ANALISIS ESPECTRAL E INTRODUCCION AL TRATAMIENTO DE SERIES MEDIANTE FILTROS

I.L.R. KLEIN AREA DE MODELIZACIN MACROECONMICA Julin Moral Carcedo

LOS CICLOS ECONMICOS

T A S A IN T E R A N U A L D E C R E C IM IE N T O D E L P IB 10 8 6 4 2 0 -2 -4 70 75 80 85 90 95 00

Las economas de mercado experimentan fluctuaciones en los ritmos de crecimiento de un conjunto amplio y diverso de series: produccin, empleo, precios, consumo, inversin, etc,.Tales oscilaciones son recurrentes y sistemticas aunque con patrones variables de amplitud y duracin.Estos fenmenos se denominan ciclos econmicos. (National Bureau of Economic Research)

LOS CICLOS EN ECONOMIA

GRANGER .Spectral analysis of economic time series.1964. Ondas de Kondratieff, este economista ruso planteaba la existencia de ciclos largos de entre 40 y 60 aos. Sin evidencias empricas claras. Ondas de Kuznets, ciclos de 20 aos en variables como el PNB, emigracin y poblacin. Con evidencia emprica. "Building cycle". Evidencia de la existencia de ciclos de 15-20 aos en el sector de la construccin. Ciclos de Hansen, este economista plantea la existencia de ciclos "mayores" de perodo 6-11 aos (debidos a cambios tecnolgicos) junto con ciclos "menores" de duracin entre 2-4 aos ( ciclo de inventario/ existencias). Business cycle, definidos por el NBER (National Bureau of Economic Research) como un tipo de fluctuacin encontrado en la actividad econmica agregada, de duracin media 4 aos y rango entre 1-12 aos. Sub-ciclos de Mack, llamados as por tener una duracin corta de 24 meses, encontrados en series de pedidos, precios, inventarios, etc.

6,0 5,0 4,0 3,0 2,0 1,0 Consumo

6,0 5,0 4,0 3,0 2,0 1,0 Consumo

ANALISIS ESPECTRAL

19 96 01 19 96 03 19 97 01 19 97 03 19 98 01 19 98 03 19 99 01 19 99 03 20 00 01 20 00 03
19 96 01 19 96 03 19 97 01 19 97 03 19 98 01 19 98 03 19 99 01 19 99 03 20 00 01 20 00 03

Disp. Consumo

Renta salarial

-2

10

12

Consumo

Comercio

6,0 5,0 4,0 3,0 2,0 1,0 19 96 01 19 96 03 19 97 01 19 97 03 19 98 01 19 98 03 19 99 01 19 99 03 20 00 01 20 00 03

8 6 4 2 -2 -4

Consumo

Confianza cons.

6,0 5,0 4,0 3,0 2,0 1,0 19 96 01 19 96 03 19 97 01 19 97 03 19 98 01 19 98 03 19 99 01 19 99 03 20 00 01 20 00 03

15 10 5 -5 -10 -15 -20

ANALISIS ESPECTRAL

1,0 -

2,0

3,0

4,0

5,0

6,0

1,0
Consumo

2,0

3,0

4,0

5,0

6,0

Consumo

ANALISIS ESPECTRAL

19 96 01 19 96 03 19 97 01 19 97 03 19 98 01 19 98 03 19 99 01 19 99 03 20 00 01 20 00 03

19 96 0 19 1 96 0 19 3 97 01 19 97 0 19 3 98 01 19 98 0 19 3 99 01 19 99 0 20 3 00 0 20 1 00 03

Ahorro convenien.

tipo consumo

60 50 40 30 20 10 -

10

12

Como modelizar fenmenos recurrentes:

Funciones peridicas

2pt Yt = A cos( +q ) T
A, amplitud de la oscilacin. T, perodo. q, desfase. Expresiones alternativas:

1,5 1 0,5 0 -0,5 1 -1 -1,5 8 15 22 29 36 43 50 57 64 71 78 85 92 99 T A

1,5 1 0,5 0 -0,5 1 -1 -1,5 8

DESFASE = PI/2

Yt = A cos(wt + q )

15 22 29 36 43 50 57 64 71 78 85 92 99

Yt = a cos(wt ) + b sen(wt ) a b a b Yt = ( - i )e iwt + ( + i)e -iwt 2 2 2 2

Es evidente la periodicidad?

