Analisis de Series Temporales

Introduccin al
Anlisis de Series Temporales

___________________________
Jos Alberto Mauricio

Universidad Complutense de Madrid
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
ltima revisin: Marzo de 2007
SERIES TEMPORALES
PGINA II
CONTENIDO Y BIBLIOGRAFA
CONTENIDO
1
Introduccin
1.1
1.2
1.3
1.4
2
Series temporales ............................................................................................ 1

Procesos estocsticos .................................................................................... 9
Procesos estacionarios.................................................................................... 11
Procesos no estacionarios............................................................................... 12
Modelos........................................................................................................... 13
Aplicaciones ................................................................................................... 33
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
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
2.7
2.8
Previsin con modelos ARIMA................................................................... 120

Previsiones puntuales Intervalos de confianza........................................... 130
Criterios de evaluacin de previsiones .......................................................... 132
Heteroscedasticidad condicional autorregresiva..................................... 138
Modelos ARCH GARCH ............................................................................. 139
Contrastes de heteroscedasticidad condicional ............................................ 142
Previsin de la varianza condicional con un modelo GARCH(1,1)................ 145
Modelos Multivariantes Estacionarios

3.1
3.2
3.3
146
Introduccin ................................................................................................. 146

Modelos de regresin con perturbaciones ARMA ................................... 159
Anlisis de intervencin ................................................................................. 160
Modelos de retardos distribuidos en Econometra .................................. 170
Modelos ADL.................................................................................................. 171
Modelos de correccin de error ..................................................................... 172
SERIES TEMPORALES
PGINA V
3.4
Modelos VAR estacionarios........................................................................ 178

Identificacin Estimacin Contrastes de hiptesis................................... 184
Previsin ........................................................................................................ 187
Funciones de respuesta a impulsos .............................................................. 191
Descomposicin de las varianzas de los errores de previsin ...................... 193
Modelos Multivariantes No Estacionarios

4.1
4.2
4.3
4.4
201
Introduccin ................................................................................................. 201

Races unitarias ........................................................................................... 211
Paseo aleatorio .............................................................................................. 212
Regresin con variables explicativas no estacionarias ................................. 213
Regresin espuria .......................................................................................... 214
Contrastes de races unitarias.................................................................... 219
Contrastes DF (Dickey-Fuller) ADF ............................................................ 222
Alternativas a los contrastes ADF.................................................................. 230
Modelos VAR con races unitarias ............................................................. 232
SERIES TEMPORALES
PGINA VI
4.5
4.6
4.7
Estimacin de relaciones de cointegracin .............................................. 245

Estimacin directa.......................................................................................... 245
Estimacin a travs de un modelo de correccin de error ............................ 246
Inferencia en regresiones con series I(1)....................................................... 249
Estimacin a travs de un modelo VAR VEC ............................................. 253
Contrastes de cointegracin ...................................................................... 261
Contraste de Engle-Granger.......................................................................... 261
Contrastes basados en un modelo VAR VEC ............................................ 264
Contrastes de hiptesis sobre vectores de cointegracin ............................. 269
Elaboracin de modelos multivariantes en la prctica............................ 273
SERIES TEMPORALES
PGINA VII
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
[06] Brooks, C. (2002), Introductory Econometrics for Finance, Cambridge.

[07] Davidson, R., MacKinnon, J.G. (2004), Econometric Theory and Methods, Oxford.
[08] Enders, W. (2004), Applied Econometric Time Series (2nd edition), Wiley.
[09] Gandolfo, G. (1997), Economic Dynamics (3rd edition), Springer.
[10] Johnston, J., DiNardo, J. (1997), Econometric Methods (4th edition), McGraw-Hill.
[11] Kennedy, P. (2003), A Guide to Econometrics (5th edition), Blackwell.
[12] Mills, T.C. (1990), Time Series Techniques for Economists, Cambridge.
[13] Mills, T.C. (1999), The Econometric Modelling of Financial Time Series (2nd edition),
Cambridge.
[14] Patterson, K. (2000), An Introduction to Applied Econometrics A Time Series Approach,
MacMillan.
[15] Verbeek, M. (2004), A Guide to Modern Econometrics (2nd edition), Wiley.
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:
y1 , y 2 , ..., yN ; (yt )tN=1 ; (yt : t = 1, ..., N ), donde yt es la observacin n t (1 t N ) de la

SERIES TEMPORALES
PGINA 1
1 INTRODUCCIN
serie y N es el nmero de observaciones de que consta la serie completa (el tamao o la

longitud de la serie). Las N observaciones y1 , y 2 , ..., yN pueden recogerse en un vector
columna y [ y1 , y 2 , ..., yN ] de orden N 1 .
Representaciones matemticas frecuentes de series temporales multivariantes:
y1 , y 2 , ..., y N ; ( yt )tN=1 ; ( yt : t = 1, ..., N ), donde yt [ yt 1 , yt 2 , ..., ytM ] ( M 2) es la

observacin n t (1 t N ) de la serie y N es el nmero de observaciones de que consta la
serie completa. Las N observaciones y1 , y 2 , ..., y N pueden recogerse en una matriz Y de
orden N M :
y
y1 M
y11 y12
1
y
y
y
y
21
22
2
M
Y
(1.1)
yN 1 yN 2
yNM
y
donde ytj es la observacin n t (1 t N ) sobre la caracterstica o variable n j

(1 j M ) , que es la misma en todo momento t.
SERIES TEMPORALES
PGINA 2
1 INTRODUCCIN
1.1.2 Ejemplo Series temporales

4
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
Tasa logartmica de variacin anual del PIB real en EEUU

1947 2002
(consumption.wf1)
Volumen del flujo anual del ro Nilo en Asun

1871 1970
(nilo.wf1)
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
Inflacin interanual en Espaa

Enero 1982 Diciembre 2002
(exchange-rates.wf1)
Viviendas iniciadas en Espaa

(seasonal.wf1)
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
IBEX 35 (log) al cierre en la Bolsa de Madrid

2 de enero de 2002 30 de diciembre de 2003
(bolsa-madrid.wf1)
Tasa logartmica de variacin diaria del IBEX 35

(bolsa-madrid.wf1)
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
ndices burstiles anuales en Alemania y EEUU

1920 2000
(stock-indices.wf1)
Tipos de inters de la deuda pblica en EEUU

1960:I 2002:IV
(interest-rates-q.wf1)
log CDAX Composite Price Index (Alemania)

log S&P 500 Composite Index (EEUU)
Bonos a 3 aos Vencimiento fijo

Letras a 3 meses Mercado secundario
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
Temperatura media registrada en Madrid-Retiro

(seasonal.wf1)
ndice de produccin industrial en Espaa

(seasonal.wf1)
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:
Describir la evolucin observada de dicha serie, as como las relaciones contemporneas

y dinmicas entre sus componentes (en el caso de series multivariantes).
Prever la evolucin futura de dicha serie.
Contrastar (presentar evidencia emprica en favor o en contra de) alguna teora sobre
las caractersticas o variables a las que se reeren los componentes de dicha serie.
El punto de partida para elaborar un modelo a partir de una serie temporal consiste en
considerar dicha serie como una realizacin particular nita de un proceso estocstico.
SERIES TEMPORALES
PGINA 8
1 INTRODUCCIN
1.2 PROCESOS ESTOCSTICOS

