Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis de Series Temporales
Analisis de Series Temporales
OBSERVACIONES PRELIMINARES
El origen de este libro es una coleccin de transparencias que prepar durante los aos 2002 a 2005 para impartir unas
30 horas de clase de la asignatura "Series Temporales", correspondiente al ltimo curso de la Licenciatura en
Economa (Especialidad en Anlisis Econmico) de la Universidad Complutense de Madrid.
En la pgina viii (despus del Contenido) figura la bibliografa (actualizada) que utilic para elaborar el programa de
mi parte de la asignatura y las transparencias.
Todos los clculos y las figuras que aparecen en este libro se han elaborado con la versin 4.1 del programa EViews
(Jul 29 2004 build). Los datos (archivos *.wf1) y los archivos de instrucciones (*.prg) utilizados se encuentran en el
archivo JAM-IAST-Datos.zip que se distribuye junto con este libro.
Agradezco sinceramente la colaboracin en muchos sentidos de Sonia Sotoca, con quien compart la docencia de
"Series Temporales" durante los aos mencionados y con quien sigo compartiendo despacho y multitud de tareas
docentes y acadmicas, espero que por mucho tiempo
SERIES TEMPORALES
PGINA II
CONTENIDO Y BIBLIOGRAFA
CONTENIDO
1
Introduccin
1.1
1.2
1.3
1.4
2
Modelos Univariantes
2.1
2.2
42
Introduccin ................................................................................................... 42
Procesos estocsticos estacionarios.......................................................... 47
ACF PACF tericas....................................................................................... 49
ACF PACF muestrales.................................................................................. 54
SERIES TEMPORALES
PGINA III
CONTENIDO Y BIBLIOGRAFA
2.3
2.4
2.5
2.6
Modelos ARMA............................................................................................... 63
Estacionariedad Invertibilidad ....................................................................... 65
ACF PACF tericas en modelos ARMA........................................................ 67
Procesos estocsticos no estacionarios .................................................... 80
No estacionariedad en varianza Transformacin de Box-Cox ..................... 81
No estacionariedad en media Tendencias.................................................... 86
Modelos ARIMA.............................................................................................. 95
Tendencias en modelos invertibles.................................................................. 96
Tendencias en modelos no invertibles............................................................. 98
Elaboracin de modelos ARIMA................................................................. 100
Identificacin .................................................................................................. 100
Estimacin...................................................................................................... 102
Diagnosis ....................................................................................................... 103
Criterios de informacin ................................................................................. 106
Contraste de no estacionariedad de Shin-Fuller ........................................... 108
Contrastes de no invertibilidad de Davis-Chen-Dunsmuir ............................. 109
SERIES TEMPORALES
PGINA IV
CONTENIDO Y BIBLIOGRAFA
2.7
2.8
146
SERIES TEMPORALES
PGINA V
CONTENIDO Y BIBLIOGRAFA
3.4
4.3
4.4
201
SERIES TEMPORALES
PGINA VI
CONTENIDO Y BIBLIOGRAFA
4.5
4.6
4.7
SERIES TEMPORALES
PGINA VII
CONTENIDO Y BIBLIOGRAFA
BIBLIOGRAFA
LIBROS DE TEXTO
[01] Box, G.E.P., Jenkins, G.M., Reinsel, G.C. (1994), Time Series Analysis Forecasting and
Control (3rd edition), Prentice Hall.
[02] Pea, D. (2005), Anlisis de Series Temporales, Alianza.
[03] Quantitative Micro Software (2002), EViews 4 Users Guide (revised for EViews 4.1), QMSLLC.
[04] Reinsel, G.C. (1997), Elements of Multivariate Time Series Analysis (2nd edition), Springer.
MANUALES COMPLEMENTARIOS
[05] Brockwell, P.J., Davis, R.A. (2002), Introduction to Time Series and Forecasting (2nd
edition), Springer.
SERIES TEMPORALES
PGINA VIII
CONTENIDO Y BIBLIOGRAFA
SERIES TEMPORALES
PGINA IX
1
INTRODUCCIN
1.1 SERIES TEMPORALES
1.1.1 Definicin
Una serie temporal (o simplemente una serie) es una secuencia de N observaciones (datos)
ordenadas y equidistantes cronolgicamente sobre una caracterstica (serie univariante o
escalar) o sobre varias caractersticas (serie multivariante o vectorial) de una unidad
observable en diferentes momentos.
Representaciones matemticas frecuentes de series temporales univariantes:
PGINA 1
1 INTRODUCCIN
y
y
y
y
21
22
2
M
Y
(1.1)
yN 1 yN 2
yNM
y
PGINA 2
1 INTRODUCCIN
2
1
2
1
-1
-2
-1
-2
-3
-3
-4
-4
1950
1960
1970
1980
1990
2000
1880
1900
1920
1940
1960
Figura 1.1
Figura 1.2
Observacin 1: La serie de la Figura 1.1 evoluciona alrededor de un nivel constante y presenta una variabilidad
constante alrededor de dicho nivel. Por el contrario, el nivel de la serie de la Figura 1.2 no parece constante; en
concreto, se aprecia que dicho nivel podra haber cambiado de manera permanente a partir del ao 1899.
SERIES TEMPORALES
PGINA 3
1 INTRODUCCIN
-1
-1
-2
-2
-3
-3
-4
-4
82 84 86 88 90 92 94 96 98 00 02
1989
1991
1993
1995
1997
1999
Figura 1.3
Figura 1.4
2001
Observacin 2: La serie de la Figura 1.3 evoluciona alrededor de un nivel que cambia sin seguir aparentemente un
patrn concreto; por este motivo, suele decirse que dicha serie presenta una tendencia estocstica (aleatoria) en su
evolucin temporal. El caso de la serie de la Figura 1.4 es semejante; adems, la variabilidad local de dicha serie es
tanto mayor cuanto ms elevado es su nivel local.
SERIES TEMPORALES
PGINA 4
1 INTRODUCCIN
-1
-1
-2
-2
-3
-3
-4
-4
1
500
500
Figura 1.5
Figura 1.6
Observacin 3: La serie de la Figura 1.5 evoluciona alrededor de un nivel que cambia sin seguir un patrn concreto, es
decir, dicha serie presenta una tendencia estocstica. La serie de la Figura 1.6 presenta un nivel constante; sin
embargo, las desviaciones grandes (pequeas) de dicha serie con respecto a su nivel van seguidas de variaciones
grandes (pequeas), por lo que su volatilidad condicionada por su historia reciente presenta algn tipo de inercia.
SERIES TEMPORALES
PGINA 5
1 INTRODUCCIN
16
7
6
12
5
4
3
2
1
0
1920
0
1940
1960
1980
2000
1960
1970
1980
1990
2000
Figura 1.7
Figura 1.8
Observacin 4: Las dos series de cada gura presentan tendencias semejantes, que parecen ms previsibles (porque el
patrn en el cambio de nivel es ms claro) en las series de la Figura 1.7. Dichas series podran tener una tendencia
comn con un componente determinista, mientras que la tendencia comn de las series de la Figura 1.8 es estocstica.
SERIES TEMPORALES
PGINA 6
1 INTRODUCCIN
-1
-1
-2
-2
-3
-3
-4
-4
1989
1991
1993
1995
1997
1999
2001
1989
1991
1993
1995
1997
1999
2001
Figura 1.9
Figura 1.10
Observacin 5: La serie de la Figura 1.9 presenta reducciones (en invierno) y aumentos (en verano) sistemticos en su
nivel cada 12 meses, por lo que suele decirse que dicha serie es estacional. El caso de la serie de la Figura 1.10 es
semejante (con cadas sistemticas en su nivel en agosto de cada ao); adems, la serie de la Figura 1.10 tambin
presenta (a diferencia de la serie de la Figura 1.9) una tendencia general estocstica.
SERIES TEMPORALES
PGINA 7
1 INTRODUCCIN
1.1.3 Objetivos
El primer objetivo del anlisis economtrico de una serie temporal consiste en elaborar un
modelo estadstico que describa adecuadamente la procedencia de dicha serie, de manera
que las implicaciones tericas del modelo resulten compatibles con las pautas muestrales
observadas en la serie temporal. Despus, el modelo elaborado a partir de la serie temporal
considerada puede utilizarse para:
SERIES TEMPORALES
PGINA 8
1 INTRODUCCIN
PGINA 9
1 INTRODUCCIN
Proceso estocstico:
Serie temporal:
y1 , y 2 , ..., y N
Figura 1.11
condiciones de partida) que permitan obtener diferentes realizaciones particulares nitas de un proceso estocstico
(como se ilustra en la gura bajo este prrafo), en general es imposible, prohibitivamente costoso, o moralmente
inaceptable ejecutar dichos experimentos. La imposibilidad de controlar las condiciones a partir de las que se
desarrollan las actividades en las que estn implicadas las unidades observables a las que se reeren, es lo que hace
que muchos procesos estocsticos slo puedan observarse una nica vez.
PGINA 10
1 INTRODUCCIN
Observacin 2: En general, una serie temporal se reere a un perodo muestral que tan slo es una parte de la historia
del proceso estocstico del que procede dicha serie; ver Figura 1.11. No obstante, si las circunstancias sociales o
naturales del perodo muestral al que se reere la serie considerada se mantienen relativamente estables despus de
dicho perodo, entonces se espera que las conclusiones obtenidas del anlisis de dicha serie sean aplicables tambin a
momentos posteriores, al menos a corto plazo. Esta idea justica el empleo de un modelo elaborado con una muestra
dada para describir la evolucin temporal de un proceso estocstico despus del perodo muestral considerado.
Procesos estacionarios
1.2.2 Definicin
denicin anterior pone de maniesto que cuando un proceso estocstico es estacionario, sus propiedades estadsticas
se simplican notablemente con respecto a las de un proceso que no sea estacionario (ver Denicin 1.2.3), lo cual
facilita la descripcin de su estructura probabilstica completa a partir de una nica realizacin nita del mismo.
Observacin 2: En general, una condicin necesaria para que un proceso sea estacionario es que la esperanza
incondicional de cada uno de sus componentes exista y sea la misma a lo largo de toda la historia del proceso. De
acuerdo con esto, tan slo las series de las guras 1.1 y 1.6 anteriores podran considerarse series estacionarias, es
SERIES TEMPORALES
PGINA 11
1 INTRODUCCIN
decir, series compatibles con la hiptesis de haber sido generadas por procesos estacionarios. Las series restantes de las
guras 1.1-1.10 anteriores parecen series claramente no estacionarias.
Procesos no estacionarios
1.2.3 Definicin
incondicional de algunos de sus componentes sea distinta de la de otros (ver las guras 1.2-1.5 y 1.7-1.10 anteriores).
Al menos por este motivo, las propiedades estadsticas de un proceso no estacionario son ms complicadas que las de
un proceso estacionario. No obstante, si la no estacionariedad de un proceso puede modelizarse de alguna forma
sencilla (por ejemplo, transformando adecuadamente dicho proceso para convertirlo en uno estacionario), entonces es
posible describir su estructura probabilstica completa a partir de una nica realizacin nita del mismo.
Observacin 2: Dado que las propiedades estadsticas de un proceso no estacionario son muy diferentes de las de un
proceso estacionario, uno de los primeros pasos en el anlisis de series temporales consiste en determinar si cada una
de las series consideradas resulta o no compatible con la hiptesis de estacionariedad.
SERIES TEMPORALES
PGINA 12
1 INTRODUCCIN
1.3 MODELOS
1.3 MODELOS
1.3.1 Definicin
(incondicional o condicional) de cada componente del proceso considerado y las covarianzas (incondicionales o
condicionales) entre cada par de componentes del mismo. Adems, este planteamiento suele hacerse de forma
indirecta, a travs de alguna expresin matemtica (explcita o implcita) para el componente genrico Yt del proceso
estocstico ( Yt ) considerado, en lugar de a travs de alguna especicacin directa de la forma de las esperanzas y de
las covarianzas mencionadas.
PGINA 13
1 INTRODUCCIN
1.3 MODELOS
son
parmetros,
1 < 1
(condicin
de
(1.2)
estacionariedad),
Un proceso estocstico univariante estacionario (Yt ) sigue un modelo MA(1) (media mvil
de orden 1) cuando
(1.3)
2 ).
donde y 1 son parmetros, 1 < 1 (condicin de invertibilidad), y ( At ) IID(0, A
SERIES TEMPORALES
PGINA 14
1 INTRODUCCIN
1.3 MODELOS
(1.4)
2 ).
donde es un parmetro (que en muchas ocasiones vale cero) y ( At ) IID(0, A
Observacin 1: Un paseo aleatorio es un modelo AR(1) con 1 = 1 , es decir, un modelo AR(1) no estacionario. [Ntese
Observacin 2: Un paseo aleatorio constituye el caso ms sencillo de lo que suele denominarse un proceso integrado de
orden 1 I(1) (es decir, un proceso no estacionario cuya diferencia regular de orden 1 es un proceso estacionario); por
extensin de esta terminologa, un proceso estacionario suele denominarse un proceso I(0). La notacin (Yt ) I(1)
signica que (Yt ) es un proceso I(1) (integrado de orden 1), mientras que la notacin (Yt ) I(0) signica que (Yt )
es un proceso estacionario (integrado de orden 0).
Modelo ARCH(1)
PGINA 15
1 INTRODUCCIN
1.3 MODELOS
(1.5)
autocorrelacin aunque no son estadsticamente independientes (porque la varianza condicional de U t es una funcin
de U t 1 ). Por otro lado, la varianza incondicional de U t es constante e igual a 0 /(1 1 ) , que es positiva si se
cumplen las condiciones anteriores sobre 0 y 1 .
Modelo GARCH(1,1)
SERIES TEMPORALES
PGINA 16
1 INTRODUCCIN
1.3 MODELOS
4
3
2
3
2
0
-1
0
-1
-2
-3
-2
-3
-4
-4
1
15
30
45
60
75
2
1
2
1
-1
-2
-1
-2
-3
-4
-3
-4
15
30
45
60
75
30
45
60
75
4
3
15
15
30
45
60
75
Figura 1.12
Series temporales simuladas a partir de varios modelos ARIMA
(sim-series.wf1)
SERIES TEMPORALES
PGINA 17
1 INTRODUCCIN
1.3 MODELOS
2
1
2
1
-1
-1
-2
-2
-3
-3
-4
-4
1
15
30
45
60
75
PANEL A
15
30
45
60
75
PANEL B
Figura 1.13
Series temporales simuladas a partir del modelo ARCH(1) de la ecuacin (1.5)
(sim-series.wf1)
Observacin 5: La serie (ut )150
t =1 del Panel A se ha obtenido a partir del modelo ARCH(1) de la ecuacin (1.5) con
0 = 1 , 1 = 0.8 y ( At ) NIID(0, 1) (comparar con la serie del Panel A de la Figura 1.12). La serie (yt )150
t = 2 del
Panel B se ha obtenido a partir de la ecuacin yt = ut 0.8ut 1 [un modelo MA(1) invertible; ver (1.3)], donde
(ut )150
t =1 es la serie del Panel A (comparar con la serie del Panel C de la Figura 1.12).
SERIES TEMPORALES
PGINA 18
1 INTRODUCCIN
1.3 MODELOS
Yt = 0 + 1Yt 1 + 0 X t + 1 X t 1 + Vt ,
(1.6)
perturbaciones IID. Cuando 0 = 1 = 0 , el modelo ADL(1,1) anterior se reduce a un modelo AR(1). Cuando
1 = 1 0 , el modelo ADL(1,1) anterior se convierte en un modelo de regresin esttico con perturbaciones AR(1).
Por ltimo, cuando 1 = 1 y 1 = 0 , el modelo ADL(1,1) anterior se convierte en un modelo de regresin esttico
entre Yt Yt Yt 1 y Xt Xt Xt 1 con perturbaciones IID: Yt = 0 + 0 Xt + Vt .
Observacin 2: Manipulando la expresin (1.6) para un modelo ADL(1,1), puede comprobarse que dicho modelo
SERIES TEMPORALES
PGINA 19
1 INTRODUCCIN
1.3 MODELOS
16
16
12
12
-4
-4
15
30
45
60
75
15
PANEL A
30
45
60
75
PANEL B
Figura 1.14
Series temporales simuladas a partir del modelo ADL(1,1) de la ecuacin (1.6)
(sim-series.wf1)
Panel A -
Serie Y
Serie X. Panel B -
Serie Y 2 X
Observacin 3: La serie X se ha obtenido a partir del modelo AR(1) de la ecuacin (1.2) con = 1 , 1 = 0.5 y
( At ) NIID(0, 1) . La serie Y se ha obtenido a partir del modelo ADL(1,1) de la ecuacin (1.6) con 0 = 2 ,
1 = 0.6 , 0 = 0.5 , 1 = 0.3 y (Vt ) NIID(0, 1) , lo que implica que = 2 en el modelo de correccin de error
(ECM) asociado; ver Observacin 2 en 1.3.3.
SERIES TEMPORALES
PGINA 20
1 INTRODUCCIN
1.3 MODELOS
(1.7)
(1.8)
11 12
, 1
21 22
2 12
, 1
12 22
(1.9)
y las races de la ecuacin I 1 x = 0 estn fuera del crculo unitario (lo cual equivale a
que los autovalores de la matriz 1 de (1.8) estn dentro del crculo unitario).
Observacin 4: A diferencia de lo que ocurre en un modelo ADL(1,1) como (1.6), donde Yt es una variable endgena y
Xt es una variable exgena, en un modelo VAR(1) como (1.7) tanto Yt 1 como Yt 2 son variables endgenas, cuya
SERIES TEMPORALES
PGINA 21
1 INTRODUCCIN
1.3 MODELOS
(I)
1 01
02 1
Yt 1
Yt 2
01
=
02
11 11
12 12
Yt 1,1
Yt 1,2
Vt 1
Vt 2
B0 Yt = 0 + B1 Yt 1 + Vt ,
(II)
v2 0
01
11 11
.
, B1
, 1
, 0
(III)
02
12 12
2
0
v
La expresin (II) suele denominarse un modelo VAR(1) estructural para el proceso ( Yt ) , mientras que la expresin
(1.8) se denomina un modelo VAR(1) estndar para ( Yt ) . Comparando (II) con (1.8), la forma estndar (reducida)
1
de un modelo VAR(1) puede obtenerse a partir de su forma estructural mediante las relaciones B
0 0 ,
1
1
1
1 (que coincide con cuando
1 B
01 = 02 = 0 , es decir, cuando B0 = I).
0 B1 , At B0 Vt y B0 B0
Sin embargo, dado que en (III) guran 10 parmetros y en (1.9) slo guran 9, en general, no es posible identicar la
forma estructural asociada con un modelo VAR(1) estndar.
1 01
B0
02 1
SERIES TEMPORALES
PGINA 22
1 INTRODUCCIN
1.3 MODELOS
Yt Yt Yt 1 y I 1 (que es una matriz no singular cuando los autovalores de 1 estn dentro del
crculo unitario), lo que permite escribir el valor esperado del proceso estacionario ( Yt ) como E[ Yt ] = 1 (que
representa el valor de equilibrio alrededor del cual evoluciona dicho proceso).
Observacin 8: Un modelo VAR(1) estndar no es ms que un caso particular de un modelo VARMA(p,q) del tipo
Yt = 0 + 1 Yt 1 + 2 Yt 2 + ... + p Yt p + At 1 At 1 2 At 2 ... q At q ,
que es una extensin para procesos multivariantes del modelo ARMA(p,q) para procesos univariantes. Actualmente, la
popularidad de los modelos VAR es mucho mayor entre los economistas que la de los modelos VARMA; de hecho, es
muy difcil encontrar manuales de Econometra o de Anlisis de Series Temporales aplicado a la Economa en los que
se mencione siquiera la posibilidad de modelizar un proceso multivariante a travs de un modelo VARMA. Esta
posibilidad tiene ventajas muy claras sobre la modelizacin basada exclusivamente en modelos VAR (por ejemplo, una
parametrizacin ms escueta), aunque sus requisitos computacionales son generalmente ms elevados. En todo caso,
es una posibilidad que no se contempla en la mayora de los programas informticos ms populares disponibles
actualmente (como EViews) para el anlisis de series temporales.
SERIES TEMPORALES
PGINA 23
1 INTRODUCCIN
1.3 MODELOS
2
1
2
1
-1
-1
-2
-2
-3
-3
-4
-4
1
15
30
45
60
75
15
30
45
60
75
Figura 1.15
Series temporales simuladas a partir del modelo VAR(1) de las ecuaciones (1.7)-(1.9)
(sim-series.wf1)
Serie Y1
Serie Y2
Observacin 9: Se han utilizado los valores siguientes para los parmetros que guran en (1.9):
4 2
0.6 0.2
0.7 0.2
0
.
. Ambos paneles: = , =
. Panel B: 1 =
Panel A: 1 =
2 10
0.2 0.6
0.2 0.7
0
SERIES TEMPORALES
PGINA 24
1 INTRODUCCIN
1.3 MODELOS
PGINA 25
1 INTRODUCCIN
1.3 MODELOS
9.5
9.5
20
4
3
2
1
0
-1
-2
-3
-4
9.0
16
14
8.5
12
10
8.0
LOG( IBEX35 )
18
9.0
8.5
8.0
6
7.5
7.5
4
1990
1992
1994
LOG( IBEX35 )
1996
1998
2000
2002
1.5
.2
.1
1.0
.1
0.5
0.0
-0.5
-.2
-1.0
-.3
-1.5
1990
1992
1994
DLOG( IBEX35 )
1996
1998
2000
2002
D( TIPO DE INTERS )
DLOG( IBEX35 )
.2
-.1
8 10 12 14 16 18 20
1990
1992
TIPO DE INTERS
TIPO DE INTERS
.0
1994
1996
1998
2000
2002
2000
2002
RESIDUOS
4
3
2
1
0
-1
-2
.0
-.1
-.2
-.3
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
D( TIPO DE INTERS )
-3
-4
1990
1992
1994
1996
1998
RESIDUOS
Figura 1.16
Series temporales I(1) no cointegradas - no relacionadas en diferencias
(bolsa-int.wf1)
SERIES TEMPORALES
PGINA 26
1 INTRODUCCIN
1.3 MODELOS
9.5
10
LOG( IBEX35 )
9
8
7
6
1990
1992
1994
1996
LOG( IBEX35 )
1998
2000
2002
8.5
LOG( IGBM )
.1
DLOG( IBEX35 )
.1
.0
-.1
-.2
-.3
1994
1996
DLOG( IBEX35 )
1998
2000
5.6
6.0
6.4
6.8
7.2
1990
1992
LOG( IGBM )
.2
1992
-2
-3
-4
8.0
.2
1990
3
2
1
0
-1
9.0
7.5
5.2
2002
DLOG( IGBM )
1996
1998
2000
2002
2000
2002
RESIDUOS
4
3
2
1
0
-1
-2
-3
-4
.0
-.1
-.2
-.3
-.3
1994
-.2
-.1
.0
DLOG( IGBM )
.1
.2
1990
1992
1994
1996
1998
RESIDUOS
Figura 1.17
Series temporales I(1) no cointegradas - relacionadas en diferencias
(bolsa-int.wf1)
SERIES TEMPORALES
PGINA 27
1 INTRODUCCIN
1.3 MODELOS
LOG( CDAX )
4
3
2
3
2
1
0
1940
1960
LOG( CDAX )
1980
2000
LOG( SP500 )
BONOS 3 AOS
12
8
4
BONOS 3 AOS
1990
2000
LETRAS 3 MESES
1960
1980
2000
4
3
2
1
0
-1
12
8
4
-2
-3
-4
0
1980
1940
RESIDUOS
16
1970
1920
LOG( SP500 )
16
1960
2
1
0
-1
-2
-3
-4
1920
4
3
12
LETRAS 3 MESES
16
1960
1970
1980
1990
2000
RESIDUOS
Figura 1.18
Series temporales I(1) posiblemente cointegradas
(Panel superior: stock-indices.wf1 Panel inferior: interest-rates-q.wf1)
SERIES TEMPORALES
PGINA 28
1 INTRODUCCIN
1.3 MODELOS
Si ( Yt ) sigue un modelo VAR(1) del tipo (1.7)-(1.9) tal que al menos uno de los dos
autovalores de 1 es igual a 1 (lo que implica que la ecuacin I 1 x = 0 tiene al menos
SERIES TEMPORALES
PGINA 29
1 INTRODUCCIN
1.3 MODELOS
Observacin 2: Cuando los dos autovalores de 1 estn dentro del crculo unitario ( 1 < 1 , 2 < 1 ), ( Yt ) es un
proceso estacionario (Figura 1.19 A y Figura 1.15). En este caso, el rango de la matriz I 1 es igual a 2.
SERIES TEMPORALES
PGINA 30
1 INTRODUCCIN
1.3 MODELOS
2
1
2
1
-1
-1
-2
-2
-3
-3
-4
-4
1
15
30
45
60
75
15
30
45
60
75
Serie Y2
Observacin 3 (I): Se han utilizado los valores siguientes para los parmetros que guran en (1.9):
0.4 0.2
1.2 0.2
4 2
0
. Panel B: 1 =
. Ambos paneles: = , =
.
Panel A: 1 =
0.6 0.4
2 10
0
0.2 0.4
SERIES TEMPORALES
PGINA 31
1 INTRODUCCIN
1.3 MODELOS
2
1
2
1
-1
-1
-2
-2
-3
-3
-4
-4
1
15
30
45
60
75
15
30
45
60
75
Serie Y2
Observacin 3 (II): Se han utilizado los valores siguientes para los parmetros que guran en (1.9):
4 2
0.8 0.4
1 0
0
.
. Panel D: 1 = I =
. Ambos paneles: = , =
Panel C: 1 =
2 10
0.1 1.2
0 1
0
SERIES TEMPORALES
PGINA 32
1 INTRODUCCIN
1.4 APLICACIONES
1.4 APLICACIONES
1.4.1 Ejemplo Previsin con modelos ARIMA univariantes
Las funciones de previsin en origen N a horizonte l 1 asociadas con los modelos ARIMA
considerados en 1.3.2 son las siguientes:
Ruido blanco:
AR(1):
MA(1):
Paseo aleatorio:
SERIES TEMPORALES
EN [ AN +l ] = E[ AN +l ] = 0 para todo l 1 .
EN [YN +l ] = + 1 EN [YN +l 1 ]
=(
1
li
=0
EN [YN +l
1i
) +
1iYN
para todo l 1 .
1 EN [ AN ] , l = 1,
]=
, l > 1.
EN [YN +l ] = + EN [YN +l 1 ]
= l + YN
para todo l 1 .
PGINA 33
1 INTRODUCCIN
1.4 APLICACIONES
y
Yt
1
1
,
=
( Yt )
X t
1 1
donde
+ 1
0
.
1 1
(1.10)
(1.11)
El modelo ADL(1,1) anterior puede escribirse como un ECM (ver Observacin 2 en 1.3.3)
SERIES TEMPORALES
PGINA 34
1 INTRODUCCIN
1.4 APLICACIONES
Yt = 0 (1 1 )(Yt 1 X t 1 ) + 0 X t + Vt ,
(1.12)
PGINA 35
1 INTRODUCCIN
1.4 APLICACIONES
PA
=
,
PB
(1.13)
donde 0 puede ser igual a 1 (PPA absoluta) o distinto de 1 (PPA relativa, que permite
ciertas incompatibilidades entre los ndices Pt y Pt ). Ntese que (1.13) implica que
ln
PA
= 0 + ln
PB
(0 ln ) ,
(1.14)
de manera que, de acuerdo con la PPA, la elasticidad a largo plazo del tipo de cambio
nominal con respecto a los precios relativos debe ser unitaria. Alternativamente, (1.14)
puede escribirse de otras dos formas:
ln
RE
PB
ln E
=
,
o
bien
ln(
E
PB
)
=
+
ln
PA
,
0
0
PA
(1.15)
PGINA 36
1 INTRODUCCIN
1.4 APLICACIONES
2
1
2
1
-1
-2
-1
-2
-3
-3
-4
-4
82 84 86 88 90 92 94 96 98 00 02
82 84 86 88 90 92 94 96 98 00 02
Figura 1.20
Figura 1.21
SERIES TEMPORALES
PGINA 37
1 INTRODUCCIN
1.4 APLICACIONES
La estructura temporal de los tipos de inters (ETTI) (en ingls term structure of interest
rates) es la relacin que existe entre la rentabilidad (yield, interest rate) y el plazo hasta el
vencimiento (term to maturity) de un conjunto de valores nancieros comparables entre s
(por ejemplo, los distintos valores emitidos por el estado al descuento y sin cupn).
[n ]
[m ]
1 k 1
= Et
k i =0
R[ m ]
t +im
+ ,
(1.17)
es decir, que la rentabilidad a mayor plazo (n) puede expresarse como una media ponderada
de las rentabilidades futuras esperadas a menor plazo (m), ms una prima por plazo (term
premium) ( ) que es constante. Por ejemplo, si n = 2 y m = 1 (k = 2), (1.17) queda
[2]
Rt
SERIES TEMPORALES
1
2
[1]
Et Rt
1
2
[1]
Et Rt +1
+ ,
(1.18)
PGINA 38
1 INTRODUCCIN
1.4 APLICACIONES
[1]
donde Et Rt
[ 2,1]
[2]
[1]
[1]
[1]
[1]
St
Rt Rt = + 12 Et Rt +1 Rt = + 12 Et Rt +1
(1.19)
[ 2,1]
[2]
= , o bien R
[1]
= + R .
[1]
y Rt :
(1.20)
Contrastar si (St
[2]
Rt
SERIES TEMPORALES
[1]
= 0 + 1 Rt
+ Vt
PGINA 39
1 INTRODUCCIN
1.4 APLICACIONES
[2]
[1]
[1]
[3]
[n ]
cuenta que si ( Rt ) est cointegrado con ( Rt ) , tambin deben estarlo ( Rt ) , ..., ( Rt ) , lo que signica en ltima
instancia que todos los tipos de inters considerados deben compartir la misma tendencia estocstica.