6 4 2 0 -2 -4 -6 20 40 60 80 100 120 140 160 180 200 C IC LO1

ciclo1=cos(2*pi*t/10)+cos(2*pi*t/40)+cos(2*pi*t/20)+cos(2*pi*t/25)+u

Deteccin de periodicidades ocultas:

El correlograma.
Idea bsica: Una funcin peridica se repite transcurrido T (perodo), por lo tanto presentar la mxima correlacin con el retardo Ty sus mltiplos enteros. Puede demostrarse que la autocorrelacin de una funcin peridica es peridica, del mismo perodo que dicha funcin.
COS(2*PI*@TREND/(200/10)) 1.5 1.0 0.5 0.0

FUNCION DE AUTOCORRELACION 1.5 1.0 0.5 0.0

-0.5

-0.5
-1.0

-1.0
-1.5 20 40 60 80 100 120 140 160 180 200

-1.5 -40 -20 0 20 40

Deteccin de periodicidades ocultas:

El periodograma
El periodograma se asimila a un sintonizador de un receptor de radio, as, la serie que observamos sera la seal emitida por una radio y el periodograma no sera mas que el dial que busca en que frecuencia se oye mejor la seal emitida.
20
6 4
PERDG

15

2 0 -2 -4 -6 20 40 60 80 100 120 140 160 180 200 C IC LO1

10

0 0 5 10 15 FREC 20 25

El periodograma: formulacin.
Modelo que sigue la serie observada:

Yt = (a p cos w i t + bi sen w i t ) + e t
i =1

Asumimos que las frecuencias, w, son:

wi =

2ppi N

pi = 1,..., k
Yt 0 = a t =1 N
N

Se determinan los parmetros, a y b, segn:

2 N p = Yt cos pw o t a N t =1 N 2 = b Yt sen pw o t p N t =1

N / 2 a

1 = N

Y cos pt
t =1 t

Se calcula el periodograma I(w)

I (w p ) =

2 (a 2 + b p p)

2w 0

El periodograma: Interpretacin.
El periodograma mide aportaciones a la varianza total de la serie de componentes peridicos de una frecuencia determinada (w).Si el periodograma presenta un pico en una frecuencia, indica que dicha frecuencia tiene mayor importancia en la serie que el resto.
ciclo1=cos(2*pi*t/10)+cos(2*pi*t/40)+cos(2*pi*t/20)+cos(2*pi*t/25)+u
N=200; 200/10=20; 200/40=5; 200/20=10; 200/25=8
20
20

15

15

PERDG

10

PERDG
0 50 100 FREC 150

10

0 0 5 10 15 FREC 20 25

El periodograma: Interpretacin.
De izqda. a drcha. aumenta la frecuencia (disminuye el perodo)

1.5
0.0

1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5

20 40 60 80 100 120 140 160 180 200

1.0
-0.2

0.5
-0.4

0.0
-0.6

-0.5 -1.0 -1.5

-0.8

-1.0

20

40

60

80

100 120 140 160 180 200

0 0 50 100 150

El periodograma y la transformada de Fourier

El periodograma est basado en una herramienta matemtica denominada Transformada de Fourier, segn la cual una serie, que cumpla determinados requisitos, puede descomponerse como suma de un nmero finito o infinito de frecuencias. Del mismo modo, a partir de la representacin frecuencial puede recuperarse la serie original a travs de la Transformada Inversa de Fourier.

En este punto, es preciso sealar las diferencias existentes entre procesos discretos peridicos, aperidicos y estocsticos en trminos frecuenciales: Las series peridicas presenta un periodograma discreto, es decir, solo existe "masa" espectral en aquellas frecuencias contenidas en la serie, siendo stas un nmero discreto. Las series aperidicas presentan un periodograma contino, es decir, existe "masa" en un "infinito" nmero de frecuencias. Las series estocsticas presentan densidad espectral en un rango contino de frecuencias.

SERIE PERIODICA
1.5 1.0 0.5 0.0
40 100 80

SERIES APERIODICAS

60

-0.5
20

-1.0 -1.5 20 40 60 80 100 120 140 160 180 200

0 20 40 60 80 100 120 140 160 180 200

PERIODOGRAMA
20

PERIODOGRAMA
12000 10000

15

8000
PERDG

10

PERDG

6000 4000

2000
0 0 50 100 FREC 150

0 0 50 100 FREC 150

SERIES ESTOCASTICAS
3 2 1 0 -1 -2 -3 20 40 60 80 100 120 140 160 180 200

PERIODOGRAMA (DE ESA REALIZACION)