1.2.1 Definicin
Un proceso estocstico es una secuencia de variables aleatorias, ordenadas y equidistantes

cronolgicamente, referidas a una (proceso univariante o escalar) o a varias (proceso
multivariante o vectorial) caractersticas de una unidad observable en diferentes momentos.
Representaciones matemticas frecuentes de procesos estocsticos univariantes:
..., Y1 , Y0 , Y1 , Y2 , ... ; (Yt : t = 0, 1, 2, ...); (Yt ) , donde Yt es una variable aleatoria

escalar referida a la unidad observable considerada en el momento t.
Representaciones matemticas frecuentes de procesos estocsticos multivariantes:
..., Y1 , Y0 , Y1 , Y2 , ... ; ( Yt : t = 0, 1, 2, ...); ( Yt ) , donde Yt [Yt 1 , Yt 2 , ..., YtM ]

( M 2) es una variable aleatoria vectorial referida a la unidad observable considerada en
el momento t. El componente nmero j (1 j M ) de cada Yt hace referencia a una
caracterstica o variable genrica dada, que es la misma en todo momento t.
SERIES TEMPORALES
PGINA 9
1 INTRODUCCIN
Proceso estocstico:
Serie temporal:
..., Y1 , Y0 , Y1 , Y2 , ..., YN , YN +1 , ...
y1 , y 2 , ..., y N
Figura 1.11
Procedencia de una serie temporal observada

Observacin 1: Aunque es posible concebir ciertos experimentos controlados (repetibles varias veces bajo idnticas
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.
Tres realizaciones posibles de un mismo proceso estocstico

SERIES TEMPORALES
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
Un proceso estocstico (Yt ) es estacionario cuando las propiedades estadsticas de cualquier

secuencia nita Yt1 , Yt2 , ..., Ytn (n 1) de componentes de (Yt ) son semejantes a las de la
secuencia Yt1 +h , Yt2 +h , ..., Ytn +h para cualquier nmero entero h = 1, 2, ...
Observacin 1: Aunque en el Tema 2 se dan algunas deniciones ms concretas del concepto de estacionariedad, la
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
Un proceso estocstico (Yt ) es no estacionario cuando las propiedades estadsticas de al

menos una secuencia nita Yt1 , Yt2 , ..., Ytn (n 1) de componentes de (Yt ) , son diferentes
de las de la secuencia Yt1 +h , Yt2 +h , ..., Ytn +h para al menos un nmero entero h > 0 .
Observacin 1: En general, una condicin suciente para que un proceso sea no estacionario es que la esperanza
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
Un modelo para un proceso estocstico es cualquier conjunto de hiptesis bien denidas

sobre las propiedades estadsticas de dicho proceso.
Observacin: En muchas ocasiones, las propiedades estadsticas sobre las que se plantea un modelo son la esperanza
(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.
1.3.2 Ejemplo Modelos univariantes

Ruido blanco ARIMA(0,0,0)
Un proceso de ruido blanco univariante es una secuencia ( At ) de variables aleatorias

2 , lo cual
escalares idntica e independientemente distribuidas con media 0 y varianza A
2 ) . Cuando cada A sigue una distribucin
suele representarse como ( At ) IID(0, A
t
SERIES TEMPORALES
PGINA 13
1 INTRODUCCIN
1.3 MODELOS
Normal, ( At ) se denomina un proceso de ruido blanco Normal o Gaussiano, lo cual suele

2 ).
representarse como ( At ) NIID(0, A
Modelo AR(1) ARIMA(1,0,0)
Un proceso estocstico univariante estacionario (Yt ) sigue un modelo AR(1) (autorregresivo

de orden 1) cuando
Yt = + 1Yt 1 + At para todo t = 0, 1, 2, ...,

donde y 1
2 ).
( At ) IID(0, A
son
parmetros,
1 < 1
(condicin
de
(1.2)
estacionariedad),
Modelo MA(1) ARIMA(0,0,1)
Un proceso estocstico univariante estacionario (Yt ) sigue un modelo MA(1) (media mvil
de orden 1) cuando
Yt = + At 1 At 1 para todo t = 0, 1, 2, ...,
(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
Paseo aleatorio ARIMA(0,1,0)
Un proceso estocstico univariante no estacionario (Yt ) es un paseo aleatorio cuando
Yt = + Yt 1 + At para todo t = 0, 1, 2, ...,
(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
que cuando 1 = 1 , la ecuacin 1 1 x = 0 asociada con un modelo AR(1) tiene

otro lado, un paseo aleatorio puede escribirse como Yt = + At , donde Yt
proceso estocstico univariante no estacionario (Yt ) es un paseo aleatorio cuando
2 ) [donde el parmetro
( Yt ) (Yt Yt 1 ) es un proceso estacionario IID( , A
proceso ( Yt ) sera ruido blanco].
una raz unitaria ( x = 1 ).] Por

Yt Yt 1 , de manera que un
su diferencia regular de orden 1
puede valer cero, en cuyo caso el
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)
Un proceso estocstico univariante estacionario (U t ) sigue un modelo ARCH(1) (del ingls

SERIES TEMPORALES
PGINA 15
1 INTRODUCCIN
1.3 MODELOS
AutoRegressive Conditional Heteroskedasticity) cuando

U t = t At , con t2 = Et 1 [U t2 ] = 0 + 1U t21 ,
(1.5)
donde 0 > 0 , 1 > 0 , 1 < 1 , y ( At ) IID(0, 1) es independiente de ( t ) .

Observacin 3: Cuando (U t ) sigue un modelo ARCH(1) como (1.5), los componentes de (U t ) no presentan
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)
Un proceso estocstico univariante estacionario (U t ) sigue un modelo GARCH(1,1) (del

ingls Generalized AutoRegressive Conditional Heteroskedasticity) cuando
U t = t At , con t2 = Et 1 [U t2 ] = 0 + 1U t21 + 1 t21 ,
donde 0 > 0 , 1 > 0 , 1 > 0 , 1 + 1 < 1 y ( At ) IID(0, 1) es independiente de ( t ) .
Observacin 4: Cuando (U t ) sigue un modelo GARCH(1,1), la varianza incondicional de U t es constante e igual a
0 /(1 1 1 ) , que es positiva si se cumplen las condiciones anteriores sobre 0 , 1 y 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
90 105 120 135 150
PANEL A - RUIDO BLANCO - NIID(0,1)

4
3
2
1
2
1
-1
-2
-1
-2
-3
-4
-3
-4
15
30
45
60
75
30
45
60
75
90 105 120 135 150
PANEL B - AR(1) - PHI1 = 0.8, MU = 0
4
3
15
90 105 120 135 150
PANEL C - MA(1) - THETA1 = 0.8, MU = 0
15
30
45
60
75
90 105 120 135 150
PANEL D - PASEO ALEATORIO - MU = 0
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
90 105 120 135 150
PANEL A
15
30
45
60
75
90 105 120 135 150
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
1.3.3 Ejemplo Modelos multivariantes estacionarios

Modelo ADL(1,1)
Un proceso bivariante estacionario ( Yt ) , Yt [Yt , X t ] , sigue un modelo ADL(1,1) cuando
Yt = 0 + 1Yt 1 + 0 X t + 1 X t 1 + Vt ,
(1.6)
donde 0 , 1 , 0 y 1 son parmetros, 1 < 1 , y (Vt ) IID(0, V2 ).

