Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis Series Tiempo
Analisis Series Tiempo
Resumen
En el presenta artculo trataremos de analizar la riqueza de las series de
tiempo, que en los ltimos aos han generado la necesidad de su uso
continuo, frecuentemente para la prediccin de las variables y de esta
forma poder advertir el comportamiento en su entorno donde actan,
para lo cual se hace uso de la econometra.
Pero muchas veces se comenten errores en los pronsticos, por no
corregir los problemas que usualmente ostentan las series de tiempo.
En este artculo pretendemos abordar los problemas ms usuales de
dichas series como son: La no estacionalidad, la presencia de raz
unitaria y cuando es significativa la autocorrelacin muestral (PAC),
seguidamente haremos una descripcin de la seria de tiempo (AR(p),
MA(q), ARMA(p,q) ARIMA(p,d,q)) y para pasar a abordar los problemas
ms cotidianos de los modelos en la econometra, como son: La no
normalidad de los residuo, la no estabilidad de los parmetros y la
presencia de un coeficiente de desigualdad de Theil cercano a uno, que
nos genera prediccin erradas.
Tambin debo mencionar que unos de los objetivos principales es
acercar al lector al tratamiento de series de tiempo usando el programa
informtico EViews.
El autor agradecera enviar todos los errores u horrores que encuentres, as como sugerencias para
trabajos futuros a: econobitacora@gmail.com; nakatabox@hotmail.com
Abstract
Introduccin
na serie de tiempo es aquel conjunto de observaciones sobre una variable,
que generalmente es espaciada en el tiempo.
Un ejemplo son las observaciones anuales del PBI de un pas, las ventas
mensuales de una compaa, el ndice de Precios al Consumidor mensual, etc. Una
serie tambin puede mostrar irregularidad esta irregularidad espaciada en el tiempo,
por lo que los datos son de corte transversal.
El lector se preguntar Por qu usar series de tiempo en Economa?, como nuestro
carcter en la economa es explicar la evolucin, el comportamiento y el vaticinio de
valores futuros, por estas razones es crucial para el anlisis el uso de series de
tiempo.
Tanto como las empresas y los agentes econmicos, se trata de predecir el futuro
comportamiento, ms en la economa que debe estar un paso adelante en los
acontecimiento venideros, para de esta forma tomar las decisiones adecuadas tanto
en poltica monetaria como fiscal.
TIPOS DE SERIE
Estacionaria es una condicin (dbil) que requiere, que tanto la media y la varianza de
los datos analizados sea constantes en el tiempo. Por lo que es importante efectuar
un anlisis de estacionalidad de la serie por analizar. Adelantndonos a las siguientes
lneas diremos que si la serie no es estacionaria (como la gran mayora en las
variables macroeconmicas) es necesario efectuar la diferenciacin (Yt - Yt-1) de dicha
serie tantas veces sea necesario para que sea estacionaria. Como analizaremos ms
adelante solo se llega esta la segunda diferencia.
Tambin hay que mencionar que una muestra adecuada es de por lo menos
cuarenta datos (T40), por que los procesos autorregresivo que se analizan es texto
documento pierden grados de libertad cuando se autorregresiona la variable objetivo.
ESTACIONALIDAD
La estacionalidad es importante cuando tratamos de explicar un comportamiento de
una variable endgena, por que una parte de la fluctuaciones que manifiestas las
variables se debe a factores estacinales como por ejemplo: si analizamos el PBI
mensual del PBI de cualquier pas veremos se incrementa en gran medida en le mes
de diciembre, da de la madre, da del padre, fiestas patrias o otras fechas. Por lo que
es necesario estacionalizar la serie para que aquellos perodos que tiene gran
fluctuacin.
IDENTIFICACIN DE LA ESTACIONALIDAD
Una de las formas de identificar la estacionalidad es mediante el grfico de barras,
lneas apiladas, lneas separadas y correlograma que a continuacin se pasa a
explicar mediante EViews.
k =
k
0
1 < k < 1
Donde:
k : Representa el nmero de rezagos.
k : Representa la covarianza al rezago k.
0 : Representa la varianza.
En la practica solo se tiene muestras por lo que solo se puede calcular la funcin de
autocorrelacin muestral ( k ).
T
k =
(Y Y )(Y
t+k
t =1
Y )/n
(Y Y )
t =1
/n
Donde:
n : Representa el tamao de a muestra.
Tambin en la practica a demostrado que el nmero de rezagos van solo hasta la
tercera parte de la muestra.
Donde:
et + k : El termino error que representa el efecto sobre Yt + k .
3) Correlograma
Un correlograma esta formado por dos columna una de ellas esta referida a la
autocorrelacin simple y la otra a la autocorrelacin parcial. El nmero de rezagos
que recomiendan muchos autores se debe considera por lo menos 24 retardos si la
serie analizada es mensual ,12 retados si es bimensual, 8 retardos sin la serie es
trimestral, etc.1
AJUSTE ESTACIONAL
EViews tiene incorporado ratios y factores estacinales, como pasaremos a explicar.