1.4 1.2 1.0

PERDG

0.8 0.6 0.4 0.2 0.0 0 50 100 FREC 150

LA ESTIMACION DEL ESPECTRO

El espectro o densidad espectral se define para procesos estocsticos estacionarios como la transformada de Fourier de la funcin de autocovarianza (teorema de WienerKhintchine). Su estimador natural es el periodograma, antes visto. Como hemos comprobado es un instrumento adecuado para la deteccin de procesos peridicos puros, sin embargo en el caso de procesos estocsticos presenta serias limitaciones, las ms importantes son la inconsistencia y la correlacin asintticamente nula entre ordenadas del periodograma. Esto implica que no converja al verdadero espectro cuando la muestra se amplia y que el periodograma muestre un comportamiento errtico.
1.4 1.2 1.0

h(w)

PERDG

0.8 0.6 0.4 0.2 0.0 0 50 100 FREC 150

-pi

pi

LA ESTIMACION DEL ESPECTRO: METODOS NO PARAMTRICOS

A fin de solucionar los problemas antes comentados se propone, en este tipo de mtodos, ponderar el espectro por unos valores denominados ventanas espectrales Estimador sin aplicar enventanado

1 h(w ) = 2p

( N -1)

r = - ( N -1)

-iwr

(r ) R

-p w p

Estimador enventanado

1 h(w ) = 2p

( N -1)

r = - ( N -1)

(r ) l (r )e -iwr R

-p w p

Existe un amplio nmero de ventanas espectrales, Tukey, Parzen, Hamming, etc.

LA ESTIMACION DEL ESPECTRO: METODOS NO PARAMTRICOS

Si bien la utilizacin de ventanas espectrales permite eliminar la inconsistencia y la irregularidad del periodograma como estimador, el que se suavicen las ordenadas del periodograma introduce la dificultad de diferenciar frecuencias prximas. x1=cos(2*pi*t/(200/15))+cos(2*pi*t/(200/17))+u
PERIODOGRAMA NO SUA VIZADO 20

P E R IODGRA MA S UA V IZA DO M E DIA NTE U NA V E N TA NA DE TUK E Y -HA NNING (M =50 ) 3.0

15

2.5

10

DENSIDAD2
0 10 20 FREC 30 40

PERDG

2.0 1.5 1.0 0.5

0
0.0 0 10 20 FR E C 30 40

LA ESTIMACION DEL ESPECTRO: METODOS PARAMTRICOS

Los mtodos paramtricos, parten de suponer conocido el PGD, y modelizado en general a travs de un proceso ARMA, a partir del cual se puede recuperar una estimacin del espectro. Si la serie observada responde a un modelo ARMA (p,q):

Yt + a1Yt -1 + a2Yt -2 + ... + a pYt - p = e t + b1e t -1 + b2e t -2 + ... + bq e t -q

El espectro equivale a:

hY (w ) =

1 + b1e

-iw

+ b2 e

-i 2w

+ ... + bq e

-iqw 2 -ipw 2

1 + a1e -iw + a 2 e -i 2w + ... + a p e

s e2 2p

-p w p

Serie original
8 6 4 2 0 -2 -4 -6 -8 2 0 4 0 6 0 8 0 1 0 0 Y 4 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0

Estimaciones del espectro

PERIODOGRAMA (NO ALISADO) 20
2.0 1.5
PERIODOGRAMA ALISADO ( VENTANA TUKEY-HANNING)
350 300 250

15

DENSIDAD2

PERDG

1.0
200

10

0.5 0.0 -0.5

150 100 50

0 0 20 40 FREC 60 80

20

40 FREC

60

80

0 0 0.5 1 1.5 2 Frecuencia (0-pi) 2.5 3

COMPARACION METODOS DE ESTIMACION

Modelos dinmicos y funciones peridicas

Yt = 2 cos wYt -1 - Yt -2
: Ec. En diferencias: Yt - bYt -1 - cYt - 2 = 0
2 Condicin para la existencia de races complejas : b + 4c < 0

t Y = r ( A cos w t + B sen w t ) Soluc. de la ec. Homognea: t

Valores de los parmetros: b 1 a= ; b= - b 2 - 4c 2 2 a = r cos w b = r sen w r = a2 +b2

b/2 b/2 = cos -1 w = cos (b 2 / 4) + (1 / 4)( -b 2 - 4c) c
-1

Modelos dinmicos y funciones peridicas

Yt = 1.90Yt -1 - 0.99777946Yt - 2

6 y = 1 .9 0 *y ( -1 )-0 .9 9 7 7 7 9 4 6 *y ( - 2 ) 4 2 0 -2 -4 -6 20 40 60 80 100 Y 120 140 160 180 200

FILTROS E INTRODUCCION AL TRATAMIENTO Y DESCOMPOSICION DE SERIES.

