducirse los coeficientes i ) como a la inversa.
estimaciones
i
puede plantearse el siguiente sistema para la estimacin de los coeficientes i
1
1 1 1 2 ... p 1 1
2 = 1 1 1 ... p 2
2
... ... ... ... ... ... ...
p p 1 p 2 p 3 ... 1 p
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 4 - Pg. 1
Los procesos de orden q de medias mviles, o abreviadamente MA(q), se definen de la siguiente forma:
Yt = + at 1 at 1 2 at 2 ... q at q [4.1.1]
donde at es un ruido blanco con las propiedades ya definidas.
Obsrvese que el proceso de medias mviles corresponde a una combinacin lineal de variables ruido blanco
(para la expresin [4.1.1], de q+1 variables), siendo los coeficientes theta los ponderadores de la
combinacin lineal. Esto es, se asemeja a la definicin de un promedio de las variables ruido blanco (aunque
los coeficientes no sumen en general la unidad, una propiedad que deben cumplir los promedios).
Como las variables que forman parte de este promedio varan a lo largo del tiempo, se definen como mviles
(moving average en ingls).
Los coeficientes van precedidos por el signo negativo, cuestin meramente de conveniencia en la
notacin. Algunos paquetes economtricos asumen, para la estimacin del modelo, que no se ha
modificado el signo del coeficiente.
La representacin [4.1.] corresponde al caso general para procesos de medias mviles finitos. Como se
ver ms adelante, en distintas aplicaciones se consideran modelos de infinitos trminos (que se notan
como MA( )).
Yt = + at 1 La t 2 L2 at ... q Lq at
Yt = + (1 1 L 2 L2 ... q Lq )at
Yt = + q ( L)a t
E (Yt ) = E ( + at 1 La t 2 L2 at ... q Lq at ) =
= E ( ) + E ( q ( L ) a t ) = + q ( L ) E ( a t )
ya que la esperanza de la suma es la suma de las esperanzas.
E (Yt ) = + q ( L) 0 =
En los procesos de medias mviles, la media (o esperanza) del proceso coincide con el trmino independiente.
Sin prdida de generalidad, podemos redefinir el caso general [4.1.1] sin trmino independiente. Bastara
transformar el modelo para una variable:
X= Y
Es decir, volvemos a plantear [4.1.1] como:
Yt = at 1 at 1 2 at 2 ... q at q [4.1.2]
Respecto de la varianza, con la formulacin [4.1.2] se tiene:
[
V (Yt ) = E (at2 + 12 at21 + ... + q2 at2 q ) +
Parte A
+ ( 1 at at 1 2 at at 2 + ... + 1 2 at 1 at 2 + ...)]
Parte B
Al aplicar el operador esperanza, los trminos que contienen productos cruzados se anulan (recurdese que,
por definicin, el ruido blanco at est incorrelacionado temporalmente).
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 4 - Pg. 3
De esta forma:
V (Yt ) = (1 + 12 + ... + q2 ) a2
4.3. EJEMPLO
Supngase que se est modelizando el precio de un cierto producto agrcola en un contexto no inflacionario.
Para ello se dispone de una serie de tiempo donde la periodicidad se corresponde con el ciclo de cultivo del
producto (es decir, semestral, anual, segn corresponda). Un ejemplo de un modelo que podra describir este
proceso es un MA(1):
Yt = 10 + at + 0,8at 1
donde at es Niid (0 , 2^2)
Es decir, el ruido blanco o innovacin es normal, independiente e idnticamente distribuido con desvo
estndar de 2.
Supongamos que en el momento T se produce un hecho extraordinario (una sequa, por ejemplo) que repercute
en un valor extraordinario de la innovacin (usualmente llamado outlier). En el ejemplo presentado,
supongamos que en el momento T toma el valor de 7 (3,5 desvos estndar).
Para simplificar la exposicin, supongamos que en los perodos previos a T (T-1, T-2) el valor de at fue 0, y
que luego de T (T+1, T+2, ...) tambin toma valores 0 (esta es una simplificacin, para la presentacin del
ejemplo bastara que no ocurrieran nuevos outliers).
Es decir, se observ un valor extraordinario en la serie (en T) que repercuti en el perodo siguiente (T+1) pero
que deja de producir efectos a partir de T+2.
En el ejemplo, la sequa impuls un incremento del precio en el perodo contemporneo, que es parcialmente
absorbido en el siguiente (por ejemplo, porque los demandantes deben recomponer el stock o porque el rea
sembrada en T+1 fue inferior a la de T-1) y se recompone el equilibrio en t+2, superado el efecto del outlier.