Generate by Equation: Aun que este no es un filtro de estacionalidad, diremos
que esta opcin pide una serie para usar en la actualizacin de las series
seleccionadas.
Seasonal Adjustment: Esta opcin cera una serie de ajuste estacional. Usa
cuatro mtodos que son: La razn con el promedio mvil y diferencia del promedio
mvil, el mtodo multiplicativo X-11, el mtodo aditivo X-11 y el Census X-12.
Exponential Smoothing (Suavizacin Exponencial): Este Filtro crea una seria
que ha sido suavizada. En EViews se puede encontrar formas simple, dobles y
Holt Winters de suavizacin exponencial.
Ratio de Promedio Mvil
El ratio de promedio mvil se calcula sea anual (12 meses), Trimestral (3 meses) o
semestral (6 meses).
0.5Yt + 2 + Yt +1 + Yt + Yt 1 + 0.5Yt 2
Yt
.....
Trimestral
4
0.5Yt + 2 + Yt + 0.5Yt 1
Semestral
Se puede deducir que el nmero de rezagos es el nmero de veces al ao a analizar por dos
(rezagos = 2*m). Donde m representa el nmero de perodos al ao (m=4 si es trimestral, m=12 si es
mensual, m=12 si es bimestral, ect).
Yt
Xt
Para el calculo del ndice de estacionalidad ( im ), se calcula entre el promedio del ratio
mvil para meses, trimestre o semestres.
12
ST
4
im
Mensual
i1 .i 2 K i12
im
Trimestral
i1 .i 2 .i 3 .i 4
in
Semestral
i1 .i 2
Este mtodo ha cobrado mucha popularidad en la macroeconoma en los ltimos aos, ya que
permite ajustar una curva suave al conjunto de datos.
El procedimiento consiste de manera resumida en desestacionalizar las series, calcular su logaritmo,
aplicar el filtro de Holdrick-Prescott y obtener el componente cclico (es decir, la diferencia entre la
serie observada y su .tendencia de largo plazo.). A esta nueva serie le podemos calcular el desvo
estndar, la correlacin contempornea y rezagada con respecto al producto, etc. As, una variable
decimos que es procclica si su componente cclica esta positivamente correlacionada con la
componente cclica del producto. En el caso contrario decimos que es contracclica. Si dicha
correlacin es cero, decimos que la variable es acclica (Hodrick-Prescott 1980).
Una forma grfica de identificar la estacionalidad es visualizar los picos repetidos que presenta en el
tiempo la serie.
4
Hay que mencionar que el ciclo es un componente que se puede moldear o mejor dicho es
modelable.
Y3 , Y 2 , Y1 ,K, Y2 , Y3 , Y4
Donde cada Yt configura un proceso estocstico que tendr su funcin de distribucin
con junta, su funcin de distribucin marginal y su con sus correspondiente momento.
Para caracterizar un proceso estocstico solo basta especificar la media y la varianza,
para cada Yt y la covarianza para variables referidas al paso del tiempo (t).
E [Yt ] = t
Var (Yt ) = E [Yt t ] = t2
2
yt = t
E [Yt ] = E [Yt + m ]
Cov[Yt , Ys ] = Cov[Yt + m , Yt + s ]
Este fenmeno estacionario ocurre si sus variables pueden estar relacionadas linealmente entre si,
pero si esta relacin entre las dos variables slo depende de la distancia temporal de k transcurrida
entre las variables.
Yt = Yt 1 + t
Donde representa un trmino de error estocstico que presenta los supuestos
clsicos, esto quiere decir que tiene una media cero, varianza constante y no esta
correlacionada (esto quiere decir que el termino error en ruido blanco).
Como el coeficiente de Yt 1 es 1, nace la raz unitaria que presenta un escenario de
no estacionalidad. En la Econometra se denomina a una serie que presenta una raz
unitaria como un camino o paseo aleatorio Random Walks.
Algunos autores en los que yo me incluyo consideran que si el primer coeficiente de Autocorrelacin
parcial es mayor o igual a 0.9 nos da indicios claro de no estacionalidad de la serie.
7
Una diferencia entre la prueba de Dickey Fuller y la prueba de Phillips Perron es que esta ltima
realiza una correccin no paramtrica, por la presencia de la autocorrelacin mayor a uno de la serie.
8
En estos aos se viene aplicando cada vez con ms frecuenta la Prueba de Ng Perron solo
describiremos el marco terico pero no se har la aplicacin en EViews 7, pero que es opcional para
cualquier trabajo de series de tiempo, pero una de las ms aplicadas ltimamente que tambin es
opcional es la prueba de Eliott Rothenberg y Stock Point Optimal que se desarrollar en el presente
trabajo.