-2
-2
-4
-4
1960
1970
1980
1990
2000
1960
1970
1980
1990
2000
Figura 1.22
Figura 1.23
SERIES TEMPORALES
PGINA 40
1 INTRODUCCIN
1.4 APLICACIONES
10
8
7
6
4
3
2
1
-2
PREVISIONES
10
20
30
40
50
60
70
-4
80
PREVISIONES
10
20
30
40
50
60
70
80
PANEL B - COMPONENTES
Figura 1.24
Componentes de una serie temporal simulada
(ch1-sim.wf1)
Componentes del Panel B:
Tendencia
Componente estacional
Componente irregular
Observacin: La serie del Panel A es la suma de los tres componentes del Panel B, que se han obtenido de la forma
SERIES TEMPORALES
PGINA 41
2
MODELOS UNIVARIANTES
2.1 INTRODUCCIN
2.1.1 Definicin
distribuciones conjuntas de todos los vectores del tipo [Yt1 , Yt2 , ..., Ytn ] ( t1 < t 2 < ... < tn ; n = 1, 2, ... ) que pueden
considerarse en relacin con (Yt ) . Elaborar un modelo de este tipo requiere al menos estimar el vector de medias y la
SERIES TEMPORALES
PGINA 42
2 MODELOS UNIVARIANTES
2.1 INTRODUCCIN
2
E[ Y ] =
, Var[ Y ] =
2 12
1
21 22
N 1 N 2
1 N
2 N
,
2
N
ecuacin en diferencias) para Yt (el componente genrico del proceso considerado), que implique unas propiedades
tericas sobre los momentos de primer y segundo orden (medias, varianzas y covarianzas) de las distribuciones
conjuntas de los componentes de (Yt ) que sean compatibles con las propiedades muestrales correspondientes
observadas en una serie temporal y [ y1 , y 2 , ..., yN ] . Cuando dichas distribuciones conjuntas son Normales, sus
propiedades de primer y segundo orden caracterizan completamente la estructura probabilstica de (Yt ) .
Observacin 3: Un modelo univariante se utiliza en la prctica: (i) simplemente para proporcionar una descripcin
compacta de la procedencia de los datos que conforman una serie temporal escalar, (ii) para calcular previsiones a
corto plazo de los valores futuros desconocidos de dicha serie, o (iii) como punto de partida para analizar posibles
relaciones entre dicha serie y otras series, en el contexto de algn modelo multivariante o vectorial.
SERIES TEMPORALES
PGINA 43
2 MODELOS UNIVARIANTES
2.1 INTRODUCCIN
2.1.2 Ejemplo
4
2
1
2
1
-1
-2
-1
-2
-3
-3
-4
-4
1
10
20
30
40
50
60
70
80
90 100
10
20
30
40
50
60
70
80
Figura 2.1
Figura 2.2
90 100
Observacin 1: La serie de la Figura 2.1 ha sido generada por un proceso estocstico ( Z t ) no estacionario tal que
Z t = 1.5Z t 1 0.5Z t 2 + At (una ecuacin en diferencias de orden 2). La serie de la Figura 2.2 ha sido generada por
un proceso estocstico (Yt ) estacionario tal que Yt = 0.8Yt 1 + At (una ecuacin en diferencias de orden 1). En
ambos casos, ( At ) NIID(0, 1) .
SERIES TEMPORALES
PGINA 44
2 MODELOS UNIVARIANTES
2.1 INTRODUCCIN
Observacin 2: El proceso estocstico ( Z t ) que ha generado la serie de la Figura 2.1 no parece tener una media que
sea constante en el tiempo; al menos por este motivo, la estructura probabilstica de (Z t ) es ms complicada que si su
media fuera constante (como parece ocurrir con el proceso estocstico que ha generado la serie de la Figura 2.2). No
obstante, la ecuacin en diferencias Z t = 1.5Z t 1 0.5Z t 2 + At es equivalente a Z t = 0.5 Z t 1 + At , donde
Z t Z t Z t 1 es la diferencia regular de orden 1 de Z t . La gura siguiente contiene la diferencia regular de orden
1 de la serie de la Figura 2.1:
4
3
2
1
0
-1
-2
-3
-4
1
10
20
30
40
50
60
70
80
90 100
Esta gura sugiere que la ecuacin en diferencias Z t = 1.5Z t 1 0.5Z t 2 + At describe un proceso estocstico no
estacionario cuya diferencia regular de orden uno ( Z t ) es un proceso estacionario, similar al proceso (Yt ) que ha
generado la serie de la Figura 2.2. En ambos casos, todas las propiedades relevantes de primer y segundo orden de
( Z t ) y de (Yt ) estn contenidas en las dos ecuaciones en diferencias de orden 1 Z t = 0.5 Z t 1 + At e
Yt = 0.8Yt 1 + At ; en particular, dichas ecuaciones implican que (i) E[ Z t ] = E[Yt ] = 0 , (ii) Var[ Z t ] 1.33 ,
Var[Yt ] 2.78 , y (iii) Corr[ Z t , Z t +k ] = 0.5k , Corr[Yt , Yt +k ] = 0.8k (k = 1, 2, ...).
SERIES TEMPORALES
PGINA 45
2 MODELOS UNIVARIANTES
2.1 INTRODUCCIN
Modelos ARIMA
Identicacin
Estimacin
Reformulacin
Diagnosis
Serie Temporal
Mal
Bien
Previsin
SERIES TEMPORALES
PGINA 46
2 MODELOS UNIVARIANTES
Un proceso estocstico (Yt ) con E[Yt ] < para todo t = 0, 1, 2, ... es estacionario en
media o dbilmente estacionario de primer orden si y slo si E[Yt ] es constante (no
depende de t) para todo t = 0, 1, 2, ...
2.2.3 Definicin
Un proceso estocstico (Yt ) con E[Yt2 ] < para todo t = 0, 1, 2, ... es estacionario en
autocovarianza o dbilmente estacionario de segundo orden si y slo si:
SERIES TEMPORALES
PGINA 47
2 MODELOS UNIVARIANTES
abordan en esta asignatura. En adelante, cuando se hable de estacionariedad sin calicativos se entender que se est
hablando de estacionariedad en autocovarianza. Cuando un proceso estocstico (Yt ) es estacionario, suele decirse que
(Yt ) es un proceso integrado de orden 0, o I(0), lo que se representa como (Yt ) I(0) (aunque esta terminologa no
es del todo correcta; ver Denicin 2.4.5).
SERIES TEMPORALES
PGINA 48
2 MODELOS UNIVARIANTES
Y E[Yt ].
Varianza:
Y2 Var[Yt ] E[(Yt Y )2 ].
Autocovarianza de orden k :
separados entre s por un intervalo temporal o retardo k > 0 dado. Por 2.2.3, k puede depender de k, pero no
depende de los momentos concretos a los que se reeran los componentes de (Yt ) considerados.
Observacin 2: Aunque k se ha denido para cualquier k > 0 , tambin puede denirse la autocovarianza de orden
cero de un proceso (Yt ) estrictamente estacionario como 0 Cov[Yt , Yt ] Var[Yt ] , que es la varianza del proceso
SERIES TEMPORALES
PGINA 49
2 MODELOS UNIVARIANTES
(Yt ) . Por otro lado, la autocovarianza de orden k de (Yt ) tambin puede denirse como k Cov[Yt k , Yt ] , ya que
para cualquier valor de k 0 dado, Yt k e Yt estn separados entre s por el mismo intervalo temporal (retardo) que
Yt e Yt +k . Considerada como una funcin del retardo k, la secuencia (k : k = 0, 1, 2, ...) se denomina la funcin de
autocovarianza del proceso estacionario (Yt ) .
2.2.6 Definicin
.
(2.1)
k
0
Var[Yt ] Var[Yt +k ]
Autocorrelacin simple de orden k :
k
(k = 1, 2, ...) ; 0 = 1.
0
cualquier par de componentes de (Yt ) separados entre s por un retardo k > 0 dado. Por 2.2.3, k puede depender de
k, pero no depende de los momentos concretos a los que se reeran los componentes de (Yt ) considerados.
SERIES TEMPORALES
PGINA 50
2 MODELOS UNIVARIANTES
Observacin 2: Considerada como una funcin del retardo k, la secuencia (k : k = 1, 2, ...) se denomina la funcin de
autocorrelacin simple (ACF, del ingls AutoCorrelation Function) del proceso estacionario (Yt ) . Dado que cada k
es un coeciente de correlacin, suele decirse que la ACF de (Yt ) representa la duracin y la intensidad de la
memoria del proceso (Yt ) .
Observacin 3: Elaborar un modelo de la estructura probabilstica completa de (Yt ) requiere al menos estimar el
Y
E[ Y ] =
, Var[ Y ] =
1
0
0
1
N 1 N 2
N 1
N 2
= 2
Y
1
1
1
1
N 1 N 2
N 1
N 2
,
asociada con una serie temporal observada y [ y1 , y 2 , ..., yN ] . En conjunto, y contienen 1 + N parmetros
distintos: Y , 0 , 1 , ..., N 1 , o bien Y , Y2 , 1 , ..., N 1 . Las dos matrices que guran en la expresin anterior
suelen representarse como N (matriz de autocovarianzas de Y) y PN (matriz de autocorrelaciones de Y), de manera
que la matriz de varianzas-covarianzas de la muestra Y procedente de (Yt ) es = N = Y2 PN .
Observacin 4: A pesar de que la hiptesis de estacionariedad simplica notablemente la distribucin de probabilidad
de Y [Y1 , Y2 , ..., YN ] , an no pueden estimarse con precisin 1 + N parmetros utilizando tan slo una nica
realizacin particular de Y (una nica serie temporal y [ y1 , y 2 , ..., yN ] de N observaciones). La solucin a este
problema consiste en expresar la media y la funcin de autocovarianza (o la media, la varianza y la ACF) de (Yt ) en
trminos de un nmero reducido de parmetros a travs de algn modelo ARMA para (Yt ) ; ver Seccin 2.3.
SERIES TEMPORALES
PGINA 51
2 MODELOS UNIVARIANTES
2.2.7 Definicin
(2.2)
1
2
1
1
1
1
1
1
Ak 2
k 1 k 2 k 3
SERIES TEMPORALES
1
2
k 2 1
1
1
1
1
k 3 2
1
1
k 4 3 , Bk 2
k 1 k 2 k 3
1 k
k 2 k 1
k 3 k 2
k 4 k 3 .
1
1
PGINA 52
2 MODELOS UNIVARIANTES
La matriz Bk es una matriz de autocorrelaciones del mismo tipo que PN en la Observacin 3 de 2.2.6. La matriz Ak
es idntica a Bk excepto porque la ltima columna de Bk est reemplazada por el vector columna [ 1 , 2 , ..., k ] . En
particular, para k = 1, 2, 3 resulta que
1 1 1
11 = 1 , 22 =
1 1
1 2
1 1
1 1
2 12
1 12
, 33 =
1 1 2
2 1 3
1 1 2
1 1 1
2 1 1
de manera que los coecientes de autocorrelacin parcial son funciones de los coecientes de autocorrelacin simple de
un proceso estrictamente estacionario.
Observacin 3: Considerada como una funcin del retardo k, la secuencia (kk : k = 1, 2, ...) se denomina la funcin de
autocorrelacin parcial (PACF, del ingls Partial AutoCorrelation Function) del proceso (Yt ) .
kk =
Ak
Bk
(k = 1, 2, ...) ; 11 = 1 .
SERIES TEMPORALES
PGINA 53
2 MODELOS UNIVARIANTES
PGINA 54
2 MODELOS UNIVARIANTES
N
1 Y
N t =1 t
Y2
N
1 (Y
N t =1 t
Y )2 ,
(2.3)
N
1
y
N t =1 t
sy2
N
1
(y
N t =1 t
y )2 ,
cuando se reemplaza en (2.3) cada variable aleatoria Yt por su valor observado yt (t = 1, ..., N ) .
Observacin 2: Para contrastar hiptesis sobre Y (el verdadero valor de la media de un proceso estacionario) del
estilo de Y = m frente a alternativas del tipo Y m , Y > m Y < m (donde m es un nmero dado, como 0),
puede utilizarse un estadstico t basado en que
E[ Y ] = Y , Var[ Y ]
Y2
N
1 + 2 k
k =1
2.2.9 Definicin
PGINA 55
2 MODELOS UNIVARIANTES
k
(k = 1, 2, ...)
0
(2.4)
N k
1 (Y
Y )(Yt +k Y )
N t =1 t
N
1
(Y
Y )(Yt Y )
N t =k +1 t k
(2.5)
(k = 0, 1, 2, ...).
ck
N k
1
(y
N t =1 t
y )(yt +k y )
rk =
N
1
(y
N t =k +1 t k
y )(yt y ) (k = 0, 1, 2, ...),
ck
(k = 1, 2, ...) ,
c0
cuando se reemplaza en (2.5) cada variable aleatoria Yt por su valor observado yt (t = 1, ..., N ) .
Observacin 2: La secuencia de valores numricos (r k : k = 1, 2, ...) se denomina la ACF muestral de la serie temporal
y1 , y2 , ..., yN . La representacin grca de la ACF muestral de una serie se denomina el correlograma de dicha serie.
SERIES TEMPORALES
PGINA 56
2 MODELOS UNIVARIANTES
( k 1 ) de (Yt ) puede considerarse individualmente signicativa al 5% cuando r k > 1.96 / N . Por otro lado, para
determinar si las K primeras autocorrelaciones simples de (Yt ) son conjuntamente signicativas (donde K es un
entero bastante ms reducido que N ), suele emplearse el valor calculado del estadstico de Ljung-Box
QLB
rk2
= N ( N 2)
,
k =1 N k
K
que bajo la hiptesis nula de que 1 = 2 = ... = K = 0 , sigue aproximadamente una distribucin 2 ( K ) .
2.2.10 Definicin
reemplazando en las matrices Ak y Bk cada autocorrelacin simple terica k por su estimador (2.4). La secuencia de
valores numricos (r kk : k = 1, 2, ...) que se obtiene al aplicar los estimadores 11 , 22 , ... a una serie y1 , y2 , ..., yN , se
denomina la PACF muestral de dicha serie.
SERIES TEMPORALES
PGINA 57
2 MODELOS UNIVARIANTES
2.2.11 Ejemplo
4
3
1
-1
0
-2
1
1
ACF
15
15
30
45
60
75
-1
-1
0
-2
PACF
-4
15
15
30
45
60
75
3
1
-1
0
-2
-4
ACF
15
15
30
45
60
75
-1
-1
0
-2
15
ACF
15
PACF
15
-3
PACF
-1
-3
-1
-1
15
PANEL B - AR(1)
ACF
-3
1
-1
-3
-1
-4
PACF
-4
15
PANEL C - AR(2)
15
30
45
60
75
-1
PANEL D - MA(1)
Figura 2.8
Funciones de autocorrelacin muestrales de varias series estacionarias simuladas
(sim-ARIMA.wf1)
SERIES TEMPORALES
PGINA 58
2 MODELOS UNIVARIANTES
2.2.12 Ejemplo
4
3
1
-1
0
-2
ACF
15
1990
1992
1994
1996
1998
2000
2002
-1
PACF
15
-4
1960
3
1
-1
0
-2
-4
1755 1785 1815 1845 1875 1905 1935 1965
-1
2000
ACF
15
-1
PACF
15
-4
ACF
15
PACF
15
1
0
-3
15
-2
PACF
-1
-1
15
1
1
-3
1990
-1
1980
1970
ACF
-3
-2
-1
0
-1
-3
-1
-4
1880
1900
1920
1940
1960
-1
Figura 2.9
Funciones de autocorrelacin muestrales de varias series estacionarias reales
(Panel A: bolsa-int.wf1. Panel B: interest-rates-q.wf1. Panel C: sunspots.wf1. Panel D: nilo.wf1)
SERIES TEMPORALES
PGINA 59
2 MODELOS UNIVARIANTES
2.2.13 Ejemplo
4
3
1
-1
0
-2
ACF
15
1990
1992
1994
1996
1998
2000
2002
-1
-1
0
-2
PACF
15
-4
1960
3
1
-1
0
-2
-4
82 84 86 88 90 92 94 96 98 00 02
1990
2000
-1
PACF
15
-1
1
0
2
1
ACF
15
-1
0
-2
PACF
15
-4
ACF
39
PACF
39
-3
-1
-3
1980
-1
1970
15
ACF
-3
-1
-3
-1
-4
1989
1991
1993
1995
1997
1999
2001
-1
Figura 2.10
Funciones de autocorrelacin muestrales de varias series no estacionarias reales
(Panel A: bolsa-int.wf1. Panel B: interest-rates-q.wf1. Panel C: exchange-rates.wf1. Panel D: seasonal.wf1)
SERIES TEMPORALES
PGINA 60
2 MODELOS UNIVARIANTES
Observacin 1: Aunque la ACF y la PACF muestrales se han denido en 2.2.8-2.2.10 en relacin con una serie
temporal estacionaria, tambin pueden calcularse a partir de cualquier secuencia de datos. En particular, la ACF
muestral de una serie no estacionaria suele decrecer muy lentamente, mientras que la ACF muestral de una serie
estacional suele presentar el mismo tipo de comportamiento peridico que dicha serie. Por lo tanto, el correlograma de
una serie temporal es un instrumento visual muy til para decidir sobre la estacionariedad de dicha serie.
Observacin 2: La ACF y la PACF muestrales de una serie temporal estacionaria son dos instrumentos fundamentales
para la identicacin de un modelo ARMA inicial para el proceso estocstico (Yt ) del que supuestamente procede
dicha serie. Por otro lado, la ACF y la PACF muestrales de la serie de residuos asociada con un modelo estimado
para (Yt ) , tambin son dos instrumentos fundamentales en la diagnosis de dicho modelo.
Muchas series temporales (como las del Ejemplo 2.2.13) no pueden considerarse
generadas por procesos estocsticos estacionarios (es decir, son series no estacionarias),
porque presentan ciertas tendencias claras en su evolucin temporal (de manera que no
presentan anidad hacia algn valor constante en el tiempo), porque su variabilidad no
es constante, porque son estacionales, o por varias combinaciones de estos motivos.
No obstante, muchas series temporales no estacionarias se pueden transformar de forma
adecuada para obtener series de aspecto estacionario (como las de los ejemplos 2.2.11 y
SERIES TEMPORALES
PGINA 61
2 MODELOS UNIVARIANTES
2.2.12), que pueden ser utilizadas para elaborar modelos estadsticos compatibles con la
hiptesis de estacionariedad. Estos modelos se presentan en la Seccin 2.3.
En la secciones 2.4 y 2.5 se presentan algunas tcnicas sencillas para detectar series no
estacionarias y para transformar adecuadamente dichas series (dos operaciones que se
llevan a cabo al principio de cualquier anlisis emprico), as como los modelos
estadsticos que resultan al combinar dichas transformaciones con los modelos
estacionarios de la seccin 2.3.
SERIES TEMPORALES
PGINA 62
2 MODELOS UNIVARIANTES
1 1 x 2 x 2 ... p x p = 0
(2.7)
1 1 x 2 x 2 ... q x q = 0
(2.8)
PGINA 63
2 MODELOS UNIVARIANTES
2.3.2 Definicin
El operador de retardo se representa con el smbolo B (a veces L, del ingls Backshift o Lag
operator) y se dene de acuerdo con que
BXt Xt 1 , B d X t Xt d (d 1 entero),
(2.9)
(2.10)
( B ) 1 1 B 2 B 2 ... p B p
(2.11)
donde
es el operador o polinomio autorregresivo (AR) del modelo [comparar con (2.7)] y
( B ) 1 1 B 2 B 2 ... q B q
(2.12)
PGINA 64
2 MODELOS UNIVARIANTES
Estacionariedad Invertibilidad
Cuando un proceso estacionario (Yt ) sigue un modelo ARMA(p,q) descrito por (2.6)
(2.10), la esperanza incondicional de (Yt ) es
Y E[Yt ] =
,
=
1 1 2 ... p
(1)
(2.13)
donde (1) es el valor del operador AR (2.11) cuando B = 1 . Por lo tanto, (2.10) puede
escribirse alternativamente como
( B )(Yt Y ) = ( B )At , o bien ( B )Yt = ( B )At ,
(2.14)
(B )
2
1 + 1 B + 2 B + ... i B i ( 0 1)
(B )
(B )
i =0
SERIES TEMPORALES
(2.15)
PGINA 65
2 MODELOS UNIVARIANTES
satisfacen la condicin i= 0 i < , que es suciente para que un proceso (Yt ) tal
que Yt = ( B )At sea estacionario (Teorema de Wold).
La condicin de invertibilidad de un modelo ARMA enunciada en 2.3.1 garantiza que
los parmetros o pesos 0 , 1 , 2 , ... del polinomio de orden innito
( B )
2
1 1 B 2 B ... i B i ( 0 1)
(B )
(B )
i =0
(2.16)
los pesos de (2.15) y (2.16) pueden calcularse recursivamente teniendo en cuenta que ( B )( B ) = ( B ) y que
( B )(B ) = ( B ) , de manera que, por un lado,
i = 1 i 1 + 2 i 2 + ... + p i p i
para todo i > 0 (donde 0 = 1 , i = 0 si i < 0 y i = 0 si i > q), y, por otro lado,
i = 1 i 1 + 2 i 2 + ... + q i q + i
SERIES TEMPORALES
PGINA 66
2 MODELOS UNIVARIANTES
para todo i > 0 (donde 0 = 1 , i = 0 si i < 0 y i = 0 si i > p). Por ltimo, de la relacin ( B ) ( B ) = 1
implcita en (2.15) y (2.16) se deduce que
i 1
i 1
j =0
j =0
Cuando un proceso estacionario (Yt ) sigue un modelo ARMA(p,q) descrito por (2.6),
(2.10) (2.14), la esperanza, la varianza, la ACF y la PACF de (Yt ) dependen
2 ) que guran en
nicamente de los p + q + 2 parmetros ( 1 , ..., p , 1 , ..., q , y A
dicho modelo.
2.3.4 Ejemplo Modelo autorregresivo de primer orden o AR(1)
(2.17.1)
PGINA 67
2 MODELOS UNIVARIANTES
Y =
Media:
.
1 1
k = 1 k 1 (k 1) .
ACF:
(2.17.2)
(2.17.3)
Observacin: La expresin anterior es una ecuacin en diferencias de orden 1 que puede resolverse recursivamente a
partir de la condicin inicial 0 = 1 (ver Figura 2.6), lo que proporciona k = 1k para todo k 0 (una exponencial
amortiguada).
PACF:
Varianza:
kk
Y2
1 si k = 1,
=
0 para todo k > 1.
(2.17.4)
2
2
A
A
=
=
.
2
1 1 1
1 1
(2.17.5)
Yt = + 1Yt 1 + 2Yt 2 + At
SERIES TEMPORALES
(2.18.1)
PGINA 68
2 MODELOS UNIVARIANTES
2 < 1
Media:
Y =
(ver
2.3.1)
2 ),
( At ) IID(0, A
.
1 1 2
k = 1 k 1 + 2 k 2 (k 1).
ACF:
puede
(2.18.2)
(2.18.3)
Observacin: La expresin anterior es una ecuacin en diferencias que puede resolverse recursivamente a partir de las
condiciones iniciales 0 = 1 (ver Figura 2.6) y 1 = 1 /(1 2 ) [que se obtiene de (2.18.3) con k = 1; por otro lado,
las dos ecuaciones que resultan de (2.18.3) con k = 1 y k = 2 se denominan ecuaciones de Yule-Walker]. En
particular, si las dos races de (2.7) con p = 2 son complejas, la solucin de (2.18.3) es
D k sen(2 fk + F )
k =
para todo k 0 ,
sen( F )
cuyo numerador representa una oscilacin armnica amortiguada de amplitud D k , perodo 1/f, frecuencia f, fase
inicial F /(2 f ) y factor de amortiguamiento D; estas caractersticas de k son funciones de los parmetros 1 y
2 de acuerdo con que D = 2 , cos(2 f ) = 1 /(2 2 ) y tan( F ) = [(1 2 ) /(1 + 2 )] tan(2 f ) .
PACF:
SERIES TEMPORALES
kk
1 /(1 2 ) si k = 1,
= 2
si k = 2,
0
para todo k > 2.
(2.18.4)
PGINA 69
2 MODELOS UNIVARIANTES
Varianza:
Y2
2
A
1 2
=
=
1 1 1 2 2
1 + 2
(1 1 2 )(1 + 1 2 ) .
(2.18.5)
Yt = + At 1 At 1
(2.19.1)
Y = .
(2.19.2)
2 ) si k = 1,
/(1
+
1
1
k =
0
para todo k > 1.
(2.19.3)
Media:
ACF:
PACF:
Varianza:
SERIES TEMPORALES
kk
1
= k
2i
i = 0 1
1 2
1
k =
1 12( k +1)
2.
Y2 = (1 + 12 )A
k para todo k 1 .
1
(2.19.4)
(2.19.5)
PGINA 70
2 MODELOS UNIVARIANTES
Yt = + At 1 At 1 2 At 2
(2.20.1)
2 ) , puede comprobarse
con 2 + 1 < 1 , 2 1 < 1 , 2 < 1 (ver 2.3.1) y ( At ) IID(0, A
lo siguiente:
Media:
ACF:
Varianza:
Y = .
(2.20.2)
[ 1 (1 2 )] /(1 + 2 + 2 ) si k = 1,
1
2
k = 2 /(1 + 12 + 22 )
si k = 2,
0
para todo k > 2.
(2.20.3)
2.
Y2 = (1 + 12 + 22 )A
(2.20.4)
Observacin: La expresin analtica de la PACF en un modelo MA(2) depende de la naturaleza de las dos races de
(2.8) con q = 2; en general, dicha expresin es muy complicada. No obstante, la PACF sigue exactamente las mismas
pautas que la serie (i : i = 1, 2, ...) asociada con (2.16) cuando ( B ) = 1 y (B ) = 1 1B 2 B 2 . En otros
trminos, la PACF en un modelo MA(2) es semejante a la ACF en un modelo AR(2); ver Observacin en 2.3.5.
SERIES TEMPORALES
PGINA 71
2 MODELOS UNIVARIANTES
Yt = + 1Yt 1 + At 1 At 1
(2.21.1)
Media:
.
(2.21.2)
Y =
1 1
ACF:
Varianza:
[( 1 1 )(1 1 1 )] /(1 2 1 1 + 2 ) si k = 1,
k =
1 k 1
para todo k > 1.
1
+
1
2
( 1 1 )2 2
1
1
1
2
2
Y =
A = 1 +
A .
2
2
1 1
1 1
(2.21.3)
(2.21.4)
Observacin: La PACF en un modelo ARMA(1,1) consiste en un valor inicial 11 = 1 seguido de una secuencia de
valores que siguen exactamente la pauta de la PACF en un modelo MA(1); ver Ejemplo 2.3.6. Esto es lo mismo que
ocurre con la ACF (2.21.3), que consiste en un valor inicial 1 seguido de una secuencia de valores que siguen
exactamente la pauta de la ACF en un modelo AR(1); ver Ejemplo 2.3.4.
SERIES TEMPORALES
PGINA 72
2 MODELOS UNIVARIANTES
Figura 2.11
AR(1): Yt = 0.8Yt 1 + At .
Parmetro positivo.
Figura 2.12
AR(1): Yt = 0.8Yt 1 + At .
Parmetro negativo.
Figura 2.13
AR(2): Yt = 0.6Yt 1 + 0.2Yt 2 + At .
Races de (2.7) reales: 4.19, +1.19 (dominante).
Figura 2.14
AR(2): Yt = 0.6Yt 1 + 0.2Yt 2 + At .
Races de (2.7) reales: +4.19, 1.19 (dominante).
SERIES TEMPORALES
PGINA 73
2 MODELOS UNIVARIANTES
Figura 2.15
AR(2): Yt = 0.75Yt 1 0.5Yt 2 + At .
Races de (2.7) complejas: +0.75 1.20i .
Figura 2.16
AR(2): Yt = 0.8Yt 1 0.6Yt 2 + At .
Races de (2.7) complejas: 0.67 1.11i .
Figura 2.17
MA(1): Yt = At 0.8 At 1 .
Parmetro positivo.
Figura 2.18
MA(1): Yt = At + 0.8 At 1 .
Parmetro negativo.
SERIES TEMPORALES
PGINA 74
2 MODELOS UNIVARIANTES
Figura 2.19
MA(2): Yt = At 0.6 At 1 0.2 At 2 .
Races de (2.7) reales: 4.19, +1.19 (dominante).
Figura 2.20
MA(2): Yt = At + 0.6 At 1 0.2 At 2 .
Races de (2.7) reales: +4.19, 1.19 (dominante).
Figura 2.21
MA(2): Yt = At 0.75 At 1 + 0.5 At 2 .
Races de (2.7) complejas: +0.75 1.20i .
Figura 2.22
MA(2): Yt = At + 0.8 At 1 + 0.6 At 2 .
Races de (2.7) complejas: 0.67 1.11i .
SERIES TEMPORALES
PGINA 75
2 MODELOS UNIVARIANTES
Figura 2.23
ARMA(1,1): Yt = 0.8Yt 1 + At + 0.8 At 1 .
Figura 2.24
ARMA(1,1): Yt = 0.8Yt 1 + At 0.8 At 1 .
Figura 2.25
ARMA(1,1): Yt = 0.8Yt 1 + At 0.3 At 1 .
Figura 2.26
ARMA(1,1): Yt = 0.3Yt 1 + At 0.8 At 1 .
