Series de Tiempo

Facultad de Economía - UNMSM
Econometría II
Series de Tiempo
Mg. Beatriz Castañeda S.

Serie de tiempo
Una serie de tiempo es una secuencia de datos numéricos, cada uno de los
cuales se asocia con un instante específico del tiempo. Podemos citar como
ejemplos de series de tiempo al índice mensual de inflación, al tipo de cambio
diario, al producto bruto interno trimestral, al índice de desempleo anual, etc.
Estas series poseen como característica que los lapsos de tiempo, para la
observación cada una de ellas son homogéneos, es decir, la frecuencia de
observación es semanal, mensual, trimestral, etc.
Variación del IP
Indice de Productividad (IP) respecto al mes anterior
3
140
2
120
1
100
0
80
-1
60 -2
40 -3
-4
20
60 65 70 75 80 85 90 95
60 65 70 75 80 85 90 95
IP D 1IP
Econometría II Mg. Beatriz Castañeda S. 2

Series de tiempo estacionarias y no estacionarias
Teóricamente una serie de tiempo puede ser vista como una colección de
variables aleatorias Yt. Es por este motivo que a una colección de este
tipo de datos se le denomina proceso estocástico. Cada una de estas
observaciones se asume como una realización del proceso estocástico
subyacente. Es una tarea de la teoría económica el desarrollar modelos
que capturen el verdadero proceso generador de datos (PGD).
160
120

80
40
-40
1950 1955 1960 1965 1970 1975 1980 1985
D1PBI
Serie no Estacionaria

Series de tiempo estacionarias
Estacionariedad estricta
Es aquel proceso cuya distribución de probabilidad conjunta es invariante
respecto a los desplazamientos en el tiempo, es decir:
f (Yt 1 , Yt 2 , ... , Ytm )  f (Yt 1 k , Yt 2 k , ... , Ytm k ) m, k
Si m=1, entonces
La distribución marginal de yt en cualquier punto del
tiempo es la misma, no cambia
f (Yt 1 )  f (Yt 1 k ) E (Yt 1 )  E (Yt 1 k )  
V (Yt 1 )  V (Yt 1 k )   2

Estacionariedad estricta
Si m = j, entonces f (Yt 1 , Yt 1 j )  f (Yt 1 k , Yt 1 j  k )

La covarianza de variables separadas por j periodos es constante, sin importar
en que momento del tiempo se encuentran
C (Yt 1 , Yt 1 j )  C (Yt 1 k , Yt 1 j  k )   j
A j se denomina autocovarianza a j periodos, ya que indica la covarianza entre
observaciones de la misma serie
Estos resultados nos informan acerca del patrón de comportamiento de la serie
Como E(Yt)= y V(Yt) =2

Nos permite localizar a la serie alrededor
de su media  con una variabilidad
constante  (al 95% a ± 2)

La covarianza nos informa cual es el patrón de variación alrededor de su media
 j  C (Yt , Yt  j )  E[(Yt   )(Yt  j   )]

Para observaciones separadas por j periodos
Yt >  hay tendencia a que Yt+j > 
j 0 
Yt <  hay tendencia a que Yt+j < 
Yt >  hay tendencia a que Yt+j < 

j 0
Yt <  hay tendencia a que Yt+j > 
La autocovarianza determina la apariencia de la serie, sugiere que el proceso

tendrá un patrón general sin importar cuando se observa
Para eliminar el efecto de la unidad de medida, analizamos la autocorrelación, la
que nos indicará el patrón de la serie
C (Yt , Yt  j )  j
j  
V (Yt ) 0

Correlograma
j
1 Yt
-1 t
Estacionariedad débil o de segundo orden
La definición estricta de estacionariedad es demasiado rigurosa como para que realmente

se pueda comprobar en la práctica. La misma implica que la distribución de Yt y de
cualquier combinación de éstas, involucrados todos sus momentos, es independiente del
tiempo. Si se relaja un poco los supuestos y se limita esta independencia al primer (media)
y segundo momento (varianza y autocovarianza), entonces estamos definiendo débilmente
la estacionariedad. Este tipo de estacionariedad también es denominado estacionariedad
de segundo orden, estacionariedad en sentido amplio, estacionariedad de covarianza.

Series estacionarias y no estacionarias
Una serie se define como estacionaria cuando no presenta tendencia y su

desarrollo corriente se encuentra alrededor de su media. Cualquier shock
que sufra en cualquier momento en el tiempo no tendrá efectos
permanentes y sólo la alejará temporalmente de su equilibrio. En caso de
que la serie sea no estacionaria, el camino que recorre a través del tiempo
está determinado por los shocks que percibe durante su trayectoria y son
estos los que determinan íntegramente su recorrido. No presentan una
media determinada.

MODELOS PARA SERIES DE TIEMPO ESTACIONARIAS
....,  t  2 ,  t 1 ,  t PGD yt
PGD y , y , j Datos
yt fac, fap y1, y2, …., yT

MODELOS PARA SERIES DE TIEMPO ESTACIONARIAS
Serie Ruido blanco: t t

Es la serie perturbación aleatoria, en la que:
0
E( t )  0; V ( t )    ;
2
C ( t ,  t  j )  0
t
Modelos
1. Proceso Media Móvil: MA(q) Yt     t   1 t 1   2 t  2  ....   q t  q
2. Proceso Autorregresivo: AR(p) Yt     t  1Yt 1  2Yt  2  ....   pYt  p
3. Proceso Mixto Autorregresivo de Media Móvil: ARMA(p,q)
Yt  1Yt 1  2Yt  2  ... pYt  p     t   1 t 1   2 t  2  ....   q t  q

Proceso Media Móvil: MA(q)
Yt     t   1 t 1   2 t  2  ....   q t  q ; E( t )  0; V ( t )   2 ; C ( t ,  t  j )  0
Momentos:
E (Yt )  
V (Yt )  E (Yt   )2  E[( t   1 t 1   2 t  2  ....   q t  q )2 ]

 E[ t2   12 t21   22 t22  ....   q2 t2q    i j  t  i  t  j ]
 0   2 (1   2   2  ....   2 )
1 2 q
 1  E[(Yt   )(Yt 1   )]
 E[( t   1 t 1   2 t  2  ....   q t  q )( t 1   1 t  2   2 t  3  ....   q t 1 q )]
  2 (  1   1 2   2 3  ....   q 1 q )

Proceso Media Móvil: MA(q)
 2  E[(Yt   )(Yt  2   )] ;
 E[( t   1 t 1   2 t  2  ....   q t  q )( t  2   1 t  3   2 t  4  ....   q t  2 q )]
  2 (  2   1 3   2 4  ....   q  2 q )
 j   2 ( j  1 j 1   2 j  2  ....  q j q )
Función de autocorrelación
  j  1 j 1   2 j  2  ....   q  j q
C (Yt , Yt  j ) j ; si j  q
j    1   12   22  ....   q2
V (Yt ) 0
0 ; si j  q  1

