FRANCISCO PARRA RODRGUEZ

(Doctor en Economa. Universidad Nacional de Educacin a Distancia)

ECONOMETRA APLICADA II

Econometria Aplicada II by Francisco Parra Rodrguez is licensed under a Creative Commons

Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional License

NDICE
Parte II
1.

NMEROS INDICES..........................................................................................................................4
1.1. INTRODUCCIN........................................................................................................................4
1.2. NMEROS NDICES SIMPLES.................................................................................................6
1.3. NMEROS NDICES COMPLEJOS O SINTTICOS...............................................................7
1.4. NDICES DE PRECIOS.............................................................................................................10
1.5. ENLACES Y CAMBIOS DE BASE..........................................................................................12
1.6. DEFLACCIN POR UN INDICE DE PRECIOS. ....................................................................14
1.7. INDICES DE VOLUMEN ENCADENADOS. .........................................................................16
1.8. ELABORACIN DE NDICES COMPUESTOS .....................................................................19
1.9. PROBLEMAS ............................................................................................................................23
2. SERIES TEMPORALES....................................................................................................................27
2.1. INTRODUCCIN......................................................................................................................27
2.2. COMPONENTES DE UNA SERIE TEMPORAL ....................................................................31
2.3. ANLISIS DE LA TENDENCIA..............................................................................................33
2.3.1.
Mtodo de los semipromedios ............................................................................................35
2.3.2.
Mtodo de mnimos cuadrados...........................................................................................38
2.3.3.
Mdias mviles...................................................................................................................41
2.3.4.
Alisado Exponencial Simple...............................................................................................44
2.3.5.
Alisado Exponencial Doble ................................................................................................48
2.3.6.
Mtodo de Holt-Winters. ....................................................................................................49
2.4. ANLISIS DE LA ESTACIONALIDAD .................................................................................51
2.4.1.
Mtodo del porcentaje promedio ........................................................................................55
2.4.2.
Mtodo del porcentaje promedio mvil..............................................................................57
2.4.3.
Desestacionalizacin con Estacionalidad Cambiante .........................................................62
2.4.4.
Ajuste estacional a travs de medias mviles con R..........................................................64
2.5. PROBLEMAS ............................................................................................................................68
3. ANLISIS UNIVARIANTE DE SERIES TEMPORALES ..............................................................71
3.1. INTRODUCCIN......................................................................................................................71
3.2. PROCESOS ESTCSTICOS..................................................................................................72
3.3. PROCESOS ESTACIONARIOS ...............................................................................................74
3.3.1.
Operador de Retardos y Operador Diferencia ....................................................................78
3.4. MODELIZACIN UNIVARIANTE DE SERIES TEMPORALES..........................................79
3.4.1.
Procesos estocsticos lineales discretos..............................................................................79
3.4.2.
Modelos Autorregresivos (AR(p))......................................................................................80
3.4.2.1.
Modelos autorregresivos de primer orden AR(1) .....................................................81
3.4.2.2.
Modelos autorregresivos de segundo orden AR(2) ...................................................83
3.4.2.3.
Modelos autorregresivos de orden p, AR(p) .............................................................85
3.4.3.
Procesos de Media Mvil (MA(q)).....................................................................................88
3.4.3.1.
Modelos de medias mviles de primer orden MA(1).................................................88
3.4.3.2.
Modelos de medias mviles de segundo orden MA(2) ..............................................90
3.4.3.3.
Modelos de medias mviles de orden q, MA(q) ........................................................92
3.4.3.4.
Relacin entre procesos AR y MA.............................................................................93
3.4.4.
Procesos ARMA(p, q) ........................................................................................................95
3.4.4.1.
Modelos ARMA(1, 1).................................................................................................95
3.4.4.2.
Modelos ARIMA........................................................................................................98
3.4.5.
Procesos Estacionales .........................................................................................................99
3.5. FASES PARA LA ELABORACIN DE MODELOS UNIVARIANTES..............................111
3.5.1.
Fase de identificacin .......................................................................................................111
3.5.2.
Fase de estimacin............................................................................................................113
3.5.3.
Fase de validacin ............................................................................................................114
3.5.4.
Fase de prediccin ............................................................................................................119
3.6. EJEMPLOS PRCTICOS .......................................................................................................122
3.6.1.
Ejemplo 1: Pasajeros en Lineas Aereas. ...........................................................................122
3.6.2.
Ejemplo 2: Indice de Produccin Industrial de Cantabria ................................................134
3.7. PROBLEMAS ..........................................................................................................................141

4.

Cointegracion ...................................................................................................................................143
4.1. INTRODUCCIN....................................................................................................................143
4.2. PASEO ALEATORIO..............................................................................................................144
4.3. PRUEBA DE RAZ UNITARIA..............................................................................................147
4.4. COINTEGRACIN .................................................................................................................153
4.5. MECANISMO DE CORRECCIN DE ERRORES(MCE) ....................................................157
4.6. PROBLEMAS ..........................................................................................................................158
5. MODELOS VAR .............................................................................................................................161
5.1. INTRODUCCIN....................................................................................................................161
5.2. MODELOS VAR .....................................................................................................................162
5.2.1.
Definicin .........................................................................................................................162
5.2.2.
Estimacin ........................................................................................................................166
5.2.3.
Prediccin y Funcin de Respuesta al Impulso ................................................................168
5.3. VAR ESTRUCTURAL ............................................................................................................173
5.4. EJEMPLO DE ESTIMACION DE UN MODELO VAR CON R. ..........................................176
5.5. PROBLEMAS ..........................................................................................................................181
6. REGRESIN EN EL DOMINIO DE LA FRECUENCIA ..............................................................183
6.1. INTRODUCCIN....................................................................................................................183
6.2. REGRESIN BAND SPECTRUM .........................................................................................184
6.3. REGRESIN EN EL DOMINIO DE LA FRECUENCIA CON PARAMETROS
DEPENDIENTES DEL TIEMPO. .......................................................................................................191
6.4. DESESTACIONALIZACIN A TRAVS DE LA REGRESIN DEPENDIENTE DE LA
FRECUENCIA.....................................................................................................................................197
6.1. PROBLEMAS ..........................................................................................................................202
7. FILTROS LINEALES......................................................................................................................204
7.1. INTRODUCCIN....................................................................................................................204
7.2. FILTROS ELEMENTALES ....................................................................................................205
7.3. FILTROS FIR...........................................................................................................................211
7.4. EL FILTRO COMO PRODUCTO DE CONVOLUCIN ......................................................216
7.5. DESCOMPOSICIN DE SERIES DE TIEMPO MEDIANTE FILTROS LINEALES..........225
7.6. TIPOS DE FILTROS................................................................................................................230
7.7. DISEO DE FILTROS ............................................................................................................235
ANEXO I. SERIES DE FOURIER ..........................................................................................................244
BIBLIOGRAFA......................................................................................................................................270

1.

NMEROS INDICES

1.1.

INTRODUCCIN

El nmero ndice es un valor expresado como porcentaje de una cifra que se toma como unidad
base. Por ejemplo, cuando decimos que el ndice de precios de consumo (base media de
1992=100) correspondiente al mes de diciembre de 1997 es 122,9, estamos sealando que los
precios en diciembre de 1997 eran un 22,9 ms elevados que los que estaban en vigor a lo largo
de 1992.

Los nmeros ndices no tienen unidades y pueden referirse tanto a precios (ndice de precios de
consumo, ndice de precios percibidos por los agricultores, ndice de precios industriales) como
a cantidades (ndice de produccin industrial).

El nmero ndice es un recurso estadstico para medir diferencias entre grupos de datos. Un
nmero ndice se puede construir de muchas formas distintas. La forma de cada ndice en
particular depender del uso que se le quiera dar.

Los nmeros ndices no tienen unidades y pueden referirse tanto a precios (ndice de precios de
consumo, ndice de precios percibidos por los agricultores, ndice de precios industriales) como
a cantidades (ndice de produccin industrial).

El nmero ndice es un recurso estadstico para medir diferencias entre grupos de datos. Un
nmero ndice se puede construir de muchas formas distintas. La forma de cada ndice en
particular depender del uso que se le quiera dar. Los nmeros ndices se elaboran tanto con
precios (p) como con cantidades (q). El ao en que se inicia el clculo de un nmero ndice se
denomina ao base y se nombran por p0 o q0 segn tratemos de precios o de cantidades, a los
precios o las cantidades de los aos sucesivos los indicamos por pt o qt.

Las comparaciones pueden ser de una nica magnitud, en este caso hablaremos de ndices
simples, o de varias magnitudes ndices complejos o sintticos. Si trabajamos con diferentes
magnitudes o tipos de mercancas utilizamos los subndices (i) para referirnos a un tipo de
mercanca, de modo que utilizamos los smbolos pit o qit para sealar el precio o la cantidad de
la mercanca i en el perodo t.

Dentro de los ndices complejos o sintticos puede que todas las mercancas tengan la misma
importancia, ndices no ponderados y en caso contrario ndices ponderados. Los nmeros
ndices no ponderados son los ms sencillos de calcular, pero deben de utilizarse con especial
cuidado. Los nmeros ndices ponderados requieren que definamos previamente a su
construccin los criterios de ponderacin o de peso. Una vez definida una ponderacin debe de
respetarse en los sucesivos perodos.
Las ventajas de los nmeros ndices son:

Naturaleza adimensional, no tienen unidades y esto nos permite hacer comparaciones.

Sirven para simplificar la complejidad de ciertos conceptos o fenmenos econmicos.

A la hora de elaborar un nmero ndice hay que tener presente una serie de propiedades
que el ndice debe de cumplir. Dichas propiedades son:

a) Existencia: Todo nmero ndice ha de tener un valor finito distinto de cero.

b) Identidad: Si se hacen coincidir el perodo base y el perodo actual el valor del ndice tiene
que ser igual a la unidad (o 100 si se elabora en porcentajes).

c) Inversin: El valor del ndice ha de ser invertible al intercambiar los perodos entre s. Es
decir : I to =

1
el ndice del ao o calculado con la base del ao t, ha de ser igual al inverso del
I ot

ndice del ao t calculado en base del ao o.

d) Proporcionalidad: Si en el perodo actual todas las magnitudes experimentan una variacin

proporcional, el nmero ndice tiene que experimentar tambin dicha variacin.

e) Homogeneidad: Un nmero ndice no puede estar afectado por los cambios que se realicen
en las unidades de medida.

1.2.

NMEROS NDICES SIMPLES

Sirven para estudiar la evolucin de una sola magnitud en relacin a un periodo base y
pueden ser:
a) Fijos: el ao base es siempre el mismo.
Si xio y xit representan los valores de la magnitud en los periodos base y actual,
respectivamente, el nmero ndice simple se denota por I t0 , y viene dado por:

I 0t =

xit
100
xi 0

Que como se indica suele expresarse en porcentajes, aunque tambin podra expresarse en tanto
por uno y nos mide la variacin que ha sufrido la magnitud entre los dos periodos considerados.
b) En cadena: cuando el ao base vara, es decir cuando el ao base es el inmediatamente
anterior.

I tt1 =

xit
100
xit 1

Para obtener un ndice fijo a partir de un ndice en cadena se utiliza la siguiente formula:

I tt1 =

I 0t
I 0t 1

Para el caso contrario se utiliza esta frmula:

t

I 0t = I ii1
i =1

Los nmeros ndices ms utilizados son los siguientes:

Precio relativo: es el cociente entre el precio de un bien en el periodo actual ( pit ) y el

precio del mismo en el periodo base ( pi 0 )

p0t =

pit
100
pI 0
6

Cantidad relativa: es el cociente entre la cantidad de un bien en el periodo actual ( q it ) y

la cantidad del mismo en el periodo base ( q i 0 )

q 0t =

qit
100
qI 0

Valor relativo: es el cociente entre el valor de un bien de un bien en el periodo actual

( pit q it ) y la cantidad del mismo en el periodo base ( pi 0 q io )

v0t =

1.3.

pit qit
100 = p0t q0t
pi 0 qit

NMEROS

NDICES

COMPLEJOS

SINTTICOS

Son indicadores sintticos que se elaboran a partir de dos o ms series de datos con el objeto de
estudiar su evolucin conjunta y realizar comparaciones con otras series. Los nmeros ndices
compuestos se clasifican en:

a. No ponderados: Cuando todas las variables tienen asignada la misma importancia.

b. Ponderados: Cuando a cada variable se le asigna un peso o ponderacin.
Partimos de una serie de magnitudes simples x1 , x 2 ,...., x n , para las que conocemos su valor en
el periodo base o de referencia, al que denotaremos por 0, y en el periodo actual t.
A continuacin calculamos los ndices simples para cada magnitud, de modo que disponemos
de la siguiente tabla:

Magnitudes

Valor periodo base

Valor periodo actual

ndices simples

Magnitud 1

X10

X1t

I1= X1t/ X10

Magnitud 2

X20

X2t

I2= X2t/ X20

Magnitud N

XN0

XNt

In= XNt/ XN0

Con la serie de los N ndices simples podemos obtener los siguientes ndices compuestos:

a) ndice media aritmtica de ndices simples cuando operamos del siguiente modo :

Ii

I1 + I 2 +...+ I N
i =1
I=
=
N
N

b) ndice media geomtrica de ndices simples cuando operamos del siguiente modo :

I = N I1 . I 2 .... I N = N I i
i =1

c) ndice media armnica de ndices simples cuando operamos del siguiente modo :

I=

N
=
1 1
1
+ +...+
I1 I 2
IN

N
N

i =1

d) ndice media agregativa de ndices simples cuando operamos del siguiente modo :

x + x 2t + ... + x Nt
I = it
=
x1o + x 2 o + ... + x No

x
i =1
N

x
i =1

it

io

Una ponderacin wi es un valor de referencia para cada producto que determina su importancia
relativa en el ndice total. Al ser el ponderador un valor relativo lo normal es que se presente
calculado en tanto por uno, por ciento por mil, expresando as el porcentaje que representa
dicho producto en la cesta de productos que cubre el ndice:

Wi =

pi 0qi 0
n

p q
i0

i0

Una vez obtenidos los ponderadores (wi) se calculan el ndice media aritmtica ponderada de
ndices simples cuando operamos del siguiente modo :

I w + I w +...+ I N wN
I= 1 1 2 2
=
w1 + w2 +...+ wN

I .w
i

i =1
N

i =1

Ejemplo 1.1.
En la tabla siguiente aparece la informacin que disponemos sobre una cesta de productos:
2000

2001

2002

Productos

Precio venta

Unidades

Precio venta

Unidades

Precio venta

Unidades

M1

3000

1,2

4000

1,4

5500

M2

1,5

4000

1,5

3000

1,6

4500

M3

2500

2500

2,4

2000

M4

2000

4,5

1500

4,5

2000

Calculamos los ndices simples de precios para los productos de la cesta:

Productos

2000

2001

2002

M1

100

120,00

140,00

M2

100

100,00

106,67

M3

100

100,00

120,00

M4

100

112,50

112,50

Los ndices simples para la cesta de productos sern:

Indices simples

2000

2001

2002

Media aritmtica

100

108,13

119,79

Media geomtrica

100

107,79

119,16

Media armnica

100

107,46

118,55

Media agregativa

100

108,13

119,79

El ponderador sera tanto por uno el valor del producto, es decir el precio por la cantidad
vendida, en el total vendido:

2000

2001

2002

M1

0,13636364

0,2280285

0,26829268

M2

0,27272727

0,21377672

0,25087108

M3

0,22727273

0,23752969

0,16724739

M4

0,36363636

0,32066508

0,31358885

Y el ndice media aritmetica ponderado resultarn ser los siguientes:

Indice ponderado

2000

2001

2002

Media aritmtica

100

108,57

119,67

1.4.

NDICES DE PRECIOS.

Los ndices de precios se elaboran usualmente utilizando ndices complejos ponderados

siendo los ms utilizados los denominados ndices de Laspeyres, Paasche y Fisher.

a) ndice de Laspeyres

El ndice de Laspeyres es una media aritmtica ponderada de ndices simples, cuyo

criterio de ponderacin es wi = p io qio . La frmula que define el ndice de Laspeyres es la
siguiente:

I i wi
Lp =

i =1
N

I
i =1

p
=

it

qio

i =1
N

(1.1.)
io

qio

i=1

10

Se suele utilizar este ndice a la hora de elaborar los ndices de precios por cuestiones
prcticas ya que nicamente requiere investigar en el ao base el valor de los ponderadores, que
es la parte mas costosa de la elaboracin del ndice, (tngase en cuenta que en el IPC se realiza
una encuesta de presupuestos familiares en los aos base que requiere una muestra de 20.000
hogares). Una vez determinados los ponderadores el ndice de Laspeyres nicamente requiere
que se investigue en los sucesivos perodos la evolucin de los precios.

b) ndice de Paasche
Tambin es una media aritmtica ponderada de los ndices simples, pero utilizando
como coeficiente ponderador wi = p io q it ; por tanto su definicin queda como:

I i wi
Pp =

i =1
N

I
i =1

p
=

it

qit

i =1
N

(1.2.)
io

qit

i=1

La diferencia entre el ndice Paasche y el ndice Laspeyres es que exige calcular las
ponderaciones para cada periodo corriente t, haciendo su clculo estadstico ms laborioso, y
presentando el inconveniente de que slo permite comparar la evolucin del precio de cada ao
con el ao base, dado que las ponderaciones varan de perodo en perodo. Ambas razones han
determinado que este ndice sea ms inusual que el anterior.

c) ndice de Fisher.

El ndice de Fisher es la media geomtrica de los ndices de Laspeyres y Paasche, es

decir :

Ep = Lp. Pp

(1.4)

Como los ndices de precios de consideran un ao determinado para calcular el ponderador bien
sea a partir de q0 .p0 , o de qt .p0, utilizan la denominacin de ao base para referirse al ao 0
a partir del que se calcula el ponderador wi.

11

Ejemplo 1.2.

Utilizando los datos de la tabla del ejemplo 1.1, vamos a calcular el indice de precios de
Lasperyres (1.1), de Paasche (1.2) y de Fisher (1.3), para el ao 2001.

I w
Lp =

i =1
N

I
i =1

=
i

Pp =

I
i =1

io

qio

p
=

qio

1,2 3000 + 1,5 4000 + 2 2500 + 4,5 2000

= 1,0727
1 3000 + 1,5 4000 + 2 2500 + 4 2000

I i wi
i =1
N

p
i =1

it

i =1
N

i =1
N

p
i =1

it

qit

io

qit

==

1,2 4000 + 1,5 3000 + 2 2500 + 4,5 15000

= 1,0795
1 4000 + 1,5 3000 + 2 2500 + 4 1500

Ep = Lp.Pp = 1,0727 1,0795 = 1,0761

1.5.

ENLACES Y CAMBIOS DE BASE.

Uno de los problemas que tienen los ndices ponderados como el ndice de Laspeyres es que
pierden representatividad a medida que los datos se alejan del periodo base. Tngase presente
que, por ejemplo, el IPC que el INE calcul en 1991 utiliz los ponderadores obtenidos en la
Encuesta de Presupuestos Familiares de 1983 que, a su vez, reflejaba la estructura media de
consumo de los espaoles en aquel ao. El tiempo transcurrido entre 1983 y 1991 era lo
suficientemente dilatado para que se hubieran producido cambios en los hbitos de consumo y
en consecuencia el INE procedi a elaborar una nueva Encuesta de Presupuesto Familiares (la
de 1992), cuya estructura de consumo cesta de compra es la que actualmente se utiliza como
base para obtener el IPC.

La decisin que tom el INE de realizar un nuevo IPC con la estructura de consumo resultante
de la Encuesta de Presupuestos Familiares de 1992 es lo que provoca el Cambio de Base del
IPC. Al ser los ponderadores distintos los utilizados entre 1983 y 1991 y los actuales, los ndices
de precios son esencialmente distintos, y por lo tanto no se pueden comparar a priori entre s. El
procedimiento a travs del cual hacemos comparables nmeros ndices obtenidos con bases
distintas es lo que se denomina Enlace. El enlace de ndices se basa en la propiedad de inversin
de los nmeros ndices.

Supongamos que queremos efectuar un cambio de base desde un ndice construido con base
1983, a otro en base 1982.

12

t
t
Sea I 83
el ndice construido en base 1983 e I 92
el ndice construido con la base1992, entonces:

I 83t . I 9292
I 83t
I =
= 92
I 8392
I 83
I 9292
t
92

En el caso del IPC espaol el INE publica el valor del cociente

92
I 83
que denomina coeficiente
92
I 92

legal de enlace. El valor del coeficiente legal de enlace el la serie del IPC base 92 y el
construido con la base 1983 en el ndice general de Espaa es 0,545261 y en el ndice general de
Castilla y Len es 0,559529.

Cuando se dispone de los coeficientes legales de enlace, como ocurre en el caso del IPC, la
operativa aritmtica se simplifica bastante, ya que enlazar la serie con base de 1983 a la serie de
base 1992 nicamente requiere el que multipliquemos la primera por el coeficiente legal de
enlace (en caso contrario habra que dividir).

El enlace del IPC base del IPC 2001, es similar aunque hay que tener presente que entre este
IPC y los anteriores hay una novedades metodolgicas que no se resuelven aplicando los
coeficientes legales de enlace, este es el caso de la introduccin de las rebajas en el calculo del
IPC.

El coeficiente de enlace legal se obtiene como cociente entre el ndice de diciembre de 2001, en
base 2001 y, el ndice para el mismo perodo en base 1992.

Las series enlazadas se calculan multiplicando cada uno de los ndices en base 1992 por este
coeficiente. Con estas series se pueden obtener las tasas de variacin mensual publicadas, pero
no sucede lo mismo con las tasas de variacin anual del ao 2002, ya que por ellas se utilizan
los ndices del ao 2001, en base 2001.

Los coeficientes de enlace se han obtenido de forma independiente para cada una de las series
de ndices que tienen continuidad en la nueva base, lo cual implica que cualquier ndice
agregado de una serie enlazada no es el resultado de la media ponderada de los ndices
elementales que lo componen.

13

Por ltimo, es preciso puntualizar que, si bien el nuevo Sistema tiene como base la media de los
ndices del ao 2001 en base 2001 igual a 100, los ndices que se publicaron en ese ao eran
ndices calculados en base 1992 y, por tanto, las series enlazadas pueden no tener media 100 en
el ao 2001.

Ejemplo 1.3.

A continuacin vamos ha realizar un ejercicio de enlace de diferentes bases del ndice de

precios percibidos por los agricultores. Por un lado, la seriee 1985-1990 del ndice de Precios
Percibidos por la Agricultores en Castilla y Len, base 1985; y por otro la serie 1990-1995 de
dicho ndice en base 1990. El enlace de la serie 1985-1990 a la base 1990 se realiza conforme a
la regla antes expuesta:
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995

Base 1985
100
109,83
102,29
103,26
111,05
106,34

Base 1990

100
99,84
95,85
99,84
110,18
113,36

Base 1985
100
109,83
102,29
103,26
111,05
106,34
106,17
101,93
106,17
117,17
120,55

1.6.

DEFLACCIN

Base 1990
94,04
103,28
96,19
97,10
104,43
100,00
99,84
95,85
99,84
110,18
113,36

POR

UN

INDICE

DE

PRECIOS.
La utilidad ms importante que tienen los ndices de precios, aparte de describir el
comportamiento de los precios durante un perodo concreto, es la de deflactar series
cronolgicas o temporales valoradas en moneda (euros, dolares, etc..). Deflactar es eliminar el
componente de subida de precios que es inherente a toda serie temporal que viene referida a un
valor monetario (ventas de una empresa, los salarios que cobran los trabajadores, los depsitos y
crditos bancarios, el PIB, etc...). Las ventas de una empresa, por ejemplo, se incrementan de un
ao a otro ( de un mes a otro), bien por haber aumentado el nmero de pedidos que realizan los
clientes o bien por que la empresa o el mercado haya decidido una subida en los precios de los
artculos pedidos. Si se valoramos el nmero de pedidos del ao actual utilizando los precios
vigentes el ejercicio pasado, dispondremos de un elemento comparativo con respecto al

14

ejercicio anterior que nos sealara de manera inequvoca si nuestro volumen de negocio se ha
incrementado con independencia de lo ocurrido con los precios

En consecuencia, cuando obtenemos el valor de la serie utilizando como referencia para su

valoracin el precio que rige en un perodo determinado (un ao en concreto), realizamos una
valoracin a precios constantes en tanto que dicha serie valorada a los precios vigentes en cada
perodo nos da su valor a precios corrientes.

Elaborar un indice simple sobre una serie deflactada es obtener un indice de valor indice de
valor unitario.

En la prctica, para pasar de una serie en moneda corriente a moneda constante se realiza
dividiendo la primera por un ndice de precios adecuado. Este procedimiento recibe el nombre
de deflactacin y al ndice de precios elegido se le denomina deflactor.

No obstante, hay que sealar que, cuando utilizamos como deflactor un ndice de precios de
Laspeyres (1.1.):

vt pit . qit
pit.qit
=
= pio.qio
lp pit . qio
pit.qio
pio . qio
No pasamos exactamente valores corrientes a constante, cosa que si ocurre con el ndice de
precios de Paasche (1.2.):

vt pit . qit
=
= pio. qio
pit . qit
lp
pio . qit
Entonces el ndice que realmente permite transformar los valores nominales en valores reales es
el ndice de precios de Paasche. Sin embargo, los resultados de la deflacin por este ndice de
precios slo es vlida en el supuesto de que los bienes, y sus cantidades, incluidos en el ndice
sean los mismos que en la serie de valores. Esta limitacin, junto con el hecho de que en pocas
situaciones se dispone de un ndice de precios de Paasche, debido a su complicada elaboracin,
hace que en la prctica se utilice un ndice de precios de Laspeyres.

15

Ejemplo 1.4.
En la tabla siguiente se ha deflactado la serie de salarios ordinarios en la construccin de
Cantabria por trabajador en el periodo 2002 a 2006 utilizando el ndice General de Precios al
Consumo de Cantabria de 2002 a 2006 (media trimestral) en base 2006:

Ao

Trimestre

Coste
salarial
ordinario

IPC

2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004
2005
2005
2005
2005
2006
2006
2006
2006
2007
2007
2007

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3

1105,61
1163,12
1197,78
1203,04
1180,87
1216,98
1200,49
1226,42
1215,01
1265,44
1247,24
1280,62
1288,86
1301,36
1295,75
1320,46
1359,89
1368,91
1386,91
1362,92
1355,71
1389,98
1428,71

87,04
88,84
88,80
90,16
90,05
91,06
90,96
92,44
91,77
93,79
93,66
95,30
94,52
96,58
96,89
98,43
98,31
100,43
100,31
100,94
100,52
102,66
102,76

1.7.

Coste
salarial en
euros del
2006
1270,30
1309,25
1348,92
1334,33
1311,40
1336,41
1319,81
1326,78
1323,91
1349,28
1331,68
1343,79
1363,55
1347,48
1337,41
1341,50
1383,21
1363,00
1382,57
1350,25
1348,71
1353,99
1390,35

Indice de
Valor del
Coste
Salarial
100,00
103,07
106,19
105,04
103,24
105,20
103,90
104,45
104,22
106,22
104,83
105,79
107,34
106,08
105,28
105,61
108,89
107,30
108,84
106,29
106,17
106,59
109,45

INDICES DE VOLUMEN ENCADENADOS.

Tradicionalmente, en los ndices compuestos se comparan directamente dos puntos en el

tiempo, el periodo actual (t) y el periodo base (0). Las diferencias entre los distintos ndices
surgen a la hora de agregar los ndices simples o elementales. En los ndices de tipo Laspeyres
se considera la utilizacin de ponderaciones del periodo base, mientras que los ndices de tipo
Paasche utilizan las ponderaciones del periodo actual. En ambos casos, si se produce un cambio
importante en la composicin de las unidades elementales entre los periodos base y actual, la
relevancia de ambos ndices se ve reducida.

16

Los ndices encadenados consideran que el paso del perodo 0 al t puede fragmentarse
considerando los incrementos parciales, esto es, que el encadenamiento de los ndices (i.e. de las
variaciones) evaluados con la frecuencia de muestreo mxima posible constituye una valoracin
ms apropiada del cambio realizado desde 0 hasta t. Intuitivamente, se intenta reducir el
envejecimiento de la base.

La forma de resolver este problema consiste en efectuar las comparaciones entre perodos que
disten lo menos posible (por ejemplo, un perodo) mediante eslabones:

I sA/ s 1 = w j i s / s 1
j

A partir de los eslabones, la variacin entre los periodos 0 y t se encadena:

t

CI tA/ 0 = I sA/ s 1
s =1

Un ndice as construido carece de periodo base o de ponderaciones, ya que van cambiando a lo

largo de los distintos periodos. No obstante, se designa un periodo llamado de referencia, al que
arbitrariamente se le asigna el valor 100.

Ejemplo 1.5
En la siguiente tabla se ofrece un ejemplo con datos hipotticos de dos productos (A y B) y tres
aos (0, 1 y 2):

2000

2001

2002

PRODUCTO

PRECIO

CANTIDAD

p0.q0

PRECIO

CANTIDAD

p1.q1

PRECIO

CANTIDAD

p2.q2

15

18

28

35

11

66

TOTAL

43

53

Primero, se calculan los eslabones:

17

75

2000

2001

2002

PRODUCTO

PRECIO

CANTIDAD

p0.q0

PRECIO

CANTIDAD

P0.q1

PRECIO

CANTIDAD

P1.q2

15

27

18

28

28

11

55

TOTAL

43

55

73

Eslabn

100

127,9

137,7

127,9 =

p 0 q1 55
=
100
p 0 q 0 43

137,7 =

p1 q 2 73
=
100
p1 q1 53

El ndice encadenado se obtiene multiplicando cada eslabn anual en forma de ndice por la
cadena acumulada hasta el ao precedente. La cadena as obtenida es un nmero ndice por lo
que su conversin en trminos monetarios se realiza multiplicndola por el valor a precios
corrientes observado en un ao particular, llamado de referencia. En la siguiente tabla se
considera el ao 0 como periodo de referencia:
2000

2001

2002

PRODUCTO

PRECIO

CANTIDAD

p0.q0

PRECIO

CANTIDAD

P0.q1

PRECIO

CANTIDAD

P1.q2

15

27

18

28

28

11

55

TOTAL

43

55

73

Eslabn

100

127,9

132,7

ndice encadenado

100

127,9

176,2

Valoracin monetaria

43

55

76

127,9 =

127,9 100
100

176,2 =

137,7 127,9
100

Debe sealarse que, a diferencia de lo que ocurra con la valoracin a precios constantes en la
que el ao de referencia y base coinciden, en el sistema de valoracin a precios del ao anterior
no son equivalentes. As, el ao de referencia es el que define la escala del ndice encadenado
(hacindolo 100), mientras que la base temporal es mvil, existiendo tantas bases como pares de

18

aos consecutivos por lo que, en conjunto, la valoracin encadenada carece de base fija (base
mvil).

La aplicacin de esta metodologa genera una prdida de aditividad en las medidas encadenadas
de volumen (excepto en los datos correspondientes a los aos de referencia y al inmediatamente
posterior). La prdida de aditividad significa, por ejemplo, que la suma de los componentes del
Producto Interior Bruto (PIB) no coincide con ste (excepto en los datos correspondientes a los
aos de referencia y al inmediatamente posterior). De forma general, una variable valorada
mediante medidas encadenadas de volumen no coincide con la suma de sus elementos
constituyentes igualmente evaluados a travs de medidas encadenadas de volumen. La prdida
de aditividad es una consecuencia directa de las propiedades matemticas del sistema de
valoracin, por lo que las discrepancias no reflejan deterioro alguno de calidad en el proceso de
medida.

1.8.

ELABORACIN DE NDICES COMPUESTOS

La frmula bsica para la construccin de los indicadores lderes compuestos es la siguiente:

donde

wi es el ponderador
s i es el mtodo de normalizacin
ci es el indicador simple
Cuando se elabora un indicador compuesto es necesario que las series individuales presenten la
misma amplitud cclica relativa, pues de lo contrario, las series con mayor amplitud cclica
dominaran el comportamiento del indicador compuesto, impidiendo as que se revele la
informacin contenida en otras series de menor amplitud. Para lograrlo, se normalizan las series
componentes restndoles la media y dividindolas por el promedio de las desviaciones de la
media en valor absoluto, conforme la siguiente frmula:

19

Otros mtodos de normalizacin seran:

z-score:

Min-max:

Cuando se trabaja con balances de respuestas (encuestas de opiniones empresariales), es

conveniente utilizar ndices de difusin:

IDt =

xt + 100
2

donde IDt es el ndice de difusin y xt es el balance de respuestas correspondiente.

La diferencia entre un balance de respuestas y un ndice de difusin es que el primero est

centrado en cero, con un valor mximo de 100 y un mnimo de -100, mientras que el segundo
est centrado en 50, con un valor mximo de 100 y un valor mnimo de cero. El uso de ndices
de difusin resulta ms cmodo que el uso de balances, ya que en tal transformacin, las series
slo toman valores positivos, lo que facilita el uso de logaritmos y descomposiciones
multiplicativas de las series temporales.

Cuando el ndice de difusin es mayor que 50, significa que los entrevistados estn optimistas
respecto a la evolucin de la variable objetivo. Si es menor que 50, los entrevistados se
encuentran pesimistas.

La ponderacin se puede obtener de datos base de la Contabilidad Nacional Anual, por ejemplo,
si se quiere construir un indicador de produccin industrial, se puede agregar a partir de los
ndices subsectoriales y el VAB o empleo de cada subsector.

A continuacin se exponen dos metodologas estadsticas de obtencin de ponderadores: el

mtodo de Granger y Newbold (1986) y los componentes principales.

20

a. El mtodo de Granger y Newbold

Para la construccin del indicador sinttico se estima la siguiente ecuacin, utilizando la serie
anual de la macromagnitud de referencia y el conjunto de variables seleccionadas anualizadas:

YT = 1 a1 + b1 X T1 + 2 a2 + b2 X T2 + ... + k ak + bk X tk + T = ZT + T
donde:
YT es el valor de la variable a trimestralizar en el ao T.

X Tj es el valor del indicador aproximativo, en el ao T, proyectada hasta el ltimo trimestre del

ao actual a travs de modelos ARIMA, siendo k el nmero de indicadores aproximativos
utilizados
aj es el trmino independiente de la regresin entre Y y Xj.
bj es el coeficiente de la regresin entre Y e Xj.

j es el peso asignado a la estimacin a travs de la variable j

ZT

es el indicador sinttico

T es el error del modelo en el ao T.

El peso de cada variable en el indicador sinttico se establece de forma inversamente
proporcional al error de su regresin con Y, j , tal que:

j =

j 1
k

1
h

h =1

Una vez obtenido el indicador Z, se obtiene la serie estimada del valor trimestral de la variable y

yt = 1 a1 + b1 xt1 + 2 a2 + b2 xt2 + ... + k ak + bk xtk

b. Estimacin del modelo con Componentes Principales

La metodologa de componentes principales se realiza en dos fases. En primer lugar se realiza

una estimacin de los componentes principales de los indicadores estratgicos relacionados con
la variable Y, y en segundo lugar se realiza una regresin entre Y y el valor anualizado de los
factores resultantes de la fase anterior.

21

As pues, siendo X1, X2,.Xm los distintos indicadores que hemos seleccionado como
variables relacionadas con Y, este mtodo nos va extraer las diferentes funciones lineales (Zs)
que existen entre ellas:

Z 1 = a11 X 1 + a12 X 2 + ....a1n X n

Z 2 = a 21 X 1 + a 22 X 2 + ....a 2 n X n
....
Z m = a m1 X 1 + a m 2 X 2 + ....a mn X n
Este mtodo extrae las funciones lineales (Zs) seleccionando las as de tal modo que las
varianzas de las Zs sean maximizadas. De este modo, los componentes extrados son las
combinaciones lineales de los indicadores que tienen mayor varianza, siendo Z1 el componente
con mayor varianza explicada, seguido del Z2 que contiene la segunda mayor varianza explicada
pero sin estar correlacionado con Z1 y as sucesivamente, de modo que la suma de la varianza de
todos los componentes explique el total de las variaciones de las Xn y, a su vez, estn
incorrelacionadas entre ellas.

Uno de los problemas de esta metodologa radica en la determinacin del nmero de

componentes que deben ser tomados en cuenta para la fase nmero dos. La prctica ms
extendida es que slo sern tomados aquellos componentes cuyos autovalores (races
caractersticas) superen la unidad.

En la segunda fase del modelo de componentes principales, se expresa la relacin entre el Y

trimestral y los componentes principales (CP) extrados del conjunto de indicadores originales.

YT = + CPT + T
Obtenindose la estimacin trimestral de Y a partir de:

yt = + CPt + t

22

1.9.

PROBLEMAS

1.1 Partiendo de las siguientes observaciones de tres precios:

Ao

A
1
2
3
4
5

3
4
4,5
5
6

2
3,5
3
2,5
3

4
3,5
2
1,5
1

Se pide:
a) Calcular el ndice simple de cada precio tomando como referencia en ao 1
b) Calcula un indice compuesto media aritmtica, armnica y geomtrica.
c) Calcula un indice compuesto ponderado utilizando como ponderadores 0.60, 0.30 y
0.10 para el precio A, B y C respectivamente.

1.2 Partiendo de las siguientes observaciones de precios y cantidades de los artculos de la

tabla:
Precios
Ao

A
1
2
3

B
6
7
8

Cantidades
C

1
1,5
0,75

2
3,5
4

B
50
40
30

C
500
450
600

100
120
110

a) Obtener los ndices de precios de Paache, Laspeyres y Fisher tomando como referencia
en periodo 1.
b)

Obtener los ndices de cantidades de Paache, Laspeyres y Fisher tomando como

referencia en periodo 1.

1.3 En un contrato de alquiler est establecido que la renta anual se tiene que revisar de acuerdo
al crecimiento anual del IPC, teniendo en cuenta que el ao 2010 se pagaba de 700 euros de
alquiler, calcule la actualizacin de dicha renta en 2011, 2012 y 2013, utilizando los datos
de la tabla siguiente:

2010
2011
2012
2013

IPC(Base
2005)
120
122
125,5
125

23

1.4 En la tabla siguiente se recogen los incrementos de salarios mensuales medios de una
industra durante el periodo 2010-2013, utilizando el IPC que se recoge en el cuadro
anterior calcule:

Ao
2010
2011
2012
2013

Salario
medio por
trabajador y
mes
1200
1210
1150
1000

a) Los indices de precios con base 2010

b) Los salarios en valores constantes del 2010
c) Calcule un indice que refleje la evolucin del poder adquisitivo de esos salarios durante
el periodo.

1.5 En el 2013 se ha procedido a un cambio de base en dicho IPC, teniendo presente que el IPC
de 2014 con la base 2013 es 101,35, indique como ha variado el poder adquisitivo del un
salario medio de 1150 euros por trabajador y mes pagado en 2012.

1.6 Se dispone de los siguientes datos de precios y cantidades producidas:

A
Aos

p
0
1
2
3

B
q

6
8
10
12

p
50
60
70
80

q
3
4
7
9

35
45
50
60

Obtenga los eslabones y los ndices de volumen de Laspeyres encadenados, ao de referencia 0

y 1.

24

SOLUCIONES
1.1 a)
Ao

A
B
1
100
2 133,333333
3
150
4 166,666667
5
200

C
100
175
150
125
150

100
87,5
50
37,5
25

1
2
3
4
5

Aritmtica
Armnica
100
100
131,944444 121,73913
116,666667
90
109,722222 73,7704918
125 58,0645161

Geometrica
100
126,861044
104,004191
92,1007875
90,8560296

1
2
3
4
5

Ponderado
100
141,25
140
141,25
167,5

b)
Ao

c)
Ao

1.2 a)
Paache
100
147,849462
113

Laspeyres Fisher
100
100
145
146,4178
117,5 115,228035

b)
Paache
100
94,8275862
96,1702128

Laspeyres Fisher
100
100
93 93,9093473
100 98,0664126

1.3
Renta
2010
700
2011 711,666667
2012 732,083333
2013 729,166667

25

1.4
a)

2010
2011
2012
2013

Indice de
precios
(Base
2010)
100
101,666667
104,583333
104,166667

2010
2011
2012
2013

Salarios a
valores
constantes
1200
1190,16393
1099,60159
960

2010
2011
2012
2013

Indice de
Valor
100
99,1803279
91,6334661
80

Ao

b)

Ao

c)
Ao

1.5.
1139,22

1.6.
Aos

Eslabon

Indice
encadenado

0
100
1 122,222222 122,222222
2 115,151515 140,740741
3 116,190476 133,795094

26

2.

SERIES TEMPORALES

2.1.

INTRODUCCIN

El presente epgrafe pretende ser una breve introduccin al estudio de las series temporales, las
cuales poseen una gran importancia en el campo de la Economa dada la abundancia de este tipo
de observaciones; de hecho, las series temporales constituyen la mayor parte del material
estadstico con el que trabajan los economistas.

Pero, qu es una serie temporal? Por definicin, una serie temporal es una sucesin de
observaciones de una variable realizadas a intervalos regulares de tiempo. Segn realicemos la
medida de la variable considerada podemos distinguir distintos tipos de series temporales:

Discretas o Continuas, en base al intervalo de tiempo considerado para su medicin.

Flujo o Stock. En Economa, se dice que una serie de datos es de tipo flujo si est
referida a un perodo determinado de tiempo (un da, un mes, un ao, etc.). Por su parte,
se dice que una serie de datos es de tipo stock si est referida a una fecha determinada
(por ejemplo, el 31 de Diciembre de cada ao). Un ejemplo de datos de tipo flujo seran
las ventas de una empresa ya que stas tendrn un valor distinto si se obtiene el dato al
cabo de una semana, un mes un ao; por su parte, la cotizacin de cierre de las
acciones de esa misma empresa sera una variable de tipo stock, ya que slo puede ser
registrado a una fecha y hora determinadas. Obsrvese que existen relacin entre ambos
tipos de variables, pues la cotizacin al cierre de las acciones no es ms que el precio de
cierre del da anterior ms, o menos, el flujo de precios de la sesin considerada.

Dependiendo de la unidad de medida, podemos encontrar series temporales en pesetas o

en diversas magnitudes fsicas (kilogramos, litros, millas, etc.)

En base a la periodicidad de los datos, podemos distinguir series temporales de datos

diarios, semanales, mensuales, trimestrales, anuales, etc.

27

Antes de profundizar en el anlisis de las series temporales es necesario sealar que, para
llevarlo a cabo, hay que tener en cuenta los siguientes supuestos:

Se considera que existe una cierta estabilidad en la estructura del fenmeno estudiado.
Para que se cumpla este supuesto ser necesario estudiar perodos lo ms homogneos
posibles.

Los datos deben ser homogneos en el tiempo, o, lo que es lo mismo, se debe mantener
la definicin y la medicin de la magnitud objeto de estudio. Este supuesto no se da en
muchas de las series econmicas, ya que es frecuente que las estadsticas se
perfeccionen con el paso del tiempo, producindose saltos en la serie debidos a un
cambio en la medicin de la magnitud estudiada. Un caso particularmente frecuente es
el cambio de base en los ndices de precios, de produccin, etc. Tales cambios de base
implican cambios en los productos y las ponderaciones que entran en la elaboracin del
ndice que repercuten considerablemente en la comparabilidad de la serie en el tiempo.

El objetivo fundamental del estudio de las series temporales es el conocimiento del

comportamiento de una variable a travs del tiempo para, a partir de dicho conocimiento, y bajo
el supuesto de que no van a producirse cambios estructurales, poder realizar predicciones, es
decir, determinar qu valor tomar la variable objeto de estudio en uno o ms perodos de
tiempo situados en el futuro, mediante la aplicacin de un determinado modelo calculado
previamente.

Dado que en la mayor parte de los problemas econmicos, los agentes se enfrentan a una toma
de decisiones bajo un contexto de incertidumbre, la prediccin de una variable reviste una
importancia notoria pues supone, para el agente que la realiza, una reduccin de la
incertidumbre y, por ende, una mejora de sus resultados.

Las tcnicas de prediccin basadas en series temporales se pueden agrupar en dos grandes
bloques:

Mtodos cualitativos, en los que el pasado no proporciona una informacin directa

sobre el fenmeno considerado, como ocurre con la aparicin de nuevos productos en el
mercado. As, por ejemplo, si se pretende efectuar un estudio del comportamiento de

28

una accin en Bolsa, y la sociedad acaba de salir a cotizar al mercado, no se puede

acudir a la informacin del pasado ya que sta no existe.

Mtodos cuantitativos, en los que se extrae toda la informacin posible contenida en los
datos y, en base al patrn de conducta seguida en el pasado, realizar predicciones sobre
el futuro.

Indudablemente, la calidad de las previsiones realizadas dependern, en buena medida, del

proceso generador de la serie: as, si la variable observada sigue algn tipo de esquema o patrn
de comportamiento ms o menos fijo (serie determinista) seguramente obtengamos
predicciones ms o menos fiables, con un grado de error bajo. Por el contrario, si la serie no
sigue ningn patrn de comportamiento especfico (serie aleatoria), seguramente nuestras
predicciones carecern de validez por completo.

Generalmente, en el caso de las series econmicas no existen variables deterministas o

aleatorias puras, sino que contienen ambos tipos de elementos. El objeto de los mtodos de
previsin cuantitativos es conocer los componentes subyacentes de una serie y su forma de
integracin, con objeto de realizar de su evolucin futura.

Dentro de los mtodos de prediccin cuantitativos, se pueden distinguir dos grandes enfoques
alternativos:

Por un lado, el anlisis univariante de series temporales mediante el cual se intenta

realizar previsiones de valores futuros de una variable, utilizando como informacin la
contenida en los valores pasados de la propia serie temporal. Dentro de esta
metodologa se incluyen los mtodos de descomposicin y la familia de modelos
ARIMA univariantes que veremos ms adelante.

El otro gran bloque dentro de los mtodos cuantitativos estara integrado por el anlisis
multivariante o de tipo causal, denominado as porque en la explicacin de la variable o
variables objeto de estudio intervienen otras adicionales de ella o ellas mismas.

