P. 1
Econometria II Apuntes Extensos

Econometria II Apuntes Extensos

|Views: 577|Likes:
Publicado porAngel Rumbo

More info:

Published by: Angel Rumbo on May 25, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as RTF, PDF, TXT or read online from Scribd
See more
See less

01/23/2015

pdf

text

original

Apuntes de Econometría II

Nota del autor. Este documento es un resumen del «libro de texto» de la asignatura Econometría II de la licenciatura de Economía en la UNED. Como tal, es mi visión de la asignatura, que no tiene por qué coincidir con la de los demás. No he sido capaz de seguir las mismas pautas en todo el documento, sobre todo en lo que hace referencia a los globos de resalte. Para las ecuaciones he usado el editor de ecuaciones de Word 2010, que está mucho mejor que sus hermanos anteriores. Ya hemos pasados de Neanderthal a Cromagnon. Aun así, en ocasiones es complicado y muy costoso en tiempo pasar todo el formalismo matemático a formato electrónico, por lo que he decidido hacerlo a mano, método tradicional, y pegar las imágenes escaneadas. Esto le da un aspecto en extremo cutre al trabajo, pero la finalidad no es cuidar el aspecto. He decidido, en la medida de lo posible, construir las frases siguiendo el orden tradicional de sujeto-verbo-predicado, evitando además separar el sujeto con una coma. He evitado el uso de condicionales (sobre todo si no se dice qué condición aplica), he cambiado algunas palabras “modernas” (tipo «criticismo») por su versión clásica («crítica») y alguna cosilla por el estilo. Si alguien quiere usar estos apuntes, por mí, encantado. Eso sí, bajo su responsabilidad. El que los reciba es libre de hacer lo que considere: editarlos, cambiarlos, copiarlos, distribuirlos y quemarlos (o borrarlos del disco duro; también se puede quemar el disco duro, pero me parece muy radical). Suerte a todos los que se examinen. Fdo. J. Mayo de 2013

Presentación del Programa de Econometría II

El objeto de esta parte del programa son los modelos econométricos de series de tiempo. Toda la Econometría trabaja con datos de series históricas. La economía cuantitativa se dedica a la medición de las regularidades; esta medición se particulariza en la determinación de los valores de las constantes económicas, supuesto que estas existan. Las series históricas se interpertan como muestras seleccionadas en forma representativa (aleatoria) a partir de una población denominada proceso estocástico. Aleatorio significa «representativo». Tal representatividad se supone conseguida si las observaciones de la muestra fueran seleccionadas de forma independiente del seleccionador de la muestra. El programa pretende realizar aplicaciones orientadas a definir la línea de trabajo del economista. El análisis de series temporales prolonga la aplicación de la inferencia clásica atemporal a una inferencia pensada para series de tiempo. Tras un proceso de generalizaciones formales, se pretende llegar a formular modelos de series de tiempo, con significado y forma, similares a los utilizados en los modelos estructurales. El programa se inicia con el estudio de los procesos estocásticos univariantes estacionarios en el dominio del tiempo (ARMA) y en el de las frecuencias ( Análisis Espectral), para terminar en cuestiones de no estacionaridad (tendencias). El análisis univariante de series de tiempo se generaliza a dominios no univariantes como la cointegración, series planteadas en el dominio del tiempo, así como modelos de funciones de transferencia, en el dominio de las frecuencias o periodicidades. El análisis de los ciclos puede verse como antecedente del estudio de series de tiempo, si bien bajo presupuestos metodológicos diferentes. Los primeros estudios de ciclos son empiricistas, no estocásticos, y adoptan la idea de modelo. La omisión de variables se interpreta como un problema de especificación. Se parte de la hipótesis de pluralidad de causas. Se impone gradualmente la idea de modelo econométrico. El modelo pasa a ser la unidad de análisis, frente a la idea de la medición de teorías económicas cualitativas, que parecía esperar como un resultado lógico. No se cuestiona el fundamento de la validez de un modelo, sino que éste se acepta sin ser cuestionado.

La medición de teorías cualitativas hubiera obligado a plantearse problemas como el tratmiento de las demás causas (condición ceteris paribus). La condición de ceteris paribus se subsumía en las discrepancias de la regresión, reinterpretadas (de forma forzada) como perturbaciones aleatorias. En los modelos de regresión múltiple los planteamientos cambian: la regresión múltiple y la condición de ceteris paribus son visiones contradictorias. En una regresión múltiple, algunas de las demás causas son susceptibles de ser especificadas explícitamente en el modelo, quedando el resto subsumidas en las discrepancias de la regresión, interpretadas como perturbaciones aleatorias. Tinbergen es empiricista por cuanto otorga la primacía a los datos. La experiencia de las cuantificaciones econométricas ha registrado coeficientes con valores diferentes, y a veces, con signos contrarios a los esperados de acuerdo a las consideraciones teóricas.

Los métodos estadísticos

Los modelos de series de tiempo se apoyan en la aplicación de los métodos estadísticos. El objeto de la econometría ha sido el desarrollo de métodos de inferencia estocástica y de la especificación y estimación de modelos estocásticos (modelos de series de tiempo). Esto se desarrolla en un marco de formalización creciente. Históricamente, se podían haber intentado medir las elasticidades sin recurrir a la regresión. Los datos principales en economía son series históricas. La cuestión estriba en si la estadística atemporal es trasladable al estudio de la economía medida con series históricas.

• El desarrollo de los métodos estadísticos en el dominio atemporal
La estadística descriptiva trata de someter los datos a un proceso de reducción, cuyas características pasan a ser reinterpretadas dentro de la inferencia estocástica, en un principio atemporal. El problema de la econometría se convierte en un problema de inferencia estocástica. En el avance, el tránsito de la interpretación de las discrepancias (desde errores de medida hasta variables omitidas) se realiza de forma poco convincente. El probabilismo en Econometría no es el resultado de una paciente generalización inductiva, sino de una introducción apriorística como hipótesis mantenida. Los métodos estadísticos asociados a la medición han sido interpretados como una rama de la matemática aplicada. Lo novedoso de la Political Arithmetic deriva de la pretensión de la aplicación de los métodos estadísticos a conceptos económicos. Con el tiempo, los datos se llevan a tabla de doble entrada, permitiendo la comparación de diferentes entidades administrativas. En un principio, prevalece una visión estática. Los procedimientos gráficos son medios de presentación de resultados numéricos, para pasar posteriormente a ser medios de investigación. Se produce gradualmente una cierta evolución metodológica. En la escuela inglesa, Pearson añade la idea de ley (ley de frecuencias, de los grandes números, de la mortalidad). La agregación de individuos lleva a reconocer los fenómenos sociales de masa. Las poblaciones podrían representarse mediante parámetros. El objetivo fundamental es la descripción, la reducción de datos. La escuela histórica alemana propone utilizar historia cualitativa y numérica (datos estadísticos). Hay una escuela continental (francesa). En ella, la estadística se identifica

con la información numérica sobre la sociedad. Se desarrollan dos sistemas:

• • • • •

Tablas descriptivas destinadas a informar. Los estados informativos para los administradores.

En determinado momento irrumpen las probabilidades, que conducen a distintos tipos de certeza: La matemática (equiprobabilismo). La física (frecuencias observadas). La moral, basada en el testimonio y la conjetura de índole subjetiva.

Dentro de la escuela francesa se instaura la idea del hombre medio: la media representa los ideales de la sociedad. La ley de probabilidad binomial (atemporal) se complica cuando hay que calcular la probabilidad de un suceso para un número elevado de lanzamientos. El descubrimiento de la ley normal permite aplicar la probabilidad a un número prácticamente infinito de sucesos independientes. Aunque el número de pruebas sea atemporal, se realiza en el tiempo. Por eso, a veces, se considera como natural la correspondencia entre el número de pruebas y el tiempo. Los errores de medida son accidentales e inevitables. Son más probables los más pequeños, dependiendo su magnitud de los instrumentos de medida. No hay sesgos (errores sistemáticos). La generalización de la probabilidad de los juegos de azar a los errores de medida mantiene el principio de que en ambos campos se prescinde de la dimensión temporal de las observaciones. Cuando se relacionan inductivamente los números referidos a dos o más fenómenos, el instrumento utilizado es la correlación. La correlación aparece y se contempla como un esquema conceptual opuesto al de la causalidad propia del razonamiento deductivo. K. Pearson asume la idea de que la correlación es una categoría opuesta a la causación. Las razones para su escepticismo sobre la causalidad derivan de su teoría del conocimiento, influenciada por Ernst Mach. Mach se apoya más en la física que en la biología. La categoría de causalidad pasa a ser substituida por el concepto matemático de función, concepto que define una relación de dependencia de los fenómenos entre sí. Pearson interpreta las leyes como fórmulas abreviadas que sintetizan las percepciones. Las leyes funcionales nunca se cumplirían estrictamente. La idea metafísica de causa cedería su lugar a la idea de correlación entre hechos observados. ¿Qué significa correlación? Alguna relación de causa-efecto entre las cosas. Valores de la correlación inferiores a 1 (correlación perfecta) significarían que causas y efectos no han sido asilados perfectamente.

• El desarrollo histórico de los métodos estadísticos en el dominio del
tiempo. La aplicación de los métodos estadísticos atemporales a series de tiempo puede verse como un intento de convertir las fluctuaciones temporales en desviaciones atemporales. El procedimiento seguido para trasladar los conceptos atemporales al tiempo se asocia a la transformación de las series de tiempo en estacionarias. Con ello se pretendía descubrir leyes estadísticas. Existían razones para explicar y comprender el salto lógico de lo atemporal a lo temporal. La evolución puede entenderse como un desplazamiento de la media de la distribución de cada generación, lo que hace aparecer de modo natural el desplazamiento en el tiempo. Cuando las

variaciones de las series históricas se traducen a una distribución de frecuencias atemporal, rara vez adoptan la forma de la campana de Gauss. Antes bien, aparecen como distribuciones asimétricas, dejando la media de ser constante. Los investigadores de modelos de series de tiempo se han decantado por la probabilidad y la correlación. La aceptación de este esquema requiere que las series de tiempo puedan ser consideradas la imagen empírica de sucesos aleatorios, es decir, conseguir que las series de tiempo sean estacionarias. Para Wold, si los procesos temporales fuesen estacionarios cabría aplicar la regresión y el análisis espectral. El problema principal radica en la característica de dependencia de las observaciones sucesivas de las series de tiempo. Las observaciones no son consideradas independientes de las anteriores. Yule subraya las dificultades de investigar relaciones causales mediante la correlación de fenómenos económicos. La investigación de relaciones causales entre fenómenos económicos presenta muchos problemas de dificultad peculiar, y presenta muchas oportunidades para establecer conclusiones falaces. En lugar de hablar de relación causal, cantidades relacionadas causalmente, se usa correlación, cantidades correlacionadas. Un coeficiente de correlación elevado no es prueba de relación cuasal. Una de las razones de la dificultad de las inferencias económicas se debería a la pluralidad de causas, que condicionaría la interpretación de los coeficientes de correlación, pudiendo estar enmascarados los efectos de las diferentes causas. Hooker propone correlacionar las desviaciones respecto a una media instantánea (idea aproximada a la tendencia). Este procedimiento sería aplicable cuando las oscilaciones son periódicas. En una primera etapa, los datos se presentan en forma de tablas; luego se representan gráficamente en el tiempo. En la época de Pearson los diagramas temporales y las formas geométricas son tan importantes como las ecuaciones.

