Beruflich Dokumente
Kultur Dokumente
ECONOMETRA APLICADA II
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:
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:
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
e) Homogeneidad: Un nmero ndice no puede estar afectado por los cambios que se realicen
en las unidades de medida.
1.2.
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
I 0t = I ii1
i =1
p0t =
pit
100
pI 0
6
q 0t =
qit
100
qI 0
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:
Magnitudes
ndices simples
Magnitud 1
X10
X1t
Magnitud 2
X20
X2t
Magnitud N
XN0
XNt
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
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
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
Indice ponderado
2000
2001
2002
Media aritmtica
100
108,57
119,67
1.4.
NDICES DE PRECIOS.
a) ndice de Laspeyres
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.
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
I i wi
i =1
N
p
i =1
it
i =1
N
i =1
N
p
i =1
it
qit
io
qit
==
1.5.
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
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.
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
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
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
CI tA/ 0 = I sA/ s 1
s =1
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
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.
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
Min-max:
IDt =
xt + 100
2
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.
20
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.
ZT
es el indicador sinttico
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
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:
YT = + CPT + T
Obtenindose la estimacin trimestral de Y a partir de:
yt = + CPt + t
22
1.9.
PROBLEMAS
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.
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)
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
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.
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
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:
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.
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.
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:
28
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.
Dentro de los mtodos de prediccin cuantitativos, se pueden distinguir dos grandes enfoques
alternativos:
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.
29
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
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
2.2.
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.
31
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
Y=TCSI
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
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.
2.3.
ANLISIS DE LA TENDENCIA
33
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.
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.
siendo >0
34
T (t ) =
T
1 be rt
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.
Ejemplo 2.1.
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:
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
37
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.
Estimar una tendencia lineal por el mtodo de MCO equivale a estimar la siguiente funcin:
Yt* = a + bt
(2.1.)
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
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
39
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
0,968745767
R ajustado
0,964838988
Error tpico
0,023756892
Observaciones
10
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
El captulo 8.4 dedicado a la regresin minimo-cuadrada estudia los fundamentos de dicha tcnica y los
estadsticos que se mencionan.
40
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
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
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.
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
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
449733 =
468200 =
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.
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
(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
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
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:
Las frmulas que permiten pasar de los coeficientes de alisado a los coeficientes de la recta son
las siguientes:
( S t' S t'' )
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:
y tomando t = 0, se obtiene:
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.
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
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.
50
2.4.
ANLISIS DE LA ESTACIONALIDAD
Las ventas diarias de un supermercado que suelen presentar entre semana un esquema
bastante regular.
51
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.
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:
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
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
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
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
367867165
84
4379371.01
Total
8156527733
95
para F
1.90453875
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
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.
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
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%
92%
98%
102% 99%
97%
98%
98%
11
79%
82%
84%
89%
89%
86%
84%
85%
12
89%
86%
88%
87%
96%
100% 90%
86%
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
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
L/2
MM ( L) t +0.5 =
t +i
( L / 2 ) +1
, t=
L L
L
, + 1,..., N
2 2
2
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.
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
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.
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
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
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
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:
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
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:
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
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.
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.
64
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 = )
start
end
frequency
65
$x
1951
1952
1953
1954
1955
1956
1957
1958
$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
$type
[1] "additive"
attr(,"class")
[1] "decomposed.ts"
66
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:
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
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
2009
7,8726357
6,8797546
7,8020467
4,2613335
2010
9,1847417
8,8453987
8,5822513
7,4573337
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%
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.
71
3.2.
PROCESOS ESTCSTICOS
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.
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:
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:
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
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
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.
74
entre ambos tipos de series queda patente en los grficos que se muestran en las figuras 3.1. y
3.2.
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
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
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
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.
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
BYt = Yt-1
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
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.
Yt = + + 1 1 + 2 2 + ... + k k + ... = + +
(3.1)
=1
un proceso puramente
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 = t + 1 t 1 + 2 t 2 + ...
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).
E (Yt ) = E (Yt 1 ) = = + 1 =
(3.2)
1 1
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
(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
El resultado anterior puede generalizarse si tomamos esperanzas entre yt e yt-k obtenindose que,
en general:
k = 1k 0
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
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
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.