En el tratamiento de series temporales que vamos a abordar, nicamente se considerar la

informacin presente y pasada de la variable investigada. Si la variable investigada es Y y se
dispone de los valores que toma dicha variable desde el momento 1 hasta T, el conjunto de
informacin disponible vendr dado por:

29

Y1, Y2, Y3, , YT-1, YT

Dada esa informacin, la prediccin de la variable Y para el perodo T+1 la podemos expresar
como:

YT +1 / T
Con esta notacin queremos indicar que la prediccin para el periodo T+1 se hace condicionada
a la informacin disponible en el momento T. El acento circunflejo sobre la Y nos indica que esa
prediccin se ha obtenido a partir de un modelo estimado. Conviene tambin hacer notar que
T+1 significa que se est haciendo la prediccin para un perodo hacia delante, es decir, con la
informacin disponible en t hacemos una prediccin para el perodo siguiente.

Anlogamente, la prediccin para el perodo T+2 y para el perodo T+m, con la informacin
disponible en T, vendr dada, respectivamente, por:

YT + 2 / T ; YT + m / T
que sern predicciones de 2 y m perodos hacia adelante.

Si, genricamente, para el perodo t se efecta una prediccin con la informacin disponible en
t1, y a la que designamos por Yt / t 1 , para el perodo t podemos hacer una comparacin de este
valor con el que realmente observemos (Yt). La diferencia entre ambos valores ser el error de
prediccin de un perodo hacia adelante y vendr dado por:

et / t 1 = Yt Yt / t 1
Cuando un fenmeno es determinista y se conoce la ley que lo determina, las predicciones son
exactas, verificndose que et / t 1 = 0 . Por el contrario, si el fenmeno es poco sistemtico o el
modelo es inadecuado, entonces los errores de prediccin que se vayan obteniendo sern
grandes.

Para cuantificar globalmente los errores de prediccin se utilizan los siguientes estadsticos: la
Raz del Error Cuadrtico Medio (RECM) y el Error Absoluto Medio (EAM).

30

En el caso de que se disponga de T observaciones y se hayan hecho predicciones a partir de la

observacin 2, las frmulas para la obtencin de la raz del Error Cuadrtico Medio y el Error
Absoluto Medio son las siguientes:

t =2

RECM =

EAM =

T 1

(Y Y

et2/ t 1

t =2

t / t 1 )

T 1

Y Y

et / t 1

t =2

T 1

t =2

t / t 1

T 1

De forma anloga se pueden aplicar la RECM y el EAM en predicciones de 2, 3, , m perodos

hacia adelante.

En el anlisis de series temporales se aplican, en general, mtodos alternativos a unos mismos

datos, seleccionando aquel modelo o aquel mtodo que, en la prediccin de perodos presentes y
pasados, arroja errores de prediccin menores, es decir, arroja una RECM o un EAM menor.

2.2.

COMPONENTES DE UNA SERIE TEMPORAL

Tradicionalmente, en los mtodos de descomposicin de series temporales, se parte de la idea de

que la serie temporal se puede descomponer en todos o algunos de los siguientes componentes:

Tendencia (T), que representa la evolucin de la serie en el largo plazo

Fluctuacin cclica (C), que refleja las fluctuaciones de carcter peridico, pero no
necesariamente regular, a medio plazo en torno a la tendencia. Este componente es
frecuente hallarlo en las series econmicas, y se debe a los cambios en la actividad
econmica.

Para la obtencin de la tendencia es necesario disponer de una serie larga y de un

nmero de ciclos completo, para que sta no se vea influida por la fase del ciclo en que
finaliza la serie, por lo que, a veces, resulta difcil separar ambos componentes. En estos
casos resulta til englobar ambos componentes en uno solo, denominado ciclotendencia o tendencia generalizada.

31

Variacin Estacional (S): recoge aquellos comportamientos de tipo regular y repetitivo

que se dan a lo largo de un perodo de tiempo, generalmente igual o inferior a un ao, y
que son producidos por factores tales como las variaciones climatolgicas, las
vacaciones, las fiestas, etc.

Movimientos Irregulares (I), que pueden ser aleatorios, la cual recoge los pequeos
efectos accidentales, o errticos, como resultado de hechos no previsibles, pero
identificables a posteriori (huelgas, catstrofes, etc.)

En este punto, cabe sealar que en una serie concreta no tienen por qu darse los cuatro
componentes. As, por ejemplo, una serie con periodicidad anual carece de estacionalidad.

La asociacin de estos cuatro componentes en una serie temporal, Y, puede responder a distintos
esquemas; as, puede ser de tipo aditivo:

Y=T+C+S+I

Tambin puede tener una forma multiplicativa:

Y=TCSI

O bien ser una combinacin de ambos, por ejemplo:

Y=TCS+I

Una forma sencilla para ver como estn asociadas las componentes de una serie temporal es
representar grficamente la serie que estamos analizando. Si al realizar la representacin grfica
se observa que las fluctuaciones son ms o menos regulares a lo largo de la serie, sin verse
afectadas por la tendencia (vase Figura. 2.1), se puede emplear el esquema aditivo.

32

Figura 2.1. Esquema aditivo

Si, por el contrario, se observa que la magnitud de las fluctuaciones vara con la tendencia,
siendo ms altas cuando sta es creciente y ms bajas cuando es decreciente (vase Figura 2.2),
se debe adoptar entonces el esquema multiplicativo.

Figura 2.2. Esquema multiplicativo.

2.3.

ANLISIS DE LA TENDENCIA

Como decamos en el apartado anterior, la tendencia es el componente de la serie temporal que

representa la evolucin a largo plazo de la serie. La tendencia se asocia al movimiento uniforme

33

o regular observado en la serie durante un perodo de tiempo extenso. La tendencia es la

informacin ms relevante de la serie temporal ya que nos informa de si dentro de cinco, diez o
quince aos tendr un nivel mayor, menor o similar al que la serie tiene hoy da.

El anlisis de la tendencia se realiza fundamentalmente con dos objetivos: por un lado, para
conocer cules son las pautas de comportamiento a lo largo del tiempo, de la variable objeto de
estudio, y por otro, para predecir sus valores futuros.

Las tendencias suelen representarse mediante funciones de tiempo continuas y diferenciables.

Las funciones de tendencia ms utilizadas son:

1. Lineal.
2. Polinmica.
3. Exponencial.
4. Modelo autorregresivo
5. Funcin
6. Curva de Gompertz
7. Modelo logartmico recproco

Si una serie temporal Xt se ajusta a una tendencia lineal, la funcin de tiempo que se plantea es
la siguiente:
Xt =+t t= 1, 2, , n
Una tendencia polinmica de grado p se ajustar a una funcin del siguiente tipo:
f(t) = +1 + 2t2 + +ptp
Si la tendencia sigue una ley exponencial, entonces la funcin de ajuste ser:
f(t) = aert
donde a y r son constantes.

Un modelo autorregresivo ajusta la tendencia de la forma siguiente:

Xt =0+1xt-1 + ut

siendo >0

34

La curva logstica se representa mediante la funcin:

T (t ) =

T
1 be rt

donde t, b y r son constantes positivas.

La curva de Gompertz responde a la siguiente ecuacin:

f (t) = Tbe-rt
donde T, r, b son parmetros positivos.

Finalmente, el modelo logartmico recproco, viene definido por la relacin:

f(t) = a + b 1/t

B<0

Para calcular las funciones de tendencia, lo habitual es linealizar las formas de las funciones no
lineales y proceder a su estimacin como si fuera una funcin de tendencia lineal.

Una vez establecido un modelo terico para la tendencia, se debe proceder a la determinacin o
clculo de los parmetros que desconocemos mediante diversos procedimientos estadsticos,
que pasamos a describir a continuacin.

2.3.1. Mtodo de los semipromedios

El mtodo de los semipromedios es la forma ms rpida de estimar una lnea de tendencia recta.
El mtodo requiere dividir la serie de datos en dos mitades y calcular el promedio de cada mitad
que se centra en el punto medio. La recta que una ambas medias (o semipromedios) ser la lnea
de tendencia estimada.

Ejemplo 2.1.

Utilizando la serie cronolgica de ventas de gasolina en Castilla y Leon: aos 1985-1994.

(Miles de Tm.) sobre la que vamos a realizar un ajuste de una tendencia basada en el mtodo de
semipromedios:

35

AOS

Tm.

1985

441.300

1986

441.200

1987

466.700

1988

496.700

1989

527.809

1990

536.445

1991

548.302

1992

599.525

1993

613.849

1994

610.370

Dividimos la serie en dos mitades, cada una de cinco aos, y calculamos los promedios de cada
mitad. Los promedios los centramos en las observaciones centrales, las correspondientes a 1987
y 1992:

Promedio centrado en 1987 =

441.300 + 441.200 + 466.700 + 496.700 + 527.809

= 474.742
5

Promedio centrado en 1992 =

536.445 + 548.302 + 599.525 + 613.849 + 610.370

= 581698
.
5

La ecuacin de la lnea de tendencia ser:

Yt* = a + bt

donde Yt* es el valor de la tendencia estimada de las ventas de gasolina.

El valor de a se obtiene al hacer t=0, y se hace corresponder con el valor del primer promedio:

a = Y0* = 474.472
El coeficiente de la pendiente de la recta b representara el incremento anual de la tendencia, y
se calcula a partir de los dos promedios:

36

b=

581.698 474.742
= 21391
.
5

Ntese que al ser cinco los aos que hay de diferencia entre 1992 y 1987, aos en los que hemos
centrado los promedios, el denominador que utilizamos para calcular el incremento anual es
igual a 5.
La ecuacin Yt*=474.742+21391t nos sirve para obtener la tendencia una vez conocidos los
valores t o del regresor, que ha de tener necesariamente valor cero en 1987. Los valores de Xt se
elaboran a partir de una sucesin de puntuaciones consecutivas que van desde un mnimo de -2
de 1985 hasta un mximo de 7 en 1994:

Tm.

Semipromedio

Tendencia

1985

441300

-2

431959

1986

441200

-1

453351

1987

466700

474742

1988

496700

496133

1989

527809

517524

1990

536445

538916

1991

548302

560307

1992

599525

581698

1993

613849

603089

1994

610370

624481

474742

581698

La tendencia se representa en la figura 2.3:

37

Tendencia de las ventas de gasolina

650.000

600.000

550.000

500.000

Tm.
Tendencia

450.000

400.000
1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

Figura 2.3.

2.3.2. Mtodo de mnimos cuadrados

El mtodo de mnimos cuadrados es el que ms se utiliza para ajustar tendencias. Este mtodo
da los mismos resultados que el mtodo anterior cuando es utilizado para obtener tendencias
lineales. Si realizamos sencillas transformaciones aritmticas de los datos puede tambin ser
utilizado para representar funciones de tendencias no lineales.

Estimar una tendencia lineal por el mtodo de MCO equivale a estimar la siguiente funcin:
Yt* = a + bt

(2.1.)

utilizando como variable explicativa un vector de nmeros secuenciales {1,2,3,,n}

representativos del periodo.

38

Si se quiere obtener una tendencia exponencial, debemos linealizar la funcin lo que requiere su
transformacin en logaritmos:
Y = bert

(2.2.)

Entonces:

ln Yt = ln b + rt

Una vez estimada la tendencia lineal por mnimos cuadrados, calculamos la exponencial del
logaritmo para devolver la tendencia a la escala de los datos originales.

Ejemplo 2.2

En la siguiente tabla en la que se muestra la evolucin de las ventas de gasolina en Castilla y

Len Aos 1985-1994. (Miles de tm.). Con los datos transformados para estimar por MCO una
tendencia lineal y una tendencia exponencial.
Tm.(Y)

Logaritmo (Y)

Tendencia exponencial

Tendencia

1985

441300

13.00

12.98

435719

1986

441200

13.00

13.03

454039

1987

466700

13.05

13.07

473130

1988

496700

13.12

13.11

493024

1989

527809

13.18

13.15

513754

1990

536445

13.19

13.19

535355

1991

548302

13.21

13.23

557865

1992

599525

13.30

13.27

581322

1993

613849

13.33

13.31

605764

1994

610370

13.32

10

13.36

631235

Ambas tendencias se representan en la figura 2.4:

39

Tendencia de las ventas de gasolina

650.000

600.000

550.000

500.000

Tm.
Tendencia
T.Exponencial

450.000

400.000
1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

Figura 2.4.

Para analizar la calidad del ajuste realizado hay que considerar los estadsticos de la regresin
mnimo cuadrada1 :

Estadsticas de la regresin

Coeficiente de correlacin mltiple 0,984248834

Coeficiente de determinacin R2
2

0,968745767

R ajustado

0,964838988

Error tpico

0,023756892

Observaciones

10

En el ejercicio que hemos realizado la magnitud del coeficiente de determinacin (R2=0,9687)

sera indicativo de un aceptable ajuste.

La estimacin MCO da lugar a los coeficientes b y m que figuran en la tabla siguiente:

Coeficientes

Error tpico

Estadstico t

Probabilidad

Intercepcin

12.9435651

0.016229

797.55546

6.8409E-21

12.9061409

12.98098942

Variable X 1

0.04118681

0.0026155

15.746915

2.6424E-07

0.03515534

0.047218276

Inferior 95% Superior 95%

El captulo 8.4 dedicado a la regresin minimo-cuadrada estudia los fundamentos de dicha tcnica y los
estadsticos que se mencionan.

40

La intercepcin en el origen es el coeficiente a, y la Variable X 1 es el coeficiente b. La tabla

da el abanico de valores ms probables para ambos coeficientes al nivel de confianza del 95%,
estos valores son los que figuran en las casillas Inferior y Superior. En el caso del coeficiente a,
el ajuste mnimo-cuadrado da como resultado que lo ms probable es que se encuentre entre el
intervalo que va desde el valor 12,91 hasta el 12,98, siendo su valor medio 12,94; en tanto que
el coeficiente b estar en el intervalo que va desde 0,035 hasta 0,047, resultando ser su valor
medio 0,041. Se rechaza en ambos casos la hipteis nula H 0 : = 0 a un = 0,05 , por lo que
consideramos que los coeficientes estimados son estadsticamente significativos.

En el ejemplo la funcin lineal estimada (2.1) sera:

Yt* = 12,94 + 0,041t

La estimacin de la tendencia en forma exponencial (2.2) quedara:

Yt = 242801,6.e0,041t

2.3.3. Mdias mviles

En el anlisis de series temporales, el mtodo de medias mviles tiene diversas aplicaciones:
as, este mtodo puede sernos til si queremos calcular la tendencia de una serie temporal sin
tener que ajustarnos a una funcin previa, ofreciendo as una visin suavizada o alisada de una
serie, ya que promediando varios valores se elimina parte de los movimientos irregulares de la
serie; tambin puede servirnos para realizar predicciones cuando la tendencia de la serie tiene
una media constante.

Veamos qu es una media mvil: se trata, sencillamente de una media aritmtica que se
caracteriza porque toma un valor para cada momento del tiempo y porque en su clculo no
entran todas las observaciones de la muestra disponible.

Entre los distintos tipos de medias mviles que se pueden construir nos vamos a referir a dos
tipos: medias mviles centradas y medias mviles asimtricas. El primer tipo se utiliza para la

41

representacin de la tendencia, mientras que el segundo lo aplicaremos para la prediccin en

modelos con media constante.

Las medias mviles centradas se caracterizan porque el nmero de observaciones que entran
en su clculo es impar, asignndose cada media mvil a la observacin central. As, una media
mvil centrada en t de longitud 2n + 1 viene dada por la siguiente expresin:

MM ( 2n + 1) t =

n
Y + Yt n +1 + ... + Yt + ... + Yt + n 1 + Yt + n
1
Yt +i = t n

2n + 1 i = n
2n + 1

Como puede observarse, el subndice asignado a la media mvil, t, es el mismo que el de la

observacin central, Yt. Obsrvese tambin que, por construccin, no se pueden calcular las
medias mviles correspondientes a las n primeras y a las n ltimas observaciones.

Por su parte, en el caso de las medias mviles asimtricas se asigna cada media mvil al
perodo correspondiente a la observacin ms adelantada de todas las que intervienen en su
clculo. As la media mvil asimtrica de n puntos asociada a la observacin t tendr la
siguiente expresin:

MMA( n ) t =

Y
+ Yt n + 2 + ... + Yt 1 + Yt
1 t
Yt +i = t n +1

n i =t n +1
n

Este tipo de medias mviles se emplea en la prediccin de series cuya tendencia muestra una
media constante en el tiempo, utilizndose la siguiente ecuacin:

MMA( n ) T +1 =

Y
1 T +1
Y
Yt = MMA( n ) T + T +1 T n +1

n i =T n + 2
n
n

Es decir, para predecir el valor de la serie en el perodo siguiente se suma a la media mvil, la
media aritmtica de los n ltimos perodos, siendo n la longitud de la media mvil.

La utilizacin de medias mviles implica la eleccin arbitraria de su longitud u orden, es decir,

del nmero de observaciones que intervienen en el clculo de cada media mvil. Cuanto mayor
sea la longitud, mejor se eliminarn las irregularidades de la serie, ya que al intervenir ms
observaciones en su clculo se compensarn las fluctuaciones de este tipo, pero por el contrario,
el coste informativo ser mayor. Por el contrario, cuando la longitud es pequea, la media mvil

42

refleja con mayor rapidez los cambios que puedan producirse en la evolucin de la serie. Es
conveniente, pues, sopesar estos factores al decidir la longitud de la media mvil.
Ejemplo 2.3

Veamos a continuacin un ejemplo, utilizando de nuevo la serie de ventas de gasolina, optamos

por calcular una media mvil trienal que ofrece los siguientes resultados:
Tm.

Media mvil trienal

1985

441300

1986

441200

449733

1987

466700

468200

1988

496700

497070

1989

527809

520318

1990

536445

537519

1991

548302

561424

1992

599525

587225

1993

613849

607915

1994

610370

El valor de la media mvil trienal asignado a 1986 se calcula as:

449733 =

441300 + 441200 + 466700

3

A su vez, el valor de la media mvil trienal asignado a 1987 se calcula as:

468200 =

441200 + 466700 + 496700

3

Tendencia en medias mviles trienales de las ventas de gasolina

650.000
600.000
550.000
Tm.
Media movil trienal

500.000
450.000
400.000
1985

1986

1987

1988

1989

1990

Figura 2.5.

43

1991

1992

1993

1994

Como se aprecia en la figura 2.5., el inconveniente que tiene la media mvil es que perdemos
informacin de la tendencia en los ejercicios inicial y final. En este sentido, volvemos a resaltar
que las medias mviles, comparadas con mtodos basados en ajustes aritmticos, tienen un
coste informativo.

2.3.4. Alisado Exponencial Simple

El mtodo del alisado exponencial simple consiste, al igual que en el caso de las medias
mviles, en una transformacin de la variable original. Si una variable Y es sometida a un
proceso de alisado exponencial simple se obtiene como resultado la variable alisada St.
Tericamente, la variable alisada St se obtendra segn la expresin:
St = (1 w) Yt + (1 w) wYt-1+ (1-w) w2 Yt-2 + (1 w) w3 Yt-3 +

(2.3.)

donde w es un parmetro que toma valores comprendidos entre 0 y 1, y los puntos suspensivos
indican que el nmero de trminos de la variable alisada puede ser infinito. La expresin
anterior en realidad no es ms que una media aritmtica ponderada2 de infinitos valores de Y.

Se denomina alisada ya que suaviza o alisa las oscilaciones que tiene la serie, al obtenerse como
una media ponderada de distintos valores. Por otra parte, el calificativo de exponencial se debe a
que la ponderacin o peso de las observaciones decrece exponencialmente a medida que nos
alejamos del momento actual t. Esto quiere decir que las observaciones que estn alejadas tienen
muy poca incidencia en el valor que toma St. Finalmente, el calificativo de simple se aplica para
distinguirla de otros casos en que, como veremos ms adelante, una variable se somete a una
doble operacin de alisado.

Una vez que se han visto estos aspectos conceptuales, vamos a proceder a la obtencin operativa
de la variable alisada, ya que la expresin no es directamente aplicable, por contener infinitos
trminos. Retardando un perodo en la expresin anterior se tiene que:

Para que pueda aceptarse que es una media aritmtica ponderada debe verificarse que las ponderaciones,
sumen 1. La demostracin, que excede las pretensiones de este texto, se basa en el clculo de la suma de
infinitos trminos de una progresin geomtrica convergente.

44

St-1 = (1 w) Yt-1 + (1 w) wYt-2 + (1-w) w2 Yt-3 +

Multiplicando ambos miembros por w se obtiene:

wSt-1 = (1 w) wYt-1 + (1 w) w2 Yt-2 + (1 w) w3 Yt-3 +

(2.4.)

Restando (2.4) de (2.3) miembro a miembro y ordenando los trminos se tiene que:

St = (1 - w) Yt + wSt-1

O tambin:

St = Yt + (1 - ) St-1

(2.5.)

donde = 1 w.

Ahora ya slo nos falta calcular los valores de y S0, parmetros a partir de los cuales resulta
sencillo hallar los valores de la variable alisada de forma manera recursiva, tal que:

S1 = Y1 + (1 - ) S0
S2 = Y2 + (1 - ) S1
S3 = Y3 + (1 - ) S2

Al asignar un valor a hay que tener en cuenta que un valor pequeo de significa que estamos
dando mucho peso a las observaciones pasadas a travs del trmino St-1. Por el contrario, cuando
es grande se da ms importancia a la observacin actual de la variable Y. En general, parece

que un valor de igual a 0.2 es apropiado en la mayor parte de los casos. Alternativamente, se
puede seleccionar aquel valor de para el que se obtenga una Raz del Error Cuadrtico Medio
menor en la prediccin del perodo muestral.

Respecto a la asignacin de valor a S0 se suelen hacer estos supuestos: cuando la serie tiene
muchas oscilaciones se toma S = Y1; por el contrario, cuando la serie tiene una cierta estabilidad
se hace S0 = Y .

45

Ejemplo 2.4

La macro de anlisis estadstico de EXCEL incluye un procedimiento para realizar el suavizado

exponencial (2.5):

46

En el men de la macro hay que indicar el rango donde estn los datos, el coeficiente = 0,20 ,
y la celda en donde se grabar la salida de resultados, elegimos que nos realice el grfico y nos
calcule los errores tpicos (RECM).

47

2.3.5. Alisado Exponencial Doble

Una variante ms avanzada del mtodo anterior es el Alisado Exponencial Doble, tambin
conocido como mtodo de Brown. Bsicamente, lo que se hace mediante este mtodo es
someter a la variable a una doble operacin de alisado: en la primera operacin se alisa
directamente la variable objeto de estudio, mientras que en la segunda operacin se procede a
alisar la variable alisada previamente obtenida. As pues, las frmulas del Alisado Exponencial
Doble son las siguientes:

Primer alisado: St = Yt + (1) St-1

Segundo alisado: St = St + (1) St-1
Obsrvese que en los dos alisados se utiliza el mismo coeficiente . A partir de las dos variables
alisadas se estiman los coeficientes de la recta para utilizarlos en la prediccin.

Las frmulas que permiten pasar de los coeficientes de alisado a los coeficientes de la recta son
las siguientes:

b0t = 2 S t' S t''

b1t =

( S t' S t'' )

Finalmente, si con la informacin disponible en t, deseamos realizar una prediccin de la

variable para el momento t+m, aplicaremos la siguiente frmula:

Yt + m = b0t + b1t m
Asimismo, al igual que en el caso del Alisado Exponencial Simple, para poder obtener St' y St
es necesario conocer los valores iniciales, que en este caso seran dos, S0 y S0. Para
determinarlos se utilizan las siguientes relaciones que permiten obtener b0t y b1t, aunque en
sentido inverso.

Realizando un ajuste de la recta por mnimos cuadrados con toda la informacin disponible se
obtendrn las estimaciones b0 t y b1t .

48

Haciendo que:

b00 = b0t y b10 = b1t

y tomando t = 0, se obtiene:

S 0' = b00 b10

S 0'' = b00 2b10

A partir de estos valores se inicia la recursin ya sealada.

En lo que respecta al valor de , es vlido lo que se dijo en el caso del Alisado Exponencial
Simple, siendo aconsejable tomar = 0.2 o, alternativamente, seleccionar aquel valor de que
haga mnima la RECM cuando realicemos predicciones.

2.3.6. Mtodo de Holt-Winters.

El mtodo de Holt-Winters es una tcnica de suavizado que utiliza un conjunto de estimaciones
recursivas a partir de la serie histrica. Estas estimaciones utilizan una constantes de nivel, ,
una constante de tendencia, , y una constante estacional multiplicativa, . Las estimaciones
recursivas se basan en las siguientes ecuaciones:

Y
Yt = (Yt 1 Tt 1 ) + (1 ) t , (0 < < 1)
Ft 2
Tt = Tt 1 + (1 )(Yt Yt 1 ), (0 < < 1)
Ft = Ft s + (1 )

(2.6.)

Yt
, (0 < < 1)
Y
t

donde s=4 en el caso de datos trimestrales y s=12 en el caso de los datos mensuales.

Yt sera el

nivel suavizado de la serie, Tt la tendencia suavizada de la serie y Ft el ajuste estacional

suavizado de la serie.

49

Ejemplo 2.5

Utilizando el programa R se va a desarrollar un alisado exponencial doble, para lo cual hay que
invocar la funcin HoltWinters, que tiene la siguiente estructura:
HoltWinters(x, alpha = NULL, beta = NULL, gamma = NULL,
seasonal = c("additive", "multiplicative"),
start.periods = 2, l.start = NULL, b.start = NULL,
s.start = NULL,
optim.start = c(alpha = 0.3, beta = 0.1, gamma = 0.1),
optim.control = list())

Hay que tener presente que x es el conjunto de datos, alpha, beta y gamma, son las
constantes , , y de (2.6). Si se desea la funcin elege los coeficientes , , y
optimos, en la opcin optim.start, hay que indicar los valores de partida, la function
intenta encontral el valor optimo minimizando el RECM en la opcin por defecto. Si no se le
indican los valores de partida los encuera a travs de una simple descomposicin temporal de la
serie utilizando medias mviles.

Utilizando la base de datos co2 que se obtiene en R, relativa a concentraciones atomosfricas de

CO2 en partes por milln (ppm), realizamos un suavizado por el metodo de Holt-Winter en R:
> m <- HoltWinters(co2)
> m
Holt-Winters exponential smoothing with trend and additive seasonal
component.
Call:
HoltWinters(x = co2)
Smoothing parameters:
alpha: 0.5126484
beta : 0.009497669
gamma: 0.4728868
Coefficients:
[,1]
a
364.7616237
b
0.1247438
s1
0.2215275
s2
0.9552801
s3
1.5984744
s4
2.8758029
s5
3.2820088
s6
2.4406990
s7
0.8969433
s8
-1.3796428
s9
-3.4112376
s10 -3.2570163
s11 -1.9134850
s12 -0.5844250

50

Realizamos una representacin grfica de los resultados con:

> plot(fitted(m)

2.4.

ANLISIS DE LA ESTACIONALIDAD

En este apartado pasamos a examinar el anlisis de la estacionalidad de las series temporales,

entendindose por tal, aquellos ciclos regulares cuya duracin es inferior al ao. Las variaciones
o ciclos estacionales son muy frecuentes en las series temporales, sea cual sea su naturaleza, y
pueden presentar un esquema horario, diario, semanal, mensual, trimestral o incluso semestral,
no siendo necesario que tengan alguna relacin con las estaciones del ao. Lo verdaderamente
importante de los ciclos estacionales es su temporalidad o repeticin regular.

Algunos ejemplos de ciclos estacionales seran:

El aumento de viajeros en los autobuses urbanos en determinadas horas del da.

Las ventas diarias de un supermercado que suelen presentar entre semana un esquema
bastante regular.

51

El movimiento de viajeros en los establecimientos hoteleros que se concentra en

determinados meses del ao.

El consumo de energa elctrica que suele ser mayor los meses de invierno.

El motivo principal que induce a estudiar los ciclos estacionales es que, de no tenerse en cuenta
estas variaciones, se obtienen bastantes distorsiones a la hora de analizar la evolucin de las
series, actuando muchas veces el factor estacional como una mscara que impide captar
adecuadamente la evolucin del fenmeno objeto de estudio. Un ejemplo de estas distorsiones
ocurre, por ejemplo, cuando se compara el consumo de electricidad en el primer y segundo
trimestre del ao, ya que el ciclo estacional al delimitar un aumento del consumo en los meses
de invierno, impide una interpretacin correcta sobre el uso subyacente de la energa de dicho
perodo.

Por ello, ser conveniente eliminar el influjo de los ciclos estacionales en la serie, a fin de poder
realizar comparaciones entre dos estaciones sucesivas y predecir correctamente el
comportamiento futuro de la variable.

Para ello, existen diferentes procedimientos: utilizacin de filtros lineales, X11-ARIMA,

SEATS (Signal Extraction in ARIMA Time Series), etc., cuya solucin requiere de un clculo
matemtico relativamente complejo; aqu nicamente estudiaremos los procedimientos de
desestacionalizacin ms sencillos: el mtodo de porcentaje promedio y el mtodo del
porcentaje promedio mvil.

Asimismo, cabe sealar que, con carcter previo a la desestacionalizacin, a menudo hay que
realizar una serie de ajustes en la serie temporal para tener en cuenta hechos o eventos que
pueden afectar al ciclo estacional que tratamos de analizar. Estos eventos que suelen ser
festividades, interrupciones del trabajo debido a huelgas, paros, regulaciones de empleo, etc., no
siempre son eliminados por los promedios dentro del mes o trimestre en que se producen, de ah
que sea necesario corregir previamente los datos iniciales. Una forma de compensar estas
variaciones es multiplicar la serie de datos orignales por la siguiente razn:

Nmero de das efectivos de un mes en un promedio de aos ( en un calendario laboral)

Nmero de das efectivos del mes dado

52

en la que la definicin de los das efectivos depender de la serie cronolgica que nos interesa y
de los motivos por los que realizamos el ajuste.

Finalmente, para saber si una serie temporal presenta variaciones estacionales de relevancia, se
suele hacer un anlisis de la varianza del componente estacional-irregular de la serie, utilizando
como factor de variacin la referencia temporal de la serie (semanal, mensual, trimestral,
etc.). Dicho anlisis proporciona como estadstico la F de Snedecor, cuyo valor comparado
con el que figura en las tablas del Anexo, nos permite determinar si tiene significacin el factor
temporal para explicar la varianza de la serie; de admitirse dicha posibilidad, quedara
demostrado que los movimientos estacionales de la serie son lo suficientemente determinantes
como para proceder a su desestacionalizacin posterior.

Ejemplo 2.6

Veamos a continuacin un ejemplo: vamos a realizar un test de presencia de estacionalidad a la

serie mensual de ventas de gasolina en Castilla y Len durante el perodo 1985-1994.

Aos
Meses

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

26000

29100

28400

31000

35689

37229

32745

37621

35299

40157

24800

24200

27600

32400

32566

35146

28720

37208

39508

39203

29400

34900

33700

38700

45225

40100

42681

43175

45681

51174

35400

33400

40600

39700

35800

46117

44134

49106

55183

48357

31900

35200

34300

36500

44900

42894

43489

46905

46689

47538

31000

34700

39100

39900

42808

42972

42395

47682

50162

52353

56500

47300

50100

49700

54817

54729

57811

62712

66180

58967

74400

56900

60700

66100

67900

67200

70278

77667

75607

74335

35700

40200

40800

45300

46800

46200

50466

53616

53087

52880

10

34400

36700

38700

40200

40485

43940

46597

49400

49777

49722

11

28900

30300

33600

36100

36760

39572

40813

43204

44232

42519

12

32900

38300

39100

41100

44059

40346

48174

51229

52444

53165

TOTAL

441300

441200

466700

496700

527809

536445

548302

599525

613849

610370

Para ello, obtenemos la componente estacional-irregular de la serie como diferencia entre la

serie original y una tendencia que calculamos mediante una media mvil centrada de 12
trminos.

53

Aos
Meses

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

-7992

-9617

-9067

-7695

-7370

-11358

-10774

-15852

-10918

-11433

-10733

-8117

-10968

-9395

-15639

-11802

-11472

-11766

-1108

-4683

-2192

1566

-4391

-2034

-6098

-5255

223

-2800

2050

-1317

-7883

1338

-802

-401

4216

-2590

-1117

-4525

-4725

1163

-2119

-1551

-2800

-4364

-3266

-5775

-2067

208

-1492

-1176

-1732

-3297

-2279

-992

1489

19467

10592

10992

7918

10705

10399

11713

12945

14621

37417

19908

21192

24304

23573

23405

23472

27708

24074

-1742

3308

875

2960

2900

2190

3619

3449

1096

10

-2875

-792

-1150

-1815

-4275

96

-665

-1274

-1645

11

-8650

-7117

-6433

-6615

-7833

-4322

-6733

-7451

-7261

12

-4958

517

-1000

-1857

-548

-3500

188

366

768

Para realizar un test de presencia de estacionalidad utilizamos la tcnica de Anlisis de Varianza

de un factor, utilizando como factor la agrupacin por meses de los datos de ventas de gasolina.

El anlisis de varianza ofrece en este caso los siguientes resultados:

Anlisis de la varianza de la serie de ventas de gasolina en CYL

Origen

de

las Suma

de Grados de Promedio de

Valor crtico

variaciones

cuadrados

libertad

cuadrados

Probabilidad

Entre grupos

7788660568

11

708060052

161.680764 1.2494E-51

Dentro de los grupos

367867165

84

4379371.01

Total

8156527733

95

para F

1.90453875

Como se puede apreciar, el valor de la F es lo suficientemente grande para admitir la hiptesis

H 0 de que el factor temporal mensual explica una parte de la varianza que tiene toda la serie.
Como vemos en dicha salida tambin aparece el valor crtico de la F por debajo del cual
rechazamos la hiptesis H0 .

54

2.4.1. Mtodo del porcentaje promedio

El mtodo del porcentaje promedio es un procedimiento rpido y simple para elaborar un ndice
estacional. El primer paso consiste en expresar la informacin de cada mes (o trimestre) como
un promedio para el ao; en un segundo paso se obtienen porcentajes de los promedios anuales;
y, finalmente, en un tercer paso, dichos porcentajes se promedian en cada mes, obtenindose
como resultado el ndice estacional.

Ejemplo 2.7.

Para ilustrar el mtodo del porcentaje promedio utilizamos el anterior ejemplo de las ventas
mensuales de gasolina en Castilla y Len para el perodo 1985-1994.

En primer lugar obtenemos el promedio mensual de las ventas anuales:

Aos
Meses 1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

26000

29100

28400

31000

35689

37229

32745

37621

35299

40157

24800

24200

27600

32400

32566

35146

28720

37208

39508

39203

29400

34900

33700

38700

45225

40100

42681

43175

45681

51174

35400

33400

40600

39700

35800

46117

44134

49106

55183

48357

31900

35200

34300

36500

44900

42894

43489

46905

46689

47538

31000

34700

39100

39900

42808

42972

42395

47682

50162

52353

56500

47300

50100

49700

54817

54729

57811

62712

66180

58967

74400

56900

60700

66100

67900

67200

70278

77667

75607

74335

35700

40200

40800

45300

46800

46200

50466

53616

53087

52880

10

34400

36700

38700

40200

40485

43940

46597

49400

49777

49722

11

28900

30300

33600

36100

36760

39572

40813

43204

44232

42519

12

32900

38300

39100

41100

44059

40346

48174

51229

52444

53165

TOTAL 441300 441200 466700 496700 527809 536445 548302 599525 613849 610370
MEDIA 36775

36767

38892

41392

43984

44704

45692

49960

51154

50864

Despus calculamos en cada ao el porcentaje del promedio, que es la relacin que se da

entre las ventas de cada mes y su promedio anual.

55

Aos
Meses

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

70.70%

79.15%

73.02%

74.89%

81.14%

83.28%

71.66%

75.30%

69.01%

78.95%

67.44%

65.82%

70.97%

78.28%

74.04%

78.62%

62.86%

74.47%

77.23%

77.07%

79.95%

94.92%

86.65%

93.50%

102.82%

89.70%

93.41%

86.42%

89.30%

100.61%

96.26%

90.84%

104.39%

95.91%

81.39%

103.16%

96.59%

98.29%

107.88%

95.07%

86.74%

95.74%

88.19%

88.18%

102.08%

95.95%

95.18%

93.88%

91.27%

93.46%

84.30%

94.38%

100.54%

96.40%

97.33%

96.13%

92.78%

95.44%

98.06%

102.93%

153.64%

128.65%

128.82%

120.07%

124.63%

122.43%

126.52%

125.52%

129.37%

115.93%

202.31%

154.76%

156.07%

159.69%

154.37%

150.32%

153.81%

155.46%

147.80%

146.14%

97.08%

109.34%

104.91%

109.44%

106.40%

103.35%

110.45%

107.32%

103.78%

103.96%

10

93.54%

99.82%

99.51%

97.12%

92.04%

98.29%

101.98%

98.88%

97.31%

97.75%

11

78.59%

82.41%

86.39%

87.22%

83.58%

88.52%

89.32%

86.48%

86.47%

83.59%

12

89.46%

104.17%

100.54%

99.30%

100.17%

90.25%

105.43%

102.54%

102.52%

104.52%

El ndice estacional sera el promedio para cada mes de los diez datos anuales:

ndice

Aos

Meses 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 estacional
1

71%

79%

73%

75%

81%

83%

72%

75%

69%

79%

76%

67%

66%

71%

78%

74%

79%

63%

74%

77%

77%

73%

80%

95%

87%

93%

103% 90%

93%

86%

89%

101% 92%

96%

91%

104% 96%

81%

103% 97%

98%

108% 95%

97%

87%

96%

88%

102% 96%

95%

94%

91%

93%

93%

84%

94%

101% 96%

97%

93%

95%

98%

103% 96%

154% 129% 129% 120% 125% 122% 127% 126% 129% 116% 128%

202% 155% 156% 160% 154% 150% 154% 155% 148% 146% 158%

97%

109% 105% 109% 106% 103% 110% 107% 104% 104% 106%

10

94%

100% 100% 97%

92%

98%

102% 99%

97%

98%

98%

11

79%

82%

84%

89%

89%

86%

84%

85%

12

89%

104% 101% 99%

86%

88%

87%

96%

100% 90%

86%

105% 103% 103% 105% 100%

1200%

El ndice nos seala que en el perodo estudiado las ventas de enero han estado un 75.71%
por debajo de las ventas mensuales promedio de cada ao, y que en el mes de agosto el
nivel de ventas fue un 158.07% superior al nivel de venta mensuales promedio anual. Dado
que el valor medio mensual del ndice ha de ser igual a 100, la suma de los 12 datos de que
consta el ndice mensual debe ser igual a 1200.

56

Para obtener una serie de las ventas ajustadas estacionalmente, esto es, descontando el
efecto que provoca el ciclo estacional, se dividira las ventas de cada mes por el
correspondiente ndice estacional y se multiplicara por 100:

Aos
Meses 1985

1986 1987 1988 1989 1990 1991 1992 1993 1994

34341 38436 37511 40945 47139 49173 43250 49690 46624 53040

34122 33297 37975 44579 44807 48357 39516 51194 54359 53939

32051 38047 36739 42190 49303 43716 46530 47069 49801 55789

36503 34440 41865 40937 36915 47554 45509 50636 56902 49863

34276 37822 36854 39218 48244 46089 46728 50398 50166 51078

32350 36211 40803 41637 44672 44843 44241 49758 52346 54633

44293 37081 39276 38963 42974 42905 45321 49163 51882 46227

47066 35996 38400 41816 42954 42512 44459 49133 47830 47025

33806 38067 38636 42897 44317 43749 47789 50772 50271 50075

10

35237 37593 39642 41178 41470 45009 47731 50602 50988 50932

11

33898 35540 39411 42343 43117 46415 47871 50675 51881 49872

12

32936 38342 39143 41145 44107 40390 48227 51285 52502 53223

2.4.2. Mtodo del porcentaje promedio mvil

El mtodo del porcentaje del promedio mvil es uno de los mtodos ms usados para la
medicin de la variacin estacional. Su clculo es tambin bastante sencillo: en primer lugar se
obtiene un promedio mvil de 12 meses de la serie de datos originales (o de 4 trimestres si se
utilizan los datos trimestrales) tal que:

L/2

MM ( L) t +0.5 =

t +i
( L / 2 ) +1

, t=

L L
L
, + 1,..., N
2 2
2

Luego se recurre a un promedio mvil de 2 meses para centrar convenientemente el promedio

anterior, al que se le denomina promedio mvil centrado de doce meses; es decir:

MM ( L x 2) t =

MM ( L) t 0.5 + MM ( L) t +0.5
L
L
L
, t = + 1, + 2,..., N
2
2
2
2

57

Finalmente se obtiene el ndice dividiendo los datos originales por el promedio mvil centrado,
MM(L x 2)t:

EI t =

Yt
MM ( L x 2) t

es decir, una estimacin conjunta del componente estacional y del componente irregular. A los
valores obtenidos mediante la expresin anterior se los denomina ndices brutos de variacin
estacional.

Si disponemos de informacin para K aos completos, el nmero total de observaciones es N y

la longitud del perodo estacional es L, se verificar que KL = N. Bajo estos supuestos, para
cada estacin se dispone de K1 ndices brutos de variacin estacional, ya que se pierden L/2
datos al principio y L/2 datos al final, es decir, se pierde un dato en cada estacin.

Para cada estacin se puede calcular una media de todos los ndices brutos disponibles. As,
para la estacin h, la media se obtendr sumando todos los ndices brutos de variacin
estacional correspondientes a esa estacin y dividiendo por K1, que es el nmero de datos
disponibles en cada caso; es decir:

E h* =

EI

K 1

, h = 1,2,..., L

Al haber realizado un promedio de K1 datos, el componente irregular queda eliminado si K es

suficientemente grande. En todo caso, al promediar siempre se atenuar el efecto del
componente irregular. Por ello, el resultado obtenido es un ndice de variacin estacional en el
que se supone que el componente irregular ha desaparecido completamente.

Sin embargo, estos ndices no van a ser los definitivos, ya que se trata de ndices no
normalizados. Si existe estacionalidad, sta no debe afectar al nivel de la serie, por lo que es
razonable exigir a los coeficientes de estacionalidad el requisito de que su media sea 1, ,
alternativamente, que su suma sea L. Cuando los ndices de estacionalidad cumplen este
requisito se dice que estn normalizados. Los ndices de variacin estacional normalizados se
pueden calcular fcilmente aplicando una proporcin. As, si utilizamos el smbolo E h para
designar el ndice de variacin estacional de la estacin h, su expresin vendr dada por

58

E h = E h*

L
L

*
h

h =1

Finalmente, la serie desestacionalizada se obtendr dividiendo cada valor de la serie original por
el ndice de variacin estacional correspondiente. As, en el caso de que el perodo t pertenezca
a la estacin h, entonces el valor de la serie desestacionalizada, al que designaremos por Dt,
vendr dado por:

Dt =

Yt
E h

Ejemplo 2.8.

Veamos a continuacin un ejemplo, utilizando de nuevo la serie de ventas de gasolina de

Castilla y Len para obtener dicho ndice estacional.

Aos

Meses

Ventas

1985

26000

24800

29400

35400

31900

31000

36775

56500

37033

74400

36983

35700

37442

10

34400

37275

11

28900

37550

12

32900

37858

29100

37092

24200

35633

34900

36008

33400

36200

35200

36317

1986

Media mvil 12 meses

El primer promedio mvil se centra en el 6 mes (Junio), lo que implica dejar sin valores seis
meses al final de la serie.

59

El segundo promedio, que es una media mvil de dos meses, se realiza para centrar
convenientemente el promedio mvil anterior, el primer valor que aparece es el valor promedio
de 36775 y 37033, y se centra en el 7 mes (Julio), quedando as ambos extremos de la serie
resultante con seis meses de ausencia de datos:

Aos

Meses

Ventas

1985

26000

24800

29400

35400

31900

31000

36775

56500

37033

36904

74400

36983

37008

35700

37442

37213

10

34400

37275

37358

11

28900

37550

37413

12

32900

37858

37704

29100

37092

37475

24200

35633

36363

34900

36008

35821

33400

36200

36104

35200

36317

36258

1986

Media mvil 12 meses Promedio mvil centrado

Finalmente se calcula el ndice dividiendo los datos originales por el promedio mvil centrado y
multiplicando por cien:

60

Aos

Meses

Ventas

Media

mvil Promedio

12 meses
1985

1986

ndice

mvil centrado estacional

26000

24800

29400

35400

31900

31000

36775

56500

37033

36904

153.10%

74400

36983

37008

201.04%

35700

37442

37213

95.94%

10

34400

37275

37358

92.08%

11

28900

37550

37413

77.25%

12

32900

37858

37704

87.26%

29100

37092

37475

77.65%

24200

35633

36363

66.55%

34900

36008

35821

97.43%

33400

36200

36104

92.51%

35200

36317

36258

97.08%

La serie desestacionalizada de las ventas de gasolina en Castilla y Len sera el promedio mvil
centrado de 12 meses:

Desestacionalizacin de las ventas de gasolina por media mvil

de 12 meses.
80000
70000
60000
50000
40000
30000
Ventas
Media movil 12 meses

20000
10000

Figura 2.6.

61

Mar.

Ago.

Oct.

Dic.

May.

Jul.

Feb.

Abr.

Sep.

Nov.

Jun.

90 Ene.

Ago.

Mar.

Oct.

May

Dic.

Jul.

Feb.

Sep.

Abr.

Jun.

Nov.

86 Ene.

Los coeficientes de estacionalidad calculados en el epgrafe anterior pueden ser utilizados para
realizar predicciones de la variable. Para ello, vamos a considerar el supuesto de que
disponemos de una muestra de tamao T y deseamos realizar predicciones para los L perodos
siguientes (por ejemplo, si los datos son trimestrales y la muestra comprende aos completos, se
tratara de predecir los valores que toma la variable en los trimestres del primer ao
postmuestral).

Bajo el supuesto de estacionalidad estable, el predictor vendr dado por la siguiente expresin:
Yt + h / T = TT + h E h , h = 1, 2, , L

donde TT + h es la prediccin obtenida de la tendencia mediante el ajuste de una funcin a los

datos desestacionalizados.

2.4.3. Desestacionalizacin con Estacionalidad Cambiante

Hasta ahora hemos considerado el supuesto de que los coeficientes de estacionalidad eran
estables, es decir, que se repetan ao tras ao. Sin embargo, en muchas ocasiones este supuesto
no es realista, pudiendo ocurrir que estos coeficientes estn afectados por una tendencia.