• El método de las diferencias variantes y el significado de la correlación
El origen del método de diferencias se encuentra en los algoritmos monetarios utilizados por los comerciantes, los financieros y los especuladores, derivados de la observación de los movimientos de precios y cantidades. El empleo de diferencias y tasas obedece a razones económicas, antes que a formales. Se considera desde un principio que la dificultad principal de llevar los métodos atemporales a series históricas estaría en la no estacionaridad, entendida como indicador de la existencia de causas inalteradas. Para eliminar su influencia se recurre a la transformación de las series históricas observadas en estacionarias, lo que conllevaría la eliminación de la dimensión histórica (temporal). Para Hooker, las medias móviles serían útiles en caso de movimientos periódicos. La aplicación de la transformación de diferencias sería útil para tratar movimientos cortos, fueran o no periódicos, siendo su principal ventaja la sencillez de aplicación. A largo plazo, lo adecuado para medir la interdependencia podría ser utilizar desviaciones respecto a la media aritmética. Las primeras diferencias revelarían los movimientos a corto plazo. Las variaciones sistemáticas estarían representadas en los movimientos a largo plazo; las irregulares, en los movimientos a corto. Student proporciona una regla para decidir el orden de diferenciación (el valor en el que se estabiliza la varianza) como procedimiento para descubrir la correlación verdadera. Permitiría sustituir una correlación espuria por otra considerada verdadera. El criterio sería el valor en el que se estabilizara la varianza. Inconveniente: a veces la varianza no se estabiliza.

y los segundos mediante diferencias. la periodicidad). pues las series de tiempo no se caracterizan por oscilaciones de amplitud fija. La serie resultante es estacionaria. Ha sido aplicado a la determinación de ciclos estacionales y a la estimación de modelos con retardos distribuidos. La transformación de las series en estacionarias se va asociando a razones formales tales como que la tendencia secular impediría la percepción de los movimientos periódicos o aleatorios. Parece ser adverso al empleo del método de las diferencias. fluctuaciones cíclicas. Se espera que este análisis permita tratar ciclos con amplitudes variables. descubriendo con ello relaciones a corto plazo. • El análisis espectral La hipótesis contraria a la aleatoriedad es la regularidad (en sentido estricto. pudiendo verse como generalizaciones del análisis de Fourier. dentro de un rango de amplitud constante. Partiendo de la aceptación de la hipótesis de la probabilidad. Persons: «Las características de series de tiempo anuales pueden concebirse constituidas por los siguientes elementos : tendencia secular. Las regularidades que se descubrían a partir del estudio de tales transformaciones consistían en movimientos similares a oscilaciones en torno a una media constante. Hasta 1936 (Wald). dentro de la econometría formal. A juicio de Morgenstern. Las series autocorrelacionadas generarían correlaciones espurias. Tiene propiedades simples en el muestreo. El espectro se concibe como una descomposición de la varianza mediante el análisis armónico: • • Proporciona simplicidad conceptual a la interpretación teórica de un comportamiento que varía en el tiempo. El periodograma pasa a ser concebido como un estimador del espectro poblacional. se ha rechazado el periodograma. no se resolvió el problema de la separación de los diferentes componentes reconocidos en las series de tiempo (análisis espectral). Wiener y Cramer. El análisis espectral se relaciona con la causalidad. Se ha pretendido reinterpretar el análisis periódico en términos de probabilidades manteniendo la hipótesis de aleatoriedad. La aplicación de primeras diferencia a varias series de tiempo permitirían determinar empíricamente leyes económicas correlacionando las series diferenciadas. Los métodos considerados dentro del análisis espectral se basan en los resultados matemáticos de Kolmogorov. Los primeros se eliminan con desviaciones a la tendencia. cuya medición se instrumenta mediante el análisis del periodograma. debido a las dificultades del cálculo al haber muchos coeficientes a calcular. y reduciendo (atenuando) la amplitud de las tendencias o cambios seculares. . prefiriendo correlacionar desviaciones a la tendencia.A Yule le preocupa la autocorrelación de cada serie. fluctuaciones irregulares». han existido pocos intentos de aplicar el análisis de Fourier.

La dualidad entre establecer una o varias causas es utilizada para explicar la diferencia entre la causalidad aplicada a los fenómenos físicos y a los sociales. Como. las relaciones tienden a ser . En el esquema causal. En economía. se considera posible atribuir un determinado efecto a una sola causa. aceptada la condición de ceteris paribus. lo que excluye la pluralidad de cusas. mientras en las ciencias sociales habrá que aceptar una pluralidad de causas. o la regresión. Además. Para el positivismo. La econometría ha tratado de evitar el recurso al principio causal. La econometría procede a sustituir la terminología de causa y efecto por la de variables exógenas y endógenas. se sigue de modo necesario el del efecto. Sólo cabe hablar de una relación necesaria si se abstrae la relación entre un efecto y una sola causa. La causalidad choca con los planteamientos derivados de los métodos estadísticos. aplicable tan solo a ciencias de observación (no experimentales) como la economía. existe un gran progreso analítico derivado de hacer abstracción del tiempo. Causalidad lógica y correlación estadística obedecen a esquemas opuestos. sin proponer un sustituto adecuado ni llegar a invalidarlo. En los primeros. Si en nuestros análisis estadísticos no partimos de aceptar las relaciones causales entre precios y cantidades. McLelland pretende aunar causalidad y probabilidad. correlación o dependencia funcional. no se conocen todas las causas. Consideraciones: • La relación causal se establece entre una sola causa A y un solo efecto B. Ante un desconocimiento de la dirección de la influencia entre A y B se opta por emplear otro término: dependencia. La causalidad es una idea lógica. toda proposición científica ha de estar dotada de contenido empírico. como los basados en las probabilidades. y no con una determinada probabilidad. El determinismo causal es contradictorio con la probabilidad. es preciso recurrir a esquemas alternativos. influencia. El planteamiento causal se traslada a la medición: «Las curvas de demanda de la teoría económica convencional son relaciones causales. la relación entre una causa y un efecto sería un principio lógico. puesta la causa el efecto se sigue necesariamente. relacionando un solo efecto (variable endógena) con una sola causa (variable exógena). de hecho. de dependencia o interdependencia. formulada como una proposición simple. no excluye la idea de cusa. El concepto de relación funcional.• Análisis de la causalidad • Consideraciones previas Se ha reemplazado la palabra causar por otras como determinación. La regresión no es independiente de la correlación: inferir causalidad a partir de los coeficientes de regresión implicaría inferir causalidad a partir de correlación. • • Críticas atemporales del principio causal En el orden atemporal. se establece deductiva y racionalmente con carácter necesario y general. El progreso analítico derivado del principio causal deriva de que una vez conocido el movimiento de la causa. Según el positivismo lógico moderno. Un progreso similar ocurre también en la causalidad y en la doctrina de las probabilidades. no aproximamos las curvas teóricas de demanda».

. incompatible con el carácter contingente de las sucesiones en el tiempo. La aceptación de la noción de correlación. atemporal. • La causalidad en el tiempo Si la causalidad se analizase en el tiempo debería ser. Los parámetros estimados no variarían aunque se alterase el orden de las observaciones. Asume la pluralidad de causas determinantes de un único efecto. La distribución atemporal sigue siendo la misma. Causalidad débil significa que A es una de las causas de B. Hicks se concentra en un doble tipo de causalidad: débil y fuerte. La econometría posterior a los años 30 asume la multiplicidad de causas (múltiples regresores). La causalidad lógica se establece deductivamente. Las variables consideradas en los modelos estructurales no consideran explícitamente la dimensión temporal de los datos. Hooker señala que el problema de la causalidad no puede inferirse a partir de series de tiempo. dado que al tratarse de datos no experimentales. Fundamentos metodológicos. En los modelos dinámicos se acostumbra a incluir entre los regresores la propia variable endógena retardada (una garantía para mejorar o conseguir un buen ajuste). Para Yule: «la dificultad esencial del problema de la correlación en el tiempo es la dificultad de aislar para el estudio diferentes componentes dentro del movimiento observado de cada variable». afectaría a las tendencias y ciclos subyacentes. si se produjera un cambio en el orden de las observaciones. • Consideraciones previas Los modelos. formulación contradictoria con el principio causal. no cabe consdierar por separado una sola causa. La letra ha cambiado. Sólo es un resultado empírico que relaciona variables o diferentes retardos. no posee carácter necesario. • Análisis univariante de series temporales estacionarias. hipótesis y teorías económicas trabajan con variables teóricas. Hubo un momento en que el carácter científico de un artículo se evaluaba por los valores de los coeficientes de correlación. y la fuerte. Que. poseyendo carácter necesario. los datos sean del tipo de series históricas ( temporales) no quiere decir que haya correspondencia necesaria entre las variables teóricas y los datos. que A es la única causa de B. Incluir el tiempo implica perder la característica de necesidad propia de una relación causal lógica. pero el espíritu subsiste. Ignorar la dirección de la influencia es ignorar la propia causalidad.válidas en promedio o en su mayor parte. permanente. La prelación temporal no tendría validez con independencia de todo tiempo y lugar. favorecería medir cuantitativamente una relación entre una sola variable endógena (efecto) y múltiples variables exógenas (regresores). en la mayor parte de los casos. Nada se puede causar a sí mismo. Sin embargo. para argumentar que el término conexión necesaria entre cusa y efecto debe remplazarse por el de probabilidad. además de una relación necesaria. sin apelación a la experiencia (datos). entendida como media instantánea. siendo establecida a posteriori. En cambio. Propone correlacionar las desviaciones a la tendencia. Los intentos de fundamentar la causalidad en regresiones dinámicas no resuelve el problema clásico de sustituir causalidad por correlación.

Relaciona los valores actuales del proceso con su historia pasada o con otro proceso equivalente a las perturbaciones. de manera que estarían correlacionadas. probabilística o no. Por último. útiles. tendría que explicar las regularidades observadas. con la determinación de las recurrencias temporales. que generarían ciclos regulares. mientras las series de partida están constituidas por observaciones sin correlación. la serie de medias móviles sucesivas contendría.t-q) Los modelos de series de tiempo se califican como medición sin teoría. la estimación de las leyes de comportamiento macroeconómico se efectúa a menudo mediante observaciones realizadas sobre períodos sucesivos. Kuznets se adhiere al efecto Slutzky. además.El planteamiento en la inferencia clásica es considerar la serie histórica como si fuese atemporal. siendo difícil admitir su validez en series de tiempo.t-1. En los modelos estructurales se introducía una perturbación aleatoria. aparentemente. En los modelos de series temporales. El criterio de especificación (selección de regresores) del modelo es empírico. estando cada uno de ellos representado por una posible serie histórica susceptible de haber sido observada. En la teoría de los procesos estocásticos se supone que las variables son intrínsecamente aleatorias (de las Xi y la Yi). El concepto de proceso estocástico representa el conjunto de posibles realizaciones de los fenómenos. lo que implica aceptar la hipótesis de Slutzky. Analíticamente: Zt = f(Zt-1. para la predicción a corto plazo. La más usada en la de movimientos puramente aleatorios. Kuznets critica que los análisis de series de tiempo se centrasen en los ciclos y olvidasen la tendencia. • Procesos estocásticos Un número importante de fenómenos económicos para los cuales necesitamos formular los . estando basado en el examen de los datos. Se designa con la letra Z para remarcar su naturaleza estocástica. observaciones comunes. La hipótesis básica de la teoría de los procesos estocásticos postula que la historia pasada de una variable Z contendría información suficiente para predecir su futuro. En una visión más formal. Para Kuznets hay dos posibles tipos de análisis: (a) histórico. las series históricas se consideran muestras aleatorias temporales. el supuesto de varianza constante está pensado para una población atemporal constante. . … . en parte. propio de la hisotria económica cuantitativa.…. de naturaleza formal. Propone emplear coeficientes de correlación de medias móviles.t. Reconoce la dificultad de determinar el tamaño de una media móvil (que puede llevar a restos de tendencia o desviaciones en análisis de series de tiempo). La idea de un modelo de series de tiempo puede introducirse a partir de la noción ya conocida de la autocorrelación de las perturbaciones aleatorias. Kuznets denomina fluctuaciones cíclicas a las desviacioens repecto a la tendencia (primaria) suavizadas mediante medias móviles centradas. Un modelo univariante de series de tiempo ignora cualquier tipo de relación entre Z y otra variable. Esto daría lugar a que el movimiento fuese gradual. y (b) inferencial. del que comenta que. Una hipótesis.Zt-p. sometidos a transformaciones de medias móviles. se interpretaban las discrepancias de la regresión como la imagen empírica de una variable aleatoria normal e inobservable (perturbación aleatoria). Los modelos de series de tiempo no mantienen correspondencia de modo necesario con la teoría económica.

