Daniel Pefia Analisis de series temporales Alianza EditorialReser tnd os ech. contenido Ge ta obra eth potegio por eLey, qu esblece ene de rin yo mala, dens as eoespodintsindermizaiones ot ates pico, nines pocjees, laine, disiboernocomunicaren pcan en oo on aE, ow obs item, aries 9 estes, © su wartormasion,sorretcen 9 secon ara finda en cage Hp de sop comuminda a tanks decal meio, sn la pecepin mtr 1 Abinos Edna SA. Mad 2010 Cale Ja gnc ade Tens, 15, 20027 Mad et. 91 38358 8 swansea es Depistolpa . 3053-2010, Pare nda oLas owas 28830 Tere de Aloe a) A mis maestros, que me ensefiaron el camino ‘a mis doctorandos y coautores, com los que he sido un placer recorrerto; 1 Mely, Jorge y Alvaro, con amr, ‘on los que siempre cuento,indice Protacio a ta primera edicién Profacio a la segunda edicion 1 Introduccion a tas series termporates LLL. Bjamplas de sci temparalesunivaciantes 1.2. Bjemploe desis multivarantes 1 Contino del libro LA Un poon de hitorin 15, Programas do ordenador 16. Lectura complementarias =» ‘Npladiee 11: Desctipeda dela cara de dato con alqwooe programs de rdeaador 2. Analisis deseriptivo de una saie temporal 24. Toueducca 22, Blandlns de tendeeinedaternites 221. Tipoe de moeloe 222. Eatimaciin 223, Limitacionen det nate de tendeacinn detorminists 25. Medes de alsnto 231. El modelo de alent simple 23.2. El miedo de allan dab de Holt 24. Métsdos de decomposicién pare seis stacionales 25. Retacionalidady ol ajste de cicoe 35 19 a a 8 a “0 a a7 8 x0 3 36 35 o 8Auulisis de series 5 2.5.1. Defuiiones bisieas 215.2, Represemacin de ia etacionalidad por un cielo 226, Explornc de mili eke cd peridgasea. 27. Contlisionesy lectures complementaras Apenvice 21 Regoetn mltple¥ Ia estima dl periodageams Series temporales y process extockstioas $1. Iatrodaec6a 52. El eonoepsa de proc estocistico 321, Propiedases de la strbciones macginales 5322. Propiedad dels disecionesconhcionalas 53, Proce etasionaton S31 Defincia 33:2. Combinaciones de proces sstaconaion(°) 24, Provo ce rido bianco 35. Betimncisn de ew momentos de procs etaconatios 4. Eatimacign de in mein 135.2, Estacion do ne nitocyraranaaey autococtelaciones 416, Blespoctro de un proces estaiouaro (+) AApéndice 3 1: Condon de convergencia Apénice 52: Diferencia de Martingaas [Apfndice 3 : Las frmulas de Bartlett para las autocovaianzasextinadas AApéndice 54 Bl epecto y las antocovarianzas ‘Aprile 3.5. Generac de proneaes com el ardent : Process autorregasives 4 Intoduced 42. El proc sutocrgresvn de primer orden (ary) a 421. Esperanaa y saan a 422. Runcién de stocovciansas y aurocrtlacén © 4221. Puncin de avtocortlacién simple (Fas) 422, Representari del proceso AR(I) come stma ce ianoraconts 43. El process AR) 5 41 Fuveién de sutnenwiaeae 132, Funeida de antororelin simple 483. Represenacion del ARC) como suma de innovaciones 4A El proeese atocegreson general (AR(p)) 41 Prccia de antecutlacén simple 432 Bowring de Yale Walker 413. Reposntaciin det AR(p) ria de iaecracionse 15. Le finsion ge autocoreinevia parcial 5 Soe: Noein dle operadores ‘Spltadne 2: Booniones en ifereioa Apne 4 Calle de ow contrantea de autocortlaci patria Apnice 4: Geveracién de prosenon AR Procesos de media mévil y ARMA... ra wt » 1 a ra 109 a0 108 109 109 115 n5 us 5. lnteoderign 52. EL proc de mein mil de eden wo aay) S521. Puneiin de mitocorrlacién simple y parcial 53, Bl promo MAC@) 5.4 El proaso MA(ce). Le dscompecicén do Wold 5.41. Las process AR y MA y el procs gecoral « 55. El prooma ARMAGLI) 55. Prooas ARMA(2,2) 5.7, Lax procazas ARMA y la sua de process estcionaios 5 ‘Aplndige 5.1 Funcién de corelacin invetsa Procesos integrados y de memoria Tanga. . 1. Intend . 152, Proves intagrvce 83. EL pase aleatorio i 15.4 Fl prooran de alnado exponencial simple 65. Process integrads de orden dos 86. Process integradce ARIMA 667, Prooworintegradce y eendencins =. és 68. Prooesoe de memoria targa (*) 9, Lecturascomplementarins : Apindice 61: La fancier Gamma ln proce de serosa arp. ‘Aplncice 62: Generacin de series no etorionacias Procasos ARIMA estacionales TA. Teteodvecisa : 12. EL concepta de estcionlided y su tipo 73. El modelo ARIMA estacional _ i TA. Punciéa de autocorelacidn simple do un Deora etacional * 17, Punelén de aucorslacdin parla 78, Generlizaciones y heturascomplementariae ‘Apéndico 7.1: Un contaste simple de igualded dela estructura steel /pindice 72: Generacin de seis estacionales Peediccidn con modelos ARIMA 81. Katendei| : 82 La ecuarin de pricetin de uo modelo ARIMA 821. Le esperanze condicioada corn predictor fimo 822, Cileulo de les predecours 83, Intorpetacin deta peedizcones 183.1. Prooesos no esaconales 32. Proce estarionales ‘ 8.32.1. Bl moto de pasajems de avin BA. Vastanza de las pines 85, Adaptacion de ns predicinss 86, Medi de preeibilidad 87. Lecturascomplemertarias « indice us 10 11 15, 186 159 183 85 18, 173 13 m4 1 183, 185 186 185 im 196, 1985, 190, 201 201 am ar 218, 20cy 10-Bstimacién y glecelin de modelos ARIMA E [Apindice 81: Prodiecén y csperatan eondinoda {La identifcactén de ls posibles modelos ARIMA Di Tote . 82. Determinacén de le tansformcid para ‘stabilize In waanzn 93. Determinacén de transforma para cetabliae la eda 5.21. Determine ocden de dfsrencinc rogue 9.32. Determina el oden de ditcencacin esac 9.33. Contrasts de ricesuniterins 5 93.31, Contrase de Dickey-Pule: 93.32. Hl contrate de Dickey-Puller aumento 94. La Wdentieacin de a nteuctaen ARMA 95. Lectura complementaias Apéndige 91: Le teentormacion Box-Cox para estas Ia varia Apendice 92; Programas para In identfeacion +. 104. mode eles 102, Le felon de vertu de un prose ARMA 5 5 103. Procesos AR. : oe 3 Bl procenn ARI) 10.3.2, Process ARYp) 1.4. Betimacion de modelos MA y ARMA, ; 1041, Eatimacién MV condiionl : 10.4.1.1. Bl algoritm de Haanan y Riscanea 10.42, Eatimaciin MV exact . : 1015. Bstimacibnreeusiva con el filtro de Kalman e 105.1, Morelos eno espacio de los extalos f 105.2 BIBltro de Kalman 1008. Propiedades dele estimadoree : 10.7 Citeion de seeccion se modeke 07. Flerterin AIC de Alaike 1072. Blentero BIC 10773. Compacocin entre rtevios 208 Lactaratcomplemertariat Apénice 11: Algoetanr le optician no Line Aplnvice 102: El eriteriv AIC Apénice 10% El ertero BIC Alice 104: Program pace a timc Diagnosis del modelo y prediceiia TLL fntreston 112.2 Propiedad de aw atoeneelasones ctimaine 11.22 Bl enpirute de {jung Bae swine a autoeorecacionee 1.23, Bl eoteaste del determinate a8 a7 nS m0 mt et = indice 11.24, Sobrosjuste: contents con al eierio IG 11.8. Otros eontrartes 11311 Contenstes de media caro 11:32, Contrasts de hmnocedutiidad 1123, Contrstes de normalidad 114, Contemsée de estab del modelo . 115 Interrataion el modelo. Componentes deterministas 1184, Tendenelns 14.82, Extacionalidad a 1153. Caso general. oe 116. Predizcia : : 116.1, Prdiceiomes pontuales 11.62 atervalos de predic : 1185 Te de en pa mt nde LI.6. Intervals metinate emesis dee 11.65: Protein mediante promedio de modelos - 325 5 8 a a cy aa sa cr a6 36 229 0 40 342 Aptadice 1.1: Predieein oon incestidumbre de la pardsoetrosy del inode 344 ‘Aplndice 1.2: Pograunas para la diagoosis .- ‘ 12, Analisis de interwenciin oor ; 21. Introdaceién 5 122 Blososcualitativa: variables impulio y seule 1222. Variables eccalén: ganancia sss == . 1223. Relaciénentr impulses y ewalones |. 123. Bfetos detersinisias generals 12.4 Construceiin de modelo de itervecn 125, Batmacin de valores auoetas Apladice 121: Prodiccin de valores auseates «<. Apéadice 122: Ustinacién de efectos de ntervencién . 13,Valorenatiplecs ties 181. trodes 13.2 Atpicos adits ecrnd : 132.1. Efecto on is esis 1522. Brectos om In eatimaridn dele parkmetros 15. Apis sonowatioce (10) 1G. Efecto de un 1O sobre la ele 13202. Efecto en ln eimai 124. Cambio de nivel TLL, Efecto oni rsdn 142. Berto on Ia extimacin 185. Cambios transitoros ¥eecto rama 136 Procadlenton de etlaseibn de atpicon 1263. Batman de tamabo del ation 1362. Bl procadimiento general 1.7. Cormentarine al provedimiento de detaccién de ations y letras om: plementariae : Mo 349 40 as 357 580 568 36 an a 315 315 a6 ar 370 a0 a 36 0 be 20 a 303 00 aAnise de series temporales, 4 2 Apéndboe 1.1: Betimcin de Ja cambio de nivel ‘Apéndiee 192: Programe paca alii de apne Modelos no lneales 14. ltrodueeion 1142. Modelos Unease la media y eu la 14.3. Les prozesosbilneles 11.4 Los process atorzegresivos por umbales 145. Oteor modelo no Leas 146. Contented ao lnclidad 116.1 Tips de coteastes 403 405 409 209 ae a4 a0 on a 1462. Contraste ce epesion onto os resus 9 funciona a varibled2s 229 146.3, Coutrases sobre lon enalrade de los resulos 1146.4 Contrasces no parametrices sobre la deperdencia de ls res tis Fl contaste BDS i 147. Lectura eomplementaras Modelos de heterocedastcidad condieional . 152. Ietroducaién ef bees 152. Melos ARCEL — : 1821, El modelo ARCH) > * 152.11, Le autocoreseién de log eundradoe 3821.2, Curtose 1522, Bi modelo ARCH(2) * 183, Modelae GARCH = 15.1 Bl modelo GARCH( I) 185.11. Dependencia de los cursos 1831.2. Cures 1832, El modelo GARCH general : 184, Consmeridn de modelos ARCH y GARCH 1541, Teentfeacoe 1542, Batman 153, Diagnosis 155. Modelos de volatlidad etoedstica 151. El modelo SV(2) 15.6. Oss enfoques ylectorascomplementaras " Apladice 15 [: Propilaes de ARCH) Apindice 152: Progeanias de etiacion ‘Gasos de series vemporalsunivasiantes 16 Introd 162 Taserin de consume de gaolina W821. fntrodceites 1122 Wentifeacn del movielovnivaiante 162.3. Eainacén ysleeién cl rao 1624 Praccones 16225, Ande de alors ntipione 1626. Andis te cert determunisas 1627. Andliss em distintn pious 16. BI ines de prodaccn acuta 16.3.1 letredceie, 1632 Fl mostelo uivwiante pare el IPL 1834 Datos atipies 1034 Prodccones 164 Et melo par ln eerie dl flee general de in Bolsa die Madi 165. Lecture complementaris _ ‘Regresién dindmica entre variables stacionarias << - 171 Introduceién 172, Reladoues entce dos sores estarioaaria: la fniones e covrianeas yrexmelaciones ‘ranma senate W721. La ncn le covaiaenn eras 1722. Pune de airocorcencsi eres 17223. Batman dln fciones de coaeiansae ¥ © enerelsionescrwadas : 17h. msdlo dnnico entre dow saris TZ), Repeesentaciingonceal 17.22, Represntacia dela fund de transfeencia como cient de poliories 17.33, Representactin deta funelon de trasteencia como efectos a corto y lange plaza : 174. Constraceidn de modelos de regres ‘insmies entre warieblesextaionaiad YTAL Mentfeaciin 1742. Fatimaci y selec del modelo F143, Contrasts dagnostioes WALL. Conteaston sobre lo primers 1743.2, Contrates sobre los resins 17. Relaciones espaias eater rable diaeas 1761. Relaciones in indica 175.2, Pertarhaiones antocoreladas 176. Bl minded con vatoa variable exponen 177 Protein Apsaaice 7 \iriow 7.2: Minis cunts genet ‘avian la tim de nite cout con ait indice eid su 52 st 518 518 san 33 5 55 508 330 sx 5 Aner 3: Eten eine een da blo pice IT: Descompesei de a cis de tansercia Apéniie 175: Programas par ln estimacin de fneinoe de trntrecia Regen entre variables integracas, Cointegrarién IS tntredncion 182 Colavegracin 192.1, Eatiacn dein celacin entre vaviablescintegraas 58 589 sat 5a183. Comteucciéa de modeee dinkmnicos. Caso geoecal "31. Variables con miso orden de integrin 18.12. Distnto eden de enitepraicn, 18553. Vario regresces 18.4 Loeuraseomplementaras Aplndice 1-1: Propodades de proceso itegeadce Apénice 181: Eatimacin eos eon Modelos multivariate 191 Irtroduosién 192. Procenasvectoriaesostaciontrios ysis atocorrlaciones 1021, Procesos vectorial etacionarion 10.22. Matrices de astocorceacsin simple ¥ paris 10,233. Extimacton de ln mateiens spl y parlles 195. Modelos ARMA veetoisler 1981. Proewo VAR(1) 1932. Proves VAR() 19.35. Procens VMA(Q) 19.3.4. Proceus VARMA(D 4) 194, Consruccén de medals VARMA para series