1. Sea un proceso MA(1): Yt = 3 + t + 0.5 t-1; 2 = 0.09
Luego E(Yt) = 3 ; V(Yt) = 0.09(1+0.52) = 0.1125 = 0
j
0.5
Función de
1   0.4 1
1.25
autocorrelación: j
 j  0; si j  1
-1
Serie autogenerada con números aleatorios de la distribución normal

4.0
Y1
3.6 Mean 3.009049
Median 3.022499
3.2 Maximum 3.790389
Minimum 2.101897
2.8 Std. Dev. 0.337565
Skewness 0.021909
2.4 Kurtosis 2.720795
2.0 Jarque-Bera 0.329485

10 20 30 40 50 60 70 80 90 00
Probability 0.84811
Y1

2. Sea un proceso MA(1): Yt = 3 + t - 0.5 t-1; 2 = 0.09
Luego E(Yt) = 3 ; V(Yt) = 0.09(1+0.52) = 0.1125 = 0

j
 0.5 1
Función de
1   0.4
1.25
autocorrelación: j
 j  0; si j  1
-1
4.0
Y2
3.6 Mean 2.996661
Median 2.952678
3.2 Maximum 3.787612
Minimum 2.219883
2.8 Std. Dev. 0.323060
Skewness 0.300947
2.4 Kurtosis 2.881188
2.0 Jarque-Bera 1.552619

10 20 30 40 50 60 70 80 90 00
Probability 0.460101
Y2

3. Sea un proceso MA(2): Yt = 15 + t + 0.7 t-1 - 0.2 t-2 ; 2 = 0.09
E(Yt) = 15 j
0 = 0.09(1+0.72+0.22) = 0.1377 1
j
0.7  0.14  0.2
1   0.366 2   0.13  j  0; si j  2
1.53 1.53 -1
16.0
Y3
15.6 Mean 14.99908
Median 14.99159
15.2 Maximum 15.88596
Minimum 14.12380
14.8
Std. Dev. 0.365650
14.4
Skewness 0.139397
Kurtosis 2.579241
14.0
10 20 30 40 50 60 70 80 90 00
Jarque-Bera 1.040289
Y3
Probability 0.594435

Proceso Autorregresivo: AR(p)
Yt     t  1Yt 1  2Yt  2  ....   pYt  p ; E( t )  0; V ( t )   2 ; C ( t ,  t  j )  0
Proceso AR(1): Yt     t  1Yt 1


E (Yt )    1 E (Yt 1 ); si el proceso es estacionario E (Yt ) 
1  1
~  
Yt  Yt       t  1Yt 1    t  1Yt 1  1   t  1 (Yt 1   )
1  1 1  1
~ 2 2 2 ~2 ~ 2 2  2
 0  E[( t  1Yt 1 ) ]  E[ t   1 Y t 1  21 tYt 1 ]      1  0 ;  0   2
1 1
~ ~ ~ ~2
 1  E[( t  1Yt 1 )Yt 1 ]  E[ tYt 1  1Yt 1 ]  1 0

~ ~ ~ ~ ~
 2  E[( t  1Yt 1 )Yt 2 ]  E[ tYt 2  1Yt 1Yt 2 ]  1 1
………
 j  1 j 1
1 0
1   1
0 j j
1 1
 2  1 1   2
1
j j
………
-1 -1
 j  1  j 1   j
1

1. Sea un proceso AR(1): Yt = 6 + t + 0.8 Yt-1; 2 = 0.09
 6  2 0.09
E (Yt )    30 0    0.25
1  1 1  0.8 1 2
1
1  0.8 2

31.2
30.8
30.4
30.0
29.6
29.2
28.8
10 20 30 40 50 60 70 80 90 00
Y4
j
Mean 30.04767 Skewness 0.114342
Median 30.05618 Kurtosis 2.556619
1  j  0. 8 j
Maximum 31.15199 Jarque-Bera 1.026640
Minimum 28.86924 Probability 0.598505
Std. Dev. 0.485857 j
-1
2. Sea un proceso AR(1): Yt = 6 + t - 0.8 Yt-1; 2 = 0.09
 6  2 0.09
E (Yt )    3.33 0    0.25
1  1 1  0.8 1 2
1
1  0.8 2

4.4
4.0
3.6
3.2
2.8
2.4
10 20 30 40 50 60 70 80 90 00
Y5
j
Mean
Median
3.335832
3.295432 Skewness 0.215050 1  j  0.8 j
Maximum 4.361877 Kurtosis 2.519992
Minimum 2.449680 Jarque-Bera 1.713500
Std. Dev. 0.427777 Probability 0.424540 j
-1
Operador de rezagos: L
LYt  Yt 1 ; L2Yt  Yt  2 ; ....; LpYt  Yt  p ; Lc  c (constante)
Proceso AR(1): Yt     t  1Yt 1 (1  1 L)Yt     t
Condición de Estacionariedad
Para que un proceso AR(1) sea estacionario, es decir, que tenga media, varianza
y covarianzas constantes y que no dependan del tiempo, se debe cumplir que:
1  1 La raíz de la ecuación característica 1  1 L  0

debe caer fuera del círculo unitario, es decir
1
L 1
1

Yt     t  1Yt 1 (1  1 L)Yt     t
Reescribimos el modelo AR(1) en su forma MA
Por sustitución
Yt     t  1 (   t 1  1Yt  2 )
   1   t  1 t 1  12Yt  2
………
Yt   (1  1   2  ...)   t  1 t 1   2 t  2  ....   NYt  N

1 1 1

Yt     t  1Yt 1 (1  1 L)Yt     t
Reescribimos el modelo AR(1) en su forma MA
 t
Utilizando el polinomio de rezagos Yt   (1)
(1  1 L) (1  1 L)

1
  (1 L)i  1  1 L   12 L2   13 L3  ..... 1  1
1  1 L i 0
Aplicando en (1) tenemos:
Yt   (1  1   12  ...)   t  1 t 1   12 t 2  ....  Yt  N
Un AR(1) es un MA()

Proceso Autorregresivo: AR(2)
Yt     t  1Yt 1  2Yt  2 (1  1 L  2 L2 )Yt     t
E( t )  0; V ( t )   2 ; C ( t ,  t  j )  0
Condición de Estacionariedad Si las raíces de la ecuación característica
 ( L)  1  1 L  2 L2  0 toman valores fuera del círculo unitario complejo
Si se cumplen las condiciones de estacionariedad

E (Yt )    1 E (Yt 1 )  2 E (Yt  2 ) E (Yt ) 
1  1  2

~ ~ ~
Yt   t  1Yt 1  2Yt  2
~ ~ ~ ~ ~~ ~~
 0  E[Yt ( t  1Yt 1  2Yt 2 )]  E[Yt  t ]  1 E[YtYt 1 ]  2 E[YtYt 2 ]
 0   2  1 1  2 2
~ ~ ~
 1  E[Yt 1 ( t  1Yt 1  2Yt 2 )]  1  0  2  1
~ ~ ~
 2  E[Yt 2 ( t  1Yt 1  2Yt 2 )]  1  1  2  0
……….
~ ~ ~
 j  E[Yt  j ( t  1Yt 1  2Yt  2 )]  1  j 1  2  j  2
 0   2  1 1  2 2 Se despeja

