Mnimos Cuadrados Generalizados Perturbaciones esfricas: R2I, se viola el supuesto de Homocedasticidad, y al violarse se crea R2u; nos encontramos con

Heterocedasticidad. Si se persiste en utilizar los procedimientos de pruebas usuales, a pesar de la presencia de heterocedasticidad, las conclusiones a las cuales se llega a las inferencias que se hagan pueden ser errneas. Modelo: Y=XB+U .. se le aplica MCO transformndolo en TY=TXB + U E(uu)= R2 : matriz simtrica y definida positiva, pero no es idntica El estimador es insesgado, ineficiente ya que no es de minima varianza. Se dice tambin que es inconsistente porque a medida que aumenta el tamao de la muestra se aleja del verdadero valor del parmetros Los MCG son capaz de producir los estimadores ELIO. Es decir, el MCG es lo mismo que MCO sobre v.transformadas que satisfacen los supuestos estndar de mnimos cuadrados. Se comete el error tipo II con mayor facilidad. Es decir, A Ho mas veces de lo que debera ser. Autocorrelacion Grado de asociacin lineal entre las perturbaciones y su pasado. Uno siempre desea que no exista autocorrelacion, pero casi siempre existe. Existen 2 tipos de contraste para detectara Mtodo Grafico Test Estadstico Durbin-Watson(DW Parte 3: Series de Tiempo. Metodologa UBJ-ARIMA Tema 11. Modelos no Estacionales Series de tiempo (Yt) Es una asociacin de observaciones a travs del tiempo. Son discretas. Observo puntos en el espacio y se hace el supuesto que hay continuidad. Es una realizacin del proceso estocstico. Descomposicin de una serie de tiempo Es una sucesin de observaciones de un fenmeno que es variable con el tiempo. El principal objetivo de una serie de tiempo es pronosticar o inferir el futuro mediante el estudio del pasado. Una serie de tiempo se considera como la resultante de 4 componente y su anlisis se puede hacer al tomar la serie como un todo o al estudiar cada uno de sus componentes por separado. Yt: TxSxCxI Mtodo Multiplicativo Yt: T+S+C+I Mtodo Aditivo Tendencia o variaciones seculares (T): se refiere al movimiento suave y regular de una serie de tiempo que refleja un crecimiento, un estancamiento o una declinacin en un

periodo determinado. Se usa MCO a lo largo del tiempo. Estacional (S): son las variaciones peridicas, que vuelven durante cierta regularidad durante un periodo de tiempo en especifico (1 ano) Cclico(C): movimientos recurrentes ascendentes y descendentes que son distintos de los efectos estacionales. Toma varios anos analizarla. Irregulares (I): son movimientos aleatorios, se deben a fuerzas espordicas como la guerra, los terremotos, etc. Estos efectos no son recurrentes sino impredecibles. Estimacin Univariante El comportamiento de una variable se explica utilizando su propio pasado. Este tipo de modelo se conoce como modelo univariante. La importancia de este metodologa radica en el uso de modelos matemticos ajustados a una serie de tiempo particular. El ajuste comprende una serie de etapas llamadas Identificacin Estimacin Diagnostico de comprobacin Prediccin

El concepto bsico de la metodologa BOX-JENKINS es la estacionariedad, la cual se puede dividir en fuerte y dbil. Estacionariedad Fuerte: las variables aleatorias que componen un proceso estocstico estacionario estn igualmente distribuidas. Las varianzas, covarianzas , media y variables Yt son independiente del tiempo. Por lo general no sucede en la vida real IPC90=IPC10s Estacionariedad dbil: es aquella que cuando su media y su varianza (M1,M2) son cttes a travs del tiempo, y la funcin de covarianza no depende de t. En el contexto de la metodologa UBJ-ARIMA (Autorregresivo (AR), Integrados (I), Media Mvil (MA)), una serie de tiempo se define como la realizacin del proceso estocstico (La secuencia ordenada de variables aleatorias X(t) y su distribucin de probabilidad asociada) y dado que el ajuste de la serie de est implcitamente relacionado con su propio pasado, es necesario el estudio de la autocovarianza y autocorrelacion. Autocovarianza: es una funcin que para cada instante de t y cada numero entero k toma un valor denotado Yk(T) Autocorrelacion (FAC): definimos la funcin de autocorrelacion simple (FAC) para un proceso dbilmente estacionario a la relacin covarianza/ varianza de z k: k/o = cov del rezago k/ varianza Relacin de las variables consigo misma desfasada Funcion de autocorrelacion parcial (FACP): mide la relacin lineal entre observaciones separadas por K periodos con independencia de los valores intermedios. El gran inters de un proceso estocstico estacionario reside en que la FAC y FACP son independientes del tiempo t, por lo que puede omitirse dicho argumento temporal.

FAC vs FACP La FAC es una prueba sencilla de estacionariedad que nos da el correlograma y este averigua si una serie de tiempo es estacionaria o no. Representa todas las autocorrelaciones de una serie de tiempo. Mientras que la FACP representa solamente la correlacin entre la variable endgena y una cierta variable exgena( es decir, cierto rezago sin considerar la correlacin indirecta) Relacin con el modelaje economtrico El estudio de la estacionariedad de las series temporales resulta clave en la practica moderna de la econometra. La atencin a la estacionariedad de las series temporales se ha convertido en algo insalvable por varios motivos: La deteccin de la no estacionariedad resulta estadsticamente fundamental, ya que la misma afecta de forma decisiva al uso correcto de muchas de las distribuciones en las etapas del contraste y validacin de los modelos economtricos; en ese sentido, no debe olvidarse que la mayor parte de la teora economtrica esta construida asumiendo la estacionariedad de su materia prima. Se trata de evitar al mximo que la no estacionariedad de las variables guie los resultados de las estimaciones de las relaciones que las unen, provocando, como es sabido, la obtencin de regresiones espurias. El anlisis de la estacionariedad es bsico como etapa previa en el anlisis de cointegracion, una de las principales aportaciones a la tcnica de econometra en los ltimos anos. El concepto de tendencia estocstica frente al tradicional de tendencia determinista interesa conceptualmente a la teora econmica y, en especial, en el contexto del anlisis temporal de los efectos de la poltica econmica sobre las variables macro.

Etapas de metodologa UBJ-ARIMA Identificacin: Consiste en identificar en forma tentativa el modelo preliminar que se adapta a la serie de tiempo a ser estimada. En esta etapa veremos si la serie es estacionaria tanto en media como en varianza. Tiene como objetivo principal determinar los ordenes de los polinomios autorregresivos y de promedios mviles, as como el # de veces que deber aplicarse el operado diferencia para cancelar la no estacionariedad homognea.