La función de autocorrelación sólo está definida para procesos estacionarios. considerados para diferentes retardos (designados por u). sin tendencias ni ciclos. Se usa el prefijo auto para indicar correlación entre valores de la misma serie. Por otra parte. La función de autocorrelación generaliza la noción atemporal de correlación al tiempo considerando diferentes desfases. Si el proceso estocástico sigue una distribución normal. . El problema a abordar es extender el modelo probabilístico de forma que nos permita representar fenómenos dinámicos. Z(tn)) ≤ P[Z(t1) ≤ Z1. es decir. Z(tn) ≤ Zn) ] Al ser el tamaño T del proceso teóricamente infinito. …. El concepto de estacionario en sentido estricto no es operativo. la exigencia de que un momento de un proceso estocástico estacionario sea constante e independiente de t se interpreta como ausencia de movimientos sistemáticos. La estructura de dependencia de lso valores de Z(t) es esencial en la definición de un proceso estocástico. Un proceso estocástico debe representarse por la función de distribución conjunta del proceso: F((Z(t1). Kolomogorov ha demostrado que esto no es necesario si se cumplen las condiciones de regularidad: Que el proceso estocástico Zt dependa de t quiere decir que para cada t. concepto desconocido en la teoría de los procesos estocásticos.modelos probabilísticos aparecen como observaciones discretas sucesivas en el tiempo. Zt tiene una distribución aleatoria diferente. • Procesos estocásticos estacionarios Malinvaud califica los procesos estacionarios como aquellos cuyas propiedades son estables en el tiempo. …. pues requiere el conocimiento de la función de distribución. coindicen los dos tipos de estacionaridad. la función de distribución debería tener dimensión infinita.

supuesto que existan. En consecuencia. que entre Zt y Zt-1 (k > 1). habrá menos correlación entre Z t y Zt-k. La estacionaridad es una característica esencial de las variables estocásticas. etc. medias móviles (MA) y autorregresivos (AR). No basta imponer a las series temporales la condición de estacionaridad para que el planteamiento sea probabilístico. Estos contrastes han sido construidos para distribuciones atemporales. lo son sus funciones de distribución o densidad. Permite modelar la dependencia temporal mediante un número finito de parámetros. Los contrastes clásicos de la t. La dependencia entre valores sucesivos se hace más débil a medida que crece el desfase entre las observaciones. toma el valor 1: • • • • r0 = c(0)/c(0) = 1 ru ≤ 1 Es una función par del tamaño del retardo: ru = r-u No unicidad El análisis de regresión basado en datos de series de tiempo asume implícitamente que las series de tiempo subyacentes son estacionarias. la función de correlación tomará valores decrecientes a medida que crece el valor de u: Valores autocorrelacionados u correlación Función de autocorrelación decreciente con los retardos crecientes: Ru si u La función de autocorrelación se considera útil para la identificación del proceso al ser diferente según los procesos a partir de los que ha sido calculada. la F. La independencia asintótica postulada para los valores del proceso estocástico implica una restricción de la memoria en el tiempo. Así. Como el proceso estocástico estacionario es desconocido. El proceso estocástico puramente aleatorio (Ruido Blanco. • Principales procesos estacionarios Tres tipos de procesos estocásticos estacionarios: ruido blanco (RB). RB) es el más simple de los procesos .Si los valores del proceso estocástico estacionario no fueran independientes sino que estuvieran autocorrelacionados. y su generalización a series de tiempo es una cuestión no resuelta. se basan en este supuesto. RB) Malinvaud define un proceso puramente aleatorio en el tiempo como una serie de variables aleatorias independientes con la misma distribución de probabilidades. Toda distribución probabilística atemporal es estacionaria. • Proceso estocástico estacionario puramente aleatorio (ruido blanco. lo razonable sería considerar que la correlación entre valores sucesivos del proceso se fuese haciendo menor a medida que los valores están más alejados en el tiempo. La autocorrelación de una variable con su misma historia (en el tiempo).

La característica de independencia (condición establecida para que una muestra sea considerada representativa) se reemplaza por una menos estricta: autocorrelación nula. dado que es prácticamente imposible obtener autocovarianzas nulas. con una tendencia.estocásticos estacionarios. Generaliza al dominio temporal el concepto de variable aleatoria atemporal. es decir. De acuerdo a la definición de RB. la expresión (4. En el caso continuo: . Analíticamente. Ni siquiera que posean autocorrelación nula. si las observaciones son o no independientes en el tiempo. No es infrecuente que el problema se plantee como una cuestión de grado: la autocorrelación r(t) es suficientemente pequeña de modo que se puede suponer que los datos han sido seleccionados al azar. Si el proceso fuera RB serían nulos los valores de la función de autocorrelación en todos sus retardos. con la idea de un movimiento sistemático. Se suponen las hipótesis clásicas de varianza constante y correlación nula. La no correlación en el tiempo implica una restricción de la memoria en el tiempo. en las aplicaciones nunca se descubren procesos con autocorrelación nula. Para que se pueda establecer con carácter necesario que la autocorrelación se anula. Es importante por ser el fundamento para la formulación de otros procesos estacionarios más complejos.3) representa su función de autocorrelación. en este caso. se requeriría en términos cualitativos que la varianza del proceso RB fuera infinita. El problema debatido en el análisis de series de tiempo no es distinguir entre la naturaleza uniforme y normal del proceso. Si se verifica que entonces Z t = Vt. La persistencia se corresponde. El concepto de RB implica la independencia de todos los valores sucesivos. Si tenemos un proceso estacionario (media y varianza constantes en el tiempo). Correlación nula más normalidad equivale a independencia. A partir de la observación de los valores no es posible discernir que hayan sido generados de acuerdo a una distribución normal o uniforme. sino determinar si se trata de RB o no. se tiene la hipótesis formal de que la función de autocorrelación es nula con carácter general. Se sigue de ello la imposibilidad del proceso puramente aleatorio en el tiempo. no obstante. Un proceso RB no es un modelo adecuado para la mayoría de series macroeconómicas porque no tiene su característica más común: la persistencia. constituyendo una generalización al dominio temporal de los resultados probabilísticos atemporales.

A juicio de Davis. media y varianza. El grado de suavizado crece con el tamaño de la media móvil. no dependen del tiempo t. La hipótesis probabilística asume que las series históricas son muestras aleatorias. • Características de un proceso de medias móviles (MA) Como ambos momentos. los procesos MA tienen la ventaja de la simplicidad de cálculo. Las medias móviles se usan para aproximar tendencias y suavizar movimientos estacionales. La noción de persistencia ha de verse como contradictoria con la de independencia. se considera demostrado que el proceso Zt es estacionario. que es RB). cuando sólo es irregular. • Proceso de medias móviles (MA) • Consideraciones previas El fallo de la argumentación en la que descansa la hipótesis de Slutzky está en asumir que la serie es aleatoria. sin interferir con otras oscilaciones. La intuición de una elevada irregularidad lleva a inferir en forma equivocada que una serie irregular es puramente aleatoria en el tiempo (o sea. El análisis estocástico de series temporales atribuye las desviaciones entre la definición teórica de RB (correlación nula) y la evidencia empírica (correlaciones no nulas) a errores de muestreo. pese a ser generadas por simulación a partir de procesos pseudo-aleatorios. han sido cuestionadas en Econometría. sin embargo. Además: .El valor medio cuadrático de un proceso puramente aleatorio en el tiempo toma un valor infinito. Todos los procesos discretos tienen correlaciones distintas de cero. aparentemente RB. lo cual significa su inexistencia. así como su utilidad para suavizar fluctuaciones cortas. La imposibilidad del proceso RB en el caso continuo es coherente con la evidencia obtenida en las simulaciones discretas.

Con ello quedaría establecida la estacionaridad en sentido amplio o en covarianza de un proceso MA. En general. De esta condición de convergencia se sigue la convergencia a cero de la función de autocorrelación. . no del tiempo histórico. Sería estacionario en sentido estricto si además Vt siguiera una distribución normal. La forma de la función de autocorrelación será decreciente.Esta condición implica un número finito de parámetros con suma finita. al depender su valor de los valores de los parámetros βi. para los momentos de un proceso MA (q) tenemos: Las funciones de autocovarianza y autocorrelación dependen del desfase u.

Dado que una misma función de autocorrelación puede corresponder a más de un proceso. se presenta una situación de indeterminación en esta identificación. . lo que significa expresar los procesos en función de las propias Z observadas en momentos anteriores. Ejemplo La condición de Invertibilidad pasa por transformar los procesos MA(1) en procesos AR.• Invertibilidad de un proceso de medias móviles (MA) Se propone determinar la naturaleza del proceso estocástico estacionario RB o MA a partir de su función de autocorrelacion.

un promedio de reducido valor descriptivo. ha estado sometido a una crítica considerable. y menos inferencial». de valor contingente y particular. no deductivo ni racional. el ajuste de medias móviles hace aparecer. Kuznets es favorable a la hipótesis de Slutzky. Este resultado tiene una gran importancia para el tratamiento estadístico de datos temporales. por definición. El periodograma de un proceso RB debería registrar. El argumento de Slutzky es experimental. • Proceso autorregresivo El proceso estocástico estacionario autorregresivo (AR) establece una dependencia de Z de su propia historia pasada. no creando nada nuevo] Crítica 2. Las evidencias difieren de esta definición. (…) Si se trata de estudiar las fluctuaciones cíclicas. El modelo de periodicidad perturbada . Concluye la no generalización a series de tiempo de los conceptos construidos para distribuciones de frecuencias atemporales. al lado de las oscilaciones de la componente sistemática. establecida tan sólo como una mera posibilidad que no cabría predicar de ningún ciclo concreto. Crítica 1. oscilaciones artificiales debidas únicamente al tratamiento estadístico. atenuando la contribución de los ciclos cortos. por tanto. una contribución constante en todas las periodicidades.• Características de un proceso de medias móviles MA(2) La condición de invertibilidad para un MA(2) viene dada por la exigencia de que caigan fuera del círculo unitario las raíces de la ecuación • Los procesos de medias móviles y el efecto Slutzky La hipótesis defendida en el manual es que los ciclos no pueden ser generados en la aleatoriedad. El coeficiente sería un promedio de una tendencia cambiante en covarianza. [Malinvaud se lo cuestiona en el mismo sentido: actúa sobre ciclos ya existentes. La conclusión de Malinvaud: «el cálculo de medias móviles de una serie puramente aleatoria conduce a una serie oscilante. La transformación de medias móviles amplifica la contribución de períodos medios y largos del proceso V. Hay acuerdo en que la magnitud del coeficiente no indica la existencia o ausencia de una relación funcional entre los fenómenos correlacionados. El efecto se llama efecto Slutzky. Este fenómeno se llama efecto Slutzky». que revisa las críticas derivadas de aplicar la correlación atemporal a series de tiempo: «el coeficiente de correlación. en cuanto medida de la relación entre series de tiempo. Es una hipótesis opuesta a la de Slutzky. • Consideraciones generales Frisch y Yule sugieren que los sistemas de ecuaciones lineales en diferencias podrían ofrecer soluciones al problema de las oscilaciones amortiguadas. Su conclusión sería. Slutzky afirma ser posible obtener regularidad a partir de irregularidad.