Forma un sistema
 1  1 0  2 1  2 (1  2 )
de ecuaciones 0 
 2  1 1  2 0 [(1  2 )2  12 ](1  2 )

1  1  2 1 1 2
Ecuaciones de Yule 1  2  1
 2
Walker para 1 y 2
2  1 1  2 1  2 1  2
 3  1  2  2 1 j j
………. 1 1
 j  1  j 1  2  j  2
j j
-1 -1
j
j
1 1
j j
-1 -1

1. Sea un proceso AR(2): Yt = 6 + t + 0.4 Yt-1 + 0.5Yt-2; 2 = 0.09
 6  2 (1  2 )
E (Yt )    60 0   0.333
1  1  2 1  0.4  0.5 [(1  2 ) 2  12 ](1  2 )

61.5
61.0
60.5
60.0
59.5
59.0
10 20 30 40 50 60 70 80 90 00
Y6
j
 0.4
 3  0.4(0.82)  0.5(0.8)  0.728
1  1   0.8
1  2 0.5 1
4  0.4(0.728)  0.5(0.82)  0.70
2 0.42  5  0.4(0.70)  0.5(0.728)  0.644
2  1
 2   0.5  0.82 j
1  2 0.5
-1
Yt     t  1Yt 1  2Yt  2  ....   pYt  p
(1  1 L  2 L2  ....   p Lp )Yt     t
 ( L)Yt     t
E( t )  0; V ( t )   2 ; C ( t ,  t  j )  0
Condición de Estacionariedad Si las raíces de la ecuación característica
1  1 L  2 L2  ...   p Lp  0 toman valores fuera del círculo unitario complejo
Si se cumplen las condiciones de estacionariedad
  j  1  j 1  2  j  2  ...   j  j  p
E (Yt ) 
1  1  2  ...   p

1  1  2 1  3  2 ...   p  p 1
 2  1 1  2  2 1  ...   j  p  2
Ecuaciones de Yule Walker
……….
 p  1  p 1  2  p  2  ....   p
 j  1  j 1  2  j  2  ...   j  j  p
j j
1 1
j j
-1
-1

Condición de Invertibilidad
La condición de invertibilidad es análoga al concepto de estacionariedad, se

aplica a los procesos de media móvil (MA) y está relacionada con la
coherencia del modelo para explicar al valor actual de Y en función de su
pasado más reciente, cuando reescribimos al modelo en su forma AR
MA(q): Yt     t   1 t 1   2 t  2  ....   q t  q
Yt    (1  1 L   2 L2  ....   q Lq ) t
Un proceso MA(q) es invertible si las raíces de la ecuación característica
 ( L)  1  1 L   2 L2  ....  q Lq  0
toman valores fuera del círculo unitario complejo

Sea el proceso MA(1):
Yt     t  1 t 1 Yt    (1  1 L) t
1 
Yt   t
(1  1 L) (1  1 L)
1 
  (1 L)i  1  1 L  12 L2  13 L3  ..... 1  1
1  1 L i  0
Aplicando y despejando obtenemos
Yt  (1  1   12   13  ...)   t  1Yt 1   12Yt  2   13Yt  3  ....

Un MA(1) es un AR()

Proceso Mixto autorregresivo de media móvil: ARMA(p,q)
Yt  1Yt 1  2Yt  2  ... pYt  p     t   1 t 1   2 t  2  ....   q t  q
(1  1 L  2 L2  ....   p Lp )Yt    (1  1 L   2 L2  ...   q Lq ) t
Condición de Estacionariedad
Un proceso ARMA(p,q) es estacionario si las raíces de la ecuación característica
1  1 L  2 L2  ...   p Lp  0 toman valores fuera del círculo unitario complejo
Un proceso ARMA(p,q) es invertible si las raíces de la ecuación característica
1  1 L   2 L2  ....  q Lq  0 toman valores fuera del círculo unitario complejo

Proceso ARMA(1,1)
Yt  1Yt 1     t  1 t 1 (1  1 L)Yt    (1  1 L) t
(1  1 L) 
Modelo en su forma AR() Yt   t
(1  1 L) (1  1 L)
(1  1 L)  
 ( L)   (1  1 L) ( 1 L)i   ( L)  1  (1  1 ) L  1 (1  1 ) L2   2 (1  1 ) L3  ....
(1  1 L)  0  1

Yt    t  (1  1 )Yt 1  1 (1  1 )Yt  2   2 (1  1 )Yt  3  ....
1  1 1
 (1  1 L)
Yt   t
Modelo en su forma MA() (1  1 L) (1  1 L)
(1  1 L)  
 ( L)   (1  1 L) (1 L)i   ( L)  1  (1  1 ) L  1 (1  1 ) L2   2 (1  1 ) L3  ....
(1  1 L)  0  1

Yt    t  (1  1 ) t 1  1 (1  1 ) t  2   12 (1  1 ) t  3  ....
1  1

Proceso ARMA(1,1) Yt  1Yt 1     t  1 t 1
 ~ ~
E (Yt )  Yt  1Yt 1   t  1 t 1
1  1
~ ~ ~
 0  E (Y 2 )  E[(1Yt 1   t  1 t 1 )Yt ]  1 1   2  11 2   2 2
t 1
~~ ~ ~
 1  E(YtYt 1 )  E[(1Yt 1   t  1 t 1 )Yt 1 ]  1 0  1 2
~~ ~ ~
 2  E(YtYt 2 )  E[(1Yt 1   t  1 t 1 )Yt 2 ]  1 1
~~ ~ ~
 j  E (YtYt  j )  E[(1Yt 1   t  1 t 1 )Yt  j ]  1 j 1 ; j  2
 2 (1  211  12 )  2 (1   11 )(1   1 )

0  1 
1  12 12 1

j j
1 1
(1  11 )(1  1 )
1 
1  12  211 j j
-1 -1
 j  1  j 1 ; j  2
j
j
1
1
j
j
-1
-1

Proceso Mixto autorregresivo de media móvil: ARMA(p,q)
Yt  1Yt 1  2Yt  2  ... pYt  p     t   1 t 1   2 t  2  ....   q t  q
(1  1 L  2 L2  ....   p Lp )Yt    (1  1 L   2 L2  ...   q Lq ) t
  2 (1  12  ...   q2  211  2 22  ...  2 hh )

E (Yt )  0 
1  1  2  ...   p 1  12  22  ...   p2
Siendo h = mín(p,q)
En las primeras q autocovarianzas intervienen los coeficientes de la parte AR,

de la parte MA y la varianza de las perturbaciones.
Para j > q la estructura de la autocovarianza se mantiene según la parte AR
Función de autocorrelación:
Si j  q intervienen los coeficientes de la parte AR, de la parte MA
Si j > q la forma permanente sigue la estructura de un proceso AR(p)