estaconarine 19-41. Tdentificacin oo ee 19.42, Eatimacion 103. Diagnosis 1415, Cointgracon ytoctorescomunes 196. Expecfieacién del modelo para variables no extcioaias, 1985.1, El modelo de coreecisn de error 1962 Bl model factorial 1017, Lectras complementarias Apiucice 191: La espe de Ia sobredifeencicién en sis multvarantes ‘Bibliografia indice asiitico 548 58 5a 540 586 888 587 sa 377 Prefacio a la primera edicién Este libro pretende enseflar al lector a coastruir modelos de series tem= bporales para explicar la evolucidn histarica de una variable a lo largo del tiempo y predecir sus valores futuros. Puede utiizarse como texto de un curso cuatrimestral de series temporales dirigido a estudiantes de cualquier rama cientifica, ya que los métodos aqui presentades son de aplicacién general en las ciencias econémieas, las ingenierfas y las cien- cias biolégicas y ambientales. Los conocimientos previos requeridos para seguir este libro son los fundamentos de probabilidad e inferencia que se adquieren en los cursos bisicos de estadistica para estas disciplinas. Es aconsejable, augue no imprescindible, un buen conocimiento de los métotis de regresida lineal, y as ideas de regresin necesarins para seguir ‘este libro se repasan en los capitis iniiales. Un primer curso cuatrimeséral de prediceién mediante secies tempo- rales deber(a cubrir la parte principal de los eapitulos L al 13, con wna breve introduecion a los temas posteciores. Si vadivigido a estudiantes de Estadistica o Matemdtieas el curso debe cubrit la mayor parte del ma- terial presentado en estos capitulos, incluyendo los apéndices, ruienteas que para estudiantes de ingenieria o economia los temas 4 a 8 y 1 deben pasarse mas répidamente y eoncentrar el curso en los capitules 9, 11 ¥ 12, Un eequndo curso cuatiimestral de series temporales podria contenzar revisando los primeros capitalos y concentrandose en el material de los capttules 12 at 19. El libro contiene numerosos ejemplos de aplicacién recomersdasos 15gue, sea cual sea el nivel del curso, el estudiante dedtique una parte del mismo a modetizar y prever series veales. Cou este objetivo oe ha preparado un conjunto de series temporales, que ve utilizan en los ejem. pilos y ejercicios «ie libro, que pueden descargarse de la pagina web http://www alianzaeditoriaes, Para facilitar el trabajo con les progra, mas de ordenador muchos capstulos incluyen apéndices explicando oSmao Jimplemeotar los métodos estudiados con varios prograunas informéticos ‘como Statgraphies, Minitab, SPSS, S-plus, Mailab, SCA, EViews 0 TSW Este libro se inicié como una ampliacién y puesta al dia de low des capitulos de series temporales del segundo tomo de mi libro Estadisticn Modelos y Métodos, publicaio par Alianza Editovial. El proceso de ce. visidn ha levado a reeseribiclos por completo, con el objetivo de incot orat los mevos avances y sprovechar Ia répida capacidad de cdleulo isponible, que permite hoy aplicar de forma rutinaria procedimientos inimaginables hace 10 atios, En la notacién decimal hemos seguido Is recomendacién de la Real Academia de Ciencias Exactas, Fisicas y Naturales de utilizar el punto on lugar de la coma para indicar los decimales, unificando la uotacion tspaiiola con Ja anglosajona que es Ia estinder en programas de onde. ‘ador. Esto simplifica la presentscién de resultados obtenidos oon pro- sgramas de ordenador y evita confusiones, Estoy muy agradecido mis colegas que han coniribuido de distin- fas forms a que este libro se heise realidad. En sit largo proceso dle gestacién Jas siguientes personas han contribuido con sus eomen, tecios y su trabajo a mi aprendizaje de series temporales y a mejo- rar Ia presentacién del material de este Nbro: Andrés Alonso, Antonio ‘Banas, George Box, Angeles Carnero, Alvaro Eseribano, Rafael Flores, ‘live Granger, Antonio Garcia Ferrer, Roland Fried, Jestis Gonzalo, Juan del Hoyo, Miguel Jerez, Ana Justel, Alberto Lucefo, [nis Manzanedo, ‘José Mira, Alfonso Novales, Regina Kaiser, Pilar Poncela, Albert Prat, Javier Prieto, Dolores Redondas, Julio Rodeiguez, Rosario Romera, Tua Romo, Ismael Sinchez, Maria destis Sénchez, Jaime Tercoito, George Tino, Arthur ‘Treadway, Ruey Tsay, Santiago Vella y Vietor Yohal. A todos les agraviezco much su conteibucién desde distintos aspectos a este proyecto. En particular, estoy ea deuda con Astir Treadway por la foto de G. M, Jenkins, y con el profesor 7. M. F. Smith de Southampton por Ja foto de M, Quenouille, Mis numerosas conversaciones con mis amigos Antoni Espasa y Agustin Maravall me han ayudado a entender mejor tmachos aspectos del auilisis de series temporales. Tengo una profunda deuda. de gratitud con Esther Ruiz, que ha leido una primera, wecsion e tors los capitulos y cuyas exceionten sugetencias han clarifcado ¥ ‘mejotado In prasentavidn de nurnerosas seccionws en todo ef libro: Pads 6 Prefacio ste primera edicién i ae ea atcPrefacio a la segunda edicién En esta sogunda odicién se han corresido todas las erratas detectadas fen la primera y se han veescrito algunos pérrafos pata claifcar su con tenido. Agradezco mucho a Andrés Alonso, Pedro Galeano y Antonio Gareia-Ferrer su euidadasa Jectura de libro y sus numerosos comentarios ¥y sugerencias que me han syudsco mucho a mejoratlo, Madrid, Julio, 2010, 191. Introduccién a las series temporales George EP. Box (1919) Enalitico tvitinicn, Teabaié durante ocho afos en Inglaterra para una empress ‘uimica yen ee petiodo Saver’ I operacién evoltiva y el ani de as supefices {de respuesta. Ba 1956 esnigra a EUU, donde fda el departamento de Eetaietien fe la Universidad Jo Weevnoia en Mazon, que se converte a poco tp on tuo de fos principales cate de investigacisn tadtie en el undo. Creader con G. Jenkins de la netodoogia me tilada actualmente paca el andlss de series temporal ss cptrbneioae 8 todos oe campos dela estadistica Ie ban convertida en apo de Jos Geatfoos mis infnyetes del siglo XX. 1.1. Ejemplos de series temporales univariantes ‘Una serie temporal es el resultado de observar Jos valores de una variable 4 10 largo del tiempo en intervalos regulares (cada dia, cada mes, cada ao, ete.). Por ejemplo, as figuras 1.La 1.9 representan series tempocales fon distintos periodos de observacidn y diterentes propiedad. Ba las dos primeras, figuras 1.1 y 1.2, ls seriososcilan alrededor de ut nivel couse tante y decimos que 2on estables 0 estacionarias. En las tres siguientes, representadas en las figuras 1.3, iA y L5, las series wo se mantienen en tun nivel constante y decimos que son series na estactonarias. Las figuras 1.6, 1.8 L9 tepresentan series temporales que ademas do tener un nivel fijo, como la serie de la figura 1.6, 0 variable en el tiempo, coro las de las figuras 1.8 y 1.9, tienen ademés un corportamienco superpuesto que se repite a lo largo del tiempo, diremos que estas series son estacionales, Vamos a explicat estos tres conceptos. acon su primer viaje a América desde la isla de la Gomnera ala de San Salvador La figura 1.1 es wn ejemplo de serie estacionaria, Muestza el trayecto diario navegado, medido en leguas marinas, pot la flota de Cristébal Colon en su primer viaje 2 América. Los datos de esta serie Se encuentran en el fichero colon.dat. Se observa. que esta serie es estable, con valores que avcilan alrededor de un recorrido promedio diario de tinas 30 leguas. Su grafico no muestra ninguna tendencia creciente o deereciente clara. La figura 1.2 os otro ejemplo de una serie estacionaria. Prosenta la rentabilidad promedia mensual obtenida en Ia Bolsa de Madrid en el periodo 1/1988 a 12/2000 medida por el fadice general. La rentabilidad se ha caleulaclo como la diferencia relativa entre el valor promedio de lat acciones al final y al comienzo de cada mes. Se observa que los valores de In serie parseen moverse alrededor de una reatailidad mensual de 0.00722, equivalente al 8.68% (0.00722 12 = 08664) anual. Commo la anterior, esta serie tiene un nivel fio, sin ninguna tendencin clara a erecer 0.2 decrecer con el tiempo. La figura 1.3 presenta una gerie que, a diferencia de las dos ante- riores, no es claeamente estable en el tiempo. Llamaremos a estas se no estacionarins. La serie corresponde a la poblacién mayor de 16 afios en Exsparia al Snal de cada trimestre en el periode 1/1977 al 4/2000, y se encuentra en ol fichero pobmay16.dat. Se observa en el grafico serie no testable, ya que si nivel aumenta con el tiempo. Diremos serie tiene ung clara tendencia positiva. La mayorta de las ceries econémi- eas y sociales no son estacionarias (estables) y presentan tendencias més 2 Ss texaporales Figura 1.2 Rendimientos mensuales obtenidos en In Bolsa de Madrid de acuerdo al indice general en el periodo 1988 2000, (© menos constantes en el tiempo. Bn este caso la tendencia es aproxi- ‘madamente lineal, aunque la pendieate de Ia recta que ajustarfamos en la primera mitad de la muestra seria algo mayor que en Ia segunda. Esto sugiere que quizés el crecimiento anual de la pablacién va cambiando en 1 tiempo con una pauta decreciente, de manera que e mayor al princi- pio de la muestra que al final. La tendencia de esta serie serfa entonces variable en el tiempo, en lugar de constante. Esta propiedad es frecuente cn las series reales, donde es raro encontrar wna tendencia constante en periodos largos de abservacién. La figura 1.4 representa otra serie no estacionaria, el miimero anual de nacimientos que se han producide en Espaita desde 1946 hasta e! aio 2000. Los datos esta en el fichero nacides.dat. El gréfico muestra que ‘esta vere anual no es estable, ya.que no oxcila alrededor de ningtia nivel fifo. La serie no muestra una tendencia lineal creciente 0 decreciente en todo ol periodo: los nacimientos en spafia crecieron en los afios 50 y 60, se estabilizaron en el periodo 1965 a 1976 y a pactir de 1977 comenzaron 1a deerecer. El decrecimiento se mantieue hasta finales de los 90, donde se observa una pequesia recuperaciGn de la natalidad. sta serie presenta tuna tendencia evolutiva 0 cambiante en el tiempo. La figura 1.5 presenta otra serie no estacionaria: el precia mensusl del trigp en Valladolid entre julio de 1880 y diciembre de 1890, Los datos estén en el fichero trigo.dat. De nuevo Ia serie no presenta una evolucién alrededar de ua nivel fijoy tiene un nivel variable en el Gempo. El precio 2Figura 1.8 Poblacién mayor de 16 afios en Espaia desde el primer cuatsimestre de 1977 al evarto del 2000 troduced a las series temporales Figura 1.5 Precio del trige en Valladolid en el periodo julio de 1880 a diciombre de 1800 Figura 1.4 Nacimientos anuales en Espafia 1946-2000 el tcigo expetimenté un grau aumento en el ato 18% execi6 y en Ins tltimos ais exper primeros aiios de la muestra [La serie de la figura. 1.6, que se enciientra en el fichero MuviaSC dar, muestra las Ilavias mnensuales en Santingo de Compostela durante diez fli y a un ejemplo de serie estacional. Se observa que le valores de pero luego de imenta menores flzctaciones que en les u serie oscilan ahora de nuevo alrededor de un valor central, pero algunos mesos Lienen sistemétieamente més lluvias que otros. Por ejemplo, tos arses da verano tienen menos precipitacionas que los meses ee invierna Este efecto serfa visible en el gréfico de la serie si mareisemos los meses, pero podemos verlo mejor haciendo gréficos para cada uno de los meses ‘dol alto. Como illustracion, la figura 1.7 presenta las precipitaciones en los meses de enero y julio de distintos aos, Se observa que, en ambos casos, las series oscilan alrededor de un valor central, y que hay aiios donde ambas gon relativamente altas, afios himedos, fente a otzos donde armbas son bajas, afios secos. Sin embargo, lo més destacado del grafico fs que los valores medios dle ambas series son mny distintos, siendo la Huvia media en enero mucho rayor que en julio. Este feasineno, que el valor medio de Ja variable cbservada dependa del mes considerado, 9 denomina estacionatidad y es muy freeuente en las series de variables econsmieas, sociales 0 elimsticas, lia figura 1.8 presenta la serve del fichero gasolauto.dat, y tiene tanto ‘endencia como estacionalidad. Correspoue al consumo mensual de gas Jina en Espaiia. Se observa en la serie una tendencia globalmente cre- lente, aunque esta. tendencia no es lineal y combine periodos de execi. rmiento con otros de estabilidad y decrecimiento. Ademas, la serie mnestra una marcada estacionalidad, con picas y valles muy marcados en los dis- Uintos ineses. En efecto, los pioos del grifico corresponden a los meses de julio y agosto, donde el consumo de gasolina se incrementa mucho por la llezada de turistas:y los desplazamientos veranieges. 