tendería a cero cuando crece el desafse u. En ambos casos. Si fuera negativo. dificultando con ello la identificación del orden del proceso AR. También puede considerarse como una ecuación en diferencias. Si fuese positivo. La función de ACP permite identificar el orden de un proceso AR. • La forma de la función de autocorrelación depende del valor del parámetro 1. • Función de autocorrelación parcial A la función de autocorrelación usada hasta aquí se la denomina función de autocorrelación total. Esto es una forma de caracterizar la estacionaridad. • Características de un proceso autorregresivo En notación compacta: Un proceso autorregresivo puede interpretarse como un modelo de regresión múltiple en el que el papel de los regresores corresponde a los valores retardados de la propia serie. la función de autocorrelación se comportaría como una sinusoide amortiguada.se expresa mediante ecuaciones autorregresivas. Dado que los valores retardados de la propia serie invalidan toda interpretación con significado causal (nada se causa a sí mismo). la estimación de un AR se reduce a un problema de ajuste o de inferencia estocástica. decrecería exponencialmente. La función de autocorrelación de un AR(1) no se anula a partir del primer retardo. La ecuación de Yule-Walker generalizada al orden p es: .

la ACP registra alternancia de signos para los coeficientes sucesivos. además.1) como . se puede expresar el ARMA(1. Se habla de procesos ARMA.Entre las funciones de autocorrelación total y parcial de un AR y un MA se mantiene la relación de dualidad establecida entre los procesos. Supuesto que |β1|<1. relativamente distintos de cero. En estos casos se considera que el proceso estocástico estacionario generador debe ser una combinación de los componentes AR y MA. Los dos primeros retardos de la ACP. un proceso MA puede expresarse como un AR de orden infinito. La identificación del proceso ARMA a partir de las funciones de ACT y ACP es más compleja. La función de ACP de un MA es análoga a la función de ACT de un AR. y la función de ACP de un AR es análoga a un MA. A veces no se anulan las funciones de ACT y ACP a partir de los primeros retardos. indicarían un AR(2). Cabe imaginar una situación en la que ambas funciones decaen exponencialmente y. El orden del proceso en el MA viene determinado por la función de ACT. aun cuando fueren estacionarios. Ejemplo pág 134 y ss: la forma decreciente en forma de sinusoide de la ACT indicaría un AR. mientras que la función de ACP es la que determina el orden en un AR. no hubiera sido posible identificar todos los procesos posibles generadores de las funciones de autocorrelación. • Procesos ARMA Con los criterios expuestos.

El decrecimiento es imputable a la parte AR y puede ser atenuado por el componente MA. la función de autocorrelación inversa. q) con valores bajos de p y q (procesos ARMA parsimoniosos) permiten alcanzar buenas representaciones de series observadas.Es de notar que la varianza de un ARMA(1. Un proceso ARMA (p. que se ha propuesto como uno de los instrumentos prometedores para la identificación: Función de ACI: MA(B)Zt = AR(B)Vt Esta función tiene propiedades similares a las de la función de ACP. La forma típica de la función de autocorrelación total de un ARMA(1. Aplicada a un AR(p) se anularía para retardos mayores que p y tendería a cero lentamente para procesos MA o ARMA. transformadas en estacionarias. Puede utilizarse en las aplicaciones como criterio práctico que el proceso identificado verifique la relación p+q 2 A partir de un proceso dado AR(B)·Zt = MA(B)·Vt Se puede obtener.1) podría considerarse una exponencial decreciente. intercambiando los operadores AR y MA.1) viene expresada en función de la varianza de V y de los parámetros de los componentes autorregresivo y de medias móviles. .

En términos intuitivos. como meses y trimestres.Siguiendo el criterio de parsimonia se recomienda iniciar el procedimiento especificando procesos de orden reducido. • Procesos estocásticos estacionales Los modelos estacionales generalizan el análisis anterior de los procesos estocásticos estacionarios con valores anuales a datos de periodicidad inferior al año. Se recomienda tratar la estacionalidad determinística mediante variables cualitativas. debido a los efectos del tiempo y calendario una parte de las fluctuaciones estacionales puede ser causada por el comportamiento de los agentes económicos…». mientras la amplitud de las fluctuaciones estacionales sería variable para la estacionalidad estocástica. la estacionalidad determinística presentaría una variabilidad constante. Un AR(2) estacional: . q) con p + q 2. En la práctica se alcanzan representaciones adecuadas para muchas series estacionarias con modelos ARMA(p. Se distingue entre estacionalidad determinística y estocástica: «… aunque parte de las fluctuaciones estacionales pueden ser aproximadas en forma determinística.

esto es. La notación completa de un proceso ARIMA incluye (p. como tendencias y ciclos.Para la eliminación de la estacionalidad de orden s. añadiendo previamente un logaritmo para eliminar la no estacionaridad en varianza. . • Procesos ARIMA Los procesos ARIMA (la I de Integrado indica que el proceso estocástico es considerado no estacionario. Se procede transformando en estacionaria la serie histórica observada. se puede emplear una diferencia estacional del mismo orden. pudiendo expresarse un proceso no estacionario como aquel cuyos primeros momentos son dependientes del tiempo histórico. MA. Un proceso no estacionario en términos estocásticos supone movimientos sistemáticos. determinar los valores de p y q. d. o integrado) se han formulado porque la mayoría de las series históricas no verifican la condición de estacionaridad. se procede a la identificación del proceso. q) donde p indica el orden del proceso autorregresivo AR. d el orden de la transformación de diferencias necesaria para alcanzar la estacionaridad y q el orden del proceso de medias móviles. Una vez alcanzada la estacionaridad (significa convertir el proceso ARIMA en ARMA).

Se inicia la exposición con una referencia a los estimados de los primeros momentos. La independencia no es condición suficiente. se considera que la teoría de la inferencia asintótica desarrollada para datos atemporales puede ser aplicable a series de tiempo. las funciones de autocovarianza y autocorrelación muestrales no presentan un comportamiento amortiguado. Para cada serie de tiempo en particular puede prevalecer el componente determinista o el indeterminista. Las mismas características referidas a series históricas se consideran estimadores. Bajo este supuesto. El sesgo podría reducirse si el proceso fuera estacionario. Un proceso estocástico poblacional se somete a la reducción estadística. El nexo lógico entre los procesos estocásticos (poblacionales) y las muestras se establece mediante los denominados teoremas de convergencia o teoremas límite.• Inferencia estocástica en series temporales • Introducción Se trata la inferencia estocástica aplicada a muestras supuestamente seleccionadas al azar a partir de supuestos procesos estocásticos estacionarios. En ocasiones. No sería suficiente muestrear al azar imponiendo la condición de independencia para reconstruir la trayectoria de la serie de ciclo-tendencia. las series históricas han de considerarse como muestras aleatorias. Una condición para que una muestra pueda ser considerada representativa es que las observaciones muestrales sean seleccionadas independientemente de la voluntad de quien toma la muestra. Es suficiente suponer que el conjunto total de las n observaciones puede considerarse como una observación de n variables (o punto muestra) con una ley conjunta n dimensional de probabilidad. la varianza en términos relativos tendría a infinito. en vez de un muestreo aleatorio. La medición de los movimientos teóricos continuos puede verse como el resultado de un muestreo en el tiempo. En el contexto de una hipótesis determinística puede hablarse de un muestreo en el tiempo. puede considerarse que el orden de selección de las observaciones muestrales sería irrelevante. Debido a la correlación entre valores sucesivos de la función de autocovarianza. varianza y función de autocorrelación. La hipótesis probabilística asume que prevalece el componente indeterminístico. En el muestreo aleatorio. cabe hablar de movimientos continuos teóricos. Haavelmo tan solo afirma que si se desea aplicar la probabilidad. Si las series históricas representasen movimientos de las variables económicas en el tiempo. . La sucesión de valores está representada por los principales como media. al suponer la inexistencia de movimientos sistemáticos. espaciadas las observaciones históricas en intervalos de la misma duración. tendiendo a cero. • Estimadores de los primeros momentos de un proceso estocástico estacionario. que relacionan los estadísticos muestrales con los parámetros poblaciones. La inferencia en procesos estocásticos estacionarios tiene dos aspectos: la identificación del proceso y la estimación. dado que la función de autocovarianza debería tender rápidamente a cero. que estarían siendo medidos en forma discreta en las series históricas.

asumiendo que verifican supuestos del tipo: E(auu) 0 var (auu) 1/T cov(auu. ni correlacionadas con los valores . en teoría.D. MA y ARMA Los valores de los estimadores permiten inferir los parámetros poblacionales e identificar la naturaleza del proceso ARMA.Q). q). de hecho se trabaja con órdenes reducidos (AR(1) y AR(2)). Si el valor calculado fuera inferior al nivel de referencia. RB). no se rechazaría la hipótesis nula (H 0: ru=0). Se tienen en cuenta los siguientes resultados: E(ru) 0 var (ru) 1/T cov(ru. identificar significa determinar los valores de p. las funciones de autocorrelación muestral. • Estimación de procesos estocásticos estacionarios Se trata un proceso ARIMA (p. deberían permitir identificar por entero el proceso particular ARMA. Ahora Z t-1 se considera una variable estocástica. Sea un proceso AR(1): Se dispone de una serie histórica de T observaciones. auu) 0 • Identificación de procesos AR. Este procedimiento de contrastación es generalizable a los coeficientes de autocorrelación parcial. Aunque. no los procesos autocorrelacionados. no siempre es suficiente el conocimiento de éstas para identificar el proceso generador de la serie observada.Debido a la dificultad de trabajar con la distribución en el muestreo de procesos autocorrelacionados. generador de las muestras aleatorias. La identificación de los procesos estocásticos estacionarios obedece al planteamiento de descubrir el proceso estocástico estacionario. Supuesto un ARIMA (p. El instrumento analítico son las funciones de autocorrelación muestrales (la total y la parcial) en la medida que se supone que infieren adecuadamente los parámetros poblacionales.ru+h) 0 Un contraste de significatividad viene dado por Cuyo estadístico empírico se compara en valor absoluto con el estadístico tabulado. Por identificar se entiende especificar el proceso estocástico hipotético generador de la serie de tiempo observada. total y parcial. d. los contrastes de hipótesis habituales consideran únicamente el proceso puramente aleatorio en el tiempo (ruido blanco. d y q. Si las Vt no estuvieran autocorrelacionadas.q) (P.d. • Estimación de un AR Aunque formalmente cabe pensar en modelos AR(p). En el caso MA no es aplicable el método MCO.

es: • Estimación de un MA En la estimación de un proceso MA no es posible aplicar MCO. . dado que la suma cuadrática de las discrepancias no es una función lineal de los parámetros de la ecuación que expresa el proceso de medias móviles. Se puede ver esto si se transforma un MA(1) en un AR(). cabría considerar consistentes los estimadores MCO de AR(1). Siguiendo el criterio mínimo cuadrático. a la ausencia de linealidad se añade el desconocimiento del valor inicial de V 0.retardados de Zt-1.

el estimador no sería eficiente. El proceso podría detenerse una vez que la varianza volviera a crecer.b1. no sería considerada una solución adecuada. esto es |b1| < 1. al no considerar la información de otras soluciones. lo que representa una gran necesidad de cálculo. habría que considerar las ternas de valores (. Una primera aproximación ad hoc podría ser el ir aumentando progresivamente loa valores de p y q. Sin embargo. No sería la solución mínimo-cuadrática. • Estimación de un proceso ARMA La estimación de un proceso ARMA(1. Un procedimiento iterativo aplicado a un MA(1) con media no nula y signo positivo para el parámetro: Conocida la función de autocorrelación para r 1. Si el proceso fuera un MA(2). Las evidencias derivadas de la metodología de la validación en los procesos estocásticos . • Validación La validación es un análisis dentro de la metodología Box-Jenkins que persigue: • • • La estimación y contraste del modelo especificado Obtener información sobre la dirección a seguir en las modificaciones sucesivas de la identificación del proceso.b2). se debería inspeccionar la función de autocorrelación de las discrepancias para comprobar que ninguno de los coeficientes es significativamente distinto de cero. Analíticamente.Alternativa. En los ejercicios prácticos. Es un análisis de la bondad del ajuste planteada en términos de inferencia estocástica. Ensayando nuevos valores para b1 se podría llegar a un valor mínimo para la suma cuadrática de las discrepancias. por la posibilidad de un mínimo local.1) encierra los problemas de la estimación de los componentes AR y MA. La minimización de la suma cuadrática de las discrepancias depende de los valores iniciales de z0 y v0. se podría usar en la solución de la ecuación cuadrática dada por (obtenida de la definición de r1) Con dos soluciones para b1. que crecen con el orden del proceso (p+q): Hay una representación empírica (ejemplo) para un ARMA(1.1) en pág 198 y ss. de la que es escoge la que cumple la condición de invertibilidad. El procedimiento para alcanzar un mínimo para la suma cuadrática de las discrepancias se complica cuando se consideran procesos de orden superior.

