ANALISIS ESPECTRAL E

INTRODUCCION AL TRATAMIENTO
DE SERIES MEDIANTE FILTROS

I.L.R. KLEIN
AREA DE MODELIZACIÓN MACROECONÓMICA
Julián Moral Carcedo
 LOS CICLOS ECONÓMICOS
T A S A IN T E R A N U A L D E C R E C IM IE N T O D E L P IB
10

-2

-4
70 75 80 85 90 95 00

“Las economías de mercado experimentan fluctuaciones en los

ritmos de crecimiento de un conjunto amplio y diverso de series:
producción, empleo, precios, consumo, inversión, etc,….Tales
oscilaciones son recurrentes y sistemáticas aunque con
patrones variables de amplitud y duración.Estos fenómenos se
denominan ciclos económicos.” (National Bureau of Economic
Research)
 LOS CICLOS EN ECONOMIA

GRANGER .Spectral analysis of economic time series.1964.

• Ondas de Kondratieff, este economista ruso planteaba la existencia de ciclos largos

de entre 40 y 60 años. Sin evidencias empíricas claras.
• Ondas de Kuznets, ciclos de 20 años en variables como el PNB, emigración y
población. Con evidencia empírica.
• "Building cycle". Evidencia de la existencia de ciclos de 15-20 años en el sector de
la construcción.
• Ciclos de Hansen, este economista plantea la existencia de ciclos "mayores" de
período 6-11 años (debidos a cambios tecnológicos) junto con ciclos "menores" de
duración entre 2-4 años ( ciclo de inventario/ existencias).
•Business cycle, definidos por el NBER (National Bureau of Economic Research)
como un tipo de fluctuación encontrado en la actividad económica agregada, de
duración media 4 años y rango entre 1-12 años.
•Sub-ciclos de Mack, llamados así por tener una duración corta de 24 meses,
encontrados en series de pedidos, precios, inventarios, etc….
 Como modelizar fenómenos recurrentes:
Funciones periódicas

2pt
Yt = A cos( +q )
1,5
1
T 0,5 A

•A, amplitud de la oscilación. 0

-0,5 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99
T
•T, período. -1
-1,5
•q, desfase.
DESFASE = PI/2
1,5
1
Expresiones alternativas: 0,5
0
Yt = A cos(wt + q ) -0,5 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99

Yt = a cos(wt ) + b sen(wt )
-1
-1,5

a b a b
Yt = ( - i )e iwt + ( + i)e -iwt
2 2 2 2
 ¿Es evidente la periodicidad?

-2

-4

-6
20 40 60 80 100 120 140 160 180 200

C IC LO1

ciclo1=cos(2*pi*t/10)+cos(2*pi*t/40)+cos(2*pi*t/20)+cos(2*pi*t/25)+u
 Detección de periodicidades ocultas:
El correlograma.

Idea básica:
Una función periódica se repite transcurrido T (período), por lo
tanto presentará la máxima correlación con el retardo Ty sus
múltiplos enteros.
Puede demostrarse que la autocorrelación de una función
periódica es periódica, del mismo período que dicha función.
COS(2*PI*@TREND/(200/10)) FUNCION DE AUTOCORRELACION
1.5
1.5

1.0
1.0

0.5
0.5

0.0
0.0
-0.5
-0.5
-1.0
-1.0
-1.5
20 40 60 80 100 120 140 160 180 200 -1.5
-40 -20 0 20 40
 Detección de periodicidades ocultas:
El periodograma

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.
20

6
15
4

PERDG
10
0

-2
5
-4

-6 0
20 40 60 80 100 120 140 160 180 200 0 5 10 15 20 25
C IC LO1
FREC
 El periodograma: formulación.

“Modelo” que sigue la serie observada:

k
Yt = å (a p cos w i t + bi sen w i t ) + e t
i =1
Asumimos que las frecuencias, w, son:
2ppi 

N si N es par 

wi = pi = 1,..., k k = N - 12 
N  2
si N es impar 
Se pueden determinan los parámetros, a y b, según:
N N
2 N Yt 1
aˆ p = å Yt cos pw o t aˆ 0 = å aˆ N / 2 =
N
å Y cos pt
t
N t =1 t =1 N t =1
N
2
bˆ p = å Yt sen pw o t
N t =1
(a 2p + b p2 )
Se calcula el periodograma I(w) I (w p ) =
2w 0
 El periodograma: Interpretación.
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.

ciclo1=cos(2*pi*t/10)+cos(2*pi*t/40)+cos(2*pi*t/20)+cos(2*pi*t/25)+u
N=200; 200/10=20; 200/40=5; 200/20=10; 200/25=8
20
20