Bajo el supuesto de estacionalidad cambiante, las fases para la aplicacin del mtodo de la razn
a la media mvil son las siguientes:

1. Obtencin de unas medias mviles de orden estacional.

2. Obtencin de unas medias mviles centradas.
3. Obtencin de los ndices brutos de variacin estacional.
4. Obtencin de los ndices de variacin estacional sin normalizar.

Las tres primeras fases son las mismas que se aplicaban bajo el supuesto de estacionalidad
estable. Una vez obtenidos los ndices brutos de variacin estacional, se debe proceder a la
representacin de este indicador para cada estacin por separado. A la vista de esta

62

representacin se tomar la decisin de cul es la funcin matemtica adecuada para representar

la tendencia de la estacionalidad.

Recurdese que los ndices brutos de variacin estacional son una estimacin conjunta del
componente estacional y del componente irregular. Por ello, al realizar el ajuste de modelos que
recojan la tendencia de la estacionalidad, lo que estamos haciendo en realidad es separar estos
dos componentes. As, adoptando el supuesto de que estn integrados de forma aditiva, se
tendr la siguiente descomposicin:
EI t = E t* + I t , h = 1, 2, , L

donde Et* son los valores estimados al ajustar una funcin del tiempo en la que la variable
dependiente es EI. En la mayor parte de las ocasiones es adecuado el ajuste de una recta para tal
finalidad. Si ste es el caso resulta:
E t* = a h 0 + a h1 r , h = 1, 2, , L

donde r es el ao en que se encuentra el perodo t. Teniendo en cuenta que al calcular los ndices
brutos de variacin estacional se pierden L/2 datos al principio y L/2 al final y suponiendo que
se dispone de informacin sobre K aos completos, entonces r variar, segn los casos, entre 2 y
K o entre 1 y K1.

Despus de realizado el ajuste se proceder a la prediccin de los coeficientes de estacionalidad

de cada uno de los aos que integran la muestra. De esta forma se obtienen unos ndices de
variacin estacional sin normalizar, aunque distintos para cada ao.

Seguidamente, la obtencin de los ndices de variacin estacional normalizados se realizar

haciendo una ligera modificacin en la frmula ya estudiada. Concretamente, la frmula a
aplicar ser la siguiente:

E t = E t*

*
m

, m = 1, 2, , r

Como puede verse en la frmula anterior, la normalizacin se realiza ao a ao. Por ello, el
factor de normalizacin es igual a L dividido por la suma de los ndices de variacin estacional
correspondientes al mismo ao (r) en que se encuentra el perodo t.

63

Finalmente, la serie desestacionalizada, al igual que antes, se obtiene dividiendo la serie original
por el ndice de variacin estacional correspondiente, es decir,

Dt =

Yt
E

Obsrvese que, bajo el supuesto de estacionalidad cambiante, a cada dato de la variable le corresponde un
ndice de variacin estacional distinto, a diferencia de lo que ocurra bajo el supuesto de estacionalidad
constante, donde el ndice de variacin estacional permaneca fijo dentro de cada estacin.

Bajo el supuesto de estacionalidad cambiante, el predictor vendr dado por la siguiente

expresin:
Yt + h / T = TT + h E h , h = 1, 2, , L

donde TT + h es la prediccin obtenida de la tendencia mediante el ajuste de una funcin a los

datos desestacionalizados y E es la prediccin de la estacionalidad para el perodo T+h,
obtenida a partir de un ajuste y su posterior normalizacin.

2.4.4. Ajuste estacional a travs de medias mviles con R.

La funcin R decompose, obtiene las series de tendencia, estacionalidad e irregular de una
serie temporal a travs de medias mviles, adems permite obtener los componentes en base a
un esquema aditivo multiplicativo.

Es una funcin generica de R, lo que significa que no requiere de la instalacin de ninguna

librera, su uso es el siguiente:

decompose(x, type = c("additive", "multiplicative"), filter = NULL)

El modelo aditivo que usa la funcin es:

64

Y[t] = T[t] + S[t] + e[t]

Y el multiplicativo:
Y[t] = T[t] * S[t] * e[t]

La funcin calcula el componente de tendencia utilizando medias mviles, (si filter = NULL, se
utilizan medias mviles simtricas), los ndices de estacionalidad son promedios de los indices
de estacionalidad que se obtienen al desestacionalizar la serie por el modelo elegido, por ltimo,
el componente irregular se obtiene eliminando la tendencia y estacionalidad de la serie
temporal.

La funcin requiere que los datos tengan forma de serie temporal, ts es la funcin genrica de
R para que los datos tengan forma de serie temporal. Su sintasis es la siguiente:
ts(data = NA, start = 1, end = numeric(), frequency = 1, deltat = 1,
ts.eps = getOption("ts.eps"), class = , names = )

De esta sintasis hay que tener presentes los siguiente argumentos:

data

Vector, data frame o matriz de datos

start

Referencia de la primera observacion, es un vector con dos valores numericos, el

primero relativo al ao y el segundo relativo al trimestre y mes de inicio (1 para el
primer trimestre y 1 para enero en series de datos mensuales)

end

Referencia de la ultima observacin

frequency

Nmero de observaciones por ao (4 en series trimestrales, 12 en series anuales)

Un ejemplo de elaboracin de un objeto ts es el siguiente:

> ts(1:10, frequency = 4, start = c(1959, 2)) # 2nd Quarter of 1959
Qtr1 Qtr2 Qtr3 Qtr4
1959
1
2
3
1960
4
5
6
7
1961
8
9
10

A continuacin se realiza un sencillo ejercicio de utilizacin de la funcin descomponse:

> x <- c(-50, 175, 149, 214, 247, 237, 225, 329, 729, 809,
530,
489, 540, 457, 195, 176, 337, 239, 128, 102, 232, 429, 3,98, 43, -141,
-77, -13, 125, 361, -45, 184)
> x <- ts(x, start = c(1951, 1), end = c(1958, 4), frequency = 4)
> m <- decompose(x)
> m

65

$x
1951
1952
1953
1954
1955
1956
1957
1958

Qtr1 Qtr2 Qtr3 Qtr4

-50 175 149 214
247 237 225 329
729 809 530 489
540 457 195 176
337 239 128 102
232 429
3
98
43 -141 -77 -13
125 361 -45 184

$seasonal
Qtr1
62.45982
62.45982
62.45982
62.45982
62.45982
62.45982
62.45982
62.45982

1951
1952
1953
1954
1955
1956
1957
1958

Qtr2
86.17411
86.17411
86.17411
86.17411
86.17411
86.17411
86.17411
86.17411

Qtr3
-88.37946
-88.37946
-88.37946
-88.37946
-88.37946
-88.37946
-88.37946
-88.37946

Qtr4
-60.25446
-60.25446
-60.25446
-60.25446
-60.25446
-60.25446
-60.25446
-60.25446

$trend
1951
1952
1953
1954
1955
1956
1957
1958

Qtr1
NA
221.250
561.125
462.125
228.375
207.125
-9.250
103.000

Qtr2
NA
245.125
619.250
381.125
210.750
191.000
-33.125
131.625

Qtr3
159.125
319.750
615.625
316.625
188.375
166.875
-36.750
NA

Qtr4
204.000
451.500
548.000
264.000
199.000
72.000
36.250
NA

$random
1951
1952
1953
1954
1955
1956
1957
1958

Qtr1
Qtr2
NA
NA
-36.709821 -94.299107
105.415179 103.575893
15.415179 -10.299107
46.165179 -57.924107
-37.584821 151.825893
-10.209821 -194.049107
-40.459821 143.200893

$figure
[1] 62.45982

Qtr3
78.254464
-6.370536
2.754464
-33.245536
28.004464
-75.495536
48.129464
NA

Qtr4
70.254464
-62.245536
1.254464
-27.745536
-36.745536
86.254464
11.004464
NA

86.17411 -88.37946 -60.25446

$type
[1] "additive"
attr(,"class")
[1] "decomposed.ts"

Para realizar una representacin grfica:

> plot(m)

66

Una funcin tcnicamente ms elaborada para descomponer series temporales en R es la

funcin stl, cuya referencia bibliogrfica es Cleveland, R.B. , Cleveland W. S., McRae J. E, y
Terpenning I. (1990
El ejercicio anterior realizado con la funcin stl.
> s <- stl(x,"per")
> plot (s)

67

2.5.

PROBLEMAS

2.1.- En la tabla siguiente se recogen las ventas de una empresa en millones de euros

Trimestres/Aos
2006
3
3
4
4

Primero
Segundo
Tercero
Cuarto

2007
4
6
7
6

2008
3
6
7
6

2009
6
7
10
4

Se pide:

a) Obtener una tendencia lineal por el mtodo de semipromedios

b) Obtener una tendencia lineal ajustando una recta de MCO
c) Obtener una tendencia lineal utilizando medias mviles de tres periodos centrada.
2.2.- Con los datos de la tabla siguiente realice un suavizado exponencial simple con = 0.4 y
calcule el del Error Cuadrtico Medio y el Error Absoluto Medio.

Y
0
1
2
3
4
5
6
7
8

58
54
60
55
62
62
65
63
70

2.3.- Utilizando los datos del problema 2.1.-, realice una desestacionalizacin por el mtodo del
porcentaje promedio y porcentaje promedio mvil, y obtenga el ndice estacional.

2.4.- Descomponga en la serie co2 que incluye la librera genrica R utilizando el modelo
multiplicativo y presente los resultados grficos.

SOLUCIONES

2.1.Solucin:

68

2010
7
9
11
7

a) V*=4,6+0,28t , t=(-4,-3,..,15)
b) V*=3,06+0,28t , t=(1,2,..20)
c)
Ao
1.2006
2.2006
3.2006
4.2006
1.2007
2.2007
3.2007
4.2007
1.2008
2.2008
3.2008
4.2008
1.2009
2.2009
3.2009
4.2009
1.2010
2.2010
3.2010
4.2010

Tendencia Estacional e Irregular

3,625
4,125
4,875
5,5
5,625
5,5
5,5
5,5
5,875
6,375
6,875
7
6,875
7,25
7,625
8,125

1,103
1
0,821
1,091
1,244
1,091
0,545
1,091
1,191
0,941
0,873
1,000
1,455
0,552
0,918
1,108

2.2.Pronostico
58,000
55,600
58,240
56,296
59,718
61,087
63,435
63,174

EAM=1,370
RECM=1,505

69

2.3.Serie desestacionalizada por el mtodo de porcentaje promedio

Trimestres/Aos
2006
2007
2008
Primero
3,9363179 5,2484238 3,9363179
Segundo
2,9484662 5,8969325 5,8969325
Tercero
3,1208187 5,4614327 5,4614327
Cuarto
4,2613335 6,3920003 6,3920003

2009
7,8726357
6,8797546
7,8020467
4,2613335

2010
9,1847417
8,8453987
8,5822513
7,4573337

Serie desestacionalizada e ndice estacional por el mtodo de porcentaje promedio mvil

Ao
1.2006
2.2006
3.2006
4.2006
1.2007
2.2007
3.2007
4.2007
1.2008
2.2008
3.2008
4.2008
1.2009
2.2009
3.2009
4.2009
1.2010
2.2010
3.2010
4.2010

Serie
ndice
Desestacionalizada estacional

3,625
4,125
4,875
5,5
5,625
5,5
5,5
5,5
5,875
6,375
6,875
7
6,875
7,25
7,625
8,125

90,6%
103,1%
121,9%
91,7%
80,4%
91,7%
183,3%
91,7%
83,9%
106,3%
114,6%
100,0%
68,8%
181,3%
108,9%
90,3%

2.4.- A realizar por el alumno.

70

3.

ANLISIS
UNIVARIANTE
TEMPORALES

3.1.

DE

SERIES

INTRODUCCIN

La publicacin de la obra Time Series Analysis: Forecasting and Control por G. E. P. Box y G.
M. Jenkins en 1976 estableci un punto de inflexin en las tcnicas cuantitativas de prediccin
en Economa. La metodologa propuesta por estos autores, tambin conocida como metodologa
ARIMA, trata de realizar previsiones acerca de los valores futuros de una variable, utilizando
nicamente como informacin la contenida en los valores pasados de la propia serie temporal.
Este enfoque supone una alternativa a la construccin de modelos uniecuacionales o de
ecuaciones simultneas, pues supone admitir que las series temporales poseen un carcter
estocstico, lo que implica que deben analizarse sus propiedades probabilsticas para que stas
hablen por s mismas.

El anlisis univariante de series temporales presenta como ventaja frente a otros mtodos de
prediccin el no depender de los problemas de informacin asociados a las variables endgenas
o exgenas. Como hemos visto en captulos anteriores, los modelos econmicos que hemos
estimado hasta el momento requeran un conjunto de variables exgenas que se utilizaban para
explicar el comportamiento de una variable endgena. Sin embargo, en muchas ocasiones no se
dispone de observaciones para alguna de las variables exgenas, ya sea porque no es posible
medir la variable (por ejemplo, las expectativas de los agentes) o porque la muestra de datos de
que disponemos para representar dicha variable presenta errores de medida (cuyas
consecuencias se vieron en el captulo 4). Este problema desaparece cuando se trata de
modelizar una variable endgena mediante un modelo de tipo univariante como el propuesto por
Box y Jenkins, ya que se hace depender a dicha variable tan slo de su propio pasado y un
conjunto de perturbaciones aleatorias, pero no de otras variables, caracterizando as las series
econmicas en su dimensin temporal.

En el presente captulo vamos a definir y caracterizar una amplia familia de estructuras

estocsticas lineales as como la metodologa a seguir para seleccionar aquel modelo univariante
que resulte ms adecuado para representar la estructura estocstica de la variable econmica que
estemos analizando.

71

3.2.

PROCESOS ESTCSTICOS

Podemos definir un proceso estocstico como un conjunto de variables aleatorias asociadas a

distintos instantes del tiempo. As, en cada perodo o momento temporal se dispone de una
variable que tendr su correspondiente distribucin de probabilidad; por ejemplo, si
consideramos el proceso Yt, para t = 1, tendremos una variable aleatoria, Y1, que tomar
diferentes valores con diferentes probabilidades.

La relacin existente, por tanto, entre una serie temporal y el proceso estocstico que la genera
es anloga a la que existe entre una muestra y la poblacin de la que procede, de tal forma que
podemos considerar una serie temporal como una muestra o realizacin de un proceso
estocstico, formada por una sola observacin de cada una de las variables que componen el
proceso. La tarea del investigador ser, por tanto, inferir la forma del proceso estocstico a partir
de las series temporales que genera.

Un proceso estocstico, Yt, se suele describir mediante las siguientes caractersticas: esperanza
matemtica, varianza, autocovarianzas y coeficientes de autocorrelacin.

La esperanza matemtica de Yt se traduce en la sucesin de las esperanzas matemticas de las

variables que componen el proceso, a lo largo del tiempo tal que:
E(Yt) = t,

t = 1,2,3...

Por su parte, la varianza de un proceso aleatorio es una sucesin de varianzas, una por cada
variable del proceso:
Var (Yt) = E(Yt t)2,

t = 1,2,3...

Las autocovarianzas, por su parte, son las covarianzas entre cada par de variables del proceso
tales que:

k = Cov(Yt,Yt+k) = E[(Yt - t)(Yt+k - t+k)] = t,t+k ,

72

t = 1,2,3...

Finalmente, los coeficientes de autocorrelacin son los coeficientes de correlacin lineal entre
cada par de variables que componen el proceso:

t ,t + k =

t ,t + k
Var (Yt )Var (Yt + k )

, t = 1,2,3..., con 1 t ,t + k 1

Por ltimo, a partir de los coeficientes de autocorrelacin, vamos a definir dos funciones que
nos sern muy tiles a lo largo del presente captulo:

Por un lado, la funcin de autocorrelacin simple (fas) o correlograma, la cual es la

representacin grfica de los coeficientes de autocorrelacin en funcin de los distintos
retardos o desfases entre las variables.

La funcin de autocorrelacin parcial (fap), que mide la correlacin existente entre dos
variables del proceso en distintos perodos de tiempo, pero una vez eliminados los
efectos sobre las mismas de los perodos intermedios. Por ejemplo, puede que exista
cierta correlacin entre Yt e Yt-2 debido a que ambas variables estn correlacionadas con
Yt-1.

Dado que en la prctica se dispone de una muestra de un proceso estocstico, Y1, ...YT, se pueden
obtener los coeficientes de autocorrelacin simple y parcial muestral y utilizarlos como
estimadores de los parmetros de la funcin de autocorrelacin simple y parcial terica.
As, la funcin de autocorrelacin simple (fas) puede estimarse a partir de las autocovarianzas
del proceso tal que:

k =

k
0

Siendo:

(Y
0 =

t =1

73

Y )2

(Yt Y )(Yt +k Y )

k =

t = k +1

(Y

T k

t = k +1

t+k

Y )(Yt Y )

T k

La estimacin de los parmetros de la funcin de autocorrelacin parcial (fap) resulta algo ms

compleja, por lo que se ver en epgrafes posteriores.

3.3.

PROCESOS ESTACIONARIOS

Se dice que un proceso estocstico es estacionario en sentido estricto si todas las variables
aleatorias que componen el proceso estn idnticamente distribuidas, independientemente del
momento del tiempo en que se estudie el proceso. Es decir, la funcin de distribucin de
probabilidad de cualquier conjunto de k variables (siendo k un nmero finito) del proceso debe
mantenerse estable (inalterable) al desplazar las variables s perodos de tiempo tal que, si P(Yt+1,
Yt+2, , Yt+k ) es la funcin de distribucin acumulada de probabilidad, entonces:
P(Yt+1, Yt+2, , Yt+k ) = P(Yt+1+s, Yt+2+s, , Yt+k+s ), t, k, s

Sin embargo, la versin estricta de la estacionariedad de un proceso suele ser excesivamente

restrictiva para las necesidades prcticas de un economista. Es por ello que generalmente nos
conformaremos con un concepto menos exigente, el de estacionariedad en sentido dbil o de
segundo orden la cual se da cuando la media del proceso es constante e independiente del

tiempo, la varianza es finita y constante, y el valor de la covarianza entre dos periodos depende
nicamente de la distancia o desfase entre ellos, sin importar el momento del tiempo en el cual
se calculan. Dicho de otro modo, todos los momentos de primer y segundo orden de un proceso
estocstico que sea estacionario en sentido dbil deben ser invariantes en el tiempo.

La contrastacin emprica de algunas de estas condiciones puede realizarse fcilmente mirando

el grfico de la serie temporal. As, una serie temporal que exhiba una marcada tendencia
creciente tendr una media tambin creciente en el tiempo por lo que lo ms probable es que el
proceso estocstico que ha generado dicha serie temporal no sea estacionario en media; del
mismo modo, una serie temporal que muestre fluctuaciones de amplitud desigual en el tiempo
seguramente no proceder de un proceso estocstico estacionario en varianza. La diferencia

74

entre ambos tipos de series queda patente en los grficos que se muestran en las figuras 3.1. y
3.2.

Serie no estacionaria en media

Serie no estacionaria en media y varianza

Figura. 3.1. Ejemplo de series no estacionarias.

Serie estacionaria en media y varianza

Serie estacionaria en media pero no en varianza

Figura. 3.2. Ejemplo de series estacionarias.

Sin embargo, en la prctica el aspecto visual de la serie no siempre ser una herramienta
suficiente para decidir si sta es estacionaria o no, debiendo recurrir al diagrama desviacin
tpica media, esto es, a la representacin grfica de la media (eje de abscisas) contra la

desviacin tpica (eje de ordenadas), calculadas sobre subdivisiones de la serie en grupos del
mismo tamao. En funcin de la configuracin que adopte dicho grfico decidiremos si la serie
es estacionaria o no, tal y como puede apreciarse en los grficos de la figura 3.3.

75

Serie estacionaria en media y varianza

Serie no estacionaria en varianza

Serie no estacionaria en media

Serie no estacionaria en media ni en varianza

Figura. 3.3. Grfico media-desviacin tpica.

Pero, por qu resulta importante para el investigador que el proceso analizado sea estacionario?
La razn fundamental es que los modelos de prediccin de series temporales que veremos a
continuacin estn diseados para ser utilizados con procesos de este tipo. Si las caractersticas
del proceso cambian a lo largo del tiempo, resultar difcil representar la serie para intervalos de
tiempo pasados y futuros mediante un modelo lineal sencillo, no pudindose por tanto realizar
previsiones fiables para la variable en estudio.

Sin embargo, por regla general, las series econmicas no son series que procedan de procesos
estacionarios, sino que suelen tener una tendencia, ya sea creciente o decreciente, y variabilidad
no constante. Dicha limitacin en la prctica no es tan importante porque las series no
estacionarias se pueden transformar en otras aproximadamente estacionarias despus de aplicar
diferencias a la serie en una ms etapas. Por ello, cuando estemos analizando una serie
econmica que no sea estacionaria en media deberemos trabajar con la serie en diferencias,
especificando y estimando un modelo para la misma. Si adems observamos que la serie

76

presenta no estacionariedad en varianza, deberemos transformarla tomando logaritmos antes de

aplicar diferencias en la serie3.

Posteriormente la prediccin que realicemos con las series transformadas habr que traducirla a
una prediccin para la serie original, en cuyo anlisis estaba interesado inicialmente el
investigador, deshaciendo las diferencias y aplicando antilogaritmos segn convenga.

Por ltimo, antes de continuar avanzando, debemos hacer mencin a un tipo de proceso
estacionario particular: es el denominado ruido blanco, un proceso estocstico en el que las
variables aleatorias que lo forman no estn correlacionadas entre s, siendo su esperanza
matemtica igual a cero y su varianza constante e igual a 2.

En particular, supondremos que los errores de los procesos que veremos a continuacin son
ruidos blancos gaussianos, formados por una sucesin de variables aleatorias con distribucin

Normal, esperanza cero, varianza constante e incorrelacionadas serialmente entre s. Es decir:

t es ruido blanco gaussiano si t N(0,2), para cualquier t, tal que Cov(t,t) = 0, tt'
Seguramente el lector recuerde de anteriores captulos que, en el modelo de regresin lineal
clsico, se supuso implcitamente que el trmino de error incluido en el mismo responda a las
caractersticas de un ruido blanco gaussiano.

En la figura 3.4. se muestra la representacin de un ruido blanco, en la que se puede apreciar

claramente la estacionariedad de este proceso:

Figura. 3.4. Representacin de un ruido blanco.

3

La aplicacin de logaritmos a la serie para hacerla estacionaria en varianza es lo que se conoce como
transformacin Box-Cox. Para ms detalles, vase Venables y Ripley (2002).

77

3.3.1. Operador de Retardos y Operador Diferencia

Antes de seguir avanzando, debemos mencionar dos operadores que utilizaremos
frecuentemente a lo largo del captulo. Por un lado, se define el operador de retardos, que
denotaremos por B, como aquel operador que al ser aplicado a la serie la transforma de tal forma
que:

BYt = Yt-1

Es decir, el resultado de aplicar el operador B corresponde a retardar las observaciones un

perodo.

Aplicada dos veces sobre la variable Yt tendremos que:

B(BYt) = B2Yt = Yt-2

y, en general, podemos decir que el operador Bk aplicado sobre una variable en el periodo t, la
retarda k perodos tal que:
BkYt = Yt-k

Por su parte, el operador diferencia, el cual denotaremos por , aplicado a una serie la
transformar de tal forma que:

Yt = Yt Yt-1 = (1 B) Yt

Si aplicamos el operador diferencia dos veces a la serie tendremos que:

2Yt =(Yt) = (Yt Yt-1) = Yt Yt-1 = Yt 2Yt-1 +Yt-2 = (1B)2Yt

Y en general, podemos escribir:

kYt = (1 B) kYt

78

Por lo que resulta evidente que la relacin existente entre el operador diferencia y el operador
retardo es:
k = (1 B) k

3.4.

MODELIZACIN

UNIVARIANTE

DE

SERIES

TEMPORALES
La representacin formal de los procesos aleatorios que generan series reales se puede realizar
mediante modelos lineales de series temporales. Considerando que una determinada serie
temporal ha sido generada por un proceso estocstico, en este epgrafe pasamos a describir los
posibles modelos tericos que permiten explicar el comportamiento de la misma y, por tanto, el
de su proceso generador.

Las estructuras estocsticas estacionarias lineales que se tratarn de asociar a una serie de datos
econmicos se clasifican en tres tipos: modelos autorregresivos, modelos de medias mviles y
modelos mixtos, los cuales pasamos a ver a continuacin.

3.4.1. Procesos estocsticos lineales discretos

Se dice que un proceso estocstico discreto es lineal si se puede expresar de la forma:

Yt = + + 1 1 + 2 2 + ... + k k + ... = + +

(3.1)

=1

con , 1 , 2 , ...,parmetros (normalmente desconocidos) y , 1, 2 , ..., un ruido blanco

de media 0 y varianza 2 .Con frecuencia, ,se denomina innovacin porque se corresponde
con el error de prediccin un periodo hacia delante que cometemos si utilizamos la prediccin
adecuada. Es decir, es la parte de Yt no predecible aunque se utilice ptimamente toda la
informacin pasada, Yt-1, Yt-2, .
Por qu el anlisis de series temporales se ha centrado en este tipo de procesos? La principal
justificacin es el Teorema de la descomposicin de Wold (1938): Un proceso estocstico
discreto, estacionario en covarianza, se puede representar unvocamente como la suma de dos
procesos mutuamente incorrelacionados, Yt = Dt + Wt , siendo Dt

un proceso puramente

determinista y Wt un proceso puramente no determinista, que se puede escribir como un media

mvil infinita (3.1).

79

Restringiremos el estudio a los procesos lineales discretos que dependan de pocos parmetros
conocidos como procesos autorregresivos de medias mviles de rdenes p y q, abreviadamente
ARMA(p,q), que se definen:

Yt = + 1Yt 1 + 2Yt 2 + ... + p Yt p + t + 1 t 1 + 2 t 2 + ... + q t q , t RB (0, 2 )

Estos procesos se pueden escribir de otras dos formas:

En la forma media mvil, es decir, en funcin nicamente de la innovacin,

Yt = t + 1 t 1 + 2 t 2 + ...

En la forma autorregresiva, es decir, en funcin del pasado de la variable y la

innovacin actual,

Yt = + 1Yt 1 + 2Yt 2 + ...

En principio, consideramos nicamente los procesos ARMA que posean las propiedades de
estacionariedad y ergodicidad, que garantizan la resolucin del problema de estimacin al
disponer de estimadores consistentes. Esta hiptesis implica que los parmetros de la forma
media mvil cumplen la condicin lim s s = 0 . Adems, introducimos la hiptesis de
invertibilidad con objeto de que el modelo sea til para predecir, y que implica la condicin

lim s s = 0 en la forma autorregresiva.

Pasamos a mostrar las propiedades que caracterizan a los distintos procesos ARMA. Dentro de
esta clase general de modelos encontramos dos casos particulares, los procesos autorregresivos
(cuando q=0) y los procesos mdias mviles (si p=0).

3.4.2. Modelos Autorregresivos (AR(p))

Los procesos autorregresivos son aquellos que representan los valores de una variable durante
un instante del tiempo en funcin de sus valores precedentes. As, un proceso autorregresivo de
orden p, AR(p), tendr la siguiente forma:
Yt = + 1Yt-1 + 2Yt-2 + ...+ pYt-p + t

donde es un trmino constante y t es un ruido blanco, que representa los errores del ajuste y
otorga el carcter aleatorio al proceso.

80

Asimismo, haciendo uso del operador de retardos que veamos anteriormente, el proceso
tambin puede expresarse como:
Yt = + 1BYt + 2B2Yt + ...+ pBpYt + t

O tambin:
(1 1B 2B2 ... pBp)Yt = + t

p(L)Yt = + t
Veamos a continuacin las caractersticas particulares de dos procesos autorregresivos
elementales, el de orden 1 AR(1) y el de orden 2, AR(2). Posteriormente, los resultados
obtenidos se generalizarn al caso de un proceso autorregresivo de orden p, AR(p).

3.4.2.1. Modelos autorregresivos de primer orden AR(1)

Sea el proceso autorregresivo de primer orden:
Yt = + 1Yt-1 + t

Si el proceso es estacionario en media y varianza entonces se verificar que E(Yt) = E(Yt-1) y

Var (Yt) = Var(Yt-1), t de tal forma que:

E (Yt ) = E (Yt 1 ) = = + 1 =

(3.2)

1 1

Var (Yt ) = Var (Yt 1 ) = 0 0 = 12 0 + 2 0 =

2
1 12

La condicin a cumplir para que y 0 sean positivas y finitas es que |1| < 1 . En ese caso el
proceso ser estacionario en media y varianza. Del mismo modo, si el proceso es estacionario,
tambin se verificar para las covarianzas que:

81

Cov(Yt 1 , Yt ) = Cov (Yt , Yt +1 ) = 1 , t

Cov(Yt 1 , Yt ) = E [(Yt 1 )(Yt )] = E ( y t 1 y t )

(3.3)

Donde las variables en minscula expresan que los datos estn expresados en desviaciones
respecto a la media.
Despejando en la expresin (3.2) el valor de y sustituyndolo en la ecuacin del proceso
queda que:
Yt = + 1Yt 1 + t = (1 1 ) + 1Yt 1 + t
Yt = 1 (Yt 1 ) + t y t = 1 y t 1 + t

Sustituyendo el valor de yt en (3.3) tenemos que:

1 = E ( y t 1 y t ) = E ( y t 1 (1 y t 1 + t )) = 1 E ( y t21 ) + E ( y t 1 t ) = 1 0

El resultado anterior puede generalizarse si tomamos esperanzas entre yt e yt-k obtenindose que,
en general:
k = 1k 0

A partir de los resultados anteriores podemos obtener la estimacin de los coeficientes de la

funcin de autocorrelacin simple (fas) para un proceso autorregresivo de orden 1 mediante las
siguientes expresiones:
0 = 1

1 = 1 = 1
0

2 = 2 = 12
0
LLL

k =

k
= 1k
0

Del resultado anterior se deduce que los valores de la funcin de autocorrelacin son las
sucesivas potencias del parmetro 1. La condicin |1|<1 garantiza que los sucesivos valores k

82

convergern a cero, si bien la funcin puede presentar dos aspectos distintos, dependiendo del
signo de 1 como puede observarse en la figura 3.5.

1 >0

1 <0

Figura 3.5. Funcin de autocorrelacin simple para un proceso AR(1)

La condicin |1|<1 para que el proceso AR(1) sea estacionario es equivalente a la condicin de
que la raz del operador polinomial () = 0 debe caer fuera del crculo unidad, es decir:

1 1 B = 0 B > 1

> 1 1 < 1

3.4.2.2. Modelos autorregresivos de segundo orden AR(2)

La expresin para un proceso autorregresivo de orden dos es la siguiente:
Yt = + 1Yt-1 + 2Yt-2 + t

Del mismo modo que antes, si el proceso es estacionario en media y varianza tenemos que E(Yt)
= E(Yt-1)= E(Yt-2) y Var(Yt) = Var(Yt-1) = Var(Yt-2), t.

As, en el caso de la media tenemos que:

E (Yt ) = E (Yt 1 ) = = + 1 + 2 =

1 1 2

Debindose verificar, para que la media sea finita, que 1+2 1.

En el caso de la varianza tenemos que:

83

Var(Yt ) = Var(Yt 1 ) = Var(Yt 2 ) = 0 0 = 12 0 + 22 0 + 2 0 =

2
1 12 22

Finalmente, para las covarianzas se verificar que:

Cov (Yt 1 , Yt ) = Cov (Yt , Yt +1 ) = 1 , t
1 = Cov (Yt 1 , Yt ) = E [(Yt 1 )(Yt )] = E ( y t 1 y t ) = E [ y t 1 (1 y t 1 + 2 y t 2 + t )] = 1 0 + 2 1
2 = Cov (Yt 2 , Yt ) = E [(Yt 2 )(Yt )] = E ( y t 2 y t ) = E [ y t 2 (1 y t 1 + 2 y t 2 + t )] = 1 1 + 2 0
...

k = Cov (Yt k , Yt ) = E [(Yt k )(Yt )] = E ( y t k y t ) = E [ y t k (1 y t 1 + 2 y t 2 + t )] = 1 k 1 + 2 k 2 ( k > 0)

De donde podemos derivar las expresiones para los coeficientes de la funcin de

autocorrelacin simple:

0 = 1

+ 2 1

1 = 1 = 1 0
= 1 + 2 1 1 = 1
0
0
1 2
2 =

2
2
= 1 1 + 2 2 = 1 + 2
0
1 2

LLL

k =

k
= 1 k 1 + 2 k 2 , k > 0
0

La condicin de estacionariedad utilizando la notacin en retardos es que las races del

polinomio de retardos, al igual que en el caso del proceso AR(1), estn fuera del crculo unidad
de tal forma que verifiquen:
1 1 B + 2 B 2 = 0

84

Asimismo, si el parmetro 2 fuera negativo, la resolucin de las races del polinomio podra
generar races imaginarias; en tal caso, Yt presentar ciclos de periodo T que vendrn dados por
la expresin:

cos

1
2
=
T
2 2

Al igual que en el caso anterior, la funcin de autocorrelacin simple converge a cero si bien
ahora puede presentar cuatro aspectos distintos en funcin de los signos de 1 y 2, como puede
apreciarse en la figura 3.6.

1>0, 2>0

1<0, 2>0

1>0, 2<0

1<0, 2<0

Figura 3.6. Funcin de autocorrelacin simple para un AR(2)

3.4.2.3. Modelos autorregresivos de orden p, AR(p)

A partir de los resultados obtenidos para los procesos AR(1) y AR(2), podemos generalizar las
expresiones obtenidas para un proceso de orden p.

Sea el proceso autorregresivo de orden p:

85

Yt = + 1Yt-1 + 2Yt-2 + ...+ pYt-p + t

Si el proceso es estacionario en media y varianza entonces E(Yt) = E(Yt-1) = ... = E(Yt-p) y

Var(Yt) = Var(Yt-1) =...= Var(Yt-p), t, y por tanto:

1 1 2 ... p

Por lo que para que la media sea finita, deber verificarse que 1 + 2 + ... + p 1

Del mismo modo, generalizando los resultados obtenidos para los coeficientes de la funcin de
autocorrelacin simple se tiene que:

1 = 1 0 + 2 1 + ... + p p 1
2 = 1 1 + 2 0 + ... + p p 2
.............................. ..............

k = 1 k 1 + 2 k 2 + ... + p 0

El sistema de ecuaciones obtenido se conoce como ecuaciones de Yule-Walker y relaciona las p

primeras autocovarianzas con los parmetros del proceso.

Dichas ecuaciones tambin se pueden expresar en trminos de los coeficientes de

autocorrelacin dividiendo por 0 ambos miembros tal que:

1 = 1 0 + 2 1 + ... + p p 1
2 = 1 1 + 2 0 + ... + p p 2
.............................. ..............

k = 1 p 1 + 2 p 2 + ... + p 0
Si se resuelve sucesivamente el sistema de ecuaciones de Yule-Walker bajo la hiptesis de que
la serie es un AR(1), AR(2), AR(3), etc., y se toma el ltimo coeficiente de cada uno de los
procesos se obtiene lo que se conoce como funcin de autocorrelacin parcial (fap); dicha
funcin mide el coeficiente de correlacin entre observaciones separadas k perodos, eliminando
el efecto de los valores intermedios.

86

Dado que p es el orden del proceso autorregresivo, resulta evidente que los coeficientes de
autocorrelacin parcial sern distintos de cero para retardos iguales o inferiores a p. As, para un
proceso AR(1) tendramos una funcin de autocorrelacin parcial como la que se muestra en la
figura 3.7.

1 >0

1 <0

Figura 3.7. Funcin de autocorrelacin parcial para un AR(1)

Del mismo modo, la funcin de autocorrelacin parcial para un proceso AR(2) tendr la
siguiente forma (fig. 3.8.):

1>0, 2>0

1<0, 2>0

1>0, 2<0

1<0, 2<0

Figura 3.8. Funcin de autocorrelacin parcial para un AR(2)

87

Finalmente, y de forma anloga a los resultados obtenidos en los procesos AR(1) y AR(2), para
que un proceso autorregresivo de orden p sea estacionario, las races del polinomio de retardos
del proceso, 1 1 B + 2 B 2 + ... + p B p = 0 , debern ser menores a la unidad en valor absoluto.

3.4.3. Procesos de Media Mvil (MA(q))

En los procesos de media mvil de orden q, cada observacin Yt es generada por una media
ponderada de perturbaciones aleatorias, con un retardo de q perodos tal que:
Yt = + t 1t-1 2t-2 ... qt-q

donde t es un ruido blanco.

Pasamos a ver a continuacin las caractersticas particulares de dos procesos de medias mviles
bsicos, el de orden 1 MA(1), y el de orden 2 MA(2). Posteriormente, los resultados
obtenidos se generalizarn, como ya hicimos en el caso de los procesos autorregresivos, al caso
de un proceso de medias mviles de orden q, MA(q).

3.4.3.1. Modelos de medias mviles de primer orden MA(1)

Veamos el caso particular de un proceso de media mvil de orden 1 MA(1). Formalmente su

expresin sera:
Yt = + t 1t-1

siendo su media E(Yt) = , y su varianza Var (Yt) = Var(t) + 12 Var(t-1) = 2 (1+ 12 ) = 0

En el caso de las covarianzas tenemos que:

1 = E [(Yt 1 )(Yt )] = E [( t 1 1 t 2 )( t 1 t 1 )] = 2
2 = E [(Yt 2 )(Yt )] = E [( t 2 1 t 3 )( t 1 t 1 )] = 0
L

k = 0, k > 1

88

El resultado obtenido pone de manifiesto que los procesos de media mvil poseen memoria de
slo un perodo, ya que cualquier valor de Yt est correlacionado con Yt-1 e Yt+1 pero con ningn
otro valor de la serie.

A partir de las expresiones anteriores, y de modo anlogo a como procedamos en el caso de los
modelos AR, podemos obtener los coeficientes de la funcin de autocorrelacin simple:
0 = 1
1

1 = 1 =
0 1 + 12

k = k = 0, k > 1
0

De todos estos resultados se desprende que un proceso MA(1) siempre es estacionario con
independencia del valor de 1.
La representacin grfica de la funcin de autocorrelacin simple viene determinada por el
signo de 1, tal y como puede apreciarse en la figura 3.9.

1 > 0

1 < 0

Figura 3.9. Funcin de autocorrelacin simple para un MA(1)

89

3.4.3.2. Modelos de medias mviles de segundo orden MA(2)

Veamos ahora el caso de un proceso MA(2). Dicho proceso viene definido por la siguiente
ecuacin:
Yt = + t 1t-1 2t-2

con media E(Yt)= y varianza Var(Yt)=Var(t)+ 12 Var(t-1)+ 22 Var(t-2)= 2 (1+ 12 + 22 )=0

Las covarianzas del proceso son:

1 = E [(Yt 1 )(Yt )] = E [( t 1 1 t 2 2 t 3 )( t 1 t 1 2 t 2 )] = ( 1 + 1 2 ) 2
2 = E [(Yt 2 )(Yt )] = E [( t 2 1 t 3 2 t 4 )( t 1 t 1 2 t 2 )] = 2 2

k = 0, k > 2

Expresin de la que podemos obtener los coeficientes de la funcin de autocorrelacin simple:

0 = 1

1 + 1 2
1 = 1 =
0 1 + 12 + 22

2
2 = 2 =
0 1 + 12 + 22
L

k =

k
= 0, k > 2
0

De los resultados obtenidos para el modelo MA(2) tambin se desprende que siempre es
estacionario con independencia del valor de sus parmetros, siendo su memoria en este caso de
dos perodos.

90

La representacin grfica de la funcin de autocorrelacin simple, la cual depende del signo de

1 y 2, es la que se muestra en la figura 3.10.

1 >0, 2 >0

1 <0, 2 >0

1 >0, 2 <0

1 <0, 2 <0

Figura 3.10. Funcin de autocorrelacin simple para un MA(2)

91

3.4.3.3. Modelos de medias mviles de orden q, MA(q)

Una vez analizados los resultados obtenidos para los procesos de media mvil de orden 1 y 2,
ya podemos obtener una generalizacin de las expresiones anteriores para un proceso de media
mvil de orden q cualquiera.

Sea el proceso MA(q):

Yt = + t 1t-1 2t-2 ... qt-q

con media E(Yt)= y varianza Var(Yt)=Var(t)+ 12 Var(t-1)+ 22 Var(t-2)++ q2 Var(t-q)=

2 (1+ 12 + 22 ++ q2 ) = 0

Por su parte, las covarianzas de un proceso MA(q) son:

1 = E [(Yt 1 )(Yt )] = ( 1 + 1 2 + 2 3 + ... + q 1 q ) 2
2 = E [(Yt 2 )(Yt )] = ( 2 + 1 3 + 2 4 + ... + q 2 q ) 2
L

q = q 2
L

k = 0, k > q

Los coeficientes de la funcin de autocorrelacin simple pueden ser obtenidos a partir de las
expresiones anteriores de autocovarianzas, no siguiendo los mismos una expresin regular. En
cualquier caso, cualquier proceso MA de orden finito es estacionario.

92

3.4.3.4. Relacin entre procesos AR y MA

Cualquier proceso MA(q) puede expresarse como un AR de orden infinito. As, por ejemplo, si
consideramos un modelo MA(1) cuya expresin es, como sabemos:
Yt = + t 1t-1

(3.4)

Por analoga, podemos escribir:

Yt-1 = + t-1 1t-2
Yt-2 = + t-2 1t-3

Despejando en (3.4) el valor de t y sustituyendo de forma recursiva los valores de t-1 y t-2,
tenemos que:
t = Yt + 1 t 1 = Yt + 1 (Yt 1 + 1 t 2 ) =
Yt + 1Yt 1 1 + 12 t 2 = Yt + 1Yt 1 1 + 12 (Yt 2 + 1 t 3 ) =
Yt + 1Yt 1 1 + 12Yt 2 12 + 13 t 3

Yt = 1 + 1 + 12 1Yt 1 12Yt 2 13 t 3 + t

Si continuamos sustituyendo t-3 y siguientes, el procedimiento continuar hasta el infinito, lo

que permite expresar a Yt como funcin de todos sus valores pasados ms una constante y un
trmino de error.
El resultado anterior tendr sentido slo si |1|< 1 (o su equivalente en trminos de races de
polinomio de retardos, 1 1 B = 0 B > 1 ) ya que, de otro modo, el efecto del pasado sera ms
importante para explicar el comportamiento actual.

Del mismo modo, puede comprobarse que en el caso de un modelo MA(2), la condicin que
debe verificarse es |1+2|< 1 , en trminos de races del polinomio de retardos, 11B2B2=0
B >1, y en general, para cualquier modelo MA(q), la condicin es 11B2B2...qBq = 0

B >1

93

Si se verifica esta condicin, denominada condicin de invertibilidad, entonces es posible

expresar un proceso MA(q) como un proceso AR de orden infinito, lo que implica que un
proceso de media mvil consta de infinitos coeficientes de autocorrelacin parcial distintos de
cero, si bien a partir de q comenzarn a decaer rpidamente. As, la funcin de autocorrelacin
parcial de un proceso de media mvil se comportar de manera anloga a como lo hace la
funcin de autocorrelacin simple de un proceso autorregresivo, como puede apreciarse en la
figura 3.11. para un proceso MA(1) y en la figura 3.12. para un proceso MA(2).

1 >0

1 <0

Figura 3.11. Funcin de autocorrelacin parcial para un MA(1)

1 >0, 2 >0

1 <0, 2 >0

1 >0, 2 <0

1 <0, 2 <0

Figura 3.12. Funcin de autocorrelacin parcial para un MA(2)

94

3.4.4. Procesos ARMA(p, q)

Los procesos ARMA (p, q) son, como su nombre indica, un modelo mixto que posee una parte
autorregresiva y otra de media mvil, donde p es el orden de la parte autorregresiva y q, el de la
media mvil. La expresin genrica de este tipo de procesos es:
Yt = + 1Yt-1 + 2Yt-2 + ... + pYt-p + t 1t-1 2t-2 ... qt-q

En este tipo de modelos deben verificar las dos condiciones que hemos visto hasta el momento:
por un lado, la condicin de estacionariedad, debindose cumplir que las races del polinomio de
retardos de la parte autorregresiva, () = 0, estn fuera del crculo unidad; y por otro, la
condicin de invertibilidad, debindose verificar que las races del polinomio de retardos de la
parte MA, (L) = 0, estn fuera del crculo unidad.

3.4.4.1. Modelos ARMA(1, 1)

Veamos las caractersticas particulares de un modelo ARMA (1,1). La ecuacin que define este
tipo de proceso es:
Yt = + 1Yt-1 + t 1t-1

el cual presenta las siguientes caractersticas:

Media: =

1 1

< , 1 1

Varianza: 0 = E ( + 1Yt 1 + t 1 t 1 )2 = 12 0 + 2 + 12 2 21 2

0 =

2 (1 + 12 21 2 )
, con 1 < 1
1 12

Por su parte, las autocovarianzas del proceso sern:

95

 1 = E [Yt 1Yt ] = 1 0 1 2
2 = E [Yt 2Yt ] = 1 1
L

k = E [Yt k Yt ] = 1 k 1 , k 2

A continuacin se presentan en las figuras 3.13. y 3.14. las funciones de autocorrelacin simple
y parcial de un proceso ARMA (p, q).

1>0, 1<0, |1| = |1|

1<0, 1>0, |1| = |1|

1>0, 1>0, |1| > |1|

1>0, 1>0, |1| < |1|

1<0, 1<0, |1| > |1|

1<0, 1<0, |1| < |1|

Figura 3.13. Funciones de autocorrelacin simple para un ARMA(1,1)

96

1>0, 1<0, |1| = |1|

1<0, 1>0, |1| = |1|

1>0, 1>0, |1| > |1|

1>0, 1>0, |1| < |1|

1<0, 1<0, |1| > |1|

1<0, 1<0, |1| < |1|

Figura 3.14. Funciones de autocorrelacin parcial para un ARMA(1,1)

97

El simple examen de los grficos anteriores pone de manifiesto que no resulta nada sencillo en
la prctica identificar un proceso ARMA (1, 1) a travs de sus funciones de autocorrelacin
simple y parcial, ya que es fcil confundir dichas funciones con las de otros procesos
univariantes. Por ello, normalmente el investigador seguramente especifique y estime
inicialmente un modelo ms sencillo, como por ejemplo un AR(2); posteriormente el anlisis de
los residuos obtenidos en dicha estimacin pondr de manifiesto la presencia de otras
estructuras. Si, por ejemplo, el investigador detecta en las funciones de autocorrelacin simple y
parcial de los residuos obtenidos una estructura de MA(1) ser necesario incorporar dicha
estructura especificando un modelo ARMA (2, 1), el cual sin duda tendr una mayor capacidad
explicativa.