Consiste en determinar, una serie estacionaria en funcin de la serie original, para la cual se pueda tener una representacin ARMA (p, q) y luego en fijar lo valores de p y q. Estabilizacin de la varianza Lo primero que se podra hacer ser utilizar el mtodo para seleccionar una transformacin estabilizadora de varianza. Desafortunadamente, una transformacin como la sugerida, carece por lo general de interpretacin practica. Por esta razn, si el objetivo del anlisis es el de explicar el fenmeno en estudio, es dudoso que esta transformacin ayude a conseguirlo y, por el contrario, quizs llegue a obstaculizarlo. En consecuencia, resulta aconsejable utilizar otra transformacin que vuelva mas simple la interpretacin y, de ser posible, que no sea muy diferente de la transformacin estabilizadora de varianza. Estabilizacin del nivel

Una vez determinado la transformacin apropiada para estabilizar la varianza de una serie se procede a estabilizar el nivel de la serie mediante la aplicacin de operador diferencia un # apropiado de veces. La principal herramienta para determinar el grado de diferenciacin apropiado es la FAC, ya que, un decaimiento rpido de las autocorrelaciones a cero es indicativo de que la serie es estacionaria en cuanto a nivel se refiere. Lo que se hace en la practica es la graficar la FAC, ya que experiencia ha demostrado que solo en raras ocasiones se requieres diferencias de grado mas alto, y recurdese que deme evitarse la sobrediferenciacion de la serie porque esto podra causar problemas al tratar de identificar un proceso generador de la serie observado. Otra herramienta es el mtodo de diferenciacin de la variable se utiliza bsicamente para cancelar tendencias polinomiales subyacentes en la serie de tiempo, la mayora de las series que se observan son no estacionarias, al tomar diferencias sucesivas de las serie para volverlas estacionarias, su varianza se altera de tal manera que decrece hasta que la serie es estacionaria y comienza a crecer con la sobrediferenciacion. Empleo de la Funcin de autocorrelacion Consiste en asociar la FAC con un posible proceso generador del tipo ARIMA. Para llevar a cabo este paso es importante advertir que la FAC esta afectada por variaciones meramente mustrales, que desvirtan la apariencia real de las autocorrelaciones; por este motivo se requiere de un criterio para distinguir lo verdadero de lo artificial. El orden de un proceso AR(p) no es posible detectarlo con el uso de la FAC muestral. Por lo anterior, se requiere de otro instrumento que permita identificar los procesos AR de manera clara y simple, este lo constituye la funcin de autocorrelacion parcial (FACP), la cual adquiere determinadas caractersticas que dependen del orden del proceso y del tipo de parmetro involucrados. El # de autocorrelaciones parciales distintas de cero indican el orden del proceso AR. UN proceso AR(p) tiene solo las primeras p autocorrelaciones parciales distintas de 0, un proceso MA(q) ( el cual es equivalente a un proceso AR (infinito )) tendr todas sus autocorrelaciones parciales distintas de 0, Aunque la FACP muestre convergencia a cero. De manera similar, un proceso ARMA(p,q) tendr asociada una FACP que no desaparece despus de un # finito de retrasos. Estimacin: consiste en la estimacin de los parmetros del modelo que tentativamente hemos seleccionado. La finalidad es obtener los parmetros de forma tal que se minimicen la suma de los cuadrados de los residuos (SCR). Por lo general este procedimiento es de tipo no lineal, debido ala inclusin de componentes de media mvil.

Diagnostico de Comprobacin: La idea se centra en verificar si el mtodo que hemos utilizado es el adecuado, a travs de un anlisis de los residuos utilizando estos como una variable adicional y estudindola. Adems de esto, en esta etapa se puede reformular el modelo originalmente identificado, de forma tal que volvamos nuevamente a la etapa inicial y estimemos el modelo transformado. En el diagnostico se estudia la FAC y la FACP a fin de identificar el posible modelo de la familia UBJ-ARIMA a ser ajustado. Esta etapa tiene su origen en la idea de que todo modelo es errneo. Las fallas se miden como violaciones a los supuestos que fudamentan al modelo.

Anlisis Residuales

Una de las formas mas claras y simples para detectar las violaciones es a travs del anlisis de residuales, en donde, como residual se considera aquella parte de las observaciones que no es explicada por el modelo (at). Los residuales miden la discrepancia entre los valores observados y los valores estimados por el modelo. Al analizar los residuales observados se analiza bsicamente lo que debera ser una realizacin del proceso de ruido blanco. Los supuestos: 1. at tiene media cero 2. at tiene varianza ctte 3. Las variables aleatorias (at) son mutuamente independientes. Lo primero que se hace es graficar los comportamientos tpicos de la varianza residual. 4. At tiene una distribucin normal, para toda t 5. Se ha supuesto que no existen observaciones 6. El modelo considerado es parsimonioso. En si lo que parsimonia implica es que no se puede reducir el # de parmetros involucrados, ya que todos son necesarios para explicar el comportamiento de fenmeno y no pueden ser considerados como iguales a 0 7. EL modelo es admisible 8. El modelo es estable en los parmetros. La principal causa de inestabilidad es la redundancia de parmetros, de tal forma que un cambio en un parmetro puede compensarse mediante un cambio en otro, sin que la suma de cuadrados se altere Anlisis Cuntico De forma anlogo al anlisis grafico, podemos evaluar la significacin individual de las correlaciones a travs del test t o la significacin conjunta de un grupo de autocorrelaciones por medio del test de Box-Pierce o el test Box L-Jung. La importancia de estos test estadsticos radica en que no solo apreciamos la significacin de la autocorrelaciones por un medio de una inspeccin visual de los correlogramas asociados a las FAC y a la FACP, sino que por medio de la inferencia estadstica corroboramos o no la informacin que generan los correlogramas. Test de Box-Pierce: debido a que este estadstico es muy sensible en muestras pequeas (ya que los verdaderos niveles de significacin son mucho mas que los valores asintticos) se diseo el estadstico siguiente: Test de Box-L-Jung: en ambos test la hiptesis nula es la ausencia de autocorrelacion, es decir: Ho: P1(a)=P2(a)==Pk(a)=0 Si el valor muestral supera el valor critico de las tablas al nivel de significacin elegido se rechaza la hiptesis nula Test t: En la practica si ltl < 1,25 para k=1,2,3 y ltl < 1,6 para el resto de rezagos, concluimos que los choques aleatorios, para los rezagos analizados son independientes. Otras pruebas en el diagnostico de comprobacin Adems de las pruebas antes mencionadas para el estudio de las series de tiempo segn la metodologa UBJ-ARIMA, existen otras pruebas que deberan tenerse presente

cuando se efectan estudios empricos a saber: Anlisis grficos de residuos Pruebas para la estabilidad de los coeficientes del modelo estimado Pruebas para la varianza residual Sobreparametrizacion (consiste en introducir parmetros extra en el modelo, previendo la posible necesidad de incluirlos, pero que en caso de no ser necesarios se veran rechazados por la verificacin del supuesto de parsimonia

Prediccin: esta es a ultima etapa en la metodologa de UBJ-ARIMA; la finalidad de la misma es efectuar pronostico de la variable bajo estudio haciendo uso de su historia, habiendo estimado una medida que estadsticamente se adecua a la serie de datos, escogiendo el que tenga un error de prediccin ms pequeo.