2%‘Vigura 1.6 Lluvia en Santiago de Compostela desde enero 1988 a diciembre 1997 TNE Figura 1.7 Luvia en Santiago de Compostela en los mes (ince discontinua) y julfo (linen continua) Hl Finalmente, la figura 1.9 presenta de nuevo una serie con estacionali- dad y nivel variable, Corresponde al nimeco de arcidentes laborales men- ‘cuales en Eeparia en el periodo L979 a 1998, y se encuentra en el ichero accidentes dat. Se observa que Ia tendencia de esta serie ha variado: decro- ‘iente primero, para pasar a creciente después. La.sere presenta también 2% 1. Introduce las series temporal Figura 1.8 Consumo de gasolina auto en Espaia en el periodo enero de 1945 a diciembre de 1909 tuna pata regular anual, debida a la estacionaliciad. En resumen, las series tomporales pueden tener 0 no un nivel estable cen el tiempo, ¥si nolo tienen, pueden presentar tendencias més 0 menos cconstantes, Cusado el nivel de la serie ao e¢ estable decimos que la serie no &9 estacionaria Un easo particular de no estacionaridad es cuando el aAu nivel varia siguiende un cielo, como ocurre con la ternperatura, mensual tientro del ai. Diremos entonees que la serie es estacional y esta faceta puede combinarse can tendencias mas a menos acusadas en el nivel gene- tal. Bl grétio de la serie ea siempre una herramienta muy valiosa pare entender su comportaraiento. 1.2. Ejemaplos de series multivariantes Ademés de estudiae la evolucién histériea de una serie, los modelos de series temporales nos permitirdn estudiar Ja relacién dinamica entre dos 1 mas series. Por ejemplo, lt gura 1.10 presenta dos series en el mismo sréfico, La superior carresponde # las matriculaciones de vehiculos au- tounéviles, fichero matriculdat, y la inferior al consumo de gasolina de automocién, fichero gasolautodat. Los datos son mensuales y cubren el pperiodo 1960-1999. Ambas seris son no estacionarias y estacionales, con ppautss mensuales alo largo del aio bien mareadas. Se observa que el at- ‘mento de mnatriculaciones en los primeros afios de la muestra generé un aumento clazo del consumo de gasolina, ¥ que en el sltimo periodo las ‘aumentes en las matriculaciones no han generado necesariamente aumen- tas en el consumo. Una posible explicacién de este fenémeno es que en et “tina period una parte importante de las matrieslaciones earrespanden 1 repesiciones de vehiculos que no producen un aumento en el parque de automéviles y, por lo tanto, tampoco en el consumo de gasolina. Fntre es- ‘tat dos series es esperable que exista una relacién donde aumnentos en las ‘atriculaciones de automéviles produzcan aumentos en el consumo de gasolina, munque el grafico sugiere que esta relaci6n pucte ir variando en el tiempo, Sin embargo, no es esperable una relacién en sentido contrario ‘que saya del consumo de gasolina a las matriculaciones. ‘Las relaciones entze laa variables dindenicas pueden set en ambas di- receiones. Por ejemplo, le figuca 1.11 presenta la evolucién de la cuota de moceado semanal de los denfricas Crest y Colgate medida en Ins mans entee el 1 de enero de 1958 y el mes de abril de 1963, fchero restenlgare.dat. Ambas series son no estacionatias con un nivel que cat ban el tiempo, Por ejemplo, en el primer periodo se observa un aumento ‘he euota de mercado de Crest, que s acompatiado por un deseenso en Ja ‘suota de Colgate, Alreedor de la observseién 136 se produce un anmento ray bruseo de la cuora de mercado de Crest, que pasa del 15% al 33%, pero este aumento no produce una dismninucién similar en Colgate, que sigue con una tendencia decreciente. La relacién entre estas dos series es ‘ompleja y no es claro si la direccida de ta relacion ea de Crest a Colgate, al revés 0 en ambas diceeciones. Como veremos, en este caso existe una solacién bidireecional, o de realimentacén, es decir, una subida de Crest s Figura 1.10 Logaritmos del nsimero de vehiculos matriculados y del consumo de gasolina en Expafia en el periode 1960 a 1999 haa produce una bajada de Colgate, pero también los cambies en Colgate afectan a la evalicién de la euota de Crest. Ademés existen interven- ciones externas que afectan a las series y explican el cambio brusco de la ‘cuota de mercado de Crest en In semana 136. En esa semana se produjo Ja declaracién formal de la. administracion de Estados Unidos del resul- ‘ada de las prnebas realizadas para estudiar el posible efecto positivo en Ja reduccién de caries del Sor que Crest habia comenaado a introducir fen eu pasta dentifrice, Se comprobé que ol. fluor reducfa la aparicién de caries, y esta declaracién supuso, un aumento espectacular en la cuota dde mercado de Crest. Un problema importante es modelizar estos efectos fexternos o efacfos de intervencidn dentro de la relarién dindmica entre Jas series ‘Un ejemplo adicional de dos series donde la relacién dinamica se pro dace en atmbas diceeciones se presenta on las series de Ia Bigura 1.12. Las series representacias son, en la parte superior, el logaritmo de la poblacién anual estimada de ratas almizcladas (rouskrat), y en ta inferior, de vi sones (tink) en Canadld desde 1848 a 1911. Los datas se enewontran en el fichero minkdat. Arabos animales tiene una piel apreciada en peleteria, especialmente el visén. Las dos series son np estacionarias, con un au: ‘mento gradual de la poblacién de ratas y pequeios cambios de nivel en ls poblacién de visones. La. relacién entre ambas es debida a que uno fs depredador del otro: como el visén se come a la rata almizelnra, si ‘umenta la poblacién de zatas aumenta el alirnento de los visones, y su 29Pigura 1.11 Cuota de mercado de los dentifeicos Crest y Colgate en el periods poblacién también aumenta. Sin embargo, el aumento de la poblacién de visones es esperable que prodnzea finalmente sna disminucién del srimero de ratas, con el consiguiente aumento de las dificultades de los vi- ‘ones para conseguir alimento, Jo que se tradtuciré en una dismimciSn del nvimero de visones. Esta relacién puede intuirse en el gritico observando ‘que ambas serie parecen tener ciclos paralelos aunque algo desplazados cn el tiempo, La relacién entre ambas series es bidireccional'y diremos ‘que existe realimentaciin entre las dos series. Como iiltimo ejemplo, Ia figuen 1.13 presenta los precios del trigo en cinco provincias:castellanas, Avila, Palencia, Segovia, Valladolid y Zamora. Los datos se encuentran en el fichero trigo-dat. Las series son no estacionarias y pareven evolucionar con un patxén similae. Podeos pregnatarnos si existe un pateén comtin de evolucién en todas ellas. La identifiacidn de factores comunes en sevies temporales es un problema importante que abordaremes ea el \ltizao eapitulo de este lira. 1.3. Contenido del libro En este libro vamos a ostucliag, en primer higar, cdmo consteui un modelo para representar la evolucién de una serie temporal y generar predieciones desu comportamiento futuro. Estos modelos se deaominan univariantes, porque se basan inicamente en la historia de la propia serie, yse aplicar ‘series como las presentadlas en laseecién IL. Las predicciones obtenidas 2» Figura 1.12 Némero de visones y dle ratas almizcteras en Canada (en logaritmos) desde 1848 a 1911 con estes: modelos se basan en la hipétesis de que las condiciones Futura erin andlogas a las pasarlas y sou expecialmento iitiles para la previsién a corto plazo, En segundo lugar; estudiaremas métodos para encontrar Ia elacién de aLdopendencia dindmica entre una serie de interés ¥ un grupo de posibles variables explicativas, La seccidn 1.2 ha presentado algunos ejemplos. Las previsiones univariantes pueden mejorarse incorporando In informacién de la evolucidn de otras variables y construyendo modelos que tengan fen cuenta este dependencia, Estos modelos se conocen como madelos de regresién dinémaca o de funcién de transferencia, En teroer lugar preseataremos brevemente los fundamentes de los modelos para representar conjuntamente las relaciones dindmicas entre lun grupo de series y oblener predicciones simulténeas de sus valores fu- tturos. Estos modelos se conocen como movelos multivariantes En el capitulo 2 se presenta una revision breve de métodos elési- cos de andlisis de series ternporales. Estos métodos son eases especiales del enfoque més general que se presenta en los capitulos siguientes. El ‘capitulo 3 introduce el marco tedrico para el estudio de las series tempo- rales, y, en general, de las variables dindmicas: los procescsestocssticns En este capitulo se analizan los conceptos necesarios para el andlisis de series temporales. Los capitulos 4 al 8 estudian la familia de procesos ‘estocdstions mas importante para el anslisis univariante de series tempo- rales: los procesos ARIMA. El capitulo 4 presenta los provesos autorregre- sivos y el 5 Jos de modi mévil y la zepresentacién general de un proces estacionario. Los eapitulos 6 y 7 presentan procesos no estacionarios: los procesos integrados en el 6, y lor extacionalas en ol 7. Ademés, el capitalo 6 discute un tipo de proceso que puede confundirse fécilmente con los in- tegrados: los procesos de memoria larga. Este estudio teérico de procesos Stiles para el andlisis de series temporales finaliza.con el capftulo 8, que estudia la generacidn de prediceiones con modelos ARIMA. Los tres capitulos siguientes, 9 2 11, introducen la metodologia es- tadistica para ajustar un modelo ARIMA a una serie observada, BL capitulo 9 extudia la identificacién de lor posibles modelos, el 10 la esti: ‘macidn de los parémettos y seleccién del modelo, y el Lt la diagnosis y igeneracisn de predieciones con el modelo final, Los signientes eapitislos Introducen efectas adicionales y co lineales sobre una sexie temporal. Bl capitulo 12 estudia e6mo modular efectos detorministas, como una huelga. 0 una catéstrofe natural, de los que se conoce el iustante de ocurrenca. Bn el capitulo 13 se relaja esta hipstesis y se pretence identiiear por la historia de Ia serie la ocurrencia de sucesos atipions. El eapiulo 14 esti: sia algunos modelos no lineales en la media para series cemporales y el 15 un tipo de no linealidad en la varianza que aparece mucho en serie fi nancieras y climatolégicas, la heterogeneidad en la varianza conticional Finalmente, el capitulo 16 presenta casos de estudio de series tempo- rales univariantes y sirve de repaso y resumen al material expuesto en los capftulos anteriores. 