SERIES TEMPORALES
PGINA 76
2 MODELOS UNIVARIANTES
Modelo AR(p)
Modelo MA(q)
Modelo ARMA(p,q)
Representacin de Yt
en trminos de Yt i
( B )Yt = At
1 ( B )Yt = At
1 ( B )( B )Yt = At
Representacin de Yt
en trminos de At i
Yt = 1 ( B )At
Yt = ( B )At
Yt = 1 ( B ) ( B )At
Operador ( B )
( B ) = ( B ) (nito)
( B ) = 1 ( B ) (innito)
( B ) = 1 ( B )( B ) (innito)
Operador ( B )
( B ) = 1 ( B ) (innito) ( B ) = ( B ) (nito)
( B ) = 1 ( B ) ( B ) (innito)
Condicin de
estacionariedad
Races de ( x ) = 0 fuera
del crculo unitario
Siempre estacionario
Condicin de
invertibilidad
Siempre invertible
Races de ( x ) = 0 fuera
del crculo unitario
ACF terica
PACF terica
SERIES TEMPORALES
Innita:
Finita:
Mezcla de exponenciales y Igual a 0 despus de k = q
oscilaciones amortiguadas
Innita:
Mezcla de exponenciales y
oscilaciones amortiguadas despus
de k = q p
Finita:
Innita:
Igual a 0 despus de k = p Dominada por mezcla de
exponenciales y oscilaciones
amortiguadas
Innita:
Dominada por mezcla de
exponenciales y oscilaciones
amortiguadas despus de k = p q
PGINA 77
2 MODELOS UNIVARIANTES
Observacin 1: El archivo sim-ARIMA.wf1 contiene (entre otras) varias series temporales simuladas (generadas) con las
instrucciones del archivo sim-ARIMA.prg para EViews 3.1 a partir de todos los modelos ARMA cuyas ACF y PACF
tericas aparecen representadas en las guras 2.11-2.23 anteriores. Todas las series se han obtenido a partir de la serie
RB, que es una realizacin particular de tamao 150 de un proceso de ruido blanco Gaussiano con varianza igual a
uno. El modelo utilizado para generar cada serie aparece en la vista por defecto en EViews (SpreadSheet) de cada serie
y en el comentario que precede a cada grupo de instrucciones en el programa sim-ARIMA.prg. Las series del archivo simARIMA.wf1 pueden utilizarse para observar su aspecto en un grco temporal estandarizado, para examinar el aspecto
de las ACF y PACF muestrales correspondientes (como en la Figura 2.8), y para comparar dichas funciones de
autocorrelacin muestrales con las funciones de autocorrelacin tericas de las guras 2.11-2.23.
Observacin 2: Cuando una serie temporal estacionaria (yt ) se observa S > 1 veces al ao, como por ejemplo en el
caso de series mensuales (S = 12) o trimestrales (S = 4), es muy frecuente que un modelo ARMA multiplicativo, o
ARMA( p , q ) ARMA( P , Q )S , del tipo
p ( B )P ( B S )Yt = + q ( B )Q ( B S )At
resulte til para describir la evolucin temporal del proceso estacionario (Yt ) que ha generado dicha serie. En este
modelo, p ( B ) y q ( B ) son los operadores AR (estacionario) y MA (invertible) de (2.11) y (2.12), que en este
contexto suelen denominarse operadores regulares; P ( B S ) 1 1 B S 2 B 2 S ... P B PS (con las races de
la ecuacin 1 iP=1 i x i = 0 fuera del crculo unitario) y Q ( B S ) 1 1 B S 2 B 2 S ... Q BQS (con las
i
races de la ecuacin 1 Q
i =1 i x = 0 fuera del crculo unitario), que suelen denominarse operadores anuales; y
2 ) . En un modelo de este tipo, los operadores regulares se emplean para modelizar la correlacin
( At ) IID(0, A
entre pares de componentes de (Yt ) separados entre s por k = 1, 2, 3, ... perodos bsicos (por ejemplo, meses o
trimestres), mientras que los operadores anuales describen la correlacin entre pares de componentes de (Yt )
separados entre s por k = S, 2S, 3S, ... perodos bsicos (o bien 1, 2, 3, ... aos); ver guras 2.27-2.28.
SERIES TEMPORALES
PGINA 78
2 MODELOS UNIVARIANTES
Figura 2.27
AR(1) AR(1)12 , con 1 = 0.8 , 1 = 0.8 .
Figura 2.28
MA(1) MA(1)12 , con 1 = 0.8 , 1 = 0.8 .
Observacin 3: En general, la ACF terica de un modelo ARMA( p , q ) ARMA( P , Q )S presenta las pautas siguientes:
(i) en los primeros retardos (1, 2, 3, ...) aparece la ACF de la parte regular ARMA( p , q ) , (ii) en los retardos anuales
(S, 2S, 3S, ...) aparece la ACF de la parte anual ARMA( P , Q )S , (iii) la pauta de la ACF de la parte regular se repite
a la izquierda (en el sentido ) y a la derecha (en el sentido ) de cada coeciente anual, con signo igual al producto
de los signos del coeciente anual y de los coecientes regulares correspondientes. En general, la PACF terica de un
modelo ARMA( p , q ) ARMA( P , Q )S presenta las pautas siguientes: (i) en los primeros retardos (1, 2, 3, ...) aparece
la PACF de la parte regular ARMA( p , q ) , (ii) en los retardos anuales (S, 2S, 3S, ...) aparece la PACF de la parte
anual ARMA( P , Q )S , (iii) a la derecha de cada coeciente anual se repite (en el sentido ) la pauta de la PACF de
la parte regular, con el signo cambiado si el coeciente anual es positivo, o con su signo si dicho coeciente es
negativo, (iv) a la izquierda de cada coeciente anual se repite (en el sentido ) la pauta de la ACF de la parte
regular, con signo igual al producto de los signos del coeciente anual y de los coecientes regulares correspondientes.
SERIES TEMPORALES
PGINA 79
2 MODELOS UNIVARIANTES
SERIES TEMPORALES
PGINA 80
2 MODELOS UNIVARIANTES
(2.22)
donde 2 > 0 es una constante y h() es una funcin real tal que h () 0 para cualquier
valor de t , entonces una transformacin estabilizadora de la varianza de (Yt ) es cualquier
funcin real g() tal que
1
para cualquier valor de t .
(2.23)
g () =
h ()
Observacin: Una aproximacin de Taylor de primer orden (lineal) a Yt g (Yt ) alrededor de t indica que
PGINA 81
2 MODELOS UNIVARIANTES
2.4.2 Ejemplo
Sea (Yt ) un proceso estocstico no estacionario tal que t E[Yt ] y t2 Var[Yt ] no son
constantes. Si t es proporcional a t , de manera que t2 = 2 t2 , entonces h ( t ) = t en
(2.22) y g ( t ) = t1 en (2.23), es decir, g () = ln() ; en este caso, la varianza del proceso
(Yt ) = (ln Yt ) es (aproximadamente) constante. Si t2 es proporcional a t , de manera que
t2 = 2 t , entonces h ( t ) = t en (2.22) y g ( t ) = t en (2.23), es decir,
g () = 2() ; en este caso, la varianza de (Yt ) = (2Yt ) es (aproximadamente) constante.
Observacin 1: Las dos transformaciones del Ejemplo 2.4.2 pueden escribirse como
Yt g (Yt ) =
(Yt + m ) 1
,
sea constante; por lo tanto, la presencia de en el denominador de la transformacin de Box-Cox anterior puede
ignorarse en general (lo mismo que el 1 del numerador). La Figura 2.29 representa las dos posibilidades del Ejemplo
2.4.2, junto con otras tambin contempladas (aunque menos frecuentes) en la transformacin de Box-Cox.
SERIES TEMPORALES
PGINA 82
2 MODELOS UNIVARIANTES
t = t2 (requiere = 1)
t = t (requiere = 0)
t = t (requiere = 12 )
t = (constante: = 1)
t =
(requiere = 2)
t
t
Figura 2.29
Posibles relaciones entre la desviacin tpica y la media locales de procesos no estacionarios
(entre parntesis figura la transformacin de Box-Cox requerida para estabilizar la varianza en cada caso)
SERIES TEMPORALES
PGINA 83
2 MODELOS UNIVARIANTES
2.4.3 Ejemplo
4
2
DESVIACIN TPICA
3
2
1
0
-1
-2
-3
-4
1990
1992
1994
1996
1998
2000
1
0
-1
-2
2002
-2
-1
IBEX35
MEDIA
2
DESVIACIN TPICA
3
2
1
0
-1
-2
-3
-4
1990
1992
1994
1996
1998
2000
2002
LOG( IBEX35 )
1
0
-1
-2
-2
-1
0
MEDIA
PGINA 84
2 MODELOS UNIVARIANTES
2
DESVIACIN TPICA
3
2
1
0
-1
-2
-3
-4
1989
1991
1993
1995
1997
1999
1
0
-1
-2
2001
-2
-1
VIVIENDAS INICIADAS
MEDIA
2
DESVIACIN TPICA
3
2
1
0
-1
-2
-3
-4
1989
1991
1993
1995
1997
1999
2001
1
0
-1
-2
-2
-1
0
MEDIA
PGINA 85
2 MODELOS UNIVARIANTES
modelo ARMA(p,q) estacionario e invertible (para lo cual es necesario que (Yt ) sea un proceso estacionario; ver 2.2.12.2.4), (ii) (Yt ) I(1) si y slo si ( Yt ) I(0) , (iii) (Yt ) I(2) si y slo si ( 2Yt ) I(0) , ... Como se ilustra en
los ejemplos 2.4.6-2.4.8, si (Yt ) I(d ) con d 1, entonces (Yt ) es un proceso no estacionario.
SERIES TEMPORALES
PGINA 86
2 MODELOS UNIVARIANTES
2.4.6 Ejemplo
Un paseo aleatorio (en ingls random walk) es un proceso estocstico (Yt ) tal que
Yt = + Yt 1 + At para todo t = 0, 1, 2, ...,
(2.25)
(2.26)
Yt = (yk k ) + At + At i
i =1
+ t para t > k.
(2.27)
2 t dependen
Si, por ejemplo, k = 0 e y 0 = 0 , (2.27) implica que E[Yt ] = t y Var[Yt ] = A
de t, por lo que (Yt ) es un proceso no estacionario (incluso cuando = 0 ).
SERIES TEMPORALES
PGINA 87
2 MODELOS UNIVARIANTES
Observacin 1: A partir de (2.27) con k = 0 e y 0 = 0 , puede comprobarse que Corr[Yt , Yt +h ] = [ t /(t + h )] para
todo h > 0, lo que indica nuevamente que un paseo aleatorio es un proceso no estacionario. Adems, para cualquier t
dado, la correlacin anterior tiende a cero con h muy lentamente; de hecho, cuanto mayor es t, ms lentamente tiende
Corr[Yt , Yt +h ] a cero (por ejemplo, con t = 500, Corr[Yt , Yt +h ] > 0.95 incluso para h = 50). Anlogamente, puede
comprobarse que Corr[Yt h , Yt ] = [(t h ) / t ] para todo h > 0, que no coincide en general con Corr[Yt , Yt +h ] . En
cualquier caso, el decrecimiento lento de la ACF de un paseo aleatorio es caracterstico de cualquier proceso integrado
de orden d 1, lo que contrasta claramente con el decrecimiento exponencial de la ACF de un proceso estacionario
I(0) que sigue cualquiera de los modelos ARMA estacionarios e invertibles de la Seccin 2.3.
Observacin 2: Un proceso integrado de orden d 1 tambin se denomina un proceso homogneamente no
estacionario de orden d 1, en el sentido que cuando (Yt ) I(d ) , (Yt ) presenta una tendencia en su evolucin
temporal, pero sus uctuaciones alrededor de dicha tendencia constituyen un proceso estocstico estacionario con
media cero, por lo que dichas uctuaciones son homogneas. En otros trminos, cuando (Yt ) I(d ) , su evolucin en
cada intervalo temporal de su historia (componente irregular o transitorio) es esencialmente independiente de su
tendencia (componente tendencial o permanente). (El tipo de no estacionariedad que se caracteriza por una clara
dependencia de la evolucin temporal local de un proceso con respecto a su tendencia, denominado no estacionariedad
explosiva, no se considera aqu por no ser representativo de la mayora de las series temporales econmicas).
Observacin 3: De acuerdo con lo anterior, cuando (Yt ) I(d ) , Yt
PGINA 88
2 MODELOS UNIVARIANTES
2.4.7 Ejemplo
Cuando (Yt ) es un paseo aleatorio descrito por (2.25), la forma funcional de (2.27) no vara
aunque el origen temporal k < t tienda a . En este caso, puede considerarse que
t k 1
Tt [Yt ] = (yk k ) + At i
i =1
+ t , I t [Yt ] = At ,
(2.28)
o bien
Tt [Yt ] = + Yt 1 , I t [Yt ] = At .
(2.29)
k 1
Tt [Yt ] en (2.28) es la ecuacin de una recta de nivel 0 (yk k ) + ti
At i (una
=1
variable aleatoria) y pendiente (una constante). Por lo tanto, la tendencia de un paseo
aleatorio tiene dos componentes: un componente determinista asociado con el trmino t
(que no est presente si = 0 ) y un componente estocstico o aleatorio asociado con el
trmino 0 , cada uno de cuyos sumandos At 1 , At 2 , ..., Ak +1 representa una contribucin
permanente aunque aleatoria al nivel de (Yt ) .
PGINA 89
2 MODELOS UNIVARIANTES
2.4.8 Ejemplo
(2.30)
(2.31)
(2.32)
2 + (1 )2 2 (t 1) depende de
Si k = 0 e y 0 = a 0 = 0 , (2.32) implica que Var[Yt ] = A
1
A
t, por lo que (Yt ) es un proceso no estacionario.
Dado que la forma funcional de la solucin (2.32) no vara aunque el origen temporal k < t
SERIES TEMPORALES
PGINA 90
2 MODELOS UNIVARIANTES
(2.33)
Tt [Yt ] = Yt 1 , I t [Yt ] = At 1 At 1 .
(2.34)
i =2
o bien
Tt [Yt ] en (2.33) es puramente estocstica, cada uno de cuyos sumandos At 1 , (1 1 )At 2 ,
..., (1 1 )Ak +1 representa una contribucin permanente aunque aleatoria al nivel de (Yt ) .
Sea (Yt ) I(0) un proceso estocstico que sigue un modelo AR(1) estacionario del tipo
(2.35)
PGINA 91
2 MODELOS UNIVARIANTES
Yt =
que tiende a
1t k yk
t k 1
i =0
1i At i
t k 1 i
+ 1
i = 0
para t > k,
Yt =
+ 1i At i para todo t = 0, 1, 2, ...
1 1 i = 0
Tt [Yt ] =
, I t [Yt ] = 1i At i = 1 I t 1 [Yt ] + At ,
1 1
i =0
de manera que (Yt ) es un proceso estocstico sin tendencia.
(2.36)
(2.37)
(2.38)
Observacin 1: Los ejemplos 2.4.6-2.4.9 sugieren las siguientes conclusiones generales en relacin con un proceso
PGINA 92
2 MODELOS UNIVARIANTES
Observacin 2: A veces, la tendencia de un proceso (Yt ) es puramente determinista, como ocurre por ejemplo cuando
Observacin 3: En la prctica, muchas series temporales no estacionarias que presentan tendencias claras en su
evolucin temporal, se pueden transformar en series estacionarias aplicndoles tan slo 1 2 diferencias regulares, lo
que signica que dichas series han podido ser generadas por procesos integrados de orden 1 2, respectivamente. Por
otro lado, la estimacin de los componentes Tt [Yt ] e I t [Yt ] de un proceso no estacionario a partir de una serie
temporal, requiere la elaboracin previa de un modelo ARIMA para dicha serie como se describe en la Seccin 2.6.
Observacin 4: La estacionalidad es una forma de no estacionariedad homognea que ocurre con mucha frecuencia en
la prctica. Por ejemplo, una serie que se observa S > 1 veces al ao es estacional de perodo S cuando la serie
presenta ciertas pautas en su evolucin que se repiten sistemticamente cada S observaciones [ver guras 1.9, 1.10 y
2.10 (Panel D)]. Para recoger la estacionalidad de un proceso (Yt ) del que supuestamente procede una serie
estacional, suele emplearse el operador diferencia estacional de perodo S y orden D 1, SD (1 B S )D , de
manera que si (Yt ) es un proceso estacional de perodo S, entonces ( SDYt ) no presenta estacionalidad (aunque puede
ser no estacionario por otros motivos). (Ntese que S 1 B S (1 B )S S para cualquier valor de S > 1.)
En resumen, si una serie temporal (yt ) es no estacionaria por diversos motivos, ( d SD yt ) es una serie estacionaria si
la transformacin de Box-Cox (ver 2.4.1-2.4.3), el nmero d de diferencias regulares (en muchos casos 0, 1 2), y el
nmero D de diferencias estacionales (en muchos casos 0 1), se escogen adecuadamente; ver Figura 2.31.
SERIES TEMPORALES
PGINA 93
2 MODELOS UNIVARIANTES
4
3
4
3
2
1
2
1
-1
-2
-1
-2
-3
-4
-3
-4
1989
1991
1993
1995
1997
1999
2001
1989
3
2
3
2
0
-1
0
-1
-2
-3
-2
-3
-4
-4
1991
1993
1995
1997
1999
1993
1995
1997
1999
2001
1989
1991
2001
1989
1991
1993
1995
1997
1999
2001
Figura 2.31
Diferentes transformaciones de la serie mensual Viviendas iniciadas en Espaa
(seasonal.wf1)
SERIES TEMPORALES
PGINA 94
2 MODELOS UNIVARIANTES
(2.39)
donde las races de las ecuaciones ( x ) = 0 y ( x ) = 0 estn fuera del crculo unitario.
Observacin 1: (2.39) puede interpretarse como un modelo ARMA(p,q) estacionario para la diferencia regular de orden
d de (Yt ) , en el sentido que (2.39) es equivalente a ( B )Wt = + ( B )At con (Wt ) ( dYt ) I(0) ; ver tambin
(2.10)-(2.14). Por otro lado, (2.39) tambin puede interpretarse como un modelo ARMA(p+d,q) no estacionario para
Observacin 2: Como se ilustra con dos ejemplos en la Observacin 2 del Ejemplo 2.4.9, la invertibilidad de (2.39)
garantiza que el modelo ARIMA que sigue (Yt ) I(d ) describe adecuadamente el tipo de tendencia que presenta
(Yt ) en su evolucin temporal (puramente estocstica, o bien con un componente estocstico y otro determinista);
para ms detalles, ver los dos apartados que siguen al Ejemplo 2.5.2.
SERIES TEMPORALES
PGINA 95
2 MODELOS UNIVARIANTES
2.5.2 Ejemplo
El paseo aleatorio de los ejemplos 2.4.6 y 2.4.7 es un modelo ARIMA(0,1,0) para un proceso
I(1). El modelo del Ejemplo 2.4.8 es un modelo ARIMA(0,1,1), o IMA(1,1), para un proceso
I(1). Un modelo ARIMA(1,1,0), o ARI(1,1), para un proceso I(1) es
(1 1 B )Yt = + At , o bien Yt = + (1 + 1 )Yt 1 1Yt 2 + At ,
donde 1 < 1 , 1 < 1 y 1 1 . Por su parte, todos los modelos de los ejemplos 2.3.42.3.8 y 2.4.9 son modelos ARIMA(p,0,q), o ARMA(p,q), para procesos I(0).
Tendencias en modelos invertibles
El modelo ARIMA(p,d,q) para (Yt ) I(d ) de la Denicin 2.5.1 puede escribirse como
( B )[ dYt W ] = ( B )At ,
SERIES TEMPORALES
(2.40)
PGINA 96
2 MODELOS UNIVARIANTES
(2.41)
(2.42)
(2.43)
I t [Yt ]
Tt [Yt ]
I t [Yt ]
SERIES TEMPORALES
PGINA 97
2 MODELOS UNIVARIANTES
Yt = t +
( B )
A,
( B ) t
SERIES TEMPORALES
PGINA 98
2 MODELOS UNIVARIANTES
-1
-1
-2
-2
-3
15
30
45
60
75
-3
-1
-1
-2
-2
1
15
30
45
60
75
30
45
60
75
-3
15
-3
15
30
45
60
75
Figura 2.32
Series simuladas con tendencias diferentes y con la misma parte irregular
(sim-series.wf1)
SERIES TEMPORALES
PGINA 99
2 MODELOS UNIVARIANTES
(2.45)
Identificacin
Entrada: (yt )tN=1 (serie temporal original); S (perodo estacional).
PGINA 100
2 MODELOS UNIVARIANTES
tcvt (k )
yt
yt k
(1 B k )yt
yt yt k
1 =
=
,
yt k
yt k
mientras que la tasa logartmica de variacin de una serie (yt ) se dene como
yt
yt k
= ln yt ln yt k = (1 B k ) ln yt ,
que es aproximadamente igual a tcvt (k ) para valores de tcvt (k ) pequeos. La tasa convencional es multiplicativa, en
el sentido que
SERIES TEMPORALES
PGINA 101
2 MODELOS UNIVARIANTES
[1 + tcvt (k )] =
yt
yt k
y yt 1
= t
yt 1 yt 2
k 1
yt k +1
= [1 + tcvt i (1)] ,
yt k
i =0
k 1
i =0
i =0
Estimacin
d D n
Entrada: (wt )n
t =1 ( S yt )t =1 (serie de aspecto estacionario); modelo identicado para
PGINA 102
2 MODELOS UNIVARIANTES
PGINA 103
2 MODELOS UNIVARIANTES
PGINA 104
2 MODELOS UNIVARIANTES
un factor MA(1) regular (testigo de sobrediferenciacin) al modelo identicado con d = 2; si el modelo estimado
resulta tal que ( x ) = 0 tiene una raz unitaria, se reformula el modelo con d = 1 y sin el factor MA(1) no
invertible (reconsiderando, adems, la naturaleza de la tendencia implcita en el modelo reformulado).
Cuando en la etapa de identicacin no estn claros los rdenes p, P, q y Q, se puede llevar a cabo un ejercicio de
sobreajuste, que consiste en (i) incluir (sin un respaldo muestral claro) de uno en uno factores AR y MA de orden
1 2, (ii) estimar el modelo resultante, y (iii) comprobar si cada factor aadido es signicativo.
Las operaciones siguientes referidas a los residuos del modelo identicado y estimado, son especialmente tiles en la
etapa de diagnosis:
Examinar el grco temporal de la serie de residuos estandarizada. La presencia de cualquier tipo de tendencia
suele indicar la conveniencia de aplicar una diferencia regular o estacional (segn sea la tendencia) a la serie (wt ) .
Si se observa que la dispersin de los residuos no es constante, probablemente la transformacin de Box-Cox
incluida en (wt ) no es adecuada (o quizs las perturbaciones del modelo presentan heteroscedasticidad condicional
del tipo que se describe en la Seccin 2.8).
Examinar el histograma de la serie de residuos y utilizar el estadstico de Jarque-Bera para contrastar la hiptesis
de Normalidad de las perturbaciones.
Si el modelo no contiene el parmetro W , contrastar la signicacin de la media de las perturbaciones utilizando
la media residual; si se rechaza la hiptesis nula del contraste, aadir el parmetro W al modelo.
Examinar la ACF y la PACF residuales. Un amortiguamiento muy lento de la ACF indica que la serie de residuos
no es estacionaria, por lo que conviene aplicar una diferencia (regular o estacional, segn convenga) adicional a la
serie (wt ) . Si la ACF y la PACF presentan alguna conguracin reconocible, aadir al modelo los operadores AR
y MA correspondientes. Para determinar si las autocorrelaciones simples entre las perturbaciones del modelo son
SERIES TEMPORALES
PGINA 105
2 MODELOS UNIVARIANTES
todas iguales a cero hasta cierto retardo g, puede utilizarse el valor calculado del estadstico de Ljung-Box,
r k (at )2
,
QLB (at ) = n (n 2)
k =1 n k
g
que bajo la hiptesis nula de que 1 ( At ) = 2 ( At ) = ... = g ( At ) = 0 , sigue aproximadamente una distribucin
2 ( g m ) , donde m es el nmero total de parmetros estimados (excluyendo la varianza de las perturbaciones).
Criterios de informacin
2.6.1 Definicin
(2.46)
PGINA 106
2 MODELOS UNIVARIANTES
m ln(n )
2 L
BIC
+
,
n
n
(2.47)
de informacin AIC y BIC (que a veces se denomina SC) suelen emplearse para decidir sobre los rdenes p, P, q y Q
asociados con una transformacin (estacionaria) dada de (yt ) . Dichos criterios no deben utilizarse para discriminar ni
entre diferentes transformaciones alternativas de (yt ) , ni entre modelos estimados con diferentes tamaos muestrales
efectivos (que pueden variar en funcin del mtodo de estimacin empleado).
Observacin 2: Teniendo en cuenta lo anterior, un modelo es tanto ms adecuado cuanto ms reducidos son los valores
de sus AIC y BIC. Ambos criterios expresan un compromiso entre la obtencin de un buen ajuste (a travs del primer
sumando de cada uno de ellos) y la obtencin de un modelo con un nmero reducido de parmetros (a travs del
segundo sumando). En este sentido, puede comprobarse que el BIC siempre selecciona un modelo ms escueto que el
AIC. De hecho, el BIC es siempre preferible al AIC con muestras grandes, aunque el AIC puede ser preferible con
algunas muestras cortas. En todo caso, la seleccin de un modelo no debera basarse nicamente en el empleo de estos
criterios (aunque pueden incorporarse al procedimiento de identicacin descrito al principio de esta seccin).
SERIES TEMPORALES
PGINA 107
2 MODELOS UNIVARIANTES
n 1
SF
(2.48)
0
, si > 1 n 1
SERIES TEMPORALES
PGINA 108
2 MODELOS UNIVARIANTES
estimation for the autoregressive moving average, Journal of Time Series Anlisis, 19, 591-599.
Nivel de signicacin
n1
10%
5%
1%
25
50
100
250
500
1.02
1.06
1.07
1.07
1.08
1.68
1.75
1.75
1.76
1.77
3.33
3.41
3.41
3.44
3.46
Tabla 2.1
Valores crticos para el contraste de no estacionariedad de Shin-Fuller (1998)
PGINA 109
2 MODELOS UNIVARIANTES
valor crtico bMLE correspondiente de la Tabla 2.2 (o bien cuando 1 < 1 MLE
n ), donde 1
es la estimacin MVE no restringida de 1 .
Nivel de signicacin
bMLE
bGLR
10%
5%
2.5%
1%
4.90
1.00
6.80
1.94
8.97
2.95
11.93
4.41
Tabla 2.2
Valores crticos asintticos para los contrastes de no invertibilidad de Davis-Chen-Dunsmuir (1995)
2.6.5 Definicin
(2.49)
es mayor que el valor crtico bGLR correspondiente de la Tabla 2.2 anterior. En (2.49), L
SERIES TEMPORALES
PGINA 110
2 MODELOS UNIVARIANTES
or near the unit circle, Probability and Mathematical Statistics, 15, 227-242.
2.6.6 Ejemplo
4
-1
0
-2
1
1
ACF
15
-1
1880
1900
1920
1940
1960
-1
0
-2
PACF
15
-4
ACF
15
PACF
15
-3
1
-1
-3
-1
-4
1880
1900
1920
1940
1960
-1
Figura 2.33
Volumen del flujo anual del ro Nilo en Asun (1871 1970)
(nilo.wf1)
SERIES TEMPORALES
PGINA 111
2 MODELOS UNIVARIANTES
Si (Yt ) representa el proceso estocstico Volumen del ujo anual del ro Nilo en Asun, la
Figura 2.33 sugiere que o bien (Yt ) I(0) AR(1) , o bien (Yt ) I(1) IMA(1, 1). Para
decidir sobre esta cuestin:
1
(2.50)
(2.51)
PGINA 112
2 MODELOS UNIVARIANTES
SERIES TEMPORALES
PGINA 113
2 MODELOS UNIVARIANTES
2.6.7 Ejemplo
1
-1
0
ACF
15
-1
0
ACF
15
PACF
15
1
-2
-2
0
-4
-4
1960
1970
1980
1990
2000
-1
-1
PACF
15
1960
1970
1980
1990
2000
Figura 2.34
Diferencial de la rentabilidad de la deuda pblica en EEUU a 3 aos y a 3 meses (1960:I 2002:IV)
(interest-rates-q.wf1)
Si (Yt ) representa el proceso estocstico Diferencial 3 aos 3 meses, la Figura 2.34 sugiere
que o bien (Yt ) I(0) AR(1) , o bien (Yt ) I(1) (probablemente un paseo aleatorio).
1
SERIES TEMPORALES
(2.52)
PGINA 114
2 MODELOS UNIVARIANTES
Si 1 = 1 , (2.52) indica que (Yt ) I(1) (un paseo aleatorio, quizs con = 0 ). Si
1 < 1 , (2.52) indica que (Yt ) I(0) AR(1) .
2
(2.53)
Si 1 = 1 , (2.53) es (2.52), lo que indica que (Yt ) I(0) AR(1) . Si 1 < 1 , (2.53)
implica que (Yt ) I(1) ARIMA(1, 1, 1) (probablemente con 1 = 1 = 0 , de acuerdo
con el Panel B de la Figura 2.34).