Yt = Yt 1 + t K ( I )
Donde = 1 , entonces la variables estocstica Yt presentara una raz unitaria, por no
que ser necesario diferenciarla una vez. Para esto restaremos Yt 1 ha ambos
miembros de la ecuacin anterior:
Yt Yt 1 = Yt 1 Yt 1 + t
Si factorizamos Yt 1 en el lado derecho de la ecuacin y definimos Yt = Yt Yt 1 ,
como el operado de primera diferencia:
Yt = ( 1)Yt 1 + t
Yt = Yt 1 + t
Ahora establecemos la hiptesis nula que sera = 0 , donde la serie estocstica Yt
presenta una raz unitaria.
Despus se estima la ecuacin (I), se divide el entre el error estndar apara
calcular el estadstico (tau) de Dickey Fuller, luego se consulta en la tabla de
Dickey Fuller para ver si la probabilidad de rechazar la hiptesis nula = 1 (la no
presencia de raz unitaria en la serie).
Si la serie no es estacional hay que diferenciarla que regularmente es hasta dos
veces. Si la serie es diferenciada una vez y esta es estacional entonces se dice que la
serie es integrada de orden uno y se representa por I(1), de igual manera si la serie
original (que representa un Random Walks) es diferenciada dos vez y esta es
estacionaria se dice que es integrada de orden dos I(2).
LA PRUEBA DE DICKEY FULLER GLS (ERS)
Despus de la publicacin de Nelson y Plosser (1982), que trata sobre las
propiedades dinmicas de determinadas series temporales macroeconmicas y
financieras, se comienza a desarrollar innumerables publicaciones como: El enfoque
clsico considera que los shocks corrientes como efectos temporales, en las series
de tiempo y no inciden en el comportamiento a largo plazo de las mismas.
Nelson y Plosser (1982) cambian este punto de vista, al argumentar que si se utilizan
las tcnicas estadsticas desarrolladas por Dickey y Fuller (1979, 1981) (DF), se
puede concluir que los shocks corrientes tienen efectos en el comportamiento a largo
plazo de la mayor parte de las series macroeconmicas y financieras.9
10
11
si
si
t =1
t >1
d ( y t / a) = d ( xt / a) (a ) + t
Donde xt contiene una constante, una constante y tendencia, y permiti (a) sea las
estimaciones de OLS (MCO) de esta regresin.
Todos que nosotros necesitamos ahora son un valor para a. ERS recomiendan el
uso de a = a , dnde:
10
Hay que mencionar que en comparacin con DF y ADF esta prueba es la ms potente que las dos
anteriores.
12
1 7 / T
a =
1 13.5 / T
si
si
xt = {1}
xt = {1, t}
Nosotros definimos los GLS de datos de tendencias, ahora y td mientras usando las
estimaciones asociadas con el a :
y td y t x t(a )
Entonces la prueba de DFGLS involucra estimando el ADF normal pruebe la
ecuacin, y t = y t 1 + x t + 1 y t 1 + 2 y t 2 + K + p y t p + t , despus de sustituir
el y td dentencial de GLS para el original y t :
y td = y td1 + 1 y td1 + K + p y td p + t
Yt = + 1Yt 1 + 2 Yt 2 + K + p Yt p + t
Cuando se extrae el trmino de p Yt p +1 nos da:
p
Yt = + Yt 1 + i Yt i +1 + t K ( II )
i=2
Donde:
p
= 1 i
i =1
i = j
j =1
11
He aqu el nombre de de Dickey Fuller Aumentado, por que a los autores iniciales se incorporaron
Said, Phillips y Perron.
13
Yt = Yt 1 + i Yt i +1 + t
i =2
Yt = + Yt 1 + i Yt i +1 + t
i=2
Yt = + Yt 1 + i Yt i +1 + .t + t
i =2
Una recomendacin es utilizar el modelo General que incluye el intercepto y la tendencia, para no
cometer el error de no rechazar la hiptesis nula (presencia de una raz unitaria en la serie), cuando
ella realmente no existe una raz unitaria. Por lo que se estara cometiendo el Error tipo II, por esto al
realizar el test se selecciona el intercepto y la tendencia.
Tambin es importante evaluar la significancia individual de (Drift) y (coeficiente del primer rezago)
para establecer si es valido la inclusin de estos dos trminos en la ecuacin
14
Yt = + Yt 1 + .t + t
Pero la diferencia radica que la prueba ADF, no existe termino de diferencia
retardada, adems PP utilizan mtodos estadstico no paramtricos para evitar la
correlacin serial en los trminos del error, sin aadir trminos de diferencia rezagada
en la ecuacin(esta es la principal diferencia).
Segn Perron (1989), si se prescindiera de aquellos datos que representan un
comportamiento anmalo en la evolucin de la serie, a travs de la inclusin de
variables dummy, aquella presentara un comportamiento estacionario. As,
Perron (1989) propone una modificacin del test de DF que permite, bajo la
hiptesis nula
(H0) de raz unitaria, la hiptesis alternativa (H1) de
estacionariedad alrededor de una funcin de la tendencia determinista que
presenta un cambio en su intercepto en 1929 (un crash) y en su pendiente en
1973 (una disminucin en su crecimiento).13
Phillips - Perron parte de la estimacin por Mnimos Cuadrados Ordinarios y luego el
t-estadstico del coeficiente es corregido.