X t = 2 + 0,8 X t 1 + at
donde at es Niid (0 , 2^2)
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 4 - Pg. 5
Obsrvese que el modelo AR(1) se defini de manera que la esperanza de ambos modelos fuera la misma.
2
E( X t ) = = 10
1 0,8
Para comparar con el ejemplo anterior, suponemos el mismo comportamiento del ruido (y el valor de Y en T-1
y T-2):
XT-2 = 10,0
aT-1 = 0 XT-1 = 10,0
aT = 7 XT = 17,0
aT+1 = 0 XT+1 = 15,6
aT+2 = 0 XT+2 = 14,5
aT+3 = 0 XT+3 = 13,6
...
aT+10 = 0 XT+10 = 10,8
...
aT+20 = 0 XT+20 = 10,1
...
aT+30 = 0 XT+30 = 10,0
Como puede apreciarse en el ejemplo, el valor de equilibrio (la esperanza del proceso) es, al igual que en el
caso del MA(1), Y=10.
En los dos procesos, una vez ocurrido un hecho que lo aparta del equilibrio, la serie tiende a retornar a ste
(obsrvese que esta es una caracterstica de las series estacionarias: la media es invariante). La diferencia
radica en la trayectoria hacia el equilibrio. En la ausencia de nuevos choques, el proceso de MA retorna a su
equilibrio en nmero finito de perodos (de acuerdo al orden q del proceso), usualmente un nmero pequeo
de perodos.
Por otro lado, el proceso AR retorna al equilibrio con movimientos decrecientes, requirindose infinitos
perodos para alcanzarlo. (Como ejercicio, calcular, por ejemplo en una planilla Excel, los valores de Xt con
una precisin mayor que la presentada antes y verificar que XT+30 = 10,0086656 ). De todos modos, Xt estar
lo suficientemente prxima del valor de equilibrio en un nmero finito de perodos, con lo que a los efectos
prcticos el punto anterior no es sustantivo.
An con esta precisin, como puede observarse en el ejemplo, se requiere de un nmero mayor de perodos
para obtener un valor cercano al equilibrio. La precisin es vlida en general, aunque en los casos concretos
depender del orden de los modelos AR y MA y de los valores de los coeficientes.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 4 - Pg. 6
En el grfico siguiente se presentan las dos series. Los valores de T-2 a T+1 coinciden para ambas series.
18
17
16 MA(1)
15
AR(1)
14
13
12
11
10
8
2
9
T
10
11
12
13
14
15
16
17
18
19
20
T-
T-
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
T+
Yt = + at 1 at 1 [4.4.1]
donde at es un ruido blanco con las propiedades ya definidas.
Ejercicios.
a) Demuestre que:
E (Yt ) =
V (Yt ) = 0 = (1 + 12 ) 2
1 = 1 2
k =0 k >1
1
1 + 2 k =1
k = 1
0 k >1
Yt = at 0,8at 1
Yt = at + 0,8at 1
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 4 - Pg. 8
Yt = + at 1 at 1 2 at 2 [4.4.2]
Probar que la funcin de autocorrelacin es:
1 + 1 2
1+ 2 + 2 k =1
1 2
2
k=2
k = 1 + 12 + 22
0 k>2
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 4 - Pg. 9
Los modelos de medias mviles finitos son siempre estacionarios. Como puede apreciarse de las deducciones
anteriores, los momentos de los procesos (esperanza, varianza y autocovarianzas) son invariantes en el tiempo.
A diferencia de los procesos AR, para la deduccin de los momentos no es necesario suponer la
estacionariedad de la serie. Si las races del polinomio de medias mviles caen fuera del crculo unidad, el
proceso ser tambin invertible.
Veamos el caso de un proceso MA(1). Volviendo a escribir el proceso [4.4.1] (omitiendo la constante para
simplificar la exposicin) se tiene:
a t = Y t + a t 1
a t 1 = Y t 1 + a t 2
Sustituyendo la segunda expresin en la primera:
at = Yt + Yt 1 + 2 at 2
y continuando con la sustitucin recursiva:
Para que efectivamente ambos modelos sean equivalentes se requiere que el modelo AR sea estacionario, lo
De esta forma, cuando el polinomio de medias mviles q (L) tiene sus races fuera del crculo unidad,
Y t = a t + a t 1 = (1 L ) a t
1
at = Yt
(1 L )
La expresin que pre-multiplica a Yt puede considerarse como la suma de una progresin geomtrica de razn
theta solamente si theta es, en valor absoluto, inferior a 1.