1
SERIES TEMPORALES
PGINA 115
2 MODELOS UNIVARIANTES
Si (Yt ) representa el proceso estocstico PIB real anual en Espaa, la Figura 2.35 sugiere
que o bien (ln Yt ) I(1) ARI(1, 1) [lo que equivale a que ( ln Yt ) I(0) AR(1) ], o
bien (ln Yt ) I(2) ARIMA(0, 2, 0) [lo que equivale a que ( ln Yt ) I(1) es un paseo
aleatorio]. Para decidir sobre esta cuestin:
SERIES TEMPORALES
PGINA 116
2 MODELOS UNIVARIANTES
3
1
-1
0
-2
ACF
15
1965
1970
1975
1980
1985
1990
1995
-1
-1
0
-2
PACF
15
-4
ACF
15
PACF
15
-3
-1
-3
-1
-4
1965
1970
1975
1980
1985
1990
1995
-1
Figura 2.35
Tasa logartmica de variacin anual del PIB real en Espaa (1965 1997)
(pib-cpi.wf1)
(2.54)
Si 1 = 1 , (2.54) indica que (ln Yt ) I(2) (un paseo aleatorio, quizs con = 0 ). Si
1 < 1 , (2.54) indica que (ln Yt ) I(1) ARI(1, 1) .
2
SERIES TEMPORALES
PGINA 117
2 MODELOS UNIVARIANTES
(1 1 B )2 ln Yt = (1 1 B )At
(2.55)
PGINA 118
2 MODELOS UNIVARIANTES
Davis-Chen-Dunsmuir (DCD) son tiles para decidir sobre el orden de integracin de un proceso estocstico. En
general, cuando se duda entre d = 0 y d = 1: [1] escribir un modelo plausible para ( Yt ) , reemplazar Yt en dicho
modelo por (1 B ) , y contrastar con SF = 1 frente a < 1 ; alternativamente, [2] escribir un modelo plausible
para (Yt ) , aadir en dicho modelo en el lado izquierdo y (1 B ) en el lado derecho (testigo de posible
sobrediferenciacin), y contrastar con DCD = 1 frente a < 1 . Cuando se duda entre d = 1 y d = 2: [1] escribir un
modelo plausible para ( 2Yt ) , reemplazar 2Yt en dicho modelo por (1 B ) , y contrastar con SF = 1 frente a
< 1 ; o bien [2] escribir un modelo plausible para ( Yt ) , aadir en dicho modelo en el lado izquierdo y (1 B )
en el lado derecho, y contrastar con DCD = 1 frente a < 1 .
Observacin 2: Los contrastes SF y DCD son los contrastes de races unitarias ms recomendables entre los disponibles
actualmente. Sin embargo, dado que su empleo requiere la estimacin por MVE (no condicionada) de modelos
ARIMA, no son ni remotamente tan populares como otros contrastes que requieren mtodos de estimacin ms
sencillos (aunque, igualmente, menos recomendables que MVE). En particular, los contrastes SF y DCD no estn
implementados en EViews, aunque s lo estn varios contrastes menos recomendables en general; ver Seccin 4.3.
SERIES TEMPORALES
PGINA 119
2 MODELOS UNIVARIANTES
previsin en origen k (dado) del proceso (Yt ) . En la prctica, el origen de previsin k suele ser igual al momento N de
la ltima observacin de una serie temporal y1 , y2 , ..., yN empleada en la elaboracin de un modelo para (Yt ) .
2.7.2 Definicin
SERIES TEMPORALES
(2.57)
PGINA 120
2 MODELOS UNIVARIANTES
( B ) ( B )d 1 ip=1 iB i ( p p + d ), es
p
i =1
i =1
Yk (l ) Ek [Yk +l ] = + i Ek [Yk +l i ] + Ek [ Ak +l ] i Ek [ Ak +l i ] ,
(2.58)
Yk (l ) Ek [Yk +l ] = k +l + Ek [ ( B )Ak +l ],
(2.59)
calcular previsiones puntuales yk (1), yk (2), ... a partir de un modelo estimado. Para ello, en (2.58) se reemplazan los
parmetros , 1 , ..., p , 1 , ..., q por sus valores estimados, se reemplaza cada Ek [Y j ] por y j (un dato) si j k ,
SERIES TEMPORALES
PGINA 121
2 MODELOS UNIVARIANTES
o bien por yk ( j k ) (una previsin) si j > k , y se reemplaza cada Ek [ Aj ] por aj (un residuo) si j k , o bien por 0
(la esperanza incondicional de Aj ) si j > k . Los errores de previsin calculados segn (2.57), asociados con las
previsiones yk (1), yk (2), ... , suelen representarse como ek (l ) yk +l yk (l ) (l = 1, 2, ...) (que slo pueden calcularse
cuando yk +1 , yk +2 , ... son datos conocidos); por su parte, la funcin de previsin (2.59) se utiliza para describir las
propiedades estadsticas de los errores de previsin (ver Denicin 2.7.4).
Observacin 2:
at = yt + ip=1 iyt i qi =1 i at i ,
donde el trmino entre corchetes es un valor ajustado, que puede interpretarse como una previsin en origen t 1 a
horizonte 1. Por lo tanto, at puede interpretarse como un error de previsin en origen t 1 a horizonte 1.
2.7.4 Definicin
Ek (l ) Yk +l Yk (l ) = ( B )Ak +l Ek [ ( B )Ak +l ] ,
donde ( B )Ak +l = i
= 0 i Ak +l i = Ak +l + 1 Ak +l 1 + 2 Ak +l 2 + ... Por lo tanto,
SERIES TEMPORALES
PGINA 122
2 MODELOS UNIVARIANTES
1 A
Ek (l ) = Ak +l + 1 Ak +l 1 + ... + l1 Ak +1 = li
= 0 i k +l i ,
(2.60)
2
1
2
cualquier valor para d 0; en particular, si d = 0, ( B ) = ( B ) , por lo que Var[ Ek (l )] = A
li
= 0 i en este
caso. Como Var[ Ek (l )] depende en cualquier caso del horizonte l 1 pero no del origen k de previsin, Var[ Ek (l )]
suele escribirse simplemente como V (l ), l = 1, 2, ...
(2.61)
PGINA 123
2 MODELOS UNIVARIANTES
YN (1) = + 1YN 1 AN = + 1 YN 1 AN ,
1
(2.62)
(2.63)
(2.63) es una ecuacin en diferencias, cuya solucin a partir de la condicin inicial (2.62) es
l
1
1 i
YN (l ) = ( li
= 0 1 ) + 1 YN AN
1
para todo l 1.
(2.64)
(2.64) se denomina la funcin nal de previsin de (Yt ) ARMA(1, 1), que converge al
valor esperado de (Yt ) , E[Yt ] = /(1 1 ), cuando 1 < 1 y l .
Observacin: Cada error de previsin puede calcularse (junto con su varianza) a partir de la diferencia entre cada
...,
SERIES TEMPORALES
PGINA 124
2 MODELOS UNIVARIANTES
i 1
1
E N (l ) = li
= 0 i AN +l i , donde 0 1 , i = 1 ( 1 1 ) (i 1) .
Por lo tanto,
2
1
2
2
l 1 2( i 1)
li
V (l ) = A
= 0 i = 1 + ( 1 1 ) i =1 1
2 ,
A
2 , cuando
que converge a la varianza de (Yt ) , Var(Yt ) = [1 + ( 1 1 )2 /(1 12 )]A
1 < 1 y l .
(2.65)
YN (1) = + 1YN ,
(2.66)
PGINA 125
2 MODELOS UNIVARIANTES
YN (l ) = + 1YN (l 1).
(2.67)
(2.67) es una ecuacin en diferencias, cuya solucin a partir de la condicin inicial (2.66) es
l
1 i
YN (l ) = ( li
= 0 1 ) + 1YN para todo l 1.
(2.68)
(2.68) es la funcin nal de previsin de (Yt ) AR(1) , que converge al valor esperado de
(Yt ) , E[Yt ] = /(1 1 ), cuando 1 < 1 y l .
Observacin: Cada error de previsin puede calcularse (junto con su varianza) a partir de la diferencia entre cada
E N (3) = 1 E N (2) + AN + 3 = AN + 3 + 1 AN + 2 + 12 AN +1 ,
...,
i
1
E N (l ) = li
= 0 i AN +l i , donde i = 1 (i 0) .
Por lo tanto,
2
1
2
l 1 2 i
2
V (l ) = A
li
= 0 i = ( i = 0 1 ) A ,
2 , cuando
que converge a la varianza de (Yt ) , Var(Yt ) = [1 /(1 12 )]A
1 < 1 y l .
SERIES TEMPORALES
PGINA 126
2 MODELOS UNIVARIANTES
(2.69)
YN (1) = 1 AN ,
(2.70)
(2.71)
(2.71) es la funcin nal de previsin de (Yt ) MA(1) , que coincide con E[Yt ] = .
Observacin 1: Cada error de previsin puede calcularse (junto con su varianza) a partir de la diferencia entre cada
SERIES TEMPORALES
PGINA 127
2 MODELOS UNIVARIANTES
E N (1) = AN +1 ,
E N (2) = AN + 2 1 AN +1 ,
E N (3) = AN + 3 1 AN + 2 ,
...,
1
E N (l ) = li
= 0 i AN +l i , donde 0 1 , 1 = 1 , i = 0 (i 2) .
Por lo tanto,
2,
2
V (1) = A
V (l ) = (1 + 12 )A
(l 2) ,
2.
que a partir de l = 2 es constante y coincide con Var(Yt ) = (1 + 12 )A
Observacin 2: En general, puede comprobarse si (Yt ) es un proceso I(0), de manera que (Yt ) ARMA( p , q )
El modelo IMA(1,1), o ARIMA(0,1,1), para un proceso (Yt ) I(1) , puede escribirse como
Yt = + Yt 1 + At 1 At 1 .
Escribiendo esta expresin en t = N + l (l 1) y aplicando al resultado el operador EN [],
se obtiene que la funcin de previsin en origen N a horizonte l 1 es
SERIES TEMPORALES
PGINA 128
2 MODELOS UNIVARIANTES
YN (l ) = + EN [YN +l 1 ] + EN [ AN +l ] 1 EN [ AN +l 1 ],
(2.72)
(2.73)
(2.74)
(2.75) es una ecuacin en diferencias, cuya solucin a partir de la condicin inicial (2.73) es
YN (l ) = l + YN 1 AN para todo l 1.
(2.75)
PGINA 129
2 MODELOS UNIVARIANTES
...,
1
E N (l ) = li
= 0 i AN +l i , donde 0 1 , i = (1 1 ) (i 1) .
Por lo tanto,
2
1
2
2
2
V (l ) = A
li
= 0 ( i ) = 1 + (1 1 ) (l 1) A ,
( B )Yt = + ( B )At ,
(2.76)
donde
SERIES TEMPORALES
PGINA 130
2 MODELOS UNIVARIANTES
( B ) p ( B )P ( B S )d SD 1 ip=1 i B i ,
( B ) q ( B )Q ( B S ) 1 qi =1 i B i ,
Yt = + ip=1 iYt i + At qi =1 i At i .
(2.77)
[aN +l i ] (l 1) ,
i [ yN +l i ] q
yN (l ) = + ip=1
i =1 i
(2.78)
donde
y j
, si j N ,
[ y j ]
yN ( j N ) , si j > N .
aj y j yj1 (1) , si j N ,
[a j ]
0
, si j > N .
IC1 (l ) = [ yN +l ( ) ] = yN (l ) u v(l ) ,
(2.79)
2 l 1 (
)2 , y
donde u = 1.65, 1.96 2.58, segn si = 0.10, 0.05 0.01, v(l ) A
i
i =0
SERIES TEMPORALES
PGINA 131
2 MODELOS UNIVARIANTES
+ p
i =
i
j =1 j i j
(i 1) ,
(2.80)
= 0 si i > q .
con 0 1 , i = 0 si i < 0, y
i
Clculo de previsiones puntuales e intervalos de confianza para la serie original:
exp [ yN (l ) ] , si = 0,
yN (l )
[ y (l ) ] 1
, si 0,
N
exp [ yN +l ( ) ] , si = 0,
yN +l ( )
( ) ]
, si 0,
y
[ N +l
(2.81)
PGINA 132
2 MODELOS UNIVARIANTES
RMSE
1
L
2
lL=1 [ yN (l ) yN +l ]
1
L
lL=1 eN (l )2 ,
(2.82)
es decir, la desviacin tpica muestral de los errores de previsin eN (1) , eN (2) , ..., eN ( L ) .
2.7.10 Definicin
1
L
lL=1 yN (l ) yN +l
1
L
lL=1 eN (l ) ,
(2.83)
SERIES TEMPORALES
PGINA 133
2 MODELOS UNIVARIANTES
MAPE
100
L
lL=1
yN ( l )yN +l
yN +l
100
L
lL=1
eN ( l )
yN +l
(2.84)
Modelo estimado con EViews 4.1 (May 23 2003 build) para el proceso Viviendas iniciadas
en Espaa, (Yt ) , con datos mensuales desde 1989:01 hasta 1999:12 (132 observaciones):
12 ln yt = (1 0.675 B ) (1 0.892 B 12 ) + at ,
(0.070)
(0.024)
(2.85)
n = 119, A = 0.137.
Teniendo en cuenta que 12 (1 B )(1 B 12 ) = 1 B B 12 + B 13 , (2.85) queda
yt = yt1 yt12 + yt13 + at 0.675at 1 0.892at 12 + 0.602at 13 ,
(2.86)
donde yt ln yt . A partir de (2.86), las previsiones puntuales del proceso original (Yt ) ,
calculadas en origen n = 119 (1999:12) a horizontes 1, 2, ..., 24, son:
SERIES TEMPORALES
PGINA 134
2 MODELOS UNIVARIANTES
y108
+ y107
0.675a119 0.892a108 + 0.602a107 ] = 38.455 ,
y119 (1) = exp [ y119
(1) y109
+ y108
0.892a109 + 0.602a108 ] = 36.995 ,
y119 (2) = exp [ y119
...,
(23) y119
(12) + y119
(11) ] = 43.975 .
y119 (24) = exp [ y119
100
90
80
70
60
50
40
30
20
10
ORIGEN - 1999:12
1998
1999
2000
2001
Figura 2.36
Previsiones del proceso Viviendas iniciadas en Espaa calculadas a partir de (2.85)-(2.86)
(seasonal.wf1)
SERIES TEMPORALES
PGINA 135
2 MODELOS UNIVARIANTES
En este caso, RMSE = 5.43, MAE = 4.47, y MAPE = 10.26%, que podran compararse con
las mismas medidas calculadas a partir de otros modelos para (Yt ) alternativos a (2.85).
2.7.13 Ejemplo
Modelo estimado con EViews 4.1 (May 23 2003 build) para el proceso PIB real en Espaa,
(Yt ) , con datos anuales desde 1964 hasta 1997 (34 observaciones):
(1 0.6747 B ) [ ln yt 0.0311] = at ,
(0.1302)
(0.0096)
(2.87)
n = 32, A = 0.0176.
(2.87) tambin puede escribirse como
wt = 0.0101 + 0.6747 wt 1 + at ,
(2.88)
(2.89)
PGINA 136
2 MODELOS UNIVARIANTES
0.6747 y 31
],
y32 (1) = exp [ 0.0101 + 1.6747 y 32
(1) 0.6747 y 32
],
y32 (2) = exp [ 0.0101 + 1.6747 y32
(2) 0.6747 y32
(1) ] ,
y32 (3) = exp [ 0.0101 + 1.6747 y32
...,
que es una secuencia creciente (no convergente) con el horizonte de previsin.
SERIES TEMPORALES
PGINA 137
2 MODELOS UNIVARIANTES
2
1
2
1
-1
-2
-1
-2
-3
-3
-4
-4
1
1000
500
Figura 2.37
Figura 2.38
Observacin: Las dos series anteriores presentan un nivel constante. Sin embargo, las desviaciones grandes (pequeas)
de cada serie con respecto a su nivel van seguidas de variaciones grandes (pequeas). Por lo tanto, la volatilidad de
cada serie, condicionada por su historia reciente, presenta algn tipo de inercia.
SERIES TEMPORALES
PGINA 138
2 MODELOS UNIVARIANTES
.0035
.0030
.0035
.0030
.0025
.0025
-1
.0020
.0015
ACF
15
.0010
.0020
-1
.0015
.0010
0
.0005
.0000
1000
-1
PACF
15
.0000
ACF
15
PACF
15
.0005
1
500
-1
Figura 2.39
Rendimientos diarios al cuadrado del NYSE Composite Index (Panel A) y del IBEX 35 (Panel B)
(Panel A: nyse-composite.wf1. Panel B: bolsa-madrid.wf1)
(2.90)
PGINA 139
2 MODELOS UNIVARIANTES
(que est bien denida si se cumplen las condiciones anteriores sobre 0 y 1 ), E[U tU t +k ] = 0 para todo k 0, y
Et 1 [U t2 ] = t2 = 0 + 1U t21 . En particular, un modelo ARCH(1) como (2.90) implica que los componentes del
proceso (U t ) no estn autocorrelacionados aunque no son estadsticamente independientes, ya que la varianza
condicional de U t es una funcin de U t 1 . Por otro lado, si se dene Vt U t2 t2 t2 ( At2 1) , (2.90) implica que
U t2 = 0 + 1U t21 + Vt , que es un modelo AR(1) para (U t2 ) con E[Vt ] = 0 pero con Var[Vt ] no constante.
Observacin 2: En general, un proceso univariante estacionario (U t ) sigue un modelo ARCH(q) cuando U t = t At ,
de una serie (ut ) no es constante pero las autocorrelaciones muestrales de (ut2 ) no son muy elevadas (dos
caractersticas frecuentes en muchas series nancieras; ver Figura 2.39). Para acomodarse a estas pautas, el orden q de
i (i = 0, 1, ..., q) que satisfagan las
un modelo ARCH debe ser elevado, lo que diculta el clculo de estimaciones
condiciones de la Observacin 2. El modelo GARCH(1,1) de la Denicin 2.8.2 resuelve este inconveniente en muchas
situaciones prcticas.
2.8.2 Definicin
PGINA 140
2 MODELOS UNIVARIANTES
(2.91)
(Wt ) presentan grupos (clusters) con alta dispersin y otros con baja dispersin; esto puede sugerir que las
perturbaciones del modelo considerado no son ruido blanco, sino que siguen algn modelo GARCH(p,q). En tal caso,
un modelo razonable para (Wt ) podra ser ( B )Wt = + ( B )U t , donde (U t ) GARCH( p , q ) . Como un modelo
SERIES TEMPORALES
PGINA 141
2 MODELOS UNIVARIANTES
GARCH(p,q) para la varianza condicional t2 de (U t ) puede interpretarse como un modelo ARMA para el proceso
2 del modelo estimado
(U t2 ) (ver Observacin 1 en 2.8.1 y en 2.8.2), la serie de los residuos al cuadrado u12 , u22 , ..., uN
( B )wt = + ( B )ut , debera presentar algn tipo de autocorrelacin si (U t ) GARCH( p , q ) .
Para decidir si un proceso estocstico estacionario (U t ) con E[U t ] = 0 presenta algn tipo
de estructura ARCH o GARCH, puede utilizarse alguno de los procedimientos siguientes
que hacen uso de una serie temporal u1 , u 2 , ..., uN generada por (U t ):
2
Examinar la ACF y la PACF muestrales de la serie u12 , u 22 , ..., uN
(ver Figura 2.39)
para identicar alguna pauta de autocorrelacin reconocible.
Estimar una regresin auxiliar del tipo ut2 = 0 + 1ut21 + ... + q ut2q + vt y calcular
el p-value Pr[ 2 (q ) > NR2 ], donde R2 es el coeciente de determinacin de la regresin
anterior; alternativamente, calcular el p-value Pr[ F (q , N q 1) > F ], donde F es el
valor del estadstico F para el contraste de signicacin global en la regresin anterior.
En cualquier caso, si el p-value es sucientemente pequeo, rechazar la hiptesis nula de
ausencia de estructura ARCH(q).
SERIES TEMPORALES
PGINA 142
2 MODELOS UNIVARIANTES
Observacin: El primer procedimiento es ms informativo que el segundo (que, adems, requiere decidir de antemano
un valor adecuado para q). Siempre es recomendable examinar la ACF y la PACF muestrales de (ut2 ) , adems quizs
de utilizar el segundo procedimiento con q = 1, ya que si la hiptesis nula de ausencia de estructura ARCH(q) se
rechaza con q = 1, entonces existe seguramente algn tipo estructura ARCH en (U t ) , quizs de tipo GARCH(1,1).
2.8.3 Ejemplo
Modelo estimado con EViews 4.1 (May 23 2003 build) para el proceso NYSE Composite
Index, (Yt ) , con datos diarios desde el 7 de enero de 2000 hasta el 31 de diciembre de 2003
(1000 observaciones):
ln yt = ut , donde ut = t at ,
(2.92)
(0.0154)
(0.0168)
(2.93)
n = 1000, U = 0.0118.
Observacin 1: La serie de residuos (Ordinary Residual Series) calculada por EViews es la serie (ut ) de (2.92) [o, en
general, la serie (ut ) de un modelo ARIMA estimado para (Yt ) del tipo ( B )d yt = + ( B )ut ], mientras que la
serie de residuos estandarizados (Standardized Residual Series) calculada por EViews es la serie (at ) = ( t1ut ) de
(2.92), donde t es la desviacin tpica condicional estimada de las perturbaciones (U t ) , que se calcula como la raz
SERIES TEMPORALES
PGINA 143
2 MODELOS UNIVARIANTES
cuadrada de (2.93); ver Figura (2.40). Por lo tanto, si la varianza condicional de (U t ) est bien modelizada, entonces
la serie (ut ) debe presentar estructura de tipo GARCH(1,1) [ver guras 2.37 y 2.39 (Panel A)], mientras que la serie
(at ) = ( t1ut ) debe resultar compatible con la hiptesis de que (At ) IID(0, 1) ; ver Figura 2.41.
Observacin 2: El modelo (2.92)-(2.93) estimado para la rentabilidad diaria del NYSE Composite Index describe una
4
3
.024
.020
1
0
.016
-1
.012
-2
-3
.008
.004
-4
1000
1000
Figura 2.40
Figura 2.41
SERIES TEMPORALES
PGINA 144
2 MODELOS UNIVARIANTES
(2.95)
(2.96)
PGINA 145
3
MODELOS MULTIVARIANTES ESTACIONARIOS
3.1 INTRODUCCIN
3.1.1 Definicin
considerar cada uno de ellos por separado (como en el Tema 2), permite elaborar modelos estadsticos para ( Yt ) que
describan no slo la evolucin temporal individual de cada (Yti ) (i = 1, 2, ..., M ) , sino tambin las posibles relaciones
SERIES TEMPORALES
PGINA 146
3.1 INTRODUCCIN
contemporneas y dinmicas entre ellos. Dos clases generales de modelos que resultan tiles en este contexto son los
modelos ARMA multivariantes o vectoriales y los modelos de funcin de transferencia-ruido.
3.1.2 Ejemplo
(3.1)
X t = 2 + 21Yt 1 + 22 X t 1 + At 2 ,
o bien
Yt = + 1 Yt 1 + At ,
(3.2)
11 12
, 1
21 22
2 12
, A 1
12 22
(3.3)
y los ceros de I 1 x (los autovalores de 1 ) estn fuera (dentro) del crculo unitario.
SERIES TEMPORALES
PGINA 147
3.1 INTRODUCCIN
Observacin: Cuando ( Yt ) VAR(1) , para describir las relaciones contemporneas y dinmicas entre (Yt ) y ( Xt ) se
puede considerar en primer lugar la funcin de autocorrelacin (ACF) terica de ( Yt ) implicada por (3.2)-(3.3). Por
extensin del caso univariante (ver Tema 2), si Y E [ Yt ] y (k ) E[ Yt Yt+k ] E[ Yt k Yt ] ( k = 0, 1, 2, ... ) [la
media y la funcin de autocovarianza tericas de ( Yt ) ], entonces (3.2) implica que
Y = ( I 1 )1 , Yt = 1 Yt 1 + At = i= 0 i At i
(con i 1i ),
donde
E[Yt ]
E[ X ] , (k )
t
YY (k ) YX (k )
Cov[Yt k , Yt ] Cov[Yt k , X t ]
( k = 0, 1, 2, ... ).
XY (k ) XX (k )
Cov[ X t k , Yt ] Cov[ X t k , X t ]
, P(k )
D
(0)
XX
YY (k ) YX (k )
Corr[Yt k , Yt ] Corr[Yt k , X t ]
( k = 0, 1, 2, ... ).
Corr[ X
(
k
)
(
k
)
,
Y
]
Corr[
X
,
X
]
XX
t k
t
t k
t
XY
SERIES TEMPORALES
PGINA 148
Y(-k) sobre Y
3.1 INTRODUCCIN
Y(-k) sobre X
Y(-k) sobre Y
Y(-k) sobre X
Y(-k) sobre Y
Y(-k) sobre X
-1
-1
-1
-1
-1
-1
14
X(-k) sobre Y
14
X(-k) sobre X
14
X(-k) sobre Y
14
X(-k) sobre X
14
X(-k) sobre Y
X(-k) sobre X
-1
-1
-1
-1
-1
-1
14
14
14
14
14
14
14
Los tres diagramas anteriores representan la ACF de ( Yt ) VAR(1) para diferentes valores de 1 en (3.2)-(3.3):
0.8 0.7
4 2
0.6 0.2
0.7 0.2
; A =
en los tres casos.
, 1 =
, 1 =
1 =
0.4 0.6
2 10
0.2 0.6
0.2 0.7
3.1.3 Definicin
PGINA 149
3.1 INTRODUCCIN
Yt = + 1 Yt 1 + 2 Yt 2 + ... + p Yt p + At
(3.4)
1 At 1 2 At 2 ... q At q
es el operador autorregresivo (AR) del modelo, y ( B ) I qi =1 i B i es el operador media mvil (MA) del
modelo. (3.4) se denomina un modelo VARMA estndar o normalizado, en el sentido que (0) = (0) = I .
Observacin 2: Dado que A Var[ At ] es una matriz denida positiva, A puede factorizarse como A = T T ,
donde es una matriz diagonal denida positiva y T es una matriz triangular inferior con unos en su diagonal
SERIES TEMPORALES
PGINA 150
3.1 INTRODUCCIN
principal (factorizacin de Cholesky). La matriz T puede emplearse para transformar ( B )Yt = + ( B )At en un
modelo con perturbaciones ortogonales del tipo ( B )Yt = + ( B )At , con ( B ) T1 ( B ) , T1 ,
( B ) T1 ( B )T , At T1 At , (0) = T1 (triangular inferior), Var[ At ] = T1 A T1 = (diagonal), y
(0) = I . Por lo tanto, (0) muestra explcitamente las relaciones contemporneas entre los componentes del
proceso ( Yt ) , mientras que en la representacin estndar (3.4) la informacin sobre dichas relaciones est recogida
implcitamente en A (una matriz no diagonal en general). La representacin no estndar anterior de un modelo
VARMA para ( Yt ) puede depender crucialmente del orden en el que guran los componentes de Yt .
Observacin 3: En el modelo VAR(1) bivariante (ver Ejemplo 3.1.2)
1 0 Yt 0.6 0.2 Yt 1
0 1 X 0.2 0.6 X
t
t 1
A
= t1
t 2
4 2
, =
2 10 ,
(I)
la factorizacin de Cholesky de A es
A
1 0 4 0 1 0.5
1
0
.
=
=
0 9 0 1 , de manera que T
0.5
1
0.5
1
(II)
0.5
Yt
X
t
0.6
0.1
0.2
0.5
Yt 1
X
t 1
At1
= A
t 2
4 0
, =
0 9 ,
(II)
es decir, Yt = 0.6Yt 1 + 0.2 Xt 1 + At1 , Xt = 0.5 X t 1 + 0.5Yt 0.1Yt 1 + At2 , donde ( At1 ) y ( At2 ) son dos
procesos de ruido blanco ortogonales o incorrelacionados (independientes si son Normales o Gaussianos). (II) indica
SERIES TEMPORALES
PGINA 151
3.1 INTRODUCCIN
que (Yt ) ( Xt ) contemporneamente, pero ( Xt ) (Yt ) no. Por otro lado, el modelo estndar (I) es idntico,
excepto por el orden en el que guran Yt y Xt , a
1 0 X t 0.6 0.2 X t 1
0 1 Y 0.2 0.6 Y
t
t 1
A
= t2
t 1
10 2
, =
2 4 .
(IV)
1 0 10 0 1 0.2
1
0
.
=
=
0 3.6 0 1 , de manera que ahora T
0.2
1
0.2
1
(V)
Xt
Y
t
0.6
0.08
0.2
0.56
Xt 1
Y
t 1
At2
= A
t 1
10 0
, =
0 3.6 ,
0.2
Yt
X
t
0.56
0.2
0.08
0.6
Yt 1
X
t 1
At1
=
t 2
3.6 0
, =
,
0
10
0.2
o bien
1
(VI)
es decir, Yt = 0.56Yt 1 + 0.2 Xt + 0.08 Xt 1 + At1 , Xt = 0.6 Xt 1 + 0.2Yt 1 + At2 , donde ( At1 ) y ( At2 ) son dos
procesos de ruido blanco ortogonales distintos de los que guran en (II). (VI) indica que ahora ( Xt ) (Yt )
contemporneamente, pero (Yt ) ( Xt ) no, exactamente lo contrario que ocurre en (II).
Observacin 4: Dado que 1 ( B ) = Adj[ ( B )] / ( B ) , ( B )Yt = + ( B )At tambin puede escribirse como
Adj[ ( B )]( B )Yt = Adj[ (1)] + ( B ) At . A partir de esta expresin, puede obtenerse una representacin de un
SERIES TEMPORALES
PGINA 152
3.1 INTRODUCCIN
modelo ARMA M-variante en trminos de M funciones de transferencia; ver Ejemplo 3.1.4 y Denicin 3.1.5. En (II)
de la Observacin 3 anterior, (1 0.6 B )Yt = 0.2 X t 1 + At1 , (1 0.5 B )Xt = (0.5 0.1B )Yt + At2 , que no coinciden
con (1 0.56 B )Yt = (0.2 + 0.08 B )X t + At1 , (1 0.6 B )X t = 0.2Yt 1 + At2 en (VI).