H0: La trayectoria de la raz unitaria con tendencia en la serie.
H1: Estacionalidad con tendencia de la serie.
Si el t-student asociado al coeficiente de Yt-1 es mayor en valor absoluto al valor
crtico de MacKinnon, entonces se rechaza la hiptesis nula de la existencia de una
raz unitaria con tendencia en la serie.
Primera diferencia de la serie
H0: PBI presenta una raz unitaria con tendencia (PBI no es estacionaria)
H1: PBI no presenta una raz unitaria (PBI es estacionaria)
13
15
yt = xt + u t
La estadstica de LM es ser definida como:
t S (t ) 2
LM =
T2
f0
S (t ) =
u
r =1
16
PT =
k =
(y
t=2
d
t 1
)2
Si los valores de Ng Perron son menores en valor absoluto a los valores crticos al
1%, 5% y 10% de significancia. Se dice que la serie no presenta raz unitaria.
17
y t = + 1 y t 1 + 2 yt 2 + K + p yt p + t
Utilizando el operador en rezagos ( y t s = Ls Yt ) en la ecuacin:
y t = + 1 Ly t + 2 L2 y t + K + p L p y t + t y t 1 Ly t 2 L2 y t K p L p y t = + t
Reemplazando: p ( Ls ) = y t 1 Ly t 2 L2 y t K p L p y t tenemos:
p ( Ls ) y t = + t K ( I )
La ecuacin anterior ser siempre invertible y la condicin de estacionalidad ser, que
las races unitarias de p ( Ls ) = 0 caigan fuera del crculo unitario.
(1 1 L 2 L2 K p L p ) y t =
(1 1 L 2 L2 K p L p ) y t = 0
Li > 1 Donde todas las races deben estar fuera del crculo unitario.
E ( y t ) = E ( ) + 1 E ( y t s ) + 2 E ( y t 2 s ) + K + p E ( y t ps ) + E ( t )
18
E ( y t ) = + 1 E ( y t s ) + 2 E ( y t 2 s ) + K + p E ( y t ps ) + 0
= + 1 + 2 + K + p E . = E ( y t ) =
1 1 2 K p
Ecuaciones en Diferencia
y t = + 1 y t s + 2 y t 2 s + K + p y t ps
y t 1 y t s 2 y t 2 s K p yt ps = 0
r p 1 r p 1 2 r p 2 K p = 0
ri < 1
crculo unitario.
Pero si las races son imaginarias, entonces el modulo
tienen que ser menor que uno: r = .i
i = 1
2 + 2 <1
Debemos decir que el modelo AR(p) puede ser escrito tambin de forma de
desviaciones con respecto a la media.
y t = 1 y t s + 2 y t 2 s + 3 y t 3s + K + p y t ps + t
Donde:
y t js = y t js
Para j = 0,1,2, K , p
p ( Ls ) y t = + t
Podemos pasar tambin de un AR( p) a un MA() . Por lo que para cualquier
proceso autorregresivo estacionario, sea de cualquier orden que sea, existe un
proceso de media mvil de orden infinito equivalente.
y t = + 1 y t 1 + t
Reemplazando el operador de rezagos y agrupando tenemos:
yt =
1
t
+
=
1 1 L
1 1 L 1 1 L
Si || < 1
19
1
= 0 + 1 + 2 + 3 + K
1
yt =
+ t [(1 L) 0 + (1 L) 1 + (1 L) 2 + K]
1 1 L
yt =
+ [ t + (1 ) 1 t 1 + (1 ) 2 t 2 + K]
1 1 L
yt =
1 1
+ 1i . t 1
i=0
La ecuacin anterior nos expresa el Teorema de Wold, que nos dice: Toda serie
estacionaria puede descomponerse en una parte determinstica y una parte
estocstica.
Efecto Impulso - Respuesta14
y t
= 1
t
y t
= 1
1
t
y t
= 2
Impulso Respuesta
t 2
y t
= 3
t 3
M
Modelo AR(1)
Este modelo AR(1) esta definido como:
y t = + 1 y t 1 + t K ( II )
La ecuacin nos dice que el valor de la variable en tiempo t es 1 veces el valor en
tiempo t-1, ms el valor de la constante y ms un componente aleatorio de ruido
blanco.
Reemplazando el operador de rezagos:
(1 1 L) y t = (1 1 L) y t = 0
Es estacionaria e invertible
14
20
> 1 1 < 1
1 1
La Varianza es:
2
0 =
1 12
Los Correlogramas del proceso AR(1):
1 = E [( y t t ).( y t 1 t )]
2 = E [( y t t ).( y t 2 t )]
j =
j
0
1 = E [ y t . y t 1 ] = E [(1 y t 1 + t ) y t 1 ]
1 = E [(1 y t 1 . y t 1 + t y t 1 )]
1 = 1 E ( y 2 ) + E ( t ) E ( y t 1 )
t 1
1 = 1 0 + 0.E ( y t 1 )
1 = 1 0 Generalizando el proceso n = 1n 0
Reemplazando en AC
1 =
1 0
= 1 1 = 1
0
j =0
j = 2,3,...
