Beruflich Dokumente
Kultur Dokumente
Universidad de Granada
Departamento de Estadística e Investigación Operativa
Granada, España
2016
2 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Director:
Dr. Francisco Javier Alonso Morales
Línea de Investigación:
Análisis de series temporales. Aplicaciones a riesgos financieros
Universidad de Granada
Departamento de Estadística e Investigación Operativa
Granada, España
2016
3 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
4 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Dedicatoria
Contenido
Introducción………………………………………………………………………………………10
1 Conceptos básicos ................................................................................................. 13
1.1 Componentes................................................................................................... 13
1.1.1 Tendencia. ................................................................................................. 13
1.1.2 Estacionalidad. ......................................................................................... 13
1.1.3 Aleatoriedad. ............................................................................................. 13
1.2 Clasificación de las series temporales .......................................................... 14
1.2.1 Serie homocedástica: ............................................................................... 14
1.2.2 Serie heterocedástica. .............................................................................. 14
1.2.3 Procesos estocásticos. ............................................................................ 14
1.2.4 Clasificación de procesos estocásticos. ................................................ 14
1.2.5 Función de distribución. .......................................................................... 15
1.3 Momentos......................................................................................................... 15
1.3.1 Primer momento. ...................................................................................... 15
1.3.2 Segundo momento. .................................................................................. 15
1.4 Procesos estacionarios................................................................................... 15
1.4.1 Estacionariedad estricta. ......................................................................... 16
1.4.2 Estacionariedad débil. .............................................................................. 16
1.5 Funciones de autocovarianzas y autocorrelación. ....................................... 17
1.5.1 La función de autocovarianzas................................................................ 17
1.5.2 Función de Autocorrelación ACF. ........................................................... 17
1.5.3 Ruido blanco. ............................................................................................ 17
1.6 Modelos para series de tiempo estacionarias. .............................................. 18
1.6.1 Modelo lineal general. .............................................................................. 18
1.6.2 Parámetros del proceso: .......................................................................... 19
1.7 Proceso lineal estacionario. ........................................................................... 20
1.7.1 Estacionariedad de un proceso AR(1). ................................................... 20
1.7.2 Proceso autorregresivo de orden p: AR(2). ............................................ 23
1.7.3 Primer momento del proceso. ................................................................. 24
1.7.4 Función de autocovarianza y autocorrelación. ...................................... 24
7 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Introducción.
En el estudio y análisis de las series de tiempo se busca explicar la naturaleza de
una variable (económica) y la relación de esta con otras variables a lo largo del
tiempo.
En el capítulo uno estudiaremos algunos de los elementos que componen esa
variable económica y que suelen encontrarse como una serie de observaciones
dependientes ordenadas en el tiempo, donde además es necesario construir un
modelo que replique el comportamiento de estos datos en un tiempo dado t, pero
antes de esto hay que determinar si la serie presenta o no estacionalidad y cómo
influyen las observaciones del pasado en el futuro, es decir la correlación entre la
variable de interés y sus valores pasados permitirá estudiar los modelos lineales
estacionarios.
El análisis de las funciones de autocorrelación (ACF) y la función de autocorrelación
parcial (FACP) junto con el proceso de ruido blanco (WN), permitirán clasificar los
modelos lineales estacionarios y no estacionarios a partir de sus características más
esenciales. Empezaremos describiendo el proceso AR(p) donde a partir de los
procesos autoregresivos (de memoria larga) quienes presentan una característica
temporal, la cual será útil mencionar en cuanto a la absorción de perturbaciones en
un tiempo t, pero existen otro tipo de series que absorben ligeramente estas
perturbaciones y no se pueden modelar mediante procesos AR, y para ello se
introducen los modelos que presenten memoria corta, es decir que presenten Media
Móvil MA(q).
Ahora analizaremos aquellas series donde el número de parámetros juega un papel
fundamental en la descripción estructural y dinámica de los datos, es conveniente
hacer una reducción de estos parámetros y para ello se recurre al proceso
ARMA(p,q) que surge de la combinación de estructuras autorregresivas y de media
móvil donde la estructura AR(p) y MA(q) presentan sus respectivas funciones FAC
y FACP junto con el proceso ruido blanco (WN).
Capítulo 1.
1 Conceptos básicos.
El análisis de datos en contextos sociales, físicos, biológicos, geológicos, entre
otros, es una herramienta de estudio muy importante, consiste en identificar si esos
datos cuentan con algún patrón (orden) y si también dependen de algún parámetro
temporal, si es así entonces estamos considerando definirlo como una serie
temporal (serie de tiempo) donde identificamos sus características más relevantes
en cuanto a la naturaleza de los datos y la forma en la que se cuantifican, es decir
si estas series de tiempo resultan ser de tipo discreto o continuo y si su orden de
aparición (cronológico) en una característica es de forma escalar o (univariado) o
de varias características o vectorial (multivariado).
Es necesario explorar la naturaleza de los datos y su comportamiento en el tiempo,
de forma descriptiva (tendencia central, dispersión, deformación y apuntamiento) y
también analizar la forma en la que surgen estos datos que no necesariamente es
determinística, sino que fluctúan de manera aleatoria (probabilística) en el tiempo,
por lo que analizaremos su comportamiento como una secuencia de variables
aleatorias encapsuladas a medida que van emergiendo en el tiempo. Con este
panorama empezaremos definiendo formalmente una serie de tiempo y sus
componentes principales.
1.1 Componentes
En el análisis de series temporales se recurre a la descomposición de la variable de
observación en varias componentes, de las cuales enfocaremos nuestra atención
en aquellas que presentan tendencia o periodicidad para analizarlas bajo
parámetros temporales (a largo plazo) y también su comportamiento estacional y
aleatorio.
1.1.1 Tendencia.
Empezaremos describiendo el comportamiento de una serie temporal a partir de los
cambios que presenta la media a largo plazo. La tendencia la definiremos como el
movimiento que sufre la serie temporal a largo plazo.
1.1.2 Estacionalidad.
La variación de la serie en algún periodo de tiempo se conoce como efecto
estacional. El concepto de estacionariedad se puede caracterizar bien en términos
de la función de distribución o de los momentos del proceso (Casimiro, 2009).