3.1.4 Ejemplo
(B ) b
B Xt + N t ,
(B )
(3.5)
PGINA 153
3.1 INTRODUCCIN
Observacin 2: La gura siguiente contiene la IRF asociada con varias funciones de transferencia, as como la funcin
de respuesta al escaln (SRF, del ingls Step Response Function), Vk ki = 0 i (k 0), correspondiente. En todos
los casos, la ganancia a largo plazo (en ingls steady-state gain), g k= 0 k , es igual a 1.
IRF
SRF
IRF
SRF
IRF
SRF
-1
-1
-1
-1
-1
-1
14
14
14
PANEL A
IRF
14
14
PANEL B
SRF
IRF
PANEL C
SRF
IRF
SRF
-1
-1
-1
-1
-1
-1
14
14
14
PANEL D
IRF
14
14
PANEL E
SRF
IRF
SRF
IRF
SRF
-1
-1
-1
-1
-1
-1
14
PANEL G
SERIES TEMPORALES
14
14
PAHEL H
14
PANEL F
14
14
14
14
PANEL I
PGINA 154
3.1 INTRODUCCIN
En todos los casos, b = 0. Para valores del tiempo muerto b 1, todas las funciones de la gura anterior estaran
desplazadas b retardos hacia la derecha.
Observacin 3: Si ( B )N t = ( B )At1 y X ( B )Xt = 0 + X ( B )At2 , donde ( At1 ) y ( At2 ) son dos procesos de ruido
0
X ( B )
Yt
X
t
= 1 +
( B ) ( B )
0
0
X ( B )
At1
A
t 2
2 0
, = 1
0 22
(I)
0
22 ( B )
Yt
X
t
1
=
(B )
11
0
22 ( B )
At1
A
t 2
2 0
, = 1
0 22
Si el tiempo muerto b 1 en (3.5), entonces la expresin anterior es un modelo VARMA estndar para el proceso
(0) = , de manera que
bivariante ( Yt ) . Por el contrario, si b = 0, 12
0
SERIES TEMPORALES
PGINA 155
(0)
3.1 INTRODUCCIN
(0) (0)
11
1 0
12
1
0
22 (0)
0
1 0
T [ (0)]1 =
0 1 .
(II)
Si (I) se escribe como ( B )Yt = + ( B )At , entonces la representacin VARMA estndar o normalizada de (I)
es ( B )Yt = + ( B )At , donde ( B ) T ( B ) , T , ( B ) T ( B )T1 , At TAt ; por lo tanto,
(0) = (0) = I , y Var[ At ] = T T = A (una matriz no diagonal). Explcitamente:
1 + 0 2
( B ) ( B ) 0 X ( B ) ( B ) ( B )
( B ) =
, =
0
X ( B )
2
2 + 2 2 0 2
( B ) ( B ) 0 [ X ( B ) ( B ) ( B )]
0 2
2
, A = 1
( B ) =
0
X ( B )
0 22
22
0
1 1 B
Yt
X
t
(1 1 )0
=
(1 1 B )(1 1 B )
At1
A
t 2
2 0
, = 1
0 22
que es un modelo VARMA(b,2) estndar si b 1, pero es un modelo VARMA(1,2) no estndar si b = 0. En este caso,
la representacin estndar o normalizada correspondiente es ( B )Yt = + ( B )At , donde
SERIES TEMPORALES
PGINA 156
3.1 INTRODUCCIN
1 1 B 0 1 B
(1 1 )0 + 0 0
, =
( B ) =
0
0
1 1 B
1 ( 1 + 1 )B + 1 1 B 2
( B ) =
0
2 + 2 2 0 2
0 [( 1 + 1 )B 1 1 B 2 ]
0 2
2
, = 1
A
1
0 22
22
3.1.5 Definicin
PGINA 157
3.1 INTRODUCCIN
Observacin 1: En general, (3.6) implica que E[Yt ] = 0 + iM=1 gi E[ Xti ] , donde gi i (1) / i (1) (i = 1, 2, ..., M )
es la ganancia a largo plazo del output con respecto a cada input. Por ejemplo, en el modelo de la ltima parte de la
Observacin 3 de 3.1.4, E[Yt ] = 0 + [ 0 /(1 1 ) ] E[ Xt ] , con E[ Xt ] = 0 /(1 1 ) . Esta cuestin es importante
para facilitar la interpretacin de los modelos de las secciones 3.2 y 3.3, todos los cuales son casos particulares del
modelo TFN (3.6).
Observacin 2: Prcticamente todos los llamados modelos de regresin para procesos estacionarios que guran en los
manuales de Econometra, son casos particulares (generalmente arbitrarios y restringidos a priori) del modelo (3.6).
En la actualidad, la popularidad de dichos modelos es mucho mayor entre los economistas que la de los modelos TFN;
de hecho, es muy difcil encontrar manuales de Econometra o de Anlisis de Series Temporales aplicado a la
Economa en los que se mencione siquiera la posibilidad de modelizar relaciones de causalidad unidireccionales entre
procesos estacionarios a travs de un modelo TFN. Esta posibilidad tiene ventajas muy claras sobre la modelizacin
basada exclusivamente en modelos de regresin, aunque sus requisitos computacionales son generalmente ms
elevados. En todo caso, es una posibilidad que no se contempla en la mayora de los programas informticos ms
populares disponibles actualmente (como EViews) para el anlisis de series temporales; ver Box, Jenkins y Reinsel
(1994) captulos 10-12, Brockwell y Davis (2002) secciones 10.1-10.2, y Mills (1990) captulos 12-13. La situacin
actual de los modelos VARMA en el Anlisis de Series Temporales aplicado a la Economa es muy semejante; ver
Brockwell y Davis (2002) captulo 7, Mills (1990) captulo 14, y Reinsel (1997) captulos 1-2 y 4-6.
SERIES TEMPORALES
PGINA 158
(3.7)
relacin de causalidad unidireccional contempornea del tipo ( Xt ) (Yt ) con E [Yt ] = 0 + E[ Xt ] (constante).
(3.7) se puede interpretar como un modelo ARMA para el proceso ( N t ) (Yt 0 Xt ) I(0) , donde (Yt ) ,
( X t 1 ) , ..., ( XtM ) son estacionarios. En Econometra, un modelo como (3.7) se denomina a veces un modelo esttico
de regresin con perturbaciones autocorrelacionadas.
Observacin 2: Aunque (3.7) se ha planteado en 3.2.1 como un modelo para un proceso ( Yt ) multivariante
estacionario, (3.7) tambin puede ser un modelo adecuado para ( Yt ) I(1) cuando (Yt ) , ( X t 1 ) , ..., ( XtM ) estn
cointegrados; ver Tema 4.
SERIES TEMPORALES
PGINA 159
Anlisis de intervencin
Sea (Yt ) un proceso estocstico tal que Yt = t + N t , donde ( t ) representa el efecto
sobre el nivel de (Yt ) derivado de un suceso especial o de intervencin (quizs fcilmente
identicable) ocurrido en un momento t dado de la historia de (Yt ) .
Si ( N t ) = (Yt t ) I(0) , un modelo plausible para (Yt ) podra ser
Yt = 0 + 0 t + N t ,
(3.8)
Escaln:
I ,t
E ,t
1 , si t = t ;
0
,
si
t
t
(3.9.1)
1 , si t t ;
<
0
,
si
t
t
(3.9.2)
Observacin 1: Un impulso como (3.9.1) representa un cambio puntual o transitorio en el nivel de (Yt ) , mientras que
PGINA 160
Observacin 2: El modelo (3.8) puede generalizarse para contemplar: (i) los posibles efectos de varios sucesos de
intervencin en la historia de (Yt ) , (ii) respuestas de (Yt ) ante dichos sucesos ms complejas que una respuesta
instantnea, y (iii) la posibilidad de que (Yt t ) sea un proceso no estacionario. Un modelo de intervencin en el
que caben todas estas posibilidades es el siguiente (ver 3.1.5):
Yt =
1 ( B ) b1
( B ) b2
( B ) bM
B t 1 + 2
B t 2 + ... + M
B tM + U t ,
1 ( B )
2 ( B )
M ( B )
1 ( B )B b1 d D
2 ( B )B b2 d D
M ( B )B bM d D
=
S t 1 +
S t 2 + ... +
S tM + N t ,
1 ( B )
2 ( B )
M ( B )
donde ( N t ) ( d SDU t ) I(0) . Si se incluye un trmino constante 0 en el modelo anterior, de manera que
d SDYt
1 ( B )B b1 d D
2 ( B )B b2 d D
M ( B )B bM d D
= 0 +
S t 1 +
S t 2 + ... +
S tM + N t ,
1 ( B )
2 ( B )
M ( B )
entonces (Yt ) tiene un componente determinista en su tendencia (lo cual no resulta apropiado en muchos casos).
Observacin 3: En muchas ocasiones, los valores anmalos o atpicos presentes en una serie temporal pueden corregirse
mediante trminos de intervencin semejantes a los considerados anteriormente. No obstante, en general, dichas
correcciones slo deben gurar explcitamente en un modelo cuando se dispone de informacin extramuestral que
justica su presencia, o bien cuando los valores atpicos correspondientes son inuyentes (aunque no se disponga en
este caso de informacin extramuestral al respecto).
SERIES TEMPORALES
PGINA 161
3.2.2 Ejemplo
4
1899
3
1
-1
0
-2
-1
1880
1900
1920
1940
1960
1
1
ACF
15
-1
0
-2
PACF
15
-4
ACF
15
PACF
15
-3
1
-1
-3
1913
-1
1899
-4
1913
1880
1900
1920
1940
1960
-1
Figura 3.1
Volumen del flujo anual del ro Nilo en Asun (1871 1970)
(nilo.wf1)
Si (Yt ) representa el proceso estocstico Volumen del ujo anual del ro Nilo en Asun, los
resultados de los contrastes del Ejemplo 2.6.6 sugieren que (Yt ) I(1) IMA(1, 1). La
Figura 3.2 contiene un modelo IMA(1,1) estimado con EViews 4.1 (May 23 2003 build)
para (Yt ) , junto con los residuos y la ACF y la PACF residuales correspondientes.
SERIES TEMPORALES
PGINA 162
4
3
Prob.
0.0000
-1
-2
0.264126
0.264126
144.2287
2038589.
-632.1410
1913
t-Statistic
1899
-1
ACF
15
PACF
15
1
0
-3
-4
1880
1900
1920
1940
1960
-1
Figura 3.2
Estimacin de un modelo MA(1) para la serie D( NILO )
La Figura 3.1 (Panel A) sugiere que el nivel medio de (Yt ) cambi de forma permanente a
partir de 1899 (debido probablemente al inicio de la construccin de una presa nueva en
Asun), y que en 1913 el nivel de (Yt ) fue especialmente bajo. Estos dos sucesos pueden
analizarse incluyendo en el modelo de la Figura 3.2 un escaln en 1899 y un impulso en
1913. La Figura 3.3 contiene el modelo resultante estimado con EViews 4.1.
SERIES TEMPORALES
PGINA 163
4
3
1913
t-Statistic
Prob.
0.0000
0.0018
0.0000
0.469165
0.458106
123.7677
1470571.
-615.9740
1899
-1
ACF
15
PACF
15
-1
-2
-3
-4
1880
1900
1920
1940
1960
-1
Figura 3.3
Estimacin de un modelo MA(1) con dos intervenciones para la serie D( NILO )
La estimacin de 1 est muy prxima a la unidad, lo que sugiere que el trmino MA(1) es
esencialmente igual a (la hiptesis 1 = 1 puede contrastarse formalmente como en el
Ejemplo 2.6.6). Si 1 = 1 , Yt = 10 tE ,1899 + 20 tI ,1913 + U t con U t = (1 1 B )At es
equivalente a Yt = 0 + 10 tE ,1899 + 20 tI ,1913 + N t , donde ( N t ) es ruido blanco. La
Figura 3.4 contiene la estimacin de este ltimo modelo; la Figura 3.5 contiene el
SERIES TEMPORALES
PGINA 164
1899
t-Statistic
Prob.
0.0000
0.0000
0.0016
0.492071
0.481599
121.8439
1440057.
-620.6450
1.723503
1913
2
1
-1
ACF
15
PACF
15
-1
-2
-3
-4
1880
1900
1920
1940
1960
-1
Figura 3.4
Estimacin de un modelo con dos intervenciones para la serie NILO
Observaciones: La ocurrencia de sucesos especiales en la historia de un proceso estocstico puede distorsionar el
aspecto de una serie temporal, provocando apariencia de no estacionariedad y estructuras de autocorrelacin espurias.
Un anlisis de intervencin sistemtico, basado en el empleo de informacin extramuestral y en la deteccin de
observaciones inuyentes, permite modelizar adecuadamente dichos sucesos. Las intervenciones de tipo impulso
SERIES TEMPORALES
PGINA 165
afectan slo a una observacin y pueden incluirse en un modelo con cierta discrecionalidad; por el contrario, las
intervenciones de tipo escaln son ms comprometidas y conviene justicarlas con informacin detallada.
1400
1913
1899
1200
1000
800
600
400
1880
1900
1920
1940
1960
Figura 3.5
Componente de intervencin estimado (Q) del volumen del flujo anual del ro Nilo en Asun (Q)
(nilo.wf1)
3.2.3 Ejemplo
Un ejemplo muy popular del anlisis de intervencin trata del efecto de legislaciones acerca
del uso del cinturn de seguridad sobre el nmero de vctimas en accidentes de trco.
SERIES TEMPORALES
PGINA 166
1983:02
-1
0
-2
ACF
39
1976
1978
1980
1982
1984
-1
-1
0
-2
PACF
39
-4
ACF
39
PACF
39
-3
-1
-3
-1
1983:02
-4
1976
1978
1980
1982
1984
-1
Figura 3.6
Fallecidos y heridos graves en carreteras del Reino Unido (Enero 1975 Diciembre 1984)
(seat-belt-uk.wf1)
La Figura 3.6 sugiere estimar para (Yt ) un modelo del tipo Yt = 0 tE ,1983:02 + U t , donde
tE ,1983:02 es un escaln que representa la entrada en vigor de una nueva legislacin sobre el
uso del cinturn de seguridad en febrero de 1983, y 12U t = (1 1 B 12 )At . La Figura 3.7
contiene el modelo estimado con EViews 4.1 (May 23 2003 build) para (Yt ) , junto con los
residuos y la ACF y la PACF residuales correspondientes; la Figura 3.8 contiene el
componente de intervencin 12 t = 287.4112 tE ,1983:02 estimado para ( 12Yt ) , junto
SERIES TEMPORALES
PGINA 167
4
3
2
1
t-Statistic
Prob.
0.0000
0.0000
-1
0.618060
0.614457
112.1146
1332387.
-661.9443
1983:02
-1
ACF
39
PACF
39
-2
-3
-4
1976
1978
1980
1982
1984
-1
Figura 3.7
Estimacin de un modelo IMA(1,1)12 con una intervencin para la serie ACC
Observaciones: El efecto estimado de la entrada en vigor de la nueva legislacin es una reduccin permanente en el
nmero de fallecidos y heridos graves aproximadamente igual a 287 personas cada mes a partir de febrero de 1983 (un
efecto notable, teniendo en cuenta que la media de la serie ACC hasta enero de 1983 es igual a 1621). Por otro lado, la
modelizacin de este suceso de intervencin permite descartar una estructura de tipo autorregresivo en ( 12Yt ) , que
parece clara en la Figura 3.6 (Panel B), pero que no est presente en los residuos de la Figura 3.7.
SERIES TEMPORALES
PGINA 168
400
1984:02
200
0
-200
-400
1983:02
-600
1976
1978
1980
1982
1984
Figura 3.8
SERIES TEMPORALES
PGINA 169
blanco, suele denominarse un modelo de retardos distribuidos innitos (o, en ingls, rational distributed lags), en el
sentido que la FRI es innita cuando r 1 en (3.5); ver Ejemplo 3.1.4. No obstante, la manera de elaborar modelos
de este tipo en Econometra suele ser (en el mejor de los casos) arbitraria y muy diferente de la empleada en el
Anlisis de Series Temporales; ver Observacin 2 de 3.1.5.
SERIES TEMPORALES
PGINA 170
Modelos ADL
3.3.2 Ejemplo
Un modelo ADL (del ingls Autoregressive Distributed Lag) para un proceso bivariante
estacionario ( Yt ) , donde Yt = [Yt , Xt ] , es un caso particular de (3.5) con ( B ) = ( B ) y
b = 0 [ver (I) en Observacin 3 de 3.1.4]:
( B )Yt = 0 + ( B )X t + ( B )At ,
(3.10)
Yt = 0 + ri =1 iYt i + si = 0 i X t i + Vt ,
(3.11)
ADL de la Denicin 3.3.2 (quizs con ms de una variable explicativa), que incluye la restriccin fundamental de
que ( B ) = ( B ) en el modelo TFN (3.5). En este sentido, ntese que para un proceso estacionario bivariante ( Yt ) ,
con Yt = [Yt , Xt ] , (i) un modelo esttico de regresin con perturbaciones esfricas es (3.10) con ( B ) = 0 y
SERIES TEMPORALES
PGINA 171
3.3.3 Ejemplo
(3.12)
que describe una relacin de equilibrio a largo plazo del tipo y = 0 /(1 1 ) + x , con
( 0 + 1 ) /(1 1 ) .
Observacin: Si se supone que (Vt ) IID(0, V2 ) en (3.12): (i) cuando 1 = 1 = 0 , (3.12) se reduce a un modelo
esttico de regresin esttico con perturbaciones IID, (ii) cuando 0 = 1 = 0 , (3.12) se reduce a un modelo AR(1),
(iii) cuando 1 = 1 0 , (3.12) se convierte en un modelo de regresin esttico con perturbaciones AR(1), y (iv)
cuando 1 = 1 y 1 = 0 , (3.12) se convierte en un modelo de regresin esttico entre Yt y X t con
perturbaciones IID, Yt = 0 + 0 Xt + Vt .
PGINA 172
Yt = 0 (1 1 )(Yt 1 X t 1 ) + 0 X t + Vt ,
(3.13)
ellos [en particular el modelo ADL(1,1) de (3.12) en su versin ECM de (3.13)] tambin pueden ser modelos
adecuados para ( Yt ) I(1) cuando (Yt ) y ( X t ) estn cointegrados; ver Tema 4.
3.3.5 Ejemplo
La Figura 3.9 contiene un grco de las series (yt ) (100 ln m1t ) y ( x t ) ( tb3mt ) ,
as como la ACF muestral bivariante de ( yt ) , yt [ yt , x t ] (Ver Observacin en Ejemplo
SERIES TEMPORALES
PGINA 173
3.1.2), donde (m1t ) y (tb3mt ) son series anuales sobre M1 (real) y tipos de inters de las
Letras del Tesoro a 3 meses en Estados Unidos.
16
12
-1
4
0
-4
-8
1960
1980
1990
2000
ACF Y
10
-1
-1
1970
CCF X - Y
-1
CCF Y - X
ACF X
10
Figura 3.9
La Figura 3.10 contiene un modelo ADL(1,1) como (3.12) estimado con EViews 4.1 (May
23 2003 build), junto con los residuos y la ACF y la PACF residuales correspondientes.
SERIES TEMPORALES
PGINA 174
Dependent Variable: Y
Method: Least Squares
Sample(adjusted): 1961 2002
Included observations: 42 after adjusting endpoints
Variable
0.444132
0.370082
-0.940986
-0.966877
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.462137
0.419674
3.578325
486.5676
-111.0392
2.175597
t-Statistic
Prob.
0.561649 0.790764
0.133899 2.763886
0.337316 -2.789630
0.332322 -2.909463
0.4340
0.0088
0.0082
0.0060
C
Y(-1)
X
X(-1)
0
-1
ACF
10
PACF
10
-1
-2
-3
-4
1960
1970
1980
1990
2000
-1
Figura 3.10
0.941 0.967 B
1
xt +
a ,
1 0.370 B
1 0.370 B t
que es un modelo TFN cuyo ruido sigue un modelo AR(1) restringido a que ( B ) = ( B ) ; ver 3.3.2. La IRF y la SRF
(ver observaciones 1 y 2 en 3.1.4) implicadas por el modelo TFN anterior estn representadas en la Figura 3.11
(comparar con el panel CCF X - Y de la Figura 3.9); la ganancia estimada es g = (1) / (1) = 3.029 , que implica
una relacin de equilibrio a largo plazo entre (Yt ) y ( X t ) del tipo y = 0.705 3.029 x .
yt = 0.705 +
SERIES TEMPORALES
PGINA 175
IRF
SRF
10
10
Figura 3.11
SERIES TEMPORALES
PGINA 176
C(1)
C(2)
C(3)
C(4)
Coefficient
0.444132
-0.629918
-3.028749
-0.940986
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.568401
0.534327
3.578325
486.5676
-111.0392
Prob.
0.4340
0.0000
0.0019
0.0082
Observacin 3: La gura siguiente contiene la representacin de las series (yt ) (Q) y ( x t ) (Q) (Panel A) junto con la
serie de desequilibrios transitorios estimados (yt + 3.029 x t ) (Q) (Panel B):
16
16
12
12
-4
-4
-8
-8
-12
-12
-16
1960
-16
1960
1970
1980
PANEL A
SERIES TEMPORALES
1990
2000
1970
1980
1990
2000
PANEL B
PGINA 177
(3.14)
operador autorregresivo (AR) del modelo. (3.14) se denomina un modelo VAR estndar o normalizado, en el sentido
que (0) = I .
Observacin 2: Dado que A Var[ At ] es una matriz denida positiva, A puede factorizarse como A = T T ,
SERIES TEMPORALES
PGINA 178
donde es una matriz diagonal denida positiva y T es una matriz triangular inferior con unos en su diagonal
principal (factorizacin de Cholesky). La matriz T puede emplearse para transformar ( B )Yt = + At en un
modelo con perturbaciones ortogonales del tipo ( B )Yt = + At , con ( B ) T1 ( B ) , T1 ,
At T1 At ; en este caso, (0) = T1 (triangular inferior) y Var[ At ] = T1A T1 = (diagonal); por lo
tanto, (0) muestra explcitamente las relaciones contemporneas entre los componentes del proceso ( Yt ) , mientras
que en la representacin estndar (3.14) la informacin sobre dichas relaciones est recogida implcitamente en A
(una matriz no diagonal en general). La representacin no estndar anterior de un modelo VAR para ( Yt ) puede
depender crucialmente del orden en el que guran los componentes de Yt ; ver observaciones 1 a 4 de 3.1.3.
3.4.2 Ejemplo
La Tabla 3.1 contiene la estimacin con EViews 4.1 (May 23 2003 build) de un modelo
VAR(1) bivariante con la serie ( yt ) , yt = [yt , x t ] , del Ejemplo 3.3.5; el modelo estimado
puede resumirse como
0.254 1.222 yt 1
=
0.141 0.275 x t 1
A = 34.97, L
N = 42,
yt
xt
14.974 2.717
at 1
A =
,
,
+
2.717 2.829
at 2
(3.15)
PGINA 179
Y(-1)
0.253606
(0.13289)
[ 1.90841]
0.141040
(0.05776)
[ 2.44199]
X(-1)
-1.222001
(0.34493)
[-3.54278]
0.275128
(0.14991)
[ 1.83525]
0.337901
0.321349
598.9547
3.869608
20.41396
-115.4033
5.590631
5.673378
0.824913
4.697250
0.153942
0.132790
113.1407
1.681820
7.278070
-80.40563
3.924078
4.006824
-0.025238
1.805998
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
34.97280
-193.8368
9.420801
9.586293
Tabla 3.1
Estimacin de un modelo VAR(1) con las series del Ejemplo 3.3.5
SERIES TEMPORALES
PGINA 180
RES Y
ACF RES Y
1.0
1.0
0.5
0.5
0.0
0.0
-0.5
-0.5
3
2
1
0
-1
-2
-3
-4
1960
1970
1980
1990
2000
-1.0
1
RES X
10
-1.0
1
10
ACF RES X
1.0
1.0
0.5
0.5
0.0
0.0
-0.5
-0.5
3
2
1
0
-1
-2
-3
-4
1960
-1.0
1970
1980
1990
2000
-1.0
1
10
10
Figura 3.12
Residuos del modelo VAR(1) estimado de la Tabla 3.1
Observacin 1: En las dos CCFs de la Figura 3.12 no est representada la correlacin muestral contempornea entre
las dos series de residuos (el valor de ambas CCFs para el retardo 0) porque dicha correlacin gura implcitamente
SERIES TEMPORALES
PGINA 181
,
PA =
0.417 1
donde 0.417 es la correlacin muestral contempornea entre las dos series de residuos.
A = T
T
de la matriz
A de (3.15) es
Observacin 2: La factorizacin de Cholesky
1
1 0.181
1
0 14.974 0
0
, de manera que T
.
A =
1 =
0.181 1 0
2.336 0
1
0.181 1
1 , se obtiene que:
Premultiplicando el modelo estimado (3.15) por T
1
0 yt 0.254 1.222
0.181 1 x 0.187
0.053
es decir,
yt 1
x
t 1
at1
=
a
t 2
14.974 0
,
,
=
2.336
(I)
donde las series de residuos (at1 ) y (at2 ) son ortogonales. Por otro lado, (3.15) es idntico, excepto por el orden en el
que guran yt y x t , a
1 0 x t 0.275 0.141 x t 1
0 1 y 1.222 0.254 y
t
t 1
SERIES TEMPORALES
a
= t2
at 1
2.829 2.717
A =
,
2.717 14.974 .
(II)
PGINA 182
A = T
T
de la matriz
A de (II) es
Ahora, la factorizacin de Cholesky
1
0 2.829 0
A =
0.961 1 0
12.364
1 , se obtiene que
Premultiplicando (II) por T
1
1 0.961
0
1
0 x t 0.275 0.141 x t 1
t
t 1
es decir
at2
=
t 1
2.829 0
,
,
=
0
12.364
(III)
(III) implica que ( Xt ) (Yt ) contemporneamente pero (Yt ) ( Xt ) no, exactamente al contrario que en (I); por lo
tanto, la manera de ordenar yt y x t en un modelo VAR(1) estndar, inuye notablemente sobre las implicaciones del
modelo VAR(1) estructural resultante. En general, dichas implicaciones deberan ser consistentes con algn tipo de
informacin extramuestral o terica. Por ejemplo, si se cree que ( Xt ) (Yt ) contemporneamente pero (Yt ) ( Xt )
no, entonces (III) es una forma estructural adecuada mientras que (I) no lo es; en este sentido, ntese muy
cuidadosamente que la primera ecuacin de (III) es perfectamente compatible con el modelo ADL(1,1) estimado en el
Ejemplo 3.3.5 bajo la hiptesis de causalidad unidireccional ( Xt ) (Yt ) .
Observacin 3: La ACF terica bivariante (ver Observacin de 3.1.2) implicada por el modelo estimado (3.15), est
representada en la Figura 3.13. La ACF terica resulta compatible con las pautas observadas en la ACF muestral
bivariante de la Figura 3.9, por lo que el modelo VAR(1) estimado de la Tabla 3.1 parece adecuado en este caso.
SERIES TEMPORALES
PGINA 183
-1
ACF Y
10
-1
-1
CCF X - Y
-1
CCF Y - X
ACF X
10
Figura 3.13
ACF terica bivariante implicada por el modelo VAR(1) estimado de la Tabla 3.1
PGINA 184
un modelo VAR estimado. Un uso bastante popular del estadstico LR (adems de la identicacin inicial de un orden
p adecuado) tiene que ver con el llamado contraste de causalidad de Granger. Si un proceso multivariante ( Yt ) de
dimensin M se divide en dos bloques de componentes ( Yt 1 ) e ( Yt 2 ) de dimensiones M 1 y M 2 , respectivamente,
entonces se dice que ( Yt 2 ) no causa a ( Yt 1 ) segn Granger [en ingls, ( Yt 2 ) does not Granger cause ( Yt 1 ) ] cuando
la esperanza de ( Yt 1 ) condicionada por todo el pasado de ( Yt 1 ) y de ( Yt 2 ) coincide con la esperanza de ( Yt 1 )
condicionada slo por su propio pasado. Si ( Yt ) sigue un modelo VAR(p) del tipo
SERIES TEMPORALES
PGINA 185
Yt 1
Y
t 2
11
12
1
p j j
= + 21 22
2 j =1 j j
Y
t j ,1
Y
t j ,2
At 1
A
t 2
, = 11 12
A
21 22
entonces cuando ( Yt 2 ) no causa a ( Yt 1 ) debe ocurrir que j12 = 0 para todo j = 1, ..., p. [Anlogamente, cuando
( Yt 1 ) no causa a ( Yt 2 ) debe ocurrir que j21 = 0 para todo j = 1, ..., p.] Dado que las p matrices j12 slo aparecen
en la primera la de la expresin anterior, para contrastar la hiptesis nula ( H 0 ) de que j12 = 0 para todo j = 1, ...,
p, se puede (i) estimar los dos modelos siguientes:
p
Bajo H 0 : Yt 1 = 1 + j11 Yt j ,1 + At 1 ,
j =1
p
La estimacin de un modelo VAR suele llevarse a cabo aplicando MCO a cada ecuacin
(la) del modelo por separado (lo que implica que los p primeros residuos no pueden
calcularse despus de estimar el modelo), aunque en general es recomendable estimar
cualquier modelo VAR (lo mismo que cualquier modelo VARMA) por mxima
verosimilitud exacta (MVE); ver Observacin 8 en 1.3.3 y Observacin 2 en 3.1.5.
