Beruflich Dokumente
Kultur Dokumente
S SE ER RI IE ES S D DE E T TI IE EM MP PO O E ES ST TA AC CI IO ON NA AR RI IA AS S
1 15 5. .1 1. . I IN NT TR RO OD DU UC CC CI I N N
Una serie de tiempo es una secuencia de datos numricos, cada uno de los cuales se asocia con un
instante especfico del tiempo. Podemos citar como ejemplos de series de tiempo al ndice mensual
de inflacin, al tipo de cambio diario, al producto bruto interno trimestral, al ndice de desempleo
anual, etc. Estas series poseen como caracterstica que los lapsos de tiempo, para cada una de ellas,
son homogneos; es decir, si se utiliza una serie con datos semanales, este mismo tipo de datos
(misma frecuencia)se deber mantener durante toda la serie.
El anlisis de una secuencia de datos se conoce como un anlisis de series de tiempo de una
variable. En caso que se est estudiando un conjunto de series para la misma secuencia de tiempo,
este anlisis es denominado anlisis mltiple de series de tiempo. El objetivo de este anlisis es
estudiar la dinmica o estructura temporal de la informacin. A travs del estudio y comprensin
del comportamiento de las series econmicas, se puede llegar a predecir utilizando la informacin
que se tiene hasta el momento utilizando extrapolacin.
En el captulo Modelos de Rezagos Distribuidos se introdujeron rezagos en el modelo. Estos
principalmente correspondan a las variables explicativas, aunque tambin se emplearon los
rezagos de la variable explicada. Sin embargo, el empleo de estas no se realiz de forma sistmica
ni se busc determinar la estructura temporal de la variable a explicar.
La importancia del estudio de las Series de Tiempo radica en que empricamente el empleo de
modelos estructurales (que incluyen valores presentes y pasados de varias variables exgenas y
algunos rezagos de las variables endgenas) no ha podido alcanzar la misma calidad de resultados
que se obtienen a partir del anlisis univariado. En este captulo nos abocaremos al estudio
Econometra Moderna
10
univariado de las series, utilizando para esto los rezagos de la variable (su componente
autorregresivo) junto con trminos estocsticos presentes y rezagados (componente de medias
mviles)
1
.
1 15 5. .2 2. . S SE ER RI IE ES S D DE E T TI IE EM MP PO O E ES ST TA AC CI IO ON NA AR RI IA AS S Y Y N NO O E ES ST TA AC CI IO ON NA AR RI IA AS S
Las series de tiempo econmicas generalmente estn compuestas por una tendencia, un
comportamiento estacional, uno cclico y un componente irregular, tal como lo muestra la figura
15.1.
Tal como se puede observar, el componente tendencial y el componente estacional
2
son de ms
fcil clculo, aunque an as el investigador puede toparse con algunas dificultades ya que pueden
incorporar en ellos algn tipo de componente estocstico (tendencias estocsticas o bien
irregularidad en la frecuencia o amplitud de los ciclos). El componente estacional presenta un
comportamiento bastante predecible. Los ciclos se van repitiendo cada 17 unidades de tiempo,
lapso de tiempo en que se repiten los picos. La presencia de la tendencia provoca que la media de la
serie vaya cambiando constantemente. La ciclicidad de las series se marcan ms profundamente por
la considencia de puntos altos del componente irregular y de picos estacionales mientras que los
puntos de depresin son provocados por la considencia de puntos valle junto con puntos profundos
del componente estacional.
Los componentes de la serie ST pueden, por ejemplo estar descritos por las siguientes relaciones:
Tendencia: T = 1 + 0.07 x t
Estacionalidad: E = 0.6 x sin(t/6)
Componente Irregular: I = 0.6 x I
t-1
+
t
donde
t
es el elemento que le introduce la estocasticidad al componente I. Es decir, el
comportamiento de este componente se ve continuamente afectado por shocks aleatorios.
Lo que ahora nos interesa es el estudio del componente irregular. Como se puede ver en la Figura
15.1, el comportamiento de este componente presenta puntos bajos seguidos por puntos bajos y
puntos altos continuados con puntos altos. La prediccin de corto plazo aprovecha este tipo de
relaciones. Sin embargo, si se quiere realizar una estimacin de largo plazo, los investigadores
tienen que limitarse con seguir la media que presenta este componente irregular ya que de esta
manera podemos tener la nica certidumbre que en promedio estamos obteniendo una buena
estimacin. Esto est condicionado a que la media de la serie permanezca ms o menos constante a
lo largo de la muestra porque si fuese muy inestable, entonces el investigador no tendra
certidumbre de su medicin.
1
Ambos componentes son denominados componente AR y componente MA, respectivamente.
2
Para los fines prcticos de este libro, no haremos diferenciacin entre comportamiento cclico y tendencial.
Generalmente el primero involucra el comportamiento de la serie para un mayor lapso de tiempo (de 32 a 6 trimestres),
mientras que el segundo representa un comportamiento recurrente en un menor plazo de tiempo (aprox. un ao). Una
crtica que se le hace al anlisis de covarianzas que se emplear en este captulo es que no permite determinar con
exactitud los movimientos de alta o baja frecuencia de la serie, impidiendo realizar una adecuada seleccin de los
componentes de la serie. Para este objetivo, el anlisis expectral presenta mejores resultados.
Captulo 15: Series de Tiempo Estacionarias
11
Tericamente una serie de tiempo puede ser vista como una coleccin de variables aleatorias Y
t
3
. Es
por este motivo que una coleccin de este tipo de datos se le denomina proceso estocstico. Cada
una de estas observaciones es una realizacin del proceso estocstico subyacente. Es una tarea de la
teora econmica el desarrollar modelos que capturen el verdadero proceso generador de datos
(PGD).
Figura 15.1
Serie de Tiempo y sus componentes: Tendencia, estacionalidad y el
componente irregular
Una serie de tiempo puede ser continua o discreta. Un ejemplo de una serie continua vendra a estar
dado por el registro de un electrocardiograma. Series discretas pueden ser encontradas en grandes
cantidades si buscamos en cualquier compendio estadstico. Ejemplo de stas pueden ser el ndice
de desempleo, el PBI agrcola, la oferta monetaria, etc. Con el mejoramiento de la tecnologa y el
boom que se ha dado en el sector financiero, las series discreta de cotizacin de acciones que hace
unos aos eran publicadas semanal o diariamente, ahora son registradas en cada segundo por lo que
3
Se dice que una variable es aleatoria si para cualquier numero real r, existe una probabilidad p(Y r) de que y tome
valores menores o iguales a r. Esto implica que al menos existe un valor de r por el cual se cumple que 0 < prob(Y=r) <1.
Si existiese alguna r para el cual p(Y=r)=1, y es determinstico antes que aleatorio. Ender Walter, Applied Econometric
Time Series, John Wiley & Sons, pp. 64
-4
-2
0
2
4
6
8
30 40 50 60 70 80 90 00 10 20
Tendencia Estacionalidad Irregular
0
2
4
6
8
10
30 40 50 60 70 80 90 00 10 20
ST
Econometra Moderna
12
podemos decir que contamos con nuevas series continuas o sino fjense en la cotizacin de
Microsoft en el Nasdaq (se asemeja mucho a un electrocardiograma ser el electrocardiograma de
Bill Gates?)
4
.
Estacionariedad Estricta y Dbil
Un proceso estocstico puede ser descrito de acuerdo a la distribucin conjunta de las variables Y
t
.
Sin embargo, y para evitar hacer tan complicado el anlisis, al momento de definir un proceso
bastar con determinar el primer y el segundo momento de las variables Y
t
. Estos son:
1. La media: ) (
t t
Y E =
2. La varianza: ) (
2
t t
Y Var =
3. Las autocovarianzas: ) , ( ) , (
2 1 2 1 t t
Y Y Cov t t =
Una clase muy importante de procesos estocsticos son los estacionarios. Una serie se define como
estacionaria cuando no presenta tendencia y su desarrollo corriente se encuentra alrededor de su
media. Cualquier shock que sufra en cualquier momento en el tiempo no tendr efectos
permanentes y slo la alejar temporalmente de su equilibrio. En caso que la serie sea no
estacionaria, el camino que recorre a travs del tiempo est determinado por los shocks que percibe
durante su trayectoria y son estos los que determinan ntegramente su recorrido. No presentan una
media determinada.
Durante todos los captulos anteriores se haba estado trabajando bajo el supuesto que todas las
series eran estacionarias. De lo contrario, la comprobacin de las pruebas de hiptesis basada en el
empleo de las pruebas t, la F y la chi-cuadrado y otras pruebas similares, perdera su confiabilidad.
Esto ltimo se debe al hecho que la variable no responde a una media constante y por ende su
distribucin estara indefinida.
La estacionariedad puede ser definida de dos maneras: estacionariedad fuerte y estacionariedad
dbil.
Se define un proceso estocstico discreto (PED), en el sentido estricto, a aquel PED que, dada una
m-tupla (t
1
, t
2
, ..., t
m
) y nmero entero K, posee un vector de variables (Y
t1
, Y
t2
, Y
t3
,...,Y
tm
) que tiene
la misma distribucin de probabilidad conjunta que el vector (Y
t1+k
, Y
t2+k
, Y
t3+k
,...,Y
tm+k
). Esta
definicin es vlida para todos los valores de m. Si determinamos que el conjunto de variables
fuese 1 (m=1), obtenemos un
(t)
= constante y
2
(t) =
2
constante para todo t (independiente del
tiempo). En el caso en que sustituyramos m=2, obtendramos una distribucin conjunta para Y
t1
e
Y
t5
igual a la distribucin de Y
t1+k
y Y
t5+k
. Es decir, la distribucin debe ser independiente del
tiempo. Por ende, las covarianzas y el coeficiente de correlacin no varan ante cambios del tiempo
si mantenemos el nmero de rezago (k) constante.
La definicin estricta de estacionariedad es demasiado rigurosa como para que realmente se pueda
comprobar en la prctica. La misma implica que la distribucin de Y
t
y de cualquier combinacin
de stas, involucrados todos sus momentos, es independiente del tiempo. Si se relaja un poco los
4
En el anlisis de series de tiempo se emplean series discretas.
Captulo 15: Series de Tiempo Estacionarias
13
supuestos y se limita esta independencia al primer (media) y segundo momento (varianza y
autocovarianza), entonces estamos definiendo dbilmente la estacionariedad. Este tipo de
estacionariedad tambin es denominado estacionariedad de segundo orden, estacionariedad en
sentido amplio, estacionariedad de covarianza.
No estacionariedad
En el prximo captulo se realizar el anlisis de series de tiempo no estacionarias. Estas se
diferencian de las estacionarias en que presentan una media que s depende del tiempo. Adems
puede ser que no mantengan constantes el resto de los momentos de su distribucin.
Serie Estacionaria Serie No Estacionaria
Serie No Estacionaria con tendencia determinstica.
0
5000
10000
15000
20000
50 55 60 65 70 75 80 85 90 95
Figura 15.2
Series estacionarias y no estacionarias - Consumo Privado en el Per (1950-1995)
En la Figura 15.2 se puede apreciar una serie estacionaria, una no estacionaria y una no estacionaria
con tendencia determinstica. La primera de ellas presenta un comportamiento irregular pero se
puede distinguir cierto patrn de comportamiento: las observaciones altas vienen acompaadas por
otras observaciones altas. Lo mismo sucede con las observaciones bajas. Adems, estas
oscilaciones se presentan alrededor de una media constante. La serie no estacionaria tambin
presenta un comportamiento irregular pero su media va cambiando conforme pasa el tiempo. En
este tipo de series los shocks mantienen su efecto permanentemente hasta que otro shock de mayor
magnitud produzca un cambio en su comportamiento
5
. Finalmente se cuenta con una serie no
estacionaria pero con tendencia determinstica. Esta serie, en comparacin a la anterior, presenta un
5
Este tipo de serie presentan races unitarias. Este concepto ser ampliamente discutido en el siguiente captulo.
Econometra Moderna
14
comportamiento relacionado con el tiempo. En este caso se ha graficado la serie del consumo
privado en el Per de 1950 hasta 1995. Como la mayora de las series macroeconmicas, el factor
tiempo es bastante importante y determina el comportamiento de largo plazo de este tipo de series.
1 15 5. .3 3. . E EL L C C R RC CU UL LO O U UN NI IT TA AR RI IO O Y Y L LA AS S C CO ON ND DI IC CI IO ON NE ES S D DE E E ES ST TA AC CI IO ON NA AR RI IE ED DA AD D
En esta seccin del captulo estableceremos cules son las caractersticas que deben presentar las
series de tiempo para determinar si son estacionarias o no. Para hacerlo utilizaremos la teora que
se encuentra detrs del desarrollo de ecuaciones en diferencia. Estas ltimas dejan de parecerse a
una serie de tiempo por el nico hecho de no incluir el trmino estocstico. Generalizando, una
serie de tiempo puede estar definida de la siguiente manera:
t
n
i
i t i t
X y a a y + + =
1
0
(15.1)
en donde X
t
es conocido como el proceso generador y est compuesto por los valores presentes y
pasados de otras variables as como de variables estocsticas y del tiempo.
Si como ejemplo definimos que X
t
sea igual a un trmino estocstico (
t
) y n=1, obtendremos la
siguiente expresin:
t t t
y a a y + + =
1 1 0
(15.2)
Al igual que en la resolucin de una ecuacin en diferencia, al trabajar con series de tiempo
necesitamos encontrar una expresin para Y
t
que no incluya a sus rezagos. Cul es la solucin para
la ecuacin anterior?. Para hallarla necesitamos| rezagar esta expresin varias veces:
1 2 1 0 1
+ + =
t t t
y a a y
2 3 1 0 2
+ + =
t t t
y a a y
M
Si reemplazamos Y
t-1
en Y
t
y luego Y
t-2
en Y
t
y as sucesivamente, entonces obtendremos:
[ ]
1
1
1
0
1 1
2
1 1 0
1
+
=
+ + + + + + =
m t
m
m
i
i t
i m
t
y a a a ... a a a y (15.3)
Es esta la solucin?. No, porque an tenemos al lado derecho de la ecuacin la presencia de los
rezagos (en este caso un rezago) de la variable Y
t
.