Procesos estacionarios y No estacionarios. El proceso estocstico es una sucesin de variables aleatorias Yt. Confiere al ndice t al periodo que corresponde a la variable aleatoria, no precisa ninguna propiedad en particular. Ruido Blanco es una sucesin de variables aleatorias con media 0 y varianza constante e independientes en el tiempo. Random Walk es un proceso estocstico cuya primera diferencia forman un proceso de ruido blanco. Una serie de tiempo temporal econmica experimenta fluctuaciones de amplitud creciente en el tiempo, en cuyo caso debemos reconocer que la varianza de las variables Yt no es constante y el proceso no es estacionario dbil. El ruido blanco es un ejemplo de proceso de un proceso estacionario dbil. Mientras que el paseo aleatorio no es un proceso estacionario puesto que puede escribir sin que este definida su media ni su varianza ni tampoco la distribucin marginal de Yt. En todo proceso estacionario, la funcin de autocovarianza es simtrica, es decir , -k= lo que proviene del hecho de k, que la covarianza entre Yt e Yt-k es igual a la covarianza entre Yt e Yt+k.. Como consecuencia la funcin de autocorrelacion tambin es simtrica, por lo que en el trabajo practica se analizan dichas funciones para valores de K=0,1,2, Si el proceso es estacionario sus desviaciones tpicas son iguales, por lo tanto la pendiente estimada de la rgresion coinciden con el coeficiente de correlacin entre Yt e Yt-1, es decir, 11. FAC y FACP: Modelos Autorregresivos Procesos Autorregresivos Forman una familia de procesos tales que una observacin depende de las observaciones anteriores. SE denomina proceso AR y se caracterizan por un orden P. Zt: C+Zt-1++ pZt-p + ut Donde C es una ctte, ut perturbaciones aleatorias y parmetros a estimar. La perturbacin se comporta un ruido blanco.

AR (1): El proceso autorregresivo de orden 1 viene definido por Zt= yt-1+c+ donde el error es un ruido blanco, si un modelo AR(1) es estacionario su varianza y media son constantes en el tiempo; como conclusin ll < 1, esto garantiza que los sucesivos valores de la FAC convergen a 0. Si ll=1 Yt= Yt-1 + ut Yt-Yt-1=ut Variacin Yt=Ut ~ ut ~ NID (0,r2u) Yt es Random Walk es Yt=Yt-1, es una sere cuando la primera diferencia de la variable se comporta como un ruido blanco, que es una sucesin de variables aleatorias con esperanza 0, igual varianza e independientes en el tiempo. ll >1 la serie de tiempo de tiempo diverge, es decir, es explosiva y se aleja de 0. AR (2): El modelo Zt: C + 1 Zt-1 + 2 Zt-2 + ut de 2do orden es conocido como proceso autorregresivo

La condicin necesaria para la estacionariedad: l2l < 1; 2 1 < 1 2 + 1 < 1 La funcin de autocorrelacion exponencialmente a 0. AR(P) : Es un proceso regresivo de orden superior. Sigue la siguiente ecuacin: Zt: 1 Zt-1 + 2 Zt-2 +..+ 2p Zt-p + at Es decir una observacin esta influida por las p observaciones anteriores de forma directa. LA FAC y la FACP son combinacin de las del proceso AR(1). La autocovarianza cae a mayor distancia temporal En general, todo proceso AR(p) puede escribirse como un modelo MA infinito Procesos AR tienen memoria infinita: sin embargo, el impacto de los shock disipa (<1) La memoria es mas reducida para valores mas pequenos de Proceso de Media Mvil MA La familia de rocesos matemticos que representa los procesos de memoria corta. MA(1): Yt= + t - t-1 Donde t es un ruido blanco. Donde t representa los efectos externos de la serie. Esta conformado cpor efectos externos muy recientes. El actual t y el inmediatamente anterior t-1 aboserbe rpidamente los impactos La condicin de invertibilidad es l 1l < 1. Al invertir un proceso MA(1) que tenga el coeficiente ^s en los retardos de Yt sugiere que la FACP de un proceso MA(1) decae de los procesos AR(2) tambin converge

exponencialmente hacia 0, quizs alternando en signo. Si el parmetro es negativo entonces la FACP converge a 0 exponencialmente, alternando el signo y empezando con un valor positivo. Si el parmetro tiene signo positivo entonces la convergencia va a er con todos los valores de la FACP, tomando signo negativo. UN proceso Ma (1) no puede generar nunca una FACP que sea siempre positiva pero si puede generar una funcin FACP que siempre es negativa. MA(2): ES un proceso estocstico que sigue la ley Yt= + t 1 t-1 2 t-2 En el caso de los procesos MA(q) el requerimiento de invertibilidad es anlogo al requerimiento de estacionariedad en los procesos AR(p) l2l < 1; 2 1 < 1 invertibilidad. ARMA (p, q) Los procesos ARMA (p, q) son combinaciones de estructuras autorregresivas y de media mvil, que tienen una parte AR(p) y una parte MA(q). Donde el orden p es el mximo rezago para la parte autorregresiva del proceso mientras que el orden q es el mximo rezago de la parte o componente de media mvil. Su FAC y FACP sern combinaciones de ambos procesos ARMA (1,1): Yt= + Yt-1 + t t-1 Depende de 4 parametros desconocidos, , , 2 y . El proceso ARMA(1,1) es estacionario l l <1 e invertible cuando l l<1. ARMA (2,2): Yt= + 1Yt-1 + 2Yt-2 + 1 t t-1 + 2 t t-2 La condicin de estacionariedad 1 + 2 < 1 2 1<1 l 2l<1 2 + 1 < 1 Estas son las condiciones necesarias para la

La condicin de invertibilidad 1 + 2< 1 2 - 1 < 1

Funciones de auto correlacin simple y parcial : FAC y FACP Cuando se quiere analizar una serie es necesario identificar la estructura que la genera, es decir, como influyen las obsrvaciones del pasado en las observaciones del futuro. Para ello utilizamos la FAC y FACP. FAC Proporciona como una observacin influye sobre las posteriores. SE define como una 1, 2 k donde estn acotados entre ( -1,1) FACP proporciona la relacin directa que existe entre las observaciones separadas por K retardos El primer valor de la FAC y de la FACP deben ser iguales en cualquier proceso estocstico. El valor inicial de la FAC o es igual a 1 en todo proceso estacionario ya

que es el cociente de la varianza del proceso Concluimos que el valor FACP es igual a 1 en todo proceso estacionario tambin. La FAC y FACP de un ruido blanco son iguales a 0 excepto en sus valores iniciales que son iguales a 1. La FAC y FACP de todo proceso estacionario decrece rpidamente hacia 0.

