Ataurima-Arellano M. (2017i) 010. Raices Unitarias (Introduccion)

FACULTAD DE CIENCIAS ECONMICAS
ECONOMETRA DE SERIES DE TIEMPO
TEMA 10:
Races Unitarias (Introduccin)
Miguel Ataurima Arellano1

miguel.ataurima@pucp.edu.pe
mataurimaa@uni.edu.pe
mataurima@mef.gob.pe
1
MINISTERIO DE ECONOMA Y FINANZAS
Direccin General de Polticas Macroeconmicas
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS ECONOMETRA DE SERIES DE TIEMPO
Facultad de Ciencias Econmicas INDICE Races Unitarias
ndice
1. Series de Tiempo No Estacionarias Univariadas 3
1.1. Proceso Estacionario en Tendencia . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Procesos Integrados 7
2.1. Proceso integrado de orden 1: I(1) . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Proceso integrado de orden 0: I(0) . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Proceso integrado de orden 0: I(d) . . . . . . . . . . . . . . . . . . . . . . . . 12
3. Series de Tiempo de Larga y Corta Memoria 13
4. Referencias 16
Miguel Ataurima Arellano 2 mataurima@mef.gob.pe

1. Series de Tiempo No Estacionarias Univariadas

Un proceso univariado de series de tiempo {yt } es no estacionario si ste posee algunos
momentos dependientes del tiempo.
Las fomas mas comunes de no estacionariedad son las causadas por la dependencia del
tiempo en media y varianza.
1.1. Proceso Estacionario en Tendencia

{yt } es un proceso estacionario en tendencia si tiene la forma
yt = T Dt + xt (1)
donde
T Dt representa los trminos de tendencia determinstica que dependen de t:
T Dt
: Solo Constante (drift)
+ t : Constante y Tendencia
Dt : Solo Dummie Estacional
+ t + Dt : Constante, Tendencia y Dummie Estacional
donde E [T Dt ] = T Dt .
{xt } es un proceso estacionario con media cero.

La serie yt
yt = T Dt + xt
es no estacionaria porque E[yt ] depende de t
E [yt ] = E [T Dt + xt ] = E [T Dt ] + E [xt ] = T Dt
Como xt es estacionario, yt nunca se desva demasiado de su tendencia determinstica T Dt .

Por lo tanto, yt exhibe reversin en tendencia.
Si T Dt es conocido, yt puede ser transformado a un proceso estacionario restndole los

trminos de tendencia determinstica (esto es, realizando un detrending)
xt = yt T Dt

EJEMPLO: AR(1) estacionario en tendencia

Un proceso AR(1) estacionario en tendencia puede expresarse como
yt = T Dt + ut
ut = ut1 + t
con t W N (0, 2 ) y || < 1; donde ut hace el papel del proceso estacionario xt de (1).
Si T Dt posee la forma
T Dt = + t
entonces, el proceso AR(1) puede expresarse como
yt = + t + ut (2)
ut = ut1 + t (3)
Este proceso AR(1) estacionario en tendencia tambin puede expresarse en forma equi-
valente.
Hacemos un detrending a yt
yt T Dt = yt ( + t) = ut (4)
Reemplazamos (4) en (3)
yt ( + t) = [yt ( + t)] + t

Simplificando llegamos a:
yt = c + t + yt1 + t
donde:
|| < 1
c = + (1 )
= (1 )
t W N (0, 2 )

2. Procesos Integrados
2.1. Proceso integrado de orden 1: I(1)
Un proceso {yt } es integrado de orden 1 si este tiene la forma
yt = yt1 + ut (5)
donde ut es una serie de tiempo estacionaria; y se suele denotar mediante
yt I(1)
La primera diferencia de yt es estacionaria
yt = yt yt1 = ut
Un proceso I(1), se dice que es un proceso estacionario en diferencia.