E (Yt ) = E (Yt 1 ) = = + 1 + 2 =
1 1 2
83
2
1 12 22
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
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
85
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
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
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
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.
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
89
Veamos ahora el caso de un proceso MA(2). Dicho proceso viene definido por la siguiente
ecuacin:
Yt = + t 1t-1 2t-2
k = 0, k > 2
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
1 >0, 2 >0
1 <0, 2 >0
1 >0, 2 <0
1 <0, 2 <0
91
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.
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
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)
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
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
1 >0
1 <0
1 >0, 2 >0
1 <0, 2 >0
1 >0, 2 <0
1 <0, 2 <0
94
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.
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
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
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).
96
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.
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
( 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
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.
99
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)
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)
100
donde:
(B ) es el polinomio de retardos autorregresivo de la parte regular de la serie.
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
a) 1>0, 1>0, 1 = 1
b) 1>0, 1<0, 1 = 1
c) 1<0, 1>0, 1 = 1
102
d) 1<0, 1<0, 1 = 1
103
104
105
a) 1>0, 1>0, 1 = 1
b) 1>0, 1<0, 1 = 1
c) 1<0, 1>0, 1 = 1
106
d) 1<0, 1<0, 1 = 1
107
108
109
110
3.5.
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
111
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:
112
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.
En cualquier caso, para que una serie sea fcilmente identificable hay que considerar un
tamao muestral elevado, superior a 50 observaciones.
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
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
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
t t k
t =1
T k
t2
t =1
es el coeficiente
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.
rk N (0, 1 / T )
115
2
. Si algn rk cayera fuera de este
T
A 2 ( K 3) 2
JB = N
+
6
24
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
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
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:
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
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.
119
PROCESO AR (1)
Valor Futuro
Error de Prediccin
Prediccin a 1 periodo
YT+1 = + 1YT
T+1
Prediccin a 2 periodos
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
Prediccin a 1 periodo
YT+1 = + 1YT+2YT-1
T+1
Prediccin a 2 periodos
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 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
MA(1)
YT+1 = 1T
T+1
MA(2)
YT+1 = + 1T 2T-1
T+1
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
Prediccin a 1 periodo
YT+1 = + 1YT 1T
T+1
Prediccin a 2 periodos
T+2+(1 1)T+1
[1+(1 1)2]+
lim YT + k =
k
1 1
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
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
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)
123
124
125
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
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
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
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
aic = -481.9
129
ARIMA(1,1,0)(0,1,1)12
>
>
>
>
ARIMA(0,1,1)(0,1,1)12
>
>
>
>
130
131
ARIMA(0,1,1)(0,1,1)12
> par(mfcol = c(1, 2))
> acf(mod2$residuals)
> pacf(mod2$residuals)
ARIMA(1,1,0)(0,1,1)12
> summary(mod1$residuals)
Min.
1st Qu.
Median
-0.1115000 -0.0232700 -0.0004461
Max.
0.1032000
Mean
0.0004500
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.
descomponer de R:
> library(descomponer)
> data(ipi)
> x<-ts(ipi,c(2000,1),frequency=12)
134
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
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)
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
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
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
sar1
0.9841
0.0110
sma1
-0.4145
0.0962
sma2
-0.2237
0.0979
El AIC es menor pero el modelo no esta sobre parametrizado. Comprobamos sus resultados12:
>
>
>
>
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
140
3.7.
PROBLEMAS
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}
142
4.
COINTEGRACION
4.1.
INTRODUCCIN
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
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
143
4.2.
PASEO ALEATORIO
144
Yt es un paseo aleatorio si :
Yt Yt 1 = u t
Donde
(4.1)
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)
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 Yt 1 = Yt = ut
(4.3)
145
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.
E (Yt ) = Y0 + T
y
E [Yt E (Yt )] = T 2
2
nula.
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
4.3.
Yt = Yt 1 + u t , 1 < < 1
(4.4)
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
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) .
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
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.
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.
Yt :
Yt = 1 + 2 t + Yt 1 + i Yt m +u t
i =1
Siendo
Ejemplo 4.1
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.