Proceso AR(p)

FAC Convergencia a 0, con comportamiento dictado por la ecuacin (B) k=0, para K>

FACP Solamente las primeras autocorrelaciones parciales son distintas de cero.

MA(q)

Son las primeras q Sucesin infinita autocorrelacionadas convergente a 0. son distintas de 0 Comportamiento Sucesin infinita irregular de las convergente a 0 primeras q autocorrelacionadas y despus convergencia a 0 de acuerdo con (B) k=0, para k>q

ARMA (p,q)

Tema 12. Modelos Estacionales Procesos ARIMA (p, d, q) x (P, D, Q) Los modelos ARMA nicamente sirven para ajustar series estacionarias. Si la serie no lo es, habr que transformarla como ya se ha indicado. p (AR) representa el orden de la parte autoregresiva de la serie estacionaria. q (MA) representa el orden de la media mvil de la serie estacionaria d representa e # de diferencias que ha habido que tomar para que la serie que inicialmente no era estacionaria, sea estacionaria.

(1 B)^d (1- B^s)^D s(B^s) (B) Yt= Hs(B^s) (B) ut s(B^s): polinomio autorregresivo estacional de orden p Hs(B^s): polinomio de media mvil estacional de orden q (1 B)^d orden de diferenciacin regular (1 B^s)^D orden de diferenciacin estacional D: grado de diferenciacin estacional. d= grado de diferenciacin de serie. FAC y FACP en el caso de procesos estacionales. En principio la parte estacional se puede modelizar de la misma forma que la parte regular. La identificacin se realiza estudiando la FAC y la FACP en los retardos

estacionales. Cuando una serie tiene parte regular y parte estacional, la FAC presenta una interrelacin entre ellas. Bsicamente las FAC y FACP de modelos estacionales tienen las siguientes caractersticas: FAC: 1. En los retardos bajos se observa nicamente la parte regular. 2. En los retardos estacionales (12,24,...)se observa Bsicamente la parte estacional. 3. En los retardos cercanos a los estacionales se observa la interaccin entre las dos partes. A ambos lados del retardo estacional aparece la FAC regular. FACP: 1. En los retardos bajos se observa nicamente la FACP de la parte regular. 2.A la derecha de cada retardo estacional aparecela FACP regular.Si el coeficiente estacional es positivo la FAP aparece invertida. Si es negativo, aparece con su signo. 3. A la izquierda de los coeficientes estacionales aparece la FACP con su signo. Tema 14. Variables NO estacionarias El problema de correlacin espurrea. La inclusion de variables I(1) en ecuaciones de regresin tambin origina una serie de problemas. El que dos variables presenten comportamientos sistemticos similares puede no ser debido a una relacin de causalidad sino a una relacin de casualidad, y por tanto de verse una relacin de tipo espurreas. Se observa el DW asociado a las regresiones espurreas y se plantea la conveniencia de trabajar con las primeras diferencias de la serie para eliminar las races unitarias. Phillips aporta lo siguiente: No se cumple las propiedades estadsticas estndar derivada bajo el supuesto de estacionariedad: Los coeficientes no convergen el probabilidad al aumentar el tamano de la muestra y el estadstico R^2 converge a una variable estocstica. Las distribuciones de los estadsticos t no convergen y por lo tanto no son utilizadas las tablas con los valores crticos standard. El estadstico DW tiende a 0. El problema de las regresiones espurias es que tienden a admitirse como buenas y que en realidad solo son aspectos casuales. Este tipo de regresiones aparecen en presencia de estocstica de la serie. La importancia radica en que cuando las variables no estacionarias aparecen en ambos lado del modelo de regresin estn cointegradas, entonces la estimacin de MCO da como resultado diversas acepciones y conserva sus buenas propiedades

Tendencias Determinstica vs Estocsticas Otra posibilidad de especificacin errnea es la consideracin de la serie como un proceso estacionario que evoluciona sobre una tendencia determinantica cuando en realidad la serie es generada por un proceso no estacionario en varianza (tendencia estocstica) Tendencia Determinstica: la principal caracterstica que define al component tendencial frente al irregular es la de presenter efectos permanents sobre la serie temporal Yt. Las series pueden no presentar components tendencial alguno como

en el caso AR (1), en el que los coeficientes cumplen la condicin de estacionariedad. Una tendencia determinstica es cuando su media esta en funcin del tiempo. Tendencia estocstica Aun a pesar de existir componentes tendenciales importantes desde el punto de vista terico, seguramente esto no sera de naturaleza determinstica. Frente a la tendencia determinstica surge por tanto la necesidad de definir un component tendencial con efectos permanents en la evolucin pero de naturaleza estocstica. La varianza esta en funcin del tiempo, con lo que crecer al aumentar el tamao muestral y tendera a infinito cuando el tiempo tiende a infinito. Paseo aleatorio Simple es el caso mas simple con tendencia estocstica, donde su media es ctte y su varianza no y la perturbacin se comporta como un ruido blanco Paseo Aleatoria con deriva : Una tendencia estocastica y Determinstica donde tanto la media como la varianza son funcin del tiempo. En pocas palabras nos dice que no es estacionario en media ni en varianza. La conclusion que se deriva de todo lo expuesto anteriormente es que la determinacin del orden de integracion de una variable serie temporal es una aspect fundamental no solo en el aspect de construccin de un modelo ARIMA Sino en el planteamiento de cualquier modelo economtrico. Integrabilidad de una Serie Una variable es integrada de orden d, si su diferencia de orden d si admite una representacin ARMA (p,q) estacionaria e invertible. Diremos en tal caso que Xt es I(d) La mayora de las series econmicas en trminos reales son I(1). El ejemplo mas sencillo de una serie I(1) es un camino aleatorio con o sin deriva. En las categoras de serie I(o) se incluyen los procesos ARMA y por supuesto todos los procesos de ruido blanco. Serie I(o): Tiene media ctte y la tendencia de la serie es volver hacia la media cuando se ha desviado de ella. Tiende a fluctuar alrededor de la media Tiene autocorrelacion decreciente Varianza finita e independiente del tiempo Memoria limitada de su comportamiento pasado

Serie I(1): Tiene un comportamiento divagante NO se mantiene sobre un valor medio a lo largo de la historia Las autocorrelaciones tienden a 1 para cualquier retardo La varianza depende del tiempo y tiende a infinito cuando este tiende a infinito El proceso tiene memoria limitada