Observacin 1: Cuando 1 = 1 = 0 , el modelo ADL(1,1) anterior se reduce a un modelo de regresin esttico con
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
implica que Yt = 0 (1 1 )(Yt 1 Xt 1 ) + 0 Xt + Vt , donde ( 0 + 1 ) /(1 1 ) , que se denomina

un modelo de correccin de error (ECM). En el ECM anterior, (Yt 1 Xt 1 ) representa en qu medida Yt 1 y
Xt 1 se encuentran fuera de la relacin de equilibrio a largo plazo entre (Yt ) y ( X t ) implcita en (1.6); dado que
(1 1 ) < 0 , el trmino de correccin de error (1 1 )(Yt 1 Xt 1 ) en el ECM anterior representa la
proporcin del desequilibrio (error) entre Yt 1 y Xt 1 que se corrige a travs de Yt ; ver Figura 1.14.
SERIES TEMPORALES
PGINA 19
1 INTRODUCCIN
1.3 MODELOS
16
16
12
12
-4
-4
15
30
45
60
75
90 105 120 135 150
15
PANEL A
30
45
60
75
90 105 120 135 150
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
Modelo VAR(1) bivariante
Un proceso bivariante estacionario ( Yt ) , donde Yt [Yt 1 , Yt 2 ] , sigue un modelo VAR(1)

(autorregresivo vectorial de orden 1) cuando
Yt 1 = 1 + 11Yt 1,1 + 12Yt 1,2 + At 1 ,
(1.7)
Yt 2 = 2 + 21Yt 1,1 + 22Yt 1,2 + At 2 ,

o bien
Yt = + 1 Yt 1 + At ,
(1.8)
donde At [ At 1 , At 2 ] , ( At ) IID( 0, ) (ruido blanco vectorial),

1

2
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
evolucin temporal se determina de forma conjunta.

Observacin 5: El modelo VAR(1) que gura en (1.7)-(1.9) puede interpretarse como la forma reducida de un modelo
bivariante cuya forma estructural es del tipo

Yt 1 = 01 + 11Yt 1,1 + 01Yt 2 + 11Yt 1,2 + Vt 1 ,
(I)
Yt 2 = 02 + 12Yt 1,2 + 02Yt 1 + 12Yt 1,1 + Vt 2 ,

o bien
1 01
02 1
Yt 1
Yt 2
01
=
02
11 11

12 12
Yt 1,1
Yt 1,2
Vt 1
Vt 2
que puede escribirse de manera ms compacta como
B0 Yt = 0 + B1 Yt 1 + Vt ,
(II)
donde Vt [Vt 1 , Vt 2 ] , ( Vt ) IID( 0, ) ,
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
Observacin 6: Cuando 02 = 12 = 0 , el modelo VAR(1) estructural (I) se reduce a
Yt 1 = 01 + 11Yt 1,1 + 01Yt 2 + 11Yt 1,2 + Vt 1 ,

Yt 2 = 02 + 12Yt 1,2 + Vt 2 ,
que es un modelo ADL(1,1) como (1.6) en el que ( X t ) sigue un modelo AR(1) estacionario; ver Figura 1.14.
Observacin 7: El modelo VAR(1) que gura en (1.8) puede escribirse siempre como Yt = Yt 1 + At , con
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
90 105 120 135 150
15
PANEL A - AUTOVALORES 0.8 Y 0.4
30
45
60
75
90 105 120 135 150
PANEL B - AUTOVALORES 0.9 Y 0.5
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
1.3.4 Ejemplo Modelos multivariantes no estacionarios

Cointegracin
Si un proceso bivariante ( Zt ) I(1) ( Zt [ Z t 1 , Z t 2 ] ) es tal que cualquier combinacin

lineal de sus dos componentes tambin es un proceso I(1), entonces no existe entre (Z t 1 ) y
(Z t 2 ) relacin lineal alguna del tipo Z t 1 = 0 + 2 Z t 2 + Vt que sea estable en el tiempo,
ya que en este caso (Vt ) I(1) (un proceso no estacionario). No obstante, puede que s
exista algn tipo de relacin entre ( Z t 1 ) y ( Z t 2 ) (dos procesos estacionarios; ver 1.3.3).
Por el contrario, si un proceso bivariante ( Yt ) I(1) ( Yt [Yt 1 , Yt 2 ] ) es tal que existe
una combinacin lineal de sus dos componentes que es un proceso I(0), entonces s existe
entre (Yt 1 ) e (Yt 2 ) al menos una relacin lineal del tipo Yt 1 = 0 + 2Yt 2 + U t que es
estable en el tiempo, ya que en este caso (U t ) I(0) (un proceso estacionario).
En el segundo caso, se dice que (Yt 1 ) e (Yt 2 ) presentan cointegracin de orden (1,1)
[porque el orden de integracin de los dos procesos es 1 y existe una combinacin lineal de
ambos que es un proceso I(11) = I(0)], lo cual se representa como ( Yt ) CI(1, 1) , con
vector de cointegracin = [1, 2 ] [porque ( Yt ) I(0) ].
SERIES TEMPORALES
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
Modelos para procesos no estacionarios - no cointegrados
Cuando ( Zt ) I(1) ( Zt [ Z t 1 , Z t 2 ] ) y sus componentes no estn cointegrados, slo tiene

sentido plantear algn modelo de relacin lineal entre (Z t 1 ) y (Z t 2 ) en trminos de sus
diferencias regulares ( Z t 1 ) y ( Z t 2 ) (que son procesos estacionarios; ver 1.3.3).
Plantear en este caso un modelo de relacin lineal directamente entre (Z t 1 ) y (Z t 2 ) suele
dar lugar a la obtencin de relaciones espurias que carecen de sentido; ver Figura 1.16.
Modelos para procesos no estacionarios - cointegrados
Cuando ( Yt ) CI(1, 1) ( Yt [Yt 1 , Yt 2 ] ), s tiene sentido plantear algn modelo de

relacin lineal directamente entre (Yt 1 ) e (Yt 2 ) [por ejemplo, un modelo de regresin lineal
simple, un modelo ADL(1,1) como el que gura en (1.6), o un ECM como el que gura en
la Observacin 2 de 1.3.3, donde (Yt 1 Yt 2 ) I(0) para algn 0 ; ver Figura 1.18].
Modelos VAR(1) con races unitarias
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
una raz unitaria), entonces ( Yt ) es un proceso no estacionario, cuyas caractersticas estn

determinadas por los dos autovalores 1 y 2 de la matriz 1 :
1 = 1 , 2 < 1 ( Yt ) CI(1, 1) . Ntese que en este caso el rango de la matriz
I 1 que gura en la Observacin 7 de 1.3.3 es igual a 1, lo que indica que existe
una relacin de cointegracin entre los dos componentes I(1) de ( Yt ) (Figura 1.19 B).
1 = 1 , 2 = 1 , 1 I ( Yt ) CI(2, 1) . En este caso, el rango de I 1
tambin es igual a 1, lo que indica que existe una relacin de cointegracin entre los dos
componentes I(2) de ( Yt ) (Figura 1.19 C) que proporciona un proceso I(1).
1 = 1 , 2 = 1 , 1 = I ( Yt ) I(1) , pero (Yt 1 ) e (Yt 2 ) no estn cointegrados. En
este caso el rango de la matriz I 1 es igual a 0, lo que indica que no existe
ninguna relacin de cointegracin entre los dos componentes de ( Yt ) (Figura 1.19 D).
Observacin 1: El rango de la matriz I 1 est relacionado con los autovalores 1 y 2 de la matriz 1 porque
los autovalores de I 1 son (1 1 ) y (1 2 ) .
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
90 105 120 135 150
PANEL A - AUTOVALORES 0.6 Y 0.2 - RANGO = 2
15
30
45
60
75
90 105 120 135 150
PANEL B - AUTOVALORES 1.0 Y 0.6 - RANGO = 1
Figura 1.19 (I)