3.4.4.2. Modelos ARIMA

Si la serie Yt no fuera estacionaria y tomando d diferencias logramos que lo sea tal que t=dYt
s es estacionaria, entonces diremos que Yt sigue un proceso autorregresivo integrado de media
mvil de orden (p, d, q) y se denominar ARIMA (p,d,q) o, lo que es lo mismo, que t sigue un

proceso estacionario de tipo ARMA (p, q) tal que:

t = + 1 t 1 + 2 t 2 + ... + p t p + t 1 t 1 2 t 2 ... q t q

O tambin, expresando el proceso en notacin de polinomios de retardos:

(1 1 B 2 B 2 ... p B p )t = + (1 1 B 2 B 2 ... q B q ) t

( B )t = + ( B ) t

El modelo ARIMA(p, d, q) puede ser considerado como el modelo estocstico lineal general,
del cual derivan el resto de procesos que hemos visto. As, si p = d = 0, estaremos ante un
modelo ARIMA(0, 0, q) equivalente a un modelo MA(q); si q = 0 tendramos un modelo
ARIMA (p, d, 0) ARI(p,d) (es decir, un modelo autorregresivo en el que se han tomado d
diferencias para hacer estacionaria a la serie analizada).

98

3.4.5. Procesos Estacionales

Cuando trabajamos con series temporales cuya frecuencia de medida es inferior al ao
(mensuales, trimestral, cuatrimestrales), es frecuente encontrarse con patrones estacionales, es
decir, ciclos u oscilaciones estrictamente peridicos, siendo dicho perodo igual o inferior al
ao. Por ejemplo, si una serie trimestral presenta estacionalidad diremos que su periodo
estacional ser igual a cuatro cuando en dicha serie se aprecian similitudes en su
comportamiento cada cuatro trimestres.

La presencia de este componente se explica por la existencia de las estaciones y su impacto

sobre la actividad econmica (por ejemplo, en la produccin agropecuaria o en el turismo), las
costumbres (fin de ao, Semana Santa) o los procesos fsicos (temperatura, pluviosidad, etc.).

Otra manera para detectar un comportamiento estacional consiste en analizar las funciones de
autocorrelacin simple y parcial de la serie de la que se sospecha que presenta un
comportamiento de tipo estacional. Si al representar dichas funciones se aprecian valores muy
altos, significativamente distintos de cero, para los retardos estacionales podremos concluir que
la serie presenta un componente estacional el cual debe presentar un carcter estacionario, es
decir, debemos exigir que el componente estacional se mantenga constante a lo largo del
tiempo.

Nuevamente, el anlisis de las funciones de autocorrelacin simple y parcial en los retardos

estacionales nos dir si el componente estacional de la serie es estacionario o no. As, si
observamos que la funcin de autocorrelacin simple presenta un lento decaimiento en los
valores correspondientes a los retardos estacionales y el valor del primer retardo estacional es
prximo a uno tanto en la funcin de autocorrelacin simple como parcial, es muy probable que
el comportamiento estacional de la serie no presente un carcter estacionario, por lo que ser
necesario tomar diferencias de tipo estacional.

En caso de que la serie Yt presente un comportamiento estacional no estacionario, habr que

tomar diferencias entre aquellas observaciones separadas por el periodo que presenta el

99

comportamiento estacional, aplicando para ello el operador diferencia estacional, s, que se

define como:
sYt = Yt Yt-s = (1Bs) Yt

donde s es el periodo estacional de la serie.

La deteccin del comportamiento estacional de la serie y su carcter estacionario es importante

ya que, tal y como Box y Jenkins plantearon, es posible incorporar a un modelo ARIMA (p, d,
q) las correlaciones existentes entre pares de observaciones separadas por periodos estacionales

suponiendo que el trmino de error de un modelo ARIMA para la parte estacional est
correlacionado serialmente.

As, podemos especificar el siguiente modelo para la parte estacional detectada en la serie:
(1 1 B s 2 B 2 s ... P B Ps )(1 B s ) D Yt = (1 1 B s 2 B 2 s ... Q B Qs )u t

(3.5)

Que se denomina ARIMA(P, D, Q) para la parte estacional de la serie.

A su vez, podemos suponer que el trmino de error de este modelo, ut, viene generado por un
proceso ARIMA(p, d, q) en lugar de ser ruido blanco tal que:
(1 1 B 2 B 2 ... p B p )(1 B ) d ut = (1 1 B 2 B 2 ... q B q ) t

(3.6)

Sustituyendo ahora (3.5) en (3.6) obtendremos la expresin del proceso estacional

multiplicativo general, el cual denotaremos por ARIMA(p, d, q) ARIMA(P, D, Q)s, y que
podemos escribir como:
(1 1 B s 2 B 2 s ... P B Ps )(1 1 B 2 B 2 ... p B p )(1 B s ) D (1 B ) d Yt =
(1 1 B s 2 B 2 s ... Q B Qs )(1 1 B 2 B 2 ... q B q ) t

100

O, de forma ms abreviada, expresando el modelo en notacin de retardos y generalizndolo

incluyendo un trmino constante:
( B s ) ( B )[(1 B s ) D (1 B ) d Yt ] = ( B s ) ( B ) t

donde:
(B ) es el polinomio de retardos autorregresivo de la parte regular de la serie.

(B ) es el polinomio de retardos de medias mviles de la parte regular de la serie.

d es el nmero de diferencias aplicadas a la parte regular de la serie para hacerla estacionaria.

( B s ) es el polinomio de retardos autorregresivo de la parte estacional de la serie.

( B s ) es el polinomio de retardos de medias mviles de la parte estacional de la serie.

D es el nmero de diferencias aplicadas a la parte estacional de la serie para hacerla

estacionaria.

As, por ejemplo, si deseamos especificar un modelo para una serie con estacionalidad mensual
podemos especificar un ARIMA(1, 1, 1) ARIMA(1,1, 1)12, el cual puede escribirse como:
(1 1 B s )(1 1 B )[(1 B12 )(1 B )Yt ] = (1 1 B 12 )(1 1 B ) t

La estructura de las funciones de autocorrelacin simple y parcial suele ser generalmente muy
compleja de este tipo de modelos por lo que no vamos a entrar en detalle en sus expresiones,
limitndonos a presentar a continuacin la forma de las funciones de autocorrelacin simple y
parcial de algunos procesos tpicos de muchas series econmicas.

101

Funciones de autocorrelacin simple y parcial de algunos

procesos ARIMA(p, d, q) ARIMA(P, D, Q)s

ARIMA(1, 0, 0) ARIMA(1, 0, 0)12

a) 1>0, 1>0, 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

b) 1>0, 1<0, 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

c) 1<0, 1>0, 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

102

d) 1<0, 1<0, 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

ARIMA(2, 0, 0) ARIMA(1, 0, 0)12

a) 1>0, 2>0, 1>0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

b) 1<0, 2>0, 1>0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

103

c) 1>0, 2<0, 1>0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

d) 1<0, 2<0, 1>0, 2 < 1 , 2 < 1 , 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

e) 1>0, 2>0, 1<0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

104

f) 1<0, 2>0, 1<0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

g) 1>0, 2<0, 1<0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

h) 1<0, 2<0, 1<0, 2 < 1 , 2 < 1 , 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

105

ARIMA(0, 0, 1) ARIMA(0, 0, 1)12

a) 1>0, 1>0, 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

b) 1>0, 1<0, 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

c) 1<0, 1>0, 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

106

d) 1<0, 1<0, 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

ARIMA(0, 0, 2) ARIMA(0, 0, 1)12

a) 1>0, 2>0, 1>0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

b) 1<0, 2>0, 1>0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

107

c) 1>0, 2<0, 1>0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

d) 1<0, 2<0, 1>0, 2 < 1 , 2 < 1 , 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

e) 1>0, 2>0, 1<0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

108

f) 1<0, 2>0, 1<0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

g) 1>0, 2<0, 1<0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

h) 1<0, 2<0, 1<0, 2 < 1 , 2 < 1 , 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

109

ARIMA(0, 0, 1) ARIMA(2, 0, 0)12

a) 1>0, 1>0, 2>0, 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

b) 1>0, 1<0, 2<0, 2 < 1 , 2 < 1 , 1 = 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

ARIMA(0, 0, 1) ARIMA(2, 0, 1)12

a) 1>0, 1>0, 2<0, 1>0, 1 = 1 , 2 < 1 < 1

Funcin de autocorrelacin simple

Funcin de autocorrelacin parcial

110

b) 1>0, 1<0, 2<0, 1>0, 1 = 1 = 1 , 2 < 1

Funcin de autocorrelacin simple

3.5.

Funcin de autocorrelacin parcial

FASES PARA LA ELABORACIN DE MODELOS

UNIVARIANTES

Aunque las fases que vamos a explicar a continuacin son vlidas para cualquier tipo de proceso
univariante, vamos a centrarnos fundamentalmente en los procesos de tipo ARIMA.
Bsicamente se trata de buscar un proceso ARIMA que de forma verosmil haya podido generar
la serie temporal, es decir, que se adapte mejor a las caractersticas de la misma. Para ello
seguiremos las siguientes fases:

Fase de identificacin

Fase de estimacin

Fase de validacin

Fase de prediccin

3.5.1. Fase de identificacin

Dado que los procesos ARIMA estn diseados para modelizar datos de carcter estacionario, lo
primero que debemos hacer es efectuar un anlisis de la estacionariedad de los datos. Con tal fin
se utilizan los siguientes instrumentos:

Representacin grfica de los datos. Si el grfico de la serie temporal presenta fluctuaciones

cuya amplitud cambia para distintos intervalos del perodo muestral, seguramente el proceso
que genera la serie es no estacionario. Lo mismo sucede cuando la tendencia es creciente o
decreciente con el tiempo.

111

A travs del grfico desviacin tpica-media. Si en el grfico realizado observamos que,

conforme crece la media, la desviacin tpica aumenta, la varianza del proceso ser
creciente por lo que diremos que la serie es no estacionaria en varianza.

Anlisis del correlograma. El hecho de que la funcin de autocorrelacin simple o

correlograma de la serie decrezca muy lentamente al aumentar el retardo ha demostrado ser
una seal de tendencia no estacionaria. Puesto que en la prctica se dispone de una
realizacin de un proceso estocstico, podemos obtener los coeficientes de autocorrelacin
muestral y, a partir de ellos, el correlograma muestral. Una vez representado el
correlograma muestral, podr analizarse si la serie es o no estacionaria. Asimismo, en este
punto tambin es conveniente examinar la apariencia de la funcin de autocorrelacin
parcial de la serie para ver si existen similitudes con alguno de los patrones estudiados.

Si la serie temporal que estamos analizando no es estacionaria se debern aplicar las

transformaciones adecuadas con objeto de convertirla en estacionaria. Si la serie no es
estacionaria en varianza, deberemos tomar logaritmos sobre la serie; si adems la serie presenta
no estacionariedad en media, se aplicar el proceso de diferenciacin que ya hemos comentado
al comienzo del captulo.

En este punto cabe sealar que es preferible trabajar con series econmicas en niveles en lugar
de tasas de variacin ya que, en caso de detectarse no estacionariedad en la varianza, no
podremos aplicar logaritmos si existe alguna tasa negativa. Asimismo, debemos tener en cuenta
que normalmente las series originales transformadas aplicando logaritmos y tomando
posteriormente una diferencia constituyen una aproximacin a una tasa de variacin tal que
lnYt (Yt Yt-1) / Yt-1
Una vez transformada la serie en estacionaria, se determinar el orden de la parte autorregresiva
(p) y el de la parte de media mvil (q) del proceso ARMA que se considere que haya podido
generar la serie estacionaria. Para tal fin utilizaremos la representacin grfica de las funciones
de autocorrelacin simple y parcial de la serie transformada, con objeto de obtener pistas acerca
del proceso univariante del que puede proceder la serie transformada. Las siguientes reglas
pueden resultar tiles a la de inspeccionar los grficos de la fas y la fap de la serie:

En los modelos AR(p), la funcin de autocorrelacin parcial presenta los p primeros

coeficientes distintos de cero y el resto nulos. Asimismo, generalmente la funcin de
autocorrelacin simple presenta un decrecimiento rpido de tipo exponencial, sinusoidal o
ambos.

112

En los modelos MA(q), se da el patrn opuesto: la funcin de autocorrelacin simple se

anula para retardos superiores a q y la funcin de autocorrelacin parcial decrece
exponencial o sinusoidalmente.

Sin embargo, como ya hemos visto, la especificacin de los modelos ARMA no se ajusta a
unas normas tan bien definidas. Por ejemplo, en un modelo AR(1), la funcin de
autocorrelacin parcial es cero para k>1, pero esto no ocurre en un ARMA(1,1), pues a la
componente AR(1) hay que superponer la MA(1) cuya funcin de autocorrelacin parcial
converge exponencialmente a cero.

Lo habitual en estos casos es que el investigador especifique inicialmente un modelo ms

simple y, posteriormente, mediante el anlisis de los residuos de la estimacin de dicho
modelo se detecte un proceso que no ha sido especificado inicialmente y que debe ser
incorporado al modelo.

En cualquier caso, para que una serie sea fcilmente identificable hay que considerar un
tamao muestral elevado, superior a 50 observaciones.

En general, la etapa de identificacin suele plantear ciertas dificultades y su objetivo es

determinar la especificacin tentativa de unos pocos modelos con estructuras sencillas. Las
posteriores etapas de estimacin y validacin de los resultados confirmarn los indicios o, por el
contrario, servirn de base para reformular el modelo propuesto.

3.5.2. Fase de estimacin

Una vez identificado el modelo de series temporales apropiado, se procede a la estimacin
definitiva de sus parmetros. En este punto, no debemos olvidar que si hemos tomado d
diferencias en la serie se perdern d observaciones, quedando Td datos disponibles para la
estimacin.

Asimismo, debemos tener presente que el proceso estimado debe verificar las siguientes
hiptesis:
a) El trmino t posee estructura de ruido blanco y sigue una distribucin Normal con
media 0 y varianza 2 .

113

b) La parte AR del proceso es estacionaria.

c) La parte MA del proceso es invertible.

Veamos a continuacin brevemente cmo se realiza la estimacin de los distintos modelos

univariantes que hemos visto en los epgrafes anteriores:

Estimacin de procesos AR. Un proceso autorregresivo no cumple la hiptesis del

modelo clsico de regresin basada en regresores fijos que veamos en el captulo 2, ya

que los retardos de Yt son variables aleatorias al serlo la propia Yt. Sin embargo, en
presencia de errores que no presentan autocorrelacin, los estimadores mnimocuadrticos son consistentes por lo que en la prctica la estimacin de un proceso
autorregresivo se realiza por MCO, siendo los retardos de la variable endgena las
variables explicativas del modelo. Slo si el trmino de error presentase algn tipo de
correlacin y no fuera ruido blanco, los estimadores obtenidos dejaran de ser
consistentes.

Estimacin de procesos MA y ARMA. La estimacin de modelos de medias mviles y

ARMA resulta algo ms compleja y se lleva a cabo maximizando el logaritmo de la

funcin de verosimilitud mediante algoritmos de optimizacin numrica, similares a los
que veremos en el captulo 11, debido a que los errores no son funcin lineal de los
parmetros. Por ello generalmente la estimacin de estos procesos se realiza utilizando
algn programa informtico especializado, como puede ser Eviews, SPSS o TRAMO.

3.5.3. Fase de validacin

En esta etapa se comprobar la capacidad de ajuste del modelo propuesto y estimado a los datos.
En caso de que el modelo no supere satisfactoriamente este paso, ser necesario reformularlo.
En este sentido, cabe sealar que los resultados de la comprobacin de la validez del modelo,
suelen dar pistas para la especificacin de un modelo alternativo.

Para la aceptacin del modelo, ste debe cumplir los siguientes requisitos:

Anlisis de los residuos. Como sabemos, una de las hiptesis de los modelos

univariantes es que el trmino de error del modelo es ruido blanco. Por ello, los residuos
obtenidos tras la estimacin del modelo deben seguir un proceso puramente aleatorio
con distribucin Normal, ya que de lo contrario, contendran informacin relevante para
la prediccin que se estara despreciando.

114

Con objeto de estudiar si los residuos se aproximan al comportamiento de un proceso de

ruido blanco, se disponen de las siguientes herramientas:

Estadstico de Ljung-Box: se trata del siguiente estadstico, propuesto por

Ljung y Box (1979) para contrastar si una serie posee estructura de ruido
blanco:

rj2
Tj
j =1
k

Q ( k ) = T (T + 2 )

T k

donde T es el nmero de observaciones y rk =

t t k
t =1
T k
t2
t =1

es el coeficiente

de autocorrelacin de orden k de los residuos.

La eleccin de k es arbitraria, si bien debe tenerse en cuenta que cuanto

mayor sea el valor de k, el test se extender a desfases mayores pero la
precisin en la estimacin de los rk ser menor y disminuir la potencia del
contraste, es decir, la probabilidad de rechazar la hiptesis nula cuando sta
es falsa.

Dicho estadstico, bajo la hiptesis nula de que los residuos del modelo son
ruido blanco sigue una distribucin 2 con k grados de libertad, por lo que
se rechazar la hiptesis nula si el valor del estadstico obtenido es superior
al tabulado en la distribucin a un nivel de significacin dado.

Representacin de las funciones de autocorrelacin simple y parcial de

los residuos. Si los coeficientes de dichas funciones son estadsticamente

iguales a cero, la serie de residuos ser considerada aleatoria. Anderson

(1942) demostr que los coeficientes de la funcin de autocorrelacin
procedentes de un ruido blanco siguen asintticamente la siguiente
distribucin:

rk N (0, 1 / T )

115

En consecuencia, bajo la hiptesis nula de que rk =0, se puede construir un

intervalo de confianza acotado por

2
. Si algn rk cayera fuera de este
T

intervalo, entonces se rechazar la hiptesis de no autocorrelacin.

Las funciones de autocorrelacin simple y parcial de los residuos del

modelo estimado son instrumentos valiosos a la hora de reformular el
modelo en caso de que no se comporten como un proceso ruido blanco, ya
que si se detecta algn tipo de estructura univariante que no se haba
especificado inicialmente en el modelo, podremos incorporarla y estimar
de nuevo el modelo.

Representacin grfica de los residuos. La representacin de la evolucin

de los residuos a lo largo del tiempo permite observar si su varianza se

mantiene constante en el tiempo y si la media est prxima a cero, as como
detectar la presencia de valores atpicos, esto es, residuos que en valor
absoluto exceden en tres o cuatro veces su desviacin tpica (suponiendo
que su media es igual a cero).

Asimismo podemos verificar si las frecuencias de los residuos se ajustan a

una distribucin Normal mediante el test de Jarque-Bera, cuya expresin es:

A 2 ( K 3) 2
JB = N
+
6
24

Donde A el coeficiente de asimetra muestral, K el coeficiente de curtosis

muestral y N el tamao muestral4.

Recordemos que los coeficientes de asimetra y curtosis se calculan de la siguiente manera:

n

A=

i =1

( xi x ) 3
n

x3

K=

i =1

( xi x ) 4
n

x4

Para el caso de una distribucin Normal, se verificar que A = 0 y K = 3, valores que sustituidos en la
expresin del estadstico de Jarque-Bera hacen que sea igual a 0.

116

Bajo la hiptesis nula de Normalidad en la distribucin de los residuos, el

estadstico JB se distribuye segn una 2 con 2 grados de libertad, por lo
que valores muy elevados del estadstico sugerirn la no normalidad de la
serie de residuos analizada.

Otros contrastes. Tambin es posible aplicar a los residuos los contrastes

sobre autocorrelacin y heteroscedasticidad que vimos en el captulo 3.

Anlisis de los coeficientes estimados.

Significatividad de los coeficientes. Lo primero es verificar si los

coeficientes son significativos mediante el estadstico t. Dicho estadstico

est construido bajo la hiptesis nula de que el coeficiente es cero y sigue
una distribucin t-Student con Tm grados de libertad, siendo m el nmero
de parmetros incluidos. Si concluimos que alguno no es significativo
(estadstico t mayor, en valor absoluto, que su valor en tablas) se puede
eliminar del modelo.

Condiciones de estacionariedad e invertibilidad. El modelo debe

verificar las condiciones ya vistas a lo largo del captulo; de lo contrario, si

alguna de las races del polinomio de retardos del componente
autorregresivo o del componente media mvil fuese inferior a la unidad (o,
alternativamente, alguno de los parmetros estimados fuera mayor de uno),
se rechazara automticamente el modelo.

En el lmite, si alguna de las races del polinomio de retardos (o alguno de

los parmetros) del componente autorregresivo estuviera muy prxima a
uno, es posible que la serie original est subdiferenciada por lo que puede
que sea necesaria tomar alguna diferencia adicional.

Del mismo modo, si las races del polinomio de retardos (o alguno de sus
parmetros) del componente media mvil del modelo estuviera cercana a
uno, posiblemente el modelo est sobrediferenciado.
Anlisis de la bondad de ajuste. Generalmente en este aspecto se suele utilizar el
coeficiente de determinacin, R2, si bien los coeficientes de determinacin de diferentes

117

modelos univariantes slo son comparables en aquellos modelos en los que se hayan tomado
idntico nmero de diferencias, debido a que para que ste sea un elemento de comparacin
directa, la varianza de la variable debe ser la misma. Para paliar este inconveniente, se han
propuesto medidas alternativas como el estadstico AIC (Akaike Information Criterion),
formulado por Akaike (1974) o el SIC (Schwarz Information Criterion), formulado por
Schwarz (1978)5. Las expresiones de dichos estadsticos son:

AIC = 2

SIC = 2

l
k
+2
T
T

l
log(T )
+k
T
T

Donde l es el valor en el ptimo del logaritmo de la funcin de verosimilitud con k

parmetros estimados y T observaciones. Siguiendo estos criterios, se seleccionar aquel
modelo para el que se obtenga un AIC o SIC ms bajo.
Anlisis de la estabilidad. Finalmente, de cara a la prediccin, conviene saber si el modelo
estimado para el perodo muestral sigue siendo vlido para perodos futuros. Para ello,
podemos aplicar el test de estabilidad estructural de Chow, estimando el modelo con toda la
muestra disponible y despus con dos submuestras obtenidas a partir de la muestra original.
Seguidamente se calcula el siguiente estadstico:

T2
T
T1

t2 12t +
22t / k

t =1
t =1
t =1

F=
~ Fk, T2k
T
T
1
2

2
2 +
2 t / T 2k
1t

t =1
t =1

donde:

k es el nmero de parmetros estimados.

T = T1+T2 es el total de datos en la muestra.

t es el residuo del modelo estimado utilizando todo el perodo muestral.

La mayor parte de paquetes informticos dedicados al anlisis de series temporales calcula de forma
automtica cuando se realiza la estimacin de un modelo.

118

1t es el residuo obtenido en la estimacin del modelo utilizando los T1 primeros datos.

2t es el residuo obtenido en la estimacin del modelo utilizando los T2 ltimos datos.
Lo que se pretende contrastar con el test de Chow es si el ltimo tramo muestral ha estado
generado por la misma estructura que el resto de las observaciones. En este sentido, algunos
autores recomiendan tomar como segundo tramo muestral el ltimo tercio o cuarto de la
muestra.

En caso de que el estadstico F obtenido sea mayor que su valor tabulado a un determinado
nivel de significacin, se rechazar la hiptesis nula de estabilidad estructural.

3.5.4. Fase de prediccin

Una vez que el modelo ha superado la fase de diagnosis, se convierte en un instrumento til para
la prediccin. La realizacin de predicciones y el error cometido al realizar dicha prediccin
depender del tipo de modelo univariante que estemos considerando:

En el caso de los modelos autorregresivos, bastar con sustituir los retardos de la

ecuacin por sus correspondientes realizaciones en la serie. Si tratamos de realizar
predicciones varios periodos hacia delante, veremos que cuanto ms adelante en el
tiempo tratamos de predecir el valor de la serie, menor ser la ponderacin de la ltima
observacin y la esperanza matemtica de la variable tiene cada vez ms peso. De
hecho, en un rgimen de total incertidumbre (o, alternativamente, cuando el horizonte
de prediccin tiende a infinito) la prediccin ptima para una variable aleatoria es su
esperanza matemtica, mientras que si realizamos predicciones a corto plazo para los
valores de la serie, dispondremos de informacin muestral reciente que nos permitir
mejorar nuestra prediccin, la cual en este caso ser ms precisa que la esperanza
matemtica.

En la siguiente tabla se presenta un resumen de las expresiones para las previsiones a 1

y 2 periodos con modelos autorregresivos sencillos, el error cometido y la varianza de
dicho error:

119

PROCESO AR (1)
Valor Futuro

Error de Prediccin

Varianza del Error

Prediccin a 1 periodo

YT+1 = + 1YT

T+1

Prediccin a 2 periodos

YT+2 = (1+1)+ 12YT

T+2+1T+1

2 (1+12)

Y, en general, para k periodos hacia delante se verifica que YT+k = (1+1+12++1k)+ 1kYT

PROCESO AR (2)
Valor Futuro

Error de Prediccin

Varianza del Error

Prediccin a 1 periodo

YT+1 = + 1YT+2YT-1

T+1

Prediccin a 2 periodos

YT+2 = (1+1) + (12+ 2)YT+12YT-1

T+2+1T+1

2 (1+12)

La previsin con modelos AR(p) con un orden p superior a 1 genera estructuras complejas
en horizontes de prediccin superiores a 1.

Por su parte, la prediccin basada en modelos de medias mviles es siempre igual al

trmino constante (o igual a cero en caso de que ste no hubiera sido especificado en el
modelo) para un nmero de periodos hacia delante mayor que su orden.

Por tanto, las expresiones para las previsiones a 1 periodo con modelos de medias
mviles sencillos, el error cometido y la varianza de dicho error son:

Proceso

Prediccin a 1 periodo

Error de Prediccin

Varianza del Error

MA(1)

YT+1 = 1T

T+1

MA(2)

YT+1 = + 1T 2T-1

T+1

Y en general se verifica que YT+k = , k > q

Finalmente, en el caso de los modelos ARMA la superposicin de los resultados que

acabamos de comentar lleva a la conclusin de que cuando el horizonte de prediccin
tiende a infinito, la prediccin converger a su esperanza matemtica.

120

Por tanto, las expresiones para las previsiones a 1 y 2 periodos con un modelo
ARMA(1,1), el error cometido y la varianza de dicho error son:

Valor Futuro

Error de Prediccin

Varianza del Error

Prediccin a 1 periodo

YT+1 = + 1YT 1T

T+1

Prediccin a 2 periodos

YT+2 = (1+1) + 12YT 11T

T+2+(1 1)T+1

[1+(1 1)2]+

Y en general, la prediccin a k periodos para un ARMA estacionario es:

lim YT + k =
k

1 1

Es decir, converge a la media del proceso.

Asimismo, debemos recordar que hay que deshacer las transformaciones que hayamos realizado
en la variable original para hacerla estacionaria. As, si hemos tomado una diferencia, la
prediccin para YT +1 es T +1 + YT para la prediccin a un periodo y, de forma ms genrica,
YT + k = T + k + T + k 1 + T + k 2 + ... + T +1 + YT ; del mismo modo, si hemos tomado dos diferencias

tendremos que YT +1 = T +1 + 2YT YT 1 , y as sucesivamente.

Posteriormente, si tambin habamos aplicado logaritmos a la serie original, deberemos elevar a

e el resultado obtenido tras deshacer las diferencias ms la mitad de la varianza del error de

prediccin tal que:

T + k + Var eT ( k )
2

YT + k = e

Dependiendo del tamao de la varianza del error de prediccin, supondra una diferencia
significativa o no con respecto a la aplicacin de antilogaritmos a la prediccin de la serie
diferenciada, aunque por lo general en la prctica el trmino asociado a la varianza del error
suele ser despreciable.

121

3.6.

EJEMPLOS PRCTICOS

3.6.1. Ejemplo 1: Pasajeros en Lineas Aereas.

El siguiente ejemplo utiliza los totales mensuales de pasajeros de lneas areas internacionales
para el periodo comprendido entre Enero de 1949 y Diciembre de 1962 incluidos en libro de
Box y Jenkins. Esta base de datos est disponible en R:
> data(AirPassengers)
> x<-AirPassengers

En la figura 3.15. se muestra la representacin grfica de la serie en la que puede apreciarse

claramente una fuerte estacionalidad en los datos y una varianza creciente en el tiempo.
> plot(x)

Figura 3.15. Pasajeros de lneas areas internacionales

(serie original)

El hecho de que la varianza de la serie no sea constante en el tiempo sugiere que lo primero que
debemos hacer es transformar la serie tomando logaritmos para hacer que sea estacionaria en
varianza.
> x <- log(x)

Tras tomar logaritmos, la serie presenta ahora el siguiente aspecto (fig. 3.2.):

122

> plot(x)

Figura 3.16. Pasajeros de lneas areas internacionales

(serie en logaritmos)

El anlisis de la serie en logaritmos y de sus funciones de autocorrelacin simple y parcial

confirman que la serie no es estacionaria en media por lo que debemos tomar una diferencia.
> par(mfcol = c(1, 2))
> acf(x)
> pacf(x)

123

Figura 3.17. Funciones de autocorrelacin simple y parcial (serie en logaritmos)

Tras tomar una diferencia, el aspecto de la serie es el siguiente (figura. 3.18):

> par(mfcol = c(1, 1))
> x1 <- diff(x)
> plot(x1)

124

Figura 3.18. Pasajeros de lneas areas internacionales

(serie logartmica en diferencias)

Las funciones de autocorrelacin simple y parcial de la serie logartmica en diferencias se

muestran en la figura 3.19, en las que puede apreciarse el marcado componente estacional en los
meses de Diciembre, lo que nos obliga a tomar una diferencia estacional de 12 meses para hacer
estacionaria la parte estacional de la serie.
> par(mfcol = c(1, 2))
> acf(x1)
> pacf(x1)

125

Figura 3.19. Funciones de autocorrelacin simple y parcial (serie logartmica en

diferencias)

El grfico de la figura 3.20. muestra la serie logartmica con una diferencia regular y una
diferencia estacional de periodo 12; en ella podemos apreciar la prdida de las 13 primeras
observaciones al haber aplicado las diferencias indicadas. Tras haber aplicado las
transformaciones que hemos comentado, la serie presenta ahora un claro comportamiento
estacionario, el cual viene confirmado por las funciones de autocorrelacin simple y parcial de
la serie (figura 3.21).
> par(mfcol = c(1, 1))
> x1_12 <- diff(x1,12)
> plot(x1_12)

126

Figura 3.20. Pasajeros de lneas areas internacionales

(serie logartmica con una diferencia regular y una diferencia estacional)
> par(mfcol = c(1, 2))
> acf(x1_12)
> pacf(x1_12)

Figura 3.21. Funciones de autocorrelacin simple y parcial

(serie logartmica con una diferencia regular y una diferencia estacional)

127

De las funciones de autocorrelacin simple y parcial podemos extraer algunas conclusiones: por
un lado, en la parte regular podemos comprobar que las funciones de correlacin simple y
parcial son muy parecidas, siendo el primer retardo significativo para ambos casos. Esto indica
que quizs el modelo sea un ARIMA(1,1,0), un ARIMA(0,1,1) o un ARIMA(1,1,1), en
cualquier caso un modelo de primer orden.

Por otro lado, en la parte estacional vemos que el retardo 12 es significativo y que en sus
cercanas hay muy poca correlacin, lo que sugiere un proceso con muy poca memoria,
posiblemente un ARIMA(0,1,1)12 en la parte estacional.
Las conclusiones anteriores nos llevan a estimar tres modelos: un ARIMA(1,1,0)(0,1,1)12, un
ARIMA(0,1,1)(0,1,1)12 y un ARIMA(1,1,1)(0,1,1)12. Presentamos a continuacin, de forma
resumida, los resultados obtenidos para los tres modelos.

Para estimar un modelo ARIMA en R hay que utilizar la funcin arima, cuya estructura es la
siguiente:
arima(x, order = c(0L, 0L, 0L),
seasonal = list(order = c(0L, 0L, 0L), period = NA),
xreg = NULL, include.mean = TRUE,
transform.pars = TRUE,
fixed = NULL, init = NULL,
method = c("CSS-ML", "ML", "CSS"), n.cond,
SSinit = c("Gardner1980", "Rossignol2011"),
optim.method = "BFGS",
optim.control = list(), kappa = 1e6)

destacar, la opcin order, en donde se especifican los elementos (p,d,q) de la parte no estacional
del modelo arima, y seasonal, en donde se especifican los elementos de la parte estacional.

a) Resultados de la estimacin

ARIMA(1,1,0)(0,1,1)12
> mod1 <- arima(x,c(1,1,0),c(0,1,1))
> mod1
Call:
arima(x = x, order = c(1, 1, 0), seasonal = c(0, 1, 1))
Coefficients:
ar1
-0.3395
s.e.
0.0822

sma1
-0.5619
0.0748

sigma^2 estimated as 0.001367:

481.49

log likelihood = 243.74,

128

aic = -

ARIMA(0,1,1)(0,1,1)12
> mod2 <- arima(x,c(0,1,1),c(0,1,1))
> mod2
Call:
arima(x = x, order = c(0, 1, 1), seasonal = c(0, 1, 1))
Coefficients:
ma1
-0.4018
s.e.
0.0896

sma1
-0.5569
0.0731

sigma^2 estimated as 0.001348:

log likelihood = 244.7,

aic = -483.4

ARIMA(1,1,1)(0,1,1)12
> mod3 <- arima(x,c(1,1,1),c(0,1,1))
> mod3
Call:
arima(x = x, order = c(1, 1, 1), seasonal = c(0, 1, 1))
Coefficients:
ar1
ma1
0.1960 -0.5784
s.e. 0.2475
0.2132

sma1
-0.5643
0.0747

sigma^2 estimated as 0.001341:

log likelihood = 244.95,

aic = -481.9

Como puede observarse, la estimacin de este ltimo modelo contiene un parmetro no

significativo, AR1, por lo que podemos excluirlo de nuestro anlisis.

129

b) Ajuste del modelo

ARIMA(1,1,0)(0,1,1)12
>
>
>
>

par(mfcol = c(1, 2))

plot(x)
lines(x-mod1$residuals,col="red")
plot(mod1$residuals)

Figura 3.22. Resultados de la estimacin y residuos del modelo

ARIMA(1,1,0)(0,1,1)12

ARIMA(0,1,1)(0,1,1)12
>
>
>
>

par(mfcol = c(1, 2))

plot(x)
lines(x-mod2$residuals,col="red")
plot(mod2$residuals)

130

Figura 3.23. Resultados de la estimacin y residuos del modelo

ARIMA(0,1,1)(0,1,1)12

c) Funciones de autocorrelacin simple y parcial.

ARIMA(1,1,0)(0,1,1)12
> par(mfcol = c(1, 2))
> acf(mod1$residuals)
> pacf(mod1$residuals)

131

ARIMA(0,1,1)(0,1,1)12
> par(mfcol = c(1, 2))
> acf(mod2$residuals)
> pacf(mod2$residuals)

d) Test de Normalidad en los residuos

ARIMA(1,1,0)(0,1,1)12
> summary(mod1$residuals)
Min.
1st Qu.
Median
-0.1115000 -0.0232700 -0.0004461
Max.
0.1032000

Mean
0.0004500

> par(mfcol = c(1, 1))

> hist(mod1$residuals)

132

3rd Qu.
0.0238100

> library(tseries)
> jarque.bera.test(mod1$residuals)
Jarque Bera Test
data: mod1$residuals
X-squared = 3.607, df = 2, p-value = 0.1647

ARIMA(0,1,1)(0,1,1)12
> summary(mod2$residuals)
Min.
1st Qu.
Median
-0.1186000 -0.0191600 -0.0000515
Max.
0.1085000
> hist(mod2$residuals)

Mean
0.0005731

133

3rd Qu.
0.0223300

> jarque.bera.test(mod2$residuals)
Jarque Bera Test
data: mod2$residuals
X-squared = 5.2265, df = 2, p-value = 0.0733

En definitiva los dos primeros modelos que hemos estimado superan las pruebas de diagnosis
perfectamente y realizan un ajuste muy parecido de los datos. La eleccin del modelo ahora s
resulta sencilla a la luz de los valores de los estadsticos AIC, pues el segundo modelo presenta
valores para estos estadsticos menores, en trminos absolutos, que el primero. As pues, el
modelo seleccionado para modelizar el nmero de pasajeros que viaja mensualmente en lneas
areas internacionales es un ARIMA(0,1,1)(0,1,1)12.

3.6.2. Ejemplo 2: Indice de Produccin Industrial de Cantabria

El siguiente ejemplo utiliza los totales mensuales del ndice de produccin industrial (IPI) de
Cantabria Base 2010 para el periodo comprendido entre Enero de 2000 y Abril de 2014
incluidos en libro de Box y Jenkins.

Esta base de datos est disponible en la librera

descomponer de R:
> library(descomponer)
> data(ipi)
> x<-ts(ipi,c(2000,1),frequency=12)

134

En la figura 3.24. se muestra la representacin grfica de la serie en la que puede apreciarse

claramente una fuerte estacionalidad en los datos y una varianza creciente en el tiempo.
> plot(x)

Figura 3.24. ndice de Produccin Industrial de Cantabria

(serie original)

El hecho de que la varianza de la serie no sea constante en el tiempo sugiere que lo primero que
debemos hacer es transformar la serie tomando logaritmos para hacer que sea estacionaria en
varianza.
> x <- log(x)

Tras tomar logaritmos, la serie presenta ahora el siguiente aspecto (figura 3.25.):
> plot(x)

135

Figura 3.25 ndice de Produccin Industrial de Cantabria

(serie en logaritmos)

En la librera forecast hay una funcin auto.arima que selecciona el mejor modelo ARIMA
atendiendo al AIC. Su estructura es la siguiente:
auto.arima(x, d=NA, D=NA, max.p=5, max.q=5,
max.P=2, max.Q=2, max.order=5, max.d=2, max.D=1,
start.p=2, start.q=2, start.P=1, start.Q=1,
stationary=FALSE, seasonal=TRUE,
ic=c("aicc","aic", "bic"), stepwise=TRUE, trace=FALSE,
approximation=(length(x)>100 | frequency(x)>12), xreg=NULL,
test=c("kpss","adf","pp"), seasonal.test=c("ocsb","ch"),
allowdrift=TRUE, lambda=NULL, parallel=FALSE, num.cores=2)

La funcin permite, establecer el orden de diferenciacin regular o estacional, si no se indica

ningn orden, utiliza el test KPSS6 para establecer el orden regular, y el test OCSB7 para el
estacional , en la opcin test, se puede cambiar este criterio de diferenciacin por el test DikeyFuller Aumentado8 (adf) el test de Phillips-Perron (pp)9 y en sasonal.test permite elegir el

Kwiatkowski, D.; Phillips, P. C. B.; Schmidt, P.; Shin, Y. (1992). "Testing the null hypothesis of
stationarity against the alternative of a unit root". Journal of Econometrics 54 (13): 159178
7
Osborn DR, Chui APL, Smith J, and Birchenhall CR (1988) "Seasonality and the order of integration for
consumption", Oxford Bulletin of Economics and Statistics 50(4):361-377.
8
Se explica en el apartado siguiente
9
Phillips, P.C.B and P. Perron (1988), "Testing for a Unit Root in Time Series Regression", Biometrika,
75, 335346

136

test ch10. En la funcin se puede indicar el orden de los coeficientes AR(p) y MA(q) regulares,
y AR(P) y MA(Q) estacionales con que iniciar la seleccin del mejor modelo (start) y con que
acabar la seleccin del mejor modelo (max), si no se le indica nada los valores por defecto son
los que figuran en la estructura de la funcin, sealar, por ltimo, que en ic se puede optar por
el criterio de seleccin: AICC, AIC y BIC11) .

A continuacin, buscamos con los parmetros de los coeficientes establecidos por defecto, y
cambiando el test KPSS por el test Dikey-Fuller Aumentado para testear la existencia de alguna
raiz unitaria, el mejor AIC para un modelo ARIMA en la serie del IPI de Cantabria:
> mod1 <- auto.arima(x,test="adf")
> mod1
Series: x
ARIMA(3,1,1)(1,0,2)[12]
Coefficients:
ar1
-0.1254
s.e.
0.3026
sma2
-0.1829
s.e.
0.0984

ar2
-0.0285
0.2221

ar3
0.0697
0.1532

ma1
-0.5843
0.2862

sar1
0.9835
0.0107

sma1
-0.4231
0.0951

sigma^2 estimated as 0.00337: log likelihood=197.53

AIC=-379.06
AICc=-378.02
BIC=-355.14

Estimamos a continuacin el modelo ARIMA seleccionado de forma automtica:

> mod1 <- arima(x,c(3,1,1),c(1,0,2))
> mod1
Series: x
ARIMA(3,1,1)(1,0,2)[12]
Coefficients:
ar1
-0.1254
s.e.
0.3026
sma2
-0.1829
s.e.
0.0984

ar2
-0.0285
0.2221

ar3
0.0697
0.1532

ma1
-0.5843
0.2862

sar1
0.9835
0.0107

sma1
-0.4231
0.0951

sigma^2 estimated as 0.00337: log likelihood=197.53

AIC=-379.06
AICc=-378.02
BIC=-355.14

Dado que los coeficientes AR(1),AR(2) y AR(3) no son significativos, optamos por el modelo
ARIMA(0,1,1)(1,0,2)12

10

Canova F and Hansen BE (1995) "Are Seasonal Patterns Constant over Time? A Test for Seasonal
Stability", Journal of Business and Economic Statistics 13(3):237-252.
11

AICC = AIC +

2k (k + 1)
, siendo n el numero de datos y k los parmetros del modelo
n k 1

seleccionado; el estadstico BIC (Bayesian information criterion) es una denominacin alternativa del

137

> mod2 <- arima(x,c(0,1,1),c(1,0,2))

> mod2
Series: x
ARIMA(0,1,1)(1,0,2)[12]
Coefficients:
ma1
-0.6522
s.e.
0.0580

sar1
0.9841
0.0110

sma1
-0.4145
0.0962

sma2
-0.2237
0.0979

sigma^2 estimated as 0.003429: log likelihood=196.67

AIC=-383.34
AICc=-382.91
BIC=-368.38

El AIC es menor pero el modelo no esta sobre parametrizado. Comprobamos sus resultados12:
>
>
>
>

par(mfcol = c(1, 2))

plot(x)
lines(x-mod1$residuals,col="red")
plot(mod1$residuals)

Figura 3.26. Resultados de la estimacin y residuos del modelo ARIMA(0,1,1)(1,0,2)12

> par(mfcol = c(1, 2))

> acf(mod2$residuals)
> pacf(mod2$residuals)

SIC (Schwarz Information Criterion),

12

En la librera forecast hay creada una funcion R tsdisplay, que presenta el grfico de la serie, y los
grficos acf y acp.

138

> summary(mod2$residuals)
Min.
1st Qu.
Median
Mean
-0.185500 -0.038210 -0.004946 -0.001943
> par(mfcol = c(1, 1))
> hist(mod2$residuals)

> library(tseries)

139

3rd Qu.
0.035560

Max.
0.138200

> jarque.bera.test(mod2$residuals)
Jarque Bera Test
data: mod2$residuals
X-squared = 1.8029, df = 2, p-value = 0.406

El modelo elegido presenta residuos en apariencia normal, si bien puede que precise de alguna
diferenciacin estacional, debido a que algunos de los coeficientes de la funcin de
autocorrelacin parcial estn en el lmite del intervalo de confianza. En consecuencia podra
probarse el modelo ARIMA(0,1,1)(1,1,1)12:
> mod3 <- arima(x,c(0,1,1),c(1,1,1))
> mod3
Series: x
ARIMA(0,1,1)(1,1,0)[12]
Coefficients:
ma1
-0.6141
s.e.
0.0578

sar1
-0.2768
0.0846

sigma^2 estimated as 0.004001: log likelihood=180.41

AIC=-354.82
AICc=-354.63
BIC=-346.1
> par(mfcol = c(1, 2))
> acf(mod3$residuals)
> pacf(mod3$residuals)

Con el que tampoco se mejora la funcion de autocorrelacin parcial de los residuos. En

consecuencia, la mejor opcin es ARIMA(0,1,1)(1,0,2)12

140

3.7.

PROBLEMAS

3.1 Considere la siguiente serie temporal univariante:

[y = 2.82, 0.09,0.97,1.13,1.21,0.81,0.37, 2.02, 1.52, 2.44] .

Suponiendo que la serie y [y1 , ...,yN ] anterior es una realizacin particular de una
muestra Y [Y1 , ...,YN ] de tamao N = 10 procedente de un proceso estocstico
estacionario (Yt):
a) Estime la media y la varianza del proceso Yt.
b) Contraste la hiptesis nula H0: = 0 frente a la alternativa H0: 0.
c) Estime la acf y la pacf del proceso Yt hasta el retardo 6
3.2 En la librera forecast de R, se encuentra una base de datos en formato de serie temporal,
gas, que recoge la produccin australiana de gas durante mes a mes durante los aos de
1956 a 1996. Estudie la estacionariedad de la serie en R a travs de us grfica y de las
funciones de autocorrelacin y autocorrelacin parcial.
3.3 Compare el modelo estacionario elegido con alguno de los procesos de Funciones de
autocorrelacin simple y parcial de procesos ARIMA(p, d, q) ARIMA(P, D, Q)s tericos
representados en el texto. Elija los modelos que crea ms probables y estimelos con R.
3.4 Realice en R una estimacin automtica del modelo estacionario y discuta los resultados.
3.5 Sea el siguiente proceso autoregresivo:

Yt = 1 + 0,5Yt 1 + t
a) Calcule la esperanza matemtica de Yt .
b) Calcule la varianza de Yt , suponiendo que t es un ruido blaco
gaussiano de media cero y varianza 1.
3.6 Sabiendo que se dispone de 100 observaciones de Yt y que Y99 = 1,2 e Y100 = 1,5 realice
una prediccin a dos periodos utilizando el modelo Yt = 0,5Yt 1 0,2Yt 2 + t

141

SOLUCIONES

3.1.
a) = 0.44, 2 = 2.284
b) Se acepta la hiptesis nula
c) acf: {0.443 0.137 0.250 0.399 0.434 0.313} ;
pacf: {0.443 0.074 0.353 0.204 0.192 0.150}

3.2. A realizar por el alumno

3.3. A realizar por el alumno
3.4. A realizar por el alumno
3.5
a) = 2
b) Var (Yt ) = 1,1905
3.6

Y101 = 0,51 ; Y101 = 0,045

142

4.