Podemos seguir incrementando el valor de m (donde m representa el nmero de veces en que
rezago la variable y la vuelvo a reemplazar) y vamos a observar que contina la presencia de las Y
t
en el lado derecho. Como al parecer, si seguimos rezagando las Y
t
no vamos a mejorar nuestro
resultado, asumiremos algunas condiciones o supuestos. El primero de ellos es asumir que el valor
absoluto de a
1
es menor a 1 ( 1
1
< a ). Con esto estamos indicando que cada vez que rezaguemos
ms la expresin (15.3), el efecto marginal de los nuevos errores ser geomtricamente cada vez
Captulo 15: Series de Tiempo Estacionarias
15
menor. La segunda condicin para conseguir una solucin a la ecuacin (15.3) es suponer que se
rezaga infinitas veces. Con esta ltima condicin se lograr que el valor de Y
t
converja a algn
valor fijo en la medida que m va aumentando. Este valor es el siguiente:
=
0
1
1
0
1
i
i t
i
t
a
a
a
y (15.4)
Esta expresin corresponde a la solucin de la expresin (15.2)
6
. Sin embargo, el valor que adopte
a
1
va a producir diferentes resultados:
Figura 15.3
Diferentes trayectorias que pude optar una serie que presenta un nico rezago y un
trmino estocstico.
La solucin de la expresin (15.2) ha sido sencilla; sin embargo, el investigador se topar con
expresiones (procesos estocsticos) un tanto ms complejos por lo que se requiere contar con una
metodologa de resolucin.
6
Es importante resaltar que ante la presencia de un valor inicial de Y
t
(Y
0
), la solucin para la expresin (15.2) se podra
calcular sin incorporar las dos restricciones ( 1
1
< a y m ):
=
=
+ + =
1
0
1 0 1
1
0
1 0
t
i
i t
i t
t
i
i
t
a y a a a y
Y
t
est expresado en funcin de constantes, de trminos aleatorios, del tiempo y de un valor conocido de Y
t
(Y
0
).
0.0
0.0 0.0
0.0
(a) Y
t
= 0.80Y
t-1
+
t
(b) Y
t
= 1.25Y
t-1
+
t
(c) Y
t
= -0.30Y
t-1
+
t
(d) Y
t
= -1.25Y
t-1
+
t
Econometra Moderna
16
Tal como hemos indicado al inicio de esta seccin, las series de tiempo pueden ser tratadas como
ecuaciones en diferencia. Si el lector recuerda cmo desarrollarlas estar en mejor posicin para
asimilar la teora que impartiremos en esta seccin. Sin embargo, aqu se desarrollar los puntos
necesarios para hacer entendible esta teora y se destacar cul es su importancia para este y el
resto de los captulos.
Como se ha indicado, nos interesa conocer la solucin de Y
t
ya que de esta manera podemos
observar su comportamiento en el tiempo. La solucin representada por la expresin (15.4) nos
indica que la condicin para que esta serie sea estable es que, 1
1
< a , tal como lo observamos en
los grficos (15.3). Sin embargo, podemos caracterizar el comportamiento de cualquier proceso a
partir de sus races caractersticas. La condicin sobre la cual descansa la convergencia de
cualquier serie radica en el valor de sus races caractersticas. Todas ellas deben ser menores a 1 en
valor absoluto
7
.
Ahora surge la pregunta natural: cmo se calculan las races caractersticas? Su clculo est ligado
al clculo de las soluciones homogneas de las ecuaciones en diferencia. Con un ejemplo
trataremos de facilitar el entendimiento de estos puntos.
Si tuvisemos la expresin:
2 40 0 30 0
2 1
+ + =
t t t
y . y . y (15.5)
Para calcular las soluciones homogneas (es decir, encontrar una expresin para Y
t
que haga que la
suma de los componentes de Y
t
de la expresin anterior sea nula) se procede a reemplazar
t
t
A Y = y obtenemos
8
:
0 40 0 30 0
2 1
=
t t t
A . A . A
si dividimos esta expresin por
2 t
A obtendremos:
0 40 . 0 30 . 0
2
=
Esta expresin es denominada ecuacin caracterstica y su resolucin nos da los valores de las
races caractersticas:
50 . 0
80 . 0
2
1
=
=
Ambas races son menores a 1 en valor absoluto, por lo que la expresin (15.5) es estable y
converge a su valor medio. Cul es la trayectoria de convergencia?. Para el caso de la expresin
(15.2), las distintas formas de convergencias se limitaban a 2: o bien se acercaban suavemente a
la media o bien lo hacan oscilando (Figura 15.3 a y c).
7
La condicin de estabilidad para la expresin (15.2) era que 1
1
< a ya que este coeficiente era a su vez la nica raz
caracterstica. El nmero de races caractersticas depende del grado de la expresin.
8
Las constantes y variables diferentes a Y
t
son anuladas.
Captulo 15: Series de Tiempo Estacionarias
17
Sin embargo, para expresiones del tipo (15.5), la forma de convergencia (o no convergencia) es
mucho ms variable. Para conocerlas tenemos que generalizar la expresin (15.5):
0
2 2 1 1
=
t t t
y a y a y
(ya se ha eliminado el trmino constante y el trmino generador).
Luego se construye la ecuacin caracterstica:
0
2 1
2
= a a
en donde las races caractersticas adoptan los valores de:
2 / ) 4 ( ,
2
2
1 1 2 1
a a a + =
2 / ) (
1
d a =
donde d es el discriminante. El comportamiento de la serie de tiempo (su convergencia o no
convergencia) va a depender del valor que adopte el discriminante. De tal forma que se pueden
presentar tres casos:
CASO 1: d > 0, entonces, 0 4
2
2
1
> >> > + ++ + a a
Se puede ejemplificar este caso utilizando la expresin (15.5):
2 40 . 0 30 . 0
2 1
+ + =
t t t
Y Y Y
en donde los coeficientes eran 30 . 0
1
= a y 30 . 0
2
= a . El valor del discriminante es de:
0 69 . 1 ) 40 . 0 ( 4 ) 30 . 0 (
2
> = + = d
La ecuacin caracterstica es igual a: 0 40 . 0 30 . 0
2
= ; y sus races son: 80 . 0
1
= y
50 . 0
2
= .Ambas son menores a la unidad en valor absoluto por lo que su trayectoria ser
convergente a su valor medio
9
. Se puede observa en la Figura (15.4a ).
9
Con tan slo observar el valor del discriminante y el de las races caractersticas podemos generalizar la forma de
convergencia o no convergencia de la serie. Sin embargo, si construimos la solucin homognea vamos a determinar con
mayor exactitud esta trayectoria. Esta solucin tiene la siguiente estructura:
t t h
t
A A Y ) ( ) (
2 2 1 1
+ =
Para calcular las constantes A
1
y A
2
es necesario contar dos condiciones adicionales (dos valores dados de Y
t
). La
trayectoria mostrada en la Figura (15.4a) es elaborada asumiendo que el valor que adoptan estos coeficientes es igual a la
unidad por lo que toma esta forma de comportamiento.
Econometra Moderna
18
0.0
0.2
0.4
0.6
0.8
1.0
0
2
4
6
8
10
(a) (b)
Figura 15.4: Caso d>0
En la parte (a), el valor absoluto de las races unitarias no exceden a la unidad. En la
parte (b) no se cumple esto por lo que la serie no converge.
Como segundo ejemplo se emplea la siguiente expresin:
6 60 . 0 70 . 0
2 1
+ =
t t t
Y Y Y
los coeficientes tienen los siguientes valores: 0.60 a y 0.70 a
2 1
= = por lo que el discriminante es
mayor a cero (d=2.89). La ecuacin caracterstica es igual a: 0 60 . 0 70 . 0
2
= , por lo que
sus races adoptan los siguientes valores: 20 . 1
1
= y . 50 . 0
2
= Como se puede apreciar en la
Figura (15.4 b), el hecho de presentar races unitarias mayores a la unidad (en valor absoluto)
provoca que la serie no sea estacionaria.
CASO 2: d = 0, entonces, 0 4
2
2
1
= + a a
Si el valor del discriminante es cero, las races caractersticas son todas iguales a 2 / a
1
. Como ya
se ha dicho, la condicin de estabilidad considera que las races deben ser menores a 1, y para este
caso especfico, esta condicin equivale a decir que 2
1
< a .
Ejemplo: 40 . 0 36 . 0 2 . 1
2 1
=
t t t
Y Y Y
Rpidamente podemos comprobar que el discriminante es igual a cero y que ambas races
caractersticas adoptan el valor de 0.60
10
.
10
Para el caso en que el discriminante sea igual a cero, la solucin homognea en la mayora de los casos est
determinada por la siguiente estructura:
t t h
t
t A A Y ) ( ) (
2 2 1 1
+ =
El segundo componente del lado derecho de esta expresin es quien provoca el comportamiento creciente y luego
decreciente de Y
t
.
Captulo 15: Series de Tiempo Estacionarias
19
-4
-2
0
2
4
5 10 15 20 25 30 35 40 45 50 55 60
r1,r2=-0.90
0.0
0.5
1.0
1.5
2.0
2.5
3.0
5 10 15 20 25 30 35 40 45 50 55 60
r1,r2=0.60 r1,r2=0.85
(a) (b)
Figura 15.5: Caso d = 0
Diferentes trayectorias que puede adoptar la serie dependiendo de los valores
que tomen las races caractersticas. En la parte (a), los valores de las mismas
son de 0.60 en un caso y de 0.85 en otro caso. En la parte (b), las races
adoptan un valor negativo (-0.90) por lo que la serie oscila hasta alcanzar la
convergencia.
CASO 3: d < 0, entonces, 0 a 4 a
2
2
1
< << < + ++ +
En el caso que el discriminante sea inferior a cero, las races caractersticas tendrn un componente
imaginario:
2 / ) (
1 2 , 1
d i a =
donde 1 = i .
Ejemplo: 22 . 0 90 . 0 2 . 1
2 1
=
t t t
Y Y Y
En este caso, el discriminante es menor a cero por lo que las races sern complejas, las mismas que
se pueden comportar de la siguiente manera
11
:
-4
-2
0
2
4
6
5 10 15 20 25 30 35 40 45 50 55 60
-60
-40
-20
0
20
40
10 20 30 40 50 60 70 80
Figura 15.6: Caso d<0
La presencia de races complejas provoca un trayectoria sinusoidal
decreciente o creciente segn sea el caso.
11
La trayectoria sinusoidal es propia de este caso (d<0). En los casos anteriores se ha visto que las series oscilan
aparentando una trayectoria sinusoide; sin embargo, esto slo era aparentemente.
(a) (b)
Econometra Moderna
20
La convergencia en este tipo de series est determinada por la siguiente condicin:
1
2
< = a r
En la parte (a) de la figura esta condicin se cumple por lo que converge, mientras que en la parte
(b) esto no se cumple
12
.
El Crculo Unitario
Una vez que hemos visto las diferentes formas que pueden adoptar las races caractersticas,
procederemos a precisar qu es lo que se entiende por la condicin de estabilidad del crculo
unitario.
El circulo unitario es un crculo de radio igual a 1 cuyo eje horizontal est compuesto por un
segmento de la recta de nmero reales, mientras que el eje vertical est compuesto por los nmeros
imaginarios. El punto de interseccin de ambas rectas est dado en el punto (0,0).
Podemos fcilmente ubicar las races caractersticas para los casos 1 y 2 ya que en ambos casos
slo se est tomando posesin de un punto de la recta horizontal. Para ubicar a las races
caractersticas del caso 3 es necesario recordar:
2 2
1
2 , 1
d
i
a
=
Si a
1
fuese positivo, entonces las races caractersticas estn ubicado en los cuadrantes I y IV de la
Figura (15.7). La abscisa va a ser la misma para ambas races (a
1
/2); mientras que la ordenada
adopta los valores de
2
d
i
.
12
La solucin homognea para un proceso de este tipo es la siguiente:
) A t cos( r A Y
2
t
1
h
t
+ =
donde:
[ ]
2 1
2
a 2 / a ) cos(
a r
=
=
La amplitud de las oscilaciones depende del trmino r. Otra vez, A
1
y A
2
son constantes.
Captulo 15: Series de Tiempo Estacionarias
21
Figura 15.7: El Crculo Unitario
El eje de las abscisas est constituido por los nmeros reales; mientras que el eje
de las ordenadas, por nmero imaginarios. El radio de este crculo es igual a la
unidad y en l se pueden representar los tres tipos de races caractersticas que
un proceso puede presentar.
Sin embargo, en ambos casos, la extensin del radio es igual a:
) 2 / ( ) 2 / (
2
1
d i a r + =
Si se desarrolla se va a llevar a que el radio es igual a:
2
a r = , y de acuerdo con el caso #3,
r <1 para que exista la convergencia.
De esta manera, para que cualquier tipo de serie sea estacionaria, todas sus races caractersticas
deben situarse dentro de un crculo de radio igual a 1.
Generalizando: si tenemos procesos de mayor grado, tal como el siguiente:
=
n
i
i t i t
Y a Y
1
se tienen que calcular sus n races caractersticas procedentes de esta ecuacin:
0 ...
1
1
=
n
n n
a a
la estabilidad de la serie Y
t
requiere que todas las races caigan dentro del crculo unitario. Para el
caso particular de contar con slo races reales, esta condicin se restringe a que las races sean en
valor absoluto menores a 1.
Econometra Moderna
22
Al ser muy difcil calcular las races unitarias de grados mayores al cbico, especificaremos
algunas condiciones necesarias o suficientes que deben cumplir los coeficientes para que las serie
sea estacionaria.
Condicin necesaria: 1 a
n
1 i
i
<
=
Condicin suficiente: 1 a
n
1 i
i
<
=
En el caso que 1 a
n
1 i
i
=
=
, esto significa que existe una raz igual a 1 por lo que el proceso llevar el
nombre de proceso de raz unitaria
13
.