1
at = Yt =
(1 L )
= (1 + L + 2 L2 + 3 L3 + ...) Y t
Y t = Y t 1 2 Y t 2 3Y t 3 ... + a t
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 4 - Pg. 11
Cualquier proceso estacionario Yt puede representarse unvocamente como la suma de dos procesos mutuamente
incorrelacionados.
Yt = Dt + X t
donde Dt es linealmente determinista y Xt es un proceso MA infinito. En contraposicin al proceso determinista, a
la parte de medias mviles se le denomina puramente no determinista.
La parte Dt puede ser una funcin exacta del tiempo (por ejemplo, una funcin sinusoidal). En el caso ms simple,
Dt es simplemente una constante.
Ejemplos.
Yt = C + 1Yt 1 + at 1 < 1
El modelo puede reescribirse como:
(1 1 L)(Yt ) = at
C
donde =
1 - 1
La expresin anterior puede transformarse en:
1 1
Yt = at = + at
1 1 L 1 1 L
que da lugar a un proceso MA infinito, aunque estacionario, que se descompone en los dos trminos de Wold.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 4 - Pg. 12
(1 1L)Yt = (1 1L)at
(1 1 L)
Yt = at
(1 1 L)
Yt = 0,3Yt 1 + at + 0,8at 1
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 5 - Pg. 1
5. PROCESOS ARMA
5.2. ARMA(1,1)
Un proceso ARMA(1,1) (se excluye la constante por simplicidad) :
Yt = 1Yt 1 + at 1 at 1 [5.2.1]
Multiplicando ambos miembros de [5.2.1] por Yt-k y tomando esperanzas, tenemos:
E [atYt ] = 2
E [at 1Yt ] = E [at 1 (1Yt 1 + at 1at 1 )] =
= (1 1 ) 2
la expresin [5.2.2] se reduce a las siguientes expresiones:
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 5 - Pg. 2
Para k=0
0 = 1 1 + 2 1 (1 1 ) 2
Para k=1
1 = 1 0 1 2
0 = 1 (1 0 1 2 ) + 2 1 (1 1 ) 2 =
1 211 + 12 2
0 =
1 12
Para k > 1
k = 1 k 1
De esta forma, los coeficientes de autocorrelacin quedan como:
(1 11 )(1 1 )
k =1
k = 1 211 + 12
1 k 1 k >1
Es decir, los coeficientes de autocorrelacin de un ARMA(1,q) se comportan como un AR(1) puro para k > 1.
Recurdese que los procesos MA tienen memoria finita.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 5 - Pg. 3
CORRELOGRAMA CORRELOGRAMA
PROCESO ARMA(1,1) - FI +0,5 THETA -0,5 PROCESO ARMA(1,1) - FI -0,8 THETA +0,8
1,0 1,0
0,9 0,8
0,8
0,6
0,7
0,4
0,6
0,2
0,5
0,0
1 2 3 4 5 6 7 8 9 10 11 12
0,4
-0,2
0,3
-0,4
0,2
-0,6
0,1
-0,8
0,0
1 2 3 4 5 6 7 8 9 10 11 12
-1,0
CORRELOGRAMA CORRELOGRAMA
PROCESO ARMA(1,1) - FI +0,2 THETA +0,9 PROCESO ARMA(1,1) - FI +0,9 THETA +0,2
1,0 1,0
0,9
0,8
0,8
0,6
0,7
0,4
0,6
0,2 0,5
0,4
0,0
1 2 3 4 5 6 7 8 9 10 11 12
0,3
-0,2
0,2
-0,4 0,1
0,0
-0,6
1 2 3 4 5 6 7 8 9 10 11 12
0,8
1
0,7
0,9
0,8 0,6
0,75
0,57 AR(1)
0,7 AR(1) ARMA(1,1)
ARMA(1,1) 0,5
0,6
0,4
0,5 AR(1): PHI = + 0,5
ARMA(1,1) PHI = + 0,5 THETA = - 0,9 AR(1): PHI = + 0,7
0,4 0,3 ARMA(1,1) PHI = + 0,7 THETA = +
02
0,3
0,2
0,2
0,1
0,1
0
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
As, por ejemplo, en el caso del Grfico 5.2.5, el primer coeficiente es 0,75. Si se tratara de un AR(1), el segundo
coeficiente debera ser de 0,5625 y el valor resulta inferior a 0,4.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 1
La mayor parte de las series econmicas corresponden a procesos no estacionarios. As, si se desea obtener un
tratamiento de las series basado en el anlisis de series de tiempo (modelos ARMA), es necesario discutir
mecanismos de transformacin de las series a procesos estacionarios.