COINTEGRACION

4.1.

INTRODUCCIN

Los anlisis economtricos basados en series de tiempo parten de la suposicin de que la

serie de tiempo es estacionaria (ver apartado 3.3). Cuando se estudia la autocorrelacin en
los problemas de la regresin por mnimos cuadrados ordinarios, se seala que este es un
problema muy habitual en las regresiones con series temporales, y a menudo es la no
estacionariedad de las series de tiempo utilizadas en la regresin lineal es la causa del
problema de la autocorrelacin de los residuos. De hecho, al efectuar la regresin de una
variable de serie de tiempo sobre otra variable de serie de tiempo con frecuencia se obtiene
2
un R muy elevado (superior a 0.9) aunque no haya una relacin casual entre las dos. Una

regresin de este tipo se conoce en econometra como regresin espuria o regresin sin
sentido, fue descubierta por Yule, quien mostr adems que la correlacin (espuria) puede
persistir en las series de tiempo no estacionarias aunque la muestra sea muy grande. En una
2
regresin espuria, adems del R muy elevado, se obtiene un valor extremadamente bajo de

la d de Durbin-Watson, lo que indicara una autocorrelacin muy fuerte de primer orden.

2
De acuerdo con Granger y Newbold (1974), obtener un R > d es una buena regla prctica

para sospechar que la regresin estimada es espuria. Ni que decir tiene que en estas
regresiones el estadstico t es engaoso ya que no est distribuido como una t de Student y,
por tanto, no se pueden probar con ellos hiptesis sobre los parmetros

En el apartado 3.3 se seala tambin que un proceso estocstico es estacionario en sentido

estricto si todas las variables aleatorias que componen el proceso estn idnticamente
distribuidas, independientemente del momento del tiempo en que se estudia el proceso. En
trminos ms generales, se dice que un proceso estocstico es estacionario si su media y su
varianza son constantes en el tiempo y si el valor de la covarianza entre dos periodos
depende slo de la distancia o rezago entre estos dos periodos, y no del tiempo en el cual se
calcul la covarianza..

143

Si una serie de tiempo no es estacionaria en el sentido antes definido, se denomina serie de

tiempo no estacionaria. En otras palabras, una serie de tiempo no estacionaria tendr una
media que vara con el tiempo o una varianza que cambia con el tiempo, o ambas. En dicho
aparatado se sealaba la importancia de este tipo de series, debido a que si una serie de
tiempo no es estacionaria, slo podemos estudiar su comportamiento durante el periodo de
estudio. Si las caractersticas del proceso cambian a lo largo del tiempo, resultar difcil
representar la serie para intervalos de tiempo pasados y futuros mediante un modelo lineal
sencillo, no pudindose por tanto realizar previsiones fiables para la variable.

Tambin se menciono un tipo especial de proceso estocstico: el proceso puramente

aleatorio o de ruido blanco. Se dice que un proceso es puramente aleatorio si tiene una
media igual a cero, una varianza constante y no est serialmente correlacionado. De hecho
una prueba sencilla de estacionariedad se basa en el anlisis de funcin de autocorrelacin
(FAC) de la serie de tiempo. Dado que en un proceso puramente de ruido blanco, las
autocorrelaciones en los distintos retardos se ubican alrededor del cero, ocurrir igual en un
correlograma de una serie de tiempo estacionaria. Por tanto, si el correlograma de una serie
de tiempo real (econmica) se parece al correlograma de una serie de tiempo de ruido
blanco, podemos decir que dicha serie de tiempo es quiz estacionaria. La eleccin de la
longitud del retardo al realizar un correlograma es bsicamente de un asunto emprico, y
una regla prctica es calcular la FAC hasta un tercio o una cuarta parte de la longitud de la
serie de tiempo

4.2.

PASEO ALEATORIO

El paseo aleatorio o camino aleatorio (RW) es una formalizacin matemtica de la

trayectoria que resulta de realizar sucesivos pasos aleatorios (la ruta trazada por una
molcula mientras viaja por un lquido o un gas, el camino que sigue un animal en su
bsqueda de comida, el precio de una accin fluctuante ), el trmino fue introducido por
Pearson en 1905 y los resultados de su anlisis han sido aplicados a muchos campos como
la computacin, la fsica, la qumica, la ecologa, la biologa, la psicologa o la economa.
La teora del paseo aleatorio en economa se debe a Burton G. Malkiel en su obra A
Random Walk Down Wall Street, que viene a indicar que en un mercado eficiente, los
precios del mercado siguen un camino aleatorio y por lo tanto, impredecible.

144

En su formulacin matemtica se entiende que

Yt es un paseo aleatorio si :

Yt Yt 1 = u t
Donde

(4.1)

u t es un trmino de error de ruido blanco, con media 0 y varianza 2 .

En el modelo de paseop aleatoria, es por tanto, es un proceso AR(1) cuyas caractersticas se

estudian en el apartado 10,

Tomando en consideracin (4.1), se tiene que:

Y1 = Y0 + u1
Y2 = Y1 + u 2 = Y0 + u1 + u 2
Y3 = Y2 + u 3 = Y0 + u1 + u 2 + u 3

En general:
T

Yt = Y0 + u t
t =1

(4.2)

Tomando esperanzas matemticas en (4.2) , resulta que

E (Yt ) = E (Y0 ) + E u t = Y0
t =1
y

E [Yt E (Yt )]

T
= E u t = T 2
t =1

Es decir la media de

Yt es igual a su valor inicial (constante), pero conforme se incrementa

T , su varianza aumenta de manera indefinida, lo que viola una de las condiciones de la

estacionariedad. En resumen, un RW es un proceso estocstico no estacionario.

La expresin (4.1) puede escribirse:

Yt Yt 1 = Yt = ut

(4.3)

donde es el operador de primeras diferencias, que tambin analizamos en el apartado

3.3.1, de manera que tenemos que si bien Yt es no estacionaria, s lo es la serie de sus
primeras diferencias, ya que ut se defini como ruido blanco

145

Si se modifica (4.1) en el sentido siguiente:

Yt = + Yt 1 + u t
Y
donde se conoce como parmetro de deriva, en el sentido de que t se deriva o desva
hacia arriba o hacia abajo, segn sea positiva o negativa.

Estamos ante otro proceso no estacionario ya que al tomar esperanzas resulta :

E (Yt ) = Y0 + T
y

E [Yt E (Yt )] = T 2
2

Pero sus primeras diferencias,

Yt = + u t , dan lugar a una serie estacionaria de media no

nula.

En definitiva en un RW con deriva, la media, al igual que la varianza, se incrementa con el

tiempo, lo que viola de nuevo las condiciones de la estacionariedad, aunque al igual que el
paseo aleatorio sin deriva, la serie de sus primeras diferencias sigue siendo estacionaria.

El modelo de RW no es ms que un caso especfico de una clase ms general de procesos

estocsticos conocidos como procesos integrados. El paseo aleatorio estudiado se llama
proceso integrado de orden 1 y se denota como I(1). De manera similar, si una serie de
tiempo tiene que diferenciarse dos veces (es decir, se toman primeras diferencias de la serie
de primeras diferencias) para hacerla estacionaria, esa serie de tiempo se denomina
integrada de orden 2. En general, si una serie de tiempo (no estacionaria) debe diferenciarse
d veces para hacerla estacionaria, decimos que la serie es integrada de orden d. Una serie de
tiempo Yt integrada de orden d se denota como I(d).

La mayora de las series de tiempo econmicas son I(1); es decir, por lo general se
convierten en estacionarias slo despus de tomar sus primeras diferencias.

En Gujarati y Porter (2010), sealan las siguientes propiedades de las series de tiempo
integradas.

146

Sea X t , Yt y Z t tres series de tiempo:

1. Si X t ~ I (0) y Yt ~ I (1) , Z t = (Yt + X t ) ~ I (1) ; es decir, una combinacin lineal o
suma de series de tiempo estacionaria y no estacionaria es no estacionaria.
2. Si X t ~ I (d ) , Z t = (a + bX t ) ~ I (d ) , donde a y b son constantes. Es decir, una
combinacin lineal de una serie I(d) es tambin I(d).
3. Si X t ~ I (d1) y Yt ~ I (d 2) , Z t = (aX t + bYt ) ~ I (d 2) donde d1 < d2.
4. Si X t ~ I (d ) y Yt ~ I (d ) , Z t = (aX t + bYt ) ~ I (d1) ; d1 es por lo general igual a d, pero
en algunos casos d1 < d .

4.3.

PRUEBA DE RAZ UNITARIA

Partimos de un RW con la siguiente formulacin:

Yt = Yt 1 + u t , 1 < < 1

(4.4)

donde ut es un trmino de error de ruido blanco.

Este modelo es un modelo autorregresivo de primer orden similar al que se utiliza para
explicar la autocorrelacin (Contraste de Durbin-Watson). Si = 1 , se transforma en un
RW sin deriva, y por tanto en una serie no estacionaria en varianza. La no estacionariedad
de este tipo de modelos tambin se denomina problema de raz unitaria.
Sin embargo, si < 1 , se demuestra que la serie de tiempo Yt es estacionaria13.

13

En el apartado 3.4.2.1 en el que se estudia el AR(1) se considera que si el proceso es estacionario en

u2
1
y Var (Yt ) =
y que la condicin a cumplir para
media y varianza, se verifica que E (Yt ) =
1
1 2
que la media y varianza sean positivas y finitas es que

<1

147

En la practica, la manera de averiguar si una serie de tiempo tiene una raz unitaria, es a
travs de un test en el que la hiptesis que se contrasta es el valor unitario del coeficiente
autorregresivo ( ) a travs del anlisis de la nulidad de ( 1) .

En definitiva se trata de transformar (4.4) restando Yt 1 :

Yt Yt 1 = Yt 1 Yt 1 + u t = (1 )Yt 1 + u t
que tambin se expresa como:

Yt = Yt 1 + ut

(4.5)

Por tanto, en vez de estimar (4.4), obtenemos (4.5) y probamos la hiptesis (nula) de que
= 0, y la hiptesis alternativa es que < 0 (nota 25). Si = 0, entonces = 1 ; es decir,
tenemos una raz unitaria, lo cual significa que la serie de tiempo en consideracin es no
estacionaria.

=
En este contraste de hiptesis el estadstico

no sigue la distribucin t ni siquiera en

muestras grandes. Dickey y Fuller calcularon los valores crticos del estadstico con base
en simulaciones Monte Carlo. Por este motivo, en el estadstico o prueba tau se conoce
como prueba Dickey-Fuller (DF).
La hiptesis nula, Ho: no estacionariedad, se acepta si toma un valor situado a la derecha
del valor crtico correspondiente al nivel de significacin establecido (los programas
proporcionan los valores crticos, que son negativos, para niveles de significacin del 1%,
5% y 10%, siendo el 5% el ms utilizado en la prctica) y se rechaza si toma un valor
menor que el valor crtico.

El modelo (4.5) puede incorporar un trmino constante y una tendencia, a travs de un

ndice temporal t (t=1,2,T):

Yt = 1 + 2 t + Yt 1 + u t

148

De hecho en la mayor parte del software informtico sobre el test se permite elegir las
opciones de incorporar trmino constante sin tendencia, trmino constante y tendencia no
incorporar ninguno de ambos trminos.

El test ADF, denominado test aumentado de Dickey y Fuller, consiste tambin en

contrastar la hiptesis de nulidad de pero en una relacin aumentada con la inclusin de
valores retardados de la variable dependiente

Yt :

Yt = 1 + 2 t + Yt 1 + i Yt m +u t
i =1

Siendo

Yt 1 = (Yt 1 Yt 2 ) , Yt 2 = (Yt 2 Yt 1 ) , etc

Ejemplo 4.1

En la tabla Cantabria tenemos datos trimestrales del PIB de Cantabria en ndices de

Volumen y de ocupacin en miles de ocupados, para el period 2005-2014 procedentes de la
Contabilidad Trimestral de Cantabria y de la EPA.

Vamos a realizar el test de Dikey-Fuller (DF) para ver el grado de integracin de la serie del
PIB, para ello grabamos (install) y cargamos la librera urca.

En la tabla Cantabria tenemos datos trimestrales del PIB de Cantabria en ndices de

Volumen y de ocupacin en miles de ocupados, para el period 2005-2014 procedentes de la
Contabilidad Trimestral de Cantabria y de la EPA.
> cantabria <- read.table(file="cantabria.txt",header=T,dec=",")
> str(cantabria)
'data.frame': 38 obs. of 4 variables:
$ ao
: int 2005 2005 2005 2005 2006 2006 2006 2006 2007 2007
...
$ Trimestre: int 1 2 3 4 1 2 3 4 1 2 ...
$ PIB
: num 92.5 93.3 93.8 93.9 95.3 95.9 96.7 97.5 98.3 98.8
...
$ Ocupados : num 233 238 248 246 248 ...

Se trata de comprobar la estacionariedad de la serie del PIB

> plot(ts(cantabria$PIB,frequency=4,start=2005))

149

Vamos a realizar el test de Dikey-Fuller (DF) para ver el grado de integracin de la serie del
PIB, para ello grabamos (install) y cargamos la librera urca.
> library(urca)

Para realizar el test, vale esta sentencia (si no se especifican los retardos el test se realiza
con un retardo):
> pib.df <- ur.df(y=cantabria$PIB, type='none')
> summary(pib.df)
###############################################
###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression none
Call:
lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
Residuals:
Min
1Q
-1.7575 -0.4745

Median
0.1939

3Q
0.5426

Max
1.3763

Coefficients:
Estimate Std. Error t value Pr(>|t|)
z.lag.1
-0.0001002 0.0013083 -0.077
0.939
z.diff.lag 0.3311003 0.1606497
2.061
0.047 *
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.7518 on 34 degrees of freedom
Multiple R-squared: 0.1112, Adjusted R-squared: 0.05888
F-statistic: 2.126 on 2 and 34 DF, p-value: 0.1349

150

Value of test-statistic is: -0.0766

Critical values for test statistics:
1pct 5pct 10pct
tau1 -2.62 -1.95 -1.61

Se comprueba que la serie no es estacionaria, ya que el valor del estadstico (-0.0766), es

inferior al valor crtico (-1.95), lo que quiere decir que se acepta la hiptesis nula de no
estacionariedad. Repetimos el ejercicio, considerando tres retardos, deriva (drift) y
tendencia (trend):
> pib.df <- ur.df(y=cantabria$PIB, lags=3, type='drift')
> summary(pib.df)
###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression drift
Call:
lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag)
Residuals:
Min
1Q
-1.32952 -0.41679

Median
0.05446

3Q
0.47788

Max
1.05791

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 9.65519
4.97144
1.942 0.06189 .
z.lag.1
-0.10059
0.05183 -1.941 0.06208 .
z.diff.lag1 0.28123
0.17392
1.617 0.11670
z.diff.lag2 0.55538
0.16358
3.395 0.00201 **
z.diff.lag3 -0.11551
0.18850 -0.613 0.54480
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.6717 on 29 degrees of freedom
Multiple R-squared: 0.3869, Adjusted R-squared: 0.3023
F-statistic: 4.575 on 4 and 29 DF, p-value: 0.005491
Value of test-statistic is: -1.9406 1.8868
Critical values for test statistics:
1pct 5pct 10pct
tau2 -3.58 -2.93 -2.60
phi1 7.06 4.86 3.94
> pib.df <- ur.df(y=cantabria$PIB, lags=3, type='trend')
> summary(pib.df)
###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression trend
Call:
lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
Residuals:
Min
1Q
-1.0315 -0.4394

Median
0.1123

3Q
0.3433

Max
1.1701

151

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 20.81894
5.96966
3.487 0.00163 **
z.lag.1
-0.20734
0.06002 -3.454 0.00178 **
tt
-0.04575
0.01624 -2.818 0.00877 **
z.diff.lag1 0.19561
0.15915
1.229 0.22928
z.diff.lag2 0.44990
0.15163
2.967 0.00609 **
z.diff.lag3 -0.14243
0.16959 -0.840 0.40811
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.6034 on 28 degrees of freedom
Multiple R-squared: 0.5223, Adjusted R-squared: 0.437
F-statistic: 6.124 on 5 and 28 DF, p-value: 0.0005953
Value of test-statistic is: -3.4543 4.2059 6.3042
Critical values for test statistics:
1pct 5pct 10pct
tau3 -4.15 -3.50 -3.18
phi2 7.02 5.13 4.31
phi3 9.31 6.73 5.61

La serie rechaza la hiptesis de estacionariedad en todos los casos.

Diferenciamos la serie, para ello utilizamos la funcin genrica de R diff:

> dPIB <- diff(cantabria$PIB,differences=1)
> plot(ts(dPIB,frequency=4,start=2005))

Realizamos el test ADF con la serie diferenciada:

> dPIB.df <- ur.df(y=dPIB, type='none')
> summary(dPIB.df)

152

###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression none
Call:
lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
Residuals:
Min
1Q
-1.65584 -0.43986

Median
0.06371

3Q
0.50584

Max
1.16911

Coefficients:
Estimate Std. Error t value Pr(>|t|)
z.lag.1
-0.3896
0.1838 -2.120
0.0416 *
z.diff.lag -0.4246
0.1573 -2.699
0.0109 *
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.6897 on 33 degrees of freedom
Multiple R-squared: 0.4574, Adjusted R-squared: 0.4245
F-statistic: 13.91 on 2 and 33 DF, p-value: 4.162e-05
Value of test-statistic is: -2.1197
Critical values for test statistics:
1pct 5pct 10pct
tau1 -2.62 -1.95 -1.61

La serie diferenciada del PIB rechaza la hiptesis nula de no estacionariedad, valor del
estadstico (-2.1197), est por encima del valor crtico (-1.95) incluso cuando incluimos
deriva y tendencia.

4.4.

COINTEGRACIN

Se dice que dos o ms series estn cointegradas si las mismas se mueven conjuntamente a lo
largo del tiempo y las diferencias entre ellas son estables (es decir estacionarias), an
cuando cada serie en particular contenga una tendencia estocstica14 y sea por lo tanto no

14 Una tendencia es determinista cuando:

Yt = a + bt + u t
Si ahora se parte de un paseo aleatorio con deriva:

Yt Yt 1 = Yt = + u t
Yt mostrar una tendencia positiva ( > 1) o negativa ( < 1) . Tal tendencia se llama tendencia

estocstica.
El modelo:

Yt = a + bt + Yt 1 + u t c

ontiene tanto una tendencia estocstica como una tendencia determinista.

153

estacionaria. De aqu que la cointegracin refleja la presencia de un equilibrio a largo plazo

hacia el cual converge la relacin entre ambas variables a lo largo del tiempo.

Sea X t , Yt dos series de tiempo I(1), Dado que las dos series comparten la misma
tendencia comn, la regresin de una sobre la otra no ser necesariamente espuria:

Yt = a + bX t + u t

(4.6)

Se calcula u t = Yt a + bX t y se verifica con la prueba de raz unitaria que los residuos de

la regresin son I(0) o estacionarios (ver apartado 3.2).

En este caso la metodologa tradicional de regresin es aplicable a las series de tiempo (no
estacionarias) y la regresin no es esprea. En opinin de Granger: Una prueba para la
cointegracin puede considerarse como una pre-prueba para evitar las situaciones de
regresiones espurias.

En el lenguaje de la teora de la cointegracin, una regresin como la planteada se conoce

como regresin cointegrante, y el parmetro de pendiente b como parmetro cointegrante.

En definitiva probar la cointegracin entre dos series I(1) es igual que probar la
estacionariedad de los residuos. Para testar la cointegracin slo hay que estimar los
residuos del modelo de regresin y pasar la prueba de DF o DFA a los residuos estimados

(u t ) . Si se cumple Ho entonces

X t , Yt estn cointegradas y b es consistente.

Esta prueba de raz unitaria DF o DFA sobre los residuos estimados a partir de la regresin
cointegrante se conoce como Prueba de Engle-Granger (EG) o prueba de Engle-Granger
Aumentada (EGA)

Sin embargo, debe tenerse en cuenta que ut se basa en el parmetro de cointegracin

estimado b , y los valores crticos de la prueba DF y DFA no son del todo apropiados. Engle
y Granger calcularon estos valores que se incluyen los principales software economtricos.

Ejemplo 4.2

154

Se realiza ahora el test de Dikey-Fuller (DF) para la serie de Ocupados que se representa a
continuacin:
> plot(ts(cantabria$Ocupados,frequency=4,start=2005))

> dOcup <- diff(cantabria$Ocupados,differences=1)

> Ocup.df <- ur.df(y=cantabria$Ocupados, type='none')
> summary(Ocup.df)
Call:
lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
Residuals:
Min
1Q Median
-8.6618 -4.3752 -0.3451

3Q
Max
4.9139 12.4019

Coefficients:
Estimate Std. Error t value Pr(>|t|)
z.lag.1
-0.001476
0.003856 -0.383
0.704
z.diff.lag 0.108089
0.170337
0.635
0.530
Residual standard error: 5.676 on 34 degrees of freedom
Multiple R-squared: 0.01658, Adjusted R-squared: -0.04127
F-statistic: 0.2866 on 2 and 34 DF, p-value: 0.7526
Value of test-statistic is: -0.3828
Critical values for test statistics:
1pct 5pct 10pct
tau1 -2.62 -1.95 -1.61
> dOcup.df <- ur.df(y=dOcup, type='none')
> summary(dOcup.df)

155

###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression none
Call:
lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
Residuals:
Min
1Q Median
-9.2258 -4.2283 -0.3936

3Q
2.9457

Max
7.6578

Coefficients:
Estimate Std. Error t value Pr(>|t|)
z.lag.1
-1.3406
0.1951 -6.871 7.62e-08 ***
z.diff.lag
0.4768
0.1494
3.191
0.0031 **
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 4.852 on 33 degrees of freedom
Multiple R-squared: 0.6036, Adjusted R-squared: 0.5796
F-statistic: 25.13 on 2 and 33 DF, p-value: 2.338e-07
Value of test-statistic is: -6.8709
Critical values for test statistics:
1pct 5pct 10pct
tau1 -2.62 -1.95 -1.61

La serie temporal de Ocupados en Cantabria es integrada de orden 1, I(1). En consecuencia

la regresin MCO entre los Ocupados y el PIB de Cantabria, puede realizarse ya que ambas
series tienen el mismo orden de integracin.

El test de EG requiere realizar la regresin mnimo cuadrtica entre ocupados y PIB y

verificar que los residuos son I(0) es decir estacionarios.
> eq <- lm(cantabria$Ocupados~cantabria$PIB)
> dres.df <- ur.df(y=eq$resid, type='none')
> summary(dres.df)
###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression none
Call:
lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
Residuals:
Min
1Q
-9.9445 -2.2775

Median
0.0041

3Q
2.2536

Max
9.3488

156

Coefficients:
Estimate Std. Error t value Pr(>|t|)
z.lag.1
-0.5039
0.1498 -3.363 0.00192 **
z.diff.lag
0.2797
0.1694
1.651 0.10786
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 4.077 on 34 degrees of freedom
Multiple R-squared: 0.2497, Adjusted R-squared: 0.2056
F-statistic: 5.658 on 2 and 34 DF, p-value: 0.007567
Value of test-statistic is: -3.3634
Critical values for test statistics:
1pct 5pct 10pct
tau1 -2.62 -1.95 -1.61

Se comprueba que los residuos son estacionarios.

4.5.

MECANISMO
DE
ERRORES(MCE)

CORRECCIN

DE

Si X t , Yt estan cointegradas, es decir, hay una relacin de equilibrio de largo plazo entre
las dos, dado que en el corto plazo, puede haber desequilibrio, se puede utilizar el trmino
de error de la relacin cointegrada para relacionar el comportamiento de corto plazo de Yt
con su valor de largo plazo. El mecanismo de correccin de errores utilizado por primera
vez por Sargan y popularizado ms tarde por Engle y Granger, corrige dicho desequilibrio.

Partimos del siguiente modelo:

Yt = o + 1 X t + 2 u t 1 + t
donde

(4.7)

t es un trmino de error de ruido blanco y u t 1 es el valor del trmino de error de la

ecuacin cointegrada (4.6) retrasada un periodo.

El modelo relaciona el cambio de Yt con el cambio de X t y el error equilibrador en el

perodo anterior. Yt , recoge las perturbaciones de corto plazo de X t e u t 1 recoge el
ajuste hacia el equilibrio de largo plazo.

157

Ejercicio 4.3

Planteamos el siguiente modelo de correccin de error:

GC = o + 1 PIB + 2 u t 1 + t
En donde u t 1 son los residuos del MCO realizado en el Ejercicio 4.2.
> res_1 <- diff(eq$resid,lag=1)
> eq2 <- lm(dOcup~dPIB+res_1)
> summary(eq2)
Call:
lm(formula = dOcup ~ dPIB + res_1)
Residuals:
Min
1Q
-3.373e-14 -6.780e-16

Median
1.113e-15

3Q
2.549e-15

Max
4.810e-15

Coefficients:
Estimate Std. Error
t value Pr(>|t|)
(Intercept) -1.214e-15 1.036e-15 -1.172e+00
0.249
dPIB
5.047e+00 1.346e-15 3.750e+15
<2e-16 ***
res_1
1.000e+00 2.316e-16 4.318e+15
<2e-16 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 6.288e-15 on 34 degrees of freedom
Multiple R-squared:
1,
Adjusted R-squared:
1
F-statistic: 1.441e+31 on 2 and 34 DF, p-value: < 2.2e-16

4.6.

PROBLEMAS

4.1. Genere con R dos paseos aleatorios (RW) utilizando el siguiente cdigo R:
rw <- function(n){
x=numeric(n)
xdir=c(TRUE, FALSE)
step=c(1,-1)
for (i in 2:n)
if (sample(xdir,1)) {
x[i]=x[i-1]+sample(step,1)
} else {
x[i]=x[i-1]
}
list(x=x)
}

158

donde rw(n) sera un paseo aleatorio de n datos, diferencie las series obtenidas y realice
la regresin de una sobre otra, calcula el coeficiente de determinacin y el estadstico de
Durbin-Watson.. Analice los resultados obtenidos.

4.2. Genere con R un nuevo RW y obtenga el estadstico DFA. Diferencie la serie y repita
el proceso. Analice los resultados obtenidos.

4.3. Considere la siguiente regresin :

X t = 2 0.8 X t 1 + et
Siendo el error estandar de la constante , 0.5, y el de la pendiente, 0.3, tomando como valor
critico en las en las tablas del estadstico DFA a 5% = 2.95 y a 10% = 2.60 ,
responda:
a) La serie X t es estacionaria?.
b) Con el 10 % de significacin cabe afirmar que el orden de integracin de la serie
es I(1).

4.4. La serie del PIB de un pais es I(2) y la del empleo I(1):

a) Plantee una relacin de regresin entre el PIB y el Empleo
b) Indique que orden de integracin espera que hayan de tener los residuos obtenidos.

4.5. En la librera forecast de R, se encuentra una base de datos en formato de serie

temporal, gas, que recoge la produccin australiana de gas durante mes a mes durante los
aos de 1956 a 1996. Estudie la estacionariedad de la serie en R a travs del estadistico de
Dikey-Fuller.

SOLUCIONES:
4.1 A realizar por el alumno
4.2 A realizar por el alumno
4.3
a) No estacionaria al 5% y estacionaria al 10%.
b) Falso.
4.4

a) PIBt = a + bEmpleot + u t
b) Los residuos sern I(0)

159

4.5 A realizar por el alumno

160

5.

MODELOS VAR

5.1.

INTRODUCCIN

El enfoque estructural aplicado a los modelos de series temporales (modelos de ecuaciones

sumultaneas) utiliza conceptos de teora econmica para representar relaciones entre distintas
variables. Sin embargo, a veces la teora econmica no es capaz de ofrecer una especificacin
dinmica que identifique todas estas relaciones. Ello obliga al investigador a especificar a priori,
y en muchas ocasiones de forma subjetiva, cul o cules deben ser las variables exgenas del
modelo y en qu ecuaciones deben aparecer, lo que puede afectar a los resultados de la
identificacin del modelo y conducir a estimaciones y relaciones entre variables incorrectas.

Por ello, en 1980, Sims realiza una fuerte crtica hacia la especificacin de modelos
estructurales de ecuaciones simultneas, proponiendo, frente a la arbitrariedad que supone la
especificacin de los modelos estructurales, una nueva metodologa: la metodologa VAR
(Vectores Autorregresivos), en la que no se impone una decisin acerca de qu variables deben
ser tratadas como exgenas. Segn Sims, si existe verdadera simultaneidad entre un conjunto de
variables, todas deben ser tratadas del mismo modo; en este sentido, la metodologa VAR
rompe con el principio de causalidad, al no existir una distincin previa a la estimacin entre
variables exgenas y endgenas.

La metodologa VAR se ha utilizado principalmente en el campo de los modelos

macroeconmicos, en el que los modelos estructurales de mltiples ecuaciones desarrollados en
los aos 50 y 60 no resultaban todo lo satisfactorios que los investigadores deseaban. La
superior capacidad predictiva de los modelos basados en la metodologa de Sims frente a estos
modelos, muchos de ellos compuestos por cientos de ecuaciones lo que supona un enorme
coste computacional, pareca indicar que exista un problema en la metodologa de los modelos
de ecuaciones simultneas.

El punto lgido en el declive de los modelos de ecuaciones simultneas se alcanz en los aos
70 con las elevadas tasas de inflacin y desempleo registradas en ese periodo y que no pudieron
ser previstas mediante los modelos de tipo keynesiano. En ese momento comenzaron a aparecer
las primeras crticas contra el enfoque de los modelos estructurales con mltiples ecuaciones. La
primera de ellas la realiz Lucas en 1976, argumentando que los parmetros de las reglas de

161

decisin incorporadas en los modelos de ecuaciones estructurales no permanecen estables a lo

largo del tiempo cuando las reglas de poltica econmica varan. Este ataque a los modelos
estructurales condujo a los investigadores a utilizar sistemas de ecuaciones menos estructurados
para realizar previsiones de las variables macroeconmicas y delinear los efectos de los cambios
en la poltica monetaria y de shocks externos sobre la economa, como son los modelos VAR
que pasamos a ver seguidamente.

5.2.

MODELOS VAR

5.2.1. Definicin
Un modelo de Vectores Autorregresivos (VAR) se define como una descripcin estadstica de
las interrelaciones existentes entre un conjunto de diferentes variables en la que no se hace uso
de ninguna teora econmica previa acerca de cmo se espera que dichas variables se relacionen
entre s. Por tanto, los modelos VAR no pueden ser utilizados para validar ninguna teora, no
pudiendo tampoco utilizarse para interpretar los datos en trminos de principios econmicos
generales.

El uso de modelos VAR queda as restringido bsicamente a dos campos que sern analizados
en detalle ms adelante: por un lado, a la prediccin de los valores futuros de un conjunto de
variables que aparecen interrelacionadas en el sistema; y por otro, al anlisis del efecto a lo
largo del tiempo, sobre cada una de las variables del sistema, de perturbaciones aleatorias o
shocks producidos en el tiempo.

El enfoque VAR elimina por tanto la necesidad de especificar un modelo estructural mediante la
representacin de cada variable endgena del sistema como una funcin de sus propios valores
retardados as como de los retardos de todas las variables endgenas presentes en el sistema.

La representacin genrica de un VAR de orden p es la siguiente:

y1t = 1 + 11,1 y1t 1 + 11,2 y1t 2 + ... + 11, p y1t p + ... + 1k ,1 y kt 1 + 1k ,2 y kt 2 + ... + 1k , p y kt p + 1t
y 2t = 2 + 21,1 y1t 1 + 21,2 y1t 2 + ... + 21, p y1t p + ... + 2k ,1 y kt 1 + 2k ,2 y kt 2 + ... + 2k , p y kt p + 2t
...
y kt = k + k1,1 y1t 1 + k1,2 y1t 2 + ... + k1, p y1t p + ... + kk ,1 y kt 1 + kk ,2 y kt 2 + ... + kk , p y kt p + kt

162

(5.1)

Donde:
ij, p es el parmetro a estimar, en el que i es el nmero de ecuacin en el que aparece, j

es el nmero de variable al que est asociado y p representa el retardo de la variable a la

que est asociado el parmetro. El valor mximo de p es lo que se denomina orden del
VAR, el cual tambin puede ser estimado como veremos ms adelante.

yitp son las variables incluidas en el modelo, donde i y p poseen el mismo significado

que acabamos de sealar.

kt es el trmino de error o perturbacin de la ecuacin k, el cual posee media cero y

matriz de varianzas y covarianzas triangular de la forma:

12

= E [ kt ' kt ) =

22

0 0

O 0
k2
0

El sistema (5.1) se expresa de forma matricial :

y t = + 1 y t 1 + 2 y t 2 + ... + p y t p + t

(5.2)

donde yt es un vector compuesto por las variables sin retardar, es un vector de trminos
constantes, i son matrices de coeficientes asociados a las variables retardadas i periodos y t es
un vector de ruidos que pueden estar correlacionados contemporneamente pero que estn
incorrelacionados con sus retardos y con todas las variables que aparecen a la derecha de la
igualdad.

163

Las matrices yt, y t son vectores de orden k1, mientras que i es una matriz de orden kk
tal que:

11,i
y1t
1

y 2t
2
yt =
; = ; i = 21,i
...
...
...

kt
k
k1,i

12,i
22,i
...

k 2,i

1k ,i

... 2 k ,i
...

; y t i
...

.... kk ,i
...

y1t i
1t

y 2 t i
=
; t = 2t
...
...

y

kt
kt i

Por tanto, a la hora de estimar los parmetros de un modelo VAR deberemos estimar k
parmetros constantes, ms pkk parmetros correspondientes a las variables explicativas del
modelo.

En los modelos VAR tambin cabe la posibilidad de que aparezcan variables explicativas, que
denotaremos por xt, que no sean retardos de las variables dependientes de tal forma que la
expresin (5.2) pasara a ser:
y t = + 1 y t 1 + 2 y t 2 + ... + p y t p + x t + t

Siendo:
11,i

21,i
=
...

k 1,i

12,i
22,i
...

k 2,i

...
...

1k ,i

2 k ,i

; x t = (x1t
...

.... kk ,i
...

x 2t

... x kt )

Donde es una matriz de orden kk y xt es un vector fila de orden 1 k.

Veamos a continuacin un ejemplo concreto de aplicacin de un modelo VAR; supongamos que

la renta, Y, y la oferta de dinero, M, vienen determinados conjuntamente por un modelo VAR
con trmino constante. Si imponemos que el orden de retardos mximo de los regresores es 2,
tendramos que:

164

Yt = 1 + 11,1Yt 1 + 11,2Yt 2 + 12,1 M t 1 + 12,2 M t 2 + 1t

M t = 2 + 21,1Yt 1 + 21,2Yt 2 + 22,1 M t 1 + 22,2 M t 2 + 2t

donde ij, p son los parmetros a estimar.

Otra forma de expresar un modelo VAR es mediante la notacin en retardos que veamos en el
captulo 3. As, el modelo de la expresin 5.2. puede escribirse como:
( I 1 B 2 B 2 ... p B p ) y t = + t
( B ) y t = + t

(5.3)

Dicho modelo VAR ser estacionario si y solo si se verifica que los autovalores del polinomio
de retardos caen fuera del crculo unidad:

I 1 B 2 B 2 ... p B p = 0, B > 1

(5.4)

Si el modelo VAR verifica la condicin de estacionariedad, entonces es posible escribir el

modelo autorregresivo como un Vector de Medias Mviles (VMA) de orden infinito tal que:
y t = + t + 1 t 1 + 2 t 2 + ... = + ( B ) t , ( B ) = I + 1 B + 2 B 2 + ...

Esta representacin del modelo (10.2.) ser clave para comprender la funcin de respuesta al
impulso que veremos ms adelante.
El clculo de los parmetros puede realizarse a partir de la siguiente expresin:
( B ) = [ ( B )]1

Lo que exige que se verifique:

( I 1 B 2 B 2 ... p B p )( I + 1 B + 2 B 2 + ...) = I

El desarrollo de esta expresin permite obtener las ecuaciones que relacionan los parmetros
y del modelo tal que:

165

1 = 1
2 = 1 1 + 2
LLLLLLLL
s = 1s 1 + 2 s 2 + ... + p s p ,

s = 1, 2, ...

Siendo 0 = I y s = 0, s < 0 .
Si el modelo no verificara la condicin (5.4) ser necesario proceder como en el caso de los
modelos univariantes, tomando las diferencias suficientes sobre las variables para hacerlas
estacionarias.

5.2.2. Estimacin
Dado que los valores retardados de las variables slo aparecen como regresores y no como
variables dependientes, no existen problemas de simultaneidad en el modelo por lo que las
estimaciones obtenidas para los coeficientes aplicando Mnimos Cuadrados Ordinarios a cada
ecuacin sern consistentes; asimismo, la matriz de varianzas y covarianzas de las
perturbaciones puede ser estimada utilizando el sumatorio de cuadrados y productos cruzados de
los residuos mnimo-cuadrticos. Si adems las perturbaciones se ajustan a una distribucin
Normal, entonces los estimadores obtenidos coincidirn con los obtenidos por el mtodo de
Mxima Verosimilitud.

Sin embargo, previamente a la estimacin del modelo, debemos decidir el nmero ptimo de
retardos, p, esto es, el orden del VAR. Antes de presentar el procedimiento para calcular p cabe
tener en cuenta la siguiente advertencia: la inclusin de muchos retardos en el modelo reduce en
gran medida el nmero de observaciones disponibles, disminuye el nmero de grados de
libertad a la hora de realizar contrastes y aumenta el riesgo de aparicin de multicolinealidad;
por su parte, la inclusin de pocos retardos en el modelo provocar seguramente errores de
especificacin.

Una forma de decidir sobre el orden del modelo es examinar los criterios informacin. Los ms
utilizados en este tipo de modelos son los de Akaike (AIC) , Schwarz (SIC SC) y el de
Hannan-Quin (HQ):

AIC =
SC =

2l
n
+2
T
T

2l
ln(nT )
+2
T
T

166

HQ =

2l
k ln(ln(T ))
+2
T
T

Siendo l i =

Tk
Tk T
log(2 )
+ ln , d es el nmero de variables exgenas, p el orden
2
2 2

del VAR, k el nmero de variables y n = k (d + pk ) el nmero deparmetros estimados en el

modelo VAR y el determinante de la matriz de varianzas y covarianzas asociada con el

= T 1
modelo VAR

T
t 1

u t u t' .

No obstante, existe un contraste ms formal para seleccionar el orden del VAR basado en el
contraste de razn de verosimilitudes. Supongamos que estimamos un VAR de orden p1 y
queremos contrastar la hiptesis nula de que el orden del VAR es p0, siendo p1 > p0. Es decir, se
trata de contrastar H0: VAR(p0) frente a H1: VAR(p1). El procedimiento para realizar el contraste
es el siguiente:

Se estima el modelo VAR bajo cada uno de los supuestos de las hiptesis a contrastar.

Calculamos el siguiente estadstico de razn de verosimilitudes:

MV = 2(l 1 l 0 ) = (T k ) ln ( p o ) ln ( p1 ) ~ q2
Siendo l i =

Tk
Tk T
log(2 )
+ ln ( p i ) el mximo del logaritmo de la funcin
2
2 2

de verosimilitud del VAR, donde k es y ( pi ) es el determinante de la matriz de

varianzas y covarianzas asociada con el modelo VAR de orden pi.
El estadstico MV sigue una distribucin 2 con q grados de libertad, siendo q el
nmero de restricciones impuestas en la hiptesis nula. Por ejemplo, si en un VAR con
dos variables pretendemos contrastar la presencia de tres retardos frente a cinco
retardos, estaremos excluyendo cuatro variables en cada una de las ecuaciones del VAR,
si suponemos que la hiptesis nula es cierta, en relacin al nmero de variables que se
considera bajo la hiptesis alternativa por lo que q ser igual a 4 2 = 8, y en general, q
= k2(p1 p0).

El contraste de razn de verosimilitudes que acabamos de presentar permite la realizacin de

pruebas secuenciales que permiten determinar el orden del VAR con bastante exactitud. El

167

investigador puede as, comenzar especificando un orden elevado para el modelo, por ejemplo
p1 = 15, e ir realizando contrastes sucesivos en los que se van reduciendo progresivamente los

rdenes comparados hasta que el valor del estadstico supere por primera vez al valor en tablas
de la distribucin 2 , momento en el que se rechazar la hiptesis nula del contraste y
habremos determinado el orden del VAR, que ser el ltimo valor asignado a p1.

5.2.3. Prediccin y Funcin de Respuesta al Impulso

Como comentbamos al principio del captulo, la utilizacin de modelos VAR se dirige
fundamentalmente a la realizacin de predicciones, especialmente a corto plazo, as como al
anlisis del efecto a lo largo del tiempo, sobre cada una de las variables del sistema, de un shock
inesperado. Pasamos a continuacin a examinar estos dos puntos en detalle.

Por un lado, la realizacin de predicciones es anloga a la que veamos en el captulo 3. As,

supongamos el caso de un VAR(1) mediante el que pretendemos realizar predicciones uno o
varios periodos hacia delante. As, la prediccin ptima para yt+1 ser la esperanza condicional
de yt+1 en el periodo t tal que:
y t +1 = E ( y t +1 | y t , y t 1 ,..., y1 ) = y

(5.5)

Donde para simplificar hemos suprimido el trmino constante del modelo. Si deseramos
obtener la prediccin ptima para yt+2 bastara con aplicar de forma recursiva el resultado
obtenido en (5.5) tal que:
y t + 2 = E ( y t + 2 | y t +1 , y t ,..., y1 ) = ( y ) = 2 y

Generalizando el resultado anterior tenemos que:

y t + s = s y

168

Con vector de errores de prediccin para s periodos hacia delante:

e s = y t + s y t + s = t + s + t + s 1 + ... + s 1 t +1

De manera anloga podramos obtener expresiones para modelos VAR de orden superior y
sustituyendo las expresiones que aparecen por sus valores estimados.

En la prctica, la obtencin de predicciones en un modelo VAR resulta tan sencilla como

sustituir en el modelo los valores muestrales contemporneos y retardados de que dispongamos
y obtengamos el valor de las variables en el periodo siguiente.

Por su parte, la obtencin de funciones de respuesta al impulso permite conocer el efecto que
tendr a lo largo del tiempo un shock inesperado sobre las variables del sistema. Recordemos
que si el modelo VAR es estacionario entonces es posible expresarlo como un VMA de orden
infinito tal que:
y t = + ( B ) t = + t + 1 t 1 + 2 t 2 + ...

Si reescribimos el modelo considerando como ltimo periodo t+s tenemos que:

y t + s = + t + s + 1 t + s 1 + 2 t + s 2 + ... + s t + s +1 t 1 + ...

(5.6)

Cada elemento ij de la matriz s de la expresin (5.6) puede interpretarse como el efecto que
tendra un aumento de una unidad en la innovacin j sobre el valor de la variable i en el
momento t+s, manteniendo el resto de innovaciones constantes en todos los periodos, tal que:
y t + s
t

= s

Es decir, si se produce una variacin de unidades en alguna de las innovaciones del modelo
tendremos que:

169

y t + s
t

= s

A la representacin grfica del efecto que produce sobre las variables del modelo una variacin
en una de las perturbaciones se la conoce como funcin de respuesta al impulso.

Para calcular la funcin de respuesta al impulso, suponiendo que especificamos el siguiente

modelo VAR de orden 1 en desviaciones respecto a la media:
y1t = 11,1 y1t 1 + 12,1 y 2t 1 + 1t
y 2t = 21,1 y1t 1 + 22,1 y 2t 1 + 2t

Y donde la estimacin que se ha obtenido para los parmetros del modelo es:
y1t 0.4 0.1 y1t 1 1t
=
+

y 2t 0.2 0.5 y 2t 1 2t

Supongamos que se produce un shock inesperado en la perturbacin asociada a y2t, aumentando

en una unidad; en el instante en que se produce dicho shock no afecta por el momento a y1t. Pero
en el siguiente periodo, el shock que se produjo en el momento t afectar tanto a y1t+1 como a
y2t+1 a travs del efecto que se ha producido en y2t. As, en el momento en que se produce un

efecto inesperado en alguna de las variables se produce una reaccin en cadena a lo largo del
tiempo en todas las variables del VAR.

La transmisin del shock a lo largo del tiempo se producir de la siguiente manera:

170

 y10 0
=
y20 1
y11 0.4
y = 0.2
21
y12 0.4
=
y22 0.2

0.1 0 0.10

=
0.5 1 0.50
0.1 y11 0.4 0.1 0.10 0.09

=
0.5 y21 0.2 0.5 0.50 0.27
y13 0.4 0.1 y12 0.4 0.1 0.09 0.06
=
y = 0.2 0.5 0.27 = 0.15
y
0.2
0.5

23
22

y14 0.4 0.1 y13 0.4 0.1 0.06 0.04
=
=

y24 0.2 0.5 y23 0.2 0.5 0.15 0.09

y15 0.4 0.1 y14 0.4 0.1 0.04 0.03
=
=

y25 0.2 0.5 y24 0.2 0.5 0.09 0.05

Los resultados obtenidos se resumen en la siguiente tabla:

Periodo

y1

y2

0.10

0.50

0.09

0.27

0.06

0.15

0.04

0.09

0.03

0.05

Finalmente, representamos grficamente la funcin de respuesta al impulso:

171

Funcin de Respuesta al Impulso

1.2
1
0.8
y1
y2

0.6
0.4
0.2
0
0

Periodo

Figura 5.1.Funcin respuesta al impulso .

Sin embargo, en la prctica normalmente no se producen shocks de forma aislada en una sola
variable sino que dichos shocks suelen producirse de forma simultnea (por ejemplo, no tendra
sentido pensar que se produce un shock en el consumo y simultneamente no se produce un
shock en la renta). En este caso la obtencin de la funcin de respuesta al impulso resulta poco

menos que imposible por lo que se suele adoptar como solucin la transformacin de los
trminos de error del modelo en un nuevo conjunto de errores ortogonales, los cuales no estn
correlacionados entre s y poseen varianzas unitarias.