La omisin del anlisis de la estacionariedad y en su caso de la integrabilidad puede llevar a cometer errores de importantes consecuencias, por ejemplo: regresiones espurias y consideraciones de tendencias determinsticas en lugar de estocsticas

Podramos comprobar que ambos procesos diferenciados cumple lo que se denomina estacionariedad en sentido dbil. Races Unitarias ll= 1 En el anlisis tradicional de las series temporales los instrumentos utilizados para comprobar la presencia de raz unitaria son la FAC y FACP. Adems de examinar la varianza de la serie con distintos ordenes de diferenciacin, se han ido implementando diversos contrastes de races unitarias. Test DW propuesto por Sargan y Bhargava Los valores crticos para este estadstico son tabulados por estos. El problema que plantean es que solo discriminan entre un camino aleatorio y un proceso autorregresivo estacionario. Su ppal virtud es que no dependen de la presencia de un termino ctte y/o de una tendencia determinista. Test de Dickey y Fuller Supongamos que Y satisface que un esquema AR(p) sin deriva termino ctte. Para ello no podremos utilizar las tablas de distribucin t-student, ya que bajo la Ho, T no sigue una distribucin estndar, sino que se deben utilizar las distribuciones asintticas de este estadstico tabuladas en fuller. Para efectuar la contrastacin conjunta de paramteros construccin de un test de la F. Dickey Fuller porpone una

Los parmetros en el test DF estn altamente correlacionados cmo se puede comprobar en el proceso generador de datos. La secuencia del contraste se parte del modelo mas general contrastando la significacin del parmetro , si esto es significativo la serie es estacionaria con lo que ya se rechaza la presencia de raz unitaria. En caso de que no lo sea debemos comprobar si la tendencia lineal es significativa, con lo cual,si lo fuera, deberamos estimar el modelo bajo la hiptesis nula. Si en dicha estimacin o bien la tendencia o bien las cttes son significativas deberemos volver a la estimacin inicial del modelo, y contrastar la significacin de con la stablas de distribucin normal. Esto es debido a que las componentes deterministas si son significativas bajo la hiptesis nula, dominan sobre las componentes estocsticas, haciendo convergente el t a la distribucin normal. Si la tendencia no fuese significativa deberemos pasar a estimar el modelo 2. Repitiendo la secuencia pero ahora nicamente para la ctte. Al plantear este contraste se esta suponiendo que t es aproximadamente ruido blanco. A) solucin paramtrica: consiste en la inclusion en el test DF de un polinomio de retardos de la variable dependiente que nos permita capturer la estructura de este; quedando la perturbacin lo mas blanco possible. Este contraste se debe llama dickey fuller ampliado (DFA). Crticas: Escasa potencia para discriminar entre la hipotesis cuando el valor de la raiz es muy proxima a 1ero distinta de 1 determiner el valor de p para conseguir que t sea aproximadamente ruido blanco DFA asume que Yt es generada por un proceso AR puro

B ) Solucin no paramtrica: (Phillip Perron) Proponen transformer los estadsticos del Test DF para hacerlos compatibles con la presencia de autocorrelacion y heterosedasticidad en el termino de perturbacin. La idea es utilizar los residuos estimados t en la regresin de DF para corregir el estadstico t asociado a los parmetros. Importancia que para la determinacin del orden de integrabilidad verdadero tiene el tratamiento de los cambios estructurales que se manifiestan en el cambio de comportamiento de la serie analizada. Un cambio estructural puede determinar un cambio en el nivel y la pendiente de la serie sin que esto sea debido a la no estacionariedad. UN PROBLEMA IMPORTANTE EN LA PRUEBA DF es aquel en el que el modelo estimado al efectuar la regresin los residuos presentan correlacin serial. En este caso, el estadstico no es valido hasta que no sea eliminada la autocorrelacion, es por ello que se creo el DFA; la idea sigue siendo la misma del DF solo que se anexan valores rezagados con tantos rezagos como sean necesarias para eliminar la autocorrelacion. El test simple de Dicky Fuller es el test habitual para determinar la estacionariedad de una serie. Este es un contraste de no estacionariedad ya que la Ho es la presencia de una raz unitaria ( = 1) en el proceso generador de datos de la serie analizada. nunca se puede contrastar por t. El procedimiento bsico para la aplicacin simple del test de DF es aparentemente sencillo. Se estima el modelo propuesto y se calcula el valor estimado del valor del parmetro, una vez calculado se calcula con el valor emprico de referencia obtenido con la tabla DF. Si el valor estimado para el parmetro es superior al tabulado admitiremos la Ho o sea la presencia de una raz unitaria. Test de DF y proceso generador de datos Los valores crticos de la t de referencia para el contraste de DF no dependern, de cmo convendran, del tamao muestral, sino tambin, del tipo de modelo estimado. Los 3 modelos propuestos por DF son por tanto: 1. Modelo simple 2. Modelo con constante 3. Modelo con constante y tendencia determinstica Contraste de races unitarias mltiples Se aplicamos el test de DF sobre una serie Yt y el resultado es que debemos aceptar la Ho (no estacionariedad, presencia de raz unitaria) la conclusin deber ser que Yt se comporta como una I(1) o bien no es integrada de ningn orden, es decir, que no puede transformarse en estacionaria por diferenciacin, para decidirnos sugiera aplicar nuevamente el test de DF ahora sobre las series en diferencia. Que el test de DF no sea capaz de detectar la presencia de una raz unitaria para un determinado orden de diferenciacin, corremos el peligro de sobrediferenciar una serie. El test de DF tiende a tomar un valor muy alto y positivo, acompaado de si mismo de un valor muy elevado del coeficiente de determinacin para el ajuste. Contraste conjuntos de parmetros en el modelo simple de DF Sobre los modelos propuestos que contienen mas de un parmetro puede adems tambin contrastarse la hiptesis de nulidad simultneamente de conjuntos de parmetros de DF mediante el estadstico F, cabe tambin la posibilidad de contrastar

la nulidad individual para la existencia de una raz unitaria. Limitaciones de DF El primer problema que plantea el test de DF es que la estructura teorica del proceso generador de datos asumida para la serie Yt influye decisivamente en los resultados obtenidos. As, no es invariante a los resultados del contraste, suponer para Yt con un modelo con o sin termino independiente, con o sin tendencia determinstica, con componentes autorregresivos de orden 1 u orden superior o con un sin componente de media mvil. El problema es que, en la mayor parte de las ocasiones, ese modelo se desconoce a priori.