En principio pueden presentarse distintas (infinitas) formas por las que se introduce la no estacionariedad en un
proceso estocstico. Sin embargo, interesa considerar solo algunas formas de la no estacionariedad que sean
adecuados para describir el comportamiento de series econmicas y, al mismo tiempo, pasibles de ser
transformados en procesos estacionarios.
Yt = Yt 1 + at [6.1.1]
donde at es un ruido blanco con las propiedades ya definidas.
Yt = C + Yt 1 + at [6.1.2]
El modelo [6.1.1] se denomina caminata al azar sin deriva (random walk without drift) y el [6.1.2] es con
deriva (with drift).
A diferencia de los procesos estacionarios (por ejemplo, de los procesos autoregresivos estacionarios) la presencia
de constante determina un cambio sustancial en el comportamiento de la serie, como se ver ms adelante. De
todas formas, para las consideraciones siguientes la existencia de constante no es relevante, por lo que
desarrollaremos los conceptos a partir de [6.1.1.].
Momentos no condicionales
Supongamos que la serie comienza en el perodo 0, y el valor de Yt viene dado para dicho perodo: Y0 . Es
decir, Y0 es no estocstica. Tomando esperanzas en ambos miembros de [6.1.1] se tiene:
Lo que implica que, bajo los supuestos antes planteados, la esperanza no condicional de Yt existe y es invariante
en el tiempo. Es decir, se cumple la primera condicin de la estacionariedad en sentido amplio. Sin embargo, como
se ver enseguida, no se cumplen las condiciones de varianzas y autocovarianzas invariantes, por lo que el proceso
de caminata al azar no es estacionario.
A los procesos que cumplen con la condicin de esperanza invariante (aunque no con las
restantes) se les denomina procesos estacionarios en media. No debe perderse de vista
que estos procesos son no estacionarios. A los procesos estacionarios (es decir, que
cumplen con las tres condiciones) tambin se les denomina estacionarios en covarianzas.
Las consideraciones anteriores no son vlidas para el modelo [6.1.2]. Ello se ver ms adelante.
Cambiando el supuesto respecto de Y0, y suponiendo que el proceso se inicia en un pasado remoto, a partir de la
expresin [6.1.1] tambin puede observarse que:
Yt = Yt 1 + at = (Yt 2 + at 1 ) + at = a t + at 1 + Yt 2 =
= at + at 1 + (Yt 3 + at 2 )
+
Yt = at j
j =0
A partir de la expresin anterior, se observa directamente que la varianza del proceso es infinita (estrictamente, no
existe) y el proceso es no estacionario.
t 1
Yt = Y0 + at j
j =0
V (Yt ) = V (Y0 ) + t a2 = t a2
COV (Yt , Yt k ) = (t k ) a2
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 3
El coeficiente de autocorrelacin de orden k para el momento t (ya que es variable en el tiempo), es:
COV (Yt , Yt k ) (t k ) a2
k (t ) = = =
V (Yt ) V (Yt k ) t a2 (t k ) a2
(t k ) k
= = 1
t t
Por lo que, para t suficientemente grande, los coeficientes de autocorrelacin resultan prximos a 1 y descienden
muy lentamente a cero (a medida que aumenta k). Esta es, justamente, una de las caractersticas que distinguen a
los procesos no estacionarios cuando se observa su correlograma.
En el caso del proceso [6.1.2], la serie presenta tendencia (creciente o decreciente, segn del signo de C).
Realizando sustituciones recursivas en [6.1.2], se tiene:
Yt = C + Yt 1 + at = C + (C + Yt 2 + at 1 ) + a t =
= 2C + at + at 1 + Yt 2
t
Yt = t * C + at j
j =0
De otra forma:
Yt = C + Yt 1 + at
Yt = C + at
Yt crece aproximadamente a una tasa C en cada perodo. Aproximadamente porque la presencia del ruido at
puede provocar apartamientos (transitorios). La esperanza de la diferencia es de Yt es constante (e igual a C) pero
la esperanza de Yt ser variable en el tiempo. De hecho, la serie Yt registra tendencia.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 4
Momentos condicionales
Se deriv la esperanza matemtica (no condicionada) de la serie Yt. Sin embargo, resulta relevante calcular la
esperanza condicional de la variable, dados los valores pasados.
Llamaremos Yt-1 al conjunto de los valores pasados de Yt. De esta forma, para el proceso [6.1.1]:
Es decir, una vez que se observa el valor de Yt en t-1, Yt-1, el valor esperado condicional a dicho valor es,
justamente, Yt-1.
E (YT + p / YT ) = YT + p = YT [6.1.3 ]
Es decir, si la ltima observacin corresponde al perodo T, la proyeccin puntual de Yt en T+p ser el ltimo
valor observado, YT .