(sim-series.wf1)
Serie Y1
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 =
.
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
90 105 120 135 150
PANEL C - AUTOVALORES 1.0 Y 1.0 - RANGO = 1
15
30
45
60
75
90 105 120 135 150
PANEL D - AUTOVALORES 1.0 Y 1.0 - RANGO = 0
Figura 1.19 (II)

(sim-series.wf1)
Serie Y1
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 =
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
1.4.2 Ejemplo Relaciones dinmicas implcitas en un modelo ADL(1,1)
Si un proceso bivariante estacionario ( Yt ) ( Yt [Yt , X t ] ) sigue un modelo ADL(1,1)

Yt = 0 + 1Yt 1 + 0 X t + 1 X t 1 + Vt ,
donde 1 < 1 , (Vt ) IID(0, V2 ),
X t = + 1 X t 1 + At ,
2 ) [un modelo AR(1) estacionario], entonces
1 < 1 y ( At ) IID(0, A
0

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)
donde el trmino (Yt 1 X t 1 ) representa en qu medida no se satisface (salvo quizs por

una constante) en el momento t 1 la relacin de equilibrio a largo plazo entre los dos
componentes de ( Yt ) implcita en (1.10); ver Figura 1.14.
El ECM (1.12) implica que cualquier desequilibrio (error) entre Yt 1 y X t 1 es transitorio

porque tiende a corregirse a travs de variaciones adecuadas en Yt asociadas con el trmino
de correccin de error (1 1 )(Yt 1 X t 1 ) , donde (1 1 ) > 0 representa la
proporcin del desequilibrio entre Yt 1 y X t 1 que se reeja en Yt Yt Yt 1 .
1.4.3 Ejemplo El tipo de cambio y la paridad del poder adquisitivo
Sea Et el tipo de cambio nominal de la moneda de un pas A con respecto a la moneda de

un pas B (por ejemplo, Et podra ser el precio en euros de un franco suizo, medido en
euros/franco). Si PAt y PBt son dos ndices de precios referidos a los pases A y B,
respectivamente, la teora de la paridad del poder adquisitivo (PPA) (en ingls purchasing
power parity) establece la siguiente relacin de equilibrio entre Et y PAt / PBt :
SERIES TEMPORALES
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)
donde RE E ( PB / PA ) es el tipo de cambio real a largo plazo y E PB representa

el nivel de precios a largo plazo en el pas B expresado en la moneda del pas A. La PPA
enunciada en (1.14) puede contrastarse empricamente de dos formas basadas en (1.15):
Contrastar si (ln REt ) I(0) , donde REt ( Et PBt ) / PAt ; ver guras 1.20 y 1.21.
SERIES TEMPORALES
PGINA 36
1 INTRODUCCIN
1.4 APLICACIONES
Si (ln Et PBt ) I(1) y (ln PAt ) I(1) , contrastar en el modelo de regresin
ln( Et PBt ) = 0 + 1 ln PAt + Vt

si 1 = 1 y (Vt ) I(0), de manera que (ln Et PBt ) y (ln PAt ) constituyan un proceso
bivariante CI(1,1) con vector de cointegracin igual a [1, 1] .
4
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
Tipo de cambio real ECU-Euro / Dlar EEUU (log)

Tipo de cambio real ECU-Euro / Franco Suizo (log)

SERIES TEMPORALES
PGINA 37
1 INTRODUCCIN
1.4 APLICACIONES
1.4.4 Ejemplo La estructura temporal de los tipos de inters
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 ]
Si Rt y Rt (n = km , k > 1 entero) representan las rentabilidades en el perodo t de dos

valores que vencen dentro de n y m perodos, respectivamente, la hiptesis de las
expectativas (HE) (expectations hypothesis) sobre la ETTI establece que
[n ]
Rt
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
= R[1]. Por lo tanto, (1.18) tambin puede escribirse como

t
[ 2,1]
[2]
[1]
[1]
[1]
[1]
St
Rt Rt = + 12 Et Rt +1 Rt = + 12 Et Rt +1
(1.19)
[ 2,1]
es el diferencial (spread) en el perodo t entre los tipos de inters a plazo 2

donde St
(mayor) y a plazo 1 (menor). El diferencial entre rentabilidades para diferentes plazos de
vencimiento puede interpretarse como la pendiente de la ETTI.
[2]
A largo plazo, (1.19) implica la siguiente relacin de equilibrio entre Rt

[ 2,1]
[2]
= , o bien R
[1]
= + R .
[1]
y Rt :
(1.20)
Por lo tanto, la HE sobre la ETTI enunciada en (1.18)-(1.19) para el caso n = 2, m = 1,

puede contrastarse empricamente de dos formas basadas en (1.20):
[ 2,1]
Contrastar si (St
[2]
) I(0) ; ver guras 1.22 y 1.23.

[1]
Si ( Rt ) I(1) y ( Rt ) I(1) , contrastar en el modelo de regresin

[2]
Rt
SERIES TEMPORALES
[1]
= 0 + 1 Rt
+ Vt
PGINA 39
1 INTRODUCCIN
1.4 APLICACIONES
[2]
[1]
si 1 = 1 y (Vt ) I(0), de manera que ( Rt ) y ( Rt ) constituyan un proceso

bivariante CI(1,1) con vector de cointegracin igual a [1, 1] .
Observacin: Las implicaciones anteriores de la HE sobre la formacin de la ETTI pueden extenderse teniendo en
[2]
[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
Diferencial de la deuda pblica (EEUU) a 6 y a 3 meses


SERIES TEMPORALES
PGINA 40
1 INTRODUCCIN
1.4 APLICACIONES
1.4.5 Ejemplo Descomposicin de series temporales