15
15
PERDG

10
PERDG

5 10

0
0 50 100 150

FREC 5

0
0 5 10 15 20 25

FREC
 El periodograma: Interpretación.
De izqda. a drcha. aumenta la frecuencia (disminuye el período)

1.5 1.5
0.0

1.0 1.0
-0.2
0.5 0.5
-0.4
0.0 0.0

-0.6
-0.5 -0.5

-0.8 -1.0 -1.0

-1.0 -1.5 -1.5

20 40 60 80 100 120 140 160 180 200 20 40 60 80 100 120 140 160 180 200

0
0 50 100 150
El periodograma y la transformada de Fourier
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.

En este punto, es preciso señalar las diferencias existentes entre

procesos discretos periódicos, aperiódicos y estocásticos en
términos frecuenciales:
• 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.
• 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.
 SERIE PERIODICA SERIES APERIODICAS
1.5 100

1.0 80

0.5
60

0.0
40
-0.5
20
-1.0

0
-1.5 20 40 60 80 100 120 140 160 180 200
20 40 60 80 100 120 140 160 180 200

PERIODOGRAMA PERIODOGRAMA
20 12000

10000
15
8000
PERDG

PERDG
10 6000

4000
5
2000

0 0
0 50 100 150 0 50 100 150

FREC FREC
 SERIES ESTOCASTICAS
3

-1

-2

-3
20 40 60 80 100 120 140 160 180 200

PERIODOGRAMA (DE ESA REALIZACION)

1.4

1.2

1.0

0.8
PERDG

0.6

0.4

0.2

0.0
0 50 100 150

FREC
 LA ESTIMACION DEL ESPECTRO

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.
1.4

1.2

1.0
h(w)

0.8
PERDG

0.6 w
0.4

0.2

0.0
0 50 100 150
-pi pi
FREC
 LA ESTIMACION DEL ESPECTRO: METODOS
PARAMÉTRICOS

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):

Yt + a1Yt -1 + a2Yt -2 + ... + a pYt - p = e t + b1e t -1 + b2e t -2 + ... + bq e t -q

El espectro equivale a:

-iw -i 2w -iqw 2
1 + b1e + b2 e + ... + bq e s e2
hY (w ) = -p £ w £ p
1 + a1e -iw + a 2 e -i 2w + ... + a p e -ipw 2 2p
 Serie original
8

-2

-4

-6

-8
2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0

Y 4

Estimaciones del espectro

PERIODOGRAMA (NO ALISADO) PERIODOGRAMA ALISADO

( VENTANA TUKEY-HANNING)
20
2.0 350

300
1.5
15
250
DENSIDAD2

1.0
PERDG

200
10
0.5 150

5 0.0 100

50
-0.5
0
0 20 40 60 80 0
0 20 40 60 80 0 0.5 1 1.5 2 2.5 3
Frecuencia (0-pi)
FREC
FREC
COMPARACION METODOS DE ESTIMACION
 Modelos dinámicos y funciones periódicas
Yt = 2 cos wYt -1 - Yt -2
:
· Ec. En diferencias: Yt - bYt -1 - cYt - 2 = 0
Condición para la existencia de raíces complejas : b + 4c < 0
2
·
· Soluc. de la ec. Homogénea: t
Y = r t
( A cos w t + B sen w t )
· Valores de los parámetros:
b 1
a= ; b= - b 2 - 4c
2 2
a = r cos w b = r sen w r = a2 +b2
æ ö
w = cos ç-1 b/2 ÷ = cos -1 æç b / 2 ö÷
ç (b 2 / 4) + (1 / 4)( -b 2 - 4c) ÷ ç ÷
è ø è - c ø
Modelos dinámicos y funciones periódicas
Yt = 1.90Yt -1 - 0.99777946Yt - 2

6
y = 1 .9 0 *y ( -1 )-0 .9 9 7 7 7 9 4 6 *y ( - 2 )
4

-2

-4

-6
20 40 60 80 100 120 140 160 180 200

Y
FILTROS E INTRODUCCION AL TRATAMIENTO Y
DESCOMPOSICION DE SERIES.
Un filtro no es mas que el tratamiento que se da a una serie
inicial o “input” para obtener una serie final u “output”. Si el
filtro es lineal, el “output” es simplemente una combinación
lineal de valores pasados, presentes y futuros del “input”

u (t ) k =¥
Y (t )
Y (t ) = åc u
k = -¥
k t -k

ESQUEMA BASICO DE FUNCIONAMIENTO DE UN

FILTRO

INPUT FILTRO OUTPUT

 ALGUNOS TIPOS DE FILTROS LINEALES

No-recursivos, los coeficientes del filtro sólo afectan a

valores del input.
k =¥
Y (t ) = åc u
k = -¥
k t -k

Recursivos, los coeficientes del filtro afectan a valores

del input y del output.
k =¥ k =¥
Y (t ) = åc u
k = -¥
k t -k + å d k Yt -k
k = -¥