E (YT + p / YT ) = YT + p = p * C + YT [6.1.4]
Transformacin estacionaria
En el caso de una caminata al azar, tanto en el modelo [6.1.1] como [6.1.2], la transformacin estacionaria resulta
directa:
z t = Yt = Yt Yt 1 = C + at para [6.1.2] o
z t = Yt = at para [6.1.1]
Es decir, la primera diferencia de la serie es un ruido blanco (eventualmente, con media no nula, para el modelo
[6.1.2]).
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 5
La transformacin deltalog es especialmente aplicable cuando la serie en cuestin tiene una tasa de crecimiento
relativamente estable en el tiempo (estrictamente, estacionaria). Es el caso, en general, de los ndices de precios,
an para pases con baja inflacin.
Al resultado de aplicar deltalog a la serie original se le denomina tasa de variacin natural, siendo una
aproximacin a la tasa de variacin relativa.
Diferenciacin estacionaria
Supongamos el siguiente proceso:
Yt = Yt 1 + ut [6.1.5]
donde ut es un proceso estacionario, aunque no necesariamente ruido blanco.
La expresin anterior no puede considerarse estrictamente una caminata al azar, aunque el tratamiento es muy
similar. Supongamos que ut puede expresarse como un proceso autoregresivo en las primeras diferencias de Yt.
Por ejemplo:
Yt = Yt 1 + u t = Yt 1 + Yt 1 + at con < 1
Yt = Yt 1 + at [6.1.6]
De esta forma, puede transformarse el proceso original y se obtiene un AR(1) en la primera diferencia de Yt. A
pesar de que estrictamente no correspondera denominarlas de esta manera, los procesos como [6.1.5] a menudo
son definidos como caminatas al azar.
[
(1 L)Yt = (1 L)(1 L)Yt = 1 (1 + ) L + L2 Yt = 2 ( L)Yt = a t ]
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 6
Como puede observarse, en los valores originales de Yt el proceso puede definirse como AR(2), pero no
estacionario, ya que el polinomio autoregresivo incluye una raz unitaria. En la primera diferencia de Yt
corresponde a un proceso AR(1) estacionario (ya que el coeficiente phi es inferior a 1 en valor absoluto).
Dada una serie Yt, que eventualmente corresponde a los logaritmos de los valores originales, si su diferencia de
orden d puede ser representada por un proceso ARMA(p,q) estacionario, se dice que la serie Yt sigue un
proceso ARIMA(p,d,q).
(1 1 L 2 L2 ... p L p ) z t = (1 1 L 2 L2 ... q Lq )a t
p ( L) z t = q ( L) a t
p ( L)(1 L) d Yt = q ( L)at
Generalmente no son necesarias diferencias regulares de orden superior a 2, excepto en el caso de variables que
presentan estacionalidad, como se ver ms adelante.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 7
Box y Cox (1964) definieron una transformacin instantnea en el sentido de que no estn involucrados
simultneamente varios perodos de tiempo- de carcter ms general que la transformacin logartmica. Esta
transformacin se define por:
( ) (Yt 1) / 0
Yt =
ln Yt =0
6.4. HETEROCEDASTICIDAD
Una fuente importante de no estacionariedad corresponde a la presencia de heterocedasticidad en una serie dada.
En ciertos casos ello puede corregirse con la aplicacin de logaritmos (si la serie presenta tendencia creciente, es
muy probable que la varianza de los valores originales tambin sea creciente en el tiempo).
En otros casos, como sucede a menudo para series financieras, no es posible transformar la serie para volverla
homocedstica. Estos casos son abordados a travs de la familia de modelos ARCH (AutoRegresive Conditional
Heterocedasticity). A continuacin se presentan los delta log de datos diarios (desde agosto de 1990 a abril de
2001) de la cotizacin de la libra esterlina en el mercado de Nueva York.