Dado que y t depende nicamente de su primer rezago, ningn otro sera significativo
Generalizando el proceso anterior obtenemos:
La funcin de Autocorrelacin Parcial (PAC)
1 = 1
0
ij =
( significativo)
j > 1
21
Modelo AR(2)
Es el modelo cuyo comportamiento se define a travs de dos valores pasados o
rezagados.
y t = + 1 y t 1 + 2 y t 2 + t K ( III )
Dicho proceso ser estacionario si:
1 + 2 < 1
2 1 < 1
2 1 < 1
E ( y t ) = + 1 E ( y t 1 ) + 2 E ( y t 2 ) + E ( t )
De la estacionalidad dbil sabemos: E ( y t ) = E ( y t 1 ) = E ( y t 2 ) =
= + 1 + 2 + 0
1 1 2
0 = 12 0 + 22 0 + 2
0 =
2
1 12 22
22
1 =
1
1 2
j = 1 j 1 + 2 j 2
j > 1
Esta funcin presenta un decrecimiento rpido de tipo geomtrico puro, con alteracin
de signos, sinusoidal o una mezcla de varios tipos.
La Funcin de Autocorrelacin Parcial (PAC):
1
1 2
2 = 2
3 = 0
M
Generalizando tenemos j = 0
j > 2
Esto nos quiere decir que la funcin de autocorrelacin parcial se anula para valores
superiores a p.
1 =
yt = + t 1 t 1 2 t 2 3 t 3 K q t q
Utilizando los operadores en rezagos, podemos describir el proceso MA(q) como:
yt = ( L) t
Donde:
t : Es un proceso ruido blanco
( L) : 1 + 1 L + 2 L2 + K q Lq
Hay que decir que todos los proceso MA(q) son estacionarios,
independientemente del valor que toma i , pero no todo proceso MA(q) son
invertible esto es por que puede transformarse en un proceso autorregresivo.
Al igual que los modelos AR la condicin de invertibilidad esta relacionada con el valor
de las races del polinomio de rezagos ( L) . Por lo que el modelo MA solamente
ser invertible si las races del modelo caen fuera del crculo unitario.
t =
yt
yt
=
( L) (1 r1L)(1 r2 L)K(1 rq L)
23
E ( yt ) = E ( ) + E ( t ) 1 E ( t 1 ) 2 E ( t 2 ) 3 E ( t 3 )K q E ( t q )
E ( yt ) = + 0 1 .0 2 .0 3 .0K q .0
E ( yt ) =
Aplicando la varianza (segundo momento) al modelo:
E ( yt ) =
2
2
t
k =0
2
k
E [( yt )( yt s )] = t2 k k + s
k =0
Var ( yt ) = (1 + + + K q2 )
2
2
1
2
2
k =1
2
k
sea convergente a medida que q llega a ser infinitamente grande, por lo que los
valores de k son cada vez ms pequeos a medida que aumenta k. Esta implicancia
origina que la funcin de autocorrelacin decrece (memoria corta) a medida que
aumenta k.
Modelo MA(1)
Este proceso es estacionario, lo que nos interesa saber si son invertibles
y t = + t 1 t 1
Expresndolo en su operador de rezagos:
y t = + t 1 L t
yt = + (1 1L) t
yt = + 1L t
L =
>1
1 < 1
24
y t = t 1 t 1
1 = E [~y t ~y t 1 ]
1 = E [( t 1 t 1 )( t 1 1 t 2 )]
1 = E ( t t 1 ) 1 E ( t21 )
1 = 1 2
La funcin de Autocorrelacin Simple (AC)
j =
j
1 2
=
0 (1 + 12 ). 2
1 =
j
1
=
0 1 + 12
2 = 0
3 = 0
M
k = 0
k = 0
k = 2,3,...
Dado que y t depende nicamente de su primer rezago, ningn otro sera significativo
La funcin de Autocorrelacin Parcial (PAC)
1 = 1
0
jj =
( significativo)
j > 1
11 = 1
1
2
1
22 =
jj =
1j (1 12 )
1 12 ( j +1)
25
Pulido, A y Prez Garca, J (2001), mencionan que un proceso MA(1) presenta las
siguientes caractersticas:
Caractersticas del proceso MA(1)
a) El modelo MA(q) siempre es estacionario.
b) Para que sea invertible dicho proceso debe cumplirse que |1| < 1.
c) La funcin de autocorrelacin muestral se anula para retados superiores a uno. De
hay que el proceso MA(1) tenga una memoria de un perodo.
d) El correlograma es la representacin grafica de la funcin de autocorrelacin,
tendr un nico valor si 1 > 0 el 1 < 0, en cambio si 1 < 0 el 1 > 0 la funcin no
se anula.
e) La funcin de autocorrelacin parcial no se anula si 1 < 0 su comportamiento es
negativo amortigundose lentamente hacia cero en lo sucesivos rezagos. Si 1 > 0,
se altera el signo amortigundose hacia cero.