1.1.3 Aleatoriedad.
En una serie temporal la tendencia y la estacionariedad resultan ser de naturaleza
determinística, mientras que la aleatoriedad es de naturaleza probabilística por lo
14 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
1.3 Momentos.
Resulta bastante complejo identificar las características que definen un proceso
estocástico a partir de solamente su función de distribución, entonces
identificaremos las características más esenciales a partir de los dos primeros
momentos.
𝛾𝑘 , 𝑘 = 1,2,3, …
Propiedades.
Para k=0 se incluye la varianza 𝛾0 = 𝐸[𝑋𝑡 − 𝜇 ][𝑋𝑡 − 𝜇 ] = 𝑉(𝑋𝑡 )
Es función simétrica
𝛾𝑘 = 𝐸[𝑋𝑡 − 𝜇 ][𝑋𝑡+𝑘 − 𝜇 ] = 𝐸[𝑋𝑡 − 𝜇 ][𝑋𝑡−𝑘 − 𝜇 ] = 𝛾−𝑘
Una serie no es correlacionada formalmente si y solo si ρxt,xs = 0 para todo t,s > 0.
La representación de una correlación serial es congruente a la correlación de una
variable con ella misma en intervalos sucesivos de tiempo.
𝑋𝑡 = 𝜀𝑡 Ψ1 + 𝜀𝑡−1 Ψ2 + 𝜀𝑡−2 Ψ3 + ⋯
Dada una serie temporal de media cero, como el valor de X en el momento t
depende de su pasado, un modelo teórico capaz de describir su comportamiento
sería:
∑ Ψ𝑖2 < ∞
𝑖=1
𝑋𝑡 = 𝑋𝑡 (Ψ1 𝐿 + Ψ2 𝐿2 + Ψ3 𝐿3 + ⋯ ) + 𝜀𝑡
(1 − Ψ1 𝐿 − Ψ2 𝐿2 − ⋯ )𝑋𝑡 = 𝜀𝑡
Ψ(𝐿)𝑋𝑡 = 𝜀𝑡
1
𝑋𝑡 = 𝜀
Ψ(𝐿) 𝑡
𝑋𝑡 = 𝜓(𝐿)𝜀𝑡
𝑋𝑡 = (1 + ψ1 𝐿 + ψ2 𝐿2 + ψ3 𝐿3 + ⋯ )𝜀𝑡
𝑋𝑡 = 𝜀𝑡 + ψ1 𝜀𝑡−1 + ψ2 𝜀𝑡−2 + ψ3 𝜀𝑡−3 + ⋯ 𝑡 = 1,2,3, … (13)
Cumpliendo la restricción anteriormente descrita, observamos que el valor Xt se
puede simbolizar como la combinación lineal del ruido blanco 𝜀𝑡 y su pasado infinito.
Esta restricción implica que el valor presente depende de forma convergente de las
innovaciones pasadas, es decir, la influencia de la parte determinística 𝜀𝑡−𝑘 va
desapareciendo conforme se aleja en el pasado (Casimiro, 2009).
La teoría de polinomios nos proporciona una información valiosa ya que, bajo
condiciones muy generales, un polinomio de orden infinito puede aproximarse
mediante un cociente de la siguiente forma:
𝜙𝑝 (𝐿)
∏(𝐿) =
𝜃𝑞 (𝐿)
20 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
𝜙𝑝 (𝐿)𝑋𝑡 = 𝜃𝑞 (𝐿)𝑋𝑡
𝑋𝑡 = 𝜙0 + 𝜙1 𝑋𝑡−1 + 𝜀𝑡 (14)
Este proceso representa uno de los modelos que con mayor frecuencia se usa para
el análisis de las series temporales, y usualmente se le denomina proceso
autorregresivo de primer orden AR(1), con lo que empezaremos la descripción del
proceso a partir de sus valores condicionados para media y varianzas a partir de
sus valores pasados.
𝐸(𝑋𝑡 ) = 𝜙0 + 𝜙𝐸(𝑋𝑡−1 )
𝐸(𝑋𝑡 ) = 𝜙0 + 𝜙𝐸(𝑋𝑡−1 )
(1 − 𝜙)𝐸(𝑋𝑡 ) = 𝜙0
𝜙0
𝐸(𝑋𝑡 ) =
(1 − 𝜙)
Estacionario débilmente.
𝛾𝑘 = 𝜙𝛾𝑘−1
Con lo que se puede deducir que el proceso es estacionario si y solo si |𝜙|< 1
Verificando que el proceso sea autorregresivo de orden 1 AR(1) y además
estacionario si y solo si |𝜙| < 1.
Y su función de autocovarianza estará definida a partir de:
𝜎2
𝑘=0
𝛾𝑘 = { 1 − 𝜙 2
𝜙𝛾𝑘−1 𝑘>0
Las características esenciales para un proceso AR(1) vienen dadas a partir de:
El modelo AR(1) es estacionario siempre que |𝜙| < 1.
La representación gráfica de la función de autocorrelación mostrará un
comportamiento hacia cero con todos sus valores positivos cuando 𝜙 > 0,
mientras que si 𝜙 < 0 se alternará el signo, comenzando con negativo
(Villavicencio, 2014).
(1 − 𝜙1 𝐿 − 𝜙2 𝐿2 )𝐸(𝑋𝑡 ) = 0
𝜙0
𝐸(𝑋𝑡 ) =
1 − 𝜙1 𝐿 − 𝜙2 𝐿2
𝐸(𝑋𝑡 ) = 0
𝛾𝑘 = 𝐸[(𝑋𝑡 )(𝑋𝑡−𝑘 )]
𝛾𝑘 = 𝐸[(𝜙1 𝑋𝑡−1 + 𝜙2 𝑋𝑡−2 + 𝜀𝑡 )(𝑋𝑡−𝑘 )]
𝛾𝑘 = 𝜙1 𝛾𝑘−1 + 𝜙2 𝛾𝑘−2
Donde 𝛾0:
2
𝛾0 = 𝐸(𝑋𝑡 − 𝐸(𝑋𝑡 )) = 𝐸(𝑋𝑡 )2
𝜎 2 + 2𝜙1 𝜙2 𝛾1
𝛾0 =
1 − 𝜙12 − 𝜙22
Y ahora 𝛾1:
𝛾1 = 𝐸[(𝑋𝑡 )(𝑋𝑡−1 )]
𝛾1 = 𝐸[(𝜙1 𝑋𝑡−1 + 𝜙2 𝑋𝑡−2 + 𝜀𝑡 )(𝑋𝑡−1 )]
𝛾1 = 𝜙1 𝐸(𝑋𝑡−1 )2 + 𝜙2 𝐸(𝑋𝑡−2 𝑋𝑡−1 ) + 𝐸(𝜀𝑡 𝑥𝑡−1 )
𝛾1 = 𝜙1 𝛾0 + 𝜙2 𝛾1
𝜙1 𝛾0
𝛾1 =
1 − 𝜙2
El proceso es estacionario en sentido débil si y solo si se cumple la condición:
1 − 𝜙12 − 𝜙22 ≠ 0; 𝑦 𝜙2 ≠ 1.