Qu ocurre si nos equivocamos en el modelo de referencia? Si tomamos como modelo de partida un modelo con tendencia determinista y termino constante, podemos estar sobreparametrizando la estimacin lo que supone una inmediata perdida de grados de libertad. La omisin del trmino independiente o la tendencia determinstica cuando estas son variables relevantes tambin provoca un nuevo problema de prdida de potencia. Si se conoce la presencia real de tendencia o deriva la hiptesis nula debe contrastarse usando una distribucin normal estandarizada y luego la distribucin asinttica de DF. Un proceso en etapas de garantizar el xito de eleccin de un modelo: 1er lugar se estimara el modelo menos restringido, es decir, con tendencia y deriva. 2do si los valores crticos indican rechazo terminaramos el procedimiento. 3ero en el caso de no rechazarse la Ho de presencia de una raz unitaria, pasaramos ahora a examinar la significatividad del parmetro. 4to si el termino de tendencia resulta significativo contrastaremos la presencia de una raz unitaria pero utilizando las tablas de una normal. 5to si el trmino de tendencia es no significativo deber replantearse el modelo. 6to en el caso en que nuevamente se sostngala presencia de una raz unitaria, se contrastara la adecuacin del termino independiente. Test de DF en modelos autorregresivos de orden superior. Contraste ADF Lo expuesto hasta este momento permite contrastar la presencia de una o mas races unitarias en una determinada serie temporal para un proceso AR(1). Sin embargo, muchas series temporales se ajustan mas adecuadamente a procesos autorregresivos de orden superior como orden AR(2) y AR(3). Este problema de lugar a lo que se conoce como races unitarias de DF Ampliado: Si se quiere contrastar la presencia de una raz unitaria que sigue un proceso AR se deber aplicar el DFA. Las races caractersticas que pudieran aparecer en le termino de error del modelo bsico utilizando el test simple de DF. La eleccin del nmero de retardos viene considerada por: 1. El modelo terico de referencia supuesto para Yt. 2. Criterios clsicos de aceptacin de variables en un modelo como el t de student de significatividad individual.

Aplicacin del Test DF en presencia de autocorrelacion serial (Phillip Perron) Como ya se ha sealado una de las limitaciones del test DF es que se asume que los errores del modelo para estimar el contraste son independientes y tienen varianza ctte. Como primera medida de precaucin conviene una vez estimado el modelo de que se trate para realizar el contraste DF o DFA chequear los residuos del modelo descartando heterocedasticidad y correlacin serial. Los procedimientos tradicionales como los test ya conocidos de la Q- Box Pierce y Q L-Jung aplicados sobre la representacin de FACP pueden ser de utilidad en este sentido. Si las pruebas realizadas presentan heterocedasticidad o autocorrelacion en la estimacin para la aplicacin del test DF una primera posibilidad es la aplicacin del test ampliado, elegir el orden correcto de retardo. La propuesta de Phillips & Perron sugiere utilizar los residuos obtenidos en la utilizacin de DF para transformar los estadsticos t asociados a los parmetros del mismo. TEST de DF en modelos de componentes de MA Cabe supones tmb en estructura AR con componentes de media mvil (MA). La distribucin de DF se apoya en procesos de innovacin de residuos de tipo blanco por lo que estos test pueden ser no apropiados si las innovaciones admiten representaciones de MA. Para encontrar el verdadero valor de ese orden podemos utilizar t o F. Uno de los inconvenientes que tiene DF es la utilizacin de MCO en la estimacin , as propone la utilizacin de variables instrumentales, LA potencia de test de Dickey Fuller Como se sabe, se dice que un contraste es potente si existe una alta probabilidad de rechazar una hiptesis falsa. Con el test DF poco potente corremos el riesgo de admitir una raz unitaria cuando realidad no existe. La falta de potencia no afecta solo aquellas situaciones en la que es preciso distinguir entre el proceso autorregresivo y un proceso con races unitarias sino tmb aquellas en la que se confunde un paseo aleatorio con deriva o una serie estacionaria con varianza pero con tendencia determinista. TEST DF en presencia de un cambio estructural Cuando existe un cambio estructural la presencia del test DF tiende a estar sesgada hacia la aceptacin de presencia de una raz unitaria. Pueden entenderse fcilmente si se observa que en mayor o menor medida un cambio tendencial es una serie se manifiesta como un cambio de impulso en la misma serie en diferencia. Siendo esto as, al ajustar el modelo en diferencia se obtiene el mejor ajuste que cuando se estima en niveles. Este modelo eliminara por as decirlo el componente determinstico. De forma inmediata cabe pensar que la posibilidad de que una vez observado el cambio estructurado proceder a la aplicacin del test DF sobre c/u de la submuestras en el caso q no los permita, sino es as no vemos la necesidad de utilizar todo el periodo analizado. De existir una verdadera raz unitaria en el proceso Yt esta pervive cuando se elimina el componente de tendencia. Revisin de los test de races unitarias estacionales Estacionalidad determinista: la serie presenta un componente estacional fcilmente predecible y que puede eliminarse de la serie efectuando una regresin sobre el conjunto de variables ficticias.

Estacionalidad estacionaria: se trata en este caso de una serie generada por un proceso autoregresivo que incluye retardos estacionales y cuyos parmetros cumplen con las condiciones de estacionariedad. Estacionalidad No estacionaria: en este caso tenemos un proceso estacional integrado lo que supone la presencia de races unitarias en la representacin autorregresiva de la serie. Estamos pues ante un proceso Yt que puede presentar races unitarias de orden estacional. Deteccin de races unitarias estacionales Cuando aplicamos la diferencia de orden estacional a una determinada serie temporal para eliminar la no estacionariedad estacional aplicamos un polinomio de retardos. Dickey Hasza y Fuller propusieron el contraste en que una raz estacional pero ninguna regular contrastan es una raz es estacional pero no contraste ninguna regular. El problema mas importante de este test es que no consideran aisladamente las distintas races que pueden componer un proceso estacional o mejor dicho se supone la igualdad de todas ellas.

MODELOS ARIMA:
(i) Definiciones bsicas

Prof. Rafael de Arce www.uam.es/rafael.dearce Prof. Ramn Maha www.uam.es/ramon.mahia Dpto. Economa Aplicada U.D.I. Econometra e Informtica

I.1.- INTRODUCCIN
En 1970, Box y Jenkins desarrollaron un cuerpo metodolgico destinado a identificar, estimar y diagnosticar modelos dinmicos de series temporales en los que la variable tiempo juega un papel fundamental, los modelos ARIMA. La metodologa ARIMA es slo una pequea parte de los que se conoce normalmente como Econometra de Series Temporales pero, sin duda alguna, una de las ms utilizadas y germen de otros muchos desarrollos posteriores. Como se ver a lo largo del curso, esta metodologa libera al investigador econmetra de la tarea de especificacin de los modelos (revisin de marco terico, identificacin de variables relevantes, especificacin de forma funcional,) dejando que los propios datos temporales de la variable a estudiar nos indiquen las caractersticas de la estructura probabilstica subyacente y nos ayuden a pronosticar el futuro. En ocasiones, los procedimientos que vamos a analizar se han contrapuesto a la llamada econometra estructural, es decir, a la especificacin de modelos economtricos apoyada en las teoras subyacentes; sin embargo, hoy en da los conceptos y procedimientos que examinaremos constituyen ms una herramienta para apoyar y complementar los conocimientos economtricos tradicionales que un modo alternativo de hacer econometra. Por otro lado, la utilizacin de modelos ARIMA se restringe a series largas y de alta frecuencia (meses, semanas, das,.) y su utilidad finalista los hace tiles para el pronstico a corto plazo pero no para la comprensin estructural del fenmeno o la simulacin de escenarios.