Series estacionarias y no estacionarias
3500 160
3000
120
2500
2000 80
1500
40
1000
0
500
0 -40
1950 1955 1960 1965 1970 1975 1980 1985 1950 1955 1960 1965 1970 1975 1980 1985
PBI D1PBI
No estacionaria en media No estacionaria en media ni varianza
8.5 .07 .04

.06 .03
8.0
.05
.02
7.5 .04
.01
.03
7.0 .00
.02
-.01
6.5 .01
.00 -.02
6.0
-.01 -.03
5.5 -.02 -.04

1950 1955 1960 1965 1970 1975 1980 1985 1950 1955 1960 1965 1970 1975 1980 1985 1950 1955 1960 1965 1970 1975 1980 1985
LNPBI D1LNPBI D2LNPBI
No estacionaria en media Estacionaria en media y varianza

Transformaciones para alcanzar estacionariedad
1. Serie no estacionaria en media: Transformación diferencia: D= (1-L)
Wt  Yt  Yt 1  (1  L)Yt  DYt primera diferencia

X t  Wt  Wt 1  (1  L)Wt  D 2Yt segunda diferencia
D d Yt diferencia d de Yt
2. Serie no estacionaria en varianza: Transformación logaritmo: Zt = lnYt
3. Serie no estacionaria en media ni en varianza:

Transformación diferencia de los logaritmos o el logaritmo de la diferencia
Wt  ln Yt  ln Yt 1  (1  L) ln Yt  D ln Yt
Wt  D log (Yt ) utilizando Eviews

Proceso ARIMA(p,d,q)
Si Wt  Yt  Yt 1
Yt  Wt  Yt 1
Yt  Wt  Wt 1  Yt  2

Yt   Wt  j Yt es una serie integrada de sus primeras diferencias,
0 es decir, Yt es I(1)
Si Wt = Dd Yt es un proceso ARMA(p,q):  p ( L)Wt   q ( L) t
entonces Yt es un proceso ARIMA(p,d,q):  p ( L)(1  L)d Yt   q ( L) t

(autorregresivo, integrado de media móvil)
(1  1 L  2 L2  ....   p Lp )(1  L)d Yt  (1  1 L   2 L2  ...  q Lq ) t

Formas de un proceso ARIMA(p,d,q)
1. Forma ecuación diferencia: Expresa a la variable en función de sus p+d rezagos y de
los rezagos de las perturbaciones, se utiliza para obtener predicciones puntuales de Yt+h
( L)Yt  (1  1 L  2 L2  ....   p Lp )(1  L)d Yt  (1  1 L   2 L2  ...  q Lq ) t

Yt  1Yt 1   2Yt  2  ... p  d Yt ( p  d )   t   1 t 1   2 t  2  ....   q t  q
2. Forma MA() o forma impulso o innovación aleatoria: Expresa a la variable en función

de los rezagos de las perturbaciones, se utiliza para obtener la varianza de los errores y
calcular las predicciones interválicas de Yt+h.
 q ( L)
 p ( L)(1  L) Yt   q ( L) t  Yt 
d
 t  ( L) t
 p ( L)(1  L) d
3. Forma AR() o forma invertida: Expresa a la variable en función de sus rezagos y de la

perturbación ocurrente, se utiliza para obtener predicciones puntuales de Yt+h.
 p ( L)(1  L)d
 p ( L)(1  L)d Yt   q ( L) t  ( L)Yt  Yt   t
 q ( L)

Fases de elaboración de un modelo ARIMA
Datos de la serie
Cálculo de Transformación
estadísticos de la serie de la serie
No
Identificación ¿Es la serie
Selección de d y 
estacionaria?
Si
Selección de p,q y decisión
sobre la inclusión de 
Estimación Estimación del modelo
Es adecuado No
Validación el modelo
Si
Predicción y cálculo
de estadísticas
Predicción
¿predice No
correctamente

Proceso No estacionario en media
La no estacionariedad en media puede ocurrir, básicamente, en dos circunstancias:
(i) Cuando la media se comporta como un polinomio de orden d en el tiempo, de

forma tal que:
es decir, se observa una tendencia determinística en la serie.
Esta tendencia puede ser removida diferenciando la serie tantas veces como sea el
orden del polinomio temporal.

Proceso No estacionario en media
Por ejemplo, en el
caso en que d =1 50 1.2
40 0.8
30 0.4
20 0.0
10 -0.4
0 -0.8
10 20 30 40 50 60 70 80 90 00 10 20 30 40 50 60 70 80 90 00
Y7 DY7
1.0
Estacionario pero no invertible
si restamos la 0.5
tendencia (trabajamos 0.0
con los errores de una

-0.5
regresión de yt contra
una tendencia lineal). -1.0
10 20 30 40 50 60 70 80 90 00
Y7 Residuals

(ii) Cuando se tenga un proceso autorregresivo que no cumpla con
las condiciones de estacionariedad: raíces características del
polinomio de rezagos no son todas mayores que uno en valor
absoluto.
El número de raíces unitarias indica las veces que debe ser

diferenciada la serie para tener un proceso estacionario. De esta
forma, se conocerá como una serie ARIMA(p,d,q) a aquella que tiene
que ser diferenciada d veces antes de poder ser modelada como una
serie ARMA(p,q).

Serie camino aleatorio: Yt  Yt 1   t  (1  L)Yt   t
Asumamos un valor inicial Y0 Tiene raíz unitaria
Y1  Y0   1
Y2  Y0   1   2
14.0
13.5
Y3  Y0   1   2   3 13.0
12.5
.....
12.0
t
Yt  Y0    t
11.5
11.0
1
10.5
10 20 30 40 50 60 70 80 90 00
E (Yt )  Y0 Y8
 t 2
V (Yt )  E   t   t  2 j
1 
 t t j
 1
 j  E   t   t   ( t  j ) 2
1 1  j
t j t j
j   depende del tiempo -1
t (t  j ) t

Yt  4  Yt 1   t ; Y0  12
Serie camino aleatorio con tendencia (drift): 500
Yt    Yt 1   t  (1  L)Yt     t 400
300
Asumamos un valor inicial Y0

200
Y1    Y0   1 100
Y2  2  Y0   1   2 0
10 20 30 40 50 60 70 80 90 00
Y3  3  Y0   1   2   3 Y9
.....
t
Yt  t  Y0    t
1 j
E (Yt )  Y0  t 1
 t 2
V (Yt )  E   t   t  2 j
 1 
-1
 t t j

 j  E   t   t   ( t  j ) 2
 1 1 
t j
j  depende del tiempo
t

Procesos con Raíz unitaria
1. Camino aleatorio Yt  Yt 1   t  (1  L)Yt   t
2. Camino aleatorio con deriva Yt    Yt 1   t  (1  L)Yt     t