La estabilidad no radica en los valores de los coeficientes de Fourier. sino en las periodicidades de cada ciclo teórico. Por ello se calcula el periodograma. Frente a la hipótesis formal de la regularidad. pudiendo generar el efecto redundancia. se rechazaría la hipótesis nula de aleatoriedad del proceso temporal. Este análisis está basado en la significatividad conjunta de los coeficientes de la función de autocorrelación total. Si k fuera pequeño. Se afirma que los ciclos económicos observados registran recurrencias variables. El análisis espectral adopta este segundo punto de partida. Para tamaños moderados se puede usar el estadístico de Ljung y Box: Ambos contrastes tiene potencia reducida. hablándose de análisis espectral. mediante el estadístico de Box-Pierce: Donde k indica el número de coeficientes de autocorrelación calculados. Para instrumentar analíticamente el análisis periódico se usa el análisis de Fourier o armónico. Una regla práctica de valor aproximado es comparar el valor de Q con el número de grados de libertad disponibles. La modificación del análisis armónico obliga a la definición de conceptos nuevos como son el de espectro. A priori. Q podría diferir de la Chi-cuadrado. basada en las periodicidades. cabría la posibilidad de haber omitido retardos importantes. los valores de su media y varianza pueden diferir apreciablemente de los de una Chi-cuadrado. Para conocer el nivel de confianza del estadístico empírico se pueden utilizar las tablas de la Chi-cuadrado (muestras grandes). las discrepancias de la regresión deberían comportarse como la imagen empírica de un proceso puramente aleatorio en el tiempo (RB). unn incremento simultáneo de los órdenes p y q podría ser contraproducente. la hipótesis formal basada en la probabilidad. Este criterio ha de considerarse con cautela. se propone la hipótesis de la no regularidad. Si fuera elevado. en la validación se propone realizar un análisis global. • Análisis espectral • Introducción La idea básica subyacente en el análisis periódico consiste en imputar las regularidades observadas en los ciclos empíricos a la superposición de ciclos teóricos (periódicos) de diferentes periodicidades. Todos . Con la función de autocorrelación total se realiza un análisis individual de la significatividad de cada uno de los coeficientes. Para series de tamaño moderado. Si el valor del Q empírico fuera mayor que el número de grados de libertad. El análisis espectral constituye una generalización del contexto probabilístico al análisis periódico (armónico). Además del contraste individual. de concepción determinística. es decir. Si las etapas de identificación y de estimación hubiesen sido adecuadas.estaciones ARMA sugieren la dirección en que ha de modificarse la especificación del proceso. La validación se basa en el análisis de la función de autocorrelación total de las discrepancias (ajuste) de la regresión. cuya formulación analítica recoge formas diferentes. p y q son los órdenes de los componentes autorregresivos y de medias móviles.

Algunas definiciones: • • • • • La frecuencia angular: 0 = 2/T Período T = inversa de la frecuencia . desde k+1 hasta T/2. Como E(Ct). t = p·0 En el análisis armónico se han señalado los dos componentes: El determinístico. en el análisis estocástico se considera que un ciclo periódico no es estacionario. suma (superposición) de k componentes periódicos El aleatorio (indeterminístico). . Se reinterpreta Ct en términos probabilistas considerando un número de armónicos k < T/2. sino que se desviaría. • El concepto de ESPECTRO Se parte de una serie estacionaria C t. o mediante el espectro. En términos económicos. La tendencia representaría la idea de desequilibrio económico en el tiempo. en el que el elemento dinámico representativo de una variación en el tiempo se incorpora mediante el añadido de un subíndice t a los coeficientes de Fourier (a y b). significaría el porcentaje explicativo de contribución de cada ciclo teórico a la varianza del ciclo empírico. En el enfoque determinístico lo esencial es el concepto de ciclo (oscilación).los procesos estocásticos estacionarios pueden representarse mediante la función de autocorrelación. al ser función de V t. que puede aproximarse por un proceso ARMA. varía sistemáticamente con el tiempo. sería considerado aleatorio en la interpretación estocástica. Aceptar la interpretación estocástica del análisis periódico implica la negación de la aplicabilidad del análisis periódico a las series de tiempo. que puede expresarse como la suma de k componentes cíclicos periódicos y de un componente aleatorio (indeterminístico) equivalente a un proceso RB o un ruido autocorrelacionado (ARMA). que puede conciliarse con la idea de equilibrio en el tiempo una vez se acepte que esta propiedad teórica estaría representada gráficamente por una recta paralela al eje de tiempos (la senda de equilibrio en el tiempo). La tendencia no fluctuaría en torno a la senda. Young define un modelo armónico de regresión dinámica. siendo Vt un proceso aleatorio en el tiempo con distribución normal. que es la esperanza de un ciclo empírico. varía entre T y 2 Armónico p: toma valores entre 1 y T/2. El proceso Ct. introduciendo un componente estocástico V que representa el resto de armónicos.

I(wp). En las aplicaciones. Hay una relación entre periodograma. Como los periodogramas no son constantes sino que representan trayectorias fluctuantes en las diferentes periodicidades. es decir. . un espectro plano. Puede expresarse la función de autocovarianza en términos del espectro en forma continua: Es la representación espectral del proceso y utiliza la integral de Sieltjes. muestra cómo se distribuye la varianza del proceso estocástico según las frecuencias». Además. y Cu expresa la función de autocovarianza. indica el proceso estacionario (equivalente a W t). se considera el periodograma como un estimador inadecuado del espectro plano correspondiente a un proceso de RB. una vez conocidas las contribuciones de cada armónico podría obtenerse la varianza total del proceso estacionario mediante suma. y la función de autocovarianza Cu: El periodograma de un proceso RB sería constante para todo periodo. Ct. la contribución de cada ciclo periódico podría representarse mediante una recta paralela al eje de los períodos. que es la transformada de Fourier de la función de autocovarianza.• Relación entre periodograma y función de autocovarianza El espectro puede expresarse tanto en función del periodograma como de la función de atuocovarianza. Se llama también teormea de Wiener-Khintchine:«el espectro de potencia. En términos gráficos. de modo que en un proceso RB todas las periodicidades contribuyen por igual a la varianza del ciclo empírico C t.

La reinterpretación estocástica del periodograma supone: • • Generalizar la hipótesis probabilística Perder información relativa a cada ciclo periódico en una periodicidad concreta .

son tales que las amplitudes de los componentes decrecen de forma suave con el decrecimiento del período». Esos ciclos no son fluctuaciones estrictamente periódicas que correspondan a saltos en la función de densidad espectral. haciéndole corresponder a frecuencias bajas. Granger enuncia la siguiente ley. es posible realizar inferencias estocásticas. Granger reconoce que los picos en frecuencias altas podrían corresponder a ciclos estacionales. las series de tiempo económicas tienen una forma típica. La ley general sería una concentración de la potencia en las frecuencias bajas. la tendencia se interpreta como un movimiento de larga duración. en términos no rigurosos: «las fluctuaciones a largo plazo en las variables económicas. Puesto que el periodograma es un estimador alternativo del espector. el periodograma en una periodicidad dada sigue una Chi-cuadrado: Conocida la distribución en el muestreo. caracterizada por espectros elevados en las frecuencias bajas (ciclos largos). Partiendo de los coeficientes de Fourier para llegar a la I(w p). sino que deberían ser interpretados como bandas de frecuencia importantes.• Espectros de algunos procesos ARMA más sencillos • Forma espectral típica de las series económicas. En términos analíticos. Para Granger. estimar f(w) a partir de I(wp). una vez descompuestas en componentes de frecuencias. En el análisis estocástico. • Distribución en el muestreo del periodograma El espectro puede estimarse a partir del periodograma o de la función de autocovarianza (autocorrelación). es necesario establecer su distribución en el muestreo. .

quedaría justificada la inadecuación del periodograma y su abandono en el análisis de series de tiempo. Si. debería tender al espectro en cuanto parámetro poblacional. al tender T a infinito. El análisis periódico afirma que los . • Insesgadez asintótica. Puesto que los supuestos mencionados no están probados. Se comprueba sólo para RB. La varianza de una distribución Chi-cuadrado viene dada por: Var() Como la varianza del periodograma. porque no todos los ciclos periódicos contribuyen por igual a la varianza del proceso estacionario. • Inconsistencia del periodograma La inconsistencia significa que el periodograma es considerado un estimador inadecuado del espectro (significa negar la hipótesis basada en periodicidad). • Inconsistencia. considerado como estimador. La varianza de éste es: El contraste para un valor empírico superior al crítico tomado de las tablas no rechazaría la existencia de un ciclo determinístico. por definición. mientras que los periodogramas estimados fluctúan erráticamente. Otras críticas de naturaleza económica: • Se niega la propia existencia de la periodicidad. el espectro del proceso de RB es constante en todas las frecuencias. que compara la varianza de un armónico de orden p con la varianza de un proceso de ruido blanco RB. Resulta de E(I(w)) f(w) T El periodograma. se considera fundamentada el uso del periodograma para la medición de teorías económicas. La interpretación literal del periodograma indica que hay picos. Estos resultados sugieren que el espectro muestral no es un estimador consistente del espectro en sentido de que su distribución en el muestreo no tiende a concentrarse sobre el espectro verdadero cuando crece el tamaño de la muestra.La distribución 2 permite considerar una F de Snedekor. no tendería a cero por mucho que aumentase dicho tamaño. Sería constante si todos contribuyeran por igual. en el caso particular de un proceso de RB no de pendería del tamaño de la serie.