Causales (“one-sided”), los coeficientes del filtro sólo

afectan a valores pasados y actuales del input y/o
pasados del output.
k=N k =M
Y (t ) = åc u
k =0
k t -k + å d k Yt -k
k =1
Simétricos, los coeficientes del filtro equiespaciados son
iguales.
 FILTROS LINEALES: EJEMPLOS
Media móvil centrada de orden 3:
k =1
1 1 1 1 1
Y (t ) = å u t -k = u t -1 + u t + u t +1 = (u t -1 + u t + u t +1 )
k = -1 3 3 3 3 3
Modelo MA:

Yt = 0.1ut -1 + ut

Modelo AR:

Yt = 0.5Yt -2 + 0.2Yt -1 + ut
Modelo ARMA:

Yt = 0.5Yt -2 + 0.2Yt -1 + 0.1ut -1 + ut

 EXPRESION DEL FILTRO EN FUNCION DEL
OPERADOR RETARDO

Sea el filtro recursivo:

k=N k =M
Y (t ) = åc
k =0
k xt -k + å d k Yt -k
k =1
Su expresión en el polinomio de retardos es por tanto:

k=N k =M k =M k =N
Y (t ) = å ck xt -k + å d k Yt -k ® Yt - å d k Yt -k = å ck xt -k ®
k =0 k =1 k =1 k =0

® (1 - d1 L - d 2 L2 - ... - d M LM )Yt = (1 + c1 L + c2 L2 + ... + c N LN ) xt

O en forma compacta:

Q( L)
Yt = Xt
F ( L)
 FILTROS: UTILIDADES

•SON LA BASE DE LA MODELIZACION ARIMA.

•SUAVIZADO DE SERIES.
•ELIMINACION DE COMPONENTES “INDESEADOS” :
DESESTACIONALIZACIÓN, ELIMINACION DE TENDENCIAS
LINEALES Y ESTOCASTICAS.
•POTENCIACION DE DETERMINADAS CARACTERISTICAS.

•ESTIMACION DEL COMPONENTE CICLICO.

 EFECTOS DEL FILTRADO EN EL DOMINIO
DEL TIEMPO
Modifica la evolución temporal y estructura de correlación del input.

3
1.0
2

0.5
1

0 0.0

-1 k =10
1
Y (t ) = å ut - k
-0.5

-2
-1.0

-3 k = 0 10
20 40 60 80 100 120 140 160 180 200 -1.5
20 40 60 80 100 120 140 160 180 200
INPUT

FILTRO
1.2 NO RECURSIVO 1.2

1.0 1.0

0.8
0.8
0.6
0.6

C2
0.4
C2

0.4
0.2
0.2
0.0
0.0 -0.2

-0.2 -0.4
-200 -100 0 100 200 -100 0 100

C1 C1
 EFECTOS DEL FILTRADO EN EL DOMINIO
DEL TIEMPO
20

Sea la serie:
X t = X t -1 + X t -12 - X t -13 + e t
-20

-40

(1 - L - L + L ) X t = e t
12 13 -60

-80
20 40 60 80 100 120 140 160 180 200

Se aplica el filtro, donde C0=1 y C1=-1: TSEAS

1
Yt = å ci X t -i
i =0

Yt = (1 - L) X t
Sustituyendo X por su expresión:

(1 - L) (1 - L)
Yt = (1 - L) X t = e ® Y = et
(1 - L - L + L ) (1 - L)(1 - L )
12 13 t t 12

1
Yt = e ® (1 - L12
)Yt = e t ® Yt = Yt -12 + e t
(1 - L )
12 t
EFECTOS DEL FILTRADO EN EL DOMINIO
DEL TIEMPO

12
x2=x2(-12)+e

-4

-8
20 40 60 80 100 120 140 160 180 200

X2 D(TSEAS)
 LOS FILTROS EN EL DOMINIO DE LA
FRECUENCIA
Asumiendo la expresión de un filtro lineal no recursivo
k =¥
Y (t ) = åc u
k = -¥
k t -k

Puede demostrarse (ver p.ej. Priestley) que la relación entre la densidad espectral
de input(Ut) y la densidad espectral del output (Yt) responde a la expresión:

hY (w ) = G(w ) hu (w )
2 -p £ w £ p
“La función de densidad espectral del output es igual a la función de densidad
espectral del input multiplicada por el módulo de la función de transferencia”.