10
9
10
8
7
6
4
3
2
1
-2
PREVISIONES
10
20
30
40
50
60
70
-4
80
PREVISIONES
PANEL A - SERIE TEMPORAL
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
siguiente: Tt = 0.5 + 0.1t , St = 1.6sen( t / 6) , I t = 0.7 I t 1 + At , At NIID(0, 1) (t = 1, 2, ..., 50) .
SERIES TEMPORALES
PGINA 41
2
MODELOS UNIVARIANTES
2.1 INTRODUCCIN
2.1.1 Definicin
Un modelo univariante para un proceso estocstico univariante o escalar (Yt ) es cualquier

conjunto de hiptesis bien denidas sobre ciertas propiedades tericas de las distribuciones
de probabilidad (conjuntas, marginales o condicionales) de los componentes del proceso
(Yt ) del que se supone procede una serie temporal observada (yt )tN=1 .
Observacin 1: Un modelo de la estructura probabilstica completa de (Yt ) consiste en una especicacin de las
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
matriz de varianzas-covarianzas de la muestra Y [Y1 , Y2 , ..., YN ] procedente de (Yt ) ,
2
E[ Y ] =
, Var[ Y ] =
2 12
1
21 22
N 1 N 2
1 N
2 N
,
2
N
asociada con una serie temporal observada y [ y1 , y 2 , ..., yN ] . En conjunto, y contienen N + N ( N + 1) / 2

parmetros distintos, que no pueden estimarse con precisin utilizando una nica serie temporal de N observaciones.
Por lo tanto, elaborar un modelo completo para (Yt ) exige suponer alguna simplicacin sobre su estructura
probabilstica que, al menos, reduzca el nmero de parmetros distintos que contienen y .
Observacin 2: Un modelo para (Yt ) suele especicarse mediante alguna expresin matemtica (por ejemplo, una
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
2.1 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
Serie no estacionaria simulada

(ch2-sim.wf1)
Serie estacionaria simulada

(ch2-sim.wf1)
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
2.1 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
2.1 INTRODUCCIN
2.1.3 Etapas en la construccin de un modelo univariante

Identificacin: Seleccin de un modelo que implique ciertas propiedades tericas para
(Yt ) compatibles con las propiedades muestrales observadas en (yt )tN=1 .

Estimacin: Asignacin de valores numricos a los parmetros del modelo.
Diagnosis: Comprobacin del ajuste del modelo a los datos utilizados.
Modelos ARIMA
Identicacin
Estimacin
Reformulacin
Diagnosis
Serie Temporal
Mal
Bien
Previsin
Figura 2.3 Proceso de construccin de un modelo ARIMA univariante
SERIES TEMPORALES
PGINA 46
2.2 PROCESOS ESTOCSTICOS ESTACIONARIOS

2.2.1 Definicin
Un proceso estocstico (Yt ) es estrictamente estacionario si y slo si para cualesquiera

n 1 momentos t1 < t 2 < ... < tn de su historia, la distribucin de probabilidad conjunta
de [Yt1 , Yt2 , ..., Ytn ] coincide con la de [Yt1 +h , Yt2 +h , ..., Ytn +h ] para cualquier nmero
entero h = 1, 2, ... (distinto de cero).
2.2.2 Definicin
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
E[Yt ] y Var[Yt ] son constantes (no dependen de t) para todo t = 0, 1, 2, ...,

Cov[Yt , Yt +k ] depende a lo sumo de k (entero) pero no de t para todo t = 0, 1, 2, ...
2.2.4 Definicin
Un proceso estocstico (Yt ) es Normal o Gaussiano cuando para cualesquiera n 1

momentos t1 < t 2 < ... < tn de su historia, la distribucin de probabilidad conjunta de
[Yt1 , Yt2 , ..., Ytn ] es una distribucin Normal nvariante.
Estacionariedad en autocovarianza + Normalidad Estacionariedad estricta
Figura 2.4 Estacionariedad

Observacin: En general, el tipo de estacionariedad denido en 2.2.3 es suciente para todos los planteamientos que se
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
ACF PACF tericas

2.2.5 Definicin
La autocovarianza de orden k (k > 0) de un proceso (Yt ) estacionario se representa con el

smbolo k y se dene como k Cov[Yt , Yt +k ] .
Media:
Y E[Yt ].
Varianza:
Y2 Var[Yt ] E[(Yt Y )2 ].
Autocovarianza de orden k :
k Cov[Yt , Yt +k ] E[(Yt Y )(Yt +k Y )] (k = 1, 2, ...).
Figura 2.5 Media, varianza y autocovarianzas de un proceso estacionario

Observacin 1: La autocovarianza de orden k de (Yt ) es la covarianza entre cualquier par de componentes de (Yt )
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
(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
La autocorrelacin simple de orden k (k > 0) de un proceso (Yt ) estacionario se representa

con el smbolo k y se dene como
Cov[Yt , Yt +k ]
k
.
(2.1)
k
0
Var[Yt ] Var[Yt +k ]
Autocorrelacin simple de orden k :
k
(k = 1, 2, ...) ; 0 = 1.
0
Figura 2.6 Autocorrelaciones simples de un proceso estacionario

Observacin 1: La autocorrelacin simple de orden k de (Yt ) es el coeciente de correlacin lineal simple entre
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
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
vector de medias y la matriz de varianzas-covarianzas de la muestra Y [Y1 , Y2 , ..., YN ] ,
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
2.2.7 Definicin
La autocorrelacin parcial de orden k (k > 0) de un proceso (Yt ) estacionario se representa

con el smbolo kk y se dene como el parmetro kk en la regresin
Yt = k 1Yt 1 + k 2Yt 2 + ... + kkYt k + U t ,
(2.2)
donde Yt i Yt i Y (i = 0, 1, ..., k ) y U t es independiente de Yt i para todo i 1 .

Observacin 1: La regresin (2.2) anterior puede escribirse como Yt = k 0 + k 1Yt 1 + k 2Yt 2 + ... + kkYt k + U t ,
donde k 0 (1 k 1 k 2 ... kk )Z , lo que implica que Yt = kk Yt k cuando Yt 1 = Yt 2 = ... =

Yt k +1 = U t = 0 (es decir, kk en representa el efecto parcial o ceteris paribus de Yt k sobre Yt ). Por lo tanto,
kk es una medida del grado de asociacin lineal entre dos componentes cualesquiera de (Yt ) separados entre s por
un retardo k 1 dado (como Yt e Yt k ) que no es debida a la posible correlacin entre cada uno de ellos y todos los
componentes de (Yt ) que se encuentran entre ambos (Yt 1 , Yt 2 , ..., Yt k +1 ).
Observacin 2: A partir de la regresin anterior, puede comprobarse que kk = Ak / Bk , donde
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
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 ) .
Autocorrelacin parcial de orden k :
kk =
Ak
Bk
(k = 1, 2, ...) ; 11 = 1 .
Figura 2.7 Autocorrelaciones parciales de un proceso estacionario
SERIES TEMPORALES
PGINA 53
ACF PACF muestrales
En la prctica, es imposible estimar a partir de una serie temporal y [ y1 , y 2 , ..., yN ]

de N observaciones, la media, la varianza, la ACF y la PACF del proceso estacionario
(Yt ) del que supuestamente procede dicha serie. En particular, slo en el vector de
medias y en la matriz de varianzas-covarianzas de la muestra Y [Y1 , Y2 , ..., YN ]
asociada con la serie y [ y1 , y 2 , ..., yN ] guran 1 + N parmetros distintos.
No obstante, en la prctica s pueden estimarse con cierta precisin las K primeras
autocorrelaciones simples y parciales de (Yt ) a partir de una serie temporal de N
observaciones, siempre que K sea un nmero bastante ms reducido que N.
Dichas estimaciones resultan muy tiles para identicar un modelo inicial para (Yt )
dentro de la clase modelos para procesos estacionarios que se describe en la Seccin 2.3.
2.2.8 Definicin
La media muestral y la varianza muestral de una muestra Y [Y1 , Y2 , ..., YN ] asociada

con una serie temporal y [ y1 , y 2 , ..., yN ] son
SERIES TEMPORALES
PGINA 54
N
1 Y
N t =1 t
Y2
N
1 (Y
N t =1 t
Y )2 ,
(2.3)
respectivamente, que suelen emplearse como estimadores de la media Y y la varianza Y2

del proceso estacionario (Yt ) del que procede Y.
Y y Y2 proporcionan estimaciones numricas y y sy2 , respectivamente,
Observacin 1: Los estimadores
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
Por lo tanto, el estadstico t Y = ( Y m ) /( Y2 / N ) , cuyo valor calculado es t = (y m ) /(sy2 / N ) , sigue

aproximadamente una distribucin t ( N 1) .
2.2.9 Definicin
La correlacin simple muestral de orden k (k > 0) de una muestra Y [Y1 , Y2 , ..., YN ]