2 La constenecién de modelos de regresiGn dinsmion se estudin on Tos capitulos 17 y 18. El primero considera las relaciones entre procesos estacionarios y extiende las ideas de regresién para estes modelos de regresion dindmica entre variables temporales. El eapitulo 18 considera las relaciones entre variables no estacionarias. Finalmente el eapitulo 19 introduce los modelos ARIMA vectoriales para conjuntos de series que ‘queremes medelar conjuntamente. Ea este capital se presenta también tuna breve introduecidn al modelo factorial para sevies temporales 1.4. Un poco de historia La metodologia actual para analizar series temporales es, como suele ‘ocurrir en estadistica, la confluencia de varias liness de trabajo desarro- llacias en distintos earpos cientifios. En el caso de las series temporales pueden identificarse cineo campos de trabajo principales. El primero tiene ‘sus races en los eatucioe de séries astronémicas y eliméticas, que dia lugar 2 Ia teoria de procesos estocéstions estacionarios, desarrollada por los matemitions Kolmogorov, Wiener y Cramer en In primera mitad del si- ‘slo XX. Bl segundo, es el desarrollo de los métodos de alsado, inventados Dor invostigadores operativos para prover series de produecién y ventas fen la década 1960-70, aprovechanda las farilidades de eflela apartadas por los primeros ordenadores. El tercero, la teoria de prediccién y control de sistemas lineales, desarrollada en ingenierfa de control y automstica en los aiios 70, y estimulada por el desazrollo de la ingenieria aerondutica y espacial. El cuarto, es la teoria de procesos no estacionatios y no lineales, Adesarrollada por estadisticos y econémetras en los iltimas weinte afios del siglo XX. Finalmente, ol tltimo eampo son los modelos multivariantes y los métodos de reduesién de la dimensién on sistemas dindmicos, que se encuentra todavia en fase de desarrollo, De esta forma, los métodos disponibles en la setualidad para et andlisis de las series temporales son doudores de Ins investigaciones de matemstivos, estadisticns, ingeniecos, fisioos y economistas clurante el siglo XX para resolver problemas de prediccidn y control de variahles y sistemas dindmiens [Las primeras series temporales estudiadas correspondian a datos as- trondmicos ¥ meteornlégicos. El matermético Laplace (1749-1827), pro- feanr de Napoieén que le hizo ministro del atecior, analizs en 1823 et tetecto de las faves de la luna sobre las marens ¥ los movieientos de aire 1 la trra, Para estudiar este segundo efecto, consideré la relacidn entre Jas fases de In Inna y la presi burométrica, wtdlizando una serie de ocho es mnedidas diarias de la presiOn barométrica en Paris. Laplace sjusté una funcién sinusoidal x los datos, pero sus resultades no fueron ‘corteetos porque no tuvo en cuenta la dependencia temporal de las ob- ow de 8Asli de series tomporales servuciones, Después de fa invencién del métode de minimos cuadcados por Gauss y Legandre a principios del siglo XIX, se realizan diversos ajustes de funciones sinusoidales a datos astronémicos para detectar las pposibles peviodicidades. Un avance importante en esta direocién fue de- bido a Arthur Schuster (1851-1934), fisico britsnieo que propuso en 1898 representar la amplitud de la onda ajustada a dates de espectros fisicos cn funciin de la frecuencia utilizada, y bautins este gréfieo coma perio slograma, La fundamentacién matemstica del peviodograma proviene de Jos teabajos del matemstico francés J. B. Fourier (1768-1830), que de- :noste6 a principios del siglo XIX que toda funcién periéclica puede repre- sentarse como stuma de funciones sinusoidales. Fl descubeimiento del con- cepto de tegresi6n por F. Galton (1822-1911), primo de Darwin ¢ invest zador muy destacado en muchos campos, y del coefciente de corzelac por K. Pearson (1857-1936), permiten ln utilizacién de estas ideas para, analizar fa evolucién de wna serie temporal. El estadistien briténico G. U. Yale (1871-1951), introductor del coeficiente de conrelacién snltiple ¥¥ de los coeficientes de autocorrelacién parcial, extendié estas ideas alas series temporales proponiendo los procesos autorregresivos en 1927 para cexplicar la serie de manchas solares. Bn ese mismo aio, el estidfstico ruso E. E, Slutsky (1880-1948) descubrié que al tomar promedios méviles en una serie se generan artificialmente periodicidades y estudié los proceso de media mévil para representar los eiclos econdmieos. Estos avanees llevan a la formalizacién del concepto de serie tempo- ral como proceso estocéstico estacionario, debida al gran. matemético rso A. N. Kolmogorov (1903-1987), que es también el creador de la fundamentacién axiomética de la probabilidad y loe procesos estocést cos. Adems, Kolmogorov extiende el andlisis de su compatriota Markov (1856-1922), y estudia los procesos cuyo comportamiento futuro, eono- ido el presente, no depende del pasado, que se conocen en la actualidad ‘como procesos markovisnos. La primera solucién general al problema de la interpolacién y la prediccién de series temporales para. provesos esta- cionarios fue debida a Norbert Wiener (1894-1964) en el MIT en Boston, (EE.UU,) y a A. N. Kolmogorov (1903-1987) en Moses: (Rusia) entre 1939 y 1942. Como estos descubsimientos se consideraron de gran i:t- pportancia militar, se mantuvieron en secreto durante Ia Segunda Guerra Mundial y no se difundieroo en la coraunidad cientifica basta los aites 50. Le generalizacidn del andlisis de Fourier para. representar procesos cstacionarios es debida al matematico sueco Cramer (1893-1985). Ua cestuctiante suyo, Herman Wold (1908-1992), encontré en su tesis doc total en 1938 la representacién general de un proceso estarionario como uss: media mévil infinita. En los afos posteriores a la Segunda. Guerra Mundial el estadistico britdnico M. S. Bartlett (1910-2002) estudia las “4 propiedodes muestrales de las auttocorrelaciones de prooesos estaciona- ios, cuyas bases establecié en 1946, Ademsis, los trabajos de Bartlett y del estadistico estadounidense John Tukey (1915-2000), al que debe ‘mos enormes coatribuiciones en otros touchos campos, sentarou Ins bases dl andlisisespectral moderno. Bartlett introdujo la idea fundamental de ssuavizar el petiodograma y Tukey, desde los laboratorios de Ia eompaitia telef6nica Bell en Rstados Unidos, inventa con J. W. Cooley Ia transfor- ‘mada répida de Fourier para calcular de forma efectiva el espectro (Coo- ley y Tukey, 1965). Otras coutribuciones importantes al eampo espectral son debidas al estadounidense E. Parzen (1929), que desarrollé la esti- ‘macién consistente del espectro mediante ventanas; al japons H. Akaike (1919), que propuso la estimacién del especteo ajustando modelos AR largos,y al britanico P. Whittle (1929), que introduce los procedimientos de estizmacién de minimos cuadradis basados en el espectia, [La aparicin del ordenador impulsa el desarrollo de métods de predio- ci6n para series reales no estacionarias basades en métodos heuristics. Holt (1957) y Winters (1960) introducen los métodos de alisado expo nenciel, que tienen mucha repercusiéa en las aplicaciones practicas de la prediccién, La unidn de los métodos de alisado y los process estocésticas se establece con el trabajo de Muth (1960), que demostré que los méto- doa de alisadn eran Aptimos para in tipo esperial de process ARIMA, y, sobre todo, por las investigaciones en los afios 60 de los briténices G.E, P. Box (1919) y G. Jonkins (1993-1982), que estudian el problema ce la predicein y control de series temporales industriales. Fruto de sus inves- tigaciones es su oflebre libro (Box y Jenkins, 1970) que marca un hito en el anlisis de las series temporales al presentar una metodologfa unificada para estudiar series estacionarias y no estacionariss, estarionales 0.20, ¥ aplicar estos modelos en la préctica. Ademds, estos autores desarrollaron Jos fundamentos estadisticos de los sistemas de control. aralelamente al trabajo estadistico de Box y Jenkins en los afos 60, Jos mateméticos e ingenieros desarrollan um enfoque general pars mode- Jar, prever y controlar sistemas dindmicos lineales. Bste enfoque explica Ja evolucién de las variables observadas en funcisn de otras variables no observadas, que caracterizan la dindsaica del sistema, y que se deno- rminan variables de estado. R. Kalman (19:39) y Busy presentan en 1962 lun procedimieato minimo euadratico general para estimar las variables de estado y prever las observaciones futuras en sistemss lineales, hoy conocido como el filtro de Kalman. Este algoritmo generaliza resulta dos previos que habfan aparecida para resolver casos particulares y se introduce en la estadistiea gracias a los trabajos de Harrison y Stevens (2976), que presentan una. forma alternativa de modelae laa series temn- porales mediante la formulacién en el espacio de los estado ¥ el enfoque aAussie de series Bayesian. Bl enfoque en el espacio de los estados hx sido continuade por M. Aoki (1987) y los britanicas M. West (vénse West y Hasrison, 1989) y A. Harvey (véase por ejemplo, Harvey, 1989) y sus colaboracores. Es tos modelos aparecieron como ima forma de modelar series temporales contrapuesta a fos modelos ARIMA propuestos por Box y Jenkins, pero fn Is actualtad se reconoce el caracter complementario de ambas formu: laciones. Bl ajuste de modelos autorregresivos a series reales planted ol problema de ena seleccionar el orden del modelo. H. Akaike (1939), et rds oflebre estaistico japonés, plantea con toda generalidad este pro- blema y proporciona una solucin elegante y simple utilizando conceptes de teoria de Ia informaciéo, el eriterio AIC (Akaike, 1976). Su trabajo, realizado inicialmente para resolver un problema de series temporales, ba tenico una influencia enorme en todas las Sroas de ln estadtsticn. Una de las contribuciones Eundamentales de Box y Jenkins fue la in- troduecion cle ls procasos integrados, que se convierten en estacionarios tomando diferencias. Sin erabaxgo, la teoria de estos procesos se deservolla posteriormente, en los afios 8D y 90. Un avance significative aparece en la tesis de J. Dickey, dirigita por W. Fuller, que desarrolla la teorfa de [procesos integracos de primer orden y propone un contraste de raices uni- tarias (Dickey y Fuller, 1981). La taorfa de los procesos integrados se hia ido completando en la iltima década del siglo XX, tanto desde el campo do Ia cotasiatica onrmo decde In oconometria: El actudio de proceaae ne ‘estacionarios vectoriales leva al concepto de cointegracién, que se define como la presencia de combinaciones lineales de suries no estacionarias que forman un proceso estacionario. Esta posibilidad fae inicialmente estudia- «da por Box y Tiao (1977), en un trabajo pionero de gran importancia, y ¢stnblecida por Granger y Engle en 1987, en una contribaciéa con gran impacto en la economia ¥ que ha valido a estos autores la concesién del Premio Nobel de Heonomia en 2008. Ademés, B. Engle (1943) introduce en 1982 el modelo ARCH, cuya varianza futura varia en funcién de los valores pasados de In serie y que ha sido generalizado por mmerosos at ores, Otss Linea importante en los azis 8D y 90 es el estudio de modelos no lineales, donde resaltaremos el trabajo de Hf. Tong, con los antorregre- sives por umbrales, Priestley com sus modelos generates, los bilineales de Granger ot al. lds modelos de memoria larga introduteidos en los aftos 60 para dass hidroligicos por Mandelbrot y sus colaboradares. Un caso special de no linealicad es Ia presencia de valores atfpicos. Fox (1972) Inteodujo los dos tipos bésices de atipieos en sories estacionasias, y C. Tino (1983) y R. Tsay (1951) y sus eolaboradores han propnesto otras claves de atipicus y disenado métodos eficientes paca modelar serins con estas efectos, Bl estudio de las relaciones dingmieas entre sories se ha realizado eon a6 cierto retraso rexpecto a los anzlsis univariantes, La introduccién de re- tardes en las relaciones dlindmicas entre dos series es debida a R. A. Fisher, que estudié en 1023 In dependencia de la produccidn de triso y la luvia en a estacién agracia de Rothamsted, en Inglaterra. Para repre- sentar los posibles retards introdujo, por primera vez, lo que hoy cone: ‘cemos como una ecuaciéu de regresién dindmica. Paralelamente, trv Fisher en 1925 introdujo los retardos para deseribir las relaciones en- tue variables econdmieas. La generalizacién de estes ideas para. construir funciones polinémicas de retarcos que pueden estimarse por minimos ‘cuadrados es debida a Shirley Almon, en 1965, Un trabajo pionero sobre lag series temporales multivariantes fue debido a Quenouille (1924-1973), ‘ene desarrollé métodos muy avanzados para su época para el estudio de series multivariantes. Hannan (1980) estudia las series temporales raulti- variantes y Hannan y Deistler (1988) en el espacio de los estados, Zeliner y Palm (1974) relacionan la teoria de modelos ARMA. vectoriales con Jos modelos econométricos dinémicos desorrollados aiios antes. En 1980 ‘Tiao y Box proponen un método general para construir modelos ARIMA vectoriales y en los iltimes veinticinco aiios se han hecho. avances im- portantes en los procedimientos para reducir la dimensién de vectores de series y modelar su dependencia temporal. 