Donde su función de covarianza estará generada por:
𝜎 2 + 2𝜙1 𝜙2 𝛾1
𝑘=0
1 − 𝜙12 − 𝜙22
𝛾𝑘 = 𝜙1 𝛾0
𝑘=1
1 − 𝜙2
{𝜙1 𝛾𝑘−1 + 𝜙2 𝛾𝑘−2 𝑘 > 1
1 𝑘=0
𝜙1
𝜌𝑘 = { 𝑘=1
1 − 𝜙2
𝜙1 𝜌𝑘−1 + 𝜙2 𝜌𝑘−2 𝑘 > 1
Raíces: 1 − 𝜙𝐿 = 0
1
𝐿=
𝜙
(1 − 𝜙1 𝐿 − 𝜙2 𝐿2 )𝑋𝑡 = 𝜀𝑡
Polinomio autorregresivo:
𝜙2 (𝐿) = 1 − 𝜙1 𝐿 − 𝜙2 𝐿2
Raíces: 1 − 𝜙1 𝐿 − 𝜙2 𝐿2 = 0
𝜙1 ± √𝜙12 + 4𝜙2
𝐿1 , 𝐿2 =
−2𝜙2
La condición de estacionariedad para el modelo AR(2) es:
En la literatura de series de tiempo, las dos de las soluciones se conocen como las
raíces características del modelo de AR(2). Se Denotan las dos soluciones por ω 1
y ω2. Si para los valores de ωi que pertenecen al conjunto de los reales, entonces
la ecuación de diferencia de segundo orden del modelo, se puede factorizar como
(1 - ω1L) (1 - ω2L) y el modelo AR(2) puede ser considerado como un modelo AR(1),
funcionando por encima de otro modelo AR(1). La función de autocorrelación (ACF)
de 𝑋𝑡 es entonces una mezcla de dos degradaciones exponenciales.
Si 𝜙12 + 4𝜙2 < 0, entonces ω1 y ω2 son números complejos (llamados un par
complejo conjugado), y un gráfico de la ACF de mostrarían una imagen de
amortiguación ondas de seno y coseno. En aplicaciones comerciales y económicas,
las raíces características complejas son importantes. Ellas dan lugar al
27 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
𝑇
𝑇+𝑚 1
𝐸𝐹𝑃 = ∑(𝑢̂𝑡 (𝑝) )2
𝑇−𝑚 𝑇
𝑡=1
𝑇
1 2
𝐴𝐼𝐶 = 𝑙𝑛 ∑(𝑢̂𝑡 (𝑝) )2 + 𝑚
𝑇 𝑇
𝑡=1
𝑇
1 𝑙𝑛𝑇
𝐶𝑆 = 𝑙𝑛 ∑(𝑢̂𝑡 (𝑝) )2 + 𝑚
𝑇 𝑇
𝑡=1
𝑇
1 2𝑙𝑛𝑙𝑛(𝑇)
𝐻𝑄 = 𝑙𝑛 ∑(𝑢̂𝑡 (𝑝) )2 + 𝑚
𝑇 𝑇
𝑡=1
Los valores 𝑢̂𝑡 son los residuos estimados del proceso AR(p), mientras que m es el
número de parámetros estimados. Si se estima que el término constante, también,
m = p + 1 para un proceso AR(p). Estos criterios se basan siempre en el mismo
principio: Se componen de una parte, la suma de residuos al cuadrado (o su
logaritmo), que disminuye cuando el número de parámetros estimados aumenta, y
de un “término de castigo” lo que aumenta cuando el número de los parámetros
estimados se incrementa. Mientras que los dos primeros criterios sobrestiman el
verdadero orden asintóticamente, los otros dos criterios estiman que el verdadero
orden del proceso consistente (Kirchgässner & Wolters, 2007).