SERIES TEMPORALES
PGINA 186
Observacin 2: En general, un modelo VAR(p) puede estar sobreparametrizado debido a que para recoger la
estructura MA presente en muchas series estacionarias es necesario que el orden p sea elevado. Esto implica que las
estimaciones de los parmetros de un VAR suelen ser poco precisas, lo cual puede no ser un problema si slo se
pretende usar el modelo estimado para prever. En general, cualquier anlisis estructural debera estar basado en
modelos que recojan explcitamente tanto la estructura AR como la estructura MA de una serie multivariante, aunque
esto no es lo habitual en la prctica economtrica actual; ver Observacin 8 en 1.3.3.
Previsin
3.4.3 Definicin
Yt = Y + ( B )At ,
(3.16)
p
i
B
,
=
donde Y E[ Yt ] = (1)1 , ( B ) ( B )1 = i
i
i
=0
j =1 j i j (con
0 I , i 0 si i < 0), y i
= 0 i < . (3.16) se denomina la representacin de
Wold de un modelo AR(p) estacionario.
3.4.4 Definicin
PGINA 187
Yk (l ) Ek [ Yk +l ] = + i Ek [ Yk +l i ] ,
(3.17)
Yk (l ) Ek [ Yk +l ] = Y + Ek [ ( B )Ak +l ] = Y + i=l i Ak +l i ,
(3.18)
i =1
o bien
donde ( B ) es el polinomio de la representacin de Wold (3.16).
Observacin 1: La funcin de previsin (3.17) de un proceso ( Yt ) VAR( p ) se utiliza en la prctica para calcular
k (1), y
k (2), ... a partir de un modelo estimado. Para ello, en (3.17) se reemplazan los
previsiones puntuales y
parmetros , 1 , ..., p por sus valores estimados, y se reemplaza cada Ek [ Yj ] por y j (un dato) si j k , o bien
k ( j k ) (una previsin) si j > k . Los errores de previsin asociados con las previsiones y
k (1), y
k (2), ... , suelen
por y
k (l ) (l = 1, 2, ...) (que slo pueden calcularse cuando yk +1 , yk +2 , ... son datos
representarse como ek (l ) yk +l y
conocidos); por su parte, la funcin de previsin (3.18) se utiliza para describir las propiedades estadsticas de los
errores de previsin (ver Denicin 3.4.5).
( B ) yt =
(B ) I p
i
+ at , con
Observacin 2: Un modelo VAR(p) estimado puede escribirse como
i =1 i B ;
en consecuencia, cada residuo at de un modelo estimado puede escribirse como
i yt i ,
at = yt
+ ip=1
donde el trmino entre corchetes es un valor ajustado, que puede interpretarse como una previsin en origen t 1 a
horizonte 1. Por lo tanto, at puede interpretarse como un error de previsin en origen t 1 a horizonte 1.
SERIES TEMPORALES
PGINA 188
3.4.5 Definicin
(3.19)
horizonte l 1 pero no del origen k de previsin, Var[ Ek (l )] suele escribirse simplemente como (l ), l = 1, 2, ... Por
otro lado, teniendo en cuenta que i= 0 i < , Yk (l ) Y [ver (3.18)] y (l ) i= 0 i A i = Y cuando
el horizonte de previsin l tiende a innito.
Observacin 2: Si (At ) es un proceso Gaussiano (Normal), entonces Ek N[ 0, (l )] . Por lo tanto, los elementos
ii (l ) en la diagonal principal de (l ) pueden utilizarse, junto con las previsiones puntuales Yki (l ) , para construir de
la forma habitual intervalos de conanza a horizonte l para Yk +l ,i ( 1 i M ; l = 1, 2, ... ); ver, por ejemplo, (2.79) y
(2.81) para el caso univariante.
3.4.6 Ejemplo
PGINA 189
(3.20)
(3.21)
(3.22)
(3.22) es una ecuacin en diferencias, cuya solucin a partir de la condicin inicial (3.21) es
l
1 i
YN (l ) = ( li
= 0 1 ) + 1 YN para todo l 1.
(3.23)
SERIES TEMPORALES
PGINA 190
Yt 1
Yt 2
YtM
Yt
Y1
Y2
=
YM
k (11) k (12)
k (21) k (22)
+
k =0
k ( M 1) k ( M 2)
k (1 M ) At k ,1
k (2 M ) At k ,2
k ( MM ) At k , M
(3.24)
( B ) At
PGINA 191
3.4.8 Definicin
la variable n j del modelo VAR en el momento t) sobre Yt +k ,i (la variable n i del modelo VAR en el momento
t + k , k 0), suponiendo que todos los elementos de ( At ) que no son Atj no varan. En 3.4.8, k ( ij ) j representa
esencialmente lo mismo (salvo porque en 3.4.8 el aumento en Atj es igual a j en lugar de 1). En ambos casos, el
hecho de suponer que todos los elementos de ( At ) que no son Atj no varan cuando Atj s vara, resulta poco creble
cuando al menos una de las covarianzas contemporneas entre Atj y los otros componentes de At es distinta de cero.
3.4.9 Definicin
PGINA 192
de manera que los M componentes de At son ortogonales entre s. En este contexto, la IRF
de Yti (1 i M ) ante un impulso unitario en Atj (1 j M ) es la secuencia
( Yt +k ,i / Atj ) para k = 0, 1, 2, ... De forma compacta, la IRF de Yt ante impulsos
unitarios en cada elemento de At es ( Yt +k / At ) = ( k ) ( k L ) para k = 0, 1, 2, ...
Observacin 1: En 3.4.9, el elemento en la posicin (i , j ) de k representa la consecuencia de un aumento unitario en
Atj (una perturbacin ortogonal asociada con la variable n j del modelo VAR en el momento t) sobre Yt +k ,i (la
variable n i del modelo VAR en el momento t + k , k 0), suponiendo que todos los elementos de ( At ) que no son
Atj no varan; ahora este supuesto s es razonable, ya que las covarianzas contemporneas entre Atj y los dems
componentes de At son todas iguales a cero.
Observacin 2: La ortogonalizacin de las perturbaciones de un modelo VAR a travs de la factorizacin de Cholesky
de A , tiene el inconveniente de que dicha factorizacin no es nica, ya que depende crucialmente del orden en el que
guran los componentes de ( Yt ) ; ver Observacin 3 en 3.1.3 y Observacin 2 en 3.4.2.
(l ) = lk=10 k A k = lk=10 k k ,
SERIES TEMPORALES
(3.25)
PGINA 193
2
ii (l ) = lk=10 M
j =1 k ( ij )
) = Mj =1 ( lk=10 k(2ij ) ),
(3.26)
donde
2
2 + ... + 2
+
lk=10 k(2ij ) = 0(
ij )
l 1( ij )
1( ij )
(3.27)
Continuando con el Ejemplo 3.4.2, la Tabla 3.2 contiene los resultados de los contrastes de
causalidad de Granger para las hiptesis nulas: (i) ( X t ) no causa a (Yt ) , (ii) (Yt ) no causa
a ( X t ) . La hiptesis (i) se rechaza claramente; la hiptesis (ii) no puede rechazarse al 1%.
SERIES TEMPORALES
PGINA 194
Tabla 3.2
Contrastes de causalidad de Granger a partir del modelo VAR(1) del Ejemplo 3.4.2
A partir del modelo VAR(1) estimado en (3.15) (ver tambin Tabla 1), resulta que:
0.1080 0.6461
0.2536 1.2220
1 0
,
, 2 =
, =
0
0.0746 0.0967
0.1410 0.2751
0 1 1
0.1185 0.0457
0.0365 0.1323
, 4 =
, ...
3 =
0.0053 0.1177
0.0153 0.0388
k =
k para todo k 0; ver Observacin en Ejemplo 3.4.6. Por otro lado,
donde
1
SERIES TEMPORALES
(3.28)
PGINA 195
Y X:
14.9739 2.7168
3.8696 0
=
= LL =
2.7168 2.8285
0.7021 1.5283
3.8696 0.7021
0
1.5283
(3.29)
2.8285 2.7168
1.6818 0
= LL =
A =
2.7168 14.9739
1.6154 3.5163
1.6818 1.6154
0
3.5163
(3.30)
(k = 0, 1, 2),
k L
[ver (3.2.6)-(3.27) con i = 1, l = 3], donde k(11) y k(12) son los elementos (1,1) y (1,2) de
k
SERIES TEMPORALES
PGINA 196
gura en (3.29):
k (k = 0, 1, 2) guran en (3.28), y L
respectivamente,
0.0356 0.9874
1.8393 1.8675
3.8696 0
, =
, 2 =
0 =
0.7021 1.5283 1
0.3526 0.4205
0.3564
0.1477
Y X:
(II)
X : 4.4625 (19.56%)
Alternativamente, cambiando el orden en el que guran Yt y Xt en el modelo, la varianza (estimada) del error de
previsin a horizonte l = 3 de (Yt ) tambin puede calcularse como
2
2
2
+ 2
2
2
+ 1(21)
+ 2(21)
Y2 (3) = 0(21)
(III)
0(22) + 1(22) + 2(22)
0.2349 0.4959
1.6818 0
0.2830 0.2622
,
, =
, 2 =
0 =
0.9121 0.3799
1.6154 3.5163 1
2.4649 0.8918
X Y:
(IV)
SERIES TEMPORALES
Y : 13.3040 (58.30%)
PGINA 197
Response of Y
Y
X
1.000000 0.000000
0.253606 -1.222001
-0.108035 -0.646113
-0.118526 -0.045745
-0.036511 0.132254
0.009394 0.081003
0.013807 0.010807
0.005026 -0.013899
-0.000686 -0.009965
-0.001579 -0.001904
Response of X
LAG
Y
X
0
0.000000 1.000000
1
0.141040 0.275128
2
0.074573 -0.096656
3
0.005280 -0.117721
4 -0.015264 -0.038840
5 -0.009349 0.007967
6 -0.001247 0.013617
7
0.001604 0.005271
8
0.001150 -0.000510
9
0.000220 -0.001546
Nonfactorized One Unit
LAG
0
1
2
3
4
5
6
7
8
9
Response of Y
Y
X
3.869608 0.000000
0.981356 -2.055185
-0.418054 -1.086646
-0.458650 -0.076935
-0.141283 0.222427
0.036350 0.136232
0.053428 0.018176
0.019448 -0.023375
-0.002653 -0.016760
-0.006112 -0.003202
Response of X
LAG
Y
X
0
0.000000 1.681820
1
0.545770 0.462716
2
0.288567 -0.162558
3
0.020431 -0.197985
4 -0.059067 -0.065322
5 -0.036178 0.013399
6 -0.004827 0.022901
7
0.006207 0.008864
8
0.004451 -0.000858
9
0.000850 -0.002600
Nonfactorized One Std.Dev.
LAG
0
1
2
3
4
5
6
7
8
9
Response of Y
Y
X
3.869608 0.000000
1.839308 -1.867539
0.035575 -0.987432
-0.426533 -0.069910
-0.234136 0.202118
-0.020521 0.123794
0.045840 0.016516
0.029206 -0.021241
0.004343 -0.015230
-0.004775 -0.002910
Response of X
LAG
Y
X
0 -0.702089 1.528263
1
0.352606 0.420468
2
0.356428 -0.147715
3
0.103081 -0.179908
4 -0.031798 -0.059358
5 -0.041771 0.012176
6 -0.014387 0.020810
7
0.002507 0.008055
8
0.004809 -0.000780
9
0.001936 -0.002363
Cholesky Order Y X
LAG
0
1
2
3
4
5
6
7
8
9
Response of Y
Y
X
3.516299 -1.615398
0.891754 -2.464859
-0.379884 -0.912126
-0.416774 0.114533
-0.128383 0.281406
0.033031 0.121058
0.048549 -0.004128
0.017672 -0.031494
-0.002411 -0.015652
-0.005554 -0.000650
Response of X
LAG
Y
X
0
0.000000 1.681820
1
0.495939 0.234880
2
0.262220 -0.283022
3
0.018565 -0.206514
4 -0.053674 -0.040664
5 -0.032874 0.028502
6 -0.004386 0.024916
7
0.005641 0.006273
8
0.004044 -0.002716
9
0.000773 -0.002955
Cholesky Order X Y
LAG
0
1
2
3
4
5
6
7
8
9
Tabla 3.3
Funciones de respuesta a impulsos estimadas a partir del modelo VAR(1) del Ejemplo 3.4.2
SERIES TEMPORALES
PGINA 198
Variance Decomposition of Y
HORIZON
S.E.
Y
X
Variance Decomposition of Y
HORIZON
S.E.
Y
X
1
2
3
4
5
6
7
8
9
10
1.681820 17.42709
1.769079 19.72300
1.810664 22.70245
1.822497 22.72850
1.823741 22.72791
1.824260 22.76741
1.824435 22.76925
1.824455 22.76896
1.824461 22.76949
1.824464 22.76954
Cholesky Order Y X
82.57291
80.27700
77.29755
77.27150
77.27209
77.23259
77.23075
77.23104
77.23051
77.23046
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1.681820 0.000000
1.769079 7.858915
1.810664 9.599360
1.822497 9.485485
1.823741 9.559170
1.824260 9.586207
1.824435 9.584941
1.824455 9.585692
1.824461 9.586115
1.824464 9.586106
Cholesky Order X Y
100.0000
92.14108
90.40064
90.51452
90.44083
90.41379
90.41506
90.41431
90.41388
90.41389
Tabla 3.4
Proporciones de las varianzas de los errores de previsin estimadas a partir del modelo VAR(1) del Ejemplo 3.4.2
Observacin 2: En general, en cualquier modelo VAR bivariante, la descomposicin de la varianza de los errores de
previsin describe la proporcin de la dinmica de cada componente del modelo debida a sus propias perturbaciones
SERIES TEMPORALES
PGINA 199
frente a las perturbaciones del otro componente. Si, por ejemplo, las perturbaciones de ( X t ) explican una proporcin
insignicante de la varianza de los errores de previsin de (Yt ) , puede decirse que (Yt ) es una variable esencialmente
exgena en el modelo considerado; en este caso, (Yt ) evoluciona independientemente de ( X t ) . Por el contrario, si las
perturbaciones de ( X t ) explican una proporcin elevada de la varianza de los errores de previsin de (Yt ) , (Yt ) es
una variable esencialmente endgena.
SERIES TEMPORALES
PGINA 200
4
MODELOS MULTIVARIANTES NO ESTACIONARIOS
4.1 INTRODUCCIN
4.1.1 Definicin
homognea implicada por el hecho de que cada componente (Yt 1 ) , (Yt 2 ) ..., (YtM ) de ( Yt ) sea integrado de orden
d 1 ; ver 2.4.6-2.4.9. En particular, se supone cada componente de ( Yt ) puede representar una transformacin de
Box-Cox (ver 2.4.1-2.4.3) de alguna caracterstica o variable original de inters, de manera que (Yt 1 ) , (Yt 2 ) ..., (YtM )
son procesos univariantes que nicamente requieren d 1 diferencias regulares para hacerlos estacionarios.
SERIES TEMPORALES
PGINA 201
4.1 INTRODUCCIN
Observacin 2: Una posibilidad conservadora a la hora de elaborar un modelo de relacin entre los componentes de un
proceso ( Yt ) I(d ) , consiste en plantear un modelo estacionario (ver Tema 3) para ( d Yt ) I(0) . Sin embargo, en
algunos casos especiales este planteamiento puede llevar a ignorar la existencia de ciertas relaciones importantes entre
los componentes no estacionarios de ( Yt ) ; esto ocurre cuando dichos componentes estn cointegrados.
4.1.2 Definicin
(Yt 1 ) I(d1 ) e (Yt 2 ) I(d2 ) , con d1 d2 , entonces (Yt 1 ) e (Yt 2 ) no pueden estar cointegrados; en este caso puede
comprobarse que cualquier combinacin lineal de (Yt 1 ) e (Yt 2 ) es un proceso integrado de orden max { d1 , d2 } .
Observacin 2: La cointegracin se reere a una combinacin lineal de M 2 procesos I(d ) (en la que el trmino
constante 0 puede perfectamente ser igual a cero), aunque podran concebirse situaciones en las que existieran
funciones no lineales de dichos procesos que fuesen I(d b ) . Por otro lado, como el orden de integracin de un
proceso (U t ) no vara si se multiplica (U t ) por cualquier constante distinta de cero, un vector de cointegracin no es
nico en el sentido que si es un vector de cointegracin, tambin lo es c = [c 1 , c 2 , ..., c M ] para cualquier
c 0 ; para identicar de forma nica un vector de cointegracin, suele imponerse la condicin 1 1 (porque, por
ejemplo, el primer componente de ( Yt ) es especialmente relevante por algn motivo).
SERIES TEMPORALES
PGINA 202
4.1 INTRODUCCIN
2
1
2
1
-1
-1
-2
-2
-3
-3
-4
-4
1
15
30
45
60
75
15
30
45
60
75
Figura 4.1
Dos series simuladas I(1) cointegradas
(sim-series.wf1)
Observacin 1: Las dos series del Panel A de la Figura 4.1 son no estacionarias, pero tienden a moverse juntas porque
comparten una tendencia estocstica comn; en otros trminos, dichas series estn ligadas por una relacin estable o
de equilibrio a largo plazo. En este caso, existe al menos una combinacin lineal de ambas series que es una serie I(0)
SERIES TEMPORALES
PGINA 203
4.1 INTRODUCCIN
(estacionaria); en particular, la serie del Panel B es (ut ) = ( 1 + [1, 2 ]yt ) , donde yt [yt 1 , yt 2 ] contiene las
dos series del Panel A y 1 , 2 son las estimaciones MCO del trmino constante y de la pendiente en la regresin
lineal de yt 1 sobre yt 2 . Como (ut ) I(0) , ( yt ) CI(1, 1) con vector de cointegracin = [ 1 , 2 ] = [1, 2 ] . La
serie (ut ) puede interpretarse en este caso como una secuencia de desequilibrios transitorios entre (yt 1 ) e (yt 2 ) con
respecto a una relacin (aproximadamente) estable o de equilibrio a largo plazo del tipo yt 1 2yt 2 1 .
4
2
1
2
1
-1
-1
-2
-2
-3
-3
-4
-4
1
15
30
45
60
75
15
30
45
60
75
Figura 4.2
Dos series simuladas I(1) no cointegradas
(sim-series.wf1)
SERIES TEMPORALES
PGINA 204
4.1 INTRODUCCIN
Observacin 2: Las dos series del Panel A de la Figura 4.2 son no estacionarias y deambulan sin presentar tendencia
alguna a moverse juntas, por lo que cualquier combinacin lineal de las mismas es una serie I(1) (no estacionaria). En
particular, la serie de residuos del Panel B de la Figura 4.2 es no estacionaria, por lo que en este caso no existe una
relacin estable (una relacin de cointegracin) entre las dos series consideradas.
2
-2
2
1
-4
0
-1
-6
-2
-8
-10
-3
-4
1
20
40
60
80
100
20
40
60
80
100
Figura 4.3
Tres series simuladas I(1) cointegradas
(coint6.wf1)
Observacin 3: Las tres series del Panel A de la Figura 4.3 son no estacionarias; adems, ningn par de los tres
SERIES TEMPORALES
PGINA 205
4.1 INTRODUCCIN
posibles parece presentar una tendencia comn. Sin embargo, las tres series estn cointegradas. La serie del Panel B
de la Figura 4.3 es la serie de residuos (ut ) = (1 + [1, 2 , 3 ]yt ) , donde yt [yt 1 , yt 2 , yt 3 ] contiene las tres
series del Panel A, y 1 , 2 , 3 son las estimaciones MCO del trmino constante y de las pendientes,
respectivamente, en la regresin lineal de yt 1 sobre yt 2 e yt 3 ; como (ut ) I(0) , ( yt ) CI(1, 1) con vector de
cointegracin = [ 1 , 2 , 3 ] = [1, 2 , 3 ] . En consecuencia, la dinmica de al menos una de las tres series
consideradas est determinada por la dinmica de las otras dos. Como en la Observacin 1, la serie (ut ) puede
interpretarse en este caso como una secuencia de desequilibrios transitorios entre (yt 1 ) , (yt 2 ) e (yt 3 ) con respecto a
una relacin (aproximadamente) estable o de equilibrio a largo plazo del tipo yt 1 2yt 2 3yt 3 1 .
Observacin 4: En Econometra, es bastante frecuente plantear modelos de relacin entre procesos no estacionarios del
mismo tipo que los modelos para procesos estacionarios considerados en el Tema 3 (especialmente en las secciones 3.2
y 3.3). En general, para que un modelo de alguna teora sobre relaciones estables entre procesos no estacionarios tenga
sentido, es necesario que exista alguna relacin de cointegracin entre dichos procesos; en caso contrario, el modelo
carece de inters y slo puede dar lugar a la estimacin de relaciones espurias. La Seccin 4.2, las guras 1.16-1.18, y
los ejemplos 1.4.3-1.4.4 del Tema 1, contienen algunas ilustraciones de esta cuestin.
Yt 1
Y
t 2
Yt
SERIES TEMPORALES
1.2 0.2
=
0.6
0.4
Yt 1,1
Y
t 1,2
Yt 1
At 1
A
t 2
(4.1)
At
PGINA 206
4.1 INTRODUCCIN
(4.1) es un modelo para ( Yt ) I(1) , restringido a que ( Yt ) CI(1, 1) . Para verlo, ntese
en primer lugar que los dos autovalores de 1 son 1 = 1 y 2 = 0.6 < 1 ; por lo tanto,
1.2 0.2
0.5 0.5
1 =
=
0.6
0.4
0.5
1.5
(4.2)
[Los dos autovectores en las columnas de P no son nicos.] (4.1) puede escribirse como
P1 Yt = P1 1P P1 Yt 1 + P1 At ,
Zt
Zt 1
(4.3)
Ut
es decir,
Zt 1
Z
t 2
Zt
0.0 0.6 Z
t 1,2
Zt 1
Ut 1
U
t 2
(4.4)
Ut
PGINA 207
Yt 1
Y
t 2
0.5 0.5
=
0.5 1.5
4.1 INTRODUCCIN
Zt 1
Z
t 2
Z + Zt 2
= 0.5 t 1
Z + 3Z
t 1
t2
(4.5)
entonces ( Yt ) I(1) , ya que sus dos componentes son combinaciones lineales de un proceso
I(1) (un paseo aleatorio) y de un proceso I(0) [que sigue un modelo AR(1) estacionario].
Recprocamente, (4.3) tambin implica que Zt = P1 Yt , o bien
Zt 1
Z
t 2
3.0
1.0
=
1.0 1.0
Yt 1
Y
t 2
3Yt 1 + Yt 2
=
Y Y
t 1
t2
(4.6)
interpretar como el componente no estacionario comn en (Yt 1 ) e (Yt 2 ) ; por su parte, (Zt 2 ) = (Yt 1 Yt 2 ) I(0)
puede interpretarse como el proceso de error en una relacin estable entre (Yt 1 ) e (Yt 2 ) del tipo Yt 1 Yt 2 0 . Las
dos series simuladas del Panel A de la Figura 4.1 proceden de un modelo como (4.1) con ( At ) NIID( 0, ) , donde
los elementos de son 12 = 4 , 22 = 10 , 12 = 21 = 2 ; ver tambin Figura 1.19 (I) (Panel B). La gura siguiente
contiene las series (0.5 zt 1 ) = (1.5yt 1 0.5yt 2 ) (izquierda) y ( zt 2 ) = (yt 1 yt 2 ) (derecha) (que es muy semejante a
SERIES TEMPORALES
PGINA 208
4.1 INTRODUCCIN
2
1
2
1
-1
-2
-1
-2
-3
-3
-4
-4
1
15
30
45
60
75
15
30
45
60
75
DESEQUILIBRIO ESTACIONARIO
denomina un modelo de correccin de error vectorial (VEC, del ingls Vector Error Correction). Dado que los
autovalores de I 1 son 1 1 = 0 , 1 2 = 0.4 , y los autovectores de I 1 coinciden con los de 1 ,
el modelo VEC asociado con el modelo VAR(1) (4.1) puede escribirse como Yt = P( I )P1 Yt 1 + At , o bien
Yt 1
Y
t2
0.5 0.5
=
0.5 1.5
Y
t 1,1
Y
t 1,2
A
t1
A
t 2
0.2
=
0.6
[1, 1] t 1,1
t 1,2
At 1
A
t 2
PGINA 209
4.1 INTRODUCCIN
mientras que su dimensin es igual a 2, lo que indica que existe una relacin de cointegracin entre (Yt 1 ) e (Yt 2 ) .
4.1.5 Definicin
El modelo de correccin de error vectorial (VEC) asociado con un modelo VAR(p) del tipo
p
( B )Yt = + At , o bien Yt = + i =1 i Yt i + At ,
(4.7)
Yt = Yt 1 + ip=11 Fi Yt i + At ,
(4.8)
(4.9)
donde
Cuando d 1, el rango de la matriz determina el nmero de relaciones de cointegracin
entre los componentes de ( Yt ) I(d ) . [Si el rango de es M, entonces ( Yt ) I(0) .]
Observacin: En general, cuando ( Yt ) I(1) VAR( p ) , con Yt [Yt 1 , Yt 2 ] , si ( Yt ) CI(1, 1) entonces el modelo
adecuado para ( Yt ) es (4.8) con = [ rango( ) = 1 ]; en este caso, un modelo VAR estacionario para
( Yt ) no sera adecuado, ya que en dicho modelo se habra omitido el trmino de correccin de error Yt1 .
SERIES TEMPORALES
PGINA 210
PGINA 211
Uno de los pilares fundamentales en la teora estadstica necesaria para resolver las tres
cuestiones planteadas en el punto anterior es el paseo aleatorio. Aunque un paseo aleatorio
es un proceso I(1) muy sencillo, sus caractersticas bsicas son esencialmente iguales que las
de cualquier proceso integrado de orden d 1; ver 2.4.6-2.4.7 y la Observacin siguiente.
Observacin: Un paseo aleatorio es un proceso estocstico (Yt ) tal que Yt = + Yt 1 + At , o bien Yt = + At ,
2 ) (ruido blanco). Un paseo aleatorio puede escribirse a partir de un origen temporal k < t
donde ( At ) IID(0, A
SERIES TEMPORALES
PGINA 212
k 1 A
dado como Yt = Tt + I t , donde Tt (yk k ) + ti
t i + t es la tendencia de (Yt ) (su componente
=1
permanente, que tiene una parte estocstica y otra determinista) e I t At es la parte irregular de (Yt ) (su
componente transitorio). Un paseo aleatorio es un proceso I(1) porque ( Yt ) ARMA(0, 0) ; en otros trminos, un
paseo aleatorio tiene una raz unitaria porque en el modelo ( B )Yt = + At , el operador autorregresivo
( B ) 1 B es tal que ( x ) = 0 tiene una raz igual a 1. La forma ms sencilla de comprobar que un paseo
aleatorio es un proceso no estacionario, consiste en comprobar que su varianza (calculada con respecto a un origen
temporal k < t dado) no es constante (de hecho, tiende a innito cuando t ; ver 2.4.6).
Por otro lado, cuando (Yt ) es un paseo aleatorio, Et 1 [Yt ] = Yt 1 (caracterstica que se denomina en ingls
martingale property). Esta propiedad tiene cierto sentido econmico en muchas ocasiones, especialmente en el estudio
de diversos mercados nancieros; ver, por ejemplo, las guras 2.30 y 2.32. Un paseo aleatorio es el proceso en tiempo
discreto correspondiente a un proceso de Wiener (o, en ingls, Brownian motion) en tiempo continuo, que juega un
papel fundamental en el desarrollo de la teora asinttica relevante en presencia de procesos con races unitarias.
En cualquiera de los modelos considerados en las secciones 3.2 y 3.3, las condiciones de
regularidad requeridas para poder hacer inferencia estndar no se cumplen cuando
alguna de las variables explicativas es un proceso no estacionario.
En concreto, la condicin de que la matriz de covarianzas muestrales entre las variables
explicativas converja en probabilidad a una matriz nita denida positiva (condicin
SERIES TEMPORALES
PGINA 213
1
2
N ( N + 1) , lo que indica
Si (Yt ) , ( X t ) son procesos independientes, cabra esperar al estimar un modelo del tipo
Yt = 1 + 2 X t + U t , donde (U t ) IID(0, 2 ),
(4.10)
que 2 resultase no signicativo y que el valor calculado del R 2 fuese prximo a cero.
No obstante, esto slo ocurre bajo condiciones muy restrictivas sobre (Yt ) y ( X t ) .
SERIES TEMPORALES
PGINA 214
SERIES TEMPORALES
PGINA 215
1.0
0.8
0.6
Regresin espuria - AR(1)
0.4
0.2
0.0
20
80
300
1.200
5.000
0.05
20.000
Figura 4.4
Frecuencias de rechazo de ausencia de relacin en regresiones espurias y vlidas
Adaptado de la Figura 14.1 en Davidson y MacKinnon (2004)
Observacin 1: El primer ejercicio de simulacin resumido en la Figura 4.4 consiste en llevar a cabo las operaciones de
los pasos (1)-(3) siguientes para tamaos muestrales comprendidos entre N = 20 y N = 20.000: (1) generar un milln
de series bivariantes diferentes ( yt ) , yt [ yt , x t ] , de tamao N a partir de un paseo aleatorio bivariante ( Yt ) ,
Yt (Yt , X t ) , con sus dos componentes independientes, (2) estimar (4.10) por MCO un milln de veces [una vez
con cada una de las series generadas en (1)] y contrastar cada vez con el estadstico t habitual la hiptesis nula
2 = 0 al 5%, (3) registrar el nmero de rechazos y dividirlo por un milln. La frecuencia (proporcin) obtenida en el
paso (3) est representada en la curva Regresin espuria - Paseo aleatorio de la Figura 4.4 como una funcin de N. Dicha
SERIES TEMPORALES
PGINA 216
frecuencia es elevada incluso para tamaos muestrales pequeos, y tiende claramente a uno a medida que N aumenta.