I.2.- DEFINICIONES BSICAS PARA APROXIMARSE A LOS MODELOS ARIMA

1. Proceso estocstico Un proceso estocstico es una sucesin de variables aleatorias Yt ordenadas, pudiendo tomar t cualquier valor entre - y . Por ejemplo, la siguiente sucesin de variables aleatorias puede ser considerada como proceso estocstico: El subndice t no tiene, en principio, ninguna interpretacin a priori, aunque si hablamos de proceso estocstico en el contexto del anlisis de series temporales este subndice representar el paso del tiempo.

Y -5 , y -4 , y -3 , y - 2 ,........ y 3 , y 4

2. Serie temporal y proceso estocstico Una vez introducido el concepto genrico de proceso estocstico puede decirse que una serie temporal cualquiera es, en realidad, una muestra, una realizacin concreta con unos valores concretos de un proceso estocstico terico, real. El anlisis de series temporales tratar, a partir de los datos de una serie temporal, inferir las caractersticas de la estructura probabilstica subyacente, del verdadero proceso estocstico. Si logramos entender qu caractersticas tiene este proceso (cul es la esperanza de sus variables, su varianza y las relaciones entre variables separadas en el tiempo) y observamos adems que estas caractersticas se mantienen en el tiempo, podremos utilizar la metodologa ARIMA para proyectar su valor en el futuro inmediato. 3. Estacionariedad de un proceso: La utilizacin de modelos ARIMA como estrategia de prediccin de series temporales slo tiene sentido si las caractersticas observadas en la serie (o ms correctamente, en el proceso estocstico subyacente) permanecen en el tiempo.

4. Proceso estocstico estacionario en sentido fuerte.

Cada una de las variables Yt que configuran un proceso estocstico tendrn su propia funcin de distribucin con sus correspondientes momentos. As mismo, cada conjunto de variables tendrn su correspondiente funcin de distribucin conjunta y sus funciones de distribucin marginales. Habitualmente, conocer esas funciones de distribucin resulta complejo de forma que, para caracterizar un proceso estocstico, basta con especificar la media y la varianza para cada yt y la covarianza para variables referidas a distintos valores de t:

E[ Y t ] = t

t2 = Var( y t ) = E[ y t - t ]

t , s = Cov( Y t ,Y s ) = E[( yt - t )( y s - s )]

Decimos que un proceso estocstico es estacionario en sentido estricto o fuerte si las funciones de distribucin conjuntas (no slo la esperanza, las varianzas o las covarianzas, sino las funciones de distribucin completas) son constantes, o dicho con ms propiedad, son invariantes con respecto a un desplazamiento en el tiempo (variacin de t). Es decir, considerando que t, t+1, t+2, ...., t+k reflejan perodos sucesivos:

F( Y t ,Y t+1 ,.....Y t+k ) = F( Y t+m ,Y t+1+m ,.....,Y t+k +m ) 5. Proceso estocstico estacionario en sentido dbil

para cualquier t, k y m.

La definicin de estacionariedad en sentido estricto puede relajarse sustancialmente utilizando la denominada estacionariedad en sentido amplio o dbil. Decimos que un proceso estocstico es dbilmente estacionario si:

Las esperanzas matemticas de las variables aleatorias no dependen del tiempo, son constantes:

E[ Y t ] = E[ Y t+m ] m
varianzas tampoco dependen del tiempo (y son finitas):

Las

Var[ Y t ] = Var[ Y t+m ] m

Las

covarianzas entre dos variables aleatorias del proceso correspondientes a perodos distintos de tiempo (distintos valores de t) slo dependen del lapso de tiempo transcurrido entre ellas:

De esta ltima condicin se desprende que, si un fenmeno es estacionario, sus variables pueden estar relacionadas linealmente entre si, pero de forma que la relacin entre dos variables slo depende de la distancia temporal k transcurrida entre ellas. 6. Definicin informal de un proceso estacionario De una manera informal, diremos que un proceso es estacionario cuando se encuentra en equilibrio estadstico, en el sentido de que sus propiedades (su media, su varianza, las covarianzas entre distintas variables del proceso) no varan a lo largo del tiempo 7. Proceso estocstico ruido blanco En este contexto, un ruido blanco es una sucesin de variables aleatorias (proceso estocstico) con esperanza nula, varianza constante, y covarianzas nulas para distintos valores de t. Este tipo de proceso, que slo presenta varianza, que no presenta relacin entre variables de distintos perodos, no podr ser reproducido con un modelo ARIMA, es un proceso vaco de informacin de carcter autoproyectivo. 8. Modelos autorregresivos AR(p) Los modelos ARIMA tratarn de expresar la evolucin de una variable Yt de un proceso estocstico en funcin del pasado de esa variable o de impactos aleatorios que esa variable sufri en el pasado. Para ello, se utilizarn dos tipos

Cov( Y t ,Y s ) = Cov( Y t+m ,Y s+m ) m

de formas funcionales lineales sencillas: los modelos AR (Modelos Autorregresivos), y los modelos MA (de Medias Mviles). Definimos un modelo AR (autorregresivo) como aquel en el que la variable endgena de un perodo t es explicada por las observaciones de ella misma correspondientes a perodos anteriores (parte sistemtica) ms un trmino de error ruido blanco (innovacin). Los modelos autorregresivos se abrevian con la palabra AR tras la que se indica el orden del modelo: AR(1), AR(2),....etc. El orden del modelo expresa el nmero de observaciones retasadas de la series temporal analizada que intervienen en la ecuacin. As, por ejemplo, un modelo AR(1) tendra la siguiente expresin:

Y t = 0 + 1 Y t -1 + at
autorregresivo, no ya de un AR(1) sino de un AR(p) sera la siguiente:

La expresin genrica de un modelo Esta forma funcional se acompaa de

Y t = 0 + 1 Y t -1 + 2 Y t -2 + ......+ p Y t - p + a t
una serie de restricciones conectadas con importantes hiptesis analticas:

El proceso no debe ser anticipante (hiptesis de recursividad temporal); lo que quiere decir que los valores de una variable en un momento t no dependern de los que esta misma tome en t+j. La correlacin entre una variable y su pasado va reducindose a medida que nos alejamos ms en el tiempo (proceso ergdico) La magnitud de los coeficientes est limitada en valor absoluto: as, por ejemplo, en el caso de un AR(1), el coeficiente autorregresivo de un proceso estocstico estacionario ha de ser inferior a 1 en valor absoluto; en el caso de un Ar(2), es la suma de los dos coeficientes la que no puede exceder la unidad. Estas restricciones expresadas en los coeficientes conectan con las propiedades de estacionariedad del proceso analizado o, dicho de otro modo: slo los modelos cuyos coeficientes respetan una serie de condiciones (que dependen del orden p del modelo) representan procesos estocsticos estacionarios y, por tanto, tienen utilidad analtica.