Antes de terminar esta seccin debemos advertirle a nuestros lectores que es necesario que
refresquen su memoria con respecto al uso del operador de rezagos. Si bien esta herramienta ya ha
sido empleada con anterioridad, es necesario conocer todas sus caractersticas y propiedades. Para
facilitarles la tarea, en el Apndice 15.1 se especifican algunas propiedades de este operador que
sern de bastante utilidad.
1 15 5. .4 4. . M MO OD DE EL LO OS S D DE E S SE ER RI IE ES S D DE E T TI IE EM MP PO O
Durante el desarrollo de la econometra se han elaborado diferentes mtodos que buscaban dotar a
los investigadores de herramientas para poder realizar estimaciones acerca de los valores futuros de
las variables bajo anlisis. Uno de los primeros mtodos consista en el empleo de los modelos de
regresin uniecuacionales. Estos buscan recoger de la teora econmica las relaciones a establecer
entre las variables que van a conformar el modelo. Por ejemplo, la demanda por dinero debera
estar explicada por el nivel de ingreso de los agentes, la tasa de inters y la inflacin esperada.
Luego, con el empleo de las distintas series se estima cules son las variables significativas y sus
coeficientes. Una vez determinada las variables relevantes y todos los parmetros, el modelo puede
ser utilizado para predecir la demanda por dinero futuro. Sin embargo, el grado de ajuste de este
tipo de modelo se iba deteriorando marcadamente conforme se alejase en el futuro.
Otra tcnica bastante utilizada es el sistema de ecuaciones. Estas fueron empleadas con el objetivo
de predecir variables macroeconmicas a travs de una compleja gama de ecuaciones que buscaba
recoger toda relacin existente entre las variables bajo anlisis. Sin embargo, tras la psima
performancia que presentaron durante la crisis del petrleo y la crtica de Lucas, estos modelos
fueron dejados de lado. La crtica se centra principalmente en que los parmetros calculados por el
modelo dependen de la poltica prevaleciente en el momento en que se realiza la estimacin. Esto
implica que ante un cambio de la misma, la probabilidad de que los parmetros dejen de ser
significativos es alta.
13
Este tipo de procesos son denominados procesos con tendencias estocsticas, cmo ya se mencion en la seccin 15.2,
estos sern analizados en el prximo captulo.
Captulo 15: Series de Tiempo Estacionarias
23
A finales de la dcada de los setenta, Box y Jenkins desarrollaron una nueva herramienta de
prediccin denominado como modelo autorregresivo integrado de media mvil (ARIMA). Este
mtodo antes de tratar de realizar un anlisis econmico, se concentra en las propiedades
probabilsticas de las series de tiempo. En su forma ms general est representado de la siguiente
manera:
y a .... y a a y
q - t q 1 - t 1 t p - t p 1 - t 1 0 t
+ + + + + + =
Un modelo ARIMA estacionario es denominado ARMA. A continuacin vamos a ir explicando las
diferentes formas estructurales que un modelo ARIMA puede adoptar dependiendo de la inclusin
de los rezagos de la variable Y (componente autorregresivo-AR), de los rezagos de los errores
(componente de medias mviles-MA) o bien de ambos a la vez (modelos ARMA).
Sin embargo, antes de empezar a describir cada uno de los modelos es necesario explicar el
comportamiento del elemento bsico de los modelos estocsticos discretos de series de tiempo: el
proceso ruido blanco (white-noise process). Una serie {
t
} es denominada ruido blanco si su
media es igual a cero, su varianza es constante y los elementos de la serie no se correlacionan entre
s.
[ ]
[ ] 0 ) , ( cov ) , cov( bien o s todo para 0 ) ( E ) ( E
j todo para
... ) var( ) bien var( o ... ) ( E ) ( E
0 ... .. ) ( E ) ( E
s - j - t j - t s - t t s - j - t j - t s - t t
2
1 - t t
2
1 - t
2
t
2
1 - t t
= = = =
= = = = = =
= = =
y
De la forma en que se ha definido el proceso ruido blanco es fcil determinar que este cumple con
las caractersticas de estacionariedad dbil ya que mantiene constante sus dos primeros momentos a
lo largo de la serie.
Otro proceso estocstico discreto es el denominado paseo aleatorio (random walk). Se caracteriza
porque presenta como series de primeras diferencia a valores aleatorios. Si suponemos que {
t
} es
una serie puramente aleatoria (white-noise) con media y varianza
2
, definimos que la serie {Y
t
}
sigue un random walk si:
t t t
Y Y + =
1
Si suponemos que la primera observacin, Y
0
, es igual a cero, entonces el proceso estocstico sigue
el siguiente comportamiento:
2 1 2 1 2
1 1
Y Y
Y
+ = + =
=
en forma general:
=
=
t
i
i
Y
1
1
Econometra Moderna
24
De esta manera podemos definir a E(Y
t
) = t y var(Y
t
)= t
2
. Esta serie al no presentar una media ni
una varianza constante, entonces no es estacionaria, aunque su primera diferencia s lo sea.
A continuacin presentamos los procesos estocsticos discretos (PED) que servirn como
estructuras a asociar con las series de data econmica que se est empleando en un estudio. Si
conocemos las caractersticas de los principales PED, entonces una vez hecha la asociacin con una
serie de datos, el investigador obtendr las caractersticas de esta ltima.
15.4.1. Modelos Autorregresivos (AR)
Si se vuelve a suponer que {
t
} es un proceso aleatorio con media 0 y varianza
2
, entonces el
proceso {Y
t
}, definido de la siguiente manera:
t p t p 2 t 2 1 t 1 t
Y a ... Y a Y a Y + + + + =
(15.6)
se lo denomina como un proceso autorregresivo de orden p y se le denota como AR(p). En
trminos del operador de rezagos L, la expresin anterior puede ser representada como
t t
p
p
2
2 1 t
) L a .... L a L (a Y + + + + = Y
o bien
t t
p
p
2
2 1
) L a - .... L a - L a - (1 = Y (15.7)
despejando Y
t
obtenemos:
t
p 2 1
t
p
p
2
2 1
t
L) - 1 L)...( - 1 ( L) - (1
1
) L a - .... L a - L a - (1
1
Y
=
donde
1
,
2
, ...,
p
son las races de la ecuacin
0 ) ( a - ... ) ( a ) ( a ) (
p - t
p
2 - t
2
1 -
1
t
=
t
como ya se ha indicado en la seccin 15.3, la condicin para que la varianza de esta serie sea finita,
es decir, que sea estacionaria, implica que las races caractersticas sean menores a uno en valor
absoluto (|
i
| <1 ) o bien que el trmino L sea mayor a 1 en valor absoluto
14
.
Podemos emplear otro mtodo ms intuitivo y operativo para determinar las condiciones para que
un proceso AR(1) sea estacionario
15
. Si definimos al proceso AR(1) de la siguiente forma:
t t t
Y a a Y + + =
1 1 0
(15.8)
14
Que es lo mismo que decir que caigan dentro y fuera del crculo unitario, respectivamente: L
i
=1/
i
15
Esto tambin se vio en la seccin anterior. En el caso que el lector no domine bien estos mtodos, les recomendamos
que efecte una rpida revisin.
Captulo 15: Series de Tiempo Estacionarias
25
donde {
t
} es un ruido blanco. Si suponemos que en el periodo de tiempo inicial, la serie {Y
t
}
adopta el valor y
0
, entonces la solucin de esta ecuacin sera:
=
=
+ + =
1
0
1 0 1
0
1 0
t
i
i t
i t
i t
i
i
t
a y a a a Y (15.9)
Tomando el valor esperado de la expresin (15.9), obtenemos:
0 1
0
1 0
) ( y a a a Y E
t
i t
i
i
t
+ =
=
. (15.10)
el valor esperado de la serie k periodos despus ser igual a:
0 1
0
1 0
) ( y a a a Y E
k t
i k t
i
i
k t
+
+
=
+
+ =
(15.11)
Si comparamos las expresiones (15.10) y (15.11), es evidente que ambas nos estn presentando
diferentes medias. La media para un proceso AR(1) no es independiente del tiempo. Sin embargo,
si se tratase de un periodo de tiempo lo suficientemente prolongado y adems que |a
1
| <1, entonces
la expresin (a
1
)
t
converger a cero y la sumatoria a
0
[1+a
1
+ (a
1
)
2
+ (a
1
)
3
+...] en el lmite ser igual
a a
0
/(1-a
1
). De esta manera, cuando t y |a
1
| <1,
+ =
0 i
i
1 1 0 t
a ) a - /(1 a y lim
i t
(15.12)
y si ahora tomamos el valor esperado a la expresin (15.12) para valores de t lo suficientemente
grande, obtendremos que ) a 1 /( a ) y ( E
1 0 t
= De esta manera el valor de la media de y
t
es finita e
independiente del tiempo: E(y
t
) = E(y
t-s
) = . En lo que se refiere al valor que la varianza alcanzar
en el lmite, este est dado por la siguiente expresin:
[ ]
2
2
2
1 1 1
2
....) ) ( ( ) ( + + + =
t t t t
a a E y E
[ ] [ ]
2
1
2 4
1
2
1
2
) ( 1 / .... ) ( ) ( 1 a a a = + + + =
que al igual que la media es finito e independiente del tiempo. Finalmente, y para determinar si el
proceso AR(1) es estacionario o no, haremos referencia al comportamiento de los valores de la
autocovarianza. Estos son finitos e independientes del tiempo. Estos dependen de la extensin del
rezago k:
[ ] [ ][ ] { } .... ) ( .... ) ( ) )( (
2
2
1 1 1 2
2
1 1 1
+ + + + + + =
k t k t k t t t t k t t
a a a a E y y E
[ ] .... ) ( ) ( 1 ) (
4
1
2
1 1
2
+ + + = a a a
k
[ ]
2
1 1
2
) ( 1 / ) ( a a
k
= (15.13)
Econometra Moderna
26
De esta manera, el proceso AR(1) propuesto en la expresin (15.8) es estacionario si contamos con
un t lo suficientemente grande y que |a
1
| <1. Sin embargo, si la muestra es generada por un proceso
que recin ha empezado, su realizacin no sera estacionaria.
Recordemos que es muy importante que un proceso sea estacionario en media ya que en caso que
esta caracterstica no se presentase, el investigador no podra realizar estimaciones confiables
16
de la serie. Lo mismo sucedera si la varianza presentase un comportamiento heterocedstico. Lo
peor que pudiese pasar al no ser estacionaria una serie es que no existiese una distribucin detrs de
los datos que tenemos.
Si ahora quisiramos determinar cules son las condiciones que debe cumplir un proceso AR(2)
para que sea estacionario, el empleo del mtodo iterativo resultara muy engorroso por lo que se
emplea las soluciones homogneas. Si definimos el proceso estocstico AR(2) de la siguiente
manera:
t t t t
Y a Y a Y + + =
2 2 1 1
(15.15)
para calcular sus races caractersticas lo tendramos que desarrollar aplicando el mtodo de
ecuaciones en diferencia, es decir, calcular las soluciones homogneas: Y
h
t
= A()
t
. Reemplazando
esta expresin en (15.15) obtendremos:
0 ) ( ) ( ) (
2
2
1
1
=
t t t
A a A a A (15.16)
dividiendo todo entre A()
t-2
, obtenemos la siguiente ecuacin:
0 a - a -
2 1
2
=
de donde se puede inferir que para que los valores de las races caractersticas sean en valor
absoluto menores a 1 (|
i
|<1) implica que:
1
2
4
2
2
1 1
<
+ a a a
Esto nos da las condiciones que debe cumplir los coeficientes del modelo AR(2) para que sean
estacionarios:
1 a
1 a a
1 a a
2
1 2
1 2
<
<
< +
15.4.2. Modelos de Medias Mviles (MA)
Un ejemplo citado en muchos libros para indicar al lector cmo es que se producen procesos tipo
MA es empleando un juego de suma cero. Por ejemplo, aquel que involucra tirar una moneda y
16
Hemos visto en la Figura (15.1) que el comportamiento del componente irregular puede ser predicho siempre que las
series sean estacionarias.
Captulo 15: Series de Tiempo Estacionarias
27
ganar S./1 si sale cara o perder el mismo monto si sale sello. En promedio la ganancia a obtener
sera representada como un ruido blanco (
t
). Si lanzamos la moneda cuatro veces, tu ganancia (Y
t
)
sera igual a:
3 3 2 2 1 1 0
+ + + =
t t t t t
Y
donde
i
son las probabilidades de ocurrencia. Para i 3, este coeficiente es igual a 0.25; para i > 3,
es igual a cero. Sin embargo, a pesar que el proceso MA(q) est integrado por puros
t
(no
incluiremos la constante), esto no significa que un proceso MA(q) tambin sea ruido blanco.
Generalizando, suponiendo que {
t
}es un proceso aleatorio con media 0 y varianza
2
, entonces el
proceso {Y
t
}, definido de la siguiente manera
q t q t t
= ... Y
1 1 t
(15.17)
es conocido como proceso de medias mvil de orden q, y se denota como MA(q). La caracterstica
de este tipo de proceso es que es estacionario por definicin. La esperanza de Y
t
es igual a cero ya
que la esperanza de cada uno de los elementos de {
t
}es nula. Asimismo, la varianza de nuestro
proceso es determinada independientemente del tiempo. Esta depende del nmero de trminos que
posea Y
t
, es decir, de su rango, conjuntamente con el valor que adopten los coeficientes:
2
q
1 i
2
i t
1 ) (Y var
|
|
\
|
+ =
=
El proceso MA(q) puede escribirse utilizando el operador de rezagos:
t t
q
q t
L L L L Y ) ( ) .... 1 (
2
2 1
= + + + + = (15.18)
Si bien sabemos que el proceso Y
t
es estacionario, la expresin (15.18) se parece mucho a la (15.7).