Un filtro no es mas que el tratamiento que se da a una serie inicial o input para obtener una serie final u output. Si el filtro es lineal, el output es simplemente una combinacin lineal de valores pasados, presentes y futuros del input

u (t )
Y (t ) =

Y (t )
k = k = -

c u
k

t -k

ESQUEMA BASICO DE FUNCIONAMIENTO DE UN FILTRO

INPUT

FILTRO

OUTPUT

ALGUNOS TIPOS DE FILTROS LINEALES

No-recursivos, los coeficientes del filtro slo afectan a valores del input.

Y (t ) =

k =

k = -

c u
k

t -k

Recursivos, los coeficientes del filtro afectan a valores del input y del output.

Y (t ) =

k =

k = -

c u
k

t -k

+ d k Yt -k
k = -

k =

Causales (one-sided), los coeficientes del filtro slo afectan a valores pasados y actuales del input y/o pasados del output.

Y (t ) =

k=N k =0

c u
k

t -k

+ d k Yt -k
k =1

k =M

Simtricos, los coeficientes del filtro equiespaciados son iguales.

FILTROS LINEALES: EJEMPLOS

Media mvil centrada de orden 3:

1 1 1 1 1 Y (t ) = u t -k = u t -1 + u t + u t +1 = (u t -1 + u t + u t +1 ) 3 3 3 3 k = -1 3
Modelo MA:

k =1

Yt = 0.1ut -1 + ut
Modelo AR:

Yt = 0.5Yt -2 + 0.2Yt -1 + ut
Modelo ARMA:

Yt = 0.5Yt -2 + 0.2Yt -1 + 0.1ut -1 + ut

EXPRESION DEL FILTRO EN FUNCION DEL OPERADOR RETARDO

Sea el filtro recursivo:

Y (t ) =

k=N k =0

xt -k + d k Yt -k
k =1
k =M k =1 k =N k =0

k =M

Su expresin en el polinomio de retardos es por tanto:

Y (t ) = ck xt -k + d k Yt -k Yt - d k Yt -k = ck xt -k
k =0 k =1

k=N

k =M

(1 - d1 L - d 2 L2 - ... - d M LM )Yt = (1 + c1 L + c2 L2 + ... + c N LN ) xt

O en forma compacta:

Yt =

Q( L) Xt F ( L)

FILTROS: UTILIDADES
SON LA BASE DE LA MODELIZACION ARIMA. SUAVIZADO DE SERIES. ELIMINACION DE COMPONENTES DESESTACIONALIZACIN, ELIMINACION LINEALES Y ESTOCASTICAS. INDESEADOS : DE TENDENCIAS

POTENCIACION DE DETERMINADAS CARACTERISTICAS.

ESTIMACION DEL COMPONENTE CICLICO.

EFECTOS DEL FILTRADO EN EL DOMINIO DEL TIEMPO

Modifica la evolucin temporal y estructura de correlacin del input.
3
1.0

2 1 0 -1 -2 -3 20 40 60 80 100 120 140 160 180 200 INPUT

0.5

0.0

1 Y (t ) = ut - k k = 0 10
FILTRO NO RECURSIVO

k =10

-0.5

-1.0

-1.5 20 40 60 80 100 120 140 160 180 200

1.2 1.0 0.8 0.6

1.2 1.0 0.8 0.6

C2

C2

0.4 0.2

0.4 0.2 0.0 -0.2 -200

0.0 -0.2 -0.4

-100

0 C1

100

200

-100

0 C1

100

EFECTOS DEL FILTRADO EN EL DOMINIO DEL TIEMPO

20

X t = X t -1 + X t -12 - X t -13 + e t
(1 - L - L + L ) X t = e t
12 13

Sea la serie:

-20

-40

-60

-80 20 40 60 80 100 120 140 160 180 200

Se aplica el filtro, donde C0=1 y C1=-1:

TSEAS

Yt = ci X t -i

Yt = (1 - L) X t
Sustituyendo X por su expresin:

i =0

Yt = (1 - L) X t =

(1 - L) (1 - L) e Y = et t t 12 13 12 (1 - L - L + L ) (1 - L)(1 - L )

Yt =

1 12 e ( 1 L )Yt = e t Yt = Yt -12 + e t t 12 (1 - L )

EFECTOS DEL FILTRADO EN EL DOMINIO DEL TIEMPO

12 x2=x2(-12)+e 8

-4

-8 20 40 60 80 X2 100 120 140 160 180 200 D(TSEAS)

LOS FILTROS EN EL DOMINIO DE LA FRECUENCIA

Asumiendo la expresin de un filtro lineal no recursivo
k =

Y (t ) =

k = -

c u
k

t -k

Puede demostrarse (ver p.ej. Priestley) que la relacin entre la densidad espectral de input(Ut) y la densidad espectral del output (Yt) responde a la expresin:

hY (w ) = G(w ) hu (w )
2

-p w p

La funcin de densidad espectral del output es igual a la funcin de densidad espectral del input multiplicada por el mdulo de la funcin de transferencia.