1.5. Programas de ordenador Para el andlisis de series temporales es imprescindible tener acceso a.un paguete estadistico capaz de realizar los edleulos necesarios. Desgraciadla- mente, no existe un programa tnico de fécil acceso que permita aplicar ‘todos los métodas prosentadas en este libro y en ls distintas aplicaciones hemos utlizado programas distintos, que ecmentamos en orden ereviente «de complejidad. Un programa muy simple que permite realizar el andlisis univariante de luna serie temporal es Statgraphics. Proporciona las hervamientas bésieas para la identificacion y estimacién de un modelo univariante para una serie temnporal, pero no permuite realizar la estimacién msximo vetosimi exacta, ni el tratemiento de atipicos, que veremos en Tes capitules uni- variantes mis avanzados. Tampoco permite la regtesion dinémica ni el ‘anélisis multivayiante. Programas algo més generales, pero también limi- ‘dos al anéliss univaciante, son Minttab, que es tarbién muy sitaple de usar, y SPSS, que tiene una complejdad similar y, en términess generaes, mejores algoritmos de eélculo. Estos programas permiten construir mo- delos univariantes, pero no incluyen tratamiento de atipieas ni modelos no lineales. Un programa mais completo es S-plus, que incluye muchas posibilidudes de anslisis mds sofisticades y que puede programarse, lo 3que le hace més flexible. El programa R es muy similar al S.plus y puede descargarse gratuitamente de la web en la direccién http://w. project.org/. Bl programa TSW esta basado en los programas TRAMO y SEATS, desarrollados por Gémez y Maravall, y periite hacer andlisis ‘muy completos de series tomporales univariantes. Incluye inuchas eapaci- ddades, como la seleceisn antomética de modelos y el tratamiento de atipi os, y est especialmente disefiado para analizar muchas series econdrni- cas. Puede deseargarse gratuitamente en la web del Banco de Espatia en Ja direceidn http://www.bde.es/servieio/softwaro/tsw htm, Bl programa, Views es también facil de utilizar, incluye modelos univariantes y multi- vvariantes y esté orientado hacia la econometria. Finalmente, el programa. ‘SCA es el més completo de los disponibles, pero no es eémado de usar y tiene unas capacidades gréficas limitadas, aunque incluye excelentes al- gorilmos para la estimacién maximo verosimil el tratamiento de atipicos y la modelizaci6n multivariante Los programas Matlab y Gauss son mds bien lenguajes de progra- 1acién muy flexibles, on muchas subrutinas estadisticas, Tienen la ven- taja de ser ficiles de programar, pero son menos ariecuados que los an- terfores para hacer andlisisrutinarios de series temporales, Bn el apéndice de este capitulo se incluye una brove introduccin a los program Statgraphies, Minitab, SPSS, EViews, TSW y Matlab, 1.6. Lecturas complementarias ‘Sobre la historia de las series temporales recomendamos leer los eapitulos cescritos por Bartlett. y Wold en el libro ce Gini (1982). La biografia de Kolmogorov, de Sanchex y Valdés (2008), deseribe bien su trabajo en prediccién. Los articulos que han publicada las revistas Biometrika y JASA durante el afio 2000 para celebrar ef nuevo milenio incluyen una revisién interesante del campo de las series temporales. La literatura sobre series vemporales en espuiiol es excasa. Algunas publicaciones inicialos sobre los inodelos ARIMA son las monografias de Treadway et al. (1978), Espasa (10978), Pei y Snchez-Alboruoz (1983) y el libro de Uriel (1984). Dos libros recamendables con aplicaciones ha- ‘ia la economia son Aznac y Trivez (1999) y Espasa y Cancelo (1993). Este ltito texto contiene una excelente seerién sobre la modelizaciin de relaciones entre variables econémicas y anzlisis de cavuntura y mu- thos ejemplos de andlisis de series temporales con dates ceales. Las tex. ros de econometrin suelen contener varios capitulos de andlisis de series econdmicas y de sus relaciones, Caridad (1998) y Novales (1993) son buenas referencias. Aznar etal. (1994) contiene enmerosos ejerccies. Un cenfoque distinto de las eeries temporales descle el punto de vista del es- as pacio dels estado se encucntis co la monografia de Valderrama y Ruiz (1596). Enisten oxcelentes textos en inglés sobre series temporates. Algunas referencias bisieas, con wn enfoque similar al que aqut se presenta, son [Abraham y Ledolter (1083), que contiene um tratamiento muy smplio ‘con muchos ejemplos; Anderson (1971), que tiene un enfogue tadrico ¥ = reduce alas series estacionaias: Box y Jenkins (1976), libro excelente con mua informacién y una de as referencias principales sobre o etna feste libro ba sido higeramente actualizado en Box, Jenkins y Reiasel (1904); Brockwell y Davis (1906), que es una excelente introduccién con ‘on nivel similar al aq expuesto; Brockwell y Davie (1987), que contiene un tramiento més avanzado; Gourieoux y Monfoct (1997), que est ori- entado a Ins aplicaciones econémicas, Faller (1994), que contiene rmx thos resultados interesanles,especialmecte para proceics no estarons- ios; Pankratz (1998), que inelaye muchs ands de series univariantes ‘on datos reales, y Pankratz (1991), que contiene numerasas ejemplos {Ge relaciones dindinicas entre dos series; Pe, Tino y Tsay (2001), que ‘ncluye ona visién amplia y actuaizada de las series temporales actuals; Shuzway y Stofer (2000), ua excelente libro para lectores més avanza- + dos, y Wei (1990), que incluye un buen tratamiento introductorio de los modelos multivariantes, Para profundizar en temas poco tratadlos en este libro recomendames Jos de Brllinger (1975), Granger y Hatanaka (1970), Jenkins y Watts (1968) y Priestley (198i), que ve dediean al andliss espectral; Harvey (1988), que presenta el enfoane en el espacio de los estados, que se dis- cute también en Durhin y Koopman (2000) y desde ol punto de vista Bayesiano en West y Harrison (1907). Un tratamiento completo de la teorfa de In prediceién puede enconirarse en Pourahmadi (2001). Textos corientados a las aplicaciones econémieas son Hamilton (1995), Enders (1995), Franses (1988) y Hendry y Clements (1998), que se concentran en la prediccién econdmica. Libros orientades al andlisisfinanciero son Engle (1995), Gourieroux (1997), ‘Tsay (2002) y Chen (2002). Los mo- None. Firat ow of data Automate Decimal separator + Period Field definition ~+ single character definition space Después de esto marcar OK y Yvego abrir. Aparecerdn las variables en colwannas con los nombres C1. C2, en Ia Current Worksheet. Para haves un réfico temporal dela sevie ix al meni superior, marcar Graph=> Time series plot y dentro de la ventana el nombre do la serie (C1,C2,..) que ae qulera tliujar, Una vee que aparezca el grfico, este puede guardarseen tn fchera eon ln opcin del meni principal File —+ Sove Craph as... que permite guardarle fen un fichero, SPSS Ia inteoduicci6n de datos en SPSS es similar a Statgraphice y Minitab. Una vez ablertoel programa, y supomtende que enste un fichero nombre.dat que meluye los datas de tuna serie temporal en columnas, en el mend superior marcar: Archivo — Abrir datos ¥ se abre una ventana donde puede seleecionarae el hombre del ficuera y el tipo de fichero, En rsa ventana aparece tambiéa Ia ‘opeiin Buseur en... para buscar ol fichero dentro del ordenador, ¥ la opcidn ‘Tipo donde debe espevificarse que el fichero es dat. Una vex especifcada el nombre del fichera se van abriendo ventanas donde debe especfiarseel tipo de fcheco como sigue: Archivo con tanto predefinilo? —+ No sCbmo estin orqanszades las variables? —+ Delemitadas. Bt includ el nombre de ns variables? + No, A contiquacién hay qu indiear que los datos comienzan en l primera linea que cade lines representa un caso y que el delimitador de las variables 6s rl espacio, Como raliieadior de texto poner coils dobles. Em ia ventana siguiente podemes dar nomabre a las vaciables si lo deseames, en otra east faperncen con lis nombre gaara VA, V2... Pubien dabemos engursrnos aque apareccn como numéricas y no como cadena. Para hacer un gxftico texs- poral dela serie ir al mend superior aagcar Graph — Secuencia y dentoo de Ta ventana el noinbre de ls serie (VI,V2,...} que se quia dibujar.EViews 1 introduceidn de dos en este prograina es algo distinta que en tos tres anteriores, Todos los objetos con los que trabaja deben estar en un fichero de trabajo llamado workfle, por lo que el primer paso en cualquier andlisis serd la croacién de un auevo workfile o la aportura de un workfle creado previammente Para definis una variable en un workfle hay que dar tres caracterstieas: aoa bore de la serie, frecuencia y rango. La frecuencia define a intervalo temporal eaten observaciones, que en BViews puede ser anual, semestral, tximesteal, smensval, semanal y Watio, con 5 7 dias «la semana. El rango es un par dé fects o naeros de observacin que deseriben ol inicio y el fin dels datos. EL programma utilizar estas cos earacteriaticas teniendo en events wn calendario Interna: si un aio 6 bsiesto y el programa est disefado para contener dicha lnformaciin: Bl progeama pernive trabajar con datoe no fechados, e@ decir, fbeervaciones que estin simplemente numeradas eonsecutivamente. ‘La maneca més sencilla de crear tn wollen seguir el siguiente eanino en ol mens principal: File + New — Workfile: Aparecerd un cuadro de dislogo. A continvacién soleccionamas la frecuencia aprepiada y posteriormente intro Gucimos la fechsiniiat (Start dare) y la fecha final (End date). Dichas fechas pueden ser posteriormente modiicsdas, como veremes mis adelante. Esto nos permitiré trabajar eon sores con diferentes rangos. Las normas para especiicar toe don oom Ine siguienter: 1. Datos anuiles (Annual): se expecifican los ails. Por ejeraplo, 1920 y ‘2008, para una serie exyo primer dato sea en 1920 y ef timo sea en ous. 2. Dates semestrales (Semi-anmal),trimestrales (Quartely) 0 mensuales (Monthly): se indie primero el aio seguido de dos puntos y el nimero del semestre/trimestre o mes. Por ejemplo, 1920:1 y 2003:2, para datos que ‘empiezan eo el primer somestre de 1920 y acaban en el segundo semestre ‘de 2008, y 19201 y 2008:12 para datos mensualis que comienzan en enero de 1920'y Fnalzan en diciembre de 2003. 5. Datos cemmnales (weekly), dacios (daily, 5 day weeks; daily, 7 day swneke): se esperifica el mes, el diay el aio, eada uno separastas por dos puntos. Por ejemplo, con datos semanales 9:1:2008 indica que la fecha fos Le ooptiembre de 2005, que cerresponde a la primera semnana de Septiembre dal ano 2003, y con dito diarins$:10:1007 india que la fecha es el 10 de agosto de 1997. Una wea especiicadas Ins fechas mascamos en OK. Por ejemplo, especii- «amas Quarterly, 1955:1 y 1996-4, os decir datos trimestrales entre el primer triunesire de 1956 y el cuasto de 1996. Aparcceré el workfle creado, que como Indica en su parte superior no tiene nombre (Workfle: UNTITLED). Veenos ‘que han aparecide dos iconos, ey reid, que més adelante detallacemes. 