En esta ltima, la variable Y
t
estaba multiplicada por un polinomio de rezagos y nos importaba
contar con races caractersticas que caigan dentro del crculo unitario. Ahora la figura es la misma
pero la variable que se va a explicar es
t
. De esta manera, si las races caractersticas de la
ecuacin (15.18), que puede ser replanteada as,
t q 2 1 t
L) - L)...(1 - )(1 L (1 Y + = (15.19)
son menores a uno en valor absoluto (|
i
|<1), entonces el proceso MA es invertible. Esto implica
que se puede transformar un proceso MA(q) en un proceso AR(): [ ]
t t
Y L
1
) (
= .
Podemos determinar con un ejemplo las condiciones de la invertibilidad. Para esto usaremos un
proceso MA(1):
1 1
=
t t t
Y
si despejamos el error de esta expresin y la vamos rezagando, obtenemos:
Econometra Moderna
28
3 1 2 2
2 1 1 1
1 1
+ =
+ =
+ =
t t t
t t t
t t t
Y
Y
Y
Si se reemplaza
t-1
y
t-2
en la expresin de
t
, obtendremos como resultado:
3
3
2
2
1 1 1
3 1 2
2
1 1 1
2
2
1 1 1 2 1 1 1
) (
) (
+ + + =
+ + + =
+ + = + + =
t t t t
t t t t t
t t t t t t t
Y Y Y
Y Y Y
Y Y Y Y
luego, al despejar Y
t
:
t t t t t
Y Y Y + =
3
3
2
2
1
En el caso que se hubiese continuado reemplazado los errores rezagados, se llegara a una
expresin como esta:
t
k
k t
k
t
Y Y + =
1
1
Para llevar a esta expresin se elimina siempre el error ms rezagado, lo cual da paso a un nuevo
rezago de la variable Y
t
. Este proceso puede ser extendido hasta el infinito. Para que esta
inversin de un proceso MA en un proceso AR sea finita y tenga sentido, el coeficiente
1
debe
cumplir con: 1
1
< . Es finito porque en un punto de esta sumatoria va a empezar a presentarse
rezagos de Y
t
que al estar multiplicado por un coeficiente tan cercano a cero, dejarn de ser
significativos. Adems, es ms lgico pensar que los rezagos ms recientes tengan mayor
importancia (influyen ms) en el valor corriente de Y
t
. Por consiguiente, cuando 1
1
< , entonces
un proceso MA(1) es invertible
17
.
Si tomamos como ejemplo un proceso MA de orden 2, Y
t
= (1+
1
L+
2
L
2
)
t
, las races
caractersticas vendran a estar dadas a partir de la ecuacin:
0
2 1
2
= + +
y para que se pueda dar la invertibilidad del proceso MA, se debe cumplir con esta relacin: |
i
|<1
por lo que el valor de los coeficientes est restringido a cumplir con:
1
2
4
2
2
1 1
<
desarrollando obtenemos:
17
La importancia de la invertibilidad de un proceso MA radica en que para hacer predicciones es necesario contar con
una estructura autorregresiva.
Captulo 15: Series de Tiempo Estacionarias
29
1
1 -
1 -
2
1 2
2 1
<
> +
> +
Procesos de media mvil puede tambin presentarse como resultado de la eliminacin de la
tendencia de una serie. Generalmente para limpiar una serie de su tendencia es necesario tomar
sucesivas diferencias a la misma. Si tuvisemos el siguiente modelo:
t t
t a t a a Y + + + =
2
2 1 0
(15.20)
y quisisemos eliminar su tendencia, entonces la expresin (15.20) tendra que ser rezaga y luego
restada del modelo original. El resultado obtenido ahora ha dejado de presentar una tendencia
cuadrtica y ahora presenta una tendencia lineal. Adems, el modelo resultante est compuesto por
un promedio mvil que podra indicar un ciclo.
15.4.3. Modelos Autorregresivos de promedio mvil (ARMA)
No es frecuente encontrar modelos que sean puramente AR o MA. Muchas series econmicas
presentan ambas estructuras. A este tipo de modelos, que cuentan con un componente
autorregresivo (AR) y uno de medias mvil (MA), se los conocen como ARMA (p,q) y se definen
de la siguiente manera:
q t q t t p t p t t
Y a Y a Y
+ + + + + + = ... ...
1 1 1 1
(15.21)
Un proceso ARMA (p,0) representa a un proceso AR(p); de igual forma, un proceso ARMA(0,q)
no es ms que un proceso MA(q) puro.
El ms sencillo proceso ARMA es el ARMA(1,1), y es representado de la siguiente manera:
1 1 1 1
+ =
t t t t
Y a Y (15.22)
Si se empieza a rezagar a Y
t
y a la vez se reemplaza en la expresin (15.22), se llega a:
t
i
i t
i
t
a a Y + =
=
0
1 1 1 1
) ( (15.23)
La esperanza de esta expresin es igual a cero y su varianza es:
2
2
1
1 1
2
1
2
0
2 2
1
2
1 1
) 1 (
) 2 1 (
) ( ) var(
a
a
a a Y
i
i
t
+
=
+ =
=
(15.24)
Tanto la expresin (15.23) como la (15.24) nos indican que la condicin necesaria para que la serie
Y
t
sea estacionaria es que el coeficiente a
1
sea menor a 1 en valor absoluto. Para determinar la
condicin de invertibilidad emplearemos la misma forma que se utiliz con el MA:
Econometra Moderna
30
La expresin (15.22) debe ser reordenada de la siguiente forma:
1 1 1 1
+ =
t t t t
Y a Y
y si lo rezagamos continuamente podemos obtener:
=
=
0
1 1 1 1
) (
i
i t
i
t t
Y a Y
por consiguiente, la condicin para su invertibilidad se centra en que
i
cumpla con: 1
i
< .
Un proceso ARMA tambin puede ser representado utilizando el operador de rezagos (L) y
obtener:
t t
L Y L ) ( ) ( =
donde ) (L y ) (L son polinomios de rdenes p y q, respectivamente, y estn definidos de la
siguiente forma:
q
q
p
p
L L L L
L a L a L a L
=
=
..... 1 ) (
..... 1 ) (
2
2 1
2
2 1
(15.22)
Un proceso ARMA(p,q) es estacionario si lo es su componente AR, y es invertible si lo es su
componente MA. Tcnicamente hablando, para que un proceso ARMA sea estacionario se requiere
que los valores que tomen los operadores de rezagos de (L)=0 queden fuera del crculo unitario
18
.
Similares requisitos son necesarios para que el componente MA sea invertible (claro est que se
debe emplear las races caractersticas del polinomio (L)). Si las races caractersticas de la
expresin (15.22) caen dentro del crculo unitario, entonces modelo es denominado autorregresivo
con promedio mvil. En caso en que una o ms races caractersticas no cumplan con las
restricciones anteriormente mencionadas, la serie {Y
t
} es un proceso integrado y recibe el nombre
de modelo autorregresivo intregrado de promedios mvil (ARIMA).
15.4.4. Modelos Autorregresivos de promedio mvil integrados (ARIMA)
La mayor parte de las series de tiempo presentan un importante factor tendencial en su
composicin. Con el paso del tiempo el consumo, el trfico, la demanda por trigo, la demanda por
dinero, etc. se incrementa y esto no responde a shocks temporales sino a la normal evolucin y
crecimiento de la poblacin. De esta manera las series pueden presentar una media cambiante con
el paso del tiempo y esto no implicara que este comportamiento se deba a alguna desviacin
producida por un shock. Para eliminar este comportamiento tendencial de las series es necesario
tomar las primeras diferencias y de esta manera obtener una serie estacionaria. Otro origen de no
estacionalidad se debe a que por la naturaleza de la serie, un shock produzca tenga un efecto
18
O bien que las races caractersticas de ese polinomio caigan dentro del crculo unitario.
Captulo 15: Series de Tiempo Estacionarias
31
permanente en el tiempo. A este proceso se le denomina raz unitaria y se analizar en el prximo
captulo. Otra vez, la solucin a este problema se obtiene diferenciando la serie.
Si observamos que para diferentes intervalos de tiempo, la serie a analizar presenta diferentes
patrones de inestabilidad (volatilidad), entonces podemos concluir que no es estacionaria. Esto se
debe a que la varianza de las observaciones cambia con el tiempo (presencia de
heterocedasticidad). Ante este fenmeno, el investigador podr aplicar logaritmos para estabilizar a
la serie. Es importante recalcar que la aplicacin de logaritmos no va a corregir el problema de
heterocedasticidad sino que representa un mtodo sencillo y efectivo para estabilizar a la serie.
Luego de su aplicacin, el investigador podr continuar con los procedimientos de identificacin y
tratamiento descritos en este captulo
19
.
Si, por ejemplo, analizramos la serie del consumo privado, es evidente que su composicin cuente
con un componente tendencial, de tal manera que podra ser representada de la siguiente manera:
t 4 3 - t 3 2 - t 2 1 - t 1 0 t
t a Y a Y a Y a a Y + + + + + = (15.23)
muy al margen de las condiciones que deben cumplir sus races caractersticas para que este
proceso autorregresivo sea estacionario, la presencia de la tendencia (t) alterara constantemente la
media de Y
t
. Para eliminar este componente es necesario aplicarle la primera diferencia:
1 - t t 4 3 - t 3 2 - t 2 1 - t 1 t
a Y a Y a Y a Y + + + + = (15.24)
En caso que la serie Y
t
tuviese una tendencia cuadrtica, sera necesario obtener la segunda
diferencia (
2
Y
t
). Generalizando, una serie que tenga que diferenciarse d veces para obtener una
serie estacionaria (
d
Y
t
) es denominado un proceso ARIMA (p,d,q). Este tipo de series es
denominada integrada de orden (d). Un modelo integrado de orden 1, I(1), es aquel que luego de
una diferencia se convierte en estacionario. Si la serie es I(2), entonces ser necesario hasta dos
diferenciaciones para volverlo una serie I(0), es decir, estacionaria.
Antes del empleo de la metodologa Box-Jenkins
20
se debe contar con la serie estacionaria. En el
caso que esta no lo fuese, se deber diferenciar cuantas veces sea necesario. Esta tcnica busca
establecer cual es el comportamiento de las series para de esta manera poder realizar sus
predicciones. Si las series son estacionarias se puede confiar que las caractersticas que ha
presentado hasta hoy se mantendrn durante el futuro.
1 15 5. .5 5. . F FU UN NC CI IO ON NE ES S P PA AR RA A E ES SP PE EC CI IF FI IC CA AR R L LO OS S M MO OD DE EL LO OS S D DE E S SE ER RI IE ES S D DE E T TI IE EM MP PO O
Una vez que ya hemos revisado los distintos procesos estocsticos discretos que pueden adoptar las
series de tiempo, es necesario contar con alguna herramienta que nos indique qu modelo es el
adecuado para analizar la estacionariedad de las series bajo anlisis. Una vez determinado el
19
En el Captulo 17, Procesos de Heterocedasticidad Condicional Autorregresiva, se procede a determinar como modelar
la varianza de la serie.
20
Esta metodologa es la ms ampliamente utilizada en el anlisis de series de tiempo. La misma que ser tratada en la
seccin 15.6.
Econometra Moderna
32
modelo, se procede de estimar los coeficientes y las races caractersticas para verificar si el
proceso es estacionario o no lo es.
Se han desarrollado algunos estadsticos de mucha utilidad que sirven de herramientas para
determinar el tipo de comportamiento que presentan las series. Dentro de estos estadsticos
contamos con la funcin de autocovarianza, la funcin de autocorrelacin simple y de
autocorrelacin parcial. Lo interesante de este tipo de funciones es que no dependen del tiempo
siempre que el proceso sea estacionario. Dicha invarianza nos permitir estimarlos muestralmente.
15.5.1. La Funcin de Autocovarianza (FAC)
La funcin de autocovarianza (FAC) antes de ser una herramienta directa para determinar el tipo de
proceso estocstico que persigue la serie, nos servir para construir las dos funciones restantes.
Estas dos (la funcin de autocorrelacin simple y de autocorrelacin parcial) pueden ser
representadas a travs del correlograma por lo que nos servirn de pruebas visuales.
La FAC est definida de la siguiente forma:
) Y , cov(Y
k - t t k
= (15.25)
Con el objeto de otorgarles a los lectores un marco comparativo de la aplicacin de estas funciones,
las mismas sern aplicadas a los siguientes procesos: AR(1), AR(2), MA(1), MA(2) y ARMA(1,1).
Modelo AR(1)
Como ya sabemos, este proceso est definido de la siguiente manera.
t 1 t 1 t
Y a Y + =
(15.26)
donde |a
1
| <1, {
t
} es un ruido blanco y se ha omitido la constante para simplificar el anlisis.
Si aplicamos el mtodo iterativo (es decir, ir rezagando Y
t
y reemplazndolo en la expresin 15.26),
obtendremos:
=
0
1
i
i t
i
t
a Y (15.27)
De acuerdo con esta ltima especificacin de Y
t
, los dos primeros momentos seran iguales a
21
:
0 ) ( =
t
Y E
21
Tambin se puede haber incorporado un trmino constante a la expresin (15.26):
t t t
Y a Y + + =
1 1
. Para este caso,
la expresin (15.27) hubiese sido:
=
0
1
1
1
i
i t
i
t
a
a
Y
=
= =
0
2
1
2
2 2
1
1
) (
i
i
t
a
a Y Var
(15.28)
Antes de proseguir con la derivacin de la funcin de autocovarianzas, es necesario determinar si
existe alguna relacin entre Y
t
y el trmino de perturbacin
t
. Para esto procedemos a calcular las
siguientes covarianzas:
0 ) * ( ) , (
0
1
= =
=
t
i
i k t
i
t k t
a E Y E
2
1
0
1
) * ( ) , (
k
k t
i
i t
i
k t t
a a E Y E = =
=
De acuerdo con lo observado, podemos concluir que Y
t
depende de los valores pasados y presente
del error pero nunca del valor futuro.
Una vez repasadas las caractersticas de un modelo AR(1), procederemos a calcular su funcin
FAC.