Dónde la función de transferencia se define cómo la transformada de Fourier de los

coeficientes c(k) del filtro, es decir:
¥
G(w ) = åk
c e -iwk

K = -¥
 EFECTOS DEL FILTRADO EN EL DOMINIO
DE LA FRECUENCIA
La característica más importante del proceso de filtrado es que el valor de la
densidad espectral del output en una determinada frecuencia es el producto
del valor de la función de transferencia y el valor de la densidad espectral del
input en dicha frecuencia. Esta propiedad permite “anular” ciertas
frecuencias con la adecuada selección de los valores del filtro, con lo que
conseguimos que el output exhiba las características que deseemos.

2.0
1.0

1
0.8
1.5
0,8
0,6 0.6
PERDG

PERDG
1.0
0,4 0.4
0,2
0.5
0.2
0
0,0 0,3 0,5 0,8 1,1 1,3 1,6 1,9 2,1 2,4 2,6 2,9
0.0 0.0
0 20 40 60 80 0 20 40 60 80

FREC
FREC
 DESCOMPOSICION DE SERIES

Según el esquema tradicional, una serie puede descomponerse

en todos o alguno de los siguientes componentes:

•Tendencia, se asocia con la evolución a largo plazo de la serie,

desde un punto de vista frecuencial se asocia a componentes de
frecuencia baja o alternativamente de período alto,
generalmente superior 8 años.
•Ciclo, son oscilaciones en torno a la tendencia de periodo
superior al año e inferior a 8 años.
•Estacionalidad, son los movimientos que se producen con
periodicidad anual.
•Irregularidad, movimienos de alta frecuencia, superior a la de
la estacionalidad y distintos de los armónicos de la misma
DESCOMPOSICION DE SERIES EN EL
DOMINIO DE LA FRECUENCIA.

Tendencia
PERDG

Estacionalidad

0 50 100 150 200

FREC
 1.E+17
M A T R I C U L A C I O N D E A U T O M O V IL E S
1 .6 E + 0 8
8.E+16

1 .2 E + 0 8
6.E+16

PERDG
8 .0 E + 0 7
4.E+16

4 .0 E + 0 7 2.E+16

0 .0 E + 0 0 0.E+00
60 65 70 75 80 85 90 95 0 100 200 300 400
M A TR I
FREC

6 0000000 2.0E+15

4 0000000
1.5E+15
2 0000000

PERDG
0 1.0E+15

-2 0000000

-4 0000000 5.0E+14

-6 0000000
0.0E+00
-8 0000000 0 100 200 300 400
60 65 70 75 80 85 90 95
FREC
D(MATRI)
60000000
2.0E+14
40000000

20000000 1.5E+14

P ERDG
1.0E+14
-20000000

-40000000
5.0E+13

-60000000

-80000000 0.0E+00
60 65 70 75 80 85 90 95 0 100 200 300 400

D(MATRI,1,12) FREC

1.2 0.5

1.0
0.4
0.8

0.6 0.3

PERDG
0.4

0.2 0.2

0.0
0.1
-0.2

-0.4 0.0
60 62 64 66 68 70 72 74 76 78 0 50 100 150 200

TMATRI
FREC
DESCOMPOSICION DE SERIES EN EL
DOMINIO DE LA FRECUENCIA.

SERIE FEST A FT END FT END* FEST A

 DESCOMPOSICION DE SERIES EN EL
DOMINIO DE LA FRECUENCIA.: FILTROS
PARA LA TENDENCIA
Operador diferencia
Ganancia

2,5
2
1,5
1
0,5
0
INF 24 12 8 6 5 4 3 3 3 2 2 2

Filtro de Hodrick-Prescott
FUNC. DE GANANCIA FILTRO HP: SERIE-
TENDENCIA
100 400 1600 3200
1,2
1
0,8
0,6
0,4
0,2
0
0

PI

-0,2
 DESCOMPOSICION DE SERIES EN EL
DOMINIO DE LA FRECUENCIA.: FILTROS
PARA LA ESTACIONALIDAD
Sumador estacional
Ganancia

14
12
10
8
6
4
2
0
INF 24 12 8 6 5 4 3 3 3 2 2 2

Diferencia estacional
Ganancia
2,5

1,5

0,5

0
INF 24 12 8 6 5 4 3 3 3 2 2 2