Dnde la funcin de transferencia se define cmo la transformada de Fourier de los coeficientes c(k) del filtro, es decir:

G(w ) =

K = -

-iwk c e k

EFECTOS DEL FILTRADO EN EL DOMINIO DE LA FRECUENCIA

La caracterstica ms importante del proceso de filtrado es que el valor de la densidad espectral del output en una determinada frecuencia es el producto del valor de la funcin de transferencia y el valor de la densidad espectral del input en dicha frecuencia. Esta propiedad permite anular ciertas frecuencias con la adecuada seleccin de los valores del filtro, con lo que conseguimos que el output exhiba las caractersticas que deseemos.

2.0

1.0

1
1.5
PERDG

0.8

0,8
PERDG

0,6
1.0

0.6

0,4
0.5

0.4

0,2 0
0,0 0,3 0,5 0,8 1,1 1,3 1,6 1,9 2,1 2,4 2,6 2,9
0.0 0 20 40 FREC 60 80 0.2

0.0 0 20 40 FREC 60 80

DESCOMPOSICION DE SERIES
Segn el esquema tradicional, una serie puede descomponerse en todos o alguno de los siguientes componentes:

Tendencia, se asocia con la evolucin a largo plazo de la serie, desde un punto de vista frecuencial se asocia a componentes de frecuencia baja o alternativamente de perodo alto, generalmente superior 8 aos. Ciclo, son oscilaciones en torno a la tendencia de periodo superior al ao e inferior a 8 aos. Estacionalidad, son los movimientos que se producen con periodicidad anual. Irregularidad, movimienos de alta frecuencia, superior a la de la estacionalidad y distintos de los armnicos de la misma

DESCOMPOSICION DE SERIES EN EL DOMINIO DE LA FRECUENCIA.

Tendencia

PERDG

Estacionalidad

50

100 FREC

150

200

M A T R I C U L A C I O N D E A U T O M O V IL E S

1.E+17

1 .6 E + 0 8

8.E+16
1 .2 E + 0 8

8 .0 E + 0 7

PERDG
60 65 70 75 80 M A TR I 85 90 95

6.E+16

4.E+16

4 .0 E + 0 7

2.E+16

0 .0 E + 0 0

0.E+00 0 100 200 FREC 300 400

6 0000000 4 0000000

2.0E+15

1.5E+15

2 0000000 0 -2 0000000 -4 0000000 -6 0000000

0.0E+00

PERDG

1.0E+15

5.0E+14

-8 0000000 60 65 70 75 80 85 90 95

100

200 FREC

300

400

D(MATRI)

60000000
2.0E+14

40000000 20000000
P ERDG
1.5E+14

0 -20000000 -40000000 -60000000 -80000000 60 65 70 75 80 85 90 95

1.0E+14

5.0E+13

0.0E+00 0 100 200 FREC 300 400

D(MATRI,1,12)

1.2 1.0 0.8 0.6 0.4 0.2 0.0

0.5

0.4

PERDG
60 62 64 66 68 70 72 74 76 78

0.3

0.2

0.1
-0.2 -0.4

0.0 0 50 100 FREC 150 200

TMATRI

DESCOMPOSICION DE SERIES EN EL DOMINIO DE LA FRECUENCIA.

SERIE FEST A FT END FT END* FEST A

DESCOMPOSICION DE SERIES EN EL DOMINIO DE LA FRECUENCIA.: FILTROS PARA LA TENDENCIA

Operador diferencia
Ganancia 2,5 2 1,5 1 0,5 0

INF 24 12 8

Filtro de Hodrick-Prescott
FUNC. DE GANANCIA FILTRO HP: SERIETENDENCIA 100 400 1600 3200 1,2 1 0,8 0,6 0,4 0,2 0
0

-0,2

PI

DESCOMPOSICION DE SERIES EN EL DOMINIO DE LA FRECUENCIA.: FILTROS PARA LA ESTACIONALIDAD

Sumador estacional
Ganancia 14 12 10 8 6 4 2 0

INF 24 12 8

Diferencia estacional
Ganancia 2,5 2 1,5 1 0,5 0

INF 24 12