1. Introduccign a las series temporales Empeesmes salvando el worklile lo que requiee asignarle un nombre. Pav ‘lo, en el men principal: File Save as y apareené una ventana de windows para asignar un nombre, por ejemplo, practical. Bl programs erearé un fchero {de nombre practical fl ene directorio que queramics salvar el workfle. Caroo tenemos salvado el workfile, podemos cerrarlo: File + Close y el worklle osaparecoré. Pare abrirlo seguiremos ol siguiente camino: File —+ Open — Workfle -+ practical.uft en el directorio en el que guardamas 2 archivo. ‘A continuacién pasemos a variar el rango del workfle. Por ejemplo, si te- ‘nemes una serie de dates y quorempe obtener predivciones, debemos ampiar el rango para dar cabida a las nuevas observaciones, Para ello, cegulmos el camino cen el ment del workfile: Procs—+ Change Workfle Range y especificamos las snucvas fechas. lay dos moneras principales de crear una serie témporal on EViews. La primers es escribiendo los datos directamente: Para rear una serie segues ‘siguiente mend en el worklle: Object + NewObject + Series —» Name:serie y mateando en OK, tendvemas un nuevo objeto en el worksile eon el noxbre tere. Haciendo doble cick sobre veremos que todos los datos aparecen con la marca NA (not available), es decir, no tenemos datos numériens en le see Para introduc lon datos, mareamos Ia celda: Bit +/ y podemos viajar por todas las celdas ¢ incuir loa valores mumérioos que ‘querames. Una vex que hayamos acabado, volvemos 2 marcar en la celda de Fit y podeemos carrar Ia erie, que permanoverd en el workfle [La segunda forma es importando un fichero con los dates, que puede ser de texto o de excel. Fl camino es File + Import —+ Read Test Lotws-Broel _y abrimos el fchero anterior. Aparooer un cusdro de diloge. Magcamos la opeisn: Data Onder in oolurnns y le ssignamos ol nombre de ta sere. Mareames OK y veremas cémo en sl ‘worklle aparece I serie con el nombre asignado. Hacienda doble cick en ella podemos comprobar que hemos importa la spre sin problemas. Salvamos el ‘workfle asignéndole ol nombre sere-wfl 1, Podemos generar nuevas seri a partic de na dda. Por ejemplo, sien of ment dal workfl, hacemos ol ean Gene logeerie = log(nombre de la serie) 43Ansliss de series temporales lo que ubteneies es una nueva serie defiuida como of logaritmo de la sete original. La serie estar definida en el enlamo rango que In serie ‘riginal, Igual que la operacin logaritino podems wtlzar otras muchas ‘operaciones bésiens: sma, estas, productos, raiee, ete Bn el workfilecrealo en el mend podemos obsorvar diferntes celdas. a primera es view, que extd diidida en diferentes opciones. 1, La primera open del primer bloque es: View-Spreodsheet v vemos el Ficheto con ls datos 2. Ta segunda opeiin es grdien View Lane Graph, paca ver el gtico de la serie 3. A continuacién View—-Bar Graph para mestrar los datos con barras. 4, Con View—-Deseriptive Sttistics—Histogram and Stats, vemos el his- tograma y alguncs estadiaticos deseiptivos ls media, nediana, méximo, rminimo, desviacidn tics (norinalizada por 71, donde T es ef nbmero de datos), y cefcientes de asimetris y curtoss. 5, En quinto lugar: View—Tests for descriptive stats--Simple Hypothesis ‘Tests para coutrastar hipétesis respecto ala media de la sarc 6, Finalmente: View — Distribution Graphs Quantils-Quantile: Normal distributions, propatciona el grfico de comparacién de cuantiles respecto fala distribueisn Normal Silos datos son normale, observamos aproxi- radamente una li sw Fl formato de entrada de exte progeams exige que en la primera fila del fichero viedates apaneara el nombre dela erie y en la segunda custco variables numési- fas: mitnero de datos en la serie, ao inical dela erie, petiodo inicial de La farie y udriero de periodos u dates que forman un aio. A continuacién vienen Ios cates de la server una culusnn. Por ejemplo, si tenecoos 100 datos de wna sete que comtienza en enero ce L980 y Toe datos son mensualrs, la segunda fla dtl fichera de dates debe contener ins variables 1980 1 12 1 si tonemos 28 datos euatsimestrates comenzato en el ceecor cuatrimestze de 1900, esexibitemes 2 190 3 4 Al inicar el programa aparcor una vertana donde en la parte superior ‘esta un mend de botanes y 4 la fereeha canuras pars introduce informacion. “4 Pasa carga les datos hay que selecionar en e] mend Series y entouces se ite selacconar In serie moviéulonos en las bre wna ventana que n0s per Cuepetas del BC. Al leer eoreectamente, el nombre de la serie aparece en la ‘entana principal central debajo de Series list. Esto confirma que tenexnos Ja stcie incliida en 1 programa, Si mazcamos la serie aparece eb gréfico en Ja pantalla y on Ta parte derecha su nombre y cieris atrbutos que podemes ‘anisiae, Por ejemplo, el parametzo Iter. silo eambiamos a Tter=1, podemes ‘sustar a la ism serie diferentes modeles. Ps conveniente rarcar la opciin framo/seats, que: la que apacece por defecto en ol programa, Matlab os datos se intsoducen en Mata esribiendo la sentence: load losdatos.dat, doruelosdatos es el nombre del fichero que incluye ls datos, Matlab Ice todas las columns del Schero y crea coa ellos una mattis ala que asigna el nombre del chera, Sila variable de interés es, por ejemplo, la tercera columns, pode= ‘os extractin de ln matriz con la sentencia: 2=losdatos(,9), que interpreta ‘oino tomar todas las fas de Is columna 3 de la matri losdatos y asignarle & Ja variable x. Podemos hacer un yrélico tammporal con la sentencia: plot(z) at 8 6 B Q E G5 Al s B DE COLOMBIA BIBLIOTEC UNIVER: 452. Analisis de: riptivo de una serie temporal ir Acthur Schuster (1851-1934) ison inglés, nacido aleman. Bue profesor de matezicas y Sica en la Universidad de Manchester, Hiao coneibucones fundamentals Ia espestoucopiay al eetudlo de as periodiciies invents el peiodegrama. DirigiS on 1875 a expt de In aya Society para obsarvar el eipe solar en Thailanda y fué nombado Loe por 2.1. Introduccién En este capitulo presentamos los procedimientos descriptivos, desarro IIados entre 140 y 1970 para analizar series temporales. Su objotivo os explicar la evolucién pasada de la serie ea términos de pautas simples y prover sus valores futuros. Estas procedimientas tienen poca utilidad hoy en dia, ya que disponemos de raétados mia generales y eliences que se ex- pponen en los capitulos siguientes y que los incluyen como caso particular De todas formas, hemos considerado interesante presentarlos aqui por dos razones. En primer lugar, los métodos actuales se basan en ellos y se entienden mejor si se conocen las lienitaciones de estos procedienientos inds simples. Eu segundo lugar, estén todavia disponibles como opciones de analiss en emachos programas de ordenailor de use Treewente, por lo {que es eonveniente que tl lector conozca sus bases ¥ sus limitaciones| Los inétodes sleseriptivos para series vempocales son generalizaciones de los desarrolladas para variables estiticas. Por ejemplo, la media de tina variable estitica, como las estaturas de los estudiantes en una clase, estima la media de la poblacién de estudiantes y tiene una interpretaciéa aAnalisi de series vemporas lata, Sin embargo, si hacemos fa anedia de los datos de una serie con tendencia, esta media no refleja ninguna caracteristica constante y tiene dificil interpretacién, Esto Hevé a plantear los modelos de analisis de tendencias deterministas, que constituye una extensién inmediata de los métodos de regrasién. Aunque estos métodos pueden ser dtiles para la deseripeiéa simple de las paaitas en una serie, las predieciones que pro- porcionan suelen tener un alto error, lo que mosteé enseguida sus limita- ciones, Bato es debido n que en una serie temporal In observacién hoy, 2, dlupende en general de sus valores previos, 2-1, 21~2,.»», pero esta depen- dencia suele ser més fuerte con los datos mas recientes y mas débil con los ris alejados. Como los modelos de anslisis de tendencias deterministas proporcionan predicciones que no utilizan esta propiedad, se propusieron. como alternativa las anétodos de alisado, que realizan predicciones im- pponiendo una estructura donde la dependencia entre las observaciones disminuye con el tiempo. Estos métados se introdujeron en los afios 60, yy se-extendieron mucho en la préctica por sus buenos resultados y su facilidad de calcula, gracias a la spariciin del ordenador digital La extension para series estacionales se hizo modelando separadamente Ja evolueién de Ia setie y el efecto estacional. Los andlisis de tendencias deterministas dieron lugar a los métodos de decomposicién y los métodos de alisedo a los métodes de doble alisado, uno para la. evolucién de Is setie y otro para el efecto estacional, como el método de Holt-Winters. Paralelamento, se desarrollaron proceditnientos para series cflicas, como son las series climétieas, donde domina el efecto estacional, y In serie ‘9° representa como tna sums de efectos sinusoidales. Esto dio lugar al periodogcama, que es una herramienta rauy vitil para detectar ondas de- terministas en una serie temporal 2.2. El andlisis de tendencias deterministas 2.21. Tipos de modelos Comenzaremes preventando este método para series sin estacionalidad, ‘como las de las figuras 1-1 a 1.5 del capitulo anterior. Se fundamenta en ‘modelar Ia depenstencia temporal mediante las idess de regresi6n para relacionar variables estéticas. Para ello, una serie observada, %, donde f= ,..yT, se representa mediante snmaa de dos componentes 2 = Hebe (1) BI primee componente pe = FB es el nivel de la serie que es una funcién conocida determinista del tiempo {que depencie del instante considerado y de un vector de paréunetros, 8. “8 2._Auilsis deseriptivo de una sere tomporal Estos pardmetros deben estimarse a partir de los datos, como veremos ‘a continuacién. Bl segundo componente, a, suele denominarse la inno: vacidn y es un componente aleatorio que recoge todes los dems efectos ‘que actuan sobre la serie. Se supone que las variables aleatorias tienen tuna estructura estable a lo laigo del tiempo: media vero, varianza cons- tante y distribucida normal. Adems, las observaciones correspondents 2 dos periocas de tiempo distintos son independientes, es decir, conocer 1 valor de a; no proporciona ninguna informacién sobre el posible valor de ayy: sea cual sen el valor de a, In variable ay, tiene tna distribucion norsnal eon media cero y varianea constante, La prediccin de Ia serie con este modelo en un period futuro, T+ se obtiene extrapolando el nivel de la serie ye, sa que la prediceisn de Ja innovaci6n es su esperanza, que es siempre cero, Llamando 2r(8) a la prediccién realizada desde el ocigen T pata k, periodos en adelante, es decir la prediccién del valor zy oon Ja informacién disponible hasta el momento T, tenemos que Br(B) = wee = (T+ K.A). 2) La forma que establezcamos para la evolucién del nivel de la serie a lo largo del tiempo determina el modelo concreto utilizado. Por ejemplo, el modelo mas simple supone que e] nivel de la serie es constante en el tiempo, es decir pe = j.