Modelo MA(2)
La notacin de un MA(2) esta dado por:
y t = + t 1 t 1 2 t 2
Expresndolo en su operador de rezagos:
y t = + t 1 L t 2 L2 t
y t = + (1 1 L 2 L2 ) t
y t = + L t
26
b
r=
2a
Si > 0
Si < 0 compleja
2 L + 1 L 1 = 0
2
1 + 2 < 1
1 12 + 4 2
L=
2 2
1 = E [( ~y t )( ~y t 1 )]
1 = E [( t 1 t 1 2 t 2 )( t 1 1 t 2 2 t 3 )]
1
1
1
1
= E 1 t21 + 21 t2 2
= 1 E (
2
t 1
) + 21 E ( t2 2 )
= 1 . 2 + 21 . 2
= 2 2
1 2 (1 + 1 2 ) 1 + 1 2
=
=
0 (1 + 12 + 22 ). 2 1 + 12 + 22
2 2
2
=
1 = 2 =
2
2
2
0 (1 + 1 + 2 ). 1 + 12 + 22
3 = 0
3 = 0
1 =
k = 0
k = 0
j =
j + 1 j +1 + K + q + j q
(1 + 12 + 22 + K + j2 )
k = 3,4...
27
11 = 1 =
1
2 2 12
=
1
1 12
22 =
12 + 1 2
1 + 12 + 22
33 =
1
2
1
2
1
2
2 0
1 2
1 1
1 1
28
y t = + 1 y t 1 + 2 y t 2 + ... + p y t q + t 1 t 1 2 t 2 ... q t q
AR( p)
MA(q)
( L) yt = + ( L) t
Donde
Condicin de Estacionalidad:
1 + 2 + ... + p < 1
Condicin de Invertibilidad:
1 + 2 + ... + p < 1
La Esperanza del proceso es:
E ( yt ) =
= p
1 1 2 ... p
i
i =1
i =1
2 11 E ( y t 1 t 1 ) 2 2 2 E ( y t 2 t 2 ) K 2 q p E ( y t p t q )
0 = 12 0 + 22 0 + ... + p2 0 + 2 + 12 2 + ... + q2 2 21 1 2 2 2 2 2 K 2 p q 2
0 =
2 (1 + 12 + 22 + K q2 211 2 2 2 K 2 q p )
1 12 22 K p2
29
L=
La condicin de estacionalidad: 1 1 L = 0
L=
1 < 1
1 < 1
E ( y t ) = + 1 E ( y t 1 ) 1 E ( t 1 ) + E ( t )
= + 1 . + 1 .0 + 0
E( yt ) =
1 1
t 1
1 t 1
2
E [~
y t ] = 0 = E [1 ( y t 1 ) 1 t 1 + t ]
2
E [~
y t ] = 0 = E [(1 ~
y t 1 1 t 1 + t ) ~
yt ]
2
E [~
y t ] = 0 = E (12 ~
y t21 + 12 t21 + t2 + 21 ~
y t 1 t 21 ~
y t 1 t 1 2 1 t t 1 )
0 = 12 E ( ~y t21 ) + 12 E ( t21 ) + E ( t2 ) + 21 E ( ~y t 1 t ) 21 1 E ( ~y t 1 t 1 ) 2 1 E ( t t 1 )
2
0 = 12 . 0 + 12 . 2 + . 2 + 21 .0 21 1 2 2 1 .0
0 =
2 (1 + 12 + 211 )
1 12
[ ]
t
t 1
J=2 E [~
yt ~
yt 2 ] = 2
M
M
~
J=p E y t ~
yt p = p
y t = + 1 y t 1 + t 1 t 1
~
y t = 1 y t 1 + t 1 t 1
~
y t 1 = 1 y t 2 + t 1 1 t 2
~
y = y +
t 2
t 3
t 2
1 t 3
1 =
1
0
30
1 = 1 E ( ~y t21 ) + 0 1 E [ t 1 (1 y t 2 + t 1 1 t 2 )]
1 = 1 0 1 2
Sabemos de la demostracin de la varianza que:
2 (1 + 12 + 21 1 )
0 =
1 12
Reemplazamos 0 en 1
2 (1 1 1 )(1 1 )
1 =
1 12
1 = 1 = 2
0
(1 + 12 21 1 ) /(1 12 )
1 =
1 (1 1 1 )(1 1 )
=
0
1 + 12 21 1
yt = 1 yt 1 + 2 yt 2 + 1 t 1 + t
yt 1 2 1 yt 1 1
y = 1 0 0 y + 0.
t 2 t
t 1
t 0 0 0 t 1 1
123 14
4244
3 123 {
Zt
Z t 1
31
d=1
Este modelo tiene un proceso d yt que es una funcin de valores pasados como del
error presente. Por lo que teste proceso genera una media ponderada de
observaciones anteriores que remontan p perodos en el pasado y una media
ponderada de perturbaciones aleatorias con un retardo de q perodos, junto con la
perturbacin aleatoria actual.