𝑋𝑡 = 𝜀𝑡 – 𝜃1 𝜀𝑡−1
𝛾0 = 𝐸(𝜀𝑡 − 𝜃𝜀𝑡−1 )2
𝛾0 = 𝐸(𝜀𝑡 )2 + 𝜃 2 𝐸(𝜀𝑡−1 )2 − 2𝜃𝐸(𝜀𝑡 𝜀𝑡−1 )
𝛾0 = 𝜎 2 + 𝜃 2 𝜎 2 − 0
𝛾0 = (1 + 𝜃 2 )𝜎 2
Para 𝛾1 y 𝛾2 se tiene,
𝛾1 = 𝐸[(𝜀𝑡 − 𝜃𝜀𝑡−1 )(𝜀𝑡−1 − 𝜃𝜀𝑡−2 )]
𝛾1 = 𝐸(𝜀𝑡 𝜀𝑡−1 ) − 𝜃𝐸(𝜀𝑡−1 )2 − 𝜃𝐸(𝜀𝑡 𝜀𝑡−2 ) + 𝜃 2 𝐸(𝜀𝑡−1 𝜀𝑡−2 ) = −𝜃𝜎 2
𝛾2 = 𝐸(𝑋𝑡 − 𝐸(𝑋𝑡 ))(𝑋𝑡−2 − 𝐸(𝑋𝑡−2 )) = 𝐸[(𝜀𝑡 − 𝜃𝜀𝑡−1 )(𝜀𝑡−2 − 𝜃𝜀𝑡−3 )]
𝛾2 = 𝐸(𝜀𝑡 𝜀𝑡−2 ) − 𝜃𝐸(𝜀𝑡−1 𝜀𝑡−2 ) − 𝜃𝐸(𝜀𝑡 𝜀𝑡−3 ) + 𝜃 2 𝐸(𝜀𝑡−1 𝜀𝑡−3 )
𝛾2 = 0
(1 + 𝜃 2 )𝜎 2 𝑘 = 0
𝛾𝑘 = {−𝜃𝜎 2 𝑘 =1
0 𝑘>1
1 𝑘=0
−𝜃
𝜌𝑘 = { 𝑘=1
1 + 𝜃2
0 𝑘>1
La funcion de autocorrelacion ACF es una herramienta de gran utilidad en la
identificacion del orden de un modelo de medias moviles. La ACF de un MA(q) se
anula despues del retardo q, es decir, se anula (ρk = 0 para k > q), entonces se tiene
que el proceso puede ser modelizado mediante un proceso de medias moviles de
orden q, MA(q)
Para 𝛾0 se tiene,
2
𝛾0 = 𝐸(𝑋𝑡 − 𝐸(𝑋𝑡 )) = 𝐸(𝑋𝑡 )2
𝛾1 = −𝜃1 𝜎 2 + 𝜃1 𝜃2 𝜎 2 = (−𝜃1 + 𝜃1 𝜃2 )𝜎 2
Para 𝛾3 se tiene,
𝛾0 = (1 + 𝜃12 + 𝜃22 )𝜎 2 𝑘 = 0
𝛾𝑘 = { 𝛾1 = (−𝜃1 + 𝜃1 𝜃2 )𝜎 2 𝑘 = 1 𝑦 𝑘 > 2
𝛾2 = −𝜃2 𝜎 2 𝑘=2
−𝜃1 + 𝜃1 𝜃2
𝜌1 = 𝑘=1
1 + 𝜃12 + 𝜃22
𝜌𝑘 = −𝜃2
𝜌2 = 𝑘=2
1 + 𝜃12 + 𝜃22
{𝜌3 = 0 𝑘>2
Por lo tanto, el modelo MA(q) no es invertible para cualquier valor del vector de
parámetros de medias móviles, sino que estos tendrán que cumplir algunas
restricciones. Derivar estas restricciones fue muy sencillo para el MA(1), pero se
complica mucho al aumentar el orden del modelo de medias móviles. El siguiente
32 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
𝜃2 (𝐿) = 1 − 𝜃1 𝐿 − 𝜃2 𝐿2
Raíces: 1 − 𝜃1 𝐿 − 𝜃2 𝐿2 = 0
𝜃1 ± √𝜃12 + 4𝜃2
𝐿1 , 𝐿2 =
−2𝜃2
La condición de invertibilidad para el modelo MA(2) es:
𝜀𝑡 ~ 𝑅𝐵(0, 𝜎 2 )
(1 − 𝜙1 𝐿 − ⋯ − 𝜙𝑝 𝐿𝑝 )𝑋𝑡 = (1 − 𝜃1 𝐿 − ⋯ − 𝜃𝑞 𝐿𝑞 )𝜀𝑡
𝜙𝑝 (𝐿)𝑋𝑡 = 𝜃𝑞 (𝐿)𝜀𝑡
1.9.1 Proceso Autorregresivode Medias Móviles de orden (1, 1), ARMA(1, 1):
El modelo ARMA(1, 1) tiene la siguiente estructura:
𝑋𝑡 = 𝜙𝑋𝑡−1 + 𝜀𝑡 − 𝜃𝜀𝑡−1 (21)
𝜀𝑡 ~ 𝑅𝐵(0, 𝜎 2 ), |𝜙| < 1 y 𝜃 ∈ ℝ
Para 𝛾0 se tiene,
2
𝛾0 = 𝐸(𝑋𝑡 − 𝐸(𝑋𝑡 )) = 𝐸(𝑋𝑡 )2
𝛾0 = 𝐸(𝜙𝑋𝑡−1 + 𝜀𝑡 − 𝜃𝜀𝑡−1 )2
𝛾0 = 𝜙 2 𝛾0 + 𝜎 2 + 𝜃 2 𝜎 2 − 2𝜙𝜃𝜎 2
(1 + 𝜃 2 − 2𝜙𝜃)𝜎 2
𝛾0 =
1 − 𝜙2
Para 𝛾1 se tiene,
(1 + 𝜃12 − 2𝜙𝜃)𝜎 2
𝛾0 = 𝑘=0
1 − 𝜙2
𝛾𝑘 =
𝛾1 = 𝜙𝛾0 − 𝜃𝜎 2 𝑘=1
{𝛾ℎ = 𝜙𝛾𝑘−1 𝑘>1
𝜃𝜎 2
𝜌1 = 𝜙 − 𝑘=0
𝜌𝑘 = 𝛾0
𝜌𝑘 = 𝜙 𝜌𝑘−1 𝑘>1
{
Como se puede observar, la varianza cuenta con una parte que proviene de la parte
de medias moviles, otra que proviene de la parte autorregresiva y una tercera que
es la interaccion entre ambas partes del modelo. La autocovarianza de orden 1, 𝛾1,
es la suma de la autocovarianza de orden 1 de la parte AR(1) y de la autocovarianza
de orden 1 de la parte MA(1). A partir del retardo 1, la parte medias móviles del
modelo no aparece de forma explicita si aparece, en 𝜌1 en la ACF, dependiendo
esta solo de la estructura autorregresiva. Esta ACF es una funcion infinita, que
depende de los parametros AR, φ, y MA, θ, hasta k = 1 y luego decrece
exponencialmente, siguiendo la estructura marcada por la parte autorregresiva de
primer orden. Para comprobar estacionariedad e invertibilidad del proceso ARMA(1,
1), se deben calcular las raíces del polinomio autorregresivo y las raíces del
polinomio medias móviles, respectivamente (Casimiro, 2009):
Raíces del polinomio autorregresivo:
1 1
1 − 𝜙𝐵 = 0 ⟹ 𝐵 = 𝜙 ⟹ |𝐵| = | | ⟹ |𝜙| < 1
𝜙
Entonces:
𝑋𝑡 = (1 − 𝐿)−1 𝜔𝑡 = ∑𝑡𝑗=−∞ 𝜔𝑡 (24)
El paseo aleatorio con deriva resulta de añadir una constante al modelo anterior.