El primer valor de esta funcin (
0
) es igual a la varianza de la serie Y
t
:
2
1
2
2
0
1 a
y
= =
los siguientes estadsticos son calculados de la siguiente manera:
[ ]
t 1 t
2
1 t 1 1 t t 1
. Y Y a E ) Y , Y ( E + = =
[ ] [ ]
0 1
2
1
1
2
1 1
.
a
a
Y E Y E a
y
t t t
=
=
+ =
[ ]
t t t t t t
Y Y Y a E Y Y E . . ) , (
2 2 1 1 2 2
+ = =
0
2
1 1 1
a a = =
[ ]
t t t t t t
Y Y Y a E Y Y E . . ) , (
3 3 1 1 3 3
+ = =
0
3
1 2 1
a a = =
el trmino k-simo de la funcin estar determinado como:
0
k
1 k
a =
Econometra Moderna
34
La FAC para un modelo AR(1) nos indica que la covarianza entre la serie Y
t
y sus rezagos va
disminuyendo conforme pase el tiempo. Esto implica que los efectos de un shock en el periodo t-k
va a afectar cada vez menos a Y
t
. Este resultado es obtenido ya que el valor absoluto del parmetro
a
1
es menor que uno.
Modelo AR(2)
Ahora procedemos a analizar el comportamiento de la FAC en un proceso AR(2). Este es
especificado de acuerdo con la siguiente estructura:
t 2 - t 2 1 - t 1 t
Y a Y a Y + + =
como ya se defini en la seccin anterior, esta serie ser estacionario si los parmetros cumplen con
las restricciones:
1 a
1 a a
1 a a
2
1 2
1 2
<
<
< +
las mismas garantizan que la varianza de Y
t
(
2
y
) sea finita y no negativa. El clculo de la media es
calculado a continuacin:
[ ]
0 ) (
) ( 1 ) (
) ( ) ( ) ( ) (
2 1
2 2 1 1
=
=
+ + =
t
t t
t t t t
Y E
E a a Y E
E Y E a Y E a Y E
en este caso tambin estamos obviando la presencia de la constante por simplicidad.
La funcin FAC estara definida de la siguiente manera:
) , (
k t t k
Y Y E
=
[ ]
) , ( ) , ( ) , (
). (
2 2 1 1
2 2 1 1
t k t k t t k t t
k t t t t
Y E Y Y E a Y Y E a
Y Y a Y a E
+ + =
+ + =
Si k toma el valor de 0, entonces tenemos:
2
2 2 1 1 0
+ + = a a
Para el resto de valores que adopte k, la estructura ser la siguiente:
2 2 1 1
+ =
k k k
a a siempre que k>0
de esta manera podemos definir el siguiente sistema de ecuaciones:
Captulo 15: Series de Tiempo Estacionarias
35
0 2 1 1 2
1 2 0 1 1
a a
a a
+ =
+ =
Este tipo de ecuaciones es denominado ecuaciones de Yule Walker
Desarrollando estas ecuaciones, y tomando en cuenta que existe simetra entre los valores de la
FAC (
2 2 +
= ), obtenemos los siguientes resultados:
[ ]
0
2
2
1 2 2
2
0
2
1
1
2
1
2
2 2
2
2
0
2
1
) 1 (
1
) 1 ( ) 1 (
) 1 (
a
a a a
a
a
a a a
a
y
+
=
=
+
= =
Modelo MA(1)
El proceso de medias mvil analizado en la seccin anterior, con un q=1 es el siguiente:
1 1 t
Y
=
t t
y como de costumbre calcularemos la media y la varianza de este proceso:
2 2
1
2 2
1
2
t
t
) 1 ( ) var(Y
0 ) E(Y
+ = + =
=
Un vez que hemos calculado los valores que alcanzan los dos primeros momentos de este modelo,
se procede a construir la funcin de autocovarianzas. El objetivo de calcular los dos o tres primeros
valores para esta funcin consiste en la derivacin de una expresin general.
2 2
1 0
1
) + ( =
[ ] ) - )( - ( E ) Y , Y ( E
2 - t 1 1 - t 1 - t 1 t 1 - t t 1
= =
2
1
2
1 t 1
) ( E
=
=
[ ] 0 ) - )( - ( E ) Y , Y ( E
3 - t 1 2 - t 1 - t 1 t 2 - t t 2
= = =
Podemos generalizar: 0 =
k
, para todo k >1.
Econometra Moderna
36
A diferencia de la forma que han tomado los componentes de la FAC para los procesos AR(1) y
AR(2), la FAC para un proceso de medias mvil cuenta con pocos componentes. Estos estn
determinados por el tamao del orden (q), como a continuacin se presenta.
Modelo MA(2)
La particularizacin de la representacin general de un proceso MA, expresada en la ecuacin
(15.17), cuando el orden es 2 es:
2 2 1 1 t
Y
=
t t t
(15.29)
y sus primeros momentos son:
2 2
2
2
1
2 2
2
2 2
1
2
t
t
) 1 ( ) var(Y
0 ) E(Y
+ + = + + =
=
La construccin de la funcin de autocovarianzas es algo ms complicada que en un proceso
MA(1); sin embargo, esta cuenta con tan slo un trmino ms distinto de cero que su antecesora.
2 2
2
2
1 0
) 1 (
+ + + =
[ ] ) - - )( - - ( E ) Y , Y ( E
3 - t 2 2 - t 1 1 - t 2 - t 2 1 - t 1 t 1 - t t 1
= =
2
1 2 1
2
2 1
2
1
) (
=
+ =
[ ] ) - - )( - - ( E ) Y , Y ( E
4 - t 2 3 - t 1 2 - t 2 - t 2 1 - t 1 t 2 - t t 2
= =
2
2
=
0 ) Y , Y ( E
3 - t t 3
= =
Los trminos k>2 presentan el mismo estadstico: 0
k
= .
Modelo ARMA(1,1)
Hasta ahora el lector puede darse cuenta que cuando se trata de utilizar un proceso AR, la FAC
presentar un decrecimiento geomtrico; mientras que con un modelo del tipo MA, el valor del
estadstico va a terminar bruscamente en cero. Cmo ser el comportamiento de un proceso que
integre a ambos a la vez?
Captulo 15: Series de Tiempo Estacionarias
37
Para responder esta pregunta especificaremos el siguiente proceso ARMA(1,1):
1 t 1 t 1 t 1 t
Y a Y
+ = (15.30)
el cual ser estacionario si 1 a
1
< e invertible si el valor absoluto del coeficiente
1
es menor a 1
( 1
1
< ). El clculo de la varianza es un tanto ms complejo:
2
1 1
2 2
1
2
0
2
1
1 1 1 1 - t 1 1 1 - t 1
2
1
2
1
2 2
1 - t
2
1
2
t t
t
2
) 2 Y 2 Y 2 Y (
) E(Y ) var(Y
0 ) E(Y
a a
a a a E
t t t t t
+ + =
+ + + =
=
=
La funcin de autocovarianzas guarda mucha similitud con la FAC de un AR(1), excepto en los dos
primeros componentes. Recin cuando el orden del rezago (k) supera al orden del componente MA
del proceso ARMA, es cuando se presenta la total similitud.
2
1 1
2 2
1
2
0
2
1 0
2
a a + + =
2
2
1
1 1
2
1
) - (1
) 2a - (1
a
+
=
[ ]
1 1 1 1 1 1 - t t 1
) (a E ) Y , Y ( E
+ = =
t t t t
Y Y
2
2
1
1 1 1 1
2
1 0 1
) 1 (
) a )( a - (1
a
a
=
=
[ ]
2 1 1 1 1 2 - t t 2
) (a E ) Y , Y ( E
+ = =
t t t t
Y Y
1 1
a =
1 1
=
k k
a para todo k>1
Si en
1
no se tuviese el trmino
2
1
, la funcin de autocovarianza del ARMA(1,1) se
parecera a la de un AR(1), donde
0 1
k
k
a = . Por lo tanto, tenemos que el FAC de un ARMA(1,1)
se est comportando como un AR(1) ya que cuando k >q, la FAC converge a cero; por consiguiente
prima la parte AR.
Econometra Moderna
38
15.5.2. La Funcin de Autocorrelacin Simple (FAS)
Esta funcin nos va a ser de mucha utilidad ya que la mayora de los paquetes estadsticos las
representan. Adems, como veremos ms adelante, esta funcin determina con bastante exactitud
cual es el orden adecuado de un proceso MA. Este estadstico est definido as:
) var( ) var(
) Y , cov(Y
k - t t
k
k t t
Y Y
= (15.31)
o bien
ianza var
k rezago del covarianza
0
k
k
=
=
El valor de
k
se encuentra entre 1 y +1. En la prctica tan slo contamos con la realizacin
muestral del proceso estocstico discreto (PED). Por este motivo solamente se puede calcular la
funcin de autocorrelacin muestral,
k
. Para su estimacin primero se deber estimar cul es la
varianza y covarianza muestral al rezago k:
n
Y Y Y Y
n
Y Y
k t t
t
=
+
) )( (
) (
k
2
0
donde n es el tamao de la muestra e Y es la media muestral. De esta manera, la funcin de
autocorrelacin muestral al rezago k estara definida como:
0
k
k
= (15.32)
Al igual que en el acpite anterior presentaremos la derivacin de los valores de esta funcin para
los diferentes PED.
Modelo AR(1)
0
k k - t t
k
) var( ) var(
) Y , cov(Y
= =
k t t
Y Y
(15.33)
Como el proceso es estacionario entonces el valor de la varianza de Y
t
se mantendr constante a lo
largo del tiempo. Es por este motivo que podemos reemplazar el denominador por
0
.
Captulo 15: Series de Tiempo Estacionarias
39
La funcin de autocorrelacin simple (FAS) est determinada de la siguiente manera:
1
0
=
1
0
1
1
a = =
2
1
0
2
2
a = =
si continuamos con este mismo procedimiento:
k k
a
1
0
k
= =
esta ltima expresin va a converger a cero conforme se calcule ms trminos ya que el valor de a
1
es menor a 1 en valor absoluto. Si toma un valor positivo, entonces los valores convergern
suavemente a cero. Si en cambio este coeficiente toma un valor negativo, entonces la funcin
converger a cero oscilando, como se puede apreciar en la Figura 15.8.
Modelo AR(2)
La derivacin de esta funcin se realiza sobre la base de las ecuaciones de Yule Walker obtenidas
para la funcin de autocovarianzas (FAC). Como sabemos que la FAC est determinada de la
siguiente manera:
0 k que siempre
2 2 1 1
> + =
k k k
a a
entonces, si dividimos la expresin anterior con
0
, obtendremos:
-1.0
-0.5
0.0
0.5
1.0
1.5
2 4 6 8 10 12 14 16 18 20
FAS
0.0
0.2
0.4
0.6
0.8
1.0
2 4 6 8 10 12 14 16 18 20
FAS
Y
t
=0.8* Y
t-1
+
t
Y
t
= -0.8* Y
t-1
+
t
Figura 15.8
Funcin de Autocorrelacin Simple (FAS)
para un proceso AR(1)
Econometra Moderna
40
2 2 1 1
+ =
k k k
a a
siempre que k >0. Esta ltima expresin sera la versin de Yule-Walker para la funcin de
autocorrelacin simple. De esta manera podemos calcular:
2
1
1
1 2 1 1
1 2 0 1 1
1 a
a
a a
a a
=
+ =
+ =
2
2
1
1 2
0 2 1 1 2
1
a
a
a
a
a a
+
(
=
+ =
para comprender como es que se lleg a tales expresiones es necesario recordar dos puntos: 1
0
= ,
y que existe simetra entre los trminos de estas funciones:
1 1 +
= . Con el clculo muestral de
1
,
2
y
2
y
y podemos estimar los valores de a
1
, a
2
y
2
.
-0.8
-0.4
0.0
0.4
0.8
1.2
2 4 6 8 10 12 14 16 18 20
FAS
-1.0
-0.5
0.0
0.5
1.0
2 4 6 8 10 12 14 16 18 20
FAS
Figura 15.9
Funcin de Autocorrelacin Simple (FAS) para un proceso AR(2)
Como se puede observar en los grficos, cuando el coeficiente a
2
es negativo, la trayectoria de la
funcin de autocorrelacin simple presenta una curva sinusoidal. Esto se debe a que las races
caractersticas de la ecuacin: 1- a
1
L a
2
L
2
pueden ser complejas.
Se puede concluir que los grficos producidos por la FAS no permiten determinar el orden de los
procesos AR. Como veremos ms adelante, para una fcil determinacin se tiene que utilizar la
FAP.
Modelo MA(1) y MA(2)
Los modelos de medias mvil van a presentar una funcin de autocorrelacin de igual
comportamiento que la funcin de autocovarianza (FAC), por lo que nos servir de indicador del
orden de este proceso de la serie bajo anlisis.
1
0
=
Y
t
=0.45*Y
t-1
+0.35*Y
t-2
+
t
Y
t
=0.65*Y
t-1
-0.55*Y
t-2
+
t
Captulo 15: Series de Tiempo Estacionarias
41
2
1
1
0
1
1
1
= =
0
0
2
2
= =
Figura 15.10
Funcin de Autocorrelacin Simple (FAS) para un proceso MA(1) y MA(2)
Esta serie adoptar el valor de cero cuando k >1. En cambio, si la serie presentase un
comportamiento tipo MA(2), entonces el valor de la FAS no caera a cero para
2
sino para
3
. De
esta manera, el investigador deber de tener en cuenta a esta funcin para determinar si la serie se
comporta como un proceso MA, junto con el grado apropiado.