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$PIB, type='none')
> summary(pib.df)
###############################################
###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################
Test regression none
Call:
lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
Residuals:
Min
1Q
-1.7575 -0.4745
Median
0.1939
3Q
0.5426
Max
1.3763
Coefficients:
Estimate Std. Error t value Pr(>|t|)
z.lag.1
-0.0001002 0.0013083 -0.077
0.939
z.diff.lag 0.3311003 0.1606497
2.061
0.047 *
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.7518 on 34 degrees of freedom
Multiple R-squared: 0.1112, Adjusted R-squared: 0.05888
F-statistic: 2.126 on 2 and 34 DF, p-value: 0.1349
150
Median
0.05446
3Q
0.47788
Max
1.05791
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 9.65519
4.97144
1.942 0.06189 .
z.lag.1
-0.10059
0.05183 -1.941 0.06208 .
z.diff.lag1 0.28123
0.17392
1.617 0.11670
z.diff.lag2 0.55538
0.16358
3.395 0.00201 **
z.diff.lag3 -0.11551
0.18850 -0.613 0.54480
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.6717 on 29 degrees of freedom
Multiple R-squared: 0.3869, Adjusted R-squared: 0.3023
F-statistic: 4.575 on 4 and 29 DF, p-value: 0.005491
Value of test-statistic is: -1.9406 1.8868
Critical values for test statistics:
1pct 5pct 10pct
tau2 -3.58 -2.93 -2.60
phi1 7.06 4.86 3.94
> pib.df <- ur.df(y=cantabria$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
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
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
153
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)
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.
(u t ) . Si se cumple Ho entonces
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)
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))
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
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
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.
Yt = o + 1 X t + 2 u t 1 + t
donde
(4.7)
157
Ejercicio 4.3
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.
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).
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
160
5.
MODELOS VAR
5.1.
INTRODUCCIN
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.
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
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.
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
yitp son las variables incluidas en el modelo, donde i y p poseen el mismo significado
12
= E [ kt ' kt ) =
22
0 0
O 0
k2
0
(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 )
164
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)
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
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
= 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.
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
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.
(5.5)
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
168
De manera anloga podramos obtener expresiones para modelos VAR de orden superior y
sustituyendo las expresiones que aparecen por sus valores estimados.
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 + ...
(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.
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
efecto inesperado en alguna de las variables se produce una reaccin en cadena a lo largo del
tiempo en todas las variables del VAR.
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
=
=
Periodo
y1
y2
0.10
0.50
0.09
0.27
0.06
0.15
0.04
0.09
0.03
0.05
171
0.6
0.4
0.2
0
0
Periodo
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
172
P t i
yt = +
M w
i
i =0
Calculando la esperanza matemtica del nuevo trmino de error, wi, se tiene que:
) (
( )
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
(5.7)
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
= +
+
0 1 y 2 t 2 21,1 22,1 y 2t 1 2t
1 12
tenemos que:
1
y1t 1 12
y 2t 0 1
1 1 12
+
2 0 1
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.
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
176
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
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
178
Se observa que son I(1) las primeras diferencias de prod, e, rw y la serie original U.
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
e.l1
1.23892283
trend
-0.04066045
U.l1
0.62301475
rw.l1
-0.06776277
15
T + n*
FPE (n) = ft
*
T
T
1
'
*
179
e.l1
-0.24844234
trend
0.03451663
U.l1
0.39158002
rw.l1
0.06580819
e.l1
-0.05104397
trend
0.07142229
U.l1
-0.36863956
rw.l1
0.94890946
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.
y 2t = 0.5 0.3 0.05 y 2t 1 + 2t
y 0.4 0.1 0.3 y
3t
3t 1 3t
Periodo
y1
y2
181
SOLUCIONES
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.
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)
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
donde R p =
bp
a p + b p y p = tan 1
a
p
La representacin grfica de I ( ) =
nR p2
4
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.
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
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
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 .
T 1
k =0
= fxx ( k )
donde
1 T 1
f ( )
k =0
xy
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
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
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
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
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.
6.3.
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
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)
(6.8)
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
637929
-14157
-83597
-13022
-40129
-17740
-22326
-16193
-15209
-15600
-9525
-14476
-6500
-13905
-2975
-9721
&o ,1
&
1,1
-26595,06915
0,147162612
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
&o ,1
-20721,14907
&
1,1
0,137708056
&
1, 2
0,000254003
&
-0,001743429
&
-0,00046199
&
-0,000230558
1, 3
1, 4
1, 5
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
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
195
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:
196
6.4.