Iniciando en y0 , mediante sustitucin recursiva yt tiene la presentacin de una suma inte-

grada de innovaciones estacionarias
t
X
yt = y0 + uj (6)
j=1
Pt
donde, la suma integrada j=1 uj se denomina Tendencia Estocstica (T St )
t
X t1
X
T St = uj = utj
j=1 j=0
observndose que
T St = T St1 + ut
donde T S0 = 0.
En contraste con una tendencia determinstica, los cambios en una tendencia esto-
cstica no son perfectamente predecibles.

EJEMPLO: Proceso I(1) con drift
Un proceso I(1) con drift (deriva) tiene la forma
yt = + yt1 + ut (7)
donde ut I(0).
Iterando hacia adelante y considerando y0 dado, observamos que
y1 = + y0 + u1
y2 = 2 + y0 + u1 + u2
y3 = 3 + y0 + u1 + u2 + u3
..
.
esto es
t
X
yt = y0 + t + uj (8)
j=1

Observando (8) podemos identificar 2 componentes
Una Tendencia Determinstica Lineal, debido a la presencia de en (7)
T Dt = y0 + t
Una Tendencia Estocstica, debido a que el proceso es I(1).

t
X
T St = uj
j=1

2.2. Proceso integrado de orden 0: I(0)

Como el proceso estacionario ut no necesita ser diferenciado, ste es llamado un proceso
integrado de orden 0 y es denotado como
ut I(0)
Recuerde que a partir de la representacin de Wold, un proceso estacionario yt tiene una

representacin MA() donde todos los pesos mviles tienden a cero a una tasa geomtrica.

X
yt = + j utj
j=0
NOTA: Un proceso I(1)

yt = yt1 + ut
tiene una representacin MA() con pesos sobre las innovaciones son igual a 1.
1

yt = ut = ut + ut1 + ut2 +
1L
y con su primera diferencia es un proceso estacionario
yt I(0)

2.3. Proceso integrado de orden 0: I(d)

Un proceso {yt } es un proceso integrado de orden d si
d yt I(0)
y se denota mediante
yt I(d)
En finanzas y economa, las series de datos son raramente modeladas como proceso I(d)
con d > 2.
Si el proceso es I(1) con drift
yt = + yt1 + ut
contendr una Tendencia Deterministica Lineal

Si el proceso es I(2) con drift
yt = + yt1 + ut
contendr una Tendencia Deterministica Cuadrtica

3. Series de Tiempo de Larga y Corta Memoria

Si una serie de tiempo yt es integrada de orcen cero
yt I(0)
entonces su ACF decae a una tasa geomtrica.
Un proceso I(0) se dice que tiene Corta Memoria debido a que las observaciones distantes
en el tiempo no estn correlacionadas (son esencialmente independientes).
Si una serie de tiempo yt es integrada de orden 1
yt I(1)
entonces su ACF decae a una tasa lineal .
Un proceso I(1) es aquel en el que las observaciones distantes en el tiempo estn correlacionadas
(no son independientes).
En medio de los procesos I(0) e I(1) se encuentran los procesos integrados fraccional-
mente
yt I(d)
con 0 < d < 1, cuya ACF decae a una tasa polinmica (hiperblica).
Un proceso I(d) se dice que tiene Larga Memoria debido a que las observaciones distantes
en el tiempo pueden exhibir una correlacin dbil pero distinta de cero.

EJEMPLO: Proceso Ruido Blanco Integrado Fraccionalmente
Un proceso {yt } Ruido Blanco Integrado Fraccionalmente tiene la forma
(1 L)d yt = t , t W N (0, 2 )
donde el operador en rezagos

(L) = (1 L)d
se puede representar como una expansin de series binomiales (vlido para cualquier d >
1)

!
d d
(L)k
X
(L) = (1 L) =
k=0
k
d (d 1) 2 d(d 1)(d 2) 3
= 1 dL + L L +
2! 2!
Se observa que:
Para d = 0 , entonces yt es un Ruido Blanco.

Para d = 1, entonces yt es un Random Walk.