3. Proceso ARIMA(p,d,q)
(1  1 L  2 L2  ....   p Lp )(1  L)d Yt  (1  1 L   2 L2  ...  q Lq ) t
Proceso estacionario en tendencia (TS) o con tendencia determinística
Yt     t  ut ; (1  1 L  2 L2  ....   p Lp ) ut   t Si t es estacionario
Proceso estacionario en diferencia (DS) o con tendencia estocástica
Yt    ut ; (1  1 L  2 L2  ....   p Lp ) ut   t
Si t no es estacionario
Yt     t  ut ; (1  1 L  2 L2  ....   p Lp ) ut   t

Equivalencias
Y
1) t    ut ; (1  1 L  2 L2
 ....   p Lp
) ut   t
Equivale al proceso Yt   * 1Yt 1  2Yt  2  ....   pYt  p   t
2) Yt     t  ut ; (1  1 L  2 L  ....   p L ) ut   t
2 p
Equivale al proceso Yt   *   * t  1Yt 1  2Yt  2  ....   pYt  p   t
Ejemplo Yt    ut ; (1  1 L  2 L2 ) ut   t
Yt    (1  1 L  2 L2 ) 1  t
(1  1 L  2 L2 )Yt  (1  1 L  2 L2 )   t
Yt  (1  1  2 )  1Yt 1  2Yt  2   t
Yt   * 1Yt 1  2Yt  2   t

Fase de Identificación
I. Análisis de la estacionariedad de la serie
Para analizar si la serie es estacionaria en tendencia o estacionaria en diferencia
aplicamos la prueba de raíz unitaria
Prueba aumentada de raíz unitaria de Dickey -Fuller

Yt   0   1 t  1Yt 1  2Yt  2  ....   pYt  p   t
Yt  Yt 1   0   1 t  1Yt 1  Yt 1
 2Yt  2  2Yt 1  2Yt 1
 3Yt  3  3Yt  2  3Yt  2  3Yt 1  3Yt 1
.......
  pYt  p   pYt  ( p 1)   pYt  ( p 1)  ....   pYt 1   pYt 1   t
Yt   0   1 t   Yt 1  1 Yt 1   2 Yt  2 ....   p 1 Yt  ( p 1)   t

p p
donde:    i  1 i   j
1 j  i 1

Prueba aumentada de raíz unitaria de Dickey -Fuller
Yt   0   1 t  Yt 1  1 Yt 1   2 Yt  2 ....   p 1Yt  ( p 1)   t

p 1
Yt   0   1 t  Yt 1   i Yt  i   t
i 1
ˆ
1) H 0 :   0 H 1 :   0 ; T 
S
Si T  Tcrit Mack  Yt no tiene R.U .

ˆ1
Si T  Tcrit Mack  H 0 :  1  0 dado   0 ; T 
S
1
Si T  T crit  H0 :   0

Si T  1.96  Yt no tiene R.U .
Si T  1.96  Yt tiene R.U .
Si T  T crit  2)

2) Estimar Yt   0  Yt 1    i Yt  i   t
H 0 :   0 H1 :   0 ;
Si T  Tcrit Mack  Yt no tiene R.U .
ˆ0
Si T  Tcrit Mack  H 0 :  0  0 dado   0 ; T  
S
0
Si T   T  crit  H0 :   0
Si T  1.96  Yt no tiene R.U .
Si T  1.96  Yt tiene R.U .
Si T   T crit  3)
3) Estimar Yt  Yt 1    i Yt  i   t

H 0 :   0 H1 :   0 ;
Si T  Tcrit Mack  Yt no tiene R.U .
Si T  Tcrit Mack  Yt tiene R.U .

II. Determinación del orden de un proceso MA
Si un proceso es MA(q), según los estudios de Anderson y Bartlet
Si j  q  r j  ˆ j  Normal
j 1
1
E ( r j )  0 ; V ( r j )  1  2 rk2
T k 1
q
1
C (rj , rj  s ) 
T
r r
k q
k ks
H0 :  j  0 H 1 :  j  0 para j  q  1
Se analiza la función de Se rechaza H 0 si
autocorrelación: FAC
1 2  rk2
probando las hipótesis r j  1.96 T

III. Determinación del orden de un proceso AR
Función de autocorrelación parcial (FAP): jj
AR(1) : Yt     t  1Yt 1  1 de AR(1) es 11

AR(2) : Yt     t  1Yt 1  2Yt  2  2 de AR(2) es 22
………
AR( p) : Yt     t  1Yt 1  2Yt  2  ....   pYt  p   p de AR( p) es  pp
Ecuaciones de Yule Walker

AR(1) :  j  1j  1  1
1  1  2 1  3  2 ...   p  p 1
AR( 2) : 1  1  2 1
 2  1 1  2  2 1  ...   j  p  2  2  1 1  2
……….
 1   1 1  1 
 p  1  p 1  2  p  2  ....   p    
 2  1 1  2 

III. Determinación del orden de un proceso AR
Según los estudios de Quenoulli si un proceso es AR(p)
Si j  p  ˆ jj  Normal
1
E (ˆ jj )  0 ; V (ˆ jj ) 
T
H 0 :  jj  0 H 1 :  jj  0 para j  p  1
Se analiza la función de Se rechaza H 0 si
autocorrelación parcial: FAP
probando las hipótesis 2
 jj 
T
IV. Determinación del orden de un proceso ARMA

Un proceso ARMA(p,q) tiene función de autocorrelación FAC y FAP con
infinitos términos que decaen a cero oscilando en signo en forma sinusoidal,
recordando que la parte MA interviene hasta la correlación q, pero luego la
FAC sigue la estructura de un AR(p). Se sugiere proponer orden bajo e ir
ajustando el modelo con el análisis de los residuos.

Análisis de la validez del modelo
El propósito de esta etapa es analizar si el modelo estimado es adecuado para

representar el comportamiento de la serie temporal, es decir, analizar que se
cumplan los siguientes requisitos:
1. Los residuos del modelo se aproximan al comportamiento de un ruido

blanco.
2. Los coeficientes estimados cumplen con la condición estacionariedad e
invertibilidad, según corresponda.
3. Los coeficientes estimados son suficientes para representar a la serie, son

estadísticamente significativos y están poco correlacionados.
4. El grado de ajuste es elevado en comparación al de otros modelos alternativos.

Analizar los coeficientes de Akaike y Schwarz.