𝑋𝑡 = 𝑋𝑡−1 + 𝜀𝑡 + 𝛿 (27)
∇𝑋𝑡 = 𝜀𝑡 + 𝛿 (28)
En este caso, la inclusión de una constante en el modelo implica la inclusión de una
tendencia determinista con pendiente 𝛿, junto con la tendencia estocástica
(González, 2009).
38 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Conocer la volatilidad es muy importante en muchas áreas. Por ejemplo, existe una
enorme cantidad de trabajo en econometría sobre la variabilidad de la inflación a lo
largo del tiempo. Para algunas personas con poder de decisión, la inflación en sí
misma quizá no sea dañina, pero no es deseable su variabilidad porque dificulta la
planificación financiera. Sucede lo mismo con los importadores, exportadores y
comerciantes que acuden a los mercados de cambio de divisas, pues la variabilidad
de las tasas de cambio representa grandes pérdidas o ganancias. A los
inversionistas de las casas de bolsa obviamente les interesa la volatilidad de los
precios de las acciones, pues una gran volatilidad puede significar enormes
pérdidas o ganancias y, en consecuencia, provocar mayor incertidumbre. En los
mercados volátiles, a las compañías les resulta difícil capitalizarse en los mercados
de capital.
Una característica de la mayoría de estas series de tiempo financieras consiste en
que en su forma de nivel son no estacionarias. En consecuencia, en vez de modelar
las series de tiempo financieras en su forma de nivel, ¿por qué no hacer los modelos
de sus primeras diferencias? Sin embargo, estas primeras diferencias suelen
presentar amplias variaciones, o volatilidad, lo cual indica que la varianza de las
series de tiempo financieras se modifica con el tiempo. ¿Cómo podemos determinar
el modelo de dicha “variación cambiante”? En estos casos es cuando resulta
práctico el llamado modelo de heteroscedasticidad condicional autorregresivo
(ARCH), que originalmente desarrolló Engle. Como su nombre lo indica, la
heteroscedasticidad, o varianza desigual, puede tener una estructura autorregresiva
en la que la heteroscedasticidad observada a lo largo de diferentes periodos quizá
esté autocorrelacionada (Gujarati & Porter, 2009).
𝜖𝑡 = 𝑦𝑡 − 𝑥𝑡 𝛽 (32)
Donde 𝛼0 > 0, 𝛼𝑖 ≥ 0, 𝑖 = 1, … , 𝑝
De los supuestos del modelo se deduce que
𝜖𝑡 |𝜓𝑡−1 ~ 𝑁(0, ℎ𝑡 )
Y si el proceso 𝑦𝑡 |𝜓𝑡−1 tiene media 𝜇𝑡 = 0, 𝜖𝑡 = 𝑦𝑡 . En este caso, el modelo se
puede expresar de esta manera:
𝜖𝑡 |𝜓𝑡−1 ~ 𝑁(0, ℎ𝑡 ) (33)
⁄2
𝑦𝑡 = 𝜖𝑡 ℎ𝑡1 (34)
Que es el modelo propuesto ARCH(p) por Engle (1982).
De las ecuaciones (31) y (34) se tiene que el primer y segundo momento no-
condicionales, del proceso 𝑦𝑡 , están dados por (Rodríguez, 2009):
Media
1⁄
𝐸(𝑦𝑡 ) = 𝐸 (𝜖𝑡 ℎ𝑡 2 )
2 ) 1⁄
𝐸(𝑦𝑡 ) = 𝐸(𝜖𝑡 )𝐸 [(𝛼0 + 𝛼1 𝑦𝑡−1 2] , 𝜖𝑡 ⊥ 𝑦𝑠 , 𝑠<𝑡
𝐸(𝑦𝑡 ) = 0 (𝐸(𝜖𝑡 ) = 0)
Varianza
𝑉(𝑦𝑡 ) = 𝐸(𝑦𝑡2 )
2 )
𝑉(𝑦𝑡 ) = 𝐸(𝜖𝑡2 )𝐸(𝛼0 + 𝛼1 𝑦𝑡−1
2 ),
𝑉(𝑦𝑡 ) = 𝛼0 + 𝛼1 𝐸(𝑦𝑡−1
𝑦𝑎 𝑞𝑢𝑒 𝐸(𝜖𝑡2 ) = 1
2 ) 2 ),
Esto se tiene para todo 𝑡. Tomando 𝐸(𝑦𝑡−1 en función de 𝐸(𝑦𝑡−2 se tiene:
2 )]
𝐸(𝑦𝑡2 ) = 𝛼0 + 𝛼1 [𝛼0 + 𝛼1 𝐸(𝑦𝑡−2
De forma análoga, regresando k-veces hacia el pasado y dado que 𝛼1 < 1 tenemos:
𝑘−1
𝑗
𝐸(𝑦𝑡2 ) = ∑[𝛼0 𝛼1 + 𝛼1𝑘 𝐸(𝑦𝑡−𝑘
2 )]
𝑗=0
Por lo tanto
𝛼0
𝐸(𝑦𝑡2 ) =
1 − 𝛼1
41 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
2
𝑦𝑡2 = 𝛼0 𝜖𝑡2 + 𝛼1 𝛼0 𝜖𝑡2 𝜖𝑡−1 + 𝛼12 𝜖𝑡2 𝜖𝑡−1
2 2
𝑦𝑡−2
𝑦𝑡2 = ⋯
𝑘
𝑗 2
2
𝑦𝑡2 = 𝛼0 ∑ 𝛼1 𝜖𝑡2 𝜖𝑡−1 … 𝜖𝑡−𝑗 + 𝛼1𝑘+1 𝜖𝑡2 𝜖𝑡−1
2 2
… 𝜖𝑡−𝑘 2
𝑦𝑡−𝑘−1
𝑗=0
∑ 𝛼𝑗 + ∑ 𝛽𝑖 < 1
𝑗=1 𝑖=1
Se tiene:
42 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
2 ) 1⁄
𝑦𝑡 = 𝜖𝑡 (𝛼0 + 𝛼1 𝑦𝑡−1 2
1⁄
𝑘 2
𝑗2 2
𝑦𝑡 = 𝜖𝑡 [𝛼0 + 𝛼1 𝛼0 ∑ 𝛼1 𝜖𝑡2 𝜖𝑡−1 … 𝜖𝑡−𝑗 ]
𝑗=0
𝑦𝑡 = 𝜖𝑡 𝐴𝑡−1
Donde
1⁄
𝑗+1 2 2 2
𝐴𝑡−1 = [𝛼0 (1 + ∑𝑘𝑗=0 𝛼1 2
𝜖𝑡 𝜖𝑡−1 … 𝜖𝑡−𝑗 )] .