-1 = It ¥ Se conoce como el modelo de nivel constante o sin tendeneta, Entonces la ecuacién (2.1) se veduce a: m= hae (2.3) yy la serie oscilaré alrededor de su media, u, que es constant. Las series de las figuras 1.1 y 1.2 no tienen tendencia y podrian explicarse por este ‘modelo, Al ser el nivel de la serie constante, y no depender de t, ¥ como el valor esperado de la innovacién es cero, Ia predccién eon este modelo ppara cualquier horizonte sexé la media, Un modelo més general, que se aplica a series que tienen tendencia, reciente o decreciente, os el movtelo de fendencia limenl, La figura 1.3 presenta una serie que podria tener esta propiedad. EI modelo para fi, fen (2.1) es: He Bob, ea) donde ahora 6 representa la pendivnte de la reota que describe la evolu cidn de la serie. Esta pendiente coreesponde con #! crecimiento espersio fentre dos periodos. La prediccicn con este modelo del valor de la serie en el instante T + k con infocmacién hasta T, sera: Frlk) = A + HUT ER), 5) 0Ess dos modelos son casos paticlaros del madelo do tendencia poind- ‘ica, donde el nivel de Ia sere evolutions sein un polinomio de erden DS th 26) Los dos casos estudiados anteriormente coresponden a r = 0, con ae obtenenos el modelo de nivel constante, yar = Ly que cnnduce al coadelo de tendencia lineal. En ls prices r = 2. 2.2.2. Bstimacion EB ajuste de estos modelos a una serie temporal requiere Ia eétimacidn del vector de parimetros, = (ff). Las estimaciones so obtienen con eLeriterio de ménimos cuadradas, es decir, minimizanco las diferencias entre los valores observadios y los previstas a horizonte uno por el modelo. Fate criterio es escribe como ovine Sen ~ en Para modelos con tendencias polinémicas, ls valores de los parémetros ‘que minimizan esta expresion se obtienen facilmente. Por ejemplo, en el raodolo do nivel convtante jie = ja; derivando roopesto al paséantT0y ty y llamando 2, = 32/T a la media de los datos observados, se obtiene inmedistamente que ji = %. En el caso de tendencia lineal la funcién ainimizar (er ~ fo — it), (28) y los estimadores se obtionen derivando respecto a Gy ¥ Bre igvolando a ‘ero las derivadas, Ast obtendremes un sistema de dos ecuaciones y dos incégnits cuya solucién proporeiona los estimadares. Vamos a suponer, para simplificar la exposicién, que la variable £ se construye para que tenga mea cero, y que tenemice T = 2n-+1 datos (periodos observados), dle manera que podemos defini como t= (1-1 yA, lyst iin). Entonces, comenzando oon la ecuackin obtenida al igualar aero Ja derivala de (28) respecto n dy y lamandlo Ao y By Yes valores que verfcan esta exuacin, se obtiene See - A - Ay =0. (29) Liamaremes reste as etimaciones do as innovaeiones, 3, que sean tas ecuaciones (2.1) y (24) vienen dadas por 2. Andlisis deveriptivo de una sese temporal La ecuacién (2.9) exige que los residuos estimacios tengan media cero Como f =0 su solucié by = 2, (2.20) Esta estimacion de la ordenada en el origen coincide con el nivel estimado en el modelo constante, ya que si = 0, entonces He = fy = s. Pare estimar la pendiente, derivando en (2.8) respecto a 8; ¢ igualundo a cero el resultado, tenemos que: SMe - he - Ae 0, en) y esta ecuacién exige que la covarianza entre los residuos y la variable ‘tiempo sea cero, es decir, los residues no deben tener relacin lineal con €) tiempo. Sustituyendo (2.10) y despejando fy se obtiene, dasdo que # = 0, el estimador de le pendiente a Dmlu- Bt aS A continuacién, presentamos dos ejemplos de la utilizacién de estos modelos (2.12) Ejemplo 2.1 ‘Vamos a ajustar el modelo de nivel o media constante (2) a la eerie de las leguas diarias recorridas por la ata de Coléa que se encuentre en el fchero colon dat. La media de los dates observados de a serie es 82 ‘que es, ademés, segtin ef modelo (2.3) la prediccidn de la distancia que se recoerer el dia siguiente. Los erores de esta prediein dentro de Ja muestra on les residuos, d, estimades como diferencia entre el valor de la serie st media, que se presentan en la figura 2.1. La variabilidad de estos rsiduss mide ‘error espera con el modelo utilizada, Como los errares eden ser posi tivos y negatives y nos interesa su magnitud, calevaremoe su desviaién pica, promediando los crores al cuadrado y tomando despucs Ia rate cuadeada. Se ‘obtione entaness aaa + 7 u ariae 186 5Alice de series temporales Figura 2.1 Residuos del modelo de tender ide leguas recorridas por Colén ‘que indien que el error prometio on la predicién con este modelo ws de 16.6 leguas diaias. Hjempto 2.2 ‘Varnos 9 ajustar el modelo de tendencia lineal a los datas de le poblacién spatiola de mayores de 16 aos de le figura 1.4 que se encuentran en el fichero pobmayi6.dat, Pora creat una variable temporal de media eero, como hay 196 datos defininoe primero uns variable que tome los valores 1y....98 y a ‘contiguacién restamas a cada uno de estos valores la media de In seeuencia, 48.5, de modo que el conjunto de datos tenga media caro. Hsta operacién proporciona los valores de ¢ = ( 47.5, -465,...-05,05...., 475). Utiizando (2.10) y (2.12), 9 obtiene In ecuacién de preicekin % = 20600 +-70.7 Esta necta indien quo, nel periodo estudiado, ol nimoro de mayoras do 16 ‘alos 6 en prosnetio 20,603 millones de personas y que cada aio este niimero se incrementa en 79-700 personas, aproximadamente. El modelo parece tener tin excelente ajuste, ya que el coeficiente de corcelacion rs 995, ‘Sin embargo, la Agura 22, que musstra los datos y ol modelo ajustado, indica que un ajuste de ececimiento lineal no e bueno, porque la tendencia tun 65 exactamente constante y ha ida carabiando suasemente en el tasnpo. En particular, las pretcciones generadas en el aio 2000 para los ds aos siguientes van eonsiderablemente por encima’ de les datas observaos. Este 2 Figura 2.2 Poblacidn mayor de 16 afios en Espaiia y el modete lineal ajustado, problema apazece ins claramente en la figura 2.8, que presenta los rexidios ite exte modelo calelados mediante = 4 ~ 20603 — 79. Podetnos observar que estos residuos tienen wna pata de varlacion: primero negatives, luego positives y de nuewo negatives, lo que leva a concluir que cl modelo est mal especifcada, Podsla pensarse que et problema es que la fendencia sigue tn polinomia de segundo grado y que la forma de ls resi duos, indica la nectsidad de una ecuaciin de segundo grado para reflejac esta ‘outvatura, St extimamos un modelo de segundo grado, la eeuscién cesutante =, = 29910 + 79:7¢ — 0.28230" os residuos de sate modelo se presentan en la figura 2.4, donde se observa aque aumnentar el grado del poligomio no vewelve et problema. Los errores le Drediccidn paca ls ltimos dates rauestrales son ray altos, y pusde compeo- arse que las predicriones de este eaadelo para los datos de 2001 som muy rnalas, Bl problema es a falta de Becbilind de loe maclelos deterministas que fo perniten que i predicexin de un dato futuro se base prineipalmente en los ‘tks valorem observmdos de a serie 22.8. Limit ciones del ajuste de tendeneias deterministas ‘Como se ha visto en les ejemplos anteriores, 1a Iunitacién principal de ‘estos mstodios es que, sume las secies con nivel constante son frecuentes, 38Figura 2.8 Residuos del modelo lineal para la poblacién espaitola de mayores de 16 aitos Pigura 2.4 Residuos del ajuste cuadrético a los datos de la poblacién mayor do 16 aioe ‘ may raro que una serie real tengn una tendencia determinista lineal, © ‘en general polinémica con r > 1. Por ejemplo, la evolueién de la serie de nacimientos en la figura 140 la de los precios del trigo en la figura 15 ro peden representarse por tendencias polinémicas. Una posibilidad es intentar ajustar tendencins lineales por tramos, es decir dividir la serie en 54 2. Anilisis descriptive de una serie temporal tramos que tengen, aproximadamente, tendeneia constante y ajustar en cada tramno un modelo lineal o constante. Aunque estes modelos supouen 1n claro avance para explicar la evolucién histérica de algunas series, son ‘menos tities para preset los valores faturos, ya que no sabernos cudntas bservaciones pasadas utilizar para ajustar el nivel futmo de la serie. Un inconventente adicional de ajustar una tenoncia lineal por tramos es que ef modelo de crecimiento implicito es poco razonable. Para jus: Luficar esta afirmacién, vearnos cusles son las implicaciones de supaner {que tuna serie sigue un modelo con tendencia lineal determinista en un intervalo. En este caso, la prediccién del crecimiento de la serie entre = ¥ 441, medido por 241— 2 serd la pendiente estimada, 8,- Hemas visto ‘que la pendiente se estima por Ia ecuacién (2:12), y puede demostearse (véase Petia, 1995) que esta estimarién puede siempre escribirse como luna media ponderada de los erecimientos experimentados por la serie en ¢l intervalo donde estamos ajustando Ia recta. Las ponderaciones que se aplican 2 los crecimientos pasados para: prever el crecimiento futuro son tales que el mayor peno se atribuye al erecimiento en el centro del periodo observailo, y el peso minimo al crecimiento en los extremos det intervalo, Es decic, Hamando Vj = 2; ~ 21.1 al crecimiento observado de la: serie cen el instante ¢, se demuestra que A= Dwva, (2.13) donde Jos pesos ux som nimeros positives que suman uno y que son simétrieos respecto al centro dla mivestra. Loe valores rximas de ut corresponden los incrementos centrales y van dismimiyendo simetvica mente hasta aleazzar el valor miaiza en los extreros Por ejemplo, supongamos una sere. con 5 datas en los instants, 0,-£1,-12, donde liemos construido la variable tiempo de manera que ©, para simplfcar la presentacién. Hlsmemos entonces los valores de a serie 2-2, 2-1, 92,22. Aplioando las férmulas (2.10) y (212) pea ‘ealento de i pendent, se obtiene que y 2 + (=1" + (0) + (0)? + (2)? = 0, 224-22) +3le—2a)+ +2(a—x), ¥ por tanto: B= 02Vz.4 10.8V 2 +0305 +0.2VEn,‘que es un caso particular de (2.13). Bsta ecuaeién indica que Ia predicekin del crecimiento futuro es una media ponderada de los ereeimientos ob- servades en cada uno de los periodos, con pesos simeétrioas respecto al centro y tales que el peso minim coeresponde a los crecimientas en los pesiodos extremos, [La implicacign de este resultado ela siguiente: si admitimos que una serie tiene una tendencia determinista lineal en vin intervalo estamos iciendo que la predieciéa futura de su crecimiento debe hacerse pon- erando los crecimientos observados, pero dando peso minimo al timo valor observado, Este peso es, ademids, igual al que se atzibuye al cre imiento més alejado en el tiempo, es deci, al primer crecimiento ob- servado en In muestra. Ademés, si aumentamos el temaio del intervalo, l peso de los crevimientos en los iltimos aos disminaye, pero siem= pre manteniéudase igual a! peso de fos primeros erecimientos observados. Bsto es claramente poco razonable en muchas ocasiones. Por ejemplo, si admitiésemos que la poblacién erece linealmente y tuviésemos sélo los lltimos eineo afios de datos, el ineremento de poblacién con respecto al ‘iltimo valor observado se obtendrfa sumando un crecimiento previsto que se obtiene dando pesos 20%, 30%. 