Retomando la expresin del VAR como un VMA de orden infinito tenemos que:

yt = +

i t i ,

0 = I

i =0

Sea la matriz de varianzas y covarianzas del trmino de error del modelo; y sea P una matriz
no singular tal que PP' = I . Multiplicando el sumatorio de la expresin 10.22 por P 1 P queda
que:

yt = +

i =0

Si llamamos M i = i P 1 y wi = P t i tenemos que:

172

P t i

yt = +

M w
i

i =0

Calculando la esperanza matemtica del nuevo trmino de error, wi, se tiene que:

) (

( )

E wt wt' = E P t t' P ' = PE t t' P' = PP' = I

Lo que implica que los componentes del trmino de error transformado, wt, no estn
correlacionados y que poseen varianza unitaria.

El resultado anterior implica que la funcin de respuesta al impulso pasa a ser ahora:
y t + s
wt

= M s = s P 1

Sin embargo, la solucin al problema que aparece cuando pretendemos calcular la funcin de
respuesta al impulso con ms de shock simultneo en las perturbaciones presenta consecuencias
indeseables puesto que no existe una matriz P nica. Ello provoca que los resultados numricos
obtenidos no sean interpretables econmicamente, debindonos limitar a darles una
interpretacin de tipo cualitativo.

5.3.

VAR ESTRUCTURAL

Hasta el momento hemos considerado a los modelos VAR como un modelo completamente
aterico y sin restricciones. Sin embargo, los modelos VAR pueden ser entendidos como la
expresin de un modelo econmico estructural en forma reducida, lo que permite reconciliar la
utilizacin de modelos VAR con el enfoque de modelos estructurales (modelos de ecuaciones
simultneas). La utilizacin de los modelos VAR en estos casos s posee fundamento terico
pues el investigador comienza elaborando un modelo basado en la teora econmica, a partir del
cual obtendr su forma reducida, que tendr la forma de un VAR.

Sin embargo, es posible recuperar los parmetros de la forma estructural del modelo a partir de
la forma reducida? El siguiente ejemplo responde a esta cuestin: supongamos que el
investigador especifica y estima el siguiente modelo estructural de orden 1:

173

y1t = 1 12 y 2t + 11,1 y1t 1 + 12,1 y 2t 1 + 1t

y 2t = 2 21 y1t + 21,1 y1t 1 + 22,1 y 2t 1 + 2t

(5.7)

Que consta de 10 parmetros (8 coeficientes ms 2 varianzas de los trminos de error) que

debemos estimar.

Dado que un modelo VAR es una funcin de los valores retardados de las variables que lo
componen exclusivamente. Si reordenamos el modelo (5.7) y lo expresamos en forma matricial
tenemos que:
1 12 y1t 1 11,1 12,1 y1t 1 1t

= +
+

21 1 y 2t 2 21,1 22,1 y 2 t 1 2t

(5.8)
y t = + y t 1 + t

Premultiplicando (5.8) por 1 podemos obtener la expresin de la forma reducida del modelo
VAR tal que:
y t = 1 + 1y t 1 + 1 t = * + * y t 1 + t*

(5.9)

El modelo (5.9) es la forma reducida del modelo estructural que especificamos en (5.7) y que
puede ser estimado aplicando MCO a cada ecuacin del modelo. Sin embargo, la estimacin de
los parmetros del modelo (5.9) no nos va a permitir recuperar el valor de los parmetros del
modelo estructural, ya que ahora slo disponemos de 9 parmetros (coeficientes+varianzas y
covarianza de los errores); es decir, la forma reducida de un modelo VAR estructural siempre
est subidentificada

Sin embargo, si imponemos alguna restriccin en los parmetros del VAR estructural, la forma
reducida pasar a estar exactamente identificada. As, si en el modelo (5.7) hacemos 21 = 0
queda que:

174

 1 12 y1t 1 11,1 12,1 y1t 1 1t

= +
+

0 1 y 2 t 2 21,1 22,1 y 2t 1 2t

1 12
tenemos que:
1

Premultiplicando el modelo estructural por la inversa de la matriz

0

y1t 1 12

y 2t 0 1

1 1 12
+

2 0 1

11,1 12,1 y1t 1 1 12

21,1 22,1 y 2t 1 0 1

1t

2t

y1t 1 * 1* 2* y1t 1 1t *

=
+ *
+

y 2t 2 * 3 4 y 2 t 1 2t *

A partir de la expresin anterior ahora s es posible recuperar los parmetros del modelo
estructural tal que:

12 =

1 = 1 *

1 * = 1 12 2
2 * = 2
2* = 21,1
= 12,1 1222,1

4*

= 22,1

2 2
Var ( 1t *) = 21t + 12
2t

Var ( 2t *) = 22 t
Cov( 1t *, 2t *) = 12 22 t

Cov( 1t *, 2t *)
2 *
Var ( 2t *)

2 = 2 *

1* = 11,1 1221,1
3*

Cov ( 1t *, 2t *)
Var ( 2t *)

11,1 = 1*

Cov ( 1t *, 2t *) *
2
Var ( 2t *)

12,1 = 3*

Cov( 1t *, 2t *) *
4
Var ( 2t *)

21,1 = 2*
22,1 = 4*
2

1t
2

Cov ( 1t *, 2t *)
Var ( 2t *)
= Var ( 1t *)
Var ( 2 t *)

22 t = Var( 2t *)
22 t = Cov ( 1t *, 2 t *)

175

Var ( 2 t *)
= Var ( 2t *)
Cov ( 1t *, 2t *)

5.4.

EJEMPLO DE ESTIMACION DE UN MODELO VAR

CON R.

Se va a estimar un modelo VAR con datos relativos al mercado de trabajo de Canad, tomado
de Breitung, Bruggemann, and Lutkepohl (2004). Se utilizan las siguientes series: productividad
del trabajo, definida como la diferencia entre el logaritmo del PIB y el logaritmo del empleo;
empleo, medido en logaritmo, tasas de desempleo; y salarios reales definido como el logaritmos
del ndice de evolucin de los salarios reales. En la base de datos se denominan, prod, e,
U y rw, respectivamente. Los datos procede de la base de datos de la OCDE y cubren el
periodo comprendido entre el primer trimestre de 1980 y cuarto trimestre de 2004 (Pfaff, 2008).
P realizar el ejercicio hay que cargar el package o la librera R : vars.
> library("vars")
> data("Canada")
> summary(Canada)
e
Min.
:928.6
1st Qu.:935.4
Median :946.0
Mean
:944.3
3rd Qu.:950.0
Max.
:961.8
U
Min.
: 6.700
1st Qu.: 7.782
Median : 9.450
Mean
: 9.321
3rd Qu.:10.607
Max.
:12.770

prod
Min.
:401.3
1st Qu.:404.8
Median :406.5
Mean
:407.8
3rd Qu.:410.7
Max.
:418.0

rw
Min.
:386.1
1st Qu.:423.9
Median :444.4
Mean
:440.8
3rd Qu.:461.1
Max.
:470.0

La representacin grfica de las series realizada en R:

> plot(Canada, nc = 2, xlab = "")

176

Figura 5.2. Productividad, empleo, desempleo y salarios reales en Canada.

En primer lugar se realiz el test ADF a las series para conocer su orden de integracin.
> adf1 <- summary(ur.df(Canada[, "prod"], type = "trend", lags = 2))
> adf1
###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression trend
Call:
lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
Residuals:
Min
1Q
-2.19924 -0.38994

Median
0.04294

3Q
0.41914

Max
1.71660

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 30.415228 15.309403
1.987
0.0506 .
z.lag.1
-0.075791
0.038134 -1.988
0.0505 .
tt
0.013896
0.006422
2.164
0.0336 *
z.diff.lag1 0.284866
0.114359
2.491
0.0149 *
z.diff.lag2 0.080019
0.116090
0.689
0.4927
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.6851 on 76 degrees of freedom
Multiple R-squared: 0.1354, Adjusted R-squared: 0.08993
F-statistic: 2.976 on 4 and 76 DF, p-value: 0.02438
Value of test-statistic is: -1.9875 2.3 2.3817

177

Critical values for test statistics:

1pct 5pct 10pct
tau3 -4.04 -3.45 -3.15
phi2 6.50 4.88 4.16
phi3 8.73 6.49 5.47
> adf2 <- summary(ur.df(diff(Canada[, "prod"]), type = "drift",lags =
1))
> adf2
###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression drift
Call:
lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag)
Residuals:
Min
1Q
-2.05124 -0.39530

Median
0.07819

3Q
0.41109

Max
1.75129

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.11534
0.08029
1.437
0.155
z.lag.1
-0.68893
0.13350 -5.160 1.83e-06 ***
z.diff.lag -0.04274
0.11275 -0.379
0.706
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.6971 on 78 degrees of freedom
Multiple R-squared: 0.3615, Adjusted R-squared: 0.3451
F-statistic: 22.08 on 2 and 78 DF, p-value: 2.526e-08
Value of test-statistic is: -5.1604 13.3184
Critical values for test statistics:
1pct 5pct 10pct
tau2 -3.51 -2.89 -2.58
phi1 6.70 4.71 3.86

Los resultados obtenidos figuran en la Tabla siguente:

Tabla 5.1.- Resultados del test ADF (Package Vars).

178

Se observa que son I(1) las primeras diferencias de prod, e, rw y la serie original U.

A continuacin con la funcin VARselect buscan el modelo VAR ptimo partiendo de un

nmero mximo de 8 desfases. La funcin utiliza los criterios de informacin AIC, HQ, SC y
FPE15..
> VARselect(Canada, lag.max = 8, type = "both")
$selection
AIC(n) HQ(n)
3
2

SC(n) FPE(n)
1
3

$criteria
1
2
3
AIC(n) -6.272579064 -6.636669705 -6.771176872
HQ(n) -5.978429449 -6.146420347 -6.084827770
SC(n) -5.536558009 -5.409967947 -5.053794411
FPE(n) 0.001889842 0.001319462 0.001166019
5
6
7
AIC(n) -6.398132246 -6.307704843 -6.070727259
HQ(n) -5.319583658 -5.033056512 -4.599979185
SC(n) -3.699388378 -3.118280272 -2.390621985
FPE(n) 0.001782055 0.002044202 0.002768551

4
-6.634609210
-5.752160366
-4.426546046
0.001363175
8
-6.06159685
-4.39474903
-1.89081087
0.00306012

De acuerdo con el AIC y FPE el numero optimo de retardos es 3, el criterio HQ sera 2 y segn
el SC sera 1. La estimacin en R de un VAR con p = 1 , se realiza con la siguente sentencia:
> Canada <- Canada[, c("prod", "e", "U", "rw")]
> p1ct <- VAR(Canada, p = 1, type = "both")
> p1ct
VAR Estimation Results:
=======================
Estimated coefficients for equation prod:
=========================================
Call:
prod = prod.l1 + e.l1 + U.l1 + rw.l1 + const + trend
prod.l1
0.96313671
trend
0.04613085

e.l1
0.01291155

U.l1
rw.l1
const
0.21108918 -0.03909399 16.24340747

Estimated coefficients for equation e:

======================================
Call:
e = prod.l1 + e.l1 + U.l1 + rw.l1 + const + trend
prod.l1
0.19465028
const
-278.76121138

e.l1
1.23892283
trend
-0.04066045

U.l1
0.62301475

rw.l1
-0.06776277

15

T + n*

FPE (n) = ft
*
T

T
1
'
*

Siendo = T u t u t , n el nmero de parmetros en cada ecuacin y n el orden de los retardos.

t 1

179

Estimated coefficients for equation U:

======================================
Call:
U = prod.l1 + e.l1 + U.l1 + rw.l1 + const + trend
prod.l1
-0.12319201
const
259.98200967

e.l1
-0.24844234
trend
0.03451663

U.l1
0.39158002

rw.l1
0.06580819

Estimated coefficients for equation rw:

=======================================
Call:
rw = prod.l1 + e.l1 + U.l1 + rw.l1 + const + trend
prod.l1
-0.22308744
const
163.02453066

e.l1
-0.05104397
trend
0.07142229

U.l1
-0.36863956

rw.l1
0.94890946

El resultado grfico para el logaritmo del empleo se obtiene:

> plot(p1ct, names = "e")

Figura 5.2. Estimacin y residuos del modelo VAR para el empleo de Canada.

180

5.5.

PROBLEMAS

5.1. Comente las diferencias existentes entre los tres mtodos de prediccin econmica que se
han visto hasta el momento: modelos de ecuaciones simultneas, modelos univariantes de series
temporales y modelos VAR.

5.2. En qu sentido es aterico un modelo VAR?

5.3. Suponga que se ha estimado el siguiente modelo VAR de orden 3:

y1t 0.3 0.1 0.2 y1t 1 1t

y 2t = 0.5 0.3 0.05 y 2t 1 + 2t
y 0.4 0.1 0.3 y
3t
3t 1 3t

Calcule y represente grficamente la funcin de respuesta al impulso cuando se produce

un shock de 7 unidades en 2t .
5.4. Realice predicciones 3 periodos hacia delante con el siguiente VAR de orden 2:

y1t = 0.5 y1t 1 + 0.1 y2t 1 + 1t

y2t = 0.3 y1t 1 + 0.5 y2t 2 + 2t
Para ello, utilice la siguiente informacin muestral:

Periodo

y1

y2

181

SOLUCIONES

5.1. A realizar por el lector

5.2. A realizar por el lector
5.3. Los primeros valores de la funcin de respuesta al impulso se presentan en la siguiente
tabla:

Periodo

y1

y2

y3

0.7

2.1

0.7

0.56

1.02

0.7

0.41

0.62

0.54

0.29

0.42

0.39

0.21

0.29

0.27

5.4.

Prev.

y1t

T+1

4.6 1.9

T+2

2.5 4.4

T+3

1.7 1.7

182

y2t

6.

REGRESIN EN EL DOMINIO DE LA FRECUENCIA

6.1.

INTRODUCCIN

Nerlove (1964) y Granger (1969) fueron los primeros investigadores en aplicar el Anlisis
espectral a las series de tiempo en economa. El uso del anlisis espectral requiere un cambio en
el modo de ver las series econmicas, al pasar de la perspectiva del tiempo al dominio de la
frecuencia. El anlisis espectral parte de la suposicin de que cualquier serie X t , puede ser
transformada en ciclos formados con senos u csenos:
n

ft
ft

xt = + a j cos 2 + b j seno 2
n
n

j =1

(6.1)

donde es la media de la serie, a j y b j son su amplitud, f son las frecuencias que del
conjunto de las n observaciones, t es un ndice de tiempo que va de 1 a N , siendo N el
numero de periodos para los cuales tenemos observaciones en el conjunto de datos, el cociente

ft
convierte cada valor de t en escala de tiempo en proporciones de 2n y rango j desde 1
n
hasta n siendo n =

N
(es decir, 0,5 ciclos por intervalo de tiempo). Las dinmica de las altas
2

frecuencias (los valores ms altos de f ) corresponden a los ciclos cortos en tanto que la
dinmica de la bajas frecuencias (pequeos valores de f ) van a corresponder con los ciclos
largos. Si nosotros hacemos que

f
= la ecuacin (6.1) quedara, as:
n

xt = + a j cos( j t ) + b j seno( j t )
n

j =1

(6.2)

El anlisis espectral puede utilizarse para identificar y cuantificar en procesos aparentemente a

aperiodicos, sucesiones de ciclos de periodo de corto y largo plazo. Una serie dada xt puede
contener diversos ciclos de diferentes frecuencias y amplitudes, y esa combinacin de
frecuencias y amplitudes de carcter cclico la hace aparecer como una serie no peridica e
irregular. De hecho la ecuacin (2), muestra que cada observacin t de una serie de tiempo, es

183

el resultado sumar los valores en t que resultan de N ciclos de diferente longitud y amplitud, a
los que habra que aadir si cabe un termino de error.
Realizar un anlisis de Fourier a una serie temporal de n datos, equivale a estudiar la
variabilidad de dicha serie en base a los ciclos de diferentes frecuencias a que da lugar:

2 4
2 p
,
,..., . La frecuencia p =
recibe el nombre de armnico , p . Y los
n n
n
armnicos p

n
, pueden expresarse de la siguiente forma:
2

a p cos( p ) + b p seno( p ) = R p cos( p t + p )

donde R p =

bp
a p + b p y p = tan 1
a
p

La representacin grfica de I ( ) =

nR p2
4

frente recibe el nombre de periodograma de las

serie de datos. Una tendencia produce un pico en la representacin grfico del periodograma en
la frecuencia cero, mientras que las variaciones estacionales procuren "picos" en las frecuencias
estacionales y sus mltiplos enteros, de manera que si un peridograma presenta un "pico" en
alguna frecuencia , presentar tambin "picos" en las frecuencias 2 ,3 ,...

6.2.

REGRESIN BAND SPECTRUM

Hannan (1963) fue quien propuso la regresin en dominio de la frecuencia (regresin band
spectrum). Engle (1974), demostr que dicha regresin no alteraba los supuestos bsicos de la
regresin clsica, cuyos estimadores eran Estimadores Lineales Insesgados y ptimos (ELIO).
En Engel (1974) el periodograma de la explicativa , x , es definido como:
2
fx ( k ) = wk x

siendo wk el vector fila:

wk = 1, e i k , e 2i k ,..., e (T 1)i k

184

donde k = 2k

; y t=0;1;;T-1;

wk x
T

sera el elemento k-simo de la transformada finita

de Fourier del vector columna de xt .

El cross-periodograma entre las series xt e yt

fxy ( k ) = (wk x ) (wk y )

donde * es la compleja conjugada de la transpuesta.

El periodograma es un estimador insesgado del espectro, sin embargo es asintticamente

insesgado e inconsistente con la varianza de cada estimador espectral a medida que la muestra
tiende a infinito. Esta inconsistencia que obligara al uso de ventanas en el periodograma con el
fin de obtener estimaciones del espectro, no anula las propiedades de la regresin realizada con
el periodograma.

Haciendo

w0

w1
W = w2

.
w
t 1
Se cumple que WW ' = I = W 'W debido a las ortogonalidad de los productos de senos y
csenos.
Y obteniendo el vector ~
x como la transformada de Fourier de x en T periodos, podemos
transformar el modelo de regresin mltiple:

y = x + u

(6.3)

En

~
y=~
x + u~
Se trata de una regresin con variables aleatorias complejas pero que no afecta a los supuestos
bsicos del modelo de regresin clsico. Las propiedades del error u~ :

var(u~ ) = E (u~u~ ' ) = E (Wuu 'W ' ) = WE (uu ' )W ' = u2WW '

185

Si = I , entonces var(u~ ) = u2 I .

Asumiendo que x es independiente de u , el teorema de Gauss-Markov implicara que

= (~x ' ~x )1 ~x ' ~y

es un estimador ELIO con la siguiente matriz de varianza y covarianzas: var( ) = u2 ( ~
x'~
x ) 1

El estimador mnimo-cuadrtico en trminos del periodograma se formulara:

T 1

k =0

= fxx ( k )
donde

1 T 1

f ( )
k =0

xy

fxx ( k ) es la matriz de cross-periodogramas de cada frecuencia e fxy ( k ) es el vector del

cross-periodograma de

xt e y t .

La transformacin de los datos originales del dominio del tiempo al dominio de la frecuencia
utilizando series finitas de senos y csenos en la regresin band spectrium, se realiza a travs de
la matriz ortogonal A, con el elemento (j,t)th (Harvey, 1978) :

a j ,t

2
1

j = 1

T
1

2 2
j (t 1)
T cos T j = 2,4,6,..., (T 2) /(T 1)

= 1
2 2
( j 1)(t 1)
sin
j = 3,5,7,..., (T 1) / T
T

T
1

1 2
t +1

(1) j = T
T

(6.4)

De esta forma los problemas derivados del uso de la transformada compleja de Fourier pueden
ser eludidos. Asimismo afirma que el vector de residuos definido en (6.3) da lugar a un vector
de residuos del modelo transformado a travs de A:

v = A( y X ) = Au
de forma que :

186

2
2
p j = v2 j + v2 j +1 , j = 1,..., 2 1 si T par

p = v 2 + v 2 , j = 1,..., T 1 si T impar
2j
2 j +1
pj = j
2

T
p j = 2v22 j , j = y T impar

p o = 2v12
Puede ser utilizado de forma consistente como estimador del periodograma de u .Al ser un
estimador MCO de , puede utilizarse el test del periodograma acumulado de Durbin (Durbin,
1969) (ver anexo I).

Hui T and Ashley R (1999), sealan que el procedimiento de elaboracin del crossperiodograma consta de tres etapas:

1.- Transformar los datos originales del dominio del tiempo al dominio de la frecuencia
utilizando series finitas de senos y csenos. Implicara premultiplicar los datos originales por
una matriz ortogonal, A, sugerida por Harvey (1978).
2.- Permitir la variacin de k a travs de m bandas de frecuencia usando variables Dummy

( D1j ...D mj ) . Estas variables se elaboran a partir de submuestras de las T observaciones del
dominio de frecuencias, de esta forma D sj = ~
x jk si la observacin j est en la banda de
frecuencias s y D sj = 0 , en el resto de los casos. Para obtener las submuestras proponen el
stabilogram test (Ashley, 1984).

3.- Re-estimar el resultado del modelo de regresin en el dominio del tiempo con las
estimaciones

1 ... k y los coeficientes de las m variables Dummy. Implicara premultiplicar la

ecuacin de regresin ampliada por las variables Dummy por la transpuesta de A.

Ejemplo 6.1

En la tabla siguiente se recogen las cifras de Consumo de energa final elctrica (TEP) y del PIB
en Millones de euros de Espaa en el periodo 1992 y 2007.

187

Consumo de Energa Final Elctrica (TEP)

PIB (Mill euros ao 2000)

1992

11244

484580,9

1993

11237

479583,3

1994

11777

491011,6

1995

12116

515405

1996

12655

527862,4

1997

13672

548283,8

1998

14202

572782

1999

15241

599965,8

2000

16205

630263

2001

17279

653255

2002

17759

670920,4

2003

18916

691694,7

2004

19834

714291,2

2005

20827

740108

2006

22052

769850,2

2007

22548

797366,8

2008

22817

804223,1

Fuente: INE

La regresin Mnimo Cuadrtica en el dominio del tiempo de ambas series ofrece los siguientes
resultados:

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,99827044
Coeficiente de determinacin R^2 0,99654387
R^2 ajustado
0,99629701
Error tpico
244,666006
Observaciones
16

Intercepcin
Variable X 1

Coeficientes

Error tpico

Estadstico t

-6648,76729

374,426101

-17,7572217

0,03679065

0,00057906

63,53565298

La transformacin de los datos del dominio del tiempo al dominio de la frecuencia se realiza
premultiplicando los datos originales por la matriz ortogonal A definida en (6.4).

188

aj,t

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,250

0,354

0,327

0,250

0,135

0,000

-0,135

-0,250

-0,327

-0,354

-0,327

-0,250

-0,135

0,000

0,135

0,250

0,327

0,000

0,135

0,250

0,327

0,354

0,327

0,250

0,135

0,000

-0,135

-0,250

-0,327

-0,354

-0,327

-0,250

-0,135

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,000

0,250

0,354

0,250

0,000

-0,250

-0,354

-0,250

0,354

0,135

-0,250

-0,327

0,000

0,327

0,250

-0,135

-0,354

-0,135

0,250

0,327

0,000

-0,327

-0,250

0,135

0,000

0,327

0,250

-0,135

-0,354

-0,135

0,250

0,327

0,000

-0,327

-0,250

0,135

0,354

0,135

-0,250

-0,327

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

0,000

0,354

0,000

-0,354

10

0,354

-0,135

-0,250

0,327

0,000

-0,327

0,250

0,135

-0,354

0,135

0,250

-0,327

0,000

0,327

-0,250

-0,135

11

0,000

0,327

-0,250

-0,135

0,354

-0,135

-0,250

0,327

0,000

-0,327

0,250

0,135

-0,354

0,135

0,250

-0,327

12

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

13

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

0,000

0,250

-0,354

0,250

0,000

-0,250

0,354

-0,250

14

0,354

-0,327

0,250

-0,135

0,000

0,135

-0,250

0,327

-0,354

0,327

-0,250

0,135

0,000

-0,135

0,250

-0,327

15

0,000

0,135

-0,250

0,327

-0,354

0,327

-0,250

0,135

0,000

-0,135

0,250

-0,327

0,354

-0,327

0,250

-0,135

16

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

0,250

-0,250

i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

10

11

12

Constante

Y ajustado
dominio de la
frecuencia

67284
-1713
-12669
-2162
-5702
-2397
-3077
-2053
-2023
-2129
-1083
-2069
-924
-2306
-557
-1366

2551717
-56628
-334387
-52088
-160516
-70960
-89304
-64772
-60838
-62400
-38099
-57905
-26001
-55621
-11901
-38885

4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

67284
-2083
-12302
-1916
-5905
-2611
-3286
-2383
-2238
-2296
-1402
-2130
-957
-2046
-438
-1431

La regresin MCO con los datos en el dominio de la frecuencia es:

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,99991214
Coeficiente de determinacin R^2 0,99982429
R^2 ajustado
0,92838317
Error tpico
244,666006
Observaciones
16

189

13

14

15

16

Intercepcin
X
Cte

Coeficientes

Error tpico

Estadstico t

0
0,03679065
-6648,76729

#N/A
0,00057906
374,426101

#N/A
63,53565298
-17,7572217

Se crea ahora una variable Dummy para separar altas frecuencias de las bajas frecuencias. Las
variables transformadas al dominio de la frecuencia y las Dummys utilizadas (D1 y D2)
aparecen en la Tabla siguiente:

D1

D2

Y ajustado
dominio
frecuencia

Cte
1

67,284
-1,713
-12,669
-2,162
-5,702
-2,397
-3,077
-2,053
-2,023
-2,129
-1,083
-2,069
-924
-2,306
-557
-1,366

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

2,551,717
-56,628
-334,387
-52,088
-160,516
-70,960
-89,304
0
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
-64,772
-60,838
-62,400
-38,099
-57,905
-26,001
-55,621
-11,901
-38,885

4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

67.284
-2.101
-12.405
-1.932
-5.955
-2.632
-3.313
-2.242
-2.105
-2.159
-1.318
-2.004
-900
-1.925
-412
-1.346

Los resultados de la regresin MCO de los valores transformados en el dominio de la

frecuencia son:

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,99992471
Coeficiente de determinacin R^2 0,99984942
R^2 ajustado
0,92290317
Error tpico
235,050452
Observaciones
16

Intercepcin
D1
D2
Cte

Coeficientes

Error tpico

Estadstico t

0
0,03709794
0,0346064
-6844,79449

#N/A
0,000594141
0,001584053
383,5483218

#N/A
62,4395755
21,8467372
-17,8459769

190

La representacin grfica de los resultados obtenidos, requiere transformar los datos ajustados
en el dominio de la frecuencia a datos ajustados en el dominio utilizando la transpuesta de A.

Figura n6.1. Datos centrados y datos ajustados en el dominio del tiempo.

6.3.

REGRESIN EN EL DOMINIO DE LA FRECUENCIA

CON PARAMETROS DEPENDIENTES DEL TIEMPO.

El objetivo es estimar un modelo de tipo

Yt = t X t + u t
Donde X t es un vector de T x 1 observaciones de la variable independiente,
de T x 1 parmetros , e

(6.5)

t , es un vector

Yt es un vector de T x 1 observaciones de la variable independiente y

ut es un vector de T x 1 errores de media cero y varianza constante, asumiendo que las series
X t , t e Yt son transformadas en series de Fourier:

191

Yt = y + a jy cos( j ) + b jy sin ( j )
N

j =1

t = + [a j cos( j ) + b j sin ( j )]
N

j =1

u t = u + a uj cos( j ) + b uj sin ( j )
N

j =1

(6.6)

T
Pre-multiplicado cada observacin de (6.6) por W se obtiene:

Y& = X&&

(6.7)

donde Y& = AT Yt , X& = AT X t , y & = AT t .

El sistema (6.7) puede reescribirse como:

Y& = AX t I N AT & + AI N AT u&

(6.8)

e& = AI N AT u& , se buscara una solucin que minimizara la suma cuadrtica

de los errores: et = Ae& .
Si denominamos,

Una vez encontrada la solucin a dicha optimizacin se transformaran las variables y

parmetros al dominio del tiempo para obtener el sistema (6.5).
Para obtener una solucin a la minimizacin de los errores e& que ofrezca el mismo resultado
que la regresin lineal por mnimos cuadrados ordinarios, requiere utilizar una matriz de
regresores X cuya primera columna sera el vector de tamao T (1,0,0,...), la segunda columna
sera la primera fila de la matriz AX t I N AT y las columnas, corresponderan las filas de

AX t I N AT correspondientes a las frecuencias de senos o csenos que queremos regresar.

Denominando a nueva esta matriz de tamao N p , X , donde p = 2 + j , siendo la j
frecuencias de seno y coseno elegidas como explicativas, los coeficientes de la solucin MCO
seran:

& = ( X ' X )1 X ' y&

donde &o ,1 sera el parmetro asociado a la constante, &1,1 el asociado a la pendiente, y &1, j los
asociados a las frecuencias de senos y csenos elegidas.

192

Ejemplo 1.2

Utilizando los datos del ejemplo 1 vamos a plantear la regresin en el dominio de la frecuencia
X
con parmetros dependientes del tiempo. Para ello se ha obtenido la matriz jjX
= AX t I N AT :

jjX

10

11

12

13

14

15

16

637929

-14157

-83597

-13022

-40129

-17740

-22326

-16193

-15209

-15600

-9525

-14476

-6500

-13905

-2975

-9721

-14157

628721

-28375

-22555

-74899

-20658

-39130

-23575

-22522

-21686

-15351

-20863

-8839

-19958

-4596

-13905

-83597

-28375

647137

43325

2534

17621

2242

9052

-1513

6158

-1214

4631

-1198

4596

-515

2975

-13022

-22555

43325

626479

-10755

-21041

-65847

-19444

-32972

-22377

-17891

-21171

-10755

-20863

-4631

-14476

-40129

-74899

2534

-10755

649379

52377

1020

23779

1028

13683

-2712

10755

-1729

8839

-1198

6500

-17740

-20658

17621

-21041

52377

627693

-4596

-19843

-61216

-18929

-28375

-22377

-13683

-21686

-6158

-15600

-22326

-39130

2242

-65847

1020

-4596

648165

57008

-178

28375

513

17891

-2712

15351

-1214

9525

-16193

-23575

9052

-19444

23779

-19843

57008

628208

-19843

-57008

-19444

-23779

-23575

-9052

-16193

-15209

-22522

-1513

-32972

1028

-61216

-178

647650

61216

-178

32972

1028

22522

-1513

15209

10

-15600

-21686

6158

-22377

13683

-18929

28375

-19843

61216

627693

4596

-21041

-52377

-20658

-17621

-17740

11

-9525

-15351

-1214

-17891

-2712

-28375

513

-57008

-178

4596

648165

65847

1020

39130

2242

22326

12

-14476

-20863

4631

-21171

10755

-22377

17891

-19444

32972

-21041

65847

626479

10755

-22555

-43325

-13022

13

-6500

-8839

-1198

-10755

-1729

-13683

-2712

-23779

1028

-52377

1020

10755

649379

74899

2534

40129

14

-13905

-19958

4596

-20863

8839

-21686

15351

-23575

22522

-20658

39130

-22555

74899

628721

28375

-14157

15

-2975

-4596

-515

-4631

-1198

-6158

-1214

-9052

-1513

-17621

2242

-43325

2534

28375

647137

83597

16

-9721

-13905

2975

-14476

6500

-15600

9525

-16193

15209

-17740

22326

-13022

40129

-14157

83597

637929

La matriz de regresores X ' para obtener la solucin lineal sera:

1

637929

-14157

-83597

-13022

-40129

-17740

-22326

-16193

-15209

-15600

-9525

-14476

-6500

-13905

-2975

-9721

El sistema (6.7) dara lugar a los siguientes coeficientes:

&o ,1
&

1,1

-26595,06915
0,147162612

El desarrollo de dichos coeficientes en el dominio de la frecuencia y el tiempo es el siguiente:

193

&

oi
-26595,0691
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

0t = A&oi

&1i

1t = A&1i

-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729
-6648,76729

0,14716261
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065
0,03679065

La matriz de regresores X ' considerando los dos ciclos de bajas frecuencias sera:
1

637929

-14157

-83597

-13022

-40129

-17740

-22326

-16193

-15209

-15600

-9525

-14476

-6500

-13905

-2975

-9721

-14157

628721

-28375

-22555

-74899

-20658

-39130

-23575

-22522

-21686

-15351

-20863

-8839

-19958

-4596

-13905

-83597

-28375

647137

43325

2534

17621

2242

9052

-1513

6158

-1214

4631

-1198

4596

-515

2975

-13022

-22555

43325

626479

-10755

-21041

-65847

-19444

-32972

-22377

-17891

-21171

-10755

-20863

-4631

-14476

-40129

-74899

2534

-10755

649379

52377

1020

23779

1028

13683

-2712

10755

-1729

8839

-1198

6500

Los coeficientes de la solucin mnimo cuadrtica quedaran:

&o ,1

-20721,14907

&

1,1

0,137708056

&

1, 2

0,000254003

&

-0,001743429

&

-0,00046199

&

-0,000230558

1, 3
1, 4

1, 5

En la tabla siguiente se recogen los resultados en trminos de dominio de frecuencia y de tiempo

194

Y&

j/t

Yt

0 ,i

0 ,t

1,i

1,t

e&

et

67284

11295

-20721

-5180,29

0,137708056

0,03435348

0,00

-58,07

-1713

11564

-5180,29

0,000254003

0,03410096

0,17

213,32

-12668

12330

-5180,29

-0,00174343

0,03397314

1,49

-213,64

-2161

12741

-5180,29

-0,00046199

0,03394976

0,10

-85,52

-5694

13447

-5180,29

0,03397396

7,44

224,92

-2481

14292

-5180,29

0,03399631

-84,41

-90,19

-3058

15224

-5180,29

0,03400917

19,25

16,95

-2248

16280

-5180,29

0,0340503

-195,44

-75,36

-2083

17144

-5180,29

0,03417387

-59,87

135,03

10

-2157

17904

-5180,29

0,03440679

-28,32

-144,93

11

-1305

18834

-5180,29

0,03471786

-221,29

82,13

12

-2000

19834

-5180,29

0,03501998

69,51

-0,18

13

-890

20877

-5180,29

0,03520675

33,88

-49,51

14

-1920

21922

-5180,29

0,03520399

385,65

130,49

15

-408

22734

-5180,29

0,03500789

149,04

-185,84

16

-1342

22717

-5180,29

0,03468801

24,01

100,39

Con objeto de comprobar los resultados de la estimacin, se calcula el periodograma de

et = XX A' e& y su representacin grfica figura a continuacin:

&&

Frecuencia

Periodo

16

ap

bp
0,17

Periodograma

sj

c0+j/m

-c0+j/m

1,49

2,849786802

0,0000081

0,5583700

-0,3083700

0,10

7,44

70,54491094

0,0002080

0,6833700

-0,1833700

-84,41

19,25

9544,292064

0,0272526

0,8083700

-0,0583700

-195,44

-59,87

53196,21836

0,1779889

0,9333700

0,0666300

-28,32

-221,29

63368,80313

0,3575501

1,0583700

0,1916300

69,51

33,88

7612,459849

0,3791207

1,1833700

0,3166300

385,65

149,04

217645,6808

0,9958394

1,3083700

0,4416300

24,01

0,00

1468,320911

1,0000000

1,4333700

0,5666300

Figura 6.2 Periodograma de et

195

Figura 6.3.- Periodograma acumulado de et y bandas del test de Durbin.

Finalmente se representan las estimaciones del Consumo de consumo de energa final elctrica,
en MCO y en el dominio de la frecuencia con coeficientes dependientes del tiempo:

Figura n5. Estimaciones del Consumo de consumo de energa final elctrica.

196

6.4.

DESESTACIONALIZACIN

TRAVS

DE

LA

REGRESIN DEPENDIENTE DE LA FRECUENCIA

La regresin en el dominio de la frecuencia puede utilizarse para descomponer unas serie
temporal en sus componentes de tendencia, estacionalidad e irregular, de una serie temporal y t
de frecuencia b , o con b datos por intervalo de tiempo. Por ejemplo, una serie de frecuencia 7
sera una serie de datos diarios, y el intervalo temporal la semana, las frecuencias 4 y 12
indicaran series trimestrales y mensuales, en el periodo de tiempo de un ao equivales.

Si la observacin se toma a intervalos de tiempo t , entonces la frecuencia angular es =

La frecuencia equivalente expresada en ciclos por unidad de tiempo es f =
Cuando solo hay una observacin por ao, = radianes por ao o f =

1
= t .
2 2

1
ciclos por ao (un
2

ciclo por cada dos aos), variaciones con una oscilacin de un ao tienen una frecuencia de

= 2 radianes por ao o f = 1 ciclos por ao.

Por ejemplo en una serie mensual de n = 100 datos, el ciclo estacional o las oscilaciones que
ocurren al cabo del ao, tienen una frecuencia de f =

100
= 8,33 ciclos por cada 100 datos.
12

Una serie mensual que completa 8 ciclos, al ser su menor frecuencia estacional 1 ciclo por ao,
tendr un total de 96 observaciones (8 ciclos), y los mltiplos enteros que tambin destacaran en
su periodograma correspondern a las frecuencias f =

n 2n 3n
, , ,... ; las oscilaciones de
12 12 12

tendencia o de baja frecuencia, las que ocurren con un ciclo inferior al ao correspondern a las
frecuencias f <

n
.
12

Puede utilizarse (6.8) para estimar los coeficientes de Fourier de la serie temporal y t :

Y& = AI n AT & + AI N AT u&

(6.9)

Y& = AtI n AT & + AI N AT u&

(6.10)

En (6.9)

197

0
T
W = At I n A = 0

.
0

0
1
0
.
0

0
0
1
.
0

...
...
...
...
...

0
0

.
1

Si queremos regresar sobre los cuatro primeros coeficientes, entonces:

0
0

W * = At I n AT = 0
0

0
Las

0
1
0
0
0
.
0

0
0
1
0
0
.
0

0
0
0
1
0
.
0

0
0
0
0
0
.
0

...
...
...
...
...
...
...

0
0

0
0
.

2n
1 primeras filas de la matriz A son utilizadas para estimar los coeficientes de Fourier
12

que corresponden a los ciclos de bajas frecuencias, los ciclos de tendencia, y las filas

2n
y
12

2n
+ 1 permiten regresar sobre los coeficientes de Fourier que dan lugar a oscilaciones de un
12
ciclo en cada ao, los mltiplos enteros de dicha frecuencia

6n 6n
8n
y
+ 1 , el
...deben de ser
12 12
12

utilizados para obtener la frecuencia estacional.

Ejemplo 1.2

Se realiza un ejercicio de descomponer en tendencia, estacionalidad e irregularidad por

regresin en dominio de frecuencia con coeficientes dependientes del tiempo el IPI base 2009
de Cantabria en R. Este procedimiento requiere cargar la librera descomponer.
> library (descomponer)

El ndice de precios industriales de Cantabria se representa en la figura siguiente.

>data(ipi)

198

La funcin descomponer, requiere indicar la serie, la frecuencia de la serie temporal, el tipo de

ajustes , 1, si se quiere realizar un ajuste utilizando (6.9) o 2 si se desea realizar un ajuste
utilizando (6.10), y el numero de datos a proyectar.

La serie de tendencia y estacionalidad se denomina TDST y se obtiene realizando un regresin

en el dominio de la frecuencia, entre la serie y t y el ndice temporal t ,en el que se filtran las
bajas frecuencias y las frecuencias estaciones y sus mltiplos absolutos. TD se calcula
realizando una regresin en el dominio de la frecuencia entre la serie y t y el ndice temporal t
pero dejando pasar solo las bajas frecuencias. La serie estacional ST es TD menos TDST, y la
serie irregular IR resulta de restar TDST de y t (figure 8). El ndice temporal t se obtiene a
travs de un MCO entre el IPI y la lnea de tendencia (1,2,3,...., n )' .
>desc1 <- descomponer(ipi,12,1)
> summary(desc1$datos)
y
TDST
Min.
: 58.6
Min.
: 66.32
1st Qu.: 94.5
1st Qu.: 95.54
Median :101.7
Median :103.01
Mean
:101.8
Mean
:101.77
3rd Qu.:110.0
3rd Qu.:109.24
Max.
:129.7
Max.
:124.73
IR
Min.
:-13.06011
1st Qu.: -3.03401
Median : -0.05061
Mean
: 0.00030
3rd Qu.: 2.64917
Max.
: 13.55541

TD
Min.
: 91.09
1st Qu.: 97.05
Median :100.21
Mean
:101.77
3rd Qu.:105.60
Max.
:115.87

ST
Min.
:-25.881690
1st Qu.: -1.387620
Median : 2.212479
Mean
: 0.002389
3rd Qu.: 7.265860
Max.
: 9.078986

La representacin grfica se realize con la funcin gdescomponer, que requiere adems

indicar el ao y el mes trimestre de inicio de la serie.

>gdescomponer(ipi,12,1,2002,1)

199

Para realizar una representacin grfica del periodograma de los residuos se invoca la funcin
gperiodograma.
> gperiodograma(desc1$datos$IR)

200

Para realizar un test sobre la aleatoriedad de la serie irregular (IR) basado en el periodograma
acumulados puede utilizarse la funcin cpgram.

> cpgram(ts(desc1$datos$IR,frequency=12))

201

6.1.

PROBLEMAS

6.1 Partiendo de los siguentes datos

y
1
2
3
4
5
6

x
15,25
12,65
16,55
20,45
22,05
14,85

12
7
15
23
25
11

Se pide:

a) Transformar x e y en el dominio de la frecuencia.

b) Realizar una regresin band-spectrum de y frente a x
c) Realizar una regresin band-spectrum utilizando dummies para las frecuencias
altas (i=3) y las frecuencias bajas.

6.2 Utilizando los datos de la tabla anterior hacer una regresin en el dominio de la frecuencia
con parmetros dependientes del tiempo, dejando pasar la frecuencia correspondiente al primer
coseno.

6.3.- Estimar un modelo lineal en el dominio de la frecuencia con parmetros dependientes del
tiempo del tipo y& = &0 + &1 x& + &&z& + e& t . Siendo z:
t

z
1
2
3
4
5
6

5
2
2
4
1
1

6.4.- Descomponer utilizando la funcin R descomponer la serie co2.

202

SOLUCIONES

6.1
a)
i
1
2
3
4
5
6

y
41,559676
-6,20651539
-3,85
1,52997821
1,65
2,40866491

x
37,96709101
-12,70170592
-7
3,464101615
3
4,490731195

b)

y& = 9,1489 + 0,5044 x& + e& t

c)

y& = 9,1712 + 0,5029 D1 + 0,5117 D 2 + e& t

6.2.

0 ,i
21,322274
0
0
0
0
0

0 ,t

1,i

1,t

8,70478192 1,31850568
0,560483
8,70478192 0,03846073 0,54938035
8,70478192
0 0,52717504
8,70478192
0 0,51607238
8,70478192
0 0,52717504
8,70478192
0 0,54938035

6.3.

y& = 24,782 + 1,235 x& 2,123 z& + e& t

6.4. A realizar por el alumno

203

7.

FILTROS LINEALES

7.1.

INTRODUCCIN

Un filtro lineal se define como:

a( L) =

a L

j =

donde los ponderadores son nmeros reales, i. e. a j ; no dependen del tiempo y satisfacen

j =

2
j

< . Aplicando el filtro lineal a ( L) a un proceso estocstico estacionario, xt , da como

resultado un nuevo proceso estocstico:

y t = a ( L ) xt =

j =

xt j

(7.1)

donde las propiedades de xt se transmiten a y t por medio del filtro lineal a ( L) . Para
examinar el efecto que tiene un filtro lineal hay que analizarlo en el dominio de la frecuencia.
Utilizando la transformada de Fourier, se obtiene el espectro del filtro lineal aplicado a xt :
2

S y ( ) = a (e i ) S x ( )

( ) a e

donde: a e i =

j =

i j

es conocido como la respuesta de frecuencia del filtro lineal o funcin de transferencia. Esta
funcin describe como el espectro de la serie xt es afectado por la aplicacin del filtro a ( L) .
Dado que la respuesta de frecuencia puede resultar en valores complejos resulta conveniente
expresarla como:

( )

a e i = G ( )e iF ( )

a j sin(j )
j =
, son respectivamente el mdulo
Donde G ( ) = a (e i ) , y F ( ) = tan 1

a j cos(j )
j =

y el argumento de la respuesta de frecuencia.

204

En este contexto el mdulo, G ( ) , es conocido como la ganancia del filtro; el cual determina la
medida en la que la amplitud de los movimientos observados en cierta frecuencia en el espectro
de xt son transferidos al espectro de y t . Por ejemplo una ganancia de cero alrededor de la
frecuencia 1 [0, ]1 significa que el proceso filtrado no mostrar movimientos alrededor de
dicha frecuencia.
Por su parte el argumento, F ( ) , es conocido como el desplazamiento de fase del filtro, el
cual esta asociado a desplazamientos de la serie en el dominio del tiempo16. Es importante notar
que cuando a j = a j para toda j , es decir cuando se trata de un filtro simtrico; el
desplazamiento de fase del filtro es igual a cero 17, i. e F ( ) = 0 .

7.2.

FILTROS ELEMENTALES

Los filtros ms utilizados en el anlisis de series temporales son las tasas de variacin y las
medias mviles.

Las tasas de variacin son operadores lineales invariantes en el tiempo pero no lineales. Dado
que la teora elemental de los filtros se refiere a operadores lineales invariantes, hay que
aproximar las tasas a operadores de diferencia. As la primera diferencia de un logaritmo es una
buena aproximacin de una tasa de variacin mensual.

Sea T =

( xt xt 1 )

xt

, utilizando operadores de diferencia obtenemos el filtro lineal

invariante ms elemental:

a( L) Ln( xt ) = (1 L) Ln( xt )

16

A veces el desplazamiento de fase se expresa como

F ( )

, lo cual permite expresar el desfase en

unidades de tiempo.
17

Para entender esta propiedad de los filtros lineales, se utilizan los siguientes resultados trigonomtricos:

sin( ) + sin( ) = 0
sin(0) = 0

Esto implica que cuando h j = h j , el producto en

implica que

j =

F ( ) = 0 dado que tan 1 (0) = 0 .