SERIES TEMPORALES
PGINA 55
asociada con una serie temporal y [ y1 , y 2 , ..., yN ] es
k
(k = 1, 2, ...)
0
(2.4)
(ver Figura 2.6), donde

k
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, ...).
0 en (2.5) es el mismo estimador que Y2

Observacin 1: El estimador
en (2.3). Los estimadores k y k
proporcionan estimaciones numricas ck y r k , respectivamente,
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
k ) NIID(0, 1 / N ) , de manera que cualquier autocorrelacin simple k

Observacin 3: Bajo ciertas condiciones, (
( 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
La correlacin parcial muestral de orden k (k > 0) de una muestra Y [Y1 , Y2 , ..., YN ] es

el estimador MCO o MV kk del parmetro kk en el modelo de regresin (2.2) considerado
para t = 1, 2, ..., N.
Observacin 1: Otro estimador razonable para kk es el que se obtiene al evaluar el cociente de la Figura 2.7,
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.
kk ) NIID(0, 1 / N ) , de manera que cualquier autocorrelacin parcial kk

Observacin 2: Bajo ciertas condiciones, (
( k 1 ) de (Yt ) puede considerarse individualmente signicativa al 5% cuando r kk > 1.96 / N .
SERIES TEMPORALES
PGINA 57
2.2.11 Ejemplo
4
3
1
-1
0
-2
1
1
ACF
15
15
30
45
60
75
90 105 120 135 150
-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
90 105 120 135 150
-1
-1
0
-2
15
ACF
15
PACF
15
-3
PACF
-1
-3
-1
-1
90 105 120 135 150
15
PANEL B - AR(1)
PANEL A - RUIDO BLANCO - NIID(0,1)

4
ACF
-3
1
-1
-3
-1
-4
PACF
-4
15
PANEL C - AR(2)
15
30
45
60
75
90 105 120 135 150
-1
PANEL D - MA(1)
Figura 2.8
Funciones de autocorrelacin muestrales de varias series estacionarias simuladas
(sim-ARIMA.wf1)
SERIES TEMPORALES
PGINA 58
2.2.12 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
PANEL C - MANCHAS SOLARES
ACF
15
PACF
15
1
0
-3
15
-2
PACF
-1
-1
15
PANEL B - DIFERENCIAL DE LA DEUDA (EEUU) A 36 Y A 3 MESES
1
1
-3
1990
-1
1980
1970
ACF
-3
-2
PANEL A - TASA LOGARTMICA DE VARIACIN MENSUAL DEL IBEX35

4
-1
0
-1
-3
-1
-4
1880
1900
1920
1940
1960
-1
PANEL D - VARIACIN ANUAL DEL FLUJO DEL RO NILO
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
2.2.13 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
PANEL B - RENTABILIDAD DE LA DEUDA (EEUU) A 36 MESES
PANEL A - IBEX 35 ( LOG )

4
ACF
-3
-1
-3
-1
-4
1989
PANEL C - TIPO DE CAMBIO REAL EURO / DLAR ( LOG )
1991
1993
1995
1997
1999
2001
-1
PANEL D - TEMPERATURA EN MADRID-RETIRO
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
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.
2.2.14 Procesos estacionarios y series no estacionarias
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
2.2.12), 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
2.3 MODELOS ARMA
2.3 MODELOS ARMA

2.3.1 Definicin
Un proceso estocstico estacionario (Yt ) sigue un modelo autorregresivo-media mvil de

orden (p,q), o ARMA(p,q) (del ingls AutoRegressive-Moving Averge), si y slo si
Yt = + 1Yt 1 + 2Yt 2 + ... + pYt p + At 1 At 1 2 At 2 ... q At q (2.6)
2 ) y , , , ..., , , , ..., son
para todo t = 0, 1, 2, ..., donde ( At ) IID(0, A
1
2
p
1
2
q
parmetros tales que todas las races de la ecuacin polinomial
1 1 x 2 x 2 ... p x p = 0
(2.7)
estn fuera del crculo unitario (condicin de estacionariedad). Un modelo ARMA(p,q)

descrito por la ecuacin (2.6) es invertible si todas las races de la ecuacin polinomial
1 1 x 2 x 2 ... q x q = 0
(2.8)
estn fuera del crculo unitario (condicin de invertibilidad).

SERIES TEMPORALES
PGINA 63
2.3 MODELOS ARMA
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)
donde Xt es una variable (real o aleatoria) referida a un momento t determinado.

2.3.3 Definicin
La ecuacin (2.6) puede escribirse alternativamente como

( B )Yt = + ( B )At ,
(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)
es el operador o polinomio media mvil (MA) [comparar con (2.8)].

SERIES TEMPORALES
PGINA 64
2.3 MODELOS ARMA
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)
donde Yt Yt E[Yt ] Yt Y para todo t = 0, 1, 2, ...

La condicin de estacionariedad 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
SERIES TEMPORALES
(2.15)
PGINA 65
2.3 MODELOS ARMA
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)
satisfacen la condicin i= 0 i < , lo que implica que cuando (2.14) se escribe

como ( B )Yt = At , (Yt ) es un proceso estacionario tal que la correlacin parcial entre
Yt e Yt k (k > 0) tiende a cero a medida que el retardo k aumenta.
Observacin: Dados unos valores para los parmetros 1 , 2 , ..., p , 1 , 2 , ..., q de un modelo ARMA, los pesos y
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
2.3 MODELOS ARMA
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
i = j i j ( 0 = 1), i = j i j ( 0 = 1) para todo i 1 .