1
0
=
) 1 (
) (
2
2
2
1
1 2 1
0
1
1
+ +
= =
) 1 (
2
2
2
1
2
0
2
2
+ +
= =
0
0
3
3
= =
Modelo ARMA(1,1)
En la seccin 15.5.1, en donde se estudio la FAC, para un proceso del tipo ARMA(1,1) se
determin que:
-1.0
-0.5
0.0
0.5
1.0
1.5
1 2 3 4 5 6 7
FAS
-1.0
-0.5
0.0
0.5
1.0
1.5
1 2 3 4 5 6 7
FAS
Y
t
=
t
+ 0.65*
t-1
Y
t
=
t
+ 0.65*
t-1
-0.55*
t-2
Econometra Moderna
42
2
2
1
1 1
2
1
0
) - (1
) 2a (1
a
+
=
2
2
1
1 1 1 1
1
) 1 (
) a )( a (1
a
=
1 1 2
a =
y esta misma estructura para el resto
1 k 1 k
a
=
De esta manera, los componente FAS son:
1 1
1 1 2
1 1
2
1
1 1 1 1
1
0
) 2 1 (
) )( 1 (
1
=
=
+
=
=
k k
a
a
a
a a
La FAS para un proceso ARMA(1,1) hereda el comportamiento de su componente AR ya que va
decreciendo con el incremento de los rezagos. Es decir, el componente AR determina el
comportamiento de la FAS luego de que k>q. Tambin hereda la dificultad de poder determinar el
grado (p) de un proceso ARMA a travs de nicamente la funcin FAS
La Figura 15.11 no permite al investigador poder discernir con claridad entre un proceso AR(1) y
un proceso ARMA(1,1).
Ejemplo:
1 1
5 . 0 8 . 0
+ + =
t t t t
Y Y
-0.6
-0.4
-0.2
0.0
0.2
0.4
2 4 6 8 10 12 14 16
Captulo 15: Series de Tiempo Estacionarias
43
Figura 15.11
FAS de un proceso ARMA(1,1).
15.5.3 La Funcin de Autocorrelacin Parcial (FAP)
Esta funcin trata de recoger cules son los efectos de determinado rezago sobre la variable
explicada, corregido por los rezagos medios. De esta manera, si quiero obtener cual es el efecto del
rezago k sobre Y
t
, entonces tengo que estimar la siguiente relacin:
t k t k t t t
Y a Y a Y a Y + + + + =
~
...
~ ~ ~
2 2 1 1
si definimos a Y como el promedio que esta variable alcanza durante toda la muestra
22
, entonces
Y Y Y
t t
=
~
. El coeficiente de autocorrelacin parcial del rezago k cuando existe k rezagos ) (
kk
es igual al estimado
k
a
23
. Se emplean las desviaciones con respecto a su media de las variables
para eliminar la constante. En el caso que se quisiese obtener ) (
22
, se tendra que estimar el
parmetro a
2
de la siguiente relacin:
t t t t
Y a Y a Y + + =
2 2 1 1
~ ~ ~
En general, parte de la correlacin existente entre Y
t
e Y
t-2
estar producida por el hecho de que
ambas estn correlacionadas con Y
t-1
, y esto es lo que trata de corregir la FAP. Por ejemplo, la
correlacin parcial para el rezago 4 mide la mejora marginal del poder predictivo de
4 - t
Y cuando
1 - t
Y ,
2 - t
Y e
3 - t
Y estn ya incluidos en el modelo. Es decir, la funcin de autocorrelacin parcial
4
es el coeficiente de Y
t-4
en una regresin en donde los tres primeros rezagos ya han sido utilizados.
La funcin de autocorrelacin parcial y la simple son iguales para el primer rezago:
t t t
Y a Y + =
1 1
~ ~
por lo que
1 11 1
= = a .
Para un proceso AR(1), la funcin de autocorrelacin parcial se puede calcular de la siguiente
manera:
t t t
Y a Y + =
1 1
~ ~
en donde el primer valor de esta funcin sera igual a
1 11
a = . Para calcular el segundo elemento
de la FAS, se tendra que modificar la expresin anterior,
22
Al realizar esta operacin se est alterando la distribucin de la variable
t
Y , ya que no se le est restando una
constante sino termino variable. El valor de
t
Y se ver alterado conforme se vaya modificando el rango muestral. Sin
embargo, asintticamente este promedio no se alterar demasiado como para afectar las propiedades de la distribucin.
23
La nomenclatura
ij
nos indica que en la regresin en donde se incluyen los i primeros rezagos de la serie, se est
calculando la correlacin parcial del rezago j. Los elementos que conforman la funcin FAP son los coeficientes
ii
.
Los coeficientes
ij
van a ir acercndose asintticamente a su verdadero valor en la medida que se vaya incrementando
el nmero de rezagos, en especial, cuando se analiza procesos ARMA.
Econometra Moderna
44
t t t t
Y a Y a Y + + =
1 2 1 1
~ ~ ~
sin embargo, el valor que alcanza este es de 0
22
=
Es por este motivo que la grfica de la funcin FAP para los procesos AR(p) cuenta con un nmero
de elementos igual al orden de la serie. Esto la coloca como herramienta fundamental para
reconocer un proceso AR y su grado. Sino se puede observar los grficos para un proceso AR(1) y
AR(2).
En el caso que se nos presente una serie de medias mviles para su anlisis, y tal como ya se haba
dicho en la seccin anterior, es la funcin FAS la funcin apropiada para determinar el orden de un
MA(q). La FAP para un modelo de medias mviles no nos permiten identificar fcilmente su
orden.
Un primer paso para estimar la FAP para un proceso MA(q) es invertirlo para determinar cuales
son los coeficientes del modelo en su forma autorregresiva. En la seccin 15.4.2 obtuvimos la
siguiente representacin para un proceso MA(1):
-1.0
-0.5
0.0
0.5
1.0
1 2 3 4 5 6 7 8 9
FAP
-1.0
-0.5
0.0
0.5
1.0
1 2 3 4 5 6 7 8 9
FAP
-1.0
-0.5
0.0
0.5
1.0
1 2 3 4 5 6 7 8 9
FAP
-1.0
-0.5
0.0
0.5
1.0
1 2 3 4 5 6 7 8 9
FAP
Figura 15.12
Funcin de Autocorrelacin Parcial (FAP)
para procesos autorregresivos de orden 1 y 2.
Y
t
=0.45*Y
t-1
+0.35*Y
t-2
+
t
Y
t
=0.65*Y
t-1
-0.55*Y
t-2
+
t
Y
t
=0.8* Y
t-1
+
t
Y
t
= -0.8* Y
t-1
+
t
Captulo 15: Series de Tiempo Estacionarias
45
t
k
k t
k
t
Y Y + =
1
1
donde los valores que adopten los coeficientes de los componentes
k t
Y
=
+ =
=
T
t
t
T
k t
k t t
k
y y
y y y y
r
1
2
1
) (
) )( (
mientras que su varianza se calcula de la siguiente manera:
Figura 15.16
Representacin de la FAS y la FAP muestrales para una
serie no estacionaria y estacionaria.
Econometra Moderna
50
1 k que caso el , / ) r 2 (1
1 k que caso el , ) (
1 - k
1 j
2
j
1
> + =
= =
en T
en T r Var
k
Es importante destacar que estas expresiones corresponden a una aproximacin de la verdadera
varianza (y desviacin de r
k
). Esta aproximacin tiende a sobreestimar el valor de la varianza por lo
que las bandas de confianza ( T 2 ) pueden indicar la no significancia de una estructura cuando
en realidad s la hay. Lo importante es comparar la forma de comportamiento de la funcin FAS y
la funcin FAP an cuando estas aparentemente no sean significativas.
CASO PRACTICO 15.1: Identificacin de un modelo de Series de Tiempo para el PBI peruano
29
PARTE I
29
Seminario de Marzi, Bruno y Arlette Beltrn. Crecimiento econmico en el Per 1896-1995: nuevas evidencias
estadsticas. Centro de Investigacin de la Universidad del Pacfico, 1998.
-0.15
-0.10
-0.05
0.00
0.05
0.10
0.15
0.20
1900 1920 1940 1960 1980
Logaritmo PBI real estacionario
0
5000
10000
15000
20000
1900 1920 1940 1960 1980
PBI real
6
7
8
9
10
11
1900 1920 1940 1960 1980
Logaritmo PBI real (sin quiebre)
Figura 15.15
Grfico del PBI real peruano. Con presencia de imperfecciones en la
muestra (a), limpiado de quiebre estructural (b) y estacionalizado (c)
(a) (b)
(c)
Captulo 15: Series de Tiempo Estacionarias
51
En la parte (a) de la Figura 15.15 podemos observar el grfico del PBI real peruano para el periodo
1896-1995. En este grfico observamos que existe un valor extremo (correspondiente al ao 1916)
y que no se cuenta con datos para los aos 1950, 1951, 1958, 1959 y 1960
30
.
El problema del valor extremo se soluciona empleando una variable dicotmica para ese ao
31
. Los
puntos en la muestra que no cuentan con data son completados utilizando promedios mviles que
incorpora las tres observaciones anteriores y las tres observaciones posteriores.
La parte (b) de la figura anterior muestra la serie del PBI real ya corregida de estos problemas y
adems se ha aplicado logaritmos. Otra correccin que es necesario efectuar en toda serie
econmica es la posible presencia de un quiebre estructural. En este caso se corrigi un quiebre en
tendencia en el ao 1980. Finalmente, para estacionalizar la serie graficada en la parte (b) se
procede a tomar primeras diferencias. La serie estacionaria resultante est representada en la parte
(c)
32
.
El segundo paso a realizar en esta etapa es el de estimar los modelos candidatos que representen
mejor la serie. Para esto utilizaremos las funciones FAS y FAP. Es necesario tener en cuenta que
estas funciones son calculadas muestralmente por lo que no necesariamente van a tener la misma
exactitud que presentamos en la seccin anterior (en esta se utilizaron representaciones tericas).
En la Figura 15.16 tenemos la funcin FAS y la funcin FAP muestral para las series representadas
en la parte (b) y (c) de la Figura 15.15. Como podemos observar, debido a que la primera de estas
no es estacionaria, la funcin FAS presenta un comportamiento decreciente pero bastante lento. En
cambio, la funcin FAS y la funcin FAP de la serie estacionaria decae rpidamente.
15.6.2. Estimacin
Una vez que se han elegido los modelos candidatos, se procede a estimar los coeficientes. Para esto
se puede aplicar MCO o bien procedimientos no lineales.
En lo que se refiere al empleo del estimador de mnimos cuadrados, cabe indicar que este
procedimiento estima parmetros consistentes siempre y cuando los errores
t
no estn
correlacionados con las variables explicativas Y
t-k
(k>0). Esta condicin es equivalente a decir que
el trmino de error no presente autocorrelacin
33
.
Dependiendo de la especificacin de la estructura del modelo, los paquetes estadsticos puede
utilizar otros procedimientos diferentes del MCO. Estos procedimientos son bsicamente
algoritmos que se resuelven iterativamente. Es necesario tener cuidado con las funciones que no
convergen rpidamente. Los paquetes estadsticos utilizan mtodos no lineales que logran cierta
convergencia pero a costa de una inestabilidad muy fuerte de los parmetros estimados. El nmero
30
Estas imperfecciones en la data han sido realizadas con el fin de ejemplificar los procedimientos a seguir. La verdadera
data no cuenta con estos problemas.
31
No olvidar que se debe de efectuar la regresin de la serie contra la variable dicotmica que corresponde al ao 1916,
pero tambin se debe aadir a la regresin la constante y la tendencia. De esta manera el coeficiente de la variable
dummy adopta un valor bastante cercano a la diferencia entre el verdadero valor y el valor extremo.
32
En el siguiente captulo se ver con ms detalle los procedimientos para estacionalizar una serie. En especial se
analizara el caso de la presencia de raz unitaria y de quiebre estructural.
33
La variable explicativa Y
t-k
(k>0) es estocstica y se encuentra relacionada directamente con
t-k
y con los valores
pasados de este ltimo. Sin embargo, la consistencia de la estimacin est condicionada a que no exista una relacin entre
Y
t-k
y
t
. La presencia de autocorrelacin rompe esta ltima condicin.
Econometra Moderna
52
de iteraciones en algunos paquetes puede ser determinado por el usuario, sin embargo, el
incremento del mismo puede ser indicio de la ausencia de estacionariedad o invertibilidad.
La eleccin entre los modelos candidatos debe cumplir con algunos requisitos:
1. La significancia de los coeficientes. Los parmetros estimados deben de ser significativamente
diferentes de cero. Con el incumplimiento de este punto, el modelo prcticamente est
descartado para continuar con el anlisis.
2. Que presente la menor suma de errores al cuadrado. El modelo que arroje la menor suma de
residuos al cuadrado es aquel que presenta un mejor grado de ajuste. Sin embargo, la inclusin
de un nmero elevado de variables para lograr este fin acta en perjuicio del anlisis, tal como
se explica en el siguiente punto.
3. Se debe escoger un modelo parsimonioso.
La incorporacin de un mayor nmero de componentes a un modelo produce un incremento en el
ajuste del mismo (se incrementa el R
2
) a costa de reducir los grados de libertad. Esto trae como
consecuencia que el poder predictivo del modelo se vea daado ya que con la sobreparametrizacin
el modelo pierde su flexibilidad.
Con el fin de ejemplificar este ltimo punto, es obvio que con la utilizacin de un modelo AR(1),
t 1 - t t
0.7Y Y + = , se puede alcanzar mejores resultados que con la estimacin de su equivalente
MA(), ... 0.343 0.49 0.7 Y
3 - t 2 - t 1 - t t t
+ + + + =
En el caso que se tenga que se tenga que decidir por modelos ARMA un tanto ms complejo en
donde la eleccin bajo el criterio de parsimonia no se puede hacer con facilidad, entonces se
emplean el criterio de Akaike (AIC) y el criterio de Schwartz (SBC). Generalmente este ltimo
seleccionar los modelos ms parsimoniosos que el AIC. Esto se debe a las buenas caractersticas
que posee en muestras grandes. El SBC es asintticamente consistente mientras que el AIC est
sesgado a la eleccin de modelos sobreparametrizados.
4. Otro criterio que tambin se utiliza para descartar o elegir un modelo candidato es que el
estadstico Ljung-Box de los residuos no sean significativamente diferentes de cero.
El estadstico Q(k) determina si existe autocorrelacin entre los k ms recientes residuos del
modelo que se est analizando. De esta manera, el investigador puede elegir tomar los valores de
Q(7), Q(14) y Q(21) y comprobar que todos cumplan con la hiptesis nula de la no presencia de
autocorrelacin. El modelo que rechace esta condicin queda descartado por lo que se debera
mejorar su especificacin.