205

sin(j ) (1) es igual a cero, lo cual a su vez

Las aproximaciones lineales de las tasas ms utilizadas y los filtros lineales equivalentes
aparecen en el tabla 7.1.

Una media mvil simple es la media aritmtica de los n datos anteriores Mientras ms grande
sea n, mayor ser la influencia de los datos antiguos.

Las medias mviles centradas se caracterizan porque el nmero de observaciones que entran
en su clculo es impar, asignndose cada media mvil a la observacin central. As, una media
mvil centrada en t de longitud 2n + 1 viene dada por la siguiente expresin:

MM (2n + 1) t =

n
x + xt n +1 + ... + xt + ... + xt + n1 + xt + n
1
xt + i = t n

2n + 1 i = n
2n + 1

Como puede observarse, el subndice asignado a la media mvil, t, es el mismo que el de la

observacin central, Yt. Obsrvese tambin que, por construccin, no se pueden calcular las
medias mviles correspondientes a las n primeras y a las n ltimas observaciones.

En las medias mviles asimtricas se asigna cada media mvil al perodo correspondiente a la
observacin ms adelantada de todas las que intervienen en su clculo. As la media mvil
asimtrica de n puntos asociada a la observacin t tendr la siguiente expresin:

MMA(n) t =

x
+ xt n + 2 + ... + xt 1 + xt
1 t
Yt +i = t n+1

n i =t n +1
n

Los filtros lineales asociados a las medias mviles se denotan de la siguiente forma:

a ( L ) xt =

1 n j
L xt
n j =0

206

Expresin

Filtro lineal Equivalente

12
xt

T
1 100

xt 1

(1 L)

2
xt

T
1 100
x
t 6

(1 L6 )

x
1 100
T t

x
t 12

(1 L12 )

1
1

1
6

1
12

12
z t

T
1 100
z
t 1

3
1

4
z
1 100
T t

z t 1

3
3

zt =

(xt + xt 1 + xt 2 )

zt =

(xt + xt 1 + xt 2 )

12
z
1 100
T t

z t 1

zt =

12
z
1 100
T t

z t 1

zt =

12
z
1 100
T t

z t 12

zt =

6
1

12
1

12
12

(1 L)(1 + L + L2 ) = (1 L3 )
(1 L3 )(1 + L + L2 ) = (1 L)(1 + L + L3 ) 2

(xt + xt 1 + ... + xt 5 )

(xt + xt 1 + ... + xt 11 )

(1 L)(1 + L + L2 + ... + L5 ) = (1 L6 )
(1 L)(1 + L + L2 + ... + L11 ) = (1 L12 )

12

(xt + xt 1 + ... + xt 11 )

12

12 2
(1 L12 )(1 + L + L2 + ... + L11 ) = (1 L )

(1 L)

Fuente: Melis (1991)

Tabla 7.1.- Tasas de Variacin y Filtros Lineales equivalentes

El mtodo idneo de anlisis de filtros es el estudio de las correspondientes funciones de

respuesta frecuencial, que se obtienen al sustituir en la funcin de transferencia el operador de
retraso por la exponencial compleja e it , de manera que obtenemos como salida la misma
funcin multiplicada por una expresin que ya no depende de t , que se denomina funcin de
respuesta frecuencial.

Si aplicamos una primera diferencia, por poner el ejemplo ms simple, a la funcin

caracterstica, obtenemos como salida:

a( L)e it = (1 L)e it = (1 e i )e it = a( )e it

207

La funcin de respuesta a ( ) es una funcin compleja de la frecuencia cuyo mdulo se conoce

como funcin de ganancia del filtro y cuyo argumento se denomina funcin de fase del filtro.

A partir de la funcin de respuesta de frecuencia de este filtro:

) (

a ( ) = a e i = 1 e i = e

e i 2 e i 2 = e i 2 2i sin

donde se ha hecho uso de la igualdad e

i ( )

= e 2 2 2 sin

= 1 y del Teorema de Moivre18, se obtienen su

funcin de ganancia y de fase:

G ( ) = 2 sin
2
F ( ) =

F ( ) 2 2 T 2
=
=
, si se considera = 2 .
El desfase temporal de este filtro
T

El operador de medias mviles a ( L) xt =

1 n j
L xt tiene la funcin de respuesta frecuencial
n j =0

siguiente:

a e i =

1
1 + e i + e 2i
3

A partir de la respuesta de frecuencia del filtro:

1
1
1
1 + e i + e 2i = e i e i + 1 + e i = e i (1 + 2 cos( ) )
3
3
3
se obtienen su ganancia19 y desplazamiento de fase:

1
(1 + 2 cos( ) )
3

G ( ) =

F ( ) =

( ) =

18
19

= 1

e i = cos( ) i sin( ) y e i = cos( ) + i sin( )

ya que e i e i = 1 , e i + e i = (2 cos( ) ) ,aplicando el teorema de De Moivre y las

igualdades sin( ) = sin( ) y cos( ) = cos( )

208

Ejemplo 7.1

Partimos de la serie xt = sin t

) y aplicamos el filtro lineal a( L) = 1 L . El resultado se

ilustra en la siguiente figura:

1
0,5
0
1

9 11 13 15 17 19 21 23 25 27

-0,5
-1
Serie original

Serie filtrada

La funcin de ganancia del filtro a ( L) = 1 L es:

2
1,8
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
-0,36

0,14

0,64

1,14

Cuando aplicamos el filtro lineal a ( L) =

1,64

2,14

2,64

3,14

1 2 j
L , el resultado obtenido es:
3 j =0

209

1
0,5
0
1

9 11 13 15 17 19 21 23 25 27

-0,5
-1
Serie original

Serie filtrada

En el grfico se observa que las oscilaciones de la serie filtrada son de amplitud menor a las de
la serie original, y que hay un desplazamiento de la serie filtrada con respecto a la original.

1 2 j
La funcin de ganancia del filtro a ( L) = L es:
3 j =0
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

3,14

Se aprecia que la ganancia del filtro es igual a cero en la frecuencia = 2

. Esto significa

que el filtro anula el efecto de cualquier componente de la serie que tenga fluctuaciones con
periodo 3. Por ejemplo, si se trata de una serie de tiempo mensual el filtro eliminar cualquier
efecto trimestral presente en la serie.

210

Normalizando el desplazamiento de fase se obtiene que

F ( )

= 1 . Esto significa que el

filtro introduce un desfase temporal de un periodo en la serie filtrada.

Las funciones de ganancia (modulo) fase y desfase de los principales filtros lineales figuran en
la Tabla 7.2.
Filtro

Modulo

Periodo

de Fase

Desfase

mxima ganancia

temporal
para un
periodo

(1 L)

( 2)

( 2)

6,2

12,4,24

2 sin

2 sin 3

(1 L3 )

2 sin 6

(1 L6 )

2 sin 12

(1 L12 )
(1 L3 )(1 + L + L2 ) = (1 L)(1 + L + L3 ) 2

12 2
(1 L12 )(1 + L + L2 + ... + L11 ) = (1 L )

(1 L)

( 2)
3 sin ( )
2
2 sin (12 )
2

12 sin ( )
2
2 sin 2 3

24,8,4.8,3.43,2.7,2.8

32

p2
4

3
6

12
5

p6
4

23

p 12
4
p 24
4
p 10
4
p 46
4

Fuente: Melis (1991)

Tabla 7.2. Modulo, fase y desfase temporal de los filtros de la Tabla 7.1

7.3.

FILTROS FIR

Las tasas y las medias mviles forman parte de lo que en seales digitales se denominan filtros
de respuesta impulsional finita (FIR), ya que se basan en obtener las salidas a partir,
exclusivamente, de las entradas actuales y anteriores. Generalizando, para un filtro lineal de
longitud N:
N 1

yt = ao xt + a1 xt 1 + ... + a N 1 xt N +1 = a j xt j
j =0

donde a j son los coeficientes del filtro.

211

Una media mvil de orden tres, sera entonces el siguiente filtro FIR:

yt =

1
1
1
xt + xt 1 + xt 2
3
3
3

Y una tasa de crecimiento:

y t = xt xt 1
Los filtros FIR se clasifican segn los siguientes tipos:

Tipo

Nmero de trminos

Simetra

Impar

Simtrico a j = a N 1 j

II

Par

Simtrico a j = a N 1 j

III

Impar

Antisimtrico a j = a N 1 j

IV

Par

Antisimtrico a j = a N 1 j

La media mvil de orden tres es por tanto un filtro FIR tipo I, es decir simtrico de orden impar,
y la tasa de crecimiento sera un filtro FIR tipo IV, es decir antisimtrico de orden par.
La funcin de respuesta frecuencial de un filtro tipo I es20

( )

a e iw = e

N 1
i
2

N 1

2 1

2a cos . N 1 j + a

j
N 1

2
j =0

Con lo que:
N 1
2

G ( ) ==

2a
j =0

N 1

cos .
j + a N 1
2

F ( ) =

N 1
2

( ) (

a e iw = a o + a1e iw + a 2 e 2iw + a 3 e 3iw + a 4 e 4iw + ... =

20

=e

iw

N 1
2

ya que e

iw

N 1
N 1
N 1
N 1
N 1

1
2
3
4
iw
iw
iw
iw
a e iw 2 + a e 2 + a e 2 + a e 2 + a e 2 + ..
o
1
2
3
4

N 1
N 1
i
2
2

=e

iw

N 1
N 1
iw
2
2

= e =1 y e
0

iw

212

N 1
N 1
i
iw
2
2

e =e

iw

N 1
N 1
i
iw
2
2

Un filtro media movil de 3 trminos (N=3), donde a 0 =

1
1
y a N 1 = a 2 = , tendr entonces

3
3
2

las siguientes funciones de ganancia y fase:

1
1
G ( ) = 2 cos( ) + y F ( ) =
3
3
Un filtro tipo II tiene la siguiente funcin de ganancia y fase:

N
2

G ( ) =

2a
j =0

F ( ) =

N 1

cos .
j
2

N 1
2

Un promedio mvil anual, es una tasa Tipo II, con doce coeficientes N=12 de valor a j =

1
.
12

Con lo que:
G ( ) =

12
1
2

2 12 cos .
j =0

12 1
j =
2

1 12 1
12 1
12 1
12 1
12 1
12 1
3 + cos
4 + cos
5 =
1 + cos
2 + cos
cos
+ cos

6
2
2
2
2
2
2

1 11
9
7
5
3
1
cos + cos + cos + cos + cos + cos

6 2
2
2
2
2
2

F ( ) =

11
.
2

Ejemplo 7.2

Partimos de la serie

a( L) =

xt = sin t

)+ sin ( t 12)

1 11 j
L .
12 j = 0

El resultado se ilustra en la figura siguiente:

213

y aplicamos el filtro lineal

2,5
2
1,5
1
0,5
0
-0,5 1 3 5 7 9 111315171921232527293133353739414345474951
-1
-1,5
-2
-2,5
Serie original

Serie filtrada

El promedio movil de 12 trminos produce una salida en donde se promedian las oscilaciones
de periodo inferior a 12 t, si se tratara de datos mensuales, la funcin representada incluye

como se ve un ciclo de 6 meses que es el que generalmos con la funcin sin t

aos (24 meses) que es el que generamos con la funcin sin t

12

) y otro de 2

), la serie filtrada elimina

las oscilaciones de 6 meses, que son las ms frecuentes (en un conjunto de 50 datos dan lugar a
8 ciclos), las que ms se dan, y nos presenta las de dos aos, que son menos frecuentes que las
anteriores (dos ciclos en el conjunto de datos representado). El promedio mvil de 12 trminos
es por tanto un filtro desestacionalizador, en el sentido de que anula las oscilaciones
estacionales, es decir la que tienen lugar al cabo de un ao.

La funcin de ganancia del filtro a ( L) =

1 11 j
L es:
12 j = 0

214

1,2
1
0,8
0,6
0,4
0,2
0
-0,86

0,14

1,14

2,14

3,14

La ganancia del filtro es igual a cero en la frecuencia = 2

12

, 2 , 2 , 2 . Esto
6
4
3

significa que el filtro anula el efecto de cualquier componente de la serie que tenga
fluctuaciones con periodo 12, 6, 4 3. Por ejemplo, si se trata de una serie de tiempo mensual el
filtro eliminar cualquier oscilacin cuatrimestral, semestral o anual presente en la serie.
Normalizando el desplazamiento de fase se obtiene que

F ( )

= 5,5 . Esto significa que el

filtro introduce un desfase temporal de 5,5 meses en la serie filtrada.

Un filtro tipo III tiene a su vez la siguiente funcin de ganancia y fase:

N 1
2

2a

G ( ) =

j =0

F ( ) =

N 1
sin .

N 1
2

Y un filtro tipo IV tiene la siguiente funcin de ganancia y fase:

N
2

G ( ) ==

2a
j =0

F ( ) =

N 1

sin .
j
2

N 1
2

215

La tasa de crecimiento trimestral a ( L) = 1 L3 sera un filtro tipo IV, de 4 coeficientes (N=4),

con los siguientes valores a 0 = 1 , a1 = 0 , a 2 = 0 y a 3 = 1 . Su funcin de ganancia se
calculara:

G ( ) =

4
1
2

2a
j =0

4 1

4 1
4 1
3
sin .
j == 2 1 sin
1 == 2 sin
+ 0. cos
2
2
2

Su funcin de desfase ser F ( ) =

La tasa de crecimiento interanual a ( L) = 1 L12 sera un filtro tipo III, de 13 coeficientes

(N=13), con los siguientes valores a 0 = 1 , a1 ...a11 = 0 y a12 = 1 . Su funcin de ganancia se
calculara:

G ( ) =

13 1
1
2

j =0

13 1

2a j sin .
j =
2

13 1
13 1
13 1

13 1
13 1

13 1
= 21sin
1 + 0 sin
2 + 0 sin
3 + 0 sin
4 + 0 sin
5 =
+ 0. cos
2
2
2
2
2
2

12
= 2 sin
2

y su funcin de desfase F ( ) =

7.4.

12
2

EL FILTRO COMO PRODUCTO DE CONVOLUCIN

Sean y y z dos vectores de dimensin N. Se define su producto de convolucin y z ; como

el vector:

z 0 y 0 + z1 y N 1 + z 2 y N 2 + ... + z N 2 y 2 + z N 1 y1
z y + z y + z y + ... + z y + z y

0 1
1 0
2 N 1
N 2 3
N 1 2

z 0 y 2 + z1 y1 + z 2 y 0 + ... + z N 2 y 4 + z N 1 y 3
yz =

z 0 y N 2 + z1 y N 3 + z 2 y N 4 + ... + z N 2 y 0 + z N 1 y N 1

z 0 y N 1 + z1 y N 2 + z 2 y N 3 + ... + z N 2 y1 + z N 1 y 0

216

El producto de convolucin se puede expresar de forma matricial:

yo
y
1
y
yz = 2
.
y N 2

y N 1

y N 1
yo
y1
.
y N 3
y N 2

y N 2
y N 1
yo
.
y N 4
y N 3

.
.
.
.
.
.

y2
y2
y4
.
y0
y1

y1 z o
y 2 z1
y3 z 3

. .
y N 1 z N 2

y 0 z N 1

La matriz cuadrada del producto de convulsin recibe el nombre de matriz circulante ya que los
elementos de la primera columna van rotando su posicin en las columnas sucesivas.
La transformada discreta de Fourier del producto de convolucin de y z es el producto de
Hadamard de las correspondientes transformadas de y y de z :

DFT ( y z ) = DFT ( y ) DFT ( z )

Una forma de calcular y z es a traves de la multiplicacin coordenada a coordenada de las
transformadas de y y de z ; obteniendo la transformada inversa de este vector ( DFT ( y z ) ).
Filtrar una serie puede entenderse como el producto de una convolucin; as por ejemplo al
emplear el filtro lineal (1 L) se realizara el siguiente producto de convolucin:

0
1 1
0 1 1

0 0 1
yz =
.
.
.
0 0 0

0 0
1

. 0 0 zo
. 0 0 z1
. 0 0 z3

. .
. .
. 1 1 z N 2

. 0 1 z N 1

donde el vector y sera

217

 1
0

0
y=
0
0

1
Una media mvil centrada de tres trminos se expresara por el siguiente producto de
convolucin:

1
3
0

0
yz =
.

13
1
3

3
0
.

0
1
3

.
3
. .

.
1
3
0

3
3

0 z
o

0 z1

0 z3

. .

1 z N 2
3

1 z N 1
3

donde el vector y sera:

1
3
0
0
y=
.
1
3
1
3
Para obtener los grficos de las funciones de ganancia y desfase utilizando la transformada
discreta de Fourier, se emplean las siguientes expresiones:

G ( w) = R( ) + I ( )
I ( )
F ( ) = tan 1

R( )
Centrar el filtro equivale a realizar la siguiente multiplicacin matricial

218

1
1
3
3
0 13

0
0
yz =
.
.

0
0

0
0
[(N 2) 1] = [(N

0 z
o

1 . 0
0 z1
3

1 . 0
0 z3
3

. . .
. .

0 . 1
0 z N 2
3

1 z N 1
0 . 1
3
3
2 ) N ] [N 1]
1

Es decir habra que eliminar las dos ltimas filas de la matriz que desarrolla el filtro lineal.

Ejemplo 7.3

Utilizando R vamos a filtrar la serie.

> t <- seq(0, 49, by=1)
> Z <- sin(pi*t/3)+sin(pi*t/12)

Representamos la serie temporal creada

> plot.ts (Z, type="l")

Obtenesmos la transformada de Fourier:

> z <- fft(Z)

219

Aplicamos un filtro de media mvil de 12 trminos a la serie z y la representamos :

> Y <- c(1/12, rep(0, 38),
> Y
[1] 0.08333333 0.00000000
[5] 0.00000000 0.00000000
[9] 0.00000000 0.00000000
[13] 0.00000000 0.00000000
[17] 0.00000000 0.00000000
[21] 0.00000000 0.00000000
[25] 0.00000000 0.00000000
[29] 0.00000000 0.00000000
[33] 0.00000000 0.00000000
[37] 0.00000000 0.00000000
[41] 0.08333333 0.08333333
[45] 0.08333333 0.08333333
[49] 0.08333333 0.08333333
>

rep(1/12,11))
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.08333333
0.08333333

0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.00000000
0.08333333
0.08333333
0.08333333

0.2 0.4 0.6

-0.2
-0.6

MVZ[1:39]

>y <- fft(Y)

>X <- fft(y*z,inverse=TRUE)/50
> plot.ts (X[1 :39], type="l")

10

20

30

40

Time

Obtenemos la funcin de ganancia del filtro y la representamos:

>GW = abs(y)
>P = GW[1:25]
>f = (0:24)*pi/25
>plot(f, P, type="l")

220

1.0
0.8
0.6
0.0

0.2

0.4

0.0

0.5

1.0

1.5

2.0

2.5

3.0

La instruccin en R para filtrar series es:

> convolve(x, y, conj = TRUE, type = c("circular", "open", "filter"))

De tal manera que el filtrado de una serie por una media mvil de 12 trminos centrada con R se
realizara de la siguiente manera:
>Y <- c(rep(1,12))/12
>X <- convolve(Z,Y,type="filter")
>plot (t [6:44], Z[6:44], main="Filtro MM12 utilizando
>lines(t[6:44], X, col="red")

221

convolve(.)" )

0
-1

Z[6:44]

Filtro MM12 utilizando convolve(.)

10

20

30

40

t[6:44]

Los filtros pueden ser aplicados en serie, por ejemplo la tasa media de crecimiento trimestral

(1 L3 )(1 + L + L2 ) , sera la multiplicacin matricial de

1
1
0 .
3
3
0 1 3 13 .

0
0 1 .
3
x ( y z) = ( x y) z =
.
.
. .

0 .
13 0
1
1
0 .
3
3
1
0
0 1 .
0 z
3
o
3

1
0
0
.
0
0
z1
3

.
.
.
.
.
0 z 3

1
0
0
0
.
0 .
3

1
0
0
.
0 z N 2
0
3

1
1 z N 1
0
0
0
.

3
3

0
0
0
.
1
3
0

1
0
3 1 1

0
0 1 1

0 0 0 1

.
.
. .

1 0 0 0
3
0 0
1 1
3

Utilizando la transformada discreta de Fourier, el filtro se desarrollara:

DFT (x y z ) = DFT ( x) DFT ( y ) DFT ( z )

222

. 0 0 zo
. 0 0 z1
. 0 0 z3
=

. .
. .
. 1 1 z N 2

. 0 1 z N 1

siendo

1
0

0
y=
0
0

1
1
3
0
0
x=
.
1
3
1
3
O bien, DFT (x y z ) = DFT ( x y ) DFT ( z ) .
siendo

1
3
0
.
x=

13
0

Ejemplo 7.3

Aplicamos un filtro de diferencia regular para la serie Z del ejemplo 7.2:

> Y <- c(-1, rep(0, 48), 1)
> Y
[1] -1 0 0 0 0 0 0 0
[18] 0 0 0 0 0 0 0 0
[35] 0 0 0 0 0 0 0 0

0
0
0

0
0
0

0
0
0

> y <- fft(Y)

> MVZ <- fft(y*z,inverse=TRUE)/50

223

0
0
0

0
0
0

0
0
0

0
0
0

0
0
1

0
0

A continuacin diseamos un filtro de media movil de 3 trminos, para obtene un filtro

multiplicativo en el que uno de sus mltiplos es el filtro z antes construido.
>X <- c(1/3, rep(0, 47),
> X
[1] 0.3333333 0.0000000
[6] 0.0000000 0.0000000
[11] 0.0000000 0.0000000
[16] 0.0000000 0.0000000
[21] 0.0000000 0.0000000
[26] 0.0000000 0.0000000
[31] 0.0000000 0.0000000
[36] 0.0000000 0.0000000
[41] 0.0000000 0.0000000
[46] 0.0000000 0.0000000

rep(1/3,2))
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000

0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.3333333

>x <- fft(Y)

>MVZ <- fft(x*y*z,inverse=TRUE)/50
>plot.ts (MVZ[1 :39], type="l")

224

0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.0000000
0.3333333

1.0
0.5
0.0
-1.0

-0.5

MVZ[1:39]

10

20

30

40

Time

7.5.

DESCOMPOSICIN DE SERIES
MEDIANTE FILTROS LINEALES.

DE

TIEMPO

Dada una serie temporal expresada en forma de serie de fourier, el modelo bsico de tendencia
sera:

Tt = a ot cos(0 t ) + bot sin(0 t ) = aot

donde las componentes cclica y estacional es, stj = a jt cos( j t ) + b jt sin( j t ) , y la
componente irregular, et .

El modelo completo de dicha serie temporal tiene la siguiente representacin:

Yt = a jt cos( j t ) + b jt sin( j t ) + et
j =0

Vista as una serie temporal utilizar la teora de filtros lineales para describir los componentes
de una serie temporal.

225

Ejemplo 7.4

t
t
+ 0,50 cos
+ et donde et es una
3
12

Generamos la serie temporal Yt = 2 + 0,25 cos

distribucin normal de nmeros aleatorios con media cero y varianza 0,25 et N (0;0,25) .
La representacin grfica de esta serie sera:

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0

1
0,8
0,6
0,4
0,2
0
-0,2
-0,4
-0,6
-0,8
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Serie temporal

Ciclo

Se aprecia que la serie temporal sigue el perfil del ciclo creado, si bien difiere de este en el
mayor nivel que introduce la tendencia (de valor constante igual a 2), y la mayor irregularidad
que le incorpora de la serie aleatoria. El ciclo como se aprecia es un ciclo largo de 24 datos
(periodo 24) (de mximo a mximo), que tiene lugar dos veces al cabo de los 50 datos, y un
ciclo corto o ms frecuente ya que se repite unas 8 veces a los largo del conjunto de datos, y que
tiene lugar cada 6 datos (periodo 6).

Pretendemos ahora extraer las seales relevantes de la serie, en este caso seran los dos ciclos a
travs de filtros lineales, si queremos representar el ciclo largo tenemos varias posibilidades de
filtros

la

media

mvil

de

12

trminos

que

anulan

las

= 2 12 , 2 6 , 2 4 , 2 3 , una media mvil de 6 datos, a( L) =

frecuencias = 2 , 2

, y cuya funcin de ganancia sera:

226

siguientes

frecuencias

1 5 j
L que anulara las
6 j =0

G ( ) =

6
1
2

2 6 cos .
j =0

6 1

j =
2

1 6 1
6 1
6 1

cos
1 + cos
2 =
+ cos

3
2
2
2

1 5
3
1
cos + cos + cos
3 2
2

1,2
1
0,8
0,6
0,4
0,2
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

3,14

El desfase de la media mvil de 12 datos sabemos que es de -5,5 y la de 6 trminos:

F ( )
=
w

6 1
2 = 2,5 . En los resultados grficos se aprecia que una y otra nos representan
w

el ciclo largo pero la media mvil de 12 trminos con un coste informativo menor:

227

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Serie temporal

MV(12)

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Serie temporal

MV(6)

El menor coste informativo de la media mvil de 6 trminos la hace ms deseable para extraer
en este caso el ciclo de periodo 24 que la media mvil de 12 datos.

La media mvil de 3 datos, cuya funcin de ganancia tambin hemos representado

anteriormente iguala a cero la frecuencia = 2

, es decir las que tienen lugar cada 3 datos

(periodo 3), que nosotros no tenemos y atena sin anularlas completamente las de menor
periodo, es decir el efecto de esta media mvil a nuestro conjunto de datos es anular las
frecuencias ms altas, es decir las oscilaciones que ms veces se dan, que en este caso las que
induce la serie aleatoria irregular y dejar pasar las de periodo superior a tres. El resultado
grfico de utilizar esta media mvil es el siguiente:

228

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
1

7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
Serie temporal

MV(3)

Como vemos ahora el filtro deja pasar la tendencia y los dos ciclos que forman la serie, el de 24
datos y el de 6 datos.

Todos los filtros que hemos utilizado tienen en la funcin de ganancia un uno en las muy bajas
frecuencias, esto quiere decir que dejan pasar los ciclos de muy largo plazo, esto es las
tendencias, y por el contrario atenan cuando no anulan las mas altas frecuencias, por ello en su
salida las tres medias mviles ha suavizado las oscilaciones irregulares, que persisten en la serie
pero muy atenuadas.
El filtro, yt = xt xt 3 = (1 L3 ) xt , tiene el efecto contrario, ya que su funcin de ganancia

( 2) .

es, G ( ) = 2 sin 3
2,5
2
1,5
1
0,5
0
-0,36

0,14

0,64

1,14

1,64

2,14

229

2,64

3,14

En la representacin grfica vemos que el filtro anula las oscilaciones de baja frecuencia, es
decir, las tendencias, y anula nicamente oscilaciones las que tienen lugar cada tres datos,
dejando pasar las de mayor frecuencia. El efecto de este filtro sobre nuestro conjunto de datos
sera el siguiente:

5
4
3
2
1
50

43

36

29

22

15

0
-1
-2
-3
Serie temporal

T(3,1)

Como se aprecia el filtro ha eliminado la tendencia de la serie, ya que la ha centrando la serie en

cero y ha dejado pasar su perfil ms irregular. En consecuencia a partir de la funcin de
ganancia se podra construir un filtro lineal a nuestros datos que dejara pasar anulara la
componente deseada.

7.6.

TIPOS DE FILTROS

En la literatura de proceso de seales digitales, los filtros como la media movl de orden 2

2
a ( L) = (1 + L ) se conocen como filtros de corte (notch filter), son aquellos que
2

contienen uno o ms profundos cortes o muescas en su funcin de ganancia. Este en concreto

anula las frecuencias de periodo 4 = 2

), siendo su funcin de ganancia la que se

representa en el grfico siguiente:

230

G ( ) =

3 1
1
2

2 2 cos .
j =0

y a2 =

1
3 1

3 1

j + 0 = cos
0 = cos( ) , ya que a 0 = y a 31 = 0 ,

2
2
2

1
2
1

0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

3,14

Si el filtro introduce ceros uniformemente espaciados en el eje de frecuencias, como el sumador

estacional se denominan filtros en peine (comb filters). Los filtros a ( L) =

a( L) =

1 5 j
L y
6 j =0

1 11 j
L , son filtros de peine, en los que se introduce un cero en el perodo p
12 j =0

(frecuencia 2/p).

El operador autoregresivo a ( L) =

1
, equivale a una media mvil de trminos; cuyo
(1 L)

desarrollo sera : a ( L) = 1 + L + L2 + ...L . La funcin de ganancia del filtro a ( L) =

sera G ( ) =

a( L) =

1

2 sin
2

1
,
(1 + L2 )

se

1
,
(1 L)

, (ver Tabla nIV.2). Un operador autoregresivo de la forma

desarrolla

en

el

siguiente

proceso

de

medias

mviles

a( L) = 1 L2 + L4 L6 ...L , y tendra una funcin de ganancia del tipo : G ( ) =

1
.
2 cos( )

Este filtro se comporta de forma opuesta a a ( L) = 1 + L2 , acentuando las oscilaciones de cuatro

231

meses. La ganancia del filtro es muy pequea salvo en las proximidades del cero estacional, en
donde crece muy rpidamente, como puede verse en el Grfico siguiente.

100
90
80
70
60
50
40
30
20
10
0
0

0,5

1,5

2,5

3,5

Los filtros pueden estar constituidos por un operador autoregresivo y una media media mvil,

a( L) =

(1 L4 )
, es un ejemplo de este tipo de filtros, y cuando lo desarrollamos, obtenemos
(1 L)

el siguiente filtro lineal:

a( L) =

(1 L4 )
= (1 L4 )(1 + L + L2 + ... + L ) = (1 + L + L2 + ... + L ) ( L4 + L5 + L6 + ... + L ) =
(1 L)

= (1 + L + L2 + L3 )

Cuya funcin de ganancia es G ( ) =

4
1
2

2 cos .
j =0

4 1

3

j = 2 cos
+ 2 cos , otra
2

2
2

4
sin

2 , que se obtendra
forma alternativa de obtener esta funcin de ganancia es G ( ) =

sin
2

dividiendo las funciones de ganancia de ambos filtros 2 sin 4 y 2 sin .

2
2

232

4
3,5
3
2,5
2
1,5
1
0,5
0
-0,36

0,14

0,64

1,14

1,64

2,14

2,64

Si el operador autorregresivos es de la forma a ( L) =

3,14

1
, el filtro lineal que lo desarrolla
(1 aL)

es a ( L) = 1 + aL + a 2 L2 + ...a L , si a < 1 ,la potencia a llegar un punto en que acercara a

cero y el filtro podr desarrollarse en trminos finitos, expresado en su forma ms general un

filtro autoregresivo toma la forma de ( L) =

;de igual manera el operador de medias

M 1

j =0

mviles se expresa en la forma mas general como ( L) =

N 1

j =0

L j , y en consecuencia un filtro

ARMA(M,N) dara lugar a la siguiente expresin:

N 1

a( L) =

j =0

Lj
.

M 1

j =0

Ejemplo 7.5.

El

modelo

a( L) =

ARMA(1,1),

(1 0,5L )Yt

= (1 0,8)et

1 0,8L
et , su linearizacin sera
1 0,5L

233

da

lugar

al

siguiente

filtro

Yt = (1 0,8) + 0,5(1 0,8) L + 0,5 2 (1 0,8) L2 + 0,5 3 (1 0,8) L3 + ... et =

= (0,2 + 0,1L + 0,05L2 + 0,0125L3 + 0,00078125L4 + 3,05 10 6 L4 + ...).et
Haciendo N=4, el filtro quedara
0,2
0,1
0,05
0,0125
0,00078125
0

0
0,2
0,1
0,05
0,0125
0,00078125

0.
0
0,2
0,1
0,05
0,0125

.
.
.
.
.
.
yz=
0,00078125
0
0
0
0
0

0,00078125
0
0
0
0
0,0125
0,05
0,0125
0,00078125
0
0
0

0,1
0,05
0,0125
0,00078125
0
0

En donde el vector y sera

0,2

0
,
00078125

y=
0,0125

0,05

0,1

Utilizando R, construimos el filtro, representamos su funcin de ganancia.

>
>
>
>
>
>

Y <- c(0.2, rep(0, 45), 0.00078125, 0.0125,0.05, 0.1)

y <- fft(Y)
GW = abs(y)
P = GW[1:25]
f = (0:24)*pi/25
plot(f, P, type="l")

234

.
.
.
.
.
.
.
.

zo

z1
0. z
3

. .

0,0125 .

0,05 .

0,1 z N 2

0,2 z N 1
0
0

0.35
0.30
0.25
0.15

0.20

0.0

0.5

1.0

1.5

2.0

2.5

3.0

f
El filtro diseado atena las altas frecuencias y deja pasar las bajas frecuencias. Este tipo de
filtros se denominan de paso bajo.

7.7.

DISEO DE FILTROS

Los filtros digitales se aplican usualmente en el dominio del tiempo convolucionando el dato
con los coeficientes del filtro, pero tambin pueden disearse en el dominio de las
frecuencias.

Existen varias estrategias para el diseo de filtros. En general se busca reproducir, de la manera
ms precisa posible con un nmero predeterminado de coeficientes, la respuesta en frecuencia
(espectro) deseada del filtro. Una vez diseado el espectro del filtro a travs del clculo de la
Transformada de Fourier Inversa se obtendran los coeficientes. Dado que no es posible obtener
un filtro de longitud finita que se ajuste en forma exacta al espectro deseado, es en este punto
donde entran en juego diversas estrategias que buscan obtener un filtro lo ms aproximado al
efecto que de el se desea. La longitud del filtro es, entonces, uno de los elementos ms
importantes a tener en cuenta. Por razones prcticas, cuanto ms corta es la respuesta impulsiva
del filtro, mejor, pero un filtro muy corto puede producir efectos indeseados en las frecuencias
cercanas a la que pretendemos atenuar, en tanto que un filtro muy largo, si bien se aproxima

235

ms a la respuesta en frecuencias deseada, presenta como desventaja los desfases o su tiempo de

respuesta. El uso de ventanas apropiadas para truncar la respuesta impulsiva convenientemente
es una tcnica muy usual. Otra tcnica consiste en modificar iterativamente los coeficientes del
filtro obtenidos hasta satisfacer el espectro de frecuencia deseado. Y en el dominio de las
frecuencias existen mtodos basados en digitalizar funciones racionales de la frecuencia (filtros
de Chebyshev, Butterworth, elpticos, etc.).

El uso de ventanas (window carpentry), surgi hace ya tres dcadas y consiste en toda una
batera de mtodos y ventanas especialmente diseadas para obtener un filtro ideal. Cada
ventana tiene sus propias caractersticas en el sentido que producen filtros con determinadas
propiedades en la banda de paso, de rechazo y/o de transicin. Entre las ventanas ms conocidas
podemos mencionar: triangular (Bartlet), Hamming, Hanning, Parzen, Daniell, etc., siendo la de
Hamming una de las ms utilizadas.

Consideremos la ventana mas sencilla; la ventana rectangular. La ventana se define como:

1 0 n N 1
0 nN

( n)

su expresin en el dominio e i es:

( )

a e i = 1 + e i + ... + e i ( N 2 ) + e iN =

1 e i N
1 e i

236

con lo que su respuesta en frecuencia resulta,

( )

a e i = e

N 1
i

N
sin

2

sin
2

N
sin

2
N 1

Su funcin de ganancia sera G (W ) =

y su desfase

2
sin
2

Una ventana rectangular o boxcar, tiene el efecto de una media mvil, por ejemplo una media
mvil de 6 trminos es igual a cero las frecuencia

= 2 3

= 2 6

y deja pasar la

oscilaciones o ciclo de frecuencia ms baja y atena relativamene las de frecuencia ms alta, y

2
las intermedias entre

3 y

6 .

La ventana de Hanning por ejemplo, para N=6 da lugar a los siguientes coeficientes :

1
2

2 n

N 1

(n) = 1 cos

1
(1 cos(0)) = 0
2
1
2
(1) = 1 cos = 0,5
2
5

(0) =

1
2

4
5

= 1,5

1
2

6
5

= 2

1
2

8
5

= 1,5

1
2

10
6

= 0,5

1
2

12
6

= 0

(2) = 1 cos
(3) = 1 cos

(4) = 1 cos
(5) = 1 cos

(6) = 1 cos

237

su expresin en el dominio e i es:

( )

a e i = 0 + 0,5e i + 1,5e 2i + 2e 3iw + 1,5e 4i + 0,5e 4i + 0e 5i

Se trata de un filtro FIR simtrico impar (tipo I), que dara lugar a la siguiente respuesta en
frecuencia:

( )

a e i = e

N 1
2

N 1

2 1

2a cos w. N 1 j + a

j
N 1

2
j =0

( )

a e i = e i 3 (cos(2 ) + 3 cos( ) + 2)
Es decir tendra un desfase de -2 periodos y una funcin de ganancia de G ( ) = (cos(2 ) + 1)

N 1
= 3
2

y un desfase de

La representacin de la funcin de ganancia es:

1,2
1
0,8
0,6
0,4
0,2
0
0

0,5

1,5

2,5

3,5

Se comprueba que el filtro atena considerablemente las altas frecuencias, las que superan los

3.

El mtodo de las ventanas se basa en truncar la respuesta impulsional infinita de un filtro ideal.
Como el producto en el dominio del tiempo equivale a una convolucin en el dominio de la
frecuencia, podemos estudiar el efecto que este enventanado tiene sobre la respuesta frecuencial
del filtro:

238

La convolucin de una ventana boxcar y una ventana de Hanning ambas con N=6, da lugar a
una funcin de ganancia que se obtendra multiplicando punto a punto las funciones de ganancia
calculadas para la media mvil de 6 trminos y la ventana de Hanning (6):

Da lugar a un filtro en el que ahora estn considerablemente atenuadas las oscilaciones de

periodo superior a 6 datos, o las frecuencias ms altas a 2

El desarrollo lineal del filtro lo resolvemos con el operador de retardos:

)(

a( L) = 1 + L2 + L3 + L4 + L5 + L6 0 + 0,5L + 1,5L2 + 2 L3 + 1,5L4 + 0,5L5 + 0 L6

239

Que una vez operado da lugar al siguiente filtro FIR tipo II:

a( L) = 0 + 0,5L + 2 L2 + 4 L3 + 5,5L4 + 6 L5 + 6 L6 + 5,5L7 + 4 L8 + 2 L9 + 0,5L10 + 0 L10

Cuya funcin de ganancia tambin puede calcularse como:

9
7
5
3
1
G ( w) = cos w + 4 cos w + 8 cos w + 11 cos w + 12 cos w
2
2
2
2
2

Ejemplo 7.6

t
t
e
+ sin
+ et donde t es una distribucin
3
12

Generamos la serie temporal Yt = sin

normal de nmeros aleatorios con media cero y varianza 0,25 et N (0;0,25) . Esta serie
genera como vemos en la grfica ciclos de periodo 24 y de periodo 6, y la irregularidad que
introduce el error aleatorio incorporado.
En la representacin grfica de la serie se puede comprobar los efectos de las ventanas boxcar21,
la ventana Hanning, y la convolucin de ambas, en la convolucin se puede apreciar como se ha
eliminado las pequeas oscilaciones que presentaba la media mvil de 6 trminos, quedando
prcticamente aisladas las oscilaciones de periodo 24:

21

Para reducir la amplitud de las ventanas hay que dividir por 6 la boxcar y la ventan Hanning, y
consecuentemente por 36 la convolucin de las dos ventanas.

240

Los filtros de Butterworth, de Chebyshev (tipo I y tipo II) y de Jacobi (elpticos), son filtros RC
analgicos cuya respuesta en frecuencia es bien conocida y ajustable de acuerdo a la seleccin
apropiada de sus componentes. Su caractersticas es que los espectros de potencia de estos
filtros se pueden expresar como funciones racionales de , lo que permite, en principio, su
factorizacin.

No obstante disear filtros es una tarea compleja que requiere el uso de software matemtico y
un buen conocimiento de la teora de filtros digitales. En general requiere tres pasos:

Establecer las especificaciones del filtro para unas determinadas prestaciones

(frecuencias de paso, atenuaciones, ganancias, etc)

Determinar la funcin de transferencia que cumpla dichas especificaciones

Realizar la funcin de transferencia con el software estadstico utilizado

Ejemplo 7.7

El paquete Signal de R, ofrece diversas utilidades para el diseo de filtros, est disponible en
CRAN-R / http://cran.r-project.org/web/packages/signal/index.html), su manual se descarga en
: http://cran.r-project.org/web/packages/signal/signal.pdf

En primer lugar vamos a realizar una representacin grfica de las ventanas ms usuales:
>n <- 51
>op <- par(mfrow = c(3,3))
>plot(bartlett(n), type = "l", ylim = c(0,1))
>plot(blackman(n), type = "l", ylim = c(0,1))
>plot(boxcar(n), type = "l", ylim = c(0,1))
>plot(flattopwin(n), type = "l", ylim = c(0,1))
>plot(gausswin(n, 5), type = "l", ylim = c(0,1))
>plot(hanning(n), type = "l", ylim = c(0,1))
>plot(hamming(n), type = "l", ylim = c(0,1))
>plot(triang(n), type = "l", ylim = c(0,1))
>par(op)

241

20 40

Index

20 40
Index

20 40

20 40
Index

0.0

Index

triang(n)

0.0

hamming(n)

20 40

hanning(n)

0.0
0

Index

20 40
Index

gausswin(n, 5)

0.0

flattopwin(n)

Index

0.0

boxcar(n)

0.0
0

0.0

20 40

blackman(n)

0.0

bartlett(n)

20 40
Index

Ahora, vamos a desarrolla un ejercicio similar al ejercicio 7.3 utilizando la tcnica de ventanas:
>
>
>
>
>
>

n <- length(x <- -20:24)

y <- sin(pi*x/6) +sin(pi*x/12) + rnorm(x)/8
n <- length(x <- -20:24)
Filtro <- function(y) convolve(y, hanning(6)/6, type = "filter")
plot(x,y, main="Using Hanning(.) for filters")
lines(x[-c(1:3 , (n-1):n)
], Filtro(y), col="red")

242

0
-2

-1

Using Hanning(.) for filters

-20

-10

10

20

x
> Filtro <- function(y) convolve(y, convolve( boxcar(6)/6,
hanning(6)/6) , type = "filter")
> plot(x,y, main="Using convolve(.) for filters")
> lines(x[-c(1:3 , (n-1):n)
], Filtro(y), col="red")

0
-1
-2

Using convolve(.) for filters

-20

-10

10
x

243

20

ANEXO I. SERIES DE FOURIER

SERIE DE FOURIER

Una serie de Fourier es una serie infinita que converge puntualmente a una funcin continua y
peridica.

f (t ) = 1 a 0 + a n cos(n 0 t ) + bn sin(n o t )
2
n =1
Donde 0 =

2
se denomina frecuencia fundamental; a n y bn se denominan
T

COEFICIENTES DE FOURIER.
Los coeficientes de una serie de fourier pueden calcularse gracias a la ortogonalidad de las

funciones seno y coseno.

Una manera alternativa de presentar una la serie de Fourier es:

f (t ) = C 0 + C n cos(n 0 t n )
n =1

Siendo;

Co =

a0

bn
an

; Cn = an2 + bn2 y n = arctan

Ya que cada par de trminos:

a n cos(n 0 t ) + bn sen(n o t )
se pueden expresar como:

an
bn
cos(n0t ) +
sen(n0t )
an2 + bn2
a 2 + b2

an2 + bn2
n n

haciendo

an
= cos n
2
2
a
+
b
n n

bn
= sen n
a2 + b2
n n
y

bn

a
n

n = arctan

244

la suma puede expresarse solo en funcin del coseno:

C n [cos n cos(n 0 t ) + sen n sen(n 0 t )] = C n cos(n 0 t n )

ORTOGONALIDAD
Se dice que las funciones del conjunto

{ f k (t )} son ortogonales

en el intervalo a < t < b si

dos funciones cualesquiera f m (t ) ; f n (t ) de dicho conjunto cumplen:

para m n

0
f m(t)f n(t)dt =
rn

para m = n

Las funciones sen t y cos t son ortogonales en el intervalo p < t < p ; ya que:

sent cos tdt =

sen 2t
2

=0

Las funciones del conjunto:

{1, cos( o t ), cos(2 o t ), cos(3 o t ),..., sin( o t ), sin(2 o t ), sin(3 o t ),...};

donde 0 =

2
T
T
son ortogonales en el intervalo < t < ;
T
2
2

Se verifica probndolo a pares:

a) f n (t ) = 1 y . f m (t ) = cos(m 0 t ) :
T/ 2

sen(m0t)
1 cos (m0t)dt =

m0
T/ 2
=

T/ 2

T/ 2

2sen(m0T/ 2 ) 2sen(m )
=
=0
m0
m0

b) f n (t ) = 1 y . f m (t ) = sen(m 0 t ) :
T/ 2

1 sen(m0t)dt =

T/ 2

cos (m0t)
m0

T/ 2

T/ 2

1
[ cos (m0T/ 2 )- cos (m0T/ 2 )] = 0
m0

c) f n (t ) = cos(n 0 t ) y f m (t ) = cos(m 0 t ) :

T /2

cos(m t)cos(n t)dt = T / 2

0

T / 2

para m n
para m = n 0

utilizando las identidades trigonomtricas

245

cos A cos B = 1 [cos( A + B ) + cos( A + B)]

2

cos 2 = 1 (1 + cos 2 ) .
2

d) f n (t ) = sen(n 0 t ) y f m (t ) = sen(m 0 t ) :

T/ 2

sen(m t)sen(n t)dt = T/ 2

0

T/ 2

para m n
para m = n 0

utilizando las identidades trigonomtricas

senAsenB = 1 [ cos( A + B) + cos( A B)]

2

sen 2 = 1 (1 cos 2 ) .
2

d) f n (t ) = sen(n 0 t ) y f m (t ) = cos(m 0 t ) :
T/ 2

sen(m t) cos (n t)dt = 0

0

para cualquier m,n

T/ 2

utilizando la identidades trigonomtricas

senA cos B = 1 [sen( A + B) + sen( A b)]

2
CLCULO DE LOS COEFICIENTES FOURIER
Los coeficientes de fourier se calculan multiplicando f (t ) por cos(m 0t ) e integrando de

T/2 a T/2:
T /2

f (t ) cos(m t )dt =
0

a0

T / 2

T /2

n =1

T / 2

bn

T /2
1
2

T/2

cos (m t)dt + a cos (n t) cos (m t)dt +

0

n =1

T / 2

T / 2

sen(n t) cos (m t)dt

0

que dada la ortogonalidad de las funciones de seno y coseno implica que:

T /2

2
a0 =
f (t )dt
T T/ 2
T /2

am =

2
T

f (t ) cos(m t )dt
0

m = 1, 2, 3,...