𝐶𝑜𝑣(𝑦𝑡 , 𝑦𝑡+ℎ ) = 0
𝐸(𝜖(𝑡+ℎ) |Ψ𝑡+ℎ−1 ) = 0
𝛼0
Por lo tanto 𝑦𝑡 ∼ 𝑅𝐵(0, 𝜎𝑦2 ) con 𝜎𝑦2 = ⁄1 − 𝛼 . En la siguiente sección se verificará
1
que 𝑦𝑡 no es IID.
43 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Esperanza
2 ) 1⁄
𝐸(𝑦𝑡 |Ψ𝑡−1 ) = 𝐸 ((𝜖𝑡 |Ψ𝑡−1 )(𝛼0 + 𝛼1 𝑦𝑡−1 2)
2 ) 1⁄
𝐸(𝑦𝑡 |Ψ𝑡−1 ) = 𝐸 ((𝜖𝑡 )(𝛼0 + 𝛼1 𝑦𝑡−1 2)
1 𝑦𝑡2
𝑙𝑡 = 𝑙𝑛(𝐵𝑡 ) = 𝑘 − 𝑙𝑛ℎ𝑡 −
2 2ℎ𝑡
1
con 𝑘 = 𝑙𝑛 1⁄
(2𝜋) 2
1
Sea 𝑙 = 𝑇 ∑𝑇𝑡=1 𝑙𝑡 ,
𝑦2
Si se tiene en cuenta que 𝐸 ( ℎ𝑡 |Ψ𝑡−1 ) = 1 y que en consecuencia
𝑡
𝑦𝑡2 𝜕 1 𝜕ℎ𝑡
𝐸 ([ − 1] ′ ( ) |Ψ𝑡−1 ) = 0
ℎ𝑡 𝜕𝛼 2ℎ𝑡 𝜕𝛼
2 2
Sean 𝜖𝑡 = (1, 𝑦𝑡−1 , … , 𝑦𝑡−𝑝 ) y 𝛼 ′ = (𝛼0 , 𝛼1 , … , 𝛼𝑝 ), se puede entonces reescribir a ℎ𝑡
como:
𝜕ℎ𝑡
ℎ𝑡 = 𝜖𝑡 𝛼, con = 𝜖𝑡
𝜕𝛼
𝜕𝑙𝑡 1 𝑦𝑡2
= 𝜖 [ − 1]
𝜕𝛼 2ℎ𝑡 𝑡 ℎ𝑡
1⁄
𝐸(𝑦𝑡 ) = 𝐸 (𝜖𝑡 ℎ𝑡 2 )
1⁄
𝑝 2
2
𝐸(𝑦𝑡 ) = 𝐸 (𝜖𝑡 (𝛼0 + ∑ 𝛼𝑖 𝑦𝑡−𝑖 ) )
𝑖=1
1⁄
𝑝 2
2
𝐸(𝑦𝑡 ) = 𝐸(𝜖𝑡 )𝐸 ((𝛼0 + ∑ 𝛼𝑖 𝑦𝑡−𝑖 ) ) = 0, 𝜖𝑡 ⊥ 𝑦𝑠
𝑖=1
46 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
𝑉(𝑦𝑡 ) = 𝐸(𝑦𝑡2 )
𝑝
2
𝑉(𝑦𝑡 ) = 𝐸 (𝜖𝑡2 (𝛼0 + ∑ 𝛼𝑖 𝑦𝑡−𝑖 ))
𝑖=1
𝑝
2
𝑉(𝑦𝑡 ) = 𝐸(𝜖𝑡2 )𝐸 (𝛼0 + ∑ 𝛼𝑖 𝑦𝑡−𝑖 )
𝑖=1
𝑝
2
𝑉(𝑦𝑡 ) = 𝛼0 + ∑ 𝛼𝑖 𝐸(𝑦𝑡−𝑖 )
𝑖=1
𝑝 𝑝
2
𝑉(𝑦𝑡 ) = 𝛼0 + ∑ 𝛼𝑖 (𝛼0 + ∑ 𝛼𝑖 𝐸(𝑦𝑡−𝑖−𝑘 ))
𝑖=1 𝑘=1
𝑝 𝑝
𝑘⟶∞
1⁄
𝑝 2
2
𝐸(𝑦𝑡 |Ψ𝑡−1 ) = 𝐸 (𝜖𝑡 |Ψ𝑡−1 ) (𝛼0 + ∑ 𝛼𝑖 𝑦𝑡−𝑖 ) =0
𝑖=1
( )
𝑝
2
𝑉(𝑦𝑡2 |Ψ𝑡−1 ) = 𝐸 ((𝜖𝑡2 |Ψ𝑡−1 ) (𝛼0 + ∑ 𝛼𝑖 𝑦𝑡−𝑖 ))
𝑖=1
𝑝
2
𝑉(𝑦𝑡2 |Ψ𝑡−1 ) = 𝛼0 + ∑ 𝛼𝑖 𝑦𝑡−𝑖
𝑖=1
𝑉(𝑦𝑡2 |Ψ𝑡−1 ) = ℎ𝑡
El algoritmo sería:
−1
𝜃 (𝑘+1) = 𝜃 (𝑘) + [𝐼(𝜃 (𝑘) )] 𝑞 (𝑘) , 𝑘≥0
Donde 𝛽 (𝑘) y 𝛼 (𝑘) son los valores de los vectores 𝛽 y 𝛼 en la k-ésima iteración del
(𝑘) −1 (𝑘) −1
algoritmo, con (𝐼𝛽𝛽 ) y (𝐼𝛼𝛼 )
(𝑘) (𝑘)
Son, respectivamente, las matrices inversas de 𝐼𝛽𝛽 y 𝐼𝛼𝛼 evaluadas en 𝛽 (𝑘) y 𝛼 (𝑘) .