La periodicidad es un supuesto teórico. se acepta la inconsistencia del periodograma. Asumiendo el enfoque basado en la correlación. Se suele trabajar con un número reducido de ponderaciones (M<T). La elección de M y las ponderaciones es arbitraria. el espectro sería errático. El periodograma. puede ser razonable atribuir a la frecuencia cero la idea de tendencia dado que es tendencia todo movimiento no sistemático. con lo cual. siendo M un valor de truncamiento.ciclos empíricos pueden aproximarse como resultado de la superposición de ciclos de periodicidades fijas. Si la tendencia se interpreta como un movimiento no recurrente. . • Estimación consistente del espectro Se propone ponderar I(w) mediante una sucesión de pesos ( ventanas espectrales) como alternativa a estimar consistentemente f(w). La estimación consistente del espectro se establece a partir de (a) la función de autocovarianza y (b) del periodograma. Si se asume la idea de tendencia estocástica. proporciona un estimador insesgado del espectro del proceso de RB. Si M fuese elevado. la teoría estocástica de series de tiempo procede a obtener estimadores consistentes. No afirma que los ciclos observen periodicidades exactas. Una estimación consistente de f(w) se basaría en la propiedad muestral de insesgadez del periodograma. en cuanto estimador muestral del espectro de frecuencias armónicas. si M fuera pequeño. la varianza sería reducida. pero habría un sesgo mayor. Las fluctuaciones del periodograma imputadas a la inconsistencia pueden eliminarse ponderando el periodograma. lo que significa la dificultad de distinguir entre tendencia y ciclos largos. • Se critica que el periodograma lleve a descubrir explicaciones económicas [cuestión de grado]. no tendría sentido calcular el periodograma en dicha frecuencia. • Estimación consistente del espectro basada en la función de autocovarianza Con frecuencia se interpreta que la potencia (contribución a la varianza) de señal en la frecuencia 0 represente la tendencia.

proponen el modelo de corrección de error. generando la apariencia de irregularidad. • El análisis de la no estacionalidad y la regresión espuria • El camino aleatorio: un proceso estocástico no estacionario Plantear los problemas de econometría como cuestiones de inferencia estocástica encuentra problemas. como medias o sumas móviles (efecto Slutzky). la no estacionaridad de las series históricas observadas era contemplada como un obstáculo para el análisis de series de tiempo. De ahí su importancia en las aproximaciones estocásticas. puede tomar valores absolutos mayores que la unidad. que proporciona un • • . • Concepto de tendencia estocástica Las tendencias estocásticas. siendo d el orden de las diferencias necesarias para transformar una serie histórica en estacionaria. Un proceso ARIMA (p. Las medias móviles amplifican los ciclos medios y largos. En el análisis univariante. Se recomendaría el procedimiento de la diferenciación para eliminar las tendencias estocásticas.d. como la persistencia (no estacionaridad). y las tasas o diferencias amplifican los ciclos cortos. asociando el problema de la convergencia a las correlaciones sinsentido entre variables en niveles. La no estacionaridad pasa a ser objeto directo del análisis de series temporales. de ahí su utilidad en el análisis de la coyuntura. y para transformarse en estacionarias suelen ser objeto de una transformación estacionaria. la diferenciación atenuaría los movimientos a largo plazo. sino que únicamente amplificarían o atenuarían su amplitud. Con Hendry y Mizon. Obtenido el coeficiente de coherencia.• Estimación consistente del espectro basada en el periodograma Viene dada por Al ser independientes los valores de I(w p). Un método para hacerlo es aplicar primeras diferencias. es no estacionario. no introduciría ni eliminaría ciclos. Hatanaka relaciona tendencia estocástica con las relaciones económicas a largo plazo. lo cual carece de significado. que dan lugar a un proceso estocástico estacionario. Las series históricas observadas no suelen ser estacionarias. la varianza será del orden (1/m). • Conclusión El análisis espectral puede ser generalizado formalmente a varias series. Con Engle y Granger. El proceso al que se han aplicado es un camino aleatorio. distinguiendo tres etapas: • Con Granger y Newbold. son de difícil definición. y la no estacionaridad. tendiendo con ello a 0 para m grande. La aplicación de cualquier tipo de transformaciones a los valores de una serie histórica. desarrollan la teoría de la cointegración.q). Su utilidad para la ciencia económica no se ha puesto de manifiesto en las aplicaciones. Un proceso estacionario se supone que mimetiza en el tiempo el comportamiento de una variable aleatoria atemporal.

donde la diferencia sería el tipo de estacionalidad: Z t = Zt-s + Vt [trimestrales: s = 4. El concepto de proceso estocástico no estacionario es generalizable a series estacionales. las características de las series de sumas de números aleatorios». que se supone RB: «en el caso de una tendencia estocástica. Tipos de series de tiempo: tipo TS (Trend Stationary) y DS (Difference Stationary). mientras que los integrados tienen memoria infinita. el componente puramente aleatorio afecta (contribuye) directamente a la tendencia a largo plazo de la evolución Zt». en muchos aspectos. constrastable empíricamente. si bien lo transforma en estacionario. La doctrina probabilística actual afirma que a un proceso estocástico no estacionario no puede eliminársele una tendencia determinista para transformarlo en estacionario porque. mensual: s =12]. subsistiendo tan solo los movimientos a corto plazo. La información de los movimientos a medio y largo plazo puede ser relevante. Con tendencias determinísticas sería recomendable eliminar una función polinómica de grado bajo. la transformación de diferencias pudiera no ser adecuada. Se recomienda aproximar la estacionalidad determinística mediante variables cualitativas. En la transformación de diferencias. los errores no serían un proceso RB. • Proceso de camino aleatorio: un proceso no estacionario El proceso de camino aleatorio es el ejemplo más utilizado de proceso no estacionario.sistema teórico para distinguir entre correlaciones sin sentido y relaciones a largo plazo. Sea: Las V coinciden con el proceso de partida. es el modelo de juego limpio que puede expresarse como: . La transformación de diferencias sería adecuada en el caso de tendencias estocásticas. Se dice que los procesos determinísticos no tienen memoria. Una formulación simple de modelo de mercados eficientes. En términos temporales: «se ha señalado varias veces que las series de tiempo tienen. siendo hoy objeto de estudio de series de tiempo. el movimiento a medio y largo plazo es imperceptible. Se trata de una estacionalidad estocástica. La idea del proceso de camino aleatorio fue planteada en un principio en forma atemporal. Desde un punto de vista económico.

No hay una regla para determinar cuantitativamente el decrecimiento lento o rápido. es posible hacer referencia a una descomposición multivariante. La hipótesis de raíz unitaria es relativa a la especificación de las variables. si bien al asociar las variables en el tiempo justifica la elección de la especificación. La predicción es siempre el mismo valor. Un proceso de camino aleatorio tendría varianza infinita. Si existe un término independiente se dice que el proceso tiene deriva (drift): La predicción vendría dada por ZT+h = ZT + h El proceso Zt dependería de las condiciones iniciales. no desapareciendo el efecto del proceso RB. • Características del proceso de Camino Aleatorio Puede obtenerse una predicción para valores sucesivos del proceso de camino aleatorio. el proceso a partir del cual ha sido calculada se considera no estacionario. que se asocian a un proceso no estacionario. y no a la inversa. Un proceso no estacionario de camino aleatorio se transforma en estacionario aplicando una primera diferencia. puede considerarse la posibilidad de que cada serie sea un camino aleatorio. en su forma original. Lo que importa es la . El modelo de camino aleatorio es una condición suficiente. Se puede diagnosticar aproximadamente a posteriori si una serie es estacionaria. indicando que la predicción por intervalos registraría una dispersión creciente con t. El hecho de que el coeficiente de Z t-1 asuma el valor uno da lugar a un proceso de raíces unitarias. tratada más adelante dentro de la modelización de lo general a lo específico.Pt-2. se denomina proceso integrado de orden k. [Ver ejemplo en página 279 y ss]. aunque crezca la varianza. sino ejerciendo un efecto permanente sobre Zt. no necesaria.Pt-n) = E(Pt+r/Pt) La información se limita a un conjunto de precios pasados. Si para convertirse en estacionario se requiere una diferencia de orden k.E(Pt+r/Pt-1. El orden de las diferencias no es conocido a priori en las aplicaciones. Para una serie I(1).…. Manteniendo el planteamiento de no estacionaridad estocástica. Bajo el concepto de comportamiento ergódigo se plantea la duda acerca de la existencia o no de una distribución estacionaria. Si la función de autocorrelación decae lentamente. I(k) . No siempre una correlación elevada es perniciosa para la estimación. crece constantemente. Como alternativa al problema de estimar regresiones entre series no estacionarias. desarrollada en la London School of Economics (LSE).

aparentemente espurias. se recomienda (Granger y Newbold) tomar primeras diferencias de . Son hallazgos empíricos. no sólo ajustar. • Constrastes de raíces unitarias y cointegración • Introducción El problema de determinar la no estacionaridad de una serie de tiempo se replantea en términos de inferencia y. el problema económico es explicar. racionales. en consecuencia. experimental.relación lógica entre los regresores. existen problemas serios para interpretar los coeficientes de la ecuación. el argumento puede basarse en el modelo de regresión lineal: Y = XB + V La regresión espuria se atribuye a que la matriz X’X/T no convergería a un valor límite. no tanto la numérica. No obstante. Como las series de tiempo son no estacionarias. las inferencias estocásticas no se consideran válidas. La presencia de tendencias tanto estocásticas como determinísticas lleva a regresiones. La forma funcional de las distribuciones empíricas en el caso de series con tendencias difería notablemente de la t de Student. no en desarrollos deductivos. • Contrates de raíces unitarias La justificación analítica de que la regresión sea espuria en el caso de series de tiempo con tendencias estocásticas se ha basado en simulaciones experimentales de distribuciones muestrales. Formalmente. Una de las limitaciones de la argumentación empírica. de un contraste llamado contraste de raíces unitarias. es la falta de validez general de las conclusiones. Si uno calcula una regresión y encuentra discrepancias fuertemente autocorrelacionadas. Hasta que se disponga de un procedimiento satisfactorio.

todas las variables autocorrelacionadas. Aunque todavía es simétrica. una regresión de una variable estacionaria sobre una no estacionaria. o al menos puede ser. el valor del parámetro debería ser cuestionado. hablándose de unos valores críticos τ. convirtiendo en cuestionable el estimador de δ (y por ello el de ρ). sino a las inferencias que se le hacen (al parámetro). El contraste de la hipótesis nula de raíces unitarias de una regresión espuria no se refiere al valor del parámetro . su desviación estándar es mucho mayor que la de la t de Student y el coeficiente de curtosis indica una desviación sustancial en su forma respecto a la de la distribución teórica. Se entiende que se considere no válido contrastar la hipótesis ρ = 1 utilizando la t de Student o la F de Snedekor. El procedimiento de contraste debe ser empleado con un modelo que sea estacionario cuando se estima la hipótesis nula. Como la regresión incluye una serie no estacionaria. Una regresión de la variable del primer miembro respecto al regresor que aparece en el primer término del segundo y tercer miembro es. la estimación por MCO debe considerarse incorrecta. Como la variable dependiente es estacionaria. La distribución en el muestreo de δ no sigue una t de Student. La distribución probabilística de series de tiempocon tendencias estocásticas no ha sido obtenida matemáticamente como se obtuvieron en su día las distribucioens probabilísticas atemporales. Si Zt-1 no fuera estacionaria. . sino por simulación por Dickey y Fuller (DF). sin plantearse que se ha podido obtener mediante una regresión entre una serie estacionaria y otro no estacionaria. distribución atemporal. siendo extendiddas por McKinnon. Puede encontrarse una advertencia en un valor muy bajo del contraste de Durbin-Watson. El objeto de preocupación para los partidarios de la no estacionaridad es la inferencia estocástica. no hay peligro de significación espuria. Así. siendo una conclusión fundad en las simulaciones empíricas.

se habla del contraste aumento de Dickey Fuller (supuesto Vt ruido autocorrelacionado). Como se trata de una cuestión empírica. En el caso en que se incluye el tercero de los regresores. al que se añadiría un término independiente. Con el modelo Zt = + βt + ρZt-1 + Vt si ρ= 1 y β= 0. Si ρ < 1 la serie es estacionaria. Cuando Zt sea no estacionaria. el contraste se obtiene siguiendo el mismo procedimiento. El contraste Durbin-Watson no es suficiente. se aspira a discriminar si la tendencia es considerada determinística o estocástica. la elección de los elementos autorregresivos es de la máxima importancia. Puede comprobarse si la primera diferencia de Z es o no estacionaria: [ver ejemplo en pág 311 y ss] . Debería emplearse una batería de contrastes para asegurar que las series Vt son independientes con distribución idéntica. el modelo se reduciría a un proceso estocástico de camino aleatorio. es decir. y no se dice nada para ρ > 1.Lo expuesto asume que la tendencia es estocástica. se plantea contrastar su significativadad. se prescinde de la tendencia lineal: En la práctica. restando Zt-1 a ambos miembros: Una vez estimado δ. En ocasiones.