0,04
0,03
0,02
0,01
0,00
-0,01
-0,02
-0,03
-0,04
-0,05
2/08/90
2/11/90
2/02/91
2/05/91
2/08/91
2/11/91
2/02/92
2/05/92
2/08/92
2/11/92
2/02/93
2/05/93
2/08/93
2/11/93
2/02/94
2/05/94
2/08/94
2/11/94
2/02/95
2/05/95
2/08/95
2/11/95
2/02/96
2/05/96
2/08/96
2/11/96
2/02/97
2/05/97
2/08/97
2/11/97
2/02/98
2/05/98
2/08/98
2/11/98
2/02/99
2/05/99
2/08/99
2/11/99
2/02/00
2/05/00
2/08/00
2/11/00
2/02/01
Ilustracin 6.4.1
Como puede apreciarse en la ilustracin, en la primera mitad del perodo se aprecia una varianza ms elevada que
en la segunda (relacionada con el sistema cambiario adoptado). A pesar de que la serie transformada (delta log)
parecera estacionaria en media, claramente no lo es en varianzas, por lo que es no estacionaria.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 9
6.5. EJEMPLOS
MARCO ALEMAN
Datos diarios (cierres en NY) Log - DM / U$S
0,90
0,80
0,70
0,60
0,50
0,40
0,30 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0 2/0 2/1 2/0
8/1 2/1 4/1 8/1 2/1 4/1 8/1 2/1 4/1 8/1 2/1 4/1 8/1 2/1 4/1 8/1 2/1 4/1 8/1 2/1 4/1 8/1 2/1 4/1 8/1 2/1 4/1 8/1 2/1 4/2 8/2 2/2 4/2
99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 00 00 00 00
0 0 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9 0 0 0 1
Ilustracin 6.5.1.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 10
A continuacin se presenta el histograma y distintos momentos de la serie original (en logaritmos) y de la primera
diferencia (deltalog), para el ltimo ao de la serie (308 observaciones - das hbiles -), realizados con el programa
EViews.
40
Series: LOG(MARCO)
Sample 2395 2702
Observations 308
30
Mean 0.752312
Median 0.749764
Maximum 0.859890
20
Minimum 0.639641
Std. Dev. 0.050269
Skewness -0.039185
10 Kurtosis 2.427624
Jarque-Bera 4.283198
Probability 0.117467
0
0.65 0.70 0.75 0.80 0.85
Ilustracin 6.5.2.
50
Series: DLOG(MARCO)
Sample 2395 2702
40 Observations 308
Mean 0.000368
30 Median 0.000250
Maximum 0.023183
Minimum -0.026836
20 Std. Dev. 0.008077
Skewness -0.147702
Kurtosis 3.568211
10
Jarque-Bera 5.263285
Probability 0.071960
0
-0.02 -0.01 0.00 0.01 0.02
Ilustracin 6.5.3.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 11
Como puede apreciarse, para la serie deltalog no puede rechazarse que sea un ruido blanco (sera necesario realizar
otras pruebas adicionales, como el Box-Ljung, que se presenta ms adelante, pero efectivamente no se rechaza la
hiptesis de ruido blanco).
De esta forma, si la transformacin deltalog da lugar a un ruido blanco y la serie no presenta tendencia (como
puede observarse en el primer grfico del marco), se est ante una caminata al azar pura, modelo [6.1.1].
Se presenta a continuacin el ndice de acciones principales de la Bolsa de Nueva York, denominado Dow Jones
Industriales, en la ilustracin a la izquierda, y el logaritmo natural del anterior, en la ilustracin a la derecha. Los
datos corresponden a promedios mensuales de valores de cierre diarios desde Diciembre de 1950 a Marzo de 2002.
10
12.000
9
10.000 9
8
8.000
8
Nov-87
6.000 7
7
4.000
6
2.000 6
5
dic-50
dic-52
dic-54
dic-56
dic-58
dic-60
dic-62
dic-64
dic-66
dic-68
dic-70
dic-72
dic-74
dic-76
dic-78
dic-80
dic-82
dic-84
dic-86
dic-88
dic-90
dic-92
dic-94
dic-96
dic-98
dic-00
0
dic-50
dic-52
dic-54
dic-56
dic-58
dic-60
dic-62
dic-64
dic-66
dic-68
dic-70
dic-72
dic-74
dic-76
dic-78
dic-80
dic-82
dic-84
dic-86
dic-88
dic-90
dic-92
dic-94
dic-96
dic-98
dic-00
Como puede apreciarse, ms all de algunos episodios en que el ndice present un descenso (particularmente
desde diciembre de 1999) la tendencia general del ndice es creciente. Analice las razones por las cuales el ndice
debe necesariamente tener tendencia creciente.
Tomando logaritmos el comportamiento del ndice se asemeja ms a una recta en el tiempo. Se aprecian tambin
episodios de descenso (o de crecimiento) relevantes del ndice que antes pasaban desapercibidos, como el de
Noviembre de 1987.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cp. 6 - Pg. 12
Finalmente, se presenta a continuacin la primera diferencia del logaritmo del ndice (transformacin deltalog).