En cierto sentido, esta conclusin no es sorprendente: si 2 = 0 , (4.10) implica que (Yt ) IID( 1 , 2 ) ; por lo tanto,
2 = 0 es una hiptesis falsa en (4.10), y es lgico esperar que un contraste rechace una hiptesis nula falsa incluso si
la hiptesis alternativa tambin es falsa (como ocurre en este caso).
Sin embargo, el fenmeno anterior no se debe slo a que la hiptesis 2 = 0 sea falsa en (4.10). Para verlo, puede
plantearse el contraste de 2 = 0 en la regresin
Yt = 1 + 2 Xt + 3Yt 1 + U t ,
(4.11)
que, bajo 2 = 0 , proporciona un modelo vlido para (Yt ) (un paseo aleatorio). La frecuencia (proporcin) de
rechazo de 2 = 0 (obtenida mediante una simulacin anloga a la descrita anteriormente) est representada en la
curva Regresin vlida - Paseo aleatorio de la Figura 4.4 como una funcin de N. Aunque dicha frecuencia ahora no
tiende a uno, tiende a un valor claramente mayor que 0.05. Este sobrerrechazo de 2 = 0 [una hiptesis nula que es
cierta en (4.11)] se debe a la presencia de variables I(1) en (4.11), lo que implica, en general, que el estadstico t no
sigue ni una distribucin t de Student ni una distribucin N(0,1), incluso asintticamente.
Observacin 2: El segundo ejercicio de simulacin resumido en la Figura 4.4 consiste en llevar a cabo las operaciones
de los pasos (1)-(3) siguientes para tamaos muestrales comprendidos entre N = 20 y N = 20.000: (1) generar un
milln de series bivariantes diferentes ( yt ) , yt [ yt , x t ] , de tamao N a partir de un modelo VAR(1) bivariante del
tipo (1 0.8B )Yt 1 At 1 , (1 0.8B )Yt 2 At 2 , con ( At 1 ) , ( At 2 ) independientes, (2) estimar (4.10) y (4.11) por
MCO un milln de veces [una vez con cada una de las series generadas en (1)] y contrastar cada vez en cada modelo
con el estadstico t habitual la hiptesis nula 2 = 0 al 5%, (3) registrar el nmero de rechazos en cada caso y
dividirlo por un milln. Las frecuencias (proporciones) obtenidas en el paso (3) estn representadas en las curvas
Regresin espuria AR(1) [para el modelo (4.10)] y Regresin vlida AR(1) [para el modelo (4.11)] de la Figura 4.4 como
SERIES TEMPORALES
PGINA 217
funciones de N. En este segundo ejercicio, todas las variables que guran en (4.10) y (4.11) son I(0). Sin embargo, la
frecuencia de rechazo de 2 = 0 en (4.10) tiende a un valor claramente superior a 0.05, aunque (a diferencia de lo
que ocurre en el ejercicio de la Observacin 1) dicha frecuencia no tiende a crecer constantemente hacia 1 con N. De
hecho, la frecuencia de rechazo de 2 = 0 en (4.11) es esencialmente correcta (un 5%) al menos para tamaos
muestrales grandes.
Lo que provoca que (4.10) sea una regresin espuria es que 2 = 0 es tambin en este caso una hiptesis falsa en
(4.10): si 2 = 0 , (4.10) implica que (Yt ) IID( 1 , 2 ) , cuando en realidad (Yt ) AR(1) .
Observacin 3: En resumen, los dos ejercicios anteriores ilustran la posibilidad de encontrar relaciones aparentes entre
variables que son en realidad independientes. Esta posibilidad no es remota cuando las variables consideradas estn
autocorrelacionadas, y es particularmente probable con variables no estacionarias. Ver Granger, C.W.J., y Newbold,
P. (1974), Spurious regressions in econometrics, Journal of Econometrics, 2, 111-120; Phillips, P.C.B., (1986),
Understanding spurious regressions in econometrics, Journal of Econometrics, 33, 311-340; Durlauf, S.N., y Phillips,
P.C.B., (1988), Trends versus random walks in time series analysis, Econometrica, 56, 1333-1354; Granger, C.W.J.,
(2001), Spurious regressions in econometrics, Cap. 26 en A Companion to Econometric Theory, ed. B. Baltagi,
Blackwell, 557-561.
SERIES TEMPORALES
PGINA 218
SERIES TEMPORALES
PGINA 219
Yt = 1Yt 1 + At ,
(4.12)
entonces (Yt ) I(0) si 1 < 1 , mientras que (Yt ) I(1) (un paseo aleatorio) si 1 = 1 .
Una manera de contrastar formalmente H 0 : (Yt ) I(1) frente a H 1 : (Yt ) I(0) en este
caso, consiste en contrastar H 0 : 1 = 1 frente a H 1 : 1 < 1 en (4.12).
Observacin 1: En la prctica, H 1 signica que 0 < 1 < 1 , ya que 1 < 0 en (4.12) es una posibilidad muy poco
frecuente. Por otro lado, la alternativa H 1 : 1 > 1 no se considera habitualmente porque implicara que (Yt ) es un
proceso no estacionario explosivo.
(4.13)
Yt = Yt 1 + At ,
(4.14)
en el modelo
donde 1 1 . El estadstico t habitual asociado con para contrastar (4.13) en (4.14),
no sigue bajo H 0 en (4.13) ni una distribucin t de Student ni una distribucin N(0,1), ni
siquiera asintticamente. No obstante, la distribucin del estadstico t bajo H 0 en (4.13) es
SERIES TEMPORALES
PGINA 220
1%
5%
10%
2.56
3.43
3.96
2.33
1.94
2.86
3.41
1.65
1.62
2.57
3.13
1.28
Tabla 4.1
Valores crticos asintticos para los contrastes DF ADF de races unitarias
Observacin 2: Los valores crticos de la distribucin DF de son ms negativos que los de la distribucin N(0,1) (que
guran en la ltima la de la Tabla 4.1); esto signica que para rechazar H 0 , el valor del estadstico debe ser ms
SERIES TEMPORALES
PGINA 221
negativo (mayor en valor absoluto) que si se comparase con un valor crtico de la distribucin N(0,1). En otros
trminos, si el valor del estadstico se comparase (incorrectamente) con un valor crtico de la distribucin N(0,1),
H 0 se rechazara ms frecuentemente; ver Figura 4.4.
Una primera extensin del contraste bsico de 4.3.1 consiste en permitir la presencia de un
trmino constante en (4.12) o, equivalentemente, en (4.14), de manera que
Yt = + Yt 1 + At .
(4.15)
aproximarse por la distribucin t de Student habitual en muestras pequeas), lo que permite contrastar de forma
SERIES TEMPORALES
PGINA 222
estndar la signicacin individual de en (4.15). Este resultado es un caso particular del caso ms general que se
describe en el apartado sobre inferencia en regresiones con series I(1) en la Seccin 4.5.
4.3.3 Ejemplo
Una segunda extensin del contraste bsico de 4.3.1 consiste en permitir que (Yt ) siga un
modelo AR(p) con trmino constante y p 2, de manera que
Yt = + ip=1 iYt i + At ,
(4.16)
PGINA 223
(que pueden aproximarse por la distribucin t de Student habitual en muestras pequeas), lo que permite contrastar
de forma estndar la signicacin individual o conjunta de 1 , ..., p1 en (4.16).
Observacin 2: En la prctica, un contraste ADF suele plantearse a partir de una regresin del tipo
Yt = + Yt 1 + m
i =1 i Yt i + Vt ,
(4.17)
(4.18)
Yt = + t + Yt 1 + m
i =1 i Yt i + Vt ,
donde la presencia de t suele justicarse para no confundir un proceso cuya tendencia es puramente determinista
con un proceso I(1) (cuyo componente de tendencia esencial es estocstico). Ntese, no obstante, que la hiptesis nula
en (4.13) representara en este caso la posibilidad de que ( Yt ) tuviera una tendencia lineal determinista (algo muy
poco usual en la prctica). En todo caso, el estadstico t para en (4.18) suele representarse como , y los valores
crticos para el contraste ADF correspondiente guran en la tercera la de la Tabla 4.1.
Observacin 4: En general, cualquier contraste ADF para decidir si un proceso es I(1) I(0), tambin puede utilizarse
para decidir si un proceso es I(2) I(1), deniendo adecuadamente Yt en (4.14)-(4.19) [por ejemplo, Yt Z t si se
desea contrastar (Z t ) I(2) frente a (Z t ) I(1) ].
SERIES TEMPORALES
PGINA 224
2
1
2
1
-1
-2
-1
-2
-3
-3
-4
-4
1965
1970
1975
1980
1985
1990
1995
1880
1900
1920
1940
1960
Figura 4.5
Figura 4.6
Observacin 1: La Tabla 4.2 contiene el resultado del contraste DF basado en (4.17) con m = 0 para la serie ( z t ) de
la Figura 4.5 (obtenido con EViews 4.1 May 23 2003 build); en este caso, no puede rechazarse que ( Z t ) I(1) ni
siquiera al 10% ( = 2.498, p-value = 12.53%). Ntese que: (i) la conclusin habra sido distinta si se hubiera
utilizado errneamente una distribucin t para (p-value = 1.82%), (ii) el contraste de Shin-Fuller del Ejemplo
SERIES TEMPORALES
PGINA 225
2.6.8 presenta cierta evidencia en favor de que (Z t ) I(1) , y (iii) los contrastes de no invertibilidad de Davis-ChenDunsmuir del Ejemplo 2.6.8 presentan bastante evidencia en favor de que (Z t ) I(0) .
Null Hypothesis: Z has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on AIC, MAXLAG=4)
t-Statistic
Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level
10% level
-2.498350 0.1253
-3.653730
-2.957110
-2.617434
t-Statistic
Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level
10% level
-4.048705 0.0018
-3.498439
-2.891234
-2.582678
Variable
Z(-1)
C
Prob.
Variable
NILO(-1)
D(NILO(-1))
C
Prob.*
Prob.
Tabla 4.2
Tabla 4.3
Observacin 2: La Tabla 4.3 contiene el resultado del contraste DF basado en (4.17) con m = 1 para la serie ( z t ) de
la Figura 4.6 (obtenido con EViews 4.1 May 23 2003 build); en este caso, se rechaza claramente que (Z t ) I(1)
SERIES TEMPORALES
PGINA 226
incluso al 1% ( = 4.049, p-value = 0.18%). Ntese que: (i) la conclusin habra sido la misma si se hubiera
utilizado errneamente una distribucin t para (p-value = 0.01%), (ii) el contraste de Shin-Fuller del Ejemplo
2.6.6 presenta bastant evidencia en favor de que (Z t ) I(1) , y (iii) los contrastes de no invertibilidad de Davis-ChenDunsmuir del Ejemplo 2.6.8 presentan bastante evidencia en contra de que (Z t ) I(0) ; ver tambin Ejemplo 3.2.2.
4
-1
-1
-2
-2
-3
-3
-4
-4
82 84 86 88 90 92 94 96 98 00 02
82 84 86 88 90 92 94 96 98 00 02
Figura 4.7
Figura 4.8
Observacin 3: La Tabla 4.4 contiene el resultado del contraste DF basado en (4.17) con m = 1 para la serie ( z t ) de
la Figura 4.7 (obtenido con EViews 4.1 May 23 2003 build); en este caso, claramente no se rechaza que (Z t ) I(1)
SERIES TEMPORALES
PGINA 227
( = 1.598, p-value = 48.22%). Por su parte, la Tabla 4.5 contiene el resultado del contraste DF basado en (4.17)
con m = 1 para la serie ( z t ) de la Figura 4.8; en este caso, (Z t ) I(1) puede rechazarse al 5% aunque no al 1% (
= 3.026, p-value = 3.38%). Estos resultados contienen cierta evidencia en favor de la teora de la paridad del poder
adquisitivo (PPA) entre el Euro y el Franco Suizo, pero bastante evidencia en contra de dicha teora entre el Euro y
el Dlar EEUU; ver Ejemplo 1.4.3.
Null Hypothesis: Z has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=24)
t-Statistic
Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level
10% level
Prob.*
-1.597903 0.4822
-3.455193
-2.872370
-2.572615
t-Statistic
Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level
10% level
Prob.*
-3.026169 0.0338
-3.455193
-2.872370
-2.572615
Variable
Prob.
Variable
Prob.
Z(-1)
D(Z(-1))
C
Z(-1)
D(Z(-1))
C
Tabla 4.4
Tabla 4.5
SERIES TEMPORALES
PGINA 228
-2
-2
-4
-4
1960
1970
1980
1990
2000
1960
1970
1980
1990
2000
Figura 4.9
Figura 4.10
Observacin 4: La Tabla 4.6 contiene el resultado del contraste DF basado en (4.17) con m = 0 para la serie ( z t ) de
la Figura 4.9 (obtenido con EViews 4.1 May 23 2003 build); en este caso, se rechaza claramente que (Z t ) I(1) en
favor de (Z t ) I(0) ( = 8.498, p-value = 0.00%). Por su parte, la Tabla 4.7 contiene el resultado del contraste
DF basado en (4.17) con m = 0 para la serie ( z t ) de la Figura 4.10; tambin en este caso se rechaza claramente que
(Z t ) I(1) en favor de (Z t ) I(0) ( = 6.504, p-value = 0.00%). Estos resultados contienen bastante evidencia
en favor de la hiptesis de las expectativas sobre la estructura temporal de los tipos de inters; ver Ejemplo 1.4.4.
SERIES TEMPORALES
PGINA 229
Prob.*
-8.498442 0.0000
-3.468749
-2.878311
-2.575791
t-Statistic
Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level
10% level
-6.503527 0.0000
-3.468749
-2.878311
-2.575791
Variable
Z(-1)
C
Prob.
Variable
Z(-1)
C
Prob.*
Prob.
Tabla 4.6
Tabla 4.7
A pesar de que los contrastes ADF basados en (4.17)-(4.18) son probablemente los ms
populares en la prctica actual, sus inconvenientes (ver Observacin 2 en 4.3.3) han
SERIES TEMPORALES
PGINA 230
SERIES TEMPORALES
PGINA 231
Sea ( Yt ) , Yt [Yt 1 , Yt 2 ] , un proceso bivariante que sigue un modelo VAR(1) del tipo
Yt 1
Y
t 2
1
=
11 21
12 22
1
Yt
Yt 1,1
Y
t 1,2
Yt 1
At 1
A
t 2
, ( A ) IID( 0, ) ,
t
A
(4.19)
At
tal que los dos autovalores de 1 , 1 y 2 , son distintos entre s. En este caso,
1
1 = PP
p11 p12
=
p21 p22
1 0 p(1)1 p(1)2
0 2 p
(2)1 p(2)2
0
= [p , p ] 1
1
2
0 2
p(1)
p
(2)
, (4.20)
Zt 1
(4.21)
Ut
PGINA 232
donde
Zt 1
Zt =
Z
t2
Yt
p(1)
=
p Y
(2) t
p Y + p(1)2Yt 2
= (1)1 t 1
p(2)1Yt 1 + p(2)2Yt 2
(4.22)
es decir,
Zt 1
Z
t 2
Zt
= 01
02
0
1 0
+
0
2
Z
t 1,1
Z
t 1,2
Zt 1
Ut 1
U
t 2
, ( U ) IID( 0, P1 P1 ) ,
t
A
(4.23)
Ut
p11Z t 1 + p12 Z t 2
= p1Z t 1 + p2 Z t 2 =
p21Z t 1 + p22 Z t 2
(4.24)
(4.23) implica que (Z t 1 ) I(0) y (Z t 2 ) I(0), por lo que (4.24) implica que ( Yt ) I(0) .
SERIES TEMPORALES
PGINA 233
Caso 2: 1 = 1 , 2 < 1 .
(4.23) implica que (Z t 1 ) I(1) y (Z t 2 ) I(0), por lo que (4.24) implica que ( Yt ) I(1) .
Yt = p(2)1Yt 1 + p(2)2Yt 2 ,
Juntando este resultado con la segunda la de (4.22), Z t 2 = p(2)
Yt ) I(0), por lo que ( Yt ) CI(1, 1) con vector de cointegracin
resulta que ( p(2)
[ 1 , 2 ] = p(2) [ p(2)1 , p(2)2 ] [la segunda la de P1 en (4.20)]. En este caso, el
modelo VEC (ver 4.1.5) asociado con (4.19) es Yt = Yt 1 + At , donde I 1
puede escribirse [ver (4.20)] como
0
0
= P( I )P = [ p1 , p 2 ]
0 1 2
Es decir, Yt = Yt 1 + At , o bien
1
Yt 1
Yt 2
p
(1)
p
(2)
= [ p (1 )][ p ] = . (4.25)
2
2
(2)
+
=
( Y
At 1
At 2
(4.26)
PGINA 234
Caso 3: 1 = 2 = = 1 .
Si 1 en (4.19) no es una matriz diagonal, pero sus dos autovalores son iguales, entonces
q11 q12
=
q 21 q 22
1 = QJQ
1 q(1)1 q(1)2
0 q
(2)1 q(2)2
1 q (1)
= [q , q ]
1
2
0 q (2)
(4.27)
que se denomina la forma cannica de Jordan de 1 . Ahora, (4.19) puede escribirse como
Q1 Yt = Q1 + Q1 1Q Q1 Yt 1 + Q1 At ,
0
Zt
Zt 1
(4.28)
Ut
donde
Zt 1
Zt =
Z
t2
Yt
q (1)
=
q Y
(2) t
q Y + q(1)2Yt 2
= (1)1 t 1
q(2)1Yt 1 + q(2)2Yt 2
(4.29)
es decir,
Zt 1
Z
t 2
Zt
SERIES TEMPORALES
= 01
02
0
1 Z t 1,1
+
0 Z
t 1,2
J
Zt 1
Ut 1
U
t 2
, ( U ) IID( 0, Q1 Q1 ) ,
t
A
(4.30)
Ut
PGINA 235
q11Z t 1 + q12 Z t 2
= q 1Z t 1 + q 2 Z t 2 =
q 21Z t 1 + q 22 Z t 2
(4.31)
0 1 q (1)
= [ q1 , q 2 ]
= Q( I J )Q
q
0
0
(2)
Es decir, Yt = Yt 1 + At , o bien
1
SERIES TEMPORALES
= [ q ][ q ] = .
1
(2)
(4.32)
PGINA 236
Yt 1
Yt 2
+
= 1
Y
Y
+
(
)
2
1
1,1
2
1,2
t
t
At 1
At 2
(4.33)
que: (i) ( Yt ) I(0) cuando rango( ) = 2 , (ii) ( Yt ) CI(1, 1) o bien ( Yt ) CI(2, 1) cuando rango( ) = 1 , y (iii)
( Yt ) I(1) con sus dos componentes no cointegrados cuando rango( ) = 0 , donde I 1 . Adems, cuando
( Yt ) CI(1, 1) , ( Yt ) no sigue un modelo VAR estndar, sino un modelo VEC como (4.26).
SERIES TEMPORALES
PGINA 237
4.4.2 Ejemplo
(4.34)
tal que los tres autovalores de 1 , 1 , 2 y 3 , son distintos entre s. En este caso,
1 = PP1
1 0 0
= [ p1 , p2 , p 3 ] 0 2 0
0 0 2
p(1)
p(2)
p
( 3)
(4.35)
Zt 1
(4.36)
Ut
Yt , p(2)
Yt , p(3)
Yt ] [combinaciones lineales
lo que implica que Zt [ Z t 1 , Z t 2 , Z t 3 ] [ p(1)
de los componentes de ( Yt ) ]; recprocamente, Yt PZt .
SERIES TEMPORALES
PGINA 238
Caso 1: i < 1 (i = 1, 2, 3 )
p(2)
= AB ,
= [ p 2 (1 2 ), p 3 (1 3 )]
= [ p1 , p 2 , p 3 ] 0 1 2
0 p(2)
p(3)
0
1
p
3
(
3)
donde A y B son matrices 3 2 con rango igual a 2. Es decir, Yt = AB Yt 1 + At , o
SERIES TEMPORALES
PGINA 239
Cuando dos de los tres autovalores de 1 en (4.34) son iguales, en ciertas ocasiones
1 = QJQ1
1 0
= [ q1 , q 2 , q 3 ] 0 0
0 0 3
q (1)
q (2)
q
( 3)
(4.37)
que se denomina la forma cannica de Jordan de 1 . Ahora, (4.34) puede escribirse como
Q1 Yt = Q1 + Q1 1Q Q1 Yt 1 + Q1 At ,
Zt
Zt 1
(4.38)
Ut
lo que implica cuando = 1 que (Z t 3 ) I(0), (Z t 2 ) I(1) y (Z t 1 ) I(2) ; por otro lado,
(4.38) tambin implica que Yt = QZt , por lo que ( Yt ) I(2) cuando = 1 . Juntando
Yt ) I(1) , por lo que ( Yt ) CI(2, 1) , y, al
estos dos resultados, se obtiene que ( q (2)
SERIES TEMPORALES
PGINA 240
mismo tiempo, ( q ( 3) Yt ) I(0) , por lo que ( Yt ) CI(2, 2). El modelo VEC asociado con
(4.34) es Yt = Yt 1 + At , donde = I 1 puede escribirse [ver (4.37)] como
1
= Q( I J )Q
q (2)
= [ q 1 , q 3 (1 3 )]
q (3)
= AB ,
(4.39)
ocurrir que: (i) ( Yt ) I(0) cuando rango( ) = 3 , (ii) ( Yt ) es un proceso no estacionario cuyos componentes
presentan dos relaciones de cointegracin cuando rango( ) = 2 . En general, cuando ( Yt ) I(d ) es un proceso de
orden M 2, pueden existir hasta M 1 relaciones de cointegracin entre sus componentes; adems, si d = 2 , no
todas esas relaciones proporcionan necesariamente un proceso I(0); estas posibilidades son, no obstante, difciles de
interpretar en la prctica en muchas ocasiones.
Observacin 2: Una posibilidad fcilmente interpretable en la prctica, consiste en que los componentes de ( Yt ) I(1)
presenten una nica relacin de cointegracin, de manera que ( Yt ) CI(1, 1) con un nico vector de cointegracin.
Esta posibilidad existe incluso cuando M 3. Por ejemplo, considrese (4.34) con
SERIES TEMPORALES
PGINA 241
1 0 0
1 = 0 1 0
1 1 33
donde 33 < 1 . En este caso, los autovalores de 1 son como en el Caso 3 anterior ( 1 = 2 = 1, 3 = 33 ); sin
embargo, en este caso s existen dos autovectores linealmente independientes asociados con el autovalor igual a 1. Por
ejemplo, si 33 = 0.6 , entonces
1 0 0
0.4 0
0 1
1 = 0 1 0 = PP1 = 0
0.4 0 0
1 1 0.6
1
1
1 0
I 1 = 0
0
0
1
0
1
0
0 2.5
0
0
0 0
2.5 0 ,
0 = 0 [ 2.5, 2.5, 1] .
0.4
0.4
La expresin anterior para 1 indica [ver (4.36)] que Zt [ Z t 1 , Z t 2 , Z t 3 ] P1 Yt es tal que (Z t 1 ) y (Z t 2 ) son
I(1), pero (Z t 3 ) es I(0), lo que implica que ( Yt ) I(1) . Estos resultados junto con la expresin anterior para
implican que ( Yt ) CI(1, 1) con vector de cointegracin = [ 2.5, 2.5, 1] ; dado que rango( ) = 1 , en este caso
existe una nica relacin de cointegracin entre los tres componentes I(1) de ( Yt ) .
SERIES TEMPORALES
PGINA 242
4.4.3 Definicin
(4.40)
Yt = Yt 1 + ip=11 Fi Yt i + At .
(4.41)
SERIES TEMPORALES
PGINA 243
(3) La situacin intermedia entre las dos anteriores (1 P M 1 ) indica que existen P
relaciones de cointegracin entre los componentes de ( Yt ) , que es un proceso integrado
de orden uno o superior. En este caso, puede factorizarse como = AB , donde A y
B son matrices de orden M P , con rango( A ) = rango( B ) = P ; las P columnas de B
(o las P las de B ) contienen los P vectores de cointegracin (linealmente
independientes) entre los componentes de ( Yt ) .
SERIES TEMPORALES
PGINA 244
(4.42)
PGINA 245
2
asociada con procesos I(1) es muy diferente de la teora asinttica estndar para procesos estacionarios.
PGINA 246
(4.43)
(4.44)
que coincide con la primera la de (4.26) en el Caso 2 del Ejemplo 4.4.1 (imponiendo la
normalizacin 1 = 1 ). La expresin anterior es un modelo de correccin de error (EC) del
tipo presentado en la Seccin 3.3 para procesos estacionarios [ver, en particular, (3.13) en el
Ejemplo 3.3.4], lo que sugiere plantear para estimar 2 un modelo del tipo
(4.45)
PGINA 247
(4.46)
EC , que se
Observacin 2 del Ejemplo 3.3.5). El estimador MCNL de 2 en (4.45) suele representarse como
2
MCO (ver Observacin 1),
EC tambin es superconsistente, aunque
denomina el estimador EC de 2 . Al igual que
2
2
EC no es una
suele tener un sesgo ms reducido que el estimador MCO. Por otro lado, la distribucin asinttica de
2
distribucin estndar, por lo que (como en el caso del estimador MCO) cualquier contraste estndar sobre 2 basado
EC es (en general) incorrecto.
en
2
En el apartado siguiente se discuten algunas posibilidades para hacer inferencia estndar sobre ciertas funciones de 1
y 2 en (4.45), o de 1 y 2 en (4.46), basadas en las representaciones alternativas de (4.45)-(4.46) siguientes:
(4.45)
(4.47)
(4.46)
(4.48)
donde 2 1 2 en (4.47) y 2 1 2 en (4.48). Ntese que (4.47)-(4.48) pueden estimarse por MCO porque son
EC 2 /
1 en (4.45), o 2EC 2 /
1 en (4.46).
regresiones lineales, al contrario que (4.45)-(4.46), de manera que
2
Observacin 4: Un enfoque alternativo a los considerados en general en (4.42), (4.45) y (4.47), que es muy sencillo de
PGINA 248
Yt 1 = 0 2 Yt 2 + m
i =m i Yt +i ,2 + At ,
(4.49)
que es (4.42) con Yt 2 y m retardos y adelantos de Yt 2 aadidos. Esta modicacin de (4.42) se espera que sirva
para eliminar la endogeneidad de Yt 2 [as como la posible autocorrelacin de (U t ) ] en (4.42). En tal caso, el
estimador MCO de 2 en (4.49) es consistente, asintticamente Normal y asintticamente eciente, lo que permite
hacer inferencias sobre el vector de cointegracin 2 utilizando dicho estimador de forma estndar; ver Saikkonen, P.
(1991), Asymptotically efcient estimation of cointegration regressions, Econometric Theory, 7, 1-21.
PGINA 249
unit roots, Econometrica, 58, 113-144; Phillips, P.C.B. (1991), Optimal inference in cointegrated systems,
Econometrica, 59, 283-306.
4.5.1 Ejemplo
SERIES TEMPORALES
(4.50)
PGINA 250
(4.51)
PGINA 251
la distribucin asinttica habitual porque no es posible escribir (4.50) de manera que 1 y 2 multipliquen slo a
1 y 2 siguieran asintticamente una distribucin
variables I(0) al mismo tiempo. De hecho, si los estimadores
1 de 2 en (4.46) tambin sera asintticamente Normal (con
conjunta Normal, entonces el estimador 2EC 2 /
4.5.2 Ejemplo
Yt = + Yt 1 + 1 Yt 1 + Vt ,
(4.52)
Yt = + Yt 1 + 1Yt 1 1Yt 2 + Vt
= + (Yt 1 Yt 2 ) + 1Yt 1 + ( 1 )Yt 2 + Vt ,
lo que indica que cuando (Yt ) I(1) , (4.52) no puede escribirse de tal forma que slo
multiplique a una variable I(0). Por lo tanto, el estadstico t para en (4.52) no sigue una
SERIES TEMPORALES
PGINA 252
Yt = AB Yt 1 + ip=11 Fi Yt i + At ,
(4.53)
SERIES TEMPORALES
PGINA 253
La estimacin del modelo VEC (4.53) proporciona una estimacin de cada una de las P
relaciones de cointegracin entre los M componentes de ( Yt ) I(1) .
4.5.3 Ejemplo
Yt 1
Yt 2
+
=
(Y
At 1
At 2
(4.54)
en la actualidad; sin embargo, no es un procedimiento de estimacin por MVE, sino (a lo sumo) por MVC (Mxima
SERIES TEMPORALES
PGINA 254
Verosimilitud Condicionada), que consiste bsicamente en estimar primero B en (4.53) para estimar despus , A,
Fi (i = 1,..., p 1) y A por MCO (ecuacin por ecuacin, como en un modelo VAR no restringido).
Paso 1: Estimar por MCO la regresin multivariante con trmino constante de yt sobre yt i (i = 1,..., p 1) y
t 1 y t y
t .
guardar los vectores ( M 1) de residuos v
Paso 2: Estimar por MCO la regresin multivariante con trmino constante de yt1 sobre yt i (i = 1,..., p 1) y
t 2 yt 1 y
t 1 .
guardar los vectores ( M 1) de residuos v
Paso 3: Calcular las matrices de covarianzas muestrales entre los dos conjuntos de residuos anteriores:
ij
1
N
ti v
tj (i = 1, 2; j = 1, 2) ,
tN=1 v
( i
11 12 )zi = 0 (i = 1, ..., M ) .