de existir. • Contrastes de cointegración Un primer tipo de contraste: se puede proceder a contrastar el orden de integración de cada serie por separado. La Cointegración se ocupa de relaciones entre variables económicas. a series con tendencias o raíces autorregresivas o explosivas. Se supone la ausencia de componentes determinísticos o. habrían sido eliminados previamente. se atenúan los movimientos a medio y largo plazo. siendo estimadas con regresiones aplicadas a series históricas. Los estimadores seguirán siendo consistentes y las discrepancias de la regresión son consideradas válidas para contrastar la hipótesis del mismo grado de integración. • La cointegración en el contexto de la inferencia estocástica El equilibrio se define en determinados escritos como un punto estacionario. Cointegración • • • • • Introducción Granger propone la Cointegración como un método para compatibilizar el problema económico de las relaciones a largo plazo y el estocástico formal de la inconsistencia. La Cointegración integraría la dinámica corto plazo con el equilibrio a largo plazo. La hipótesis nula ha sido colocada en un pedestal y sólo es rechazada cuando hay una evidencia. Las tendencias deberían ser proporcionales y cualesquiera de las raíces explosivas deberían ser idénticas en todas las series. Un segundo tipo se basa en el contraste de estacionaridad de las discrepancias de la regresión. siempre que tengan el mismo orden de integración. La noción de Cointegración puede generalizarse. Tampoco hay preocupación por la consistencia del estimador de δ. . en principio. o cointegración de las series históricas. lo que se atribuye a la reducida potencia de los contrastes. La solución propuesta por la Cointegración consiste en aplicar regresiones a series históricas en niveles.• Críticas al contraste de raíces unitarias Se resumen aquí las principales críticas: • • Suponer que a las series de tiempo les sea aplicable la inferencia estocástica atemporal Todos los contrastes de raíces unitarias suelen conducir a diagnósticos positivos de no estacionaridad. condicionada a la hipótesis del mismo orden de integración. La aplicación de una regresión clásica a series no estacionarias seguiría siendo válida formalmente. bajo el supuesto de Cointegración. Cochrane cuestiona de modo específico el tamaño del componente de camino aleatorio. y no tanto como un movimiento en torno a una recta paralela al eje de tiempos (senda hipotética). No se define con claridad el significado de una tendencia estocástica. Si la presencia de raíces unitarias favoreciera la estimación en diferencias.

consumo y renta) con una regresión simple entre series históricas. • Mecanismo de corrección de error Los modelos basados en la corrección de error participan del propósito de tratar de establecer una cierta relación entre la teoría económica. posibles cambios estructurales manifestados en la inestabilidad de los parámetros. Incurre en ser medida sin teoría.Sea el modelo: [ver ejemplos en pág 329 y ss] El análisis de la cointegración no se ocupa de cuestiones relativas a los valores de las constantes. Por otra parte. • • • La aportación fundamental de la cointegración se limita a ofrecer una solución formal a un problema estadístico. de las relaciones espurias. la multicolinealidad. y derivada de la propia aproximación estocástica: • La ausencia de cointegración no permite rechazar una hipótesis económica de equilibrio a largo plazo. Supone que cada serie ha sido generada por un mecanismo univariante sin contrapartida en la ciencia económica. asimismo formal. El acento puesto en la cointegración lleva a pasar por alto cuestiones como las variables omitidas. sólo evitando la pérdida de información que conlleva la diferenciación. y los desequilibrios a corto plazo observables en las series de tiempo. sino sólo de los aspectos relativos a la inferencia estocástica. Los errores de equilibrio son los desequilibrios que pueden existir a corto plazo. relativa a las relaciones a largo plazo. suponer que es posible estimar una relación estática entre variables económicas (por ejemplo. . Como aproximación empiricista. no explica cuál es el mecanismo económico que genera las series cointegradas. A pesar de ello. considerada a veces irrelevante. el planteamiento estocástico formal de la cointegración no proporciona una alternativa clara de cómo habría que proceder en el caso de que no existiera cointegración. Nada dice sobre la explicación económica que subyace en una serie integrada de orden uno. • Críticas a la cointegración Por una parte. o la posible heterocedasticidad.

de acuerdo al programa econométrico de Tinbergen. No tanto se pretende determinar los valores de las constantes como la contrastación empírica de las hipótesis. Las críticas de Guisan son trasladables a la cointegración debido a la falta de significado causal de muchas relaciones cointegradas.Se establece una correspondencia entre el principio de cointegración y la corrección del error. en consecuencia. no como un factor a integrar en el desarrollo estructural del modelo. dando por supuesto que se . • En la metodología de Hendry el acento se desplaza de la estimación a la especificación. entendida en términos atemporales. incluso en número mayor de los considerados necesarios. Relaciones de cointegración y de corrección de error [ver el ejemplo en la pág. • La modelización de lo general a lo específico: fundamentos metodológicos Hendry señala que la econometría tradicional se habría dedicado a estimar los componentes determinísticos. El procedimiento recomendado por Engle y Granger es estimar primero la regresión de cointegración. así como a interpretar la autocorrelación como un problema a resolver. para en una segunda etapa estimar la ecuación dinámica de ajuste. • • Aplicación econométrica: la estimación de la teoría de consumo respecto a la renta. utiliza el adjetivo general en el sentido de incluir a priori un número elevado de retardos. 341 y ss] • Modelización de lo general a lo específico • Introducción Hay dos críticas a la metodología econométrica: • Se pone en entredicho el modelo (hipótesis) las denominadas relaciones estructurales que. una variable explicativa más. El término de corrección de error pasa a ser interpretado como un regresor más y. Se cuestiona la inferencia estocástica. Una proporción del desequilibrio registrado en un período es corregido en el siguiente. utilizando como regresor las discrepancias de la regresión de cointegración. venían a sustituir a las teorías económicas racionales como punto de partida de la econometría. adoptando las ideas de cointegración y corrección de error. Los modelos econométricos deberían expresar hipótesis contrastables empíricamente. De la aproximación de la Cowles Commission critica la falta de atención prestada al modelo estadístico. Críticas: • • Incurre en el problema de medida sin teoría El tratamiento dado a conceptos como tendencia y equilibrio (como afirmar que dos series tienen tendencias similares o una tendencia común) parece insuficiente desde un punto de vista formal. La modelización de lo general a lo específico. Se propone proceder desde un planteamiento general a lo particular.

θ Θ) y un modelo muestral dado por y = (y1. Un modelo estadístico es la formulación probabilística del modelo estimable. no existiendo un valor fijo como nivel de significación. La generalidad concierne a los retardos.θ). El modelo estadístico se compone de un modelo probabilístico dado por Φ= (D(y. no corregir la autocorrelación. manteniendo la especificación inicial del modelo estimado. sino ensayar la especificación de un nuevo modelo. El diagnóstico sería. y2. Un modelo estimable es un modelo teórico que puede estimarse a la luz de los datos disponibles y su mecanismo generador. La estrategia de los general a lo específico adopta como punto de partida un modelo dinámico muy general. …. La presencia de autocorrelación implicaría una especificación incorrecta debida a la omisión de las variables retardadas xt-1 e yt-1. razonablemente constantes en el tiempo. yT) que expresa una muestra aleatoria seleccionada a partir de una distribución probabilística D(y T. la presencia de autocorrelación en el proceso temporal. con más retardos de los razonablemente necesarios. representado por las discrepancias de la regresión. introduciendo o eliminando regresores. surgirían problemas como el de desgaste de los datos.conoce cualitativamente el modelo estructural. no a la especificación de nuevas variables. Un modelo teórico es una formulación matemática de una hipótesis o teoría. En la interpretación alternativa de Hendry. La función de potencia de un contraste establece una correspondencia entre las probabilidades de rechazar la hipótesis nula cuando es falsa (en ordenadas) y los valores del estimador (en abscisas). La modelización según Hendry es la caracterización de las propiedades de los datos mediante relaciones paramétricas simples que puedan ser interpretadas a la luz de la teoría económica. y que explique las contribuciones de los modelos previamente existentes. subestimando los errores de muestreo de los estimadores. Si tras el análisis de los estadísticos habituales como los de la t de Student o F de Snedekor se modificase la especificación. Significa que las sucesivas especificaciones no serían independientes de la especificación inicial. indicaría que el modelo especificado no se correspondería con el mecanismo generador de datos. en consecuencia. No cabrían inferencias probabilísticas. Una función de potencia ideal sería aquella que registrara una probabilidad igual a uno para todos los valores del estimador. que surge de la reducción y transformación de los datos. Los niveles de confianza y de significación serían desconocidos. Un modelo empírico es un concepto derivado. θ . La potencia del contraste representa la probabilidad de no rechazar la hipótesis nula siendo falta. El mecanismo generador de datos es un proceso probabilístico que resume la información muestral.

Las hipótesis aleatorias concernientes al modelo estadístico están planteadas en términos de las variables observables. Se establecen una serie de etapas a lo largo del proceso de especificación como la factorización (marginalización). es la reparametrización. con lo que el modelo estimable sería diferente del modelo teórico. subsiste explicar cuál hubiera sido la hipótesis inconsistente. a diferencia del enfoque tradicional que las predica de la perturbación aleatoria inobservable. no añadiendo una variable adicional. al mecanismo generador de los datos. Los valores elevados del R2 pueden deberse a que las series de datos muestren tendencias similares. instrumetnado mediante la estimación de regresiones separadas. habrían de aplicarse contrastes de especificación. El modelo de muestras independientes parecería cuestionable a la vista de la trayectoria de los datos. Previamente a los contrastes de significación. susceptibles de ser aproximadas mediante retardos. La especificación de modelos estadísticos se basa en variables aleatorias observables que generan los datos observados y no en atribuir un error al modelo teórico. La no coincidencia de los parámetros estadísticos con los teóricos exige una reformulación del modelo estadístico. Si se estima una ecuación dinámica. La contrastación de teorías económicas se subordina al mecanismo generador de datos. antes que a la falta de retardos. para períodos diferentes. Un cambio estructural es interpretado como un caso particular de dependencia temporal. el truncamiento del número de retardos y la linealización. Los principales críticas a la modelización tradicional por parte de los defensores de la modelización de los general a lo específico son: • • Los datos observados no corresponderían a las variables teórica. La predictividad con los modelos tradicionales suele ser insatisfactoria. es un supuesto • • • . Un modelo econométrico empírico constituye una reformulación del modelo estadístico. La afirmación de que las series observadas de tiempo son el resultado de un proceso de desequilibrio. • • • La crítica de la propia aproximación de la LSE permite apuntar los siguientes aspectos: Supuesto que exista una especificación correcta de un modelo dado. No parece razonable que se reconozca. la inadecuación basada en introducir retardos podría deberse a la omisión de otras variables.0 ) Modelo estadístico. el condicionamiento secuencial y simultáneo. sino considerando intrínsecamente aleatorias las variables. existencia propia separada del comportamiento económico. La imposición de restricciones sobre los parámetros lo transformaría en un modelo econométrico empírico. Se propone introducir la aleatoriedad en el modelo.