DJI - Cierre
Delta Logaritmo Indice - Prom. Mensual
0,20
0,15
0,10
0,05
0,00
-0,05
-0,10
-0,15
Nov-73
-0,20
Oct-87
-0,25 dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic dic
-50 -52 -54 -56 -58 -60 -62 -64 -66 -68 -70 -72 -74 -76 -78 -80 -82 -84 -86 -88 -90 -92 -94 -96 -98 -00
-0,30
Ilustracin 6.5.6
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 7 - 1
7.1. Presentacin
Series de tiempo de frecuencia menor al ao (mensuales, trimestrales) pueden presentar estacionalidad. Es decir,
son series con ciclos u oscilaciones estrictamente peridicas, donde el perodo es igual o inferior al ao.
La presencia de este componente se explica por la existencia de las estaciones y su impacto sobre la actividad
econmica (por ejemplo, en la produccin agropecuaria, el turismo), las costumbres (el fin de ao, que es
estrictamente cultural), procesos fsicos (temperatura, pluviosidad), etc.
Yt Yt 4 = C + at
(1 L4 )Yt = C + at 4 ( L)Yt = C + at
donde (L) es el polinomio autoregresivo.
Designamos como s el perodo estacional (s=4 para datos trimestrales, s=12 para mensuales, etc.). El modelo
[7.2.1] se nota como SAR(1)s, o modelo autoregresivo estacional (Seasonal, en ingls) de primer orden.
Es suficiente que en valor absoluto sea menor que 1 para que el modelo sea
z1 = + 4 1 / = 1 4 1 /
z2 < z3 = + 4 1 / z4 = 4 1 /
Es suficiente que para que las races caigan fuera del crculo unidad.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 7 - 2
1 0,80 1
2 0,64 2
3 0,51 3
4 0,41 4 0,80
5 0,33 5
6 0,26 6
7 0,21 7
8 0,17 8 0,64
9 0,13 9
10 0,11 10
11 0,09 11
12 0,07 12 0,51
13 0,05 13
14 0,04 14
15 0,04 15
16 0,03 16 0,41
La Funcin de Auto Correlacin (FAC) del proceso estacional puro SAR(1)4 considerado en [7.2.1] es:
Modelo SAR(2)s:
Yt = C + 1 Yt s + 2 Yt 2 s + at
De la misma forma que se definen los procesos estacionales puros autoregresivos, puede hacerse lo mismo con
procesos de medias mviles:
Yt = C + at at 4
Yt = C + at at 12
que corresponde al modelo SMA(1)4 y SMA(1)12, para datos trimestrales o mensuales, respectivamente.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 7 - 3
Yt = C + at 1at 1 4 at 4
Es decir, el ruido en t influye en t+1 y en t+4. El modelo planteado tiene la importante limitacin que no
recoge la influencia que tendr el efecto en t+4 sobre el valor de la variable en t+5. Es decir, el efecto un
trimestre despus se modeliza solamente en t+1.
Una manera de salvar este problema es con la formulacin de modelos estacionarios multiplicativos estacionales.
Yt = C + at 1at 1 4 at 4 + 1 4 at 5 [7.3.2]
Es decir, el modelo justamente captura la interaccin de los dos efectos sobre el perodo t+5. Una forma
alternativa de escribir [7.3.2] es como un MA(5):
La prctica ha llevado a adoptar los modelos multiplicativos como la representacin general de efectos ordinarios y
estacionales en procesos estacionarios. En todo caso, siempre es posible estimar ambos modelos y realizar pruebas
de hiptesis para decidir por uno u otro.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 7 - 4
De la misma forma pueden plantearse modelos AR multiplicativos o modelos ARMA multiplicativos. Se presentan
a continuacin dos ejemplos para la frecuencia mensual:
Suponiendo modelos MA de orden bajo, tanto para la parte ordinaria como para la parte estacional, el
correlograma tendr coeficientes no nulos para los primeros retardos (hasta el orden de la parte ordinaria) y en
torno a la frecuencia estacional: en torno a 12 si es SMA(1)12, en torno a 12 y 24 si es SMA(2)12, etc.
Los coeficientes de autocorrelacin no nulos para k=11 y 13 se denominan satlites porque surgen de la
interaccin de la parte ordinaria y estacional.
La FAC para modelos AR o ARMA estacionales es ms compleja, pero en general, para modelos de orden bajo, se
observa una situacin similar a la planteada anteriormente. Los coeficientes de autocorrelacin de orden bajo se
comportan como un modelo no estacional, mientras que se observan coef. de autocorr. no nulos en torno a las
frecuencias estacionales.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 7 - 6
5.4
5.2
4.6
4.4
84 86 88 90 92 94 96 98 00 02
Como puede observarse, la serie es claramente no estacionaria: presenta tendencia pero, como se comprobar a
continuacin, existen otros elementos que determinan la no estacionariedad de la serie.