DESESTACIONALIZACIN
TRAVS
DE
LA
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
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 :
(6.9)
(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
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
Ejemplo 1.2
198
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
>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
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:
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
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)
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.
203
7.
FILTROS LINEALES
7.1.
INTRODUCCIN
a( L) =
a L
j =
donde los ponderadores son nmeros reales, i. e. a j ; no dependen del tiempo y satisfacen
j =
2
j
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 =
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
invariante ms elemental:
a( L) Ln( xt ) = (1 L) Ln( xt )
16
F ( )
unidades de tiempo.
17
Para entender esta propiedad de los filtros lineales, se utilizan los siguientes resultados trigonomtricos:
sin( ) + sin( ) = 0
sin(0) = 0
j =
205
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
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
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)
a( L)e it = (1 L)e it = (1 e i )e it = a( )e it
207
) (
a ( ) = a e i = 1 e i = e
e i 2 e i 2 = e i 2 2i sin
i ( )
= e 2 2 2 sin
G ( ) = 2 sin
2
F ( ) =
F ( ) 2 2 T 2
=
=
, si se considera = 2 .
El desfase temporal de este filtro
T
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
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
208
Ejemplo 7.1
9 11 13 15 17 19 21 23 25 27
-0,5
-1
Serie original
Serie filtrada
0,14
0,64
1,14
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
. 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
F ( )
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
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
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 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
( ) (
=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
1
1
y a N 1 = a 2 = , tendr entonces
3
3
2
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
213
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
12
) y otro de 2
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.
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
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 ( )
N 1
2
2a
G ( ) =
j =0
F ( ) =
N 1
sin .
N 1
2
G ( ) ==
2a
j =0
F ( ) =
N 1
sin .
j
2
N 1
2
215
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
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
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
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 :
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
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
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
219
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
MVZ[1:39]
10
20
30
40
Time
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
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]
10
20
30
40
t[6:44]
Los filtros pueden ser aplicados en serie, por ejemplo la tasa media de crecimiento trimestral
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
. 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
0
0
0
0
0
0
0
0
0
223
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
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
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:
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
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
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
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.
(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)
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
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
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)
a( L) =
1
2 sin
2
1
,
(1 + L2 )
se
1
,
(1 L)
desarrolla
en
el
siguiente
proceso
de
medias
mviles
1
.
2 cos( )
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)
a( L) =
(1 L4 )
= (1 L4 )(1 + L + L2 + ... + L ) = (1 + L + L2 + ... + L ) ( L4 + L5 + L6 + ... + L ) =
(1 L)
= (1 + L + L2 + L3 )
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
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
3,14
1
, el filtro lineal que lo desarrolla
(1 aL)
M 1
j =0
N 1
j =0
L j , y en consecuencia un filtro
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
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
0,2
0
,
00078125
y=
0,0125
0,05
0,1
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
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.
1 0 n N 1
0 nN
( n)
( )
a e i = 1 + e i + ... + e i ( N 2 ) + e iN =
1 e i N
1 e i
236
( )
a e i = e
N 1
i
N
sin
2
sin
2
N
sin
2
N 1
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
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
( )
( )
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
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):
)(
Que una vez operado da lugar al siguiente filtro FIR tipo II:
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
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:
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:
>
>
>
>
>
>
242
0
-2
-1
-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
-20
-10
10
x
243
20
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
f (t ) = C 0 + C n cos(n 0 t n )
n =1
Siendo;
Co =
a0
bn
an
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
{ f k (t )} son ortogonales
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:
sen 2t
2
=0
2
T
T
son ortogonales en el intervalo < t < ;
T
2
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
T / 2
para m n
para m = n 0
245
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
T/ 2
para m n
para m = n 0
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
T/ 2
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
n =1
T / 2
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
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:
sustituyendo:
1
2i
(ein0t e in0t )
dado que 1 = i
i
1
2i
(e in0t e in0t )]
definiendo:
n =1
quedara como:
f (t ) =
n =
e in 0 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 ) ;
F( ) =
f(t)e
2 i t
dt
siendo i =
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
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
k = (T 1)
x t = a cos t + b sin t + v t
En la que xt sera la serie armnica; = p =
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
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
(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
t 0 = 0, t1 =
T
2T
kT
( N 1)T
, t2 =
,..., t k =
,..., t N 1 =
N
N
T
N
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
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
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
g (t ) = n (a n cos(nwt ) + bn sin(nwt ) )
con w = 2
ao =
0
N
; 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
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;
4.832662799, -5.024859396
-5.264607805;
-3.795776075;
0.741084701;
2.494315284;
-1.176118654;
0.969390431;
1.591509703;
4.8307686;
4.506804092;
5.317472861;
3.922041704;
3.119257741;
1.637838373;
1.310811053;
1.30987963;
1.365242501;
1.065470411;
3.278613974;
-1.044908103;
-0.190374706;
0.380989772;
-2.430312769;
1.020897877;
-0.609700176;
-1.93130783;
-1.855687473;
-0.617763633;
-2.8340453;
0.127473247;
0.900574754;
-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;
251
4
3
0
0.0
0.5
1.0
1.5
f
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
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
2
pr =
T
y e
t =1
(2irt ) T
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
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
c = max s j
j
j
= max c + , c
m
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 .