Para 0 < d < 1, se puede demostrar que
k k 2d1
conforme k de modo que la ACF de yt decae hiperblicamente a cero y a una

velocidad que depende de d.
Mas an, puede mostrarse que yt es estacionario y ergdico para
0 < d < 0.5
y que la varianza de yt es infinita para
0.5 d < 1

4. Referencias
Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press.
Zivot, E. y J. Wang (2006), Modelling Financial Time Series with S-PLUS, 2da. Edicin, Princeton
University Press.

Ataurima-Arellano M. (2017i) 010. Raices Unitarias (Introduccion)

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Ataurima-Arellano M. (2017i) 010. Raices Unitarias (Introduccion)

Hochgeladen von

Copyright:

Verfügbare Formate

FACULTAD DE CIENCIAS ECONMICAS

ECONOMETRA DE SERIES DE TIEMPO

Miguel Ataurima Arellano1

3. Series de Tiempo de Larga y Corta Memoria 13

Miguel Ataurima Arellano 2 mataurima@mef.gob.pe

1. Series de Tiempo No Estacionarias Univariadas

1.1. Proceso Estacionario en Tendencia

Miguel Ataurima Arellano 3 mataurima@mef.gob.pe

Como xt es estacionario, yt nunca se desva demasiado de su tendencia determinstica T Dt .

Si T Dt es conocido, yt puede ser transformado a un proceso estacionario restndole los

Miguel Ataurima Arellano 4 mataurima@mef.gob.pe

EJEMPLO: AR(1) estacionario en tendencia

Reemplazamos (4) en (3)

Miguel Ataurima Arellano 5 mataurima@mef.gob.pe

Miguel Ataurima Arellano 6 mataurima@mef.gob.pe

donde ut es una serie de tiempo estacionaria; y se suele denotar mediante

La primera diferencia de yt es estacionaria

Un proceso I(1), se dice que es un proceso estacionario en diferencia.

Miguel Ataurima Arellano 7 mataurima@mef.gob.pe

Iniciando en y0 , mediante sustitucin recursiva yt tiene la presentacin de una suma inte-

Miguel Ataurima Arellano 8 mataurima@mef.gob.pe

EJEMPLO: Proceso I(1) con drift

Un proceso I(1) con drift (deriva) tiene la forma

Iterando hacia adelante y considerando y0 dado, observamos que

Miguel Ataurima Arellano 9 mataurima@mef.gob.pe

Observando (8) podemos identificar 2 componentes

Una Tendencia Determinstica Lineal, debido a la presencia de en (7)

Una Tendencia Estocstica, debido a que el proceso es I(1).

Miguel Ataurima Arellano 10 mataurima@mef.gob.pe

2.2. Proceso integrado de orden 0: I(0)

Recuerde que a partir de la representacin de Wold, un proceso estacionario yt tiene una

NOTA: Un proceso I(1)

Miguel Ataurima Arellano 11 mataurima@mef.gob.pe

2.3. Proceso integrado de orden 0: I(d)

Si el proceso es I(1) con drift

contendr una Tendencia Deterministica Lineal

contendr una Tendencia Deterministica Cuadrtica

Miguel Ataurima Arellano 12 mataurima@mef.gob.pe

3. Series de Tiempo de Larga y Corta Memoria

Miguel Ataurima Arellano 13 mataurima@mef.gob.pe

EJEMPLO: Proceso Ruido Blanco Integrado Fraccionalmente

Un proceso {yt } Ruido Blanco Integrado Fraccionalmente tiene la forma

donde el operador en rezagos

Para d = 0 , entonces yt es un Ruido Blanco.

Miguel Ataurima Arellano 14 mataurima@mef.gob.pe

Para 0 < d < 1, se puede demostrar que

conforme k de modo que la ACF de yt decae hiperblicamente a cero y a una

Mas an, puede mostrarse que yt es estacionario y ergdico para

0 < d < 0.5

y que la varianza de yt es infinita para

Miguel Ataurima Arellano 15 mataurima@mef.gob.pe

Miguel Ataurima Arellano 16 mataurima@mef.gob.pe

Das könnte Ihnen auch gefallen