0.2
0.1
Figura 7.5.2
log PIBt 0.0
-0.1
-0.2
84 86 88 90 92 94 96 98 00 02
Si bien la serie no parece presentar tendencia, se observa un pico regular en el cuarto trimestre de cada ao,
mientras que se produce un valle en el primer trimestre. Es decir, la media de la serie no es constante, sino
sistemticamente ms alta en el cuarto trimestre, ms baja en el primero, etc.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 7 - 11
Si en lugar de haber realizado la primera diferencia de la serie hubiramos aplicado una diferencia estacional ( 4
log PIBt = log PIBt - log PIBt-4 ) su grfico es:
0.15
0.10
-0.05
-0.10
-0.15
84 86 88 90 92 94 96 98 00 02
Es posible que la aplicacin de la diferencia estacional no sea suficiente para transformar en estacionaria a la serie.
En el grfico previo la serie resultante parece seguir un proceso del tipo de caminata al azar, aunque seran
necesarios otros elementos de anlisis (anlisis del correlograma, por ejemplo) para concluir sobre la conveniencia
de una diferencia adicional.
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 7 - 12
Modelo de aerolneas
En el texto clsico de Box y Jenkins se analizan los datos de los pasajeros transportados por aerolneas (vuelos
internacionales) de EE.UU., con frecuencia mensual desde 1949 a 1960. A continuacin se presentan grficos de la
serie original (en logaritmos) y de distintas transformaciones.
7
0,25
0,2
6,5
0,15
6 0,1
0,05
5,5
0
-0,05
5
-0,1
4,5 -0,15
-0,2
4
-0,25
ene-51 ene-52 ene-53 ene-54 ene-55 ene-56 ene-57 ene-58 ene-59 ene-60
ene-51 ene-52 ene-53 ene-54 ene-55 ene-56 ene-57 ene-58 ene-59 ene-60
0,35 0,2
0,3 0,15
0,25
0,1
0,2
0,05
0,15
0
0,1
-0,05
0,05
-0,1
0
-0,05 -0,15
-0,1 -0,2
ene-51 ene-52 ene-53 ene-54 ene-55 ene-56 ene-57 ene-58 ene-59 ene-60 ene-51 ene-52 ene-53 ene-54 ene-55 ene-56 ene-57 ene-58 ene-59 ene-60
La primera diferencia de la serie ( ln Yt) no resuelve la estacionariedad de la serie ya que la media difiere de
acuerdo al mes considerado (por ejemplo, en junio y diciembre los valores son sistemticamente ms altos).
La diferencia 12ava. (12 ln Yt), si bien aparentemente filtra la estacionalidad (al menos, la estacionalidad
regular), genera una serie con un comportamiento de caminata al azar. Es decir, una serie no estacionaria con una
raz unitaria.
Una vez transformada la serie (12 ln) Box y Jenkins ajustan un modelo SARMA(0,1)(0,1)12.
La notacin del modelo ajustado sobre (el logaritmo de) la serie original es:
SARIMA(0,1,1)(0,1,1)12
1 si t 1er. trimestre
D1t =
0 en otro caso
y anlogamente para D2t y D3t (no se incluye D4t, que est implcito en los valores anteriores y el trmino
constante).
Prof. Adrin Fernndez Anlisis de Series de Tiempo Cap. 7 - 14
A continuacin se presenta el grfico de una serie generada con un modelo [7.5.1]: Yt = 10 + 3,2 * D1t + 2 * D2t
2.4 * D3t + at (datos trimestrales) con at normal estndar.
16
14
12
10
4
ene-01ene-02 ene-03 ene-04ene-05 ene-06 ene-07 ene-08ene-09ene-10 ene-11 ene-12 ene-13ene-14 ene-15ene-16 ene-17 ene-18ene-19 ene-20 ene-21ene-22 ene-23 ene-24ene-25
En general realizaciones de modelos con estacionalidad regular aleatorio (como el modelo de aerolneas) o
estacionalidad regular determinista pueden resultar similares, por lo que la eleccin de un modelo u otro no es
directa.
Si se selecciona un modelo con estacionalidad regular aleatoria, debe realizarse una diferencia estacional (4 o 12,
segn la frecuencia) para transformarla en estacionaria (adems de la o las diferencias regulares, , si
correspondiera).
Si, por el contrario, el modelo elegido es de estacionalidad determinista, la transformacin apropiada consiste en la
estimacin de los parmetros i y la modelizacin ARIMA (o ARMA) de los residuos.