Adems se tiene que tener cuidado de la presencia de factores comunes. Qu significa esto?
Bueno, que dado un modelo ARMA(p,q), se puede alcanzar una expresin parsimoniosa
equivalente, ARMA(p*, q*), en donde p > p* y q > q*, sin reducir el poder predictivo del mismo.
Podemos ejemplificarlo utilizando el siguiente modelo ARMA(3,2):
t
2
2 1 t
3
3
2
2 1
) L L (1 )Y L a L a L a (1 + + =
Captulo 15: Series de Tiempo Estacionarias
53
en donde ) 1 (
3
3
2
2 1
L a L a L a puede ser expresada como el siguiente producto
) L L 1 )( cL 1 (
2
2 1
+ + + y ) L L (1
2
2 1
+ + como ) L b L b 1 )( cL 1 (
2
2 1
+ + + . Por lo que
eliminando el factor comn se podra llegar a un modelo ms parsimonioso. Una seal de la
presencia de un factor comn es la alta correlacin entre los coeficientes estimados, la cual provoca
la inestabilidad de los mismos.
CASO PRACTICO 15.1: Identificacin de un modelo de Series de Tiempo para el PBI peruano
PARTE II
Como se haba sealado en la primera parte de este caso prctico, los modelos candidatos que nos
indicaban el anlisis de las funciones de autocorrelacin eran modelos AR(1), AR(2), MA(1) y
MA(3).
Se estimaron los siguientes modelos:
Modelo I:
t t t t
Y a Y a Y + + + =
2 2 1 1
Modelo II:
1 1 2 2 1 1
+ + + + =
t t t t t
Y a Y a Y
Modelo III:
3 2 1 1 2 2 1 1
+ + + + + =
t t t t t t
Y a Y a Y
En la siguiente tabla podemos resumir los resultados obtenidos:
Modelo I Modelo II Modelo III
Coeficientes
estimados
(desviacin
estndar)
a
1
= 0.410 (0.100)
a
2
= -0.254 (0.103)
a
1
= 1.044 (0.144)
a
2
= -0.476 (0.094)
1
= -0.728 (0.139)
a
1
= 0.990 (0.299)
a
2
= -0.443 (0.178)
1
= -0.676 (0.284)
2
= -0.041 (0.191)
Suma de Residuos
al Cuadrado
0.189705 0.176665 0.176625
R-cuadrado
ajustado
0.145305 0.195499 0.186937
AIC -3.337263 -3.387862 -3.367468
SBC -3.257633 -3.281689 -3.234751
Q-Estadstico
Ljung-Box (grado
de significancia)
Q(7) = 9.501 (0.219)
Q(14) = 14.951 (0.382)
Q(21) = 16.869 (0.719)
Q(7) = 3.571 (0.828)
Q(14) = 8.922 (0.836)
Q(21) = 11.960 (0.941)
Q(7) =3.299 (0.856)
Q(14) = 8.574 (0.857)
Q(21) = 11.552 (0.951)
Como podemos observar en la tabla, todos los modelos excepto el Modelo III poseen coeficientes
significativamente diferentes a cero. El coeficiente del componente MA(3) result ser no
significativo, por lo que este modelo deja de ser contado de entre los candidatos. Entre el modelo
AR(2) y el modelo ARMA(2,1), el segundo posee una menor suma de residuos al cuadrado y un
mayor R-cuadrado ajustado, por lo que este modelo presenta un mejor grado de ajuste.
En lo que respecta a los indicadores de parsimonia, el AIC y SBC favorece tambin al modelo
ARMA(2,1). Finalmente, el Q-Estadstico desarrollado por Ljunk-Box presenta valores menores
Econometra Moderna
54
para este modelo, por lo que podemos decir que la mejor estructura que explica al logaritmo de la
serie PBI real es un modelo ARMA(2,1)
34
.
15.6.3. Comprobacin del diagnstico
En esta etapa de la metodologa se procede a determinar las caractersticas del modelo elegido.
Bsicamente el anlisis se centra en los errores que se obtienen de usar el modelo elegido en la
anterior etapa. En primer lugar, es necesario observar que los residuos del mismo no presenten
ningn tipo de patrn de comportamiento. La presencia del mismo nos indicara que el modelo
ARMA(p,q) puede ser especificado de una mejor manera. Es decir, no debe existir ningn tipo de
correlacin en la serie de residuos y para este fin podemos utilizar la funcin FAS y la funcin
FAP.
Otras herramientas que nos ayudan a determinar las caractersticas de los errores son los tests de
autocorrelacin y de heterocedasticidad. Tambin tenemos que comprobar que los errores se
distribuyan de acuerdo con una distribucin normal. Adems, estos residuos no deben contar con
ningn tipo de quiebre estructural. La presencia del mismo debi de haber sido tratada en la
seccin 15.6.1.
Una ltima prueba a realizar consistira en agregarle a nuestro modelo final, cualquier tipo de
elemento al azar (puede ser un componente AR o MA) de tal manera que necesariamente debera
brindarnos peores resultados predictivos ( una mayor suma de errores de prediccin al cuadrado)
35
.
En caso que esto no se de, entonces nuestro modelo anterior debera ser revisado.
CASO PRACTICO 15.1: Identificacin de un modelo de Series de Tiempo para el PBI peruano
PARTE III
El modelo elegido como el que mejor explica el logaritmo de la serie del PBI real peruano es un
modelo ARMA(2,1) o mejor dicho, un modelo ARIMA(2,1,1) porque a la esta serie fue
diferenciada una vez para lograr su estacionariedad. Para verificar que este modelo realmente
representa una buena estimacin de la serie de tiempo, vamos a revisar las caractersticas de sus
residuos.
Para esto utilizamos las funciones FAS y FAP:
Autocorrelation Partial
Correlation
Q-Stat Prob
. | . . | . 1 0.0012 0.973
. | . . | . 2 0.0392 0.981
. | . . | . 3 0.0422 0.998
34
En todos los modelos analizados se presentaron races caractersticas menor a la unidad por lo que todos los modelos
eran estacionarios e invertibles.
35
La sobreparametrizacin reduce la capacidad predictiva del modelo.Todo lo referido al empleo de los modelos de
series de tiempo con fines predictivos ser tratado en la seccin 15.8.
Captulo 15: Series de Tiempo Estacionarias
55
.*| . .*| . 4 0.8902 0.926
. |*. . |*. 5 2.2699 0.811
. | . . | . 6 2.3909 0.880
. |*. . |*. 7 3.5706 0.828
.*| . .*| . 8 6.3510 0.608
. |*. . |*. 9 7.7023 0.564
. |*. . | . 10 8.2949 0.600
. | . . |*. 11 8.4222 0.675
. | . . | . 12 8.4757 0.747
. | . . | . 13 8.5026 0.809
.*| . .*| . 14 8.9224 0.836
. | . . | . 15 9.0211 0.876
. | . .*| . 16 9.1178 0.908
.*| . . | . 17 9.5284 0.922
.*| . .*| . 18 9.9383 0.934
.*| . .*| . 19 11.891 0.890
. | . . | . 20 11.935 0.918
. | . . | . 21 11.960 0.941
. | . .*| . 22 11.984 0.958
.*| . .*| . 23 15.893 0.860
. | . . | . 24 15.916 0.891
Figura 15.17
Representacin de la funcin FAS y la funcin FAP muestral de los
residuos de la aplicacin de un modelo ARMA(2,1).
Como podemos observar, ningn valor result ser significativamente diferente de cero ni se
observa algn patrn de comportamiento. Tambin utilizamos un test de autocorrelacin (Test de
Breusch-Godfrey), el cul nos indic que no exista este tipo de perturbacin.
Para verificar que no exista heterocedasticidad en los errores no se pudo aplicar el test de White
debido a la estructura del modelo. El test no puede ser calculado cuando contamos con
componentes explicativos AR o MA. Sin embargo, el anlisis de la grfica de estos errores disipa
cualquier sospecha de su presencia.
-0.20
-0.15
-0.10
-0.05
0.00
0.05
0.10
1900 1920 1940 1960 1980
Econometra Moderna
56
Figura 15.18
Serie de residuos resultante de la modelacin, a travs de un proceso
ARIMA (2,1,1), del logaritmo de la serie del PBI real corregida por
la presencia de un quiebre estructural en tendencia.
En lo que se refiere a la normalidad de esta serie de residuos, el test de normalidad de Jarque-Bera
nos indica que esta no se presenta. Sin embargo, amparndonos en el Teorema Central del Lmite,
podemos decir que el trabajar con series de tiempo (lo que implcitamente supone el uso de una
muestra grande), asegura que nuestros errores sean asintticamente normales.
De esta manera hemos concluido las tres etapas de la metodologa desarrollada por Box-Jenkins.
En la siguiente seccin se tratar una caracterstica muy comn de las series de tiempo conocida
como la estacionalidad. En la ltima seccin se revisa la forma de emplear con fines predictivos los
modelos de series de tiempo que se pueden obtener para una serie. Precisamente, la capacidad
predictiva de estos modelos son su principal atractivo y la razn por la que han sido arduamente
estudiados en estos ltimos aos.
1 15 5. .7 7. . E ES ST TA AC CI IO ON NA AL LI ID DA AD D
Existen series de tiempo de datos como por ejemplo el flujo de turistas al Cuzco, la demanda de
dinero, el consumo de helados, etc. que presentan un comportamiento estacional, esto es, que su
consumo o demanda se incrementa en determinados lapsos de tiempo. Si contsemos con
observaciones mensuales de cualquiera de las series antes mencionadas, observaramos un
incremento del flujo de turistas para los meses de Julio-Agosto, el aumento en la demanda por
dinero a la mitad y al fin del ao y, obviamente, el consumo de los helados que experimenta un
incremento todos los aos durante los meses de verano. De esta manera, estas series presentan un
patrn de comportamiento que se repite cada ao para la misma "estacin".
Este tipo de comportamiento sistemtico debe ser incluido en la modelacin de cualquier proceso.
De lo contrario, la especificacin que se obtenga carecer de un adecuado grado de ajuste.
Un inconveniente que el investigador puede encontrar al momento de tratar de determinar una
especificacin a su modelo, es que generalmente la estacionalidad viene acompaada de no
estacionariedad, provocando sea tratado como tan slo una serie no estacionaria. Por este motivo es
necesario que utilicemos como herramientas la funcin FAS y la funcin FAP.
Para determinar el modelo estacionario de una serie se tiene que analizar el comportamiento de los
primeros valores de la funcin FAS y la funcin FAP. Cuando se analiza la estacionalidad tambin
debe de tomarse en cuenta los primeros valores de orden estacional. De esta manera, si
estuvisemos trabajando con una serie trimestral, el investigador deber de revisar los valores 1, 2,
3, 4 y 8 de ambas funciones. En el caso de una serie mensual deber de observar los valores 1, 2, 3,
4, 6, 12 y 24.
Si al momento de observar la funcin FAS de una serie observamos que sus componentes
6
,
12
,
18
, etc., no decrecen siguiendo el patrn de sus consecutivos y aun ms, son significativamente
diferentes de cero, entonces podemos encontrarnos frente a una serie que presente un
Captulo 15: Series de Tiempo Estacionarias
57
comportamiento estacional con un ciclo de 6 meses. De esta manera, la forma de poder eliminar
este patrn de comportamiento consiste en diferenciar la serie.
A continuacin observaremos en la Figura 15.19, la serie de tiempo de la demanda por circulante
36
.
En ella se puede ver claramente que existe este comportamiento estacional y que a su vez no es
estacionaria.
Figura 15.19
Demanda por circulante. Se puede observar que
claramente que existe una tendencia adems de un
comportamiento estacional.
La FAP nos indica que aproximadamente el comportamiento estacional se da cada 12 meses por lo
que habr que diferenciar la serie por ese lapso de tiempo. En realidad no existe un orden definido
entre volver estacionaria la serie y limpiar de estacionalidad. El resultado es el mismo aunque la
serie estacionaria pero con estacionalidad presenta una mayor volatilidad, tal como lo demuestra la
siguiente figura:
-800
-400
0
400
800
1200
95:01 95:07 96:01 96:07 97:01 97:07 98:01 98:07
Serie estacional Serie no estacionaria
36
Esta serie ha sido corregida de quiebre estructural en tendencia en el mes de marzo de 1995. Adems el test de Zivot
nos indic que exista presencia de raz unitaria. Si le sacamos la primera diferencia a esta serie entonces la volveramos
estacionaria.
Fuente: Coyuntura Econmica. Centro de Investigacin de la Universidad del Pacfico
1000
2000
3000
4000
5000
6000
1994 1995 1996 1997 1998
-300
-200
-100
0
100
200
95:01 95:07 96:01 96:07 97:01 97:07 98:01 98:07
Serie no estacional-estacionaria
Econometra Moderna
58
Figura 15.20
En la parte (a) se puede observar dos series resultantes de haber corregido el problema o
bien de estacionalidad o bien no estacionariedad. En la parte (b) tenemos la serie
limpiada de ambos problemas.
Para limpiar a la serie de estacionariedad se ha tomado primeras diferencias a la serie:
t
L)Y - (1 ;
mientras que la estacionalidad se corrige de la siguiente manera:
t
12
)Y L - (1 . La parte (b) de la
Figura (15.20) corresponde a la siguiente serie estacionaria:
t
12
)Y L - L)(1 - (1 . Recin a esta serie se
le va a buscar un proceso que tenga un buen grado de ajuste. Luego de observar la funcin FAS y
la funcin FAP, una vez determinados de entre los mejores candidatos cul de ellos tiene un mejor
grado de ajuste y de parsimonia, se determin que el mejor modelo para explicar estos residuos era
un MA(10). As mismo, los residuos de esta especificacin MA(10) se distribuyen segn una
normal y no presentan autocorrelacin, lo que nos indica que se ha determinado una correcta
especificacin.