Las secuencias (i : i = 1, 2, ...) y (i : i = 1, 2, ...) calculadas a partir de un modelo ARMA(p,q) para un proceso
estacionario (Yt ) , siguen exactamente las mismas pautas que la ACF y la PACF tericas de (Yt ) , respectivamente,
implicadas por dicho modelo.
ACF PACF tericas en modelos ARMA
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)
Cuando un proceso estacionario (Yt ) sigue un modelo ARMA(1,0) o AR(1)

Yt = + 1Yt 1 + At
SERIES TEMPORALES
(2.17.1)
PGINA 67
2.3 MODELOS ARMA
2 ) , puede comprobarse lo siguiente:

con 1 < 1 (ver 2.3.1) y ( At ) IID(0, A
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)
2.3.5 Ejemplo Modelo autorregresivo de segundo orden o AR(2)
Cuando un proceso estacionario (Yt ) sigue un modelo ARMA(2,0) o AR(2)
Yt = + 1Yt 1 + 2Yt 2 + At
SERIES TEMPORALES
(2.18.1)
PGINA 68
2.3 MODELOS ARMA
con 2 + 1 < 1 , 2 1 < 1 ,

comprobarse lo siguiente:
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
Varianza:
Y2
2.3 MODELOS ARMA
2
A
1 2
=
=
1 1 1 2 2
1 + 2
(1 1 2 )(1 + 1 2 ) .
(2.18.5)
2.3.6 Ejemplo Modelo media mvil de primer orden o MA(1)
Cuando un proceso estacionario (Yt ) sigue un modelo ARMA(0,1) o MA(1)
Yt = + At 1 At 1
(2.19.1)

con 1 < 1 (ver 2.3.1) y ( At ) IID(0, A
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
2.3 MODELOS ARMA
2.3.7 Ejemplo Modelo media mvil de segundo orden o MA(2)
Cuando un proceso estacionario (Yt ) sigue un modelo ARMA(0,2) o MA(2)
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
2.3 MODELOS ARMA
2.3.8 Ejemplo Modelo autorregresivo-media mvil de orden (1,1) o ARMA(1,1)
Cuando un proceso estacionario (Yt ) sigue un modelo ARMA(1,1)
Yt = + 1Yt 1 + At 1 At 1
(2.21.1)

con 1 < 1 , 1 < 1 (ver 2.3.1) y ( At ) IID(0, A
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
2.3 MODELOS ARMA
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
2.3 MODELOS ARMA
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
2.3 MODELOS ARMA
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
2.3 MODELOS ARMA
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
2.3 MODELOS ARMA
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
Races de ( x ) = 0 fuera del

crculo unitario
Condicin de
invertibilidad
Siempre invertible
Races de ( x ) = 0 fuera
del crculo unitario
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
2.3 MODELOS ARMA
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
Figura 2.27
AR(1) AR(1)12 , con 1 = 0.8 , 1 = 0.8 .
2.3 MODELOS ARMA
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
2.4 PROCESOS ESTOCSTICOS NO ESTACIONARIOS

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 dispersin 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
2.2.12), que pueden ser utilizadas como punto de partida para elaborar en la prctica
modelos ARMA(p,q) como los descritos en la Seccin 2.3 anterior.
Para convertir una serie no estacionaria en otra estacionaria, suelen emplearse en la
prctica dos tipos de transformaciones: un primer tipo para estabilizar su dispersin (es
decir, para inducir estacionariedad en varianza) y un segundo tipo para estabilizar su
nivel (es decir, para eliminar su tendencia o para inducir estacionariedad en media).
SERIES TEMPORALES
PGINA 80
No estacionariedad en varianza Transformacin de Box-Cox

2.4.1 Definicin
Sea (Yt ) un proceso estocstico no estacionario tal que

t E[Yt ] y t2 Var[Yt ]
existen y dependen de t (por lo que no son constantes; ver 2.2.1-2.2.4). Si

t2 = 2 h ( t )2 ,
(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
Yt g ( t ) + g ( t )(Yt t ) ; por lo tanto, Var[Yt ] g ( t )2 t2 = 2 g ( t )2 h ( t )2 , que es igual 2 (constante)

cuando g() satisface (2.23). En consecuencia, el propsito de una transformacin que satisface (2.23) es estabilizar la
varianza de un proceso no estacionario (Yt ) cuya dispersin local depende de su nivel local de acuerdo con (2.22).
SERIES TEMPORALES
PGINA 81
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
,
que se denomina transformacin de Box-Cox de parmetros y m [donde 2 y el 1 del numerador se emplea

tan slo porque lim 0 { [(Yt + m ) 1] / } = ln(Yt + m ) ]. En particular, = 0 y m = 0 proporcionan la
transformacin Yt = ln Yt , mientras que = y m = 0 proporcionan la transformacin Yt = 2Yt .
Observacin 2: El hecho de multiplicar un proceso estocstico por una constante no afecta a que su varianza sea o no
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
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
2.4.3 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
Figura 2.30 (I)

Grficos desviacin tpica-media muestrales estandarizados
(Datos: bolsa-int.wf1. Programa: DT-Media.prg)
SERIES TEMPORALES
PGINA 84
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
LOG( VIVIENDAS INICIADAS )
1
0
-1
-2
-2
-1
0
MEDIA
Figura 2.30 (II)

Grficos desviacin tpica-media muestrales estandarizados
(Datos: seasonal.wf1. Programa: DT-Media.prg)
SERIES TEMPORALES
PGINA 85
No estacionariedad en media Tendencias

2.4.4 Definicin
El operador diferencia regular de orden d (d 1 entero) se representa con el smbolo d

(a veces d ) y se dene como d (1 B )d (donde B es el operador de retardo de 2.3.2),
de manera que
X t X t X t 1 , 2 X t X t 2 X t 1 + X t 2 , ...,
(2.24)
donde Xt es una variable (real o aleatoria) referida a un momento t determinado.
2.4.5 Definicin
Un proceso estocstico (Yt ) es integrado de orden d (d 0 entero), o I(d ) , si y slo si el

proceso ( dYt ) sigue un modelo ARMA(p,q) estacionario e invertible (ver 2.3.1). En tal
caso, suele escribirse (Yt ) I(d ) .
Observacin: En particular: (i) un proceso estocstico (Yt ) es integrado de orden 0, o I(0), si y slo si (Yt ) sigue un
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
2.4.6 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 ) . (2.25) implica que

donde es un parmetro (que puede valer 0) y ( At ) IID(0, A
Yt Yt Yt 1 = + At para todo t = 0, 1, 2, ...,
(2.26)
de manera que ( Yt ) sigue un modelo ARMA(0,0) (con trmino constante si 0 ). Por

lo tanto, ( Yt ) I(0), lo que implica que un paseo aleatorio es un proceso I(1).
Por otro lado, (2.25) es una ecuacin en diferencias, cuya solucin general a partir de un
origen temporal k < t dado es
t k 1
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
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
debe admitir una representacin del tipo

Yt = Tt [Yt ] + I t [Yt ] , donde Tt [Yt ] es la tendencia de (Yt ) , e I t [Yt ] es la parte irregular de (Yt ) (que debe ser un
proceso estacionario con media cero). La tendencia de un proceso estocstico (Yt ) puede denirse como el nivel al que
tiende Yt desde un origen temporal sucientemente anterior al momento t. Por lo tanto, si Tt [Yt ] no es constante,
entonces (Yt ) es necesariamente un proceso no estacionario (porque no converge a largo plazo a algn nivel de
equilibrio).
SERIES TEMPORALES
PGINA 88
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 ) .
Por otro lado, (2.26) implica que Tt [ Yt ] = (constante), I t [ Yt ] = At , de manera que

( Yt ) es en este caso un proceso estocstico sin tendencia.
SERIES TEMPORALES
PGINA 89
2.4.8 Ejemplo
Sea (Yt ) un proceso estocstico tal que
Yt = Yt 1 + At 1 At 1 para todo t = 0, 1, 2, ...,
(2.30)
2 ) . (2.30) implica que

donde 1 es un parmetro tal que 1 < 1 y ( At ) IID(0, A
Yt Yt Yt 1 = At 1 At 1 para todo t = 0, 1, 2, ...,
(2.31)
de manera que ( Yt ) sigue un modelo MA(1) invertible. Por lo tanto, ( Yt ) I(0), lo

que implica que un proceso estocstico descrito por (2.30) es un proceso I(1).
Por otro lado, la solucin general de (2.30) a partir de un origen temporal k < t dado es
t k 1
Yt = (yk 1ak ) + At + (1 1 )At i para t > k.