30% y 20% a los cuatro crecimien- ‘tos anuales observacios en los cinco afios. Sin embargo, si aumentamas el tamazo muestral y psamos a tener una muestra de 100 datos anuales, y ‘ajuctamos cl modelo on cota muetra, ol psoo dsl ditimo ao pana a tenor un valor muy pequello, e igual al crecimiento observado hace 100 ais. 2.3. Métodos de alisado Para resolver las limitaciones de los modelos con tendencias determi- nistas se introdujeron en los aiios 60 los métodas de alisado. La idea de estos métodos es permitir que Jos dltimos datos de Is serie tengan mds peso en las predicciones que los valores mas antiguas. Esto se consigue peeinitiendo que los parsimetros del modelo de tendencias deterministas no sean constantes, sino que puedan ir variando en el tiempo. De esta rmaiera vamos a. ver que $e abtienen roodelos que generan predieciones dando mayor peso a los valores mis recientes y menor a los mis alejados en el terapo, 2.3.1. El modelo de alisado simple Suiporyames que hemos hecho una prediccidn del valor de una variable para el periodo T’ que ilamaremos Zp y observamos después su valor, zr {Cémo generar la prixima pcedioei6n? Holt (1956) propusy hacer una ombinacién lineal de la iltima predicci6a y el altimo valor observado, 2. Andlisis deseriptivo de wna seie temporal de manera que la prediceion del pesxima periodo, T+1, viene dada por: (1 -@er, (a4) donde 0 < @ <1 determina el peso que damos a cada uno de los dos componentes para generar las predicciones. $i tomamos 9 préximo ala unidad, las predicciones para distintos periodos son muy similares, y se ‘modifican poco con ls nueva informacién. Ba el caso limite de 0 igual a uno, ef modelo de alisado produce una predicsién constante, como ol étado de nivel constante. Por el contratio, si @ es pequefo, préximo a cero, la prediosi6n va adaptindoce mucho en funcién del iltimo valor obsorvado. Para entender mejor este modelo, sustitayamos su valor, Zr, en Ia ecuacién (2.14) y agrupemos términos, entonces: NOs + (1 ~ srs) +(0~0) = Pp + (1 Mer + O21), repitiondo este proceso de eustitucién de las prodicciones anteriorés, obte- rnemos finalmente que: Frys = 07H + (1 ON ap + Oar y + Pap at) Suponiendo que T es grande y 0 < 1, el primer término serd muy pequetio, ¥y podemos escribir la ecuacién de prediceién coro: Bryn = (1 Ofer bOopa + Prat ) eas) ‘que os una media ponderada de lag observaciones previas con peses de- recientes que suman tno, ya que: (a4es Las prediceiones generadas por el modelo de alisado simple son una ia ponderada de los valores previos de la serie con pesos que decrece geomnétricamente. ‘Vamos a justificar que esta forma de generar predieciones supone que In serie ge ha generado mediante el modelo: debe, donde jg 68 la media de 2, que abiora no es eonstante, sino que pusde ‘evolucionar con el tiempo ¥ ae son las innovnciones qne siempre suponemes de media cero, Supongamos una muestra de tamaiio Py lameanos jir(1) In estimacién del nivel futnro de la serie en el instante T+ 2, dads los datos hasta T. Esta-notacién poue de manifesto que T es la informacién cadisponible y (1) el horizonte de la predicein, es decie, ws In prediceién de rst. Como la media esté eambiando en el tiempo, podriamos obtener la prediecidw miinimizando la funeisn: r= wren, (2.16) onde las 2 son pesos, es decir mimeras positives que suman la unidad, ‘que permiten tener en cuenta que las observaciones mas préximas som mis importantes que Ins més lejanas para estimar la media local. Eatonces, Ja estimacion de yery1, derivando e igualando a cero, vendra dada por: Bras = fir(t) = Dost Para imponer ta condicin de que las observaciones préximas von més importantes que los alejadee podemon elegir peon que dianinuyan de forma geomética con el tiempo. Do esta forma, a lima observacion, zr, tiene peso méximo, crla siguiente, p-1, tiene peso c®, donde 0 <9-< i; In Siguionts, ers, peso oP, y os! sucevamente. Esto conduce aia ecuncin die prediciéa (215) anterior. En efacto, In constant debe se tal que ios pesos sumen la unida, y utilizando ta fSrmula de une progres groméiren indefnia, esta Let hovers =o «con lo que ¢= 1~ 0, De esta forma, Jos pesos vienen dados, como ea la ccuneisn (215), por: wy = (1-0)67 +, ¥ la ecuacin de prediceiin Fe(t) = 1-9) 02, a) «ate implica que ls prediocén de =r, con informaciin hasta Ts Fett ) donde vamos a utilizar Ia notaciée Fry, pare indicar la prediceién de fron inforrancién hasta el instante attesior Con esta notacién, Ia ‘on informacia basta T'~ Les: (1-2-1 b Oona bar +...) 2._Anilisis deseriptivo de una sere temporal ¥y multiplicando la iltima ecuacién por @ y restandola de la anterior, #e obtiene Bra — Or = (Oe, ‘que conduce a la ecuacién de prediecion (2.14). Esta ceuucién puede tumbién esertbirse: Fras = Fe + (1 Olen — Fe), 18) ‘que_nos indica que Ia prediesign de la peéxima observacién se realign ‘modificando la iltima prediceién por una fraceién (1 ~ 8) del limo «error de prediccion coraetido. ‘La utilizacton do este modelo roquiere determinar el parimetro 8. En Jaa primers aplicaciones este parémetzo se aba a pros, habitualmente ‘entre .70 y 99, pero progresimmente se obtuvieron mejores resultadas ‘permitiendo una mayor amplitud de valores posblesy estimando sa mag fuitud a partir de los datos con el eriterio de minimivar los errces de predieeién. Esto puede hacerse probando wna rejilla de valores, como 0.,012,..-,0.9 para 8, calculando los erores de prediecién dentro de la svesira Ge = 21 ~ 3% ¥ tomando el valoe de 6 que conduzca a un valor enor de 32 @, lasuma cuadratica de los rsidut o errores de predceién iol major valor ohtonidn on a hiariedn anterior #8 ly, podemnos ro nar la bsquesia y probar ahora con valores de 8 en el intervalo @— 05 489 +05. Por ejemplo, iy = 7 probaremoe los valores del conjunto (65,-66,..-y-70, 71,.-.y-75. Normnalmente esta precsidn es sufciente en Jas aplicaciones Ejemplo 2.3 \Vasnos a determina el mejor valor para el pardzmetro de aisado @ pars la serie las logs recoridas por la flota de Coldn. Utilizando la opeiéa de alisado simple oon el programa SPSS, que prucha para log valores de # desde 0.1 hasta 1, ve obtienen las resultados siguientes para la guma de la residaas al ‘enauleadio com eda valor de 6: Barada 86869 STORN ‘Come Ia sumna de cundrados de ls resduos minima se abtiene con 0 = 1, que es equivalente af modelo de tendencia constante, conchuimos que la setieAilise de serion vmporales cova alrededor de una min constante y que no hay evidencia de que tomar @ inenor que uno mejore las prediociones. 23.2, El método de alisado doble de Holt Las ideas anteriores puoden aplicarse a motlelos con tendencia lines! En ugar de suponer que los parémetzos son fijos, podemos admitir que tevolucionan en el tiempo y estimarlos dando un peso deereciente las observaciones. BI modelo es: Aa nay pero ahora en higar de suponer una tendencia determinista permitimes ‘que el nivel evolucione linealmente en el tierapo, pero con una pendiente ‘ave puede ser distinta en los distintos periodos. Bsto se consigue escri- Diendo el nivel de la serie en el instante t como a= t+ Bey de manera que la diferencia entre los niveles de dos instantes consecutivos, ft Ly 68 1 Ia pendionte en el momento ¢ ~ 1. Observemos que st 1 =f, canstante en el tiempo, éste modelo es idéntico al de tendencia Tineal determinista, Al pormitir que la pendiente sea variable este mocielo ‘es mucho inis exible 1a prediceidn de z con informacién hasta t—1, que Hamaremos 2-s(1), ‘s abtiene cama Feaa(l) = Figen = Recsear + Boor loude la estimacim del nivel dela serie ene instante fe la sume de ls Sitimas estimaciones del ively de fa pediente con informacion hasta 1. La motackin fig indica que estamos estimando el nivel en ‘stat, ero oon ifoemacién ue inlaye la del instante t~ 1, es dace el ato Para tonstruic las prediciones con este modelo vuos w generaizar lo aprendo en ol modelo anterior. Lax preicriones del alisadosirple se ebtienen con Ia Fema (2.18), que inden que le predic fara ial lita preci realizda mason factor de eareeccion que es ff producto de un coefiente (uno menos el facto de descueato) pore Sita errr eometido, Como ahora tenemos qu estar dos parame, tl método de Holt general esta idea introduciendo dos fatores de dkseuento. Supongmis que la lita prederism se eealiza enol peciodo 1. después de haber observado er, y corespondi a laestimciin de rs oa ol valor de la serie en el iastante T+ 1, La preicekin seca rape = Pape TB conia| pecs gfe acne etuanioss all lve gal cowie com informaciém hasta cl instante T- AL observar cl valor =r. podemos caleular el error de prediccién (2rp1 — Arsiyr) ¥- corso en wl mngtodo de alsa simple, corregie ln estimacién anterior por una frceidn del ercor cometido, En conseewencia, a estimacién jirsiyre1 con informacién hasta T+ lyse . Fronre = Begure + (1 ~ O)ergi Bree) + Br + (1 O)Cern inn ~ Br), donde ® <1 es un factor de deseuento. Observemos que la estructura de cesta ecuacidn es anfloga a la (2.18). La nueva estimacién del crecimiento fuuro con inforaciin hasta T +1, Ars se vealiza modiicando le tina estimacién por una fracrién dl dhimo error camer: Bret = Br + (1~ 1M iireures ~ Dave — Br), donde y < 1 08 otzo factor de desenento sobre el etror anterior én In ‘stimacign del crecimiento, Estas enuaciones permiten obtener recursive tnente las estimaciones a partir de unos valores iniciles. Los pardmeteos 8'y-7 se dotermsinan como en el easo atesior, probando con ma rjilla de valores y eacogiende loa que minimizan In onms euadrétion do lo eerorec de predi Rjempto 2.4 Varnos a deterniinas ot mejor valor de lot parimetroe 0 yy past la serie de poblacién de mayores de 16 ails en Expevia, del fchero pobmay16.dat Estiniando los parimetras con el peograma SPSS, se obtionen las siguientos mejores valores para lee parkmetees, en el sentido de condueie a menor error ‘cundestieo de predicein dentin de fa restr an mee “i 1400 22690 BSG 9139 a ee oa Les figura 25 mvestes los cess del ewejor modelo que coreesponde = Ly y= A Si comperamas estos cesultacos con el modelo linea, vers Ale de mayores de 16 afios con el método de Hale ‘que los ertores de prediceién son mucho menores y que shora los residues 20 ruestran una tendencia destacada y las prodieclones son bastonte buenas en _nnichos periodos. 2.4, Métodos de descomposicién para series estacionales ‘Cuando la serie ademés de tendencia y componente aleatorio tiene esta- cionalidad, los métodos de descomposicin suponea que los datos se ge- eran como suma de esos tres efectos: Het Stay, onde je el nivel de la serie, S, es el componente estacional y a es el componente puramente aleatorio o innovacién que, como en modelos futetiones, e8 una secuencia de variables incorreladas de media cero ¥ vasianza constante. Los métodos cisicas de descomposicién suponen que tanto el nivel como la estacionalidad son deterministas. El nivel je 52 rodeln mediante un polinomio del tiempo de orden menor 0 igual 2 des, 4 la estacionalidad como tna funcién periécica, que verifca la condicién: S= 5, e rie temporal donde s es el periodo de la funcién, que depende de la estacionulidad de los datos. Una serie mensual con estacionalidad anual tiene perioda 5 = 12 meses, ya que suponemos que los eveficientes estacionales, Sse repelicén egda 12 observaciones; una serie trimestral con estaciotalidad anval tendré periodo s = 4 trimestees y uma serie diacia con estaciona- Jidad semanal tendré s = 7 dias. Bl procedimiento de construecién del ‘modelo para la serie se realizaen las tres etapas siguientes |. Se estima et nivel de la serie observara como en el modelo de tenden- ins deterministas. La forma de la tendeneia se elige con el gréfica de la serie y se estima como se ha explicado en la secciin 2.2. A ‘ontinacién se resta a la serie el nivel estimado, A, para obtener luna serie rosidual, Bx =z: ~ fe, que contendré In estacionalidad y el componente aleatorio. Esta serie se denomina serie sin tendencia. 2. Lin eneficentesestadionales, S,..., Sia, se definen como un con junto de coeficientes que suman cero y uo se repiten ead ao, Se Cstiman en In serie sin tendeneia como la diferencia entre la media de ls periodos estacionalesy la media general 5 =B-B. Por construceién, «@ fil compeobar que la ouma de Joe factores estacionales es cero. Para coneretar, supongamos que tenemos T= 12n datos de una serie mensual correspondiente & n afos de datos ‘mensuales, Podemos etiquetar las observacionis para poner de ne- nifiesto el mes y a aio al que pertenecen defiiendo t = 12i-+ 3, dnde In variable toma los valores 0, 1,.-.yn 1 y. representa los aos transcurrides y In j toma valores 1,--.,12 representa los ‘meses del afo, Con esta notacin, las cbeervaciones de la serie sin tendencia pueen escrbirse como Bais, la mea total se calcula como B= Sod DY, Bass /T,_y la media de las observaciones que corresponden al misino mes, Ey mediante: F Fian 3. Se obtiene la serie de innovaciones estimada restanda a la serie si lendencia of factor estacional de cada observacién. Poe ejeaplo, para datos mensuals, can la notarién anterioe Bray = Buses 3 68