(I)
Para ello: (1) Calcular los autovalores de la matriz simtrica y denida positiva
22
21
1
11 12 22 ,
(II)
22
22
1 ; los autovalores de son los escalares i de (I). (2) Ordenar los autovalores de de mayor a
=
donde
22
menor ( j > i si j < i ), calcular los autovectores correspondientes, y recogerlos en las columnas de P tal que
22 P son los vectores zi de (I). La matriz
PP , P P = I , donde diag[ 1 , ..., M ] ; las columnas de Z
Z satisface adems la relacin
22 Z = I .
Z
(III)
SERIES TEMPORALES
PGINA 255
por MV de B en (4.53); B
est identicada de
Paso 5: Las primeras P columnas de Z constituyen la estimacin B
forma nica por (III). Por ltimo, estimar , A, Fi (i = 1,..., p 1) y A en (4.53) por MCO, reemplazando B por
son esencialmente los escalares 1 , ..., P del Paso 4 anterior.
. Los autovalores de
AB
su estimacin B
Observacin 8: Como en los casos de los estimadores MCO y EC discutidos en los apartados anteriores, el estimador
4.5.4 Ejemplo
En este ejemplo se ilustran los procedimientos de estimacin descritos en esta seccin con la
serie bivariante simulada de la Figura 4.1 (Panel A); ver tambin Ejemplo 4.1.4.
Estimacin directa MCO en (4.42)
(4.55)
Observacin 1: Las tablas 4.8 y 4.9 contienen los resultados de las estimaciones por MCO (obtenidas con EViews 4.1
SERIES TEMPORALES
PGINA 256
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Variable
t-Statistic
Prob.
C
VAR32
0.917682
0.898398
0.333624
0.025622
2.750648
35.06348
0.0067
0.0000
C
VAR31
0.2419
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.892555
0.891829
3.826084
2166.560
-413.1103
0.711044
Tabla 4.8
Estimacin por MCO de la primera regresin en (4.55)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.892555
0.891829
4.023490
2395.894
-420.6565
0.783306
Tabla 4.9
Estimacin por MCO de la segunda regresin en (4.55)
(4.56)
Observacin 2: Las tablas 4.10 y 4.11 contienen los resultados de las estimaciones por MCNL (obtenidas con EViews
EC = [1, 1.0545] ,
4.1 May 23 2003 build) de las dos regresiones en (4.56). De la Tabla 4.10 se deduce que
EC = [1, 0.9771] ,
1 = 0.1854 , mientras que de la Tabla 4.11 se deduce que
1 = 0.5998 . Al igual que en la
Observacin 1, en este caso tambin se obtienen dos estimaciones diferentes del vector de cointegracin.
SERIES TEMPORALES
PGINA 257
t-Statistic
Prob.
0.4971
0.0000
0.0000
0.133462
0.121592
2.032572
603.1771
-315.5925
Tabla 4.10
Estimacin por MCNL de la primera regresin en (4.56)
t-Statistic
Prob.
0.5221
0.0000
0.0000
0.345770
0.336807
3.267532
1558.808
-386.3277
Tabla 4.11
Estimacin por MCNL de la segunda regresin en (4.56)
Yt 1
Yt 2
Yt 1,1
[1, 2 ] Yt 2,1
At 1
At 2
(4.57)
Observacin 3: Estimar (4.57) por MV consiste en estimar las dos regresiones de (4.56) conjuntamente (con la
restriccin 1 = 2 = 0 , a la vista de los resultados de las tablas 4.10-4.11). La Tabla 4.12 contiene el resultado de la
VEC = [1, 0.9919] ,
estimacin (obtenida con EViews 4.1 May 23 2003 build) de (4.57), de donde se deduce que
SERIES TEMPORALES
PGINA 258
1 = 0.1979 ,
2 = 0.5875 . Ahora se obtiene una nica estimacin del vector de cointegracin.
CointEq1
VAR31(-1)
VAR32(-1)
1.000000
-0.991874
(0.03415)
[-29.0421]
Error Correction:
D(VAR31)
D(VAR32)
CointEq1
0.197924
(0.04149)
[ 4.77033]
0.587534
(0.06661)
[ 8.82015]
0.128619
0.128619
606.5483
2.024426
-316.0078
4.255138
4.275299
0.158273
2.168691
0.343826
0.343826
1563.439
3.250196
-386.5487
5.201996
5.222157
0.131851
4.012361
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
38.42034
-693.6601
-694.6634
9.378033
9.458675
Tabla 4.12
Estimacin por MV del modelo VEC (4.57)
SERIES TEMPORALES
PGINA 259
Observacin 4: La estimacin de (4.57) por MVE proporciona unos resultados esencialmente idnticos a los que guran
en la Tabla 4.12. En la prctica, el mtodo ms recomendable para estimar relaciones de cointegracin es el mtodo
basado en la estimacin conjunta de todos los parmetros de un modelo VEC como (4.53); este mtodo permite,
adems, contrastar hiptesis sobre los vectores de cointegracin y sobre los factores de ajuste de una manera muy
sencilla (ver Seccin 4.6). No obstante, los estimadores MCO y EC pueden resultar tiles en los primeros pasos de un
anlisis aplicado, para obtener una primera impresin de las relaciones de cointegracin consideradas, y para obtener
estimaciones iniciales de los parmetros implicados en dichas relaciones.
SERIES TEMPORALES
PGINA 260
Los tres mtodos para estimar relaciones de cointegracin de la seccin anterior, pueden
extenderse para contrastar la existencia de dichas relaciones entre un conjunto de
procesos univariantes I(1).
El mtodo basado en un modelo VEC tambin puede emplearse para determinar el
nmero de relaciones de cointegracin entre dichos procesos.
En esta seccin slo se discuten contrastes basados en la estimacin de regresiones
lineales como (4.42) y en la estimacin de modelos VEC como (4.53).
Contraste de Engle-Granger
PGINA 261
(4.58)
la hiptesis alternativa es que ( Yt ) CI(1,1) . El contraste basado en la regresin (4.58) es, de hecho, un contraste de
tipo ADF (ver Seccin 4.3) sobre el proceso no observable (U t ) ( 0 + Yt 1 + 2 Yt 2 ) . Ntese, por otro lado, que
(4.58) no incluye un trmino constante porque la media aritmtica de la serie de residuos (ut ) es exactamente igual a
cero [por la presencia de 0 en (4.42)].
Observacin 2: La serie de residuos (ut ) no es una realizacin particular del proceso (U t ) ( 0 + Yt 1 + 2 Yt 2 ) (que
no es observable), sino (en cierto sentido) una estimacin superconsistente de dicho proceso. Por este motivo, la
distribucin asinttica del estadstico t para en (4.58) no es la distribucin DF del estadstico en el contraste
ADF correspondiente; en particular, dicha distribucin depende ahora explcitamente de M [la dimensin de ( Yt ) ],
por lo que el estadstico t para en (4.58) suele representarse como ( M ) . Los valores crticos de la distribucin DF
de (ver Tabla 4.1) no son aplicables; algunos valores crticos adecuados en este caso guran en la Tabla 4.13.
Observacin 3: Un problema importante asociado con el estadstico ( M ) es que su valor calculado (aunque no su
distribucin asinttica) depende de cul sea el componente de ( Yt ) que gura en el lado izquierdo de la regresin
(4.42). En consecuencia, el contraste de cointegracin de Engle-Granger puede llevar (y de hecho lleva con frecuencia)
a distintas conclusiones en funcin de cul sea dicho componente.
SERIES TEMPORALES
PGINA 262
Nivel de signicacin M = 2
N
50
100
200
500
Nivel de signicacin M = 3
1%
5%
10%
1%
5%
10%
4.123
4.008
3.954
3.921
3.461
3.398
3.368
3.350
3.130
3.087
3.067
3.054
4.592
4.441
4.368
4.326
3.915
3.828
3.785
3.760
3.578
3.514
3.483
3.464
Tabla 4.13
Valores crticos para el contraste de cointegracin de Engle-Granger
4.6.1 Ejemplo
En este ejemplo se emplea la misma serie bivariante que en el Ejemplo 4.5.4. Los residuos
de las dos regresiones en (4.55) estimadas por MCO (ver tablas 4.8-4.9) estn representados
en la Figura 4.11. Utilizando dichos residuos para estimar (4.58) con m = 0, los valores de
los estadsticos (2) son 5.5878 (con la primera serie de residuos) y 5.9767 (con la
segunda serie de residuos). En ambos casos, se rechaza claramente que (U t ) I(1) en favor
de que (U t ) I(0); por lo tanto, ( Yt ) CI(1,1) .
SERIES TEMPORALES
PGINA 263
2
1
2
1
-1
-1
-2
-2
-3
-3
-4
-4
1
15
30
45
60
75
15
30
45
60
75
Figura 4.11
Residuos de las dos regresiones en (4.55) estimadas por MCO
SERIES TEMPORALES
PGINA 264
(4.59)
PGINA 265
Observacin 1: (4.59) puede calcularse para cualquier valor de P (el nmero de relaciones de cointegracin, que
coincide con el rango de (1) I ip=1 i ; ver 4.4.3) comprendido entre 0 y M, una vez que se han calculado
y ordenado de mayor a menor los M autovalores i (i = 1,...,M ) de la matriz que gura en la expresin (II) de la
Observacin 7 de la Seccin 4.5. Ntese que 0 < i < 1 (i = 1,...,M ) , ya que es simtrica y denida positiva
( i > 0 ) y (4.59) no existira si i 1 ( i < 1 ).
4.6.3 Definicin
0 +1
ln(1 i ).
(4.60)
Observacin 2: El estadstico (4.60) puede interpretarse como la suma de los ltimos M P0 elementos en la diagonal
principal de la matriz N ln( I ) , donde diag[ 1 , ..., M ] . (4.60) puede utilizarse para llevar a cabo la
secuencia (con P0 = 0, 1, ..., M 1 ) siguiente de contrastes:
H 0 : P = 0, H 1 : P 1;
H 0 : P 1, H 1 : P 2;
H 0 : P M 1, H 1 : P = M .
SERIES TEMPORALES
PGINA 266
Esta secuencia suele concluir cuando no se rechaza H 0 por primera vez. Por otro lado, el estadstico (4.60) no sigue
una distribucin estndar bajo H 0 porque la matriz (1) I ip=1 i en (4.41) no se puede escribir como
una matriz que slo multiplique a variables I(0). La Tabla 4.14 contiene algunos valores crticos adecuados para los
contrastes basados en 4.6.3 y 4.6.4; ver MacKinnon, J.G., Haug, A.A., y Michelis, L. (1999), Numerical Distribution
Functions of Likelihood Ratio Tests for Cointegration, Journal of Applied Econometrics, 14, 563-577.
4.6.4 Definicin
El estadstico del mximo (en ingls, max statistic) para contrastar H 0 : P = P0 frente a
H 1 : P = P0 + 1 , con 0 P0 M 1 , es
MAX ( P0 ) N ln(1 P0 +1 ) N ln(1 MAX ).
(4.61)
Observacin 3: En (4.61), MAX P0 +1 es el mayor autovalor entre los asociados con los autovectores no incluidos
en la estimacin de B bajo H 0 ; ver el Paso 4 en la Observacin 7 de la Seccin 4.5. (4.61) puede utilizarse para llevar
a cabo la secuencia (con P0 = 0, 1, ..., M 1 ) siguiente de contrastes:
H 0 : P = 0, H 1 : P = 1;
H 0 : P = 1, H 1 : P = 2;
H 0 : P = M 1, H 1 : P = M .
Esta secuencia puede concluir cuando no se rechaza H 0 por primera vez. Como en el caso de (4.60), (4.61) no sigue
una distribucin estndar bajo H 0 ; ver Tabla 4.14.
SERIES TEMPORALES
PGINA 267
Nivel de signicacin TR ( P0 )
M P0
1%
5%
10%
5%
10%
Modelo VAR sin trmino constante Relacin de cointegracin sin trmino constante
1
2
3
4
6.9406
16.3619
29.5135
46.5716
4.1299
12.3209
24.2760
40.1749
2.9762
10.4746
21.7772
37.0354
6.9406
15.0913
22.2517
29.0603
4.1299
11.2248
17.7973
24.1592
2.9762
9.4748
15.7174
21.8367
Modelo VAR sin trmino constante Relacin de cointegracin con trmino constante
1
2
3
4
12.7608
25.0781
41.1950
61.2669
9.1645
20.2618
35.1928
54.0790
7.5567
17.9804
32.2684
50.5253
12.7608
20.1612
27.0678
33.7329
9.1645
15.8921
22.2996
28.5881
7.5567
13.9059
20.0501
26.1212
Modelo VAR con trmino constante Relacin de cointegracin con trmino constante
1
2
3
4
6.6349
19.9371
35.4582
54.6815
3.8415
15.4947
29.7971
47.8561
2.7055
13.4288
27.0669
44.4936
6.6349
18.5200
25.8612
32.7153
3.8415
14.2646
21.1316
27.5843
2.7055
12.2965
18.8928
25.1241
Tabla 4.14
Valores crticos asintticos (MacKinnon-Haug-Michelis) para los contrastes basados en (4.60)-(4.61)
SERIES TEMPORALES
PGINA 268
Observacin 4: En algunas ocasiones, los resultados de los contrastes basados en los estadsticos (4.60) y (4.61) pueden
no coincidir. Dado que la hiptesis alternativa del contraste basado en (4.61) es ms concreta, dicho contraste suele
ser preferible para determinar el nmero de relaciones de cointegracin en caso de conicto.
4.6.5 Ejemplo
En este ejemplo se emplea la misma serie bivariante que en el Ejemplo 4.5.4 (ver tambin
Ejemplo 4.6.1). La Tabla 4.12 contiene la estimacin del modelo VEC (4.57) [que incluye la
restriccin ( Yt ) CI(1,1) ]. La Tabla 4.15 contiene los resultados de los contrastes de
cointegracin basados en 4.6.3 y en 4.6.4 (obtenidos con EViews 4.1 May 23 2003 build).
Contrastes de hiptesis sobre vectores de cointegracin
Los resultados de la Seccin 4.5 sobre las propiedades de los estimadores MCO y EC de
vectores de cointegracin, indican que (en general) no es posible hacer inferencias
estndar sobre dichos vectores utilizando los estimadores MCO y EC.
Por ejemplo, los estadsticos t asociados con 21 , 22 en (4.55) (ver tablas 4.8-4.9) y con
2 en (4.56) (ver tablas 4.10-4.11) no siguen distribuciones N(0,1) asintticamente [al
contrario, por ejemplo, que los estadsticos t asociados con 1 , 1 , 2 , 2 en (4.56)].
SERIES TEMPORALES
PGINA 269
Eigenvalue
Trace
Statistic
5 Percent
Critical Value
1 Percent
Critical Value
None **
At most 1
0.355096
0.003331
65.85655
0.497188
12.53
3.84
16.31
6.51
Eigenvalue
Max-Eigen
Statistic
5 Percent
Critical Value
1 Percent
Critical Value
None **
0.355096
65.35936
11.44
15.69
1
0.003331
0.497188
3.84
6.51
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Max-eigenvalue test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Tabla 4.15
Contrastes de cointegracin en el Ejemplo 4.6.5
La utilizacin del estimador VEC resuelve este problema. En general, para contrastar l
restricciones sobre los P vectores de cointegracin contenidos en la matriz B del modelo
VEC (4.53), puede utilizarse el estadstico LR basado en (4.59)
(l ) N iP=1 [ ln(1 i ) ln(1 i ) ],
SERIES TEMPORALES
(4.62)
PGINA 270
donde 1 , ..., P son los autovalores del modelo VEC restringido por la hiptesis nula
correspondiente. (4.62) sigue una distribucin 2 (l ) (asintticamente) cuando las l
restricciones contrastadas son ciertas; ver, por ejemplo, Harris, R. (1995), Cointegration
Analysis in Econometric Modelling, Prentice-Hall.
(4.62) tambin puede utilizarse para contrastar hiptesis sobre los factores de ajuste
contenidos en la matriz A del modelo VEC (4.53). Si P = 1 y slo se desea contrastar
una hiptesis sobre un factor de ajuste i (1 i M ) , tambin puede emplearse el
estadstico t asociado con i en un modelo EC como (4.45)-(4.48) (en este caso, si no se
rechaza que i = 0 , suele decirse que (Yti ) es una variable dbilmente exgena).
4.6.6 Ejemplo
En este ejemplo se emplea la misma serie bivariante que en el Ejemplo 4.5.4 (ver tambin
ejemplos 4.6.1 y 4.6.5). La Tabla 4.12 contiene la estimacin del modelo VEC (4.57) [que
incluye la restriccin ( Yt ) CI(1,1) ]. La Tabla 4.16 contiene el resultado del contraste de
la hiptesis nula 2 = 1 en (4.57) (obtenido con EViews 4.1 May 23 2003 build), que
indica claramente que no puede rechazarse dicha hiptesis nula.
SERIES TEMPORALES
PGINA 271
CointEq1
VAR31(-1)
VAR32(-1)
1.000000
-1.000000
Error Correction:
D(VAR31)
D(VAR32)
CointEq1
0.197194
(0.04120)
[ 4.78605]
0.583260
(0.06620)
[ 8.81000]
0.129385
0.129385
606.0150
2.023535
-315.9422
4.254258
4.274419
0.158273
2.168691
0.343305
0.343305
1564.679
3.251485
-386.6078
5.202790
5.222950
0.131851
4.012361
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
38.43391
-693.6864
-694.6897
9.378386
9.459028
Tabla 4.16
Estimacin restringida del modelo VEC (4.57)
SERIES TEMPORALES
PGINA 272
Elaborar un modelo univariante para cada serie (Seccin 2.6), prestando especial
atencin a: (i) el orden de integracin adecuado en cada caso (Seccin 4.3), y (ii) la
presencia de sucesos de intervencin y de observaciones inuyentes (Seccin 3.2).
Los instrumentos grcos son tan importantes en las operaciones anteriores como
cualesquiera contrastes formales (que son, en general, bastante menos informativos).
Si todas las series consideradas son I(0), elaborar un modelo estacionario como alguno
de los descritos en el Tema 3, prestando especial atencin a si las posibles relaciones de
causalidad van en una sola direccin (Seccin 3.3) o en varias direcciones (Seccin 3.4).
Si todas las series consideradas son I(d ) (con d en muchos casos igual a 1), ir al Paso 2.
SERIES TEMPORALES
PGINA 273
Cada una de las series (wt ), (yt ) , ( z t ) est adecuadamente descrita por un paseo
aleatorio sin trmino constante, de manera que ( yt ) I(1) . La Figura 4.12 contiene
una representacin grca de las series ( wt ) , ( yt ) , ( z t ) .
4
3
2
1
4
3
2
1
4
3
2
1
0
-1
-2
-3
-4
0
-1
-2
-3
-4
0
-1
-2
-3
-4
10
20
30
40
50
60
70
SERIE DW = D( W )
80
90 100
10
20
30
40
50
60
70
80
90 100
10
SERIE DY = D( Y )
20
30
40
50
60
70
80
90 100
SERIE DZ = D( Z )
Figura 4.12
Series de la Figura 4.3 (Panel A) diferenciadas
Paso 2
PGINA 274
Elegir el orden adecuado de un modelo VAR como (4.40) para las series no
diferenciadas, con los mismos criterios que si las series fuesen estacionarias (Seccin 3.4).
Estimar el modelo VAR anterior y determinar el rango de la matriz en la
representacin VEC (4.41) (Seccin 4.6).
Si el rango de es igual a cero (ausencia de cointegracin), elaborar un modelo
(estacionario si d = 1) para las series diferenciadas. En caso contrario, estimar la
representacin VEC (4.41) imponiendo la presencia de cointegracin, lo que resulta en
un modelo VEC como (4.53) (Seccin 4.5).
Observacin 1: En la prctica, el mtodo ms recomendable para estimar relaciones de cointegracin es el mtodo
basado en la estimacin conjunta de todos los parmetros de un modelo VEC como (4.53); este mtodo permite,
adems, contrastar hiptesis sobre los vectores de cointegracin y sobre los factores de ajuste de una manera muy
sencilla (Seccin 4.6). No obstante, los estimadores MCO y EC de la Seccin 4.5 pueden resultar tiles en los primeros
pasos de un anlisis aplicado, para obtener una primera impresin de las relaciones de cointegracin consideradas, y
para obtener estimaciones iniciales de los parmetros implicados en dichas relaciones.
Observacin 2: En algunas ocasiones, para determinar el rango de la matriz en (4.41), as como para estimar
conjuntamente todos los parmetros de (4.53), se puede incluir un trmino constante en cada relacin de
cointegracin. En la prctica, las posibilidades ms frecuentes a este respecto son las que se indican en la Tabla 4.14.
Los estimadores MCO y EC tambin pueden utilizarse para decidir sobre esta cuestin; ver Ejemplo 4.5.4.
SERIES TEMPORALES
PGINA 275
La Tabla 4.17 indica que un modelo VAR(1) VAR(2) (probablemente sin trmino
constante) con races unitarias, podra resultar adecuado para la serie ( yt ) I(1) no
1x
2x 2 = 0
diferenciada. La Tabla 4.18 contiene las races inversas de I
asociadas con un modelo VAR(2) (sin trmino constante) estimado para ( yt ) I(1) .
Lag
0
1
2
3
4
SC
-360.6905
-37.32356
-26.45854
-22.29582
-18.86455
NA
7.576886
7.657022
619.7867
1.027574
1.348118*
20.14557*
0.988720*
1.549671
7.458204
1.089496
1.890855
5.933236
1.205511
2.247278
Exogenous variables: None
1
-38.10346
NA
0.981322
1.221730*
2
-27.15590
20.52668*
0.940748*
1.421563
3
-23.00314
7.526876
1.041732
1.762955
4
-19.56024
6.025067
1.157505
2.119136
LR: sequential modified LR test statistic (each test at 5% level)
AIC: Akaike information criterion
SC: Schwarz information criterion
Tabla 4.17
Seleccin del orden de un modelo VAR para las series de la Figura 4.3 (Panel A)
SERIES TEMPORALES
PGINA 276
Tabla 4.18
Races de un modelo VAR(2) estimado para las series de la Figura 4.3 (Panel A)
La Tabla 4.19 (cuyas tres secciones corresponden a las tres posibilidades indicadas en la
Tabla 4.14) indica la existencia de una nica relacin de cointegracin para un nivel de
signicacin del 1% (aunque en algunos casos no puede rechazarse la existencia de dos
relaciones de cointegracin al 5%).
Observacin 3: La estimacin por MCO de las tres regresiones posibles (4.42) (una con cada una de las tres series en el
lado izquierdo), as como la estimacin por MCNL de los tres modelos EC posibles (4.45) y la estimacin de un
modelo VAR(2) para las tres series no diferenciadas, sugieren que el caso ms plausible entre los tres considerados en
la Tabla 4.19 es el Caso 1. La conclusin de que existe una nica relacin de cointegracin habra sido ms clara si el
modelo sobre el que se realizan los contrastes de cointegracin hubiera sido un VAR(1) en vez de un VAR(2).
SERIES TEMPORALES
PGINA 277
SERIES TEMPORALES
PGINA 278
Eigenvalue
Trace
Statistic
5 Percent
Critical Value
1 Percent
Critical Value
None
At most 1
At most 2
0.325399
55.10275
29.68
35.65
0.133274
16.52668
15.41
20.04
0.025282
2.509450
3.76
6.65
Trace test indicates 2 cointegrating equation(s) at the 5% level
Trace test indicates 1 cointegrating equation(s) at the 1% level
Hypothesized
Max-Eigen
5 Percent
1 Percent
Eigenvalue
No. of CE(s)
Statistic
Critical Value
Critical Value
None
0.325399
38.57607
20.97
25.52
1
0.133274
14.01723
14.07
18.63
2
0.025282
2.509450
3.76
6.65
Max-eigenvalue test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Tabla 4.19
Contrastes de cointegracin entre las series de la Figura 4.3 (Panel A)
La Tabla 4.20 contiene un resumen de la estimacin de un modelo VEC como (4.53) con
p = 2, que incluye una nica relacin de cointegracin entre las tres series consideradas.
La Figura 4.13 contiene las tres series de residuos asociadas con el modelo estimado. Por
ltimo, la Figura 4.14 contiene la serie de desequilibrios transitorios [que es claramente
una serie I(0)] con respecto a la relacin de cointegracin estimada.
SERIES TEMPORALES
PGINA 279
CointEq1
W(-1)
1.000000
Y(-1)
-0.981563
(0.01267)
Z(-1)
-1.017802
(0.02103)
D(W)
0.221151
(0.18256)
Error Correction:
CointEq1
D(Y)
D(Z)
0.553842 0.170359
(0.12556) (0.15636)
D(W(-1))
D(Y(-1))
0.236430
(0.21771)
0.181466 0.155884
(0.14974) (0.18647)
D(Z(-1))
Tabla 4.20
Estimacin de un modelo VEC con las series de la Figura 4.3 (Panel A)
SERIES TEMPORALES
PGINA 280
w t
yt
z t
0.22
wt 1
0.17
t 1
yt 1
yt
at 1
at 2
at 3
1yt 1
F
at
4
3
2
1
4
3
2
1
0
-1
-2
-3
-4
0
-1
-2
-3
-4
0
-1
-2
-3
-4
10
20
30
40
50
60
70
RESIDUOS SERIE W
80
90 100
10
20
30
40
50
60
70
RESIDUOS SERIE Y
80
90 100
10
20
30
40
50
60
70
80
90 100
RESIDUOS SERIE Z
Figura 4.13
Residuos asociados con el modelo VEC de la Tabla 4.20
SERIES TEMPORALES
PGINA 281
4
3
2
1
0
-1
-2
-3
-4
10
20
30
40
50
60
70
80
90 100
Figura 4.14
Serie de desequilibrios transitorios (estacionarios) asociados con el modelo VEC de la Tabla 4.20
Paso 3
Analizar cada uno de los vectores de cointegracin estimados y los factores de ajuste
correspondientes. En particular, contrastar las hiptesis sobre B y A en (4.53) que
puedan ser relevantes en cada caso (Seccin 4.6).
La Tabla 4.21 contiene un resumen de la estimacin de un modelo VEC como (4.53) con
p = 2, restringido bajo la hiptesis de que 1 = 1 , 2 = 3 = 1 , 1 = 3 = 0 .
SERIES TEMPORALES
PGINA 282
D(W)
CointEq1
0.000000
(0.00000)
0.496677 0.000000
(0.07617) (0.00000)
D(Y)
D(Z)
D(W(-1))
-0.483588
(0.21998)
-0.419140 -0.305272
(0.15256) (0.18816)
D(Y(-1))
0.205808
(0.22049)
0.185601 0.134115
(0.15291) (0.18860)
D(Z(-1))
Tabla 4.21
Estimacin de un modelo VEC restringido con las series de la Figura 4.3 (Panel A)
SERIES TEMPORALES
PGINA 283
Paso 4
1yt 1 +
2 yt 2 + at , donde (ver las
, se puede escribir como un modelo VAR(2) estndar, yt =
donde
1 ,
1 I
2 , es decir
2 F
deniciones 4.1.5 y 4.1.3)
wt
y
t
z
t
wt 1
y
t 1
z
t 1
+ 0.44 0.18 0.41
0.34 0.16 0.32
wt 2
y
t 2
z
t 2
at 1
+ a
t2
at 3
que puede utilizarse como cualquier modelo VAR estndar para los nes mencionados anteriormente (Seccin 3.4).
SERIES TEMPORALES
PGINA 284
Observacin 6: En la representacin de Wold (ver Denicin 3.4.3) de un modelo VAR(p) estimado con races
i = p
unitarias, ocurre que la secuencia de matrices
j =1 j i j (i = 0, 1, 2, ...) , con 0 I , i 0 si i < 0, no
converge a 0 (como ocurre en el caso de un modelo VAR estacionario). Esto signica que cualquier funcin de
respuesta a impulsos (ver las deniciones 3.4.7-3.4.9) asociada con un modelo VEC estimado que incluye alguna
relacin de cointegracin, converge a una cantidad distinta de cero. Las propiedades asintticas de los estimadores de
i (i = 0, 1, 2, ...) en este caso, son muy diferentes de las asociadas con un modelo VAR estacionario; ver, por
ejemplo, Phillips, P.C.B. (1998), Impulse response and forecast error asymptotics in nonstationary VARs, Journal of
i : i = 0, 1, 2, ...) debe
Econometrics, 83, 21-56. No obstante, lo anterior pone de maniesto que la secuencia (
calcularse en el caso de un modelo VEC con relaciones de cointegracin, a partir de la representacin VAR de dicho
modelo estimado (como en la gura siguiente),
Response of W
Cholesky One S.D. Innovations
Response of Y
Cholesky One S.D. Innovations
Response of Z
Cholesky One S.D. Innovations
.5
.5
.5
.4
.4
.4
.3
.3
.3
.2
.2
.2
.1
.1
.1
.0
.0
.0
-.1
-.1
-.1
-.2
-.2
-.2
-.3
10
W
15
Y
20
-.3
10
W
15
Y
20
-.3
10
W
15
Y
20
no a partir de un modelo VAR no restringido estimado con las series no diferenciadas (como en la gura siguiente).
SERIES TEMPORALES
PGINA 285
Response of W
Cholesky One S.D. Innovations
Response of Y
Cholesky One S.D. Innovations
Response of Z
Cholesky One S.D. Innovations
.8
.8
.8
.6
.6
.6
.4
.4
.4
.2
.2
.2
.0
.0
.0
-.2
-.2
-.2
-.4
-.4
-.4
-.6
50
100
150
200
Z
250
-.6
50
100
150
200
Z
250
-.6
50
100
150
200
250
En las dos guras anteriores, se ha representado la IRF de la Denicin 3.4.9, ordenando las series como se indica en
el pie de cada grco. La gura de la pgina anterior se ha obtenido a partir de la representacin VAR modelo VEC
de la Tabla 4.20; ver Observacin 5. La gura de esta pgina se ha obtenido a partir de un modelo VAR(2) no
restringido estimado con las tres series no diferenciadas; ver Tabla 4.8.
SERIES TEMPORALES
PGINA 286