de movimiento. Cuando las hipótesis se plantean en orden de restrictividad creciente. uno de equilibrio y otro de desequilibrio. Es cuestionable la pretendida generalidad del modelo inicial. La dificultad para poder disponer de variables exógenas explica recurrir a especificar retardos en las variables seleccionadas. El empleo de regresores retardados da lugar a que se hable de modelos dinámicos (de ecuaciones en diferencias). se habla de modelos autorregresivos. estocásticas y simultáneas». Al asociar la idea de estático con la de ajuste instantáneo. Son dos formas diferentes de contemplar los fenómenos. Se contrasta la constancia de los parámetros en el tiempo. pero advierte contra una práctica abusiva de los contrastes mediante la ordenación del proceso de investigación. Las especificaciones tienen base empírica. Aspectos positivos: • • No está libre del desgaste de datos.introducido a priori. Las series históricas se denominan evolutivas. Si los regresores fuesen variables exógenas. la teoría económica considera diferentes situaciones: estática (sin tiempo). Que ciertas hipótesis se consideren consistentes con los resultados empíricos no evita que la formulación de lo general a lo específico no sea medida sin teoría. Dinámico se contrapone a estático. sobre todo el número de retardos. • Si se aceptase la metodología falsacionista. Se establecen tan a priori como a posteriori. estática comparativa. En términos estáticos. sin ocuparse de cuáles sean tales valores de los paráemtros cuya constancia preocupa. • • Dentro de una línea de elevado formalismo no se plantea si los valores de los parámetros estimados son o no válidos. limitándose la evidencia empírica a verificar la hipótesis. estados estacionarios (movimientos en el tiempo sin tendencias). La principal diferencia de los modelos de series de tiempo con los planteamientos tradicionales deriva de que en los modelos con variables retardadas puede no postularse en forma explícita la hipótesis de estacionaridad de las series históricas. en términos dinámicos. la aproxiamción de la LSE habría de calificarse como verificacionista. se suele hablar de variación. de manera que una relación bivariante se transforma en multivariante una vez que se consideran diferentes retardos de la misma variable. • Un modelo dinámico de regresión lineal aplicado a la demanda de dinero en el RU [ver el ejemplo en pág 357 y ss] • Modelos econométricos con variables retardadas • Consideraciones generales Punto de partida: «los datos económicos son generados por sistemas de relaciones económicas que son dinámicas. las . se puede conocer el nivel de significación de cada contraste. equilibrio intertemporal o estados dinámicos (movimientos con o sin tendencias o ciclos). Dentro del esquema de Neyman Pearson habría de verse como una hipótesis compuesta. que debería incluir dos modelo.

históricas sin tendencias. o diferentes factores de naturaleza tecnológica o institucional. se incumpliría la hipótesis de trabajo de la naturaleza fija de los regresores X. los estimadores MCO serían sesgados en muestras finitas. • Si se asume la hipótesis de insesgadez [E(V x. los estimadores MCO serían sesgados e inconsistentes. como caso particular. estacionarias. La esperanza del producto de dos variables aleatorias independientes es igual al producto de las . se invocan razones como la persistencia de hábitos. cuya aleatoriedad determinaba la variable endógena Y. Se puede justificar la introducción de retardos. Se define un modelo como estático si se considera un solo instante. Dicho muestreo se convertía en aleatorio con la introducción axiomática de una distribución de probabilidades para el proceso V. El concepto de equilibrio puede ser considerado tanto en forma estática como dinámica.Vt) = 0] los estimadores MCO poseerían carácter MV. se demuestra la insesgadez del vector de estimadores MCO. si se considerase en diferentes momentos del tiempo. se considera como modelo dinámico aquel que incluye variables retardadas entre los regresores. Con carácter general: • • Si las X son estocásticas e independientes de las perturbaciones aleatorias. Si se adopta el supuesto de independencia. pero consistentes. No todos los movimientos (fenómenos considerados en forma dinámica) son estacionarios. así como la esperanza nula de V. dinámico. Dentro de los movimientos estacionarios cabe considerar. o movimientos susceptibles de repetición temporal. • Modelos con variables endógenas retardadas • Introducción: modelos econométricos con regresores estocásticos En la teoría formal de la regresión simple y múltiple se suponía que los regresores X eran fijos para las diferentes muestras posibles. La persistencia de hábitos quiere decir que el comportamiento de los agentes económicos en el momento presente estaría determinado por patrones de comportamiento anteriores. Si los regresores estocásticos estuvieran correlacionados contemporáneamente con las perturbaciones. Se trata de la estimación de modelos en los que los regresores ya no verifican la hipótesis de que los regresores sean variables fijas. mantenida en los modelos estructurales. El estimado MCO de B: Si entre los regresores hubiera valores retardados. Si los regresores estocásticos estuvieran incorrelacionados contemporáneamente con las perturbaciones aleatorias. Para ello. los estimadores MCO conservarían las propiedades de insesgadez y consistencia. En el planteamiento habitual en econometría. los movimientos cíclicos. Este planteamiento es atemporal. la existencia de expectativas.

que junto a los valores corrientes (en t) incorpora valores retardados (en t-h). El supuesto de independencia entre los regresores y las perturbaciones aleatorias puede resultar demasiado restrictivo. Distribuido indica el supuesto de que el efecto de los regresores sobre la variable endógena se distribuiría a lo largo del tiempo en la forma específica en los desfases. Se introduce la idea de retardos como consecuencia de establecer desfases entre movimientos. Los estimadores MCO no verificarían tampoco la propiedad ELIO. . Probar la consistencia requiere aceptar la hipótesis de convergencia: • Modelos con variables endógenas retardadas Se supone que los regresores retardados son un caso particular de regresores estocástico. Sea el modelo El incumplimiento de la hipótesis de independencia significa que los estimadores MCO ya no son máximo verosímiles.…. En su lugar. E(B) β. sino que tomaría el valor: F(y0. La función de densidad conjunta de los valores de la variable endógena no sería el producto de las funciones de densidad marginales condicionadas. los resultados anteriores serían aplicables a estos modelos.yn) = f(y0)f(y1/y0)…f(yn/yn-1) Se establece la propiedad de consistencia: • Modelos con retardos distribuidos Los modelos con retardos distribuidos consideran una regresión entre una variable endógena en función de una exógena. Si no se verificase la independencia entre X y V. Este mismo resultado se aplicaría al estimador de la varianza de las perturbaciones. no se cumpliría la insesgadez. En un modelo de regresión lineal simple. no eficientes. así como a la expresión σ*2(X’X)-1. es posible postular que Yt-1 es independiente de Vt.esperanzas. la varianza de b vendría dada por Los estimadores MCO de modelos econométricos con regresores estocásticos siguen siendo consistentes. es decir. σ*2.y1. El vector de coeficientes MCO ya no es una función lineal de Y. Si la variable endógena retardada puede ser incluida entre los regresores.

entre ciclos. midiendo en abscisas los desfases en el tiempo. recibiría una reinterpretación en el dominio temporal. a priori. adoptan una forma de la distribución probabilística que no se ajusta a una normal. por esencia atemporal.adoptando el término histéresis de la física. no autocorrelación y normalidad. estimar un número infinito de retardos (se consideran sólo k). Analíticamente. así como con el acelerador flexible y con la persistencia de hábitos. Del modelo estadístico cabe señalar dos inconvenientes: • No hay un criterio objetivo para determinar el número de retardos. Así: Se pueden representar los coeficientes βi mediante un histograma. siendo X contemplada en diferentes momentos del tiempo. y en ordenadas los valores de los coeficientes. La causalidad lógica. Analíticamente. Arroja dudas sobre la posibilidad de tratar mediante la inferencia basada en la distribución normal estadísticos como la correlación. Xt-q. El origen del problema metodológico se encuentra en la aplicación de la correlación. El tópico de modelos con retardos distribuidos aparece en econometría asociado a la hipótesis de Koyck y a los desarrollos metodológicos de Nerlove y Cagan. Pueden estimarse en principio por MCO. el modelo económico traduce en lenguaje matemático la hipótesis económica de una variable endógena ajustada a varios regresores exógenos. asumiendo la existencia de momentos sucesivos del tiempo. Cuando se calcula la correlación con series históricas libres de tendencia. . La naturaleza estocástica de la perturbación aleatoria implica adoptar los supuestos de esperanza nula.…Xt-k. observando relación con los multiplicadores dinámicos. se descubre que estadísticos como los coeficientes de correlación. un modelo econométrico con retardos distribuidos puede expresarse como: Yt = f(Xt. varianza constante.Ut) No sería posible.

X. • Ilustración empírica de una estimación de modelos con retardos distribuidos [ver ejemplo en pág 387 y ss] • Estimación de un modelo con retardos distribuidos Para el modelo estadístico antes indicado.• Es la estimación es previsible que los regresores estén correlacionados. Se adopta algún tipo de restricciones que reduzcan el número de parámetros a estimar. si k fuera grande. incurriendo en el problema de la multicolinealidad. • Hipótesis de Koyck Parte del modelo con retardos distribuidos: . Para buscar solución: • Se considera que los parámetros están afectados por un sistema de ponderaciones que les asigna valores decrecientes. o hipótesis de aprendizaje. Un modelo de expectativas adaptables. Asume que el valor de Y en t estaría determinado por el valor esperado de una variable exógena. • En la primera alternativa se encuadra el procedimiento de retardos geométricos. para descender. ya que no se dispondría de un número suficiente de observaciones. Cabe imaginar que decrezcan con los diferentes desfases. Aproximación de Almon • Caso particular. la estimación podría ser inviable. o que crezcan primero. en un periodo t+1. según el cual los coeficientes decrecerían de acuerdo a una progresión geométrica.

La hipótesis de Koyck tendría a priori la ventaja de reducir la multicolinealidad. atemporal. La terminología es inapropiada porque causalidad es una relación lógica. Si se considera que el objeto de la economía cuantitativa es determinar los valores de las posibles constantes económicas contenidas en las relaciones económicas causales. La causalidad según Granger puede interpretarse como predictividad. hasta negar la existencia de cualquier tipo de causación. Las teorías varían desde el extremo de que todo causa todo. dando lugar a estimadores MCO sesgagos. Su aceptación o rechazo se debería alcanzar deductivamente. El concepto de causalidad es filosófico. a la autocorrelación en el nuevo proceso V. éstas se establecen con anterioridad a la medición. (2) no existe la causación simultánea y (3) el futuro no puede causar el pasado.La adopción de la hipótesis de Koyck proporcionaría la ventaja de sustituir los k+2 parámetros por sólo 3: . la causalidad tiene un significado próximo a predecir. si bien es más correcto significatividad estocástica. Características: (1) la causación instantánea no existe. • Ilustración empírica de estimación de hipótesis de Koyck [ver ejemplo en pag 398 y ss] • El contraste de causalidad en el sentido de Granger El problema de la causalidad lo plantea Granger dentro de las relaciones econométricas con variables retardadas (dentro de las relaciones económicas dinámicas). según un MA(1). y el planteamiento de Granger es temporal. En Econometría. e incurriría en los inconvenientes relativos a la inferencia estocástica al incluir un regresor estocástico. El multiplicador de impacto total viene dado por: Representando la variación en el valor de equilibrio de la variable Y ante una variación marginal de X. el inconveniente es la naturaleza de autocorrelación del parámetro β. . y además. β y λ.

Granger admite que la dirección de la causalidad pueda tener lugar en ambas direcciones (causalidad bilateral). Se predeciría un efecto. se rechaza la hipótesis nula.Las consideracioens expuestas son trasladables a la idea de predictividad. si los coeficientes ALFA fuesen significativamente distintos de cero. CONTRASTE DE GRANGER El contraste de Granger implica estimar las regresiones indicadas. El contraste. mientras los LAMBDA no. basado en la F. basada en la F. cuando ninguno es significativo. donde sólo se consideran regresores retardados. lo cual excluye la causalidad lógica. Existiría. siéndolo los LAMBDA. Se procede a construir la regresión irrestricta y la restringida. La prelación temporal de X sobre Y debiera contribuir a mejorar la predicción de Y. • Ilustración empírica del contraste de causalidad debido a Granger [ver ejemplo en pág 410 y ss] . Causalidad unidireccional de Y a X si los ALFA no son significativos. no simultáneos. En estas condiciones. en terminología de Granger: • • • • Causalidad unidireccional de X a Y. el contraste implica el propósito de descubrir una posible causalidad (significatividad) a partir de la inferencia estocástica relativa a los parámetros de regresiones. asume como hipótesis nula que SUMA ALFA = 0 (no causalidad de X sobre Y). La regla de decisión es la habitual: si el valor empírico de F > F(teórico). También cabe considerar la significatividad conjunta. cuando resulten significativos ambos. La significatividad se evaluaría a partir de los estadísticos t de Student. lo que quiere decir que se admite que X estaría causando Y en el sentido de Granger de predictividad. Causalidad bilateral. una vez conocido el movimiento o variación de la causa. El concepto de causalidad de Granger es una relación basada en la predictividad. Ausencia de causalidad.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->