(𝑘) (𝑘) 1 𝜕𝑙 1 𝜕𝑙
Por último, 𝑞𝛽 y 𝑞𝛼 son los vectores 𝑞𝛽 = 𝑇 ∑𝑡 𝜕𝛽𝑡 y 𝑞𝛼 = 𝑇 ∑𝑡 𝜕𝛼𝑡 evaluados
respectivamente en 𝛽 (𝑘) y 𝛼 (𝑘) .
El algoritmo para obtener las estimaciones de máxima verosimilitud de los
parámetros para la media y la varianza es:
Dar valores iniciales para 𝛽 y 𝛼, (𝛽 (0) y 𝛼 (0) ).
(𝑘) (𝑘)
Estimar 𝐼𝛽𝛽 y 𝑞𝛽 utilizando 𝛽 (𝑘) y 𝛼 (𝑘) .
Calcular 𝛽 (𝑘+1) utilizando la ecuación (37).
(𝑘) (𝑘)
Utilizando 𝛽 (𝑘+1) y 𝛼 (𝑘) , estimar 𝐼𝛼𝛼 y 𝑞𝛼 .
Calcular 𝛼 (𝑘+1) utilizando la ecuación (38).
Repita los pasos 2 a 5 hasta que se cumpla algún criterio de convergencia.
48 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
2 2
Donde L es el operador de retardos estándar (𝐿𝑖 𝑦𝑡2 = 𝑦𝑡−𝑖 y 𝐿𝑖 𝜎𝑡2 = 𝜎𝑡−𝑖 para
cualquier entero i), y α y β son polinomios de grados q y p, respectivamente:
𝑞 𝑝
𝛼(𝐿) = ∑ 𝛼𝑖 𝐿𝑖 , 𝛽(𝐿) = ∑ 𝛽𝑗 𝐿𝑗
𝑖=1 𝑗=1
Si 𝛽(𝑧) = 0 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
𝜎𝑡2 = 𝜔 + ∑𝑞𝑖=1 𝛼𝑖 𝑦𝑡−𝑖
2
(41)
Donde r = max (p, q), por conveniencia escribimos αi = 0 (βj = 0) si, i > q ; (j > p).
Esta ecuación tiene la estructura lineal de un modelo ARMA, lo que permite un
sencillo cálculo de las predicciones lineales.
Bajo supuestos adicionales (lo que implica la estacionariedad de segundo orden de
𝑦𝑡2 ), podemos afirmar que si (𝑦𝑡 ) es GARCH(p, q), entonces (𝑦𝑡2 ) es un Proceso
ARMA(r,p). En particular, el cuadrado de un proceso ARCH(q) admite, si es
estacionaria, una representación AR(q). La representación ARMA será útil para la
estimación y la identificación de procesos GARCH (Francq & Zakoïan, 2010) .
Sea (𝜂𝑡 ) una distribución de probabilidad con valor esperado nulo y varianza igual
a la unidad. El proceso (𝑦𝑡 ) se denomina GARCH fuerte (p, q) (con respecto a la
secuencia (𝜂𝑡 )) si:
𝑦𝑡 = 𝜎𝑡 𝜂𝑡
{𝜎 2 = 𝜔 + ∑𝑞 𝛼 𝑦 2 + ∑𝑝 𝛽 𝜎 2 (43)
𝑡 𝑖=1 𝑖 𝑡−𝑖 𝑗=1 𝑗 𝑡−𝑗
Converge con toda seguridad y el proceso (𝑦𝑡 ) definido por 𝑦𝑡 = √ℎ𝑡 𝜂𝑡 es la solución
única y estrictamente estacionaria del proceso, la expresión (45). Esta solución no
es anticipativa y ergódica (una secuencia estacionaria se dice que es ergódica si
satisface la ley fuerte de los grandes números). Si γ ≥ 0 y ω> 0, no existe una
solución estrictamente estacionaria (Francq & Zakoïan, 2010).
En el sexto paso, se grafica la FAC y FACP de la serie de tiempo, por medio de las
funciones acf() y pacf(), para definir cuáles son los posibles parámetros que tendrá
el modelo ARIMA(p, q). El parámetro p, representa el orden del modelo
autorregresivo (FACP) y el parámetro q, el orden del modelo de medias móviles
(FAC). Los posibles parámetros para p y q son los rezagos que se salen de las
bandas. Además se aplicará la prueba de Dickey-Fuller La cual tiene como hipótesis
nula H0: la serie tiene raíz unitaria (La serie no es estacionaria).
adf.test(trm)
par(mfrow=c(2,1))
acf(serie, main=”FAC de la serie”)
pacf(serie, main=”FACP de la serie”)
En el noveno paso, con los residuos al cuadrado del modelo ARIMA seleccionado,
se construyen la FAC y FACP para determinar los posibles parámetros, p y q, que
tendrán los modelos ARCH/GARCH propuestos.
res_arima011 <- arima011$res
res_arima011_2 <- arima011$res^2
par(mfcol=c(3, 1))
plot(res_arima011_2,main='Residuales al cuadrado del modelo ARIMA')
acf(res_arima011_2,main='FAC de los residuales al
cuadrado',lag.max=50)
pacf(res_arima011_2,main=' FAC de los residuales al
cuadrado',lag.max=50)
En el onceavo paso, por medio del criterio AKAIKE (AIC) se establece el mejor
modelo ARCH/GARCH, usando $aic en cada modelo estimado, tanto ARCH como
GARCH. El modelo con menor AIC es el modelo ARCH/GARCH seleccionado.
aicarch07=AIC(arch07)
aicarch14=AIC(arch14)
aicarch77=AIC(garch77)
aicarch714=AIC(garch714)
aicarch137=AIC(garch137)
aicarch1314=AIC(garch1314)
nombres2 <-
c("aicarch07","aicarch14","aicgarch77","aicarch714","aicarch137","aicarch1
314")
aic2 <-
as.numeric(c(aicarch07,aicarch14,aicgarch77,aicarch714,aicarch137,aicarch1
314))
table <- data.frame(nombres2,aic2)
summary(arch14)
ht.arch14=arch14$fit[,1]^2
estimaciones_arima011=fitted.values(arima011)
inf_garch14= estimaciones_arima011-1.96*sqrt(ht.arch14)
sup_garch14= estimaciones_arima011+1.96*sqrt(ht.arch14)
plot(serie.ret, main = “Grafico de los retornos de la serie con los intervalos de
confianza del modelo Arch”, type = "l")
lines(inf_garch14,col='red')
lines(sup_garch14,col='blue')
lines(estimaciones_arima011,col='green')
57 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Se convierten los datos del TRM diario Colombiano en una serie de tiempo mediante
la función ts().