Análisis de los residuos
Media 0: Se aplica una prueba Z para la media de los residuos
Residuos Incorrelacionados: Se analiza la significancia individual de los

coeficientes de correlación y se aplica la prueba de correlación serial de Ljung y
Box
H 0 :  j  0 j : 1, M H 1 :  j  0, para a lg ún j
M  2 
QLB  T (T  2 )   rj 


j 1 
T  j


es asintóticamente  (2M  p q )

De manera complementaria se puede analizar también a la función de autocorrelación FAC y

FAP de la serie primera diferencia de los residuos, para la que se espera:
FAC de et FAP de et
et   t
r1  0.5 ˆ  0.5
11
et   t  1 t 1 con 1  1 r j  0 para j  2 ˆ22  0.333
ˆ33  0.250
.....
Análisis de los residuos
Varianza constante: Se analiza la gráfica de los residuos para apreciar la

evolución de la dispersión de los residuos a lo largo del tiempo.
También se analiza la significancia indvidual de los coeficientes de correlación y
se aplica la prueba de correlación serial de Ljung y Box a la serie de los
residuos al cuadrado e2t
H 0 :  j  0 j : 1, M H 1 :  j  0, para a lg ún j
M  2 
QLB  T (T  2 )   rj 


j 1 
T  j


es asintóticamente  (2M  p q )

Con este análisis, en caso de rechazar la H0, se busca de detectar una

estructura autorregresiva para la heterocedasticidad
Distribución Normal: Aplicar la prueba de Jarque - Bera

Análisis de los coeficientes
Significancia de los coeficientes : Por ser muestra grande, a los coeficientes T se

compara con la Normal
Estacionariedad e invertibilidad: EViews ofrece los coeficientes estimados y las

raíces invertidas del polinomio de rezagos
(1  ˆ1 L  ˆ2 L2  ....  ˆp Lp )  (1  ˆ1 L)(1  ˆ2 L)....(1  ˆ p L)
La raíz invertida debe tener ˆi  1 si existe alguna próxima a 1 se aconseja

tomar una diferencia adicional.
(1  ˆ1 L  ˆ2 L2  ...  ˆq Lq )  (1  ˆ1 L)(1  ˆ2 L) ... (1  ˆq L)
ˆi  1
si existe alguna próxima a 1 indica que
La raíz invertida debe tener hay una sobrediferenciación

Análisis de los coeficientes
Sobreparametrización:
En un proceso ARMA analizar que las raíces invertidas de la

parte AR y MA no sean próximas
Para detectar posible multicolinealidad se analiza la matriz de

correlación de los coeficientes estimados, en este caso se
sugiere reducir el orden MA o AR, pero cuidando de que la
reducción de parámetros no conlleve a residuos
autocorrelacionados.

Reformulación del modelo
Si no se cumple alguno de los requisitos se debe reformular el modelo.
1. Si una raíz invertidad de la parte AR está próxima a 1 se aconseja tomar una

diferencia adicional.
2. Si una raíz invertidad de la parte MA está próxima a 1 indica que se ha tomado

más diferencias de las necesarias.
3. Si los residuos del modelo no cumplen con ser incorrelacionados, indican que
estos contienen información de la estructura de autocorrelación de la serie, la
cual debe ser utilizada para reformular el modelo
Sea el modelo estimado Modelo para residuos Modelo reformulado
(1  ˆ1 L)Yt  uˆ t 1. et  (1  1 L) t (1  1 L)Yt  (1  1 L) t

residuos et  uˆ t
2. (1   1 L)et   t (1  1 L)(1   1* L)Yt   t
*

Predicción de un Proceso ARIMA(p,d,q)
 p ( L)(1  L)d Yt   q ( L) t
Predicción puntual: Se utiliza la forma ecuación diferencia
Yt  1Yt 1   2Yt  2  ... p  d Yt ( p  d )   t   1 t 1   2 t  2  ....   q t  q

La predicción de horizonte h se obtiene como el
YˆT  h  E(Yt  h / T )  YˆT (h) valor esperado condicionado a la información hasta
el último periodo de observación
YˆT  h  
ˆ Yˆ ˆ ˆ ˆ ˆ
1 T  h1   2YT  h 2  ...   p  d YT  h ( p  d ) ; h  p  d y h  q
Para las predicciones de horizonte h < q, intervienen los rezagos de las

perturbaciones.
Para las predicciones de horizonte h < p+d, intervienen los valores observados
de Y hasta el periodo T.

Predicción por intervalo
Se utiliza la forma MA(): Yt  ( L) t   t   1 t 1   2 t  2   3 t  3  .....
YˆT  h  E( T  h  1 T  h1  2 T  h 2  ....  h1 T 1  h T  h1 T 1  .....)
YˆT  h  ˆ h T ˆ h1 T 1  .....
Error del pronóstico eT  h  YT  h  YˆT  h

eT  h   T  h   1 T  h1   2 T  h 2  ....   h1 T 1
E (eT h )  0 V (eT  h )   2 (1  12  22  ....  h21 )
Asumiendo perturbaciones normales los límites de la predicción por intervalo son

calculados como:
L  YˆT  h  Z1 / 2ˆ  1   12   22  ....   h21

Perfiles de pronóstico
MA(2): Yt     t  1 t 1   2 t  2
YˆT 1     1 T   2 T 1 ; YˆT  2     2 T ; ŶT h   h >2
AR(1): Yt     t  1Yt 1 YˆT 1    1YT

 YˆT  h    1YˆT  h1; h  2
Yt    t  1 t 1   12 t  2  ....
1  1
 h
YˆT 1   1 T   1  T 1  ....
2
YˆT  h    1j  1hYT
1  1 j 0

  YˆT  h  
YˆT  h     1j  h T  j 1  1
1  1 j 0 h

MA(2): Yt     t  1 t 1   2 t  2
YˆT 1     1 T   2 T 1 ; et 1   t 1   e2t 1   2
YˆT  2     2 T ; et 2   t 2  1  t 1   e2t 2   2 (1  12 )
ŶT 3   ; et 3   t 3  1  t 2   2 t 1   e2t 3   2 (1  12   22 )
ŶT h   ;  e2   0   Y2
t h t
h >2

AR(1):
Yt     t  1Yt 1 YˆT 1    1YT
 YˆT  h    1YˆT  h1 ; h  2
Yt    t  1 t 1   12 t  2  ....
1  1
 h
YˆT 1   1 T   1  T 1  ....
2
YˆT  h    1j  1hYT
1  1 j 0
  
YˆT  h   1  T  j
jh YˆT  h  
1  1 j 0
1  1
h
et 1   t 1   e2t 1   2 et 2   t 2  1  t 1   e2t 2   2 (1  12 )
h1 h1
eT  h  1  T  h  j  
j 2
et h    12 j
2
j 0 j 0

Proceso ARMA(1,1) Yt  1Yt 1     t  1 t 1

Forma MA(): Yt    t  (1  1 ) t 1  1 (1  1 ) t  2   12 (1  1 ) t  3  ....
1  1

YˆT 1  1YT     1 T YˆT  h   ˆ h T  ˆ h1 T 1  .....
1  1
YT  2  1YˆT 1  

Como
YˆT  h 
 h  1h1 (1  1 ) 1  1
YˆT  h  1YˆT  h1  
h
Proceso estacionario ARMA(p,q)