El modelo se describe como:
d y t = + 1 d y t 1 + 2 d y t 2 + K + p d y t p + t 1 t 1 2 t 2 K q t q
(1 1 L 2 L2 K p L p )(1 L) p y t = + (1 1 L 2 L2 K q Lq ) t
( L)d yt = + ( L) t
Donde
L: Representa el operador de cambio hacia atrs.
En modelo con tendencia secular y variaciones cclicas pueden representarse
mediante los modelo ARIMA(p,d,q)(P,D,Q). Donde el primer parntesis se refiere a
tendencia secular de la serie y el segundo parntesis se refiere a las variaciones
estacinales o parte cclica de la tendencia secular de la serie.
Ejemplo de ARIMA:
Un modelo ARIMA(0,1,1)(0,0,1)12
El termino d implica cuantas veces debe diferenciarse la serie original para obtener una serie que
sea estacionaria.
32
AR(1)
MA(1)
ARMA(1,1)
AR(p)
ARMA(p,q)
FAC
FAP
33
yt = 0 + 1t + 2t 2 + K + st s + t
Entonces con esta transformacin, los residuos de la regresin se les considera un
proceso estacionario que buscaremos identificar.
Paso 2: Hacer un supuesto inicial que un modelo ARMA(p,q) que describa mejor la
serie.
Paso 3: Estimar los parmetros del polinomio de rezagos (L) y (L).
Paso 4: Realizar un diagnostico si el modelo utilizado es el ms consistente con los
datos. Si nuestro modelo es acertado entonces los residuos no deberan presentar
ninguna correlacin de ningn tipo, ser homocedstico, presentar normalidad y tener
media cero.
Si dicho modelo no presenta esta caractersticas deberamos regresar al paso 2 y
repetir el proceso, adicionalmente se puede utilizar criterios de informacin para elegir
el modelo ms adecuado.
El modelo que minimice los menores criterios de informacin ser el utilizado. Dichos
criterios pasaremos precisar las formulas.
El criterio de informacin de Akaike (AIC)
AIC = 2
L
k
+2
T
T
AIC = 2
L
Log (T )
+k
T
T
HQ = 2
L
Log ( Log (T ))
+ 2k
T
T
16
zt = (1 A) yt = d yt
34
Transformacin de
la serie.
Estadsticas de la serie
Etapa N1
Identificacin
La serie es
estacionaria?
No
Seleccin de
d y lambda.
Si
Seleccin de p,q y la
decisin sobre la inclusin
de (intercepto).
Etapa N2
Estimacin
Etapa N3
Validacin
Realmente es el
modelo ms
adecuado?
Si
Seleccin del perodo de
prediccin.
Etapa N4
Prediccin
35
t = kt(1 )
La heteroscedasticidad puede eliminarse aplicando una transformacin de la familia
Box-Cox. En las series econmicas de largos perodos, estn afectadas por una
fuerte tendencia, por lo que es necesario hacer algunas transformaciones rpidas.
para = 1 no se transforma
yt
yt
yt 1
Ln( yt )
17
36
t=
yt
S y2
t(1 / 2;T 1)
T 1
Si el estadstico obtenido es menor que el de tabla entonces no se rechaza la
hiptesis nula.
En los modelo ARIMA dicho estadstico no resultan vlido por ser inconsistente. En
este caso una buena aproximacin es:
S y2
T
(1 + 2 p1 + 2 p2 + K + 2 pk )
18
Si la serie analizada es mensual entonces la longitud del intervalo ser de doce meses.
37
S ( , ) = t2
t =1
t = ( L) y t
Un modelo ARI(p,d,o)
t = ( L)d y t
Un modelo MA(q)
( L) t = ( y t )
Un modelo IMA(0,d,q)
( L) t = (d y t )
Un modelo ARMA(p,q)
( L) t = [ ( L) y t ]
Un modelo ARIMA(p,d,q)
( L) t = [ ( L)d y t ]
N (0,1 / T )
H 0 : t es ruido blanco.
H 1 : t no es ruido blanco.
38
1.96
k No se rechaza la hiptesis nula
T
Como se conoce t entonces se utiliza t , para comprobar si estos se asemejan a un
ruido blanco.
k <
2. Prueba de Pankratz
Panzkratz(1983) analiza las bandas de confianza de los residuos, para esto utiliza la
distribucin de una variable ruido, donde la varianza se aproxima mediante 1/T.
La hiptesis planteada es:
H 0 : t es ruido blanco.