trm <- trm[,-1]
trm <- ts(trm)
head(trm)
Box-Ljung test
data: coredata(trm)
X-squared = 6570.8, df = 12, p-value < 2.2e-16
data: trm
Chi-squared = 572.34, df = 12, p-value < 2.2e-16
Como el valor P (2.2e’16) de la prueba para los retornos es menor a 0.05. Existen
evidencias suficientes para rechazar la hipótesis nula con un 5% de significancia,
por lo que, la TRM diaria Colombiana tiene efectos ARCH/GARCH. Entonces, se
puede continuar con el modelamiento.
El primer paso para estimar un modelo GARCH, es estimar un modelo ARIMA (p,
q), dónde p representa el orden del modelo autorregresivo, el cual se establece con
la función de autocorrelación parcial (FACP) y q el orden del modelo de medias
móviles, el cual se establece con la función de autocorrelación (FAC).
60 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
En la gráfica de la FAC, se observa que no tiene caída rápida por lo cual se aplicara
la prueba de Dickey-Fuller para determinar si es estacionaria o si se debe realizar
una diferencia de la misma.
> adf.test(trm)
data: trm
Dickey-Fuller = -1.4003, Lag order = 8, p-value = 0.8322
alternative hypothesis: stationary
Con el fin de determinar los órdenes para los modelos, se aplicara el operador
diferencia, y se presentara la prueba nuevamente y los gráficos de Autocorrelación
y Autocorrelación Parcial de la serie TRM1.
> adf.test(trm1)
data: trm1
Dickey-Fuller = -7.5831, Lag order = 8, p-value = 0.01
alternative hypothesis: stationary
61 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Se estiman los modelos ARIMA para todas las combinaciones de los posibles
parámetros, p y q. Ademas, se probaran los modelos con una diferenciación.
Para elegir el mejor modelo ARIMA para la TRM diaria colombiana, se tiene en
cuenta el criterio de Akaike (AIC), dónde el modelo con el menor AIC representa el
mejor modelo.
nombres aic
aic011 5468,222
aic111 5468,930
aic110 5469,945
En la gráfica de la FAC, se observa que los posibles valores del parámetro q son
7,14.
En la gráfica de la FACP, se observa que los posibles valores del parámetro p son
7,13.
Utilizando los residuales del modelo ARIMA(0,1,1), se estiman los modelos ARCH
para los posibles parámetros q. Además, se estiman los modelos GARCH para
todas las combinaciones de los posibles parámetros, p y q.
64 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
arch07=garch(res_arima011,order=c(0,7),trace=F)
aicarch07=AIC(arch07)
arch14=garch(res_arima011,order=c(0,14),trace=F)
aicarch14=AIC(arch14)
garch77=garch(res_arima011,order=c(7,7),trace=F)
aicarch77=AIC(garch77)
garch714=garch(res_arima011,order=c(7,14),trace=F)
aicarch714=AIC(garch714)
garch137=garch(res_arima011,order=c(13,7),trace=F)
aicarch137=AIC(garch137)
garch1314=garch(res_arima011,order=c(13,14),trace=F)
aicarch1314=AIC(garch1314)
nombres aic
arch14 5353,836
arch07 5416,964
garch77 5423,745
garch137 24126,490
garch714 20000000000
garch1314 20000000000
Call:
garch(x = res_arima011, order = c(0, 14), trace = F)
Model:
GARCH(0,14)
Residuals:
65 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Coefficient(s):
Estimate Std. Error t value Pr(>|t|)
a0 1.912e+02 2.980e+01 6.416 1.39e-10 ***
a3 5.454e-02 2.467e-02 2.210 0.027075 *
a4 3.341e-02 1.650e-02 2.026 0.042800 *
a7 1.108e-01 3.836e-02 2.888 0.003876 **
a11 6.067e-02 2.424e-02 2.503 0.012319 *
a13 8.600e-02 3.648e-02 2.357 0.018406 *
a14 1.390e-01 3.924e-02 3.542 0.000397 ***
Finalmente, en el siguiente gráfico se puede observar que las estimaciones son muy
cercanas a los valores reales. Además, los intervalos de confianza generados a
partir el modelo GARCH tienen un comportamiento similar a la TRM diaria
Colombiana.
66 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Nota:
*Línea verde: Estimaciones
*Línea negra: Valores reales
*Línea azul: Límite inferior (nivel de confianza del 0.05)
Modelo final.
𝐴𝑅𝐼𝑀𝐴(0,1,1): (1 − 𝐿)𝑦𝑡 = (1 − 0.1667𝐿)𝜖𝑡
𝐴𝑅𝐶𝐻(14):
ℎ𝑡2 = 191.2 + 0.0545 ∈2𝑡−3 + 0.0334 ∈2𝑡−4 + 0.0110 ∈2𝑡−7 + 0.0606 ∈2𝑡−11 + 0.086 ∈2𝑡−13
+ 0.139 ∈2𝑡−14
67 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
4 Anexos.
Esta ecuación indica que la primera diferencia de una serie de tiempo de caminata
aleatoria es una estacionaria porque ut es puramente aleatorio. Desde el punto de
vista estadístico, existen dos problemas (Maddala, 1996; Novales, 1997): el primero
es con respecto a los métodos de eliminación de tendencia que se emplean
68 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Por otro lado, la prueba de hipótesis conjunta en (21), que indica que el PGD es un
paseo aleatorio, se puede probar a través del estadístico F presentado también en
el trabajo de Dickey y Fuller(1981) y así, sucesivamente, para la significancia de los
diversos parámetros.
70 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
Bibliografía
Yaffee, R. A., & McGee, M. (1999). Introduction to Time Series Analysis and
Forecasting with Applications of SAS and SPSS. Brooklyn, New York:
ACADEMIC PRESS, INC.