Yt     t   1 t 1   2 t  2   3 t  3  .....
h  0 YˆT  h  
h h

Proceso ARIMA(1,1,0) Yt  (1  1 )Yt 1  1Yt  2     t  Yt 1  1Wt 1     t
YˆT 1  (1  1 )YT  1YT 1    YT  1WT    YT  Wˆ T 1
YˆT  2  (1  1 )YˆT 1  1YT    YT  Wˆ T 1  Wˆ T  2

……..
YˆT  h  (1  1 )YˆT  h1  1YˆT  h 2    YT  Wˆ T 1  Wˆ T  2  ...  Wˆ T  h
 
Wˆ T  h    1   1j T  j
h
1  1 j 0
h
Yˆ Sigue una tendencia
T h
  
    1i    j T  j 
h 
ˆ
YT  h  YT  h 
 1  1  i 1  j 0 1  decae a lineal con pendiente

m
1  1

Series de tiempo estacionales
Tienen un patrón con oscilaciones periódicas, donde el periodo es igual o inferior a
un año, en las que el patrón de autocorrelación se observa para las observaciones
entre periodo estacional
20
16
12
0
72 74 76 78 80 82 84 86 88 90 92 94 96 98 00 02 04
VENTAS3
700
600
500
400
300
200
100
0
79 80 81 82 83 84 85 86 87 88 89 90 91 92
PASAJER OS

Modelo AR(1) estacional: Yt     t  sYt  s

E (Yt ) 
1  s
~ 2  2
 0  E[( t  sYt  s ) ]   2  s2 0 0 
1   s2
~ ~ 0 ; js
 j  E[( t  sYt  s )Yt  j ]  
 s j  s ; j  s,2 s,3 s,....
j
 0; js
j   j j
s ; j  s,2 s,3 s,..
-1

Modelo AR(1) estacional: j
 0; js
Yt     t  sYt  s
1
j   j
s ; j  s,2 s,3 s,..
j
-1
20
16
12
0
72 74 76 78 80 82 84 86 88 90 92 94 96 98 00 02 04
VENTAS3

Modelo MA(1) estacional Yt     t   s t  s
E (Yt )    0   2 (1   s2 )
j
 s 1
 ; js
 j   1   s2 j
 0 ; j  s
-1
30
20
10
-10
72 74 76 78 80 82 84 86 88 90 92 94 96 98 00 02 04
VENTAS2

Modelos estacionales multiplicativos
Modelos estacionales puros ( Ls )Yt  ( Ls ) t
(1  s Ls  2 s L2 s  ....   ps Lps )Yt    (1   s Ls   2 L2 s  ...   qs Lqs ) t

La series generadas por modelos ARMA estacionales puros tienen características análogas a los
modelos ARMA ordinarios sólo que referidas a los periodos estacionales.
Modelos estacionales multiplicativos  ( L)( Ls )Yt   ( L)( Ls ) t
Las series generadas por un modelo ARMA estacional multiplicativo presentan u un patrón con
oscilaciones periódicas, en las que el patrón de autocorrelación se observa para las
observaciones entre periodo estacional y dentro del periodo estacional.
700
600
500
400
300
200
100
0
79 80 81 82 83 84 85 86 87 88 89 90 91 92
PASAJER OS

Modelo MA(1) SMA(1): Periodo estacional s=12
Yt  (1   1 L)(1   12 L12 ) t  (1   1 L   12 L12   1 12 L13 ) t Es un MA(13) con

restricciones
 1
; j=1
1  12
  j  1 j 1   2 j  2  ....   q  j q
; si j  q 112
j  1   1   2  ....   q
2 2 2
j 
; j=11,13
(1  1 )(1  12 )
2 2
0 ; si j  q  1
  12
; j=12
1   122
j j
1 1
1 11 13
1 11 12 13 j j
12
-1 -1

Modelo MA(1) SAR(1): Periodo estacional s=12
(1  12 L12 )Yt  (1  1 L) t Yt  12Yt 12   t  1 t 1 Es un ARMA(12,1)

con restricciones
 2 (1   s2 ) Resolvemos las ecuaciones de Yule Walker y obtenemos

0   1
(1  122 ) 1  ;  2   3  .....  10  0
1  12
 1  12 11   1 2  112
11  13  ; 12  12 ; 14  15  ...   22  0
(1  12 )
 2  12 10  1 122
 23   25  ;  24   122 ;  26   27  ...   31  0
(1   )
2
 j  12 j 12 …………
1
j j
1 1
1 11 13
1 11 12 13 j 12 j
-1 -1

35 60 35
30 50 30
25
40 25
20
30 20
15
20 15
10
1. Inspección 5
10 10
gráfica de la serie 0 0 5
-5 -10 0
25 50 75 100 25 50 75 100 25 50 75 100
Y1 Y2 Y3
(a) Serie con tendencia (b) Random walk con drift (c) Serie con tendencia
determinística (estacionaria (estacionaria en diferencias) determinística y quiebre
en tendencia). (estacionaria en tendencia).
(i) FAS: velocidad de (ii) FAP: orden del proceso

2. Análisis del autorregresivo (p).
convergencia. Evidencia de
correlograma (FAS, no estacionariedad si la FAS
FAP) no es convergente.
Rechazo Ho. Acepto Ho.
Con los elementos Serie no tiene RU. Trabajo con sus Mejoro especificación de (i) Prueba tiene baja potencia.
3. Prueba de determinísticos identificados niveles luego de removerle la la prueba. (ii) Correcta especificación
Dickey Fuller en 1. y el número de rezagos tendencia (si ésta es significativa). permitirá diferenciar entre (a)
aumentada (ADF) identificado en 2. (p-1) y (b) pero no entre (b) y (c).

Evaluamos la presencia de
4. Prueba de Zivot RU en la fecha más probable Serie no tiene RU. Trabajo con sus Serie tiene RU. Trabajo con su primera
& Andrews de quiebre (en media, niveles luego de removerle el diferencia / en niveles es candidata para un
tendencia o ambos). quiebre. análisis de cointegración.
Econometría II
Diagrama
Mg. elaborado por Juan
Beatriz Castañeda S. F. Castro 74
FUNCIONES DE AUTOCORRELACION DE PROCESOS ESTACIONARIOS
FAC FAP FAC FAP
1 1
1 1
j j j j
-1 -1
-1 -1
1 1
1 1
j j
j j
-1 -1
-1 -1
AR(1) MA1)

FAC FAP FAC FAP
1 1
1 1
j j j j
-1 -1
-1 -1
1 1
1 1
j j j j
-1 -1
-1 -1
AR(2)