256
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
serie
tendencia
20
10
0
1
15
22
29 36
43
50 57
64 71
78
85 92
99
-10
100
) y sin (2 t 100)para
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
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
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 .
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
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.
f ( ) = w I
261
n 1
1
; t = 0 1 2 ...
wt = n
2
0; en otro caso
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
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
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 ) =
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
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
24
263
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
n =
1
2
f (x )
dx
f (t ) = 1 a 0 + a n cos(n 0 t ) + bn sin(n o t )
2
n =1
La identidad de Paaserval quedara:
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
2 =
1 q 1 2
a n + bn2 + aT2 , q = T
2
2
2 n=1
264
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 ( ) =
xy ( )
x (0) y (0)
xy (0) =
xy (0)
x (0) y (0)
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)
[
E [dU
] [
]
( )] = E [dV ( ) dU ( )] = q ( )d
E dU x ( ) dU y ( ) = E dV x ( ) dV y ( ) = C ( )d
x
( ) dV y
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
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
C ( ) =
xy ( ) cos
=
q ( ) =
xy ( ) sen
=
C ( ) =
C ( ) =
1
2
1
2
xy
( ) cos
xy
( ) cos ;
f xy ( ) = xy ( ) e
i xy ( )
Donde
xy ( ) = C 2 ( ) + q 2 ( )
Se conoce como espectro de cross-amplitud.
Y
q( )
C ( )
xy ( ) = arctg
R( ) =
C 2 ( ) + q 2 ( )
.
f x ( ) f y ( )
267
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
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
a b
n =
n n
1
2
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
(a
k
p =1
( )
observaciones es par T o k = T 1
armnicos si el nmero de
sera:
T
1 T 2
1 2 *
y
x
=
a n a n + bn*bn
t
t
T
T 2
2 n =1
*
*
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.
Balestra, P. y Nerlove, M. (1966), Pooling Cross Section And Time Series Data In The
Estimation Of Coefficients In A Structural Equation, Econometrica 34.
Box, G.E.P., Jenkins, G.M. y Reinsel, G.C. (1994), Time Series Analysis - Forecasting and
Control, 3rd Edition, Prentice Hall.
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
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.
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.
Frisch, R. (1933). Pitfalls In The Statistical Construction Of Demand and Supply Analysis,
Hans Buske Verlag. Leipzig.
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.
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. (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
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.
273
Lucas, R.E. (1972), Expectations And The Neutrality Of Money Journal Of Economic Theory
4, pp. 103-124.
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.
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.
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
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
CoreTeam
computing.
(2013).
R:
Foundation
A
for
language
Statistical
and
environment
Computing,
for
Vienna,
statistical
Austria.
URL http://www.R-project.org/.
Ripley, B (2002): Time Series in R 1.5.0. R News. The Newsletter of the R Project. Volume
2/2, June 2002.
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
Signal
developers
(2013).signal:
Signal
processing
R-Package
URL
http://cran.r-
project.org/web/packages/signal/.
Sims, C.A. (1982), Policy Analysis With Economic Models, Brookings Papers On Economic
Activity 1, pp. 107-164.
276
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