H 1 : t no es ruido blanco
Si tenemos que el coeficiente de autocorrelacin muestral hasta k=3 en valor
absoluto es menor que el valor de 1.25 entre la raz cuadrada de la muestra, entonces
no se rechaza la hiptesis nula.
k <
1.25
T
Para k = 1,2,3
k <
1.96
T
Para k 4
3. Contraste Global
Este Estadstico esta basado en la prueba de Box Pierce (1970) que se basa en los
coeficientes de autocorrelacin de los residuos.
H 0 : 1 = 2 = K k = 0
H 1 : 1 2 K k 0
Residuos independientes
Residuos no es independientes.
k
Q BP = T i2 (25 %, p q )
i =1
Si QBP < (25%, p q ) entonces no se rechaza la hiptesis nula y se dice que los residuos
estn incorrelacionados.
19
Para que la serie de residuos se asemeje a un ruido blanco los coeficientes AC y PAC no deben ser
significativamente de cero.
39
JB =
N k 2 (k 3) 2
2
S +
(5%,2)
6
4
H 0 : i = 0 No es significativo en el modelo
H 1 : i 0 Si es significativo en el modelo
El estadstico:
i
t ( 5 %, T P q )
t i =
S
i
40
20
Algunos autores mencionan que si el estadstico en valor absoluto es mayor que 2, se rechaza la
hiptesis nula y se concluye que el coeficiente es significativo.
41
y t = + DU t + t + y t 1 + c j y t j +e t
j= 1
y t = + t + DTt + y t 1 + c j y t j +e t
j= 1
y t = + DU t + t + DTt + y t 1 + c j y t j +e t
j= 1
1%
2.5%
5%
10%
50%
90%
95%
97.5%
99%
-5.34
-5.02
-4.80
-4.58
-3.75
-2.99
-2.77
-2.56
-2.32
Tendencia
-4.93
-4.67
-4.42
-4.11
-3.23
-2.48
-2.31
-2.17
-1.97
Ambos
-5.57
-5.30
-5.08
-4.82
-3.98
-3.25
-3.06
-2.91
-2.72
42
ARIMA (2,0,1)
(ii) Sustituir los subndices en trminos del perodo para el cual se desea construir el
pronstico.
Ejemplo:
Yt + k Y / 2 E (Yt + k )
Donde:
Y / 2 : Representa el percentil 1, para la distribucin normal estndar.
22
43
2
2
t = (Yt Yt )
1 T +h 2
t
h t =T +1
RECM =
EMA =
t =T +1
h
Esta medida es apropiada siempre que la funcin de prdida lineal y simtrica. Brown
muestra aproximada entre EMA y el RCEM tal como RCEM = 1.25EMA
III. Media del valor absoluto del error porcentual (EPMA)
Esta definida como:
EPMA =
1 T + h t
h t =T +1 y t
Es una medida similar al EMA solo que es una medida relativa. Presenta un sesgo
que favorece a los pronsticos que se encuentra por debajo de los valores
conseguidos.
IV. Raz cuadrada relativa del error medio (RCREM)
Esta definida como:
1 T + h t2
h t =T +1 y t
Es similar a EPMA solo que es un valor adimensional y presenta un sesgo que
favorece a los pronsticos que se encuentran por debajo del valor reportado. Se
considera un resultado acertado si presenta un valor inferior a tres.
RCECM =
44
U=
1 T +h
( yt yt ) 2
h t =T +1
1 T +h 2
1 T +h 2
yt
y + h t =
h t =T + h
T +1
( yt yt ) 2 yt
h = h y + (S y S y )2 + 2(1 r )S y S y
Donde,
( y
r es la correlacin entre y t e y .
Sesgo + Varianza + Covarianza = 1
Varianza
(Variance Proportion)
Covarianza
(Covariance Proportion)
45
REFERENCIAS
Antunez Irgoin, Cesar. H (2010). Pruebas de Races Unitarias en EViews.
Archivo Acrobat en edicin gratuita en www.monografias.com
Aznar, A (2003). Series de Tiempo. Editorial MP Prentice pp.157
Badillo Amador-Rosa, Belaire Franch-Jorge y Contreras Bayarri-Dulce.
Contrastes de Raz Unitaria para Series Temporales en Presencia de
Cambios Estructurales, Direccin del Departamento de Anlisis Econmico.
Universidad de Valencia. Archivo Acrobat, DT 00-06.
Casas. C Econometra Moderna ( versin preliminar )
Hamilton, James (1994) Time Series Analysis Modelando series de tiempo
con cambios en regmenes. Princeton University Press. U.S.A
Novales, Alfonso (1993). "Econometra". The Mc. Graw Hill /INTERAMERICA
S.A. Espaa. Segunda edicin.
Pulido, A y Prez Garca, J (2001). Modelos Economtricos. Editorial
Pirmide, Madrid.
Rafael de Arce y Ramn Maha (2007). MODELOS ARIMA Material del
Programa Citius.- Tcnicas de Previsin de variables financieras. Archivo
Acrobat. Dpto. Economa Aplicada. U.D.I. Econometra e Informtica.
Rosales Garca, L (2010).
Acrobat, junio. Piura.
46