En resumen, el modelo para la serie de demanda por circulante es el siguiente:
t t
L Y L L ) 1 ( ) 1 )( 1 (
10
10
12
+ =
1 15 5. .8 8. . P PR RE ED DI IC CC CI I N N
El ms importante uso de los modelos de series de tiempo radica en su utilizacin para elaborar
predicciones. En la prctica se ha visto que este tipo de modelos presenta mejores estimaciones que
los modelos estructurales, por este motivo en los ltimos aos se ha escrito abundante literatura al
respecto.
Al elaborar procesos ARMA(p,q) que tratan de explicar el comportamiento de alguna serie,
estamos elaborando un modelo que incorpora valores pasados de la variable junto trminos de
medias mviles. Por este motivo, se puede aprovechar esta estructura y generar alguna funcin que
nos permita poder elaborar estimaciones del comportamiento de la serie en el futuro. Esta funcin
lleva el nombre de funcin de prediccin.
15.8.1. Funcin de Prediccin
Ahora calcularemos la funcin de prediccin de un modelo AR(1). Lo primero que debemos hacer
es calcular cual es el valor que tomar la serie Y
t
en el periodo t+1. Sin embargo, esta estimacin
est condicionada al conjunto de informacin que tenemos hasta el periodo t. La prediccin para el
periodo t +1 es la siguiente:
t t t
t t t t t t t
Y a Y E
E Y a E E Y E
1 1
1 1 1
) (
) ( ) ( ) ( ) (
+ =
+ + =
+
+ +
luego, la prediccin de la serie Y
t
para el periodo t +1 es:
t t t
t t t t
Y a a Y E
Y E a Y E
2
1 1 2
1 1 2
) 1 ( ) (
) ( ) (
+ + =
+ =
+
+ +
Captulo 15: Series de Tiempo Estacionarias
59
Para estos clculos hemos tenido en cuenta los siguientes criterios:
a. La esperanza condicional ) (
t t
Y E es igual a Y
t
ya que en el conjunto de informacin
disponible en el instante T est tambin incluida esta variable y los valores pasados de la
misma. Por este motivo, podemos generalizar:
k t k t t
Y Y E
= ) ( (donde k0).
b. La esperanza condicional de los ruidos blancos futuros, E
t
t+k
(k>0), es igual a cero.
Si continuamos calculando los valores futuros de la serie Y
t
podemos derivar su funcin de
prediccin:
t
k k
k t t
Y a a a a a Y E
1
1
1
3
1
2
1 1
) ... 1 ( ) ( + + + + + + =
+
(15.34)
Hay tres caractersticas que cabe resaltar en esta funcin de prediccin de un proceso AR. Primero,
a medida que se va ampliando el horizonte de prediccin, la(s) ltima(s) observacin(es) (Y
t
)
influye(n) cada vez menos en este estimado mientras que el peso de la esperanza incondicional se
va incrementando (esto depende del orden del proceso). Para una visualizar mejor esta
caracterstica podemos especificar la ecuacin (15.34) de la siguiente manera:
t
k
t
k
k t t
Y a EY a Y E
1 1
) 1 ( ) ( + =
+
(15.35)
La segunda caracterstica, que es una derivacin de la primera, nos indica que el valor a que
converge el valor estimado de Y
t
en el futuro es igual a su esperanza incondicional:
) 1 (
) (
1
a
EY Y E Lim
t k t t
k
= =
+
La tercera caracterstica de esta funcin de prediccin, y en general, para cualquier proceso AR(p)
es que incluye las p ltimas observaciones de la serie.
Las funciones de prediccin para un proceso MA(q) tambin presentan caractersticas particulares.
Tomemos como ejemplo un proceso MA(1), y estimemos su valor para los periodos t +1 y t +2:
0 ) ( ) ( ) (
0 ) ( ) ( ) (
1 1 2 2
1 1 1
= =
=
+ + +
+ +
t t t t t t
t t t t t t
E E Y E
E E Y E
es fcil generalizar que la prediccin para Y
t+k
, donde k>1, siempre ser igual a cero para un
MA(1). Generalizando, la prediccin del trmino k (k>q), de un proceso MA(q), siempre ser cero.
Otro camino alternativo para poder realizar la prediccin del proceso MA(1) se tiene que invertir la
expresin general, proyectarla para el periodo t+1 y tomarle la esperanza condicional. Nuestro
lectores podrn comprobar que al realizar este procedimiento para estimar ) Y ( E
2 t t +
, el resultado
ser cero.
La funcin de prediccin para un proceso ARMA(p,q) es bien parecido a la de un proceso
puramente AR. Tambin se cumple, como en todo tipo de proceso estacionario, que la prediccin
para valores muy alejados converge a la media incondicional de ese proceso.
Econometra Moderna
60
15.8.2. Error de Prediccin
El error de prediccin est definido como la diferencia entre la realizacin de la serie y la
prediccin de la misma. Las caractersticas que pueden presentar estos errores dependen de la
especificacin de los modelos. Si se ha especificado el mejor modelo, entonces nuestra prediccin
ser la ptima y obtendremos por error de prediccin una serie de ruidos blancos. En el caso de una
especificacin incorrecta, estos errores contarn adicionalmente con un componente de mala
especificacin que afectar su varianza.
Si el modelo est bien especificado, entonces los errores de prediccin presentan una media igual a
cero. La varianza de estos errores depende de la especificacin del modelo. En el caso de haber
utilizado un proceso AR(1), contaremos con la siguiente serie de errores de prediccin:
k t t
k
t
k
t
t t t
t t t t t
a a k e
a e
Y E Y e
+ +
+ +
+ + +
+ + + =
+ =
= =
... ) (
) 2 (
) ( ) 1 (
2
2
1 1
1
1
2 1 1
1 1 1
M
La varianza de esta serie se va a ir incrementando conforme se ample el horizonte de prediccin,
aunque los incrementos cada vez sern menores ) 1 a (
1
< .Finalmente, esta varianza va a converger
al valor de la varianza de la serie.
) 1 ... ( )) ( (
) 1 ( )) 1 ( (
)) 1 ( (
) 2 ( 2
1
) 1 ( 2
1
2
2
1
2
2
+ + + =
+ =
=
k k
t
t
t
a a k e Var
a e Var
e Var
M
En el caso que hubisemos empleado un proceso MA(q), la varianza de los errores de prediccin se
ir incrementando hasta que k = q. Luego, la varianza de esta serie se mantiene constante. Como
ejemplo observemos los errores de prediccin de un proceso MA(1):
1 1
1 1 2
1
) (
) 2 (
) 1 (
+ +
+ +
+
=
=
=
k t k t t
t t t
t t
k e
e
e
M
y su varianza se comportar de la siguiente forma:
) 1 ( )) ( (
) 1 ( )) 2 ( (
)) 1 ( (
2
1
2
2
1
2
2
+ =
+ =
=
k e Var
e Var
e Var
t
t
t
M
Captulo 15: Series de Tiempo Estacionarias
61
esto se cumple para k>q. Es decir, la varianza se va incrementando hasta que k = q, de ah en
adelante, sta se mantiene constante.
Se deja como ejercicio al lector la derivacin de la varianza para procesos del tipo ARMA(p,q).
Una vez que hemos determinado las formas que pueden adoptar la varianza de los distintos tipos de
procesos, podemos elaborar intervalos de confianza para nuestras estimaciones. Se puede indicar
que los intervalos de confianza para un modelo AR irn creciendo continuamente junto con el
horizonte de prediccin. En el caso de modelos MA, estos permanecern constantes a partir del
periodo q hacia el futuro.
De esta manera, la expresin para los intervalos de confianza ser la siguiente:
) (
) (
k e k t t
t
Y E
+
el valor que adopta depende del grado de confianza que se quiera incorporar. Tericamente, estos
errores de prediccin siguen una distribucin Normal y se quiere obtener un intervalo de 95% de
confianza, entonces el valor tabular de a elegir es 1.96.
CASO PRACTICO 15.2: Prediccin de la Demanda por Circulante en el Per
En la seccin 15.7 haba determinado que el mejor modelo que explicaba al PBI no estacionario era
el siguiente:
t t
L Y L L ) 1 ( ) 1 )( 1 (
10
10
12
+ =
Los dos parntesis que multiplican a la serie Y
t
son diferenciaciones de distinto orden para volver
estacionaria la serie y quitarle la estacionalidad. Una vez aplicadas estas diferencias se estim que
el mejor modelo que la poda explicar era un MA(10). Ahora nuestro objetivo es elaborar una
prediccin de esta serie.
El horizonte de prediccin que se escogi fue de 20 meses. En la Figura 15.21.a podemos observar
la estimacin que el EVIEW 3.1 elabora, adems de los intervalos de confianza de 2 desviaciones
estndar. En la grfica se aprecia que la serie estimada presenta un primer periodo de oscilaciones
(10 meses) ya que este corresponde a las q primeras predicciones de un proceso MA(q) que son
diferentes a su media.
(a) (b)
Figura 15.21: Prediccin del PBI peruano
-300
-200
-100
0
100
200
1995 1996 1997 1998 1999 2000
Dda por circulante estacionaria Prediccin
2000
3000
4000
5000
6000
7000
1995 1996 1997 1998 1999 2000
Dda por circulante no estac. Prediccin
Econometra Moderna
62
En este punto la pregunta es cmo reconstruimos la serie no estacionaria y estacional. En primer
lugar, para convertir la serie no estacionaria en una estacionaria se aplic primeras diferencias, de
la siguiente manera:
t t t
Z Y Y =
1
hasta ahora slo tenemos la prediccin de la serie Z
t
. La expresin anterior la podemos reordenar:
1
+ =
t t t
Y Z Y
por lo que para reconstruir la serie Y
t
es necesario especificarla de la siguiente manera:
t k t k t k t
t t t t
t t t
Y Z Z Y
Y Z Z Y
Y Z Y
+ + + =
+ + =
+ =
+ + +
+ + +
+ +
...
1
1 2 2
1 1
M
Similar procedimiento se efecta para reconstruir la serie estacional. El resultado que obtenemos
puede ser apreciado en la parte (b) de la Figura (15.21).
Captulo 15: Series de Tiempo Estacionarias
63
Apndice 15.1: Operador de Rezagos
El operador de rezagos es un operador lineal definido de la siguiente manera:
i t t
i
Y Y L
=
Ya ha sido utilizado en otros captulos como el de Perturbaciones no Esfricas y el de Modelos de
Rezagos Distribuidos y Autorregresivos. Sin embargo, su aplicacin en este captulo y en el resto
del libro es muy importante por lo que es necesario que los lectores revisen este breve apndice
para que conozcan las principales propiedades de este operador y de algunas expresiones que en
adelante sern utilizadas.
Propiedades del Operador de Rezagos
1. Cuando es aplicado en una constante (c), el operador de rezagos nos devuelve el mismo valor
de la variable:
L (c) = c
2. Propiedad distributiva y expotencial
j - t i - t t
j
t
i
t
j i
Y Y Y L Y L )Y L (L + = + = +
j - i - t j - t
i
t
j i
Y Y L )Y L (L = =
i t t
-i
Y )Y (L
+
=
3. Si definimos al coeficiente a como: 1 a < , entonces se cumple lo siguiente:
) 1 ( Y ...) 1 (
t
3 3 2 2
aL Y L a L a aL
t
= + + + +
o bien
) 1 ( Y ) (
t
0
aL Y aL
i
t
i
=
=
4. Ahora bien, si definimos la constante como: 1 > a , entonces se cumple que:
( ) ) 1 ( Y aL - ...) ) ( ) ( ) ( 1
t
3 2 1
aL Y aL aL aL
t
= + + + +
o bien
=
=
0
1
t
) ( ) ( ) 1 ( Y
i
t
i
Y aL aL aL
Econometra Moderna
64
Otras Notaciones
Por ejemplo, la expresin (15.1) puede ser especificada de la siguiente manera:
t
p
i
i t i t
Y a a Y + + =
=
1
0
t t
p
p
a Y L a L a L a + =
0
2
2 1
) ... 1 (
t t
a Y L A + =
0
) (
donde:
p
p
L a L a L a L A = ... 1 ) (
2
2 1
y por consiguiente, la siguiente expresin A(1) es igual a:
p
a a a A = ... 1 ) 1 (
2 1
Se puede especificar el trmino denominado proceso generador de la expresin (15.1) como la
suma ponderada de los trminos aleatorios rezagados, de la siguiente forma:
q t q t t p t p t t
Y a Y a a Y
+ + + + + + + = ... ...
1 1 1 1 0
y si empleamos al operador de rezagos, la expresin anterior puede ser simplificada a:
t t
L B a Y L A ) ( ) (
0
+ =
donde A(L) y B(L) son polinomios de orden p y q, respectivamente.
Para el caso especfico de:
L a L a L a
a
Y
L a Y L a
Y a a Y
t t
t
t t
t t t t
1
1 1
1 1
0
1 0 1
1 1 1 1 0
1 1 1
) 1 ( ) 1 (
=
+ + =
+ + + =
el primer miembro del lado derecho de la ltima expresin tambin puede ser especificado como
1 0
a 1 a , ya que a
0
es una constante. Los dos miembros siguientes pueden ser expandidos a:
0
1 1 1
1
1 1
0
1
1
1
1
i
i t
i t
i
i t
i t
a
L a
a
L a
Captulo 15: Series de Tiempo Estacionarias
65
Condiciones de estabilizacin
En la seccin 15.2 se haba especificado como condicin necesaria y suficiente para que la serie
fuese estacionaria era que sus races caractersticas caigan dentro del circulo unitario. La ecuacin
caracterstica se obtena de modificar el parntesis de la siguiente expresin:
t t
p
p
a Y L a L a L a + =
0
2
2 1
) ... 1 (
por: 0 ) ... (
1
1
=
p
p p
a a
por consiguiente, si no deseamos hacer este reemplazo, y de frente calculamos los valores de L
convierten nulo a ese parntesis, la condicin de estabilizacin es otra. La expresin
0 L a ... L a L a 1
p
p
2
2 1
= , es conocida como la inversa de la ecuacin caracterstica. Debido a
que el valor que adopte L es el recproco del valor que adopte las races caractersticas, la condicin
de estacionariedad nos indica que L debe caer fuera del crculo unitario.