i =1
(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
tienda a , a partir de (2.30) y (2.32) puede considerarse en este caso que

t k 1
Tt [Yt ] = (yk 1ak ) + At 1 + (1 1 )At i , I t [Yt ] = At 1 At 1 ,
(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 ) .
Por otro lado, (2.32) implica que Tt [ Yt ] = 0 , I t [ Yt ] = At 1 At 1 , de manera que

( Yt ) es en este caso un proceso estocstico sin tendencia.
2.4.9 Ejemplo
Sea (Yt ) I(0) un proceso estocstico que sigue un modelo AR(1) estacionario del tipo
Yt = + 1Yt 1 + At para todo t = 0, 1, 2, ...,
(2.35)
2 ) . La solucin de (2.35) a partir

donde y 1 son parmetros, 1 < 1 , y ( At ) IID(0, A
SERIES TEMPORALES
PGINA 91
de un origen temporal k < t dado es:
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
cuando k . Por lo tanto, en este caso puede considerarse que
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
estocstico (Yt ) I(d ) (d 1) (que se denomina, a veces, en ingls difference-stationary):

(Yt ) es un proceso no estacionario que presenta en su evolucin temporal una tendencia estocstica, acompaada
a veces por alguna tendencia determinista.
(Wt ) ( dYt ) es un proceso I(0) que, por lo tanto, no presenta tendencia alguna en su evolucin temporal.
En general, los componentes de (Yt ) I(d ) en Yt = Tt [Yt ] + I t [Yt ] no son nicos. Una forma de identicarlos
consiste en imponer que el componente irregular o transitorio de (Yt ) coincida con el de (Wt ) ( dYt ) .
SERIES TEMPORALES
PGINA 92
Observacin 2: A veces, la tendencia de un proceso (Yt ) es puramente determinista, como ocurre por ejemplo cuando
2 ) ; en este caso, Y = + A es un proceso estacionario que

Yt = 0 + 1t + At con 1 0 y ( At ) IID(0, A
t
1
t
sigue un modelo MA(1) no invertible, por lo que (Yt ) no es un proceso I(1) (un proceso de este tipo se denomina en
ingls trend-stationary). Por otro lado, si (Yt ) I(0) , como ocurre por ejemplo si Yt = 0 + At , (Yt ) no requiere
ninguna diferencia regular para transformarlo en un proceso I(0), lo que se observa, por ejemplo, en que Yt = At
tambin sigue un modelo MA(1) no invertible. En general, la no invertibilidad indica un uso incorrecto por exceso del
operador (sobrediferenciacin), lo que puede llevar a caracterizar errneamente la tendencia de un proceso.
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
4
3
4
3
2
1
2
1
-1
-2
-1
-2
-3
-4
-3
-4
1989
1991
1993
1995
1997
1999
2001
1989
PANEL A - LOG( VIVIN )

4
3
2
3
2
0
-1
0
-1
-2
-3
-2
-3
-4
-4
1991
1993
1995
1997
1999
PANEL C - DLOG( VIVIN, 0, 12 )
1993
1995
1997
1999
2001
PANEL B - DLOG( VIVIN, 1, 0 )
1989
1991
2001
1989
1991
1993
1995
1997
1999
2001
PANEL D - DLOG( VIVIN, 1, 12 )
Figura 2.31
Diferentes transformaciones de la serie mensual Viviendas iniciadas en Espaa
(seasonal.wf1)
SERIES TEMPORALES
PGINA 94
2.5 MODELOS ARIMA
2.5 MODELOS ARIMA

2.5.1 Definicin
Un proceso estocstico (Yt ) es integrado de orden d (d 0 entero) si y slo si (Yt ) sigue

un modelo autorregresivo-integrado-media mvil de orden (p,d,q), o ARIMA(p,d,q) (del
ingls AutoRegressive-Integrated-Moving Averge), del tipo
( B )dYt = + ( B )At para todo t = 0, 1, 2, ...,
(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
(Yt ) del tipo ( B )Yt = + ( B )At , cuyo operador autorregresivo ( B ) ( B )d 1 ip=1 iB i ( p p + d )

es tal que la ecuacin ( x ) = 0 tiene exactamente d races unitarias.
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
2.5 MODELOS ARIMA
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 , mientras que un modelo ARIMA(1,1,1) para un proceso I(1) es

(1 1 B )Yt = + (1 1 B )At , o bien Yt = + (1 + 1 )Yt 1 1Yt 2 + At 1 At 1 ,
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
2.5 MODELOS ARIMA
donde W E[ dYt ] = / (1) , o bien como

(B )
A = W + ( B )At ,
dYt = W +
(B ) t
(2.41)
con ( B ) ( B ) / ( B ) ; ver la explicacin alrededor de (2.15). Por lo tanto,
Yt = t + ( B )At , o bien Yt = t + ( B )At ,
(2.42)
donde t , At y ( B ) i= 0 i B i ( 0 1 ) se denen de acuerdo con que

d t = W , d At = At , d ( B ) = ( B ) .
(2.43)
En consecuencia, un modelo ARIMA(p,d,q) para un proceso (Yt ) I(d ) implica que
Yt = t + ( B )( At At ) + ( B )At = t + [ ( B ) ( B )]At + ( B )At , (2.44)

Tt [Yt ]
I t [Yt ]
Tt [Yt ]
I t [Yt ]
donde la tendencia Tt [Yt ] es la suma de un componente determinista y un componente

estocstico, y la parte irregular I t [Yt ] es un proceso ARMA estacionario e invertible.
Observacin: La expresin d t = W en (2.43) es una ecuacin en diferencias cuya solucin general es del tipo
t = g (t ) + [ W / d !]t d , donde g (t ) es un polinomio de grado igual o inferior a d 1, incluyendo la posibilidad de
SERIES TEMPORALES
PGINA 97
2.5 MODELOS ARIMA
que g (t ) = 0 . Por lo tanto, t en (2.44), W en (2.40), en (2.39), representan un componente tendencial

determinista de grado d en (Yt ) , con respecto a cuyos coecientes un modelo ARIMA tan slo especica el nmero d
de diferencias regulares y (explcita o implcitamente) el valor del parmetro W (que puede ser 0, en cuyo caso la
tendencia determinista de (Yt ) sera a lo sumo de grado d 1). En particular, puede comprobarse que (2.43)-(2.44)
proporcionan exactamente los resultados de los ejemplos 2.4.7-2.4.9.
Tendencias en modelos no invertibles
Cuando el operador MA en (2.40) es tal que ( x ) = 0 tiene exactamente d races

unitarias, ( B ) puede factorizarse como ( B ) = ( B )d , donde ( B ) es un operador
invertible. En este caso, (Yt ) no es un proceso I(d ) (ver 2.4.5), y (2.44) dara la falsa
impresin de que (Yt ) tiene un componente tendencial estocstico.
Cuando ( B ) = ( B )d , (2.41)-