T / 2
T /2

bm = T2

f (t )sen(m t )dt
0

m = 1, 2, 3,...

T / 2

FORMA COMPLEJA DE LA SERIE DE FOURIER

Consideremos la serie de Fourier para una funcin peridica f (t ) ; con periodo T =

246

f (t ) = 1 a 0 + a n cos(n 0 t ) + bn sin(n o t )
2
n =1
Es posible obtener una forma alternativa usando las frmulas de Euler:

cos(n0t ) = 12 (ein0t + e in0t )

sen(n0t ) =

sustituyendo:

1
2i

(ein0t e in0t )

dado que 1 = i
i

f (t ) = 12 a0 + [an 12 (e in0t + e in0t ) + bn

n =1

1
2i

(e in0t e in0t )]

f (t ) = 12 a0 + [ 12 (an ibn )ein0t + 12 (an + ibn )e in0t ]

definiendo:

n =1

c0 12 a0 , cn 12 (an ibn ), c n 12 (an + ibn )

quedara como:

f (t ) =

n =

e in 0 t

expresin que se conoce como forma compleja de fourier.

Y sus coeficientes c n pueden obtenerse a partir de los coeficientes a n ; bn como ya se dijo; o

bien:
T

cn =

1
T

f ( t ) e in 0 t dt

0
TRANSFORMADA DE FOURIER.
La Transformada de Fourier; F ( ) ; se define para una funcin continua de variable real; f (t ) ;

mediante la siguiente formula:

F( ) =

f(t)e

2 i t

dt

siendo i =

1 ; e 2 i t = cos(2 t ) + isen(2 t ) y u una variable que representa las

distintas frecuencias.
La Transformada de Fourier es una funcin compleja con una parte real y otra parte imaginaria;
es decir:

F ( ) = R ( ) + I ( )
donde R ( ) es la parte real y I ( ) es la parte imaginaria.
La representacin grfica de la funcin de magnitud F ( ) se le denomina Espectro de Fourier
y se expresa en trminos del modulo del nmero complejo:

F ( ) = R 2 ( ) + I 2 ( )

247

y al cuadrado de dicha funcin F ( ) se le denomina Espectro de potencias.

2

El grfico de los mdulos al cuadrado frente a la frecuencia es el periodograma o espectro

emprico de la sucesin f (x) .
El periodograma recoge la contribucin que tiene cada armnico a la hora de explicar la
varianza de cada serie; y cada armnico esta caracterizado por la frecuencia en que tienen lugar
los ciclos. Los ciclos que tienen un elevado periodo (desde que tiene lugar un mximo al
siguiente mximo) tendrn una baja frecuencia y viceversa.
CLCULO DEL PERIODOGRAMA.
Consideremos la serie temporal X t de la que disponemos de un conjunto discreto y finito de

observaciones T observaciones; generadas por un proceso aleatorio x(t ) como el descrito en el

tema 1. Dado que se busca una representacin de X t que se ajuste a T observaciones; ajustamos
los datos a un polgono trigonomtrico que se asemeje a una serie de fourier; escogiendo i
como:

2 i
T

es decir:

X t = 1 a o + a i cos i 2 t + bi sin i 2 t
2
T
T
i =1

xt = ( X t ) = a i cos i 2 t
i =1

)+ b sin (i 2 t T )

22

La forma habitual de obtener el periodograma; es estimar por mnimos cuadrados los

coeficientes ai y bi para cada k = T

k = (T 1)

armnico si el nmero de observaciones es par T o

si es impar; en un modelo especificado de la siguiente forma:

x t = a cos t + b sin t + v t
En la que xt sera la serie armnica; = p =

2 p ; T es el tamao de la serie y coincide

T

con el periodo de mayor ciclo que es posible estimar con el tamao de la serie; p indica el
orden del armnico de los

T
v
ciclos; t es un residuo no explicado al que se puede considerar
2

22

ntese que 1 a 0 =
2

X
i =1

, lo que implica que a 0

248

2 T
Xt
T i =1

irrelevante (caso deterministico) o que verifica las propiedades clsicas de la perturbacin de los
modelos economtricos.
El periodograma o estimador del espectro se obtendra entonces a partir de la representacin de

I ( i ) =

T (a 2p + b p2 )
4

frente a los p armnicos; en tanto que la contribucin de la varianza por

(a
cada armnico; sera

2
p

+ b p2 )
2

Si una serie temporal de ciclos empricos presenta en su periodograma unos pocos ciclos que
explican un porcentaje significativo de su varianza; se puede obtener el ciclo terico de dicha
serie temporal a partir de los i y de los armnicos correspondientes a dichos ciclos.
CALCULO DEL PERIODOGRAMA A TRAVS DE LA TRANSFORMADA
DISCRETA DE FOURIER
Tomando N muestras de una seal periodica y k = f (t k ) de periodo T en instantes separados

por intervalos regulares:

t 0 = 0, t1 =

T
2T
kT
( N 1)T
, t2 =
,..., t k =
,..., t N 1 =
N
N
T
N

Cabe aproximarla mediante una combinacin g (t ) de funciones T-peridicas conocidas que

tome en dichos puntos el mismo valor que f. Este procedimiento se conoce como interpolacin
trigonomtrica.
Las funciones T-peridicas que se utilizan son los armnicos complejos e jnwt con w =

2
y
T

puesto que hay N puntos; si queremos que el problema tenga solucin nica debemos combinar
un total de N armnicos.
La funcin g (t ) utilizada en la aproximacin; toma entonces la forma general:

g (t ) =

1
1
0 + 1e jwt + 2 e j 2 wt + ... + N 1e j ( N 1) wt =
N
N

N 1

n =0

e inwt

Tal que y k = g (t k ) para cada k=0;1;;N-1.

Entonces:

yk =

1
N

N 1

e jnwt =
k

n =o

Siendo wN = exp

j 2

1
N

N 1

e
n=0

ink 2

1
N

N 1

w
n=0

nk
N

; k = 0,1,..., N 1

la raz primitiva N-sima de la unidad.

N

En forma matricial se expresa:

249

1
y0
1
y
1
w
1

y2
1 w 2

1
.
. = N .
yk
1 w k

.
,
.
N
y
1 w 1

N 1

[ ]

donde FN = w nk

N 1

n ,k =0

1
w2
w4
.
w2k
.
2 ( N 1)
w

.
1
.
w
. w 2
.
.
.
wk
.
.
( N 1)
. w

.
1
0
.
w N 1 1
. w 2( N 1) 2

.
.
.
. w ( N 1)k k

.
.
,
. w ( N 1)( N 1) N 1

la matriz de Fourier de orden N.

Al vector se le denomina transformada discreta de Fourier del vector y ; denotndose como

: = DFT ( y ) .
Una forma de obtener la DFT es a travs del algoritmo

FFT (Fast Fourier Transform);

desarrollado por diseado por J.W. Cooley y John Tukey en 1965.

Si la funcin que interpolamos es una funcin real de periodo T;
donde k = 0,1,..., N 1 ; que utiliza la forma general:

g (t ) = n (a n cos(nwt ) + bn sin(nwt ) )
con w = 2

ao =

0
N

; suponiendo que N = 2 M ; si = DFT ( y ) ; entonces:

; an =

2 Im( n )
2 Re( n )

; (n = 1,2,..., M 1) ; a M = M ;
; bn =
N
N
N

y el polinomio trigonomtrico:
M 1

g (t ) = a 0 + (a n cos(nwt ) + bn (nwt ) ) + a M cos( Mwt )

n =0

250

g (t k ) = y k ;

Ejemplo
Utilizamos los datos del ejemplo 2; serie X t ; sin tendencia; que se cargan en R:
>y <- c(0.323027827
2.604736789;

-0.738124684;

4.537192839;

2.548626219;

-0.281638647;

1.202761696;

2.505164067;

3.786603757;

2.882018343; 2.369627491; 0.852706545; -0.824994893; -1.637716864; 2.25061832; -4.212245866;

-4.628168995; -4.884516748; -4.606265808; -

4.832662799, -5.024859396

-5.264607805;

-3.795776075;

3.75917228; -3.827743607; -4.227666609; -2.146472166;

1.299914689;

0.741084701;

2.494315284;

-1.176118654;

0.969390431;

2.572570135; 4.566052768; 4.551800817; 4.093968956

1.591509703;

4.8307686;

4.506804092;

5.317472861;

3.922041704;

3.119257741;

1.637838373;

1.310811053;

1.30987963;

1.365242501;

1.065470411;

3.278613974;

1.550471324; 0.824032479; -1.747812061; -0.298707783; -1.581339071; 2.24208859;-1.495846423;

-1.044908103;

-0.190374706;

0.380989772;

1.01953942; -2.168259106; -1.511547698; -1.230496273; -2.216220919; 2.507357658;

-2.430312769;

1.020897877;

-0.609700176;

-1.93130783;

-1.855687473;

-0.617763633;

-2.8340453;

0.127473247;

0.900574754;

0.170835155; -0.849866595; 0.159510213; -1.147782448; -2.817090398; 2.220483265;

-1.701096798;

0.381269939;

1.697401014;

.869379435;

2.846112408;

2.707533939;

3.016404109;

2.841756183;

1.633645998;

0.298897198;

0.367395225;

0.645278822;

1.092542147;

1.131070577;

0.075107037; 0.979539535; 0.480475826; -0.551598408; -1.569180997; 2.198930053; -2.85734981)

Se calcula la transformada de Fourier

>z <- fft(y)

A travs de la inversa se obtiene de nuevo la serie y:

>y2 <- fft(z;inverse=TRUE)/100

Para representar el periodograma solo se necesitan los (n/2)+1 valores de la FFT:

>CF = abs(fft(y)/sqrt(100))^2
>P = (4/100)*CF[1:51]

Obtenemos las frecuencias armnicas de 1/100 en pasos de 0 a 0.5;

> f=(0:50)/16

y realizamos la representacin grfica del periodograma:

> plot(f; P; type="l")

251

4
3
0

0.0

0.5

1.0

1.5
f

Se puede calcular directamente el espectro con:

> spec.pgram(y)

252

2.0

2.5

3.0

1e-03

1e-01

spectrum

1e+01

Series: y
Raw Periodogram

0.0

0.1

0.2

0.3

0.4

0.5

frequency
bandwidth = 0.00289
TEST SOBRE EL PERIODOGRAMA
Una forma de contrastar la existencia de algn ciclo en el periodograma de una serie temporal es

el test de Fisher; estadstico g (Fisher; 1929) o relacin entre la mayor varianza asociada a una
determinada frecuencia ( i ); y la varianza total de la serie.

g=

max w p
n

w
2
P =1

Para probar la significacin del periodo p se contrasta el estadstico g contra la z de una

distribucin normal (0;1); siendo la regla de decisin rechazar la hiptesis nula sobre un
componente peridico en Yt si la g calculada excede de la z en un nivel de significacin del
100%.
La manera habitual de contrastar la existencia de algn ciclo en el periodograma de una serie
temporal a travs del estadstico es calculando:

253

G=

max S 2
2S 2

El ciclo es significativo si el valor G de esta relacin es igual al valor crtico calculado segn la
siguiente frmula:

Gc = 1 e

ln( p ) ln( m )

m 1

Siendo ln(p) el logaritmo neperiano del nivel de probabilidad elegido y m el nmero total de
datos de la serie (en series de ms de 30 datos).
Una prueba para estudiar la dependencia serial (Durbin; 1969) en series de observaciones
estacionarias y1 ,..., yT se realiza sobre la grafica del periodograma acumulado:
j

pr

sj =

r =1

r =1

donde r = 1,..., m es el periodograma ordinario:

2
pr =
T

y e
t =1

(2irt ) T

El periodograma p j calculado para series y1 ,..., yT de variables independientes N ( , 2 ) ; se

calcula:

aj =

2 T
2 T
2jt
2jt
1
2
2
y
cos
;
b
=
y i sin

; p j = a j + b j , j = 1,..., T ,

i
j
T t =1
T t =1
T
T
2

donde T = T para T y T para el extremo de T; por simplicidad asumimos que el

2
2
2 2
extremo de T es T = 2m + 1 .
Y su representacin grfica de p j contra j presenta una alta apariencia de irregularidad en su
inspeccin visual. Por ello; una mejor manera de presentar la informacin de los p j ' s es
hacerlo a travs del grfico del periodograma acumulado; s j .
Se presupone que cuando y1 ,..., yT esta independientemente y normalmente distribuida;

s1 ,..., s m 1 se distribuye igual que el orden estadstico de m 1 muestras independientes de la

distribucin uniforme (0;1). Bartletts (1954;1966; p 361) sugiere para probar la independencia
serial; probar la mxima discrepancia entre s j y su expectativa; ie. j / m . Para una probar un
exceso de bajas frecuencias relativas frente a altas frecuencias; que equivaldra a la expectativa
de presencia de correlacin serial positiva este enfoque conduce al estadstico:

c + = max s j
j
m

254

Por el contrario un test contra excesos de variaciones de alta frecuencia el estadstico apropiado
es:

c = max s j
j
m

El estadstico que corresponde a las dos partes de la prueba sera:

c = max s j
j

j
= max c + , c
m

Este estadstico esta estrechamente relacionado con el de Kolmogoroiv-Smirnov Dn+ , Dn , Dn y

su forma modificada C n+ , C n , C n considerado por Pyke (1959) y Brunk (1962). Por ejemplo;

Dn = max{s j ( j 1) (m 1)}y C n = c + .
j

Los valores crticos para estos estadsticos estn dado en la Tabla nI.1; y el procedimiento para
utilizar estos valores es como sigue. Si deseamos probar el test de un exceso de bajas
frecuencias frente a las altas frecuencias; entonces el valor obtenido en la tabla, c0 es el valor
crtico apropiado al valor de c + ;se dibujara en el grfico la lnea; y = co + j m y la
trayectoria que muestra s j ; obteniendo los valores que sobrepasan la lnea

(j

m , s j ) . Si s j

cruza la lnea; se rechaza la hiptesis de independencia serial. De igual manera; un test sobre al
exceso de altas frecuencias frente a las bajas frecuencias se rechaza si el trayectoria de s j cruza
la lnea y = co + j m .

255

Ejemplo
Partimos de una serie temporal generada a partir de un paseo aleatorio o random walk:

Yt = 0,5 + Yt 1 + u t .

La serie Yt presenta una tendencia estocstica; y vamos a descomponerla utilizando un modelo

armnico; partiendo de una representacin de la tendencia movimiento relevante de la serie

256

temporal obtenida a partir de una tendencia cuadrtica; T

ciclos armnicos ( k ) y un residuo

aleatorio vt :

Yt = a + bt + ct 2 + (a p cos p 0 t + b p sin p o t ) + vt
k

de manera que

Yt a bt ct 2 = X t = (a p cos p 0 t + b p sin p o t ) + vt
k

En las figuras siguientes se representa la serie de tendencia y la serie de ciclo en la que se va a

estimar un modelo de regresin armnica:
60
50
40
30

serie
tendencia

20
10
0
1

15

22

29 36

43

50 57

64 71

78

85 92

99

-10

El armnico de periodo 100 se elabora a partir de cos 2 t

100

) y sin (2 t 100)para

t=1;.;100. La representacin grfica de ambas series aparece en la figura siguiente:

257

La regresin minimo cuadrtica entre ambas series y la serie libre de tendencia ( X t ); ofrece el
siguiente resultado:

X t = 1,9645989 cos 2 t

100

)+ 0,1982775 sin (2 t 100)+ v

El armnico de periodo 100 tendr la apariencia de la figura siguiente:

Este proceso repetido para los 50 periodos permite obtener los coeficientes con los que elaborar
el peridograma y obtener la contribucin de cada armnico a la varianza de la serie:

258

Frecuencia

Periodo

ap

bp

(
I ( ) =

T a 2p + bp2

) (a

2
p

+ b p2
2

100;0

1;9645989

0;1982775

31;0269598

1;94948138

50;0

-4;5393342

-1;2467640

176;3434804

11;0799877

33;3

-0;8601427

0;9799692

13;5296423

0;8500925

25;0

0;0835776

0;8487047

5;7875496

0;36364247

20;0

0;4166653

-0;3232265

2;2129323

0;13904264

16;7

-0;2059344

-0;3631882

1;3871519

0;08715732

14;3

0;4043324

-0;6204093

4;3639683

0;27419622

12;5

0;9442994

0;2493234

7;5906052

0;47693179

11;1

0;3926785

-0;0310192

1;2347129

0;0775793

10

10;0

0;1283672

-0;0894678

0;1948265

0;01224131

11

9;1

0;5348622

-0;1026948

2;3604572

0;1483119

12

8;3

0;4157705

-0;6015541

4;2552659

0;26736624

13

7;7

-0;0913588

-0;1203558

0;1816908

0;01141597

14

7;1

-0;3283259

-0;6568280

4;2909838

0;26961046

15

6;7

0;2314942

-0;3688880

1;5093294

0;09483396

16

6;3

0;0228915

-0;5384152

2;3110490

0;14520749

17

5;9

0;6861954

0;2823306

4;3813344

0;27528736

18

5;6

-0;0680460

0;2345241

0;4745347

0;02981589

19

5;3

0;3848785

-0;1703442

1;4097036

0;08857429

20

5;0

0;0347357

0;6665654

3;5453033

0;22275798

21

4;8

0;1779031

-0;4472488

1;8436590

0;11584051

22

4;5

-0;4350383

0;1164205

1;6139270

0;10140602

23

4;3

0;1130713

-0;3521380

1;0885109

0;06839315

24

4;2

0;1497142

-0;0947065

0;2497433

0;01569184

25

4;0

-0;0408499

-0;2790311

0;6328565

0;03976354

26

3;8

0;4000049

-0;0587758

1;3007618

0;08172927

27

3;7

-0;1788847

0;1668144

0;4760862

0;02991338

28

3;6

0;0722675

-0;0849189

0;0989451

0;0062169

29

3;4

0;3224180

-0;0273876

0;8332036

0;05235173

30

3;3

-0;2087289

0;0631024

0;3783880

0;02377482

31

3;2

0;1048227

-0;2653191

0;6476174

0;040691

32

3;1

0;1786666

-0;3176133

1;0567885

0;06639998

33

3;0

-0;1230019

-0;1984293

0;4337265

0;02725184

34

2;9

-0;0622384

0;0264338

0;0363857

0;00228618

35

2;9

-0;1590939

-0;1623496

0;4111630

0;02583413

36

2;8

0;1014609

-0;1111765

0;1802790

0;01132727

37

2;7

0;2002842

-0;1353838

0;4650711

0;02922128

38

2;6

0;0203165

-0;3006128

0;7224110

0;04539042

259

Frecuencia

Periodo

ap

bp

(
I ( ) =

T a 2p + bp2

) (a

2
p

+ b p2

39

2;6

-0;1624371

-0;1121361

0;3100362

0;01948015

40

2;5

0;0803258

-0;0195769

0;0543950

0;00341774

41

2;4

0;2538179

-0;0592717

0;5406229

0;03396834

42

2;4

0;1153917

0;0975809

0;1817332

0;01141864

43

2;3

0;0424267

-0;0466046

0;0316083

0;00198601

44

2;3

-0;1812651

0;0086732

0;2620665

0;01646612

45

2;2

0;1713397

-0;1175139

0;3435104

0;0215834

46

2;2

0;1209881

0;0456828

0;1330937

0;00836253

47

2;1

0;2881007

-0;3457646

1;6118830

0;1012776

48

2;1

0;0070527

0;0817615

0;0535929

0;00336734

49

2;0

0;0804486

-0;1183934

0;1630461

0;01024449

50

2;0

0;0000000

-0;0938575

0;0701016

0;00440461

Como vemos es el segundo armnico; el ciclo de periodo 50; el que ms contribuye a la

varianza de la serie.

La representacin grfica del periodograma de la serie de ciclo sera entonces el siguiente:

Para comprobar la significacin estadstica del ciclo de o periodo 50; calculamos es

estadstico G =

max S 2
11,07999
=
= 0,37605
2
2 18,0681
2S

El ciclo es significativo para un nivel de probabilidad del 95% ya que el valor G de esta relacin
superior al valor crtico calculado Gc = 1 e

ln( 0 , 05 ) ln( 50 )
49

= 0,1315 .

La representacin grfica del test sobre el periodograma acumulado:

260

1,4000000
1,2000000
1,0000000
0,8000000
0,6000000
0,4000000
0,2000000
0,98

0,92

0,86

0,8

0,74

0,68

0,62

0,56

0,5

0,44

0,38

0,32

0,26

0,2

0,14

0,08

-0,2000000

0,02

0,0000000

Contrastar la presencia de ciclos de baja frecuencia frente a los ciclos de alta frecuencia; al
cruzar la trayectoria de s j ; la banda superior de los valores crticos del test.

ENVENTANADO

Hasta ahora hemos supuesto que las frecuencias eran frecuencias de Fourier y por tanto

T
= p = 2 p T ; donde p indica el orden del armnico de los ciclos si T es par o
2

T 1
si T es impar; y se interpreta como el nmero de veces que un sinusoide (un armnico) de
2
frecuencia p ejecuta un ciclo completo en la muestra considerada; es decir si p = 4 ; la
frecuencia asociada 4 = 2 4

al armnico determina que este ejecute 4 ciclos completos a

lo largo de T. A este tipo de frecuencias se denominan frecuencias de Fourier;

Si suponemos que existe un armnico que se repite cuatro veces y media; dicha frecuencia no
producir ciclos enteros en la muestra y nos encontramos con una frecuencia que no es de
Fourier.

Estas frecuencias originan un problema que se denomina leakage o distorsin; que determina
que los pesos significativos del periodograma se repartan entre frecuencias contiguas.
Una de las maneras de solucionar el leakage consiste en aplicar transformar la serie original
multiplicndola por una expresin que se denominan Data Windows o taper; y obtener el
periodograma a partir de la serie transformada.

As es estimador de la funcin de densidad espectral puede considerarse como:

f ( ) = w I

261

Donde w es la funcin de pesos o ventana espectral y I es el periodograma.

Dado de que lo que se trata es de promediar algunos valores contiguos del periodograma; podra
utilizarse una media mvil de amplitud n :

n 1
1
; t = 0 1 2 ...
wt = n
2
0; en otro caso

Han sido propuestas gran nmero de ventanas; las ms utilizadas son:

Ventana de Tuckey

t
wt = 1 2a + 2a cos ; t = 1,2,...., T
T
Cuando a = 1 ; tenemos la ventana de Tuckey-Hamming.

Ventana de Parzen

3
2

t
T
t
1 6 + 6 , t = 1,2,...,
2
T
T

3
wt =

t
T
21
, t = ,..., T
M
2

Boxcar;

t + 1
1
2 , t = 1,2,..., m

1 cos

2
m

wt = 1, t = m + 1, m + 2,...T m

2 t + 1
1

2 , t = T m + 1,..., T
2 1 cos

donde m es arbitrario; si bien suele elegirse un valor de m m tal que 2m

se site entre 0;1 y

0;2.
RELACIN DEL PERIODOGRAMA Y LA FUNCIN DE AUTOCOVARIANZA
En un sentido amplio; para que un proceso sea estacionario es suficiente que su esperanza y su

funcin de autocovarianza sea independiente de t.

Es decir;

262

E ( xt ) = E ( xt + k ); k .
Si un proceso es estacionario en media; entonces =

1 n
xi es un estimador insesgado y
n i =1

consistente de E ( xt ) .
Si un proceso es estacionario en covarianza; se cumple la siguiente igualdad
(t , ) = E ({x(t ) E[x(t )]} {x(t + ) E [x(t + )]}) = ( ) ; lo que significa que la funcin
de autocovarianza no depende de t; ( ) = ( ) ; y el estimador de ( ) viene dado por

1 nk
( xt )( xt + k ) .
n t =1

C(K ) =

La varianza; (0) ; se estimara a partir de C (0) =

1 n
( xt )( xt ) .
n t =1

La idea bsica del anlisis espectral es que todo proceso estocstico estacionario admite una
descomposicin nica de su varianza; en la aportacin que a la misma realizan armnicos de
diferentes frecuencias. Un armnico de frecuencia es una funcin de la forma:

a cos( t ) + b sin( t ) 23
En el anlisis armnico; las series temporales no son consideradas funciones continuas como
tal; sino que se obtienen a partir de una suma de n ciclos con una amplitud y un periodo
determinado; o lo que es lo mismo n de diferentes armnicos:
n

x(t ) = a i cos( i t ) + bi sin( i t ) ; 0 < 1 < 2 < ... < n

i =1

Siendo a i y bi variables aleatorias con24

E (ai ) = E (bi ) = 0
2 ; si i = j
E (ai a j ) = E (bi b j ) =
0; si i j
E (ai b j ) = 0 i, j
En este tipo de procesos la funcin de autocovarianza ( ) se obtiene:
n

( ) = i2 cos( i )
i =1

23

La expresin

a cos( t ) + b sin( t ) da lugar a una funcin peridica de periodo 2

24

La estacionariedad de este proceso aleatorio puede seguirse en Contreras, D y Escolano J (1984): EI

anlisis espectral como instrumento para detectar la estacionalidad. ESTADISTICA ESPAOLA
Nm. 104, i 984, pgs. 101 a 144 http://www.ine.es/revistas/estaespa/104_6.pdf

263

En donde i es la varianza del armnico i-esimo; de manera que en (0) =

i =1

2
i

se muestra

que la varianza total del proceso es la suma de las varianzas de cada armnico.
TEOREMA DE PASERVAL
Sea f una funcin continua en el intervalo [ , ] de periodo 2 ; con desarrollo de Fourier

de f :

c e

f ( x) =

x =

inx

donde los coeficientes

c n han sido obtenidos a partir de los coeficientes a n , bn .

Entonces se verifica que:

n =

1
2

f (x )

dx

Particularizando a la serie funcin peridica f (t ) , con periodo T =

f (t ) = 1 a 0 + a n cos(n 0 t ) + bn sin(n o t )
2
n =1
La identidad de Paaserval quedara:

[ f (t )]2 = 1 ao2 + a n2 + bn2

2
n =1
1

Las series temporales no son consideradas funciones continuas como tal; sino muestras de
seales continuas tomadas a una misma distancia temporal a partir de un valor inicial Yo y
siendo T el tamao de la serie. De acuerdo a lo anterior; en la funcin peridica f (t ) la
potencia promedio est dada por:
T

1 T 2
1 2 1 2 2
2
[
f
(
t
)
]
=
ao + a n + bn2
T T 2
4
2 n =1

que muestra as que el periodograma estudia de hecho la distribucin de la varianza o potencia

de la serie en funcin de los diversos armnicos:

2 =

1 q 1 2
a n + bn2 + aT2 , q = T

2
2
2 n=1

CROSS-ESPECTRO DE UN PROCESO BIVARIANTE

264

Un proceso bivariante z (t ) es un par formado por dos procesos univariantes; x(t ) y y (t ) ;

donde E [x(t )] = x (t ) y E [ y (t )] = y (t ) .
La funcin de autocovarianza de x(t ) ser:

x (t , ) = E{( x(t ) x (t ) )( x(t + ) x (t + ) )}

en tanto que la funcin de autocovarianza de y (t ) ser:

y (t , ) = E {( y (t ) y (t ) )( y (t + ) y (t + ) )}
Se denomina funcin de cross-varianza o covarianza cruzada a:

xy (t , ) = E {( x(t ) x (t ) )( y (t + ) y (t + ) )}

Hay que sealar que xy (t , ) no es igual a yx (t , ) ; pero existe una relacin entre las dos
funciones; ya que

xy (t , ) = yx (t + , )
Sealar; por ltimo; que la covarianza entre x(t ) y y (t ) sera yx (t ,0) .
Si se asume la estacionariedad de x(t ) y y (t ) ; entonces E [x(t )] = x y E [ y (t )] = y ; y la
funcin de cross-varianza no depender ms que del retardo .
Suponiendo que x = y = 0 ; se comprueba que xy (t , ) ; no depende ms que del retardo ;
es decir xy (t , ) = xy ( ).

xy (t , ) = E{(x(t ) )( y (t + ) )} = E{( x(t + s) )( y (t + s + ) )}, s, t

La funcin de correlacin cruzada se define como:

xy ( ) =

xy ( )
x (0) y (0)

Cuando = 0 ; xy (0) es la covarianza habitual y

xy (0) =

xy (0)
x (0) y (0)

el coeficiente de correlacin de Pearson entre x(t ) y y (t ) .

Los estimadores de xy ( ) y xy ( ) se calculan as:

1 T k
T ( x(t ) x )( y (t + k ) y ) ; k = 0, 1, ... , T 1
C xy (k ) = T k t =1
1 ( x(t ) x )( y (t + k ) y ) ; k = 1, 2, ... ,(T 1)
T t =1

265

C xy (k )

rxy (k ) =

C x ( 0) C y ( 0)

La funcin de autocovarianza que obtenemos en el dominio temporal; tiene tambin su

correspondiente representacin en el dominio frecuencial; esta es el cross-espectro o espectro
cruzado. As; si partimos de dos procesos estacionarios x(t ) y y (t ) ; con la siguiente
representacin espectral:

x(t ) = cos t dU x ( ) + sent dV x ( )

y (t ) = cos t dU y ( ) + sent dV y ( )
Donde U i ( ) e Vi ( ) ; i = x, y son procesos estocsticos con dominio definido en (0, ) ; con
media 0 y de incrementos incorrelacionados. Dado que dichos procesos son conjuntamente
estacionarios en covarianza; se demuestra que:

E dU x ( ) dU y ( ' ) = E dV x ( ) dV y ( ' ) = E dU x ( ) dV y ( ' ) = E dV x ( ) dU y ( ' ) = 0

si '

[
E [dU

] [
]
( )] = E [dV ( ) dU ( )] = q ( )d

E dU x ( ) dU y ( ) = E dV x ( ) dV y ( ) = C ( )d
x

( ) dV y

Funciones que permiten expresar la cross-varianza como:

xy ( ) = cos t C ( )d + sent q ( )d
Que implica que la covarianza entre x(t ) e y (t ) sea:

xy (0) = C ( )d
0

El cross-espectro se formula como:

f xy ( ) =

xy

( ) e i ; 0

Dado que en general el cross-espectro es complejo; se define el cross-espectro (C) como la parte
real de cross-espectro y el espectro de cuadratura (Q) como la parte imaginaria; que adems
coinciden con C ( ) y q ( ) :

f xy ( ) = C ( ) iq ( )

266

Entonces se deduce que:

C ( ) =

xy ( ) cos
=

q ( ) =

xy ( ) sen
=

Otra forma de presentar las funciones C ( ) y q ( ) ; sera la siguiente:

C ( ) =
C ( ) =

1
2

1
2

xy

( ) cos

xy

( ) cos ;

La representacin trigonomtrica del cross-espectro ser:

f xy ( ) = xy ( ) e

i xy ( )

Donde

xy ( ) = C 2 ( ) + q 2 ( )
Se conoce como espectro de cross-amplitud.
Y

q( )

C ( )

xy ( ) = arctg

Llamado espectro de fase.

Del cross-espectro y de la funcin de densidad espectral individual de las dos series x(t ) e y (t )
se obtiene la funcin de coherencia:

R( ) =

C 2 ( ) + q 2 ( )
.
f x ( ) f y ( )

El cross-espectro representa la aportacin a la covarianza entre x(t ) y y (t ) de sus diversos

componentes armnicos. Como su interpretacin no es simple; se utilizan las funciones de
espectro de fase y coherencia; ya que el espectro de fase revela el desfase o retardo que en el
comportamiento cclico sigue una serie respecto a la otra; y el anlisis de la funcin de
coherencia permite identificar si la correlacin que se da entre las dos series se debe a que
ambas siguen un comportamiento cclico en determinados periodos; permitiendo identificar la
duracin o periodo de los armnicos que dominan en ambas series a la vez y que producen una
alta correlacin.

267

La construccin del cross-espectro cuando = 0 ; y xy (0) es la covarianza habitual; da lugar a

las siguientes funciones C ( ) y q ( ) :

xy (0)
2

C ( ) =

q ( ) = 0
Ya que el coseno de = 0 ; es uno; y su seno es cero.
Si E [x(t )] = x = 0 y E [ y (t )] = y = 0 ; es decir ambas series tienen un valor medio igual a
cero; la covarianza entre xt e y t ; sera xy (0) =

x y
t =1

;y la parte real del cross-espectro se

obtendra a partir de:

1
2

C ( ) =

x y
t =1

TEOREMA DE PLANCHAREL
Sean A(x) y B (x) dos funciones continuas de periodo 2 cuyos desarrollos de Fourier son

A( x) =

a e

x =

inx

B( x) =

b e

x =

inx

Entonces se verifica la relacin de Plancharel entre los correspondientes productos escalares:

a b

n =

n n

1
2

A(x )B(x )dx

Si A( x) = B ( x) se obtiene la identidad de Parseval

n =

1
2

A(x )

dx

De igual manera que la identidad de Parseval estudia la distribucin de la varianza de una serie
desarrollada en sus armnicos, la de Plancharel estudia la covarianza entre dos series
desarrolladas en sus armnicos.

268

Partiendo de una serie armnica xt =

k

(a
k

p =1

cos p 0 t + b p sin p o t ) y otra definida como

yt = a *p cos p 0 t + b *p sin p o t , en donde k = T

p =1

( )
observaciones es par T o k = T 1

armnicos si el nmero de

si es impar, la expresin de la igualdad de Plancharel

sera:
T

1 T 2
1 2 *
y
x
=
a n a n + bn*bn

t
t

T
T 2
2 n =1

El producto escalar de xt por y t

T k

*
*
x

y
=
(a p cos p 0 t + b p sin p o t ) a p cos p 0 t + b p sin p o t

t
t
t =1
t =1 p =1

T
*
*
2 a a +b b
p p
T p p
2 t =1
2

equivale a

269

BIBLIOGRAFA
Albright,R., Lerman,S. y Manski,C. (1977), Development Of An Estimation Program For The
M. Probit Model. Federal Highway Administration

Akaike, H. (1974), A new look at the statistical model identification, IEEE Transactions on
Automatic Control AC-19, pp. 716723.

Amemiya, T. (1978), On A Two-Step Estimation Of A Multivariate Logit Model, Journal Of

Econometrics 8.

Anderson, R. L. (1942), Distribution of the Serial Correlation Coefficient, Annals of

Mathematical Statistics, 1942: 1-13.

Aznar, A. y Trvez, F. J. (1993), Mtodos de Prediccin en Economa II: Anlisis de Series

Temporales, Ed. Ariel.

Balestra, P. y Nerlove, M. (1966), Pooling Cross Section And Time Series Data In The
Estimation Of Coefficients In A Structural Equation, Econometrica 34.

Bassmann, R. (1957). A Generalized Classical Method Of Linear Estimation Of Coefficients

In A Structural Equation. Econometrica 25, pp. 77-83

Box, G.E.P., Jenkins, G.M. y Reinsel, G.C. (1994), Time Series Analysis - Forecasting and
Control, 3rd Edition, Prentice Hall.

Breitung J, Bruggemann R, L Lutkepohl H (2004). Structural Vector Autoregressive Modeling

and Impulse Responses. In H Lutkepohl, M Kratzig (eds.), Applied Time Series
Econometrics, chapter 4, pp. 159196. Cambridge University Press, Cambridge

Burns, A.F. y Mitchell, W.C. (1947), Measuring Business Cycles, New York: Columbia
University Press For The NBER.

Chateld, Cris (2004). The Analysis of Time Series: An Introduction (6th edn.), 2004. CRC Press

270

Chow, G.C. (1983), Econometrics, McGraw-Hill, New York.

Christ (1960). Simultaneus Equations Estimation: Any Veredict Yet?. Econometrica 28, pp.
835-845.
Cleveland, R.B. , Cleveland W. S., McRae J. E, y Terpenning I. (1990). STL: A SeasonalTrend Decomposition Procedure Based on Loess. Journal of Official Statistics, 6, 373.

Cochrane, D. y Orcutt, G. H. (1949a), Application Of Least Squares Regression To

Relationships Containing Autocorrelated Error Terms, Journal of American Statistical
Association 44, pp. 32-61.

Cochrane, D. y Orcutt, G. H. (1949b), A Sampling Study Of The Merits Of Autorregressive

And Reduced Form Transformations In Regression Analysis Journal of American Statistical
Association 44, pp. 356-372.

Contreras, D y Escolano J (1984): EI anlisis espectral como instrumento para detectar la

estacionalidad. ESTADISTICA ESPAOLA Nm. 104, i 984, pgs. 101 a 144 .

Dickey, D.A. y W.A. Fuller (1979), Distribution of the Estimators for Autoregressive Time
Series with a Unit Root, Journal of the American Statistical Association, 74, p. 427431.

Durbin, J. y Koopman, S. J. (2001), Time Series Analysis by State Space Models (Oxford
Statistical Science Series, n 24), Oxford University Press.

Durbin, J. y Watson, G. S. (1950), Testing for Serial Correlation Least Squares Regressions,
Biometrika, vol 37. pp. 409-428.

Engle, Robert F. (1974), Band Spectrum Regression,International Economic Review 15,1-11.

Frisch, R. (1933). Pitfalls In The Statistical Construction Of Demand and Supply Analysis,
Hans Buske Verlag. Leipzig.

Frisch, R. (1936). Note On Term 'Econometrics' , Econometrica 1, pp. 1-4.

Gallant, A. R.(1981) "On the Bias in Flexible Functional Forms and an Essentially Unbiased
Form." J. Econometrics 15(1981):211-45.

271

Gallant, A. R.(1984) "The Fourier Flexible Form." Amer. J. Agr. Econ. 66(1984):204-15
Goldfield, S. M. y Quandt, R. E. (1965), Some test for Homocedasticy, Journal of American
Statistical Association. Vol 37. pp 539-547.

Granger, C. W. J. (1969), Investigating causal relations by econometric models and crossspectral methods, Econometrica 37, p. 424-438.

Granger, C.W.J.(1981), Some properties of time series data and their use in econometric model
specification, Journal of Econometrics 16, pp. 121-130.

Granger, C.W.J., y Newbold, P. (1974), Spurious regressions in econometrics, Journal of

Econometrics 2, pp. 111-120

Greene, W. H. (2000), Anlisis Economtrico, Ed. Prentice Hall

Gujarati, D. (1997), Basic Econometrics, McGraw-Hill

Gujarati, D. (2003), Econometra, Ed. McGraw-Hill

Haavelmo, T. (1943). The Statistical Implications Of A System Of Simultaneous Equations.
Econometrica 11, pp. 1-12.

Haavelmo, T. (1944). The Probability Approach In Econometrics, Suplemento de

Econometrica 12. pp. 1-118.
Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press.

Hannan, E.J. (1963), Regression for Time Series, in Rosenblatt, M. (ed.), Time Series Analysis,
New York, John Wiley.

Harvey, A.C. (1978), Linear Regression in the Frequency Domain, International Economic
Review, 19, 507-512.

Hausman, J.A. (1974), Estimation and Inference in Nonlinear Structural Models, Annals of
Economic and Social Measurement, con Berndt E., Hall R.E. y Hall, B.H. October 1974.

272

Hausman, J.A. (1974): Full Information Instrumental Variables Estimations of Simultaneas

Equations Systems, Annals of Economic and Social Measurement, Vol 3. n 4. pp. 641-652.

Hausman, J.A. (1978), Specification tests in econometrics, Econometrica, 46, pp. 1251-71.

Hildreth, C. (1960). Simultaneus Equations Estimation: Any Veredict Yet?. Econometrica 28,
pp. 846-854.

Hyndman, R. (2014): Forecasting functions for time series and linear models. R-Package
Version 5.5, URL http://cran.r-project.org/web/packages/forecast/index.html

Hsiao, C. (1986), Analysis of Panel Data. Cambridge University Press.

Johnston, J. (1997), Econometric Methods. McGraw-Hill.

Johnston, J. y Dinardo, J. (2001), Mtodos De Econometra, Ed. Vicens-Vives 3 Ed.

Intriligator, M. D. (1978). Econometrics Models. Techniques And Applications. North-Holland.

New York.

Klein, L. R. (1960). Single Equation Vs. Equation System Methods Of Estimation In

Econometrics. Econometrica 28, pp. 866-871.

Klein, L. R. y Goldberger, A. (1955), An Econometric Model Of United States, 1929-1952.

North-Holland, Amsterdam.

Koopmans, T.C., Rubin, H. y Leipnik, R.B. (1950). Measuring The Equation System Of
Dinamic Economics, en Statistical Inference In Dinamic Economic Models, Cowles
Commision Monografico n 10. John Wiley. Nueva York.

Kuh, L.M. (1959), The Validity Of Cross-Sectionally Estimated Behavior Equations

Econometrica 27.

Liu, T. (1960), Underidentification, Structural Estimation, And Forecasting Econometrica 28,

pp. 855-865.

273

Lucas, R.E. (1972), Expectations And The Neutrality Of Money Journal Of Economic Theory
4, pp. 103-124.

Lucas, R.E. (1973), Some International Evidence On Output-Inflation Tradeoffs, American

Economic Review 63, pp.326-334.

Lucas, R. E. (1976), Econometric Policy Evaluation: A critique, Journal of Monetary

Economics 1, n 2, Supplementary Series: 19-46.

McFadden, D. (1974), Conditional Logit Analysis Of Qualitative Choice Behaviour, en

Frontiers In Econometrics, Ed. P. Zarembka, Academic Press. Nueva York.

McFadden, D. (1976), Quantal Choice Analysis: A Survey, Annals Of Economic And Social
Measurement.

Melis F.(1991):La estimacin del ritmo de variacin de las series econmicas. Estadstica
Espaola Vol 22,Num. 126, pgs 7 a 56.

Mitchell, W. C. (1928), Business Cycles: The Problem In Its Setting. National Bureau Of
Economic Research.

Mood, A. M. (1950), Introduction to the Theory of Statistics, McGraw-Hill.

Moore, H. L. (1914), Economic Cycles: Their Law And Causes. Macmillan Press. Nueva York.

Moore, H. L. (1917), Forecasting The Yield And The Price Of Cotton. Macmillan Press.

Muth, J.F. (1961), Rational Expectations And The Theory Of Price Movements,
Econometrica 29, pp. 315-335.

Novales, A. (1993), Econometra, 2 Edicin, McGraw-Hill.

Parra F (2014): Seasonal Adjustment by Frequency Analysis. Package R Version 1.1. URL:
http://cran.r-project.org/web/packages/descomponer/index.html

274

Pindyck, R. S. y Rubinfield, D. L. (1976), Econometric Models and Economic Forecast,

McGraw-Hill.

Pindyck, R. S. y Rubinfield, D. L. (1980), Modelos Economtricos, Ed. Labor.

Pfaff B (2008). VAR, SVAR and SVEC Models: Implementation Within R Package vars."
Journal of Statistical Software, 27(4). URL http://www.jstatsoft.org/v27/i04/.

Pfaff B (2013).Unit root and cointegration tests for time series data. Package R.Version 1.2-8.
URL: http://cran.r-project.org/web/packages/urca/index.html

Pulido, A. (1983), Modelos Economtricos, Ed. Pirmide

CoreTeam

computing.

(2013).

R:

Foundation

A
for

language
Statistical

and

environment

Computing,

for

Vienna,

statistical
Austria.

URL http://www.R-project.org/.

Rosenberg, B. (1973), A Survey Of Stochastic Parameter Regression, Annals Of Economic

And Social Measurement 2.

Ripley, B (2002): Time Series in R 1.5.0. R News. The Newsletter of the R Project. Volume
2/2, June 2002.

Samuelson, P. A., Koopmans, T. C. y Stone, J. (1954), Report Of The Evaluative Committe

For Econometrica, Econometrica 22, pp. 141-146.

Sargan, J. D. (1958), The Estimation Of Economic Relationships Using Instrumental

Variables, Econometrica 26, pp. 393-415.

Sargent, T. (1973), Rational Expectations, The Real Rate Of Interest And The Natural RateOf
Unemployment, Brookings Papers On Economic Activity 2, pp. 429-472.

275

Sargent, T.J. (1984), Vector autoregressions, expectations and advice, American Economic
Review 74, pp.408-415

Sargent, T. y Wallace, N. (1975), Rational Expectations And The Theory Of Economic

Policy, Journal Of Monetary Economics 2, pp. 169-184.

Schultz, M. (1938), The Theory And Measurement Of Demand, Chicago University Of

Chicago Press.

Schwarz, G. (1978), Estimating the dimension of a model, Annals of Statistics 6, 461464.

Signal

developers

(2013).signal:

Signal

processing

R-Package

URL

http://cran.r-

project.org/web/packages/signal/.

Sims, C. A. (1980), Macroeconomics and Reality, Econometrica, vol. 48, p. 1-48

Sims, C.A. (1982), Policy Analysis With Economic Models, Brookings Papers On Economic
Activity 1, pp. 107-164.

Stewart, M. y Wallis, K. (1984), Introduccin a la Econometra, Alianza Editorial.

Swamy, P. A. y Menhta, J. S. (1977), Estimation Of Linear Models With Time And CrossSectionaly Varying Coefficients, Journal Of The American Statistical Association 72.

Theil, H. (1954), Estimation Of Parameters Of Econometrics Models, Bulletin Of

International Statistics Institute 34, pp.122-128.

Tinbergen, J. (1930), Bestimmung Und Deutung Von Angebotkurven, Zeitschrift Fr

Nationalkonomie 1.

Venables, W. N. y Ripley, B. D. (2002), Modern Applied Statistics with S. 4 Ed., Springer.

276

White, H. (1980), An Heteroskedastic-Consistent Regression with Independent Observation,

Econometrica 48, pp. 817-838.

Working, E.J. (1927), What Do Statistical Demand Curves Show?, Quarterly Journal Of
Economics 41.

Wright, P.G. (1915), Review Of Economic Cycles By Henry Moore, Quarterly Journal Of
Economics 29.

Wright, P.G. (1928), The Tariff On Animal And Vegetable Oils, New York, The Mcmillan

277