9. Operador y polinomio de retardos

El operador retardo Lp aplicado al valor Yt de una determinada serie devuelve el valor de esa serie retardado p observaciones, es decir: LpYt=Yt-p

Un polinomio de retardos de orden p p(L) se compone de una sucesin de p operadores de retardos con sus respectivos coeficientes:

p (L) = 1 - 1 L - 2 L2 - ...... - p L p
abreviar la expresin de u modelo AR(p) escribindose:

El polinomio de retardos permite

La utilidad del polinomio de retardos no es, sin embargo, permitir una notacin abreviada: las caractersticas del polinomio de retardos o, ms concretamente, el valor de sus races (las soluciones del polinomio) permiten analizar la estacionariedad del proceso estocstico que subyace al modelo ARIMA. Es decir, los analistas pueden evaluar caractersticas relevantes del proceso estocstico que se est modelizando estudiando las propiedades matemticas del polinomio de retardos, de ah su utilidad.

p (L)Y t = 0 + a t

10. Modelo de medias mviles MA(q) Un modelo de los denominados de medias mviles es aquel que explica el valor de una determinada variable en un perodo t en funcin de un trmino independiente y una sucesin de trminos de error, de innovaciones correspondientes a perodos precedentes, convenientemente ponderados. Estos modelos se denotan normalmente con las siglas MA, seguidos, como en el caso de los modelos autorregresivos, del orden entre parntesis. As, un modelo con q trminos de error MA(q) respondera a la siguiente expresin:

Y t = + a t + 1 a t -1 + 2 a t - 2 + ....+ q a t - q
puede abreviarse utilizando el polinomio de retardos (como en el caso de los modelos AR):

que de nuevo

As como un modelo autorregresivo es intuitivamente sencillo de comprender, la formulacin de un modelo de medias mviles resulta sorprendente para el no iniciado. Qu significa que una variable aleatoria se explique en funcin de los errores cometidos en perodos precedentes?, De dnde proceden esos errores?, Cul es la justificacin de un modelo de este tipo?. En realidad, un modelo de medias mviles puede obtenerse a partir de un modelo autorregresivo sin ms que realizar sucesivas sustituciones:

Y t = q (L) a t +

Y t = Y t -1 + a t Y t -1 = Y t - 2 + a t -1 Y t = at + at -1 + Y t - 2 ........
2

I.3.SERIES
j

LAS

...........Y t = at + at -1 + at - 2 + at -3 + ....+ at - j +
2 3

TEMPORALES: COMPOSICIN DE PATRONES SISTEMTICOS Y ERRTICOS El enfoque de anlisis temporal de una serie descansa siempre, en mayor o menor medida, en la idea genrica de que una serie temporal de datos puede descomponerse siempre en una serie de componentes parciales que, agregados conforme a un esquema sumativo o multiplicativo, configuran el aspecto global de la serie observada. Suele as afirmarse que cualquier serie de datos temporales viene a ser la agregacin de cuatro patrones de evolucin de sus datos: tendencia, ciclo, estacionalidad y componente errtico o no sistemtico.

Ejemplo de serie compuesta por tendencia, estacionalidad y componente aleatoria

Ciclo: Patrn de evolucin que revela cierta propensin de la serie a repetir a muy largo plazo una misma secuencia de comportamientos tendenciales. Por ejemplo....

Observando los ciclos de crecimiento intertrimestral de la economa americana podramos sealar que, a principios de 2000, el ciclo econmico de crecimiento no haba terminado.

10% 8% 6% 4% 2% 0% -2% -4% 1970 1975 1980 1985 1990 1995 2000

Componente tendencial: Generalmente asociado con el cambio en la media a lo largo del tiempo, se identifica la tendencia con el patrn de evolucin sostenido a medio o largo plazo por encima de la existencia de movimientos rpidos a corto plazo

Por ejemplo....

La representacin de los ndices burstiles DOW JONES, General de la Bolsa de Madrid y NIKKEI revelan que: en el caso del DOW JONES y la Bolsa de Madrid, la tendencia de la cotizacin de los ndices ha sido claramente creciente a lo largo de los ltimos 15 aos y especialmente acelerada desde mediados de 1995.

400 350 300 250 200 150 100 50 0

GRAL. .MADRID

DOW JONES NIKKEI

Estacionalidad: Patrn de evolucin de la serie que se repite de forma ms o menos invariable en momentos similares de espacio temporal mayor, generalmente un ao. Por ejemplo....

Observando la serie mensual de Contratos Registrados en el INEM de duracin entre 1 y 3 meses puede comprobarse como la contratacin temporal presenta, junto a una tendencia claramente creciente, una marcada estacionalidad, especialmente en el perodo estival.

250000 200000 150000 100000 50000

1995

1996

1997

1998

1999

2000

Innovacin, residuo o componente errtica: Porcin no sistemtica del comportamiento temporal de una serie, o al menos movimiento que no puede catalogarse como estacional, tendencial y/o cclico. La idea bsica del anlisis de series consiste en que cada uno de estos componentes de las series puede ser analizado de forma separada para posteriormente, agregar los anlisis parciales en un resultado conjunto. En ocasiones, el anlisis prioriza, se centra slo en alguno de los componentes sistemticos por separado (la tendencia, la estacionalidad, el ciclo), en otras ocasiones, como es el caso de la modelizacin ARIMA, lo que interesa es ir ms all de las componente cclicas, tendenciales y estacionales, analizando la componente no sistemtica, de carcter aparentemente aleatorio, para tratar de identificar algn patrn de inters en su evolucin que ayude a entender la progresin de la serie completa. As pues, la aplicacin de modelos ARIMA suele realizarse por descomposicin, analizando en primer lugar la tendencia de la serie, pasando despus a observar la estacionalidad y concentrndose despus en la identificacin del componente filtrado de tendencia y estacionalidad.