FAC FAP AR(1) FAC FAP
1. 00 1. 00 1. 00 1. 00
0. 80 0. 80 0. 80 0. 80
0. 60 0. 60 0. 60 0. 60
0. 40 0. 40 0. 40 0. 40
0. 20 0. 20 0. 20 0. 20
0. 00 0. 00 0. 00 0. 00
-0. 20
-0. 20 -0. 20 -0. 20
-0. 40
-0. 40 -0. 40 -0. 40
-0. 60
-0. 60 -0. 60 -0. 60
-0. 80
-0. 80 -0. 80 -0. 80
-1. 00
-1. 00 -1. 00 -1. 00
FAC FAP AR(2) FAC FAP
1 1. 00 1 1. 00
0. 5 0. 50 0. 5 0. 50
0 0. 00 0 0. 00
-0. 5 -0. 50 -0. 5 -0. 50
-1. 00 -1. 00
-1 -1
1 1.00 1
0.80 1.00
0.8 0.8
0.60 0.80
0.6 0.6
0.40 0.60
0.4 0.4
0.20 0.40
0.2 0.2
0.20
0 0.00 0
-0.20 0.00
-0.2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 -0.2
-0.20
-0.4 -0.40 -0.4
-0.40
-0.6 -0.60 -0.6
-0.80 -0.60
-0.8 -0.8
-0.80
-1 -1.00 -1
-1.00

FAC FAP MA(1) FAC FAP
1. 00
1 1. 00 -1. 00
0. 80
0.8 0. 80 -0. 80
0. 60 0.6 0. 60 -0. 60
0. 40 0.4 0. 40 -0. 40
0. 20 0.2 0. 20 -0. 20
0. 00 0 0. 00 0. 00
-0. 20 -0.2 -0. 20 0. 20
-0. 40 -0.4 -0. 40 0. 40
-0. 60 -0.6 -0. 60

0. 60
-0. 80 -0.8 -0. 80

0. 80
-1. 00 -1 -1. 00
1. 00
FAC FAP MA(2) FAC FAP
-1. 00
1. 00 1. 00 -1
-0. 80
-0. 8
-0. 60 -0. 6
0. 50 0. 50
-0. 40 -0. 4
-0. 20 -0. 2
0. 00 0. 00 0. 00 0
0. 20 0. 2
0. 40 -0. 50 0. 4
-0. 50
0. 60 0. 6
0. 8
0. 80
-1. 00 -1. 00
1
1. 00
1.00
0.80 1.00
-1 -1
0.60 0.80
0.40 0.60
0.20 -0.5 0.40 -0. 5
0.00 0.20
-0.20 0 0.00 0
-0.40 -0.20
-0.60 -0.40
0.5 0. 5
-0.80 -0.60
-1.00 -0.80
1 1
-1.00

FUNCIONES DE AUTOCORRELACION MODELO MULTIPLICATIVO
AR(1) SAR(1) S=12
FAC FAC
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
FAC FAC
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1

Series de Tiempo

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

Series de Tiempo

Hochgeladen von

Copyright:

Verfügbare Formate

Facultad de Economía - UNMSM

Mg. Beatriz Castañeda S.

Econometría II Mg. Beatriz Castañeda S. 2

Econometría II Mg. Beatriz Castañeda S. 3

f (Yt 1 , Yt 2 , ... , Ytm )  f (Yt 1 k , Yt 2 k , ... , Ytm k ) m, k

Econometría II Mg. Beatriz Castañeda S. 4

Si m = j, entonces f (Yt 1 , Yt 1 j )  f (Yt 1 k , Yt 1 j  k )

Como E(Yt)= y V(Yt) =2

Econometría II Mg. Beatriz Castañeda S. 5

 j  C (Yt , Yt  j )  E[(Yt   )(Yt  j   )]

Yt >  hay tendencia a que Yt+j < 

La autocovarianza determina la apariencia de la serie, sugiere que el proceso

Econometría II Mg. Beatriz Castañeda S. 6

Estacionariedad débil o de segundo orden

La definición estricta de estacionariedad es demasiado rigurosa como para que realmente

Econometría II Mg. Beatriz Castañeda S. 7

Una serie se define como estacionaria cuando no presenta tendencia y su

Econometría II Mg. Beatriz Castañeda S. 8

Econometría II Mg. Beatriz Castañeda S. 9

Serie Ruido blanco: t t

2. Proceso Autorregresivo: AR(p) Yt     t  1Yt 1  2Yt  2  ....   pYt  p

3. Proceso Mixto Autorregresivo de Media Móvil: ARMA(p,q)

Yt  1Yt 1  2Yt  2  ... pYt  p     t   1 t 1   2 t  2  ....   q t  q

Econometría II Mg. Beatriz Castañeda S. 10

V (Yt )  E (Yt   )2  E[( t   1 t 1   2 t  2  ....   q t  q )2 ]

Econometría II Mg. Beatriz Castañeda S. 11

 j   2 ( j  1 j 1   2 j  2  ....  q j q )

Econometría II Mg. Beatriz Castañeda S. 12

Luego E(Yt) = 3 ; V(Yt) = 0.09(1+0.52) = 0.1125 = 0

Serie autogenerada con números aleatorios de la distribución normal

2.0 Jarque-Bera 0.329485

Econometría II Mg. Beatriz Castañeda S. 13

Luego E(Yt) = 3 ; V(Yt) = 0.09(1+0.52) = 0.1125 = 0

Serie autogenerada con números aleatorios de la distribución normal

2.0 Jarque-Bera 1.552619

Econometría II Mg. Beatriz Castañeda S. 14

Serie autogenerada con números aleatorios de la distribución normal

Econometría II Mg. Beatriz Castañeda S. 15

Yt     t  1Yt 1  2Yt  2  ....   pYt  p ; E( t )  0; V ( t )   2 ; C ( t ,  t  j )  0

Proceso AR(1): Yt     t  1Yt 1

Econometría II Mg. Beatriz Castañeda S. 16

Econometría II Mg. Beatriz Castañeda S. 17

Serie autogenerada con números aleatorios de la distribución normal

Serie autogenerada con números aleatorios de la distribución normal

LYt  Yt 1 ; L2Yt  Yt  2 ; ....; LpYt  Yt  p ; Lc  c (constante)

Proceso AR(1): Yt     t  1Yt 1 (1  1 L)Yt     t

1  1 La raíz de la ecuación característica 1  1 L  0

Econometría II Mg. Beatriz Castañeda S. 20

Reescribimos el modelo AR(1) en su forma MA

Yt   (1  1   2  ...)   t  1 t 1   2 t  2  ....   NYt  N

Econometría II Mg. Beatriz Castañeda S. 21

Aplicando en (1) tenemos:

Yt   (1  1   12  ...)   t  1 t 1   12 t 2  ....  Yt  N

Econometría II Mg. Beatriz Castañeda S. 22

Yt     t  1Yt 1  2Yt  2 (1  1 L  2 L2 )Yt     t

Condición de Estacionariedad Si las raíces de la ecuación característica

 ( L)  1  1 L  2 L2  0 toman valores fuera del círculo unitario complejo

Si se cumplen las condiciones de estacionariedad

Econometría II Mg. Beatriz Castañeda S. 23

 0   2  1 1  2 2 Se despeja

Econometría II Mg. Beatriz Castañeda S. 24

Econometría II Mg. Beatriz Castañeda S. 25

Serie autogenerada con números aleatorios de la distribución normal

Yt     t  1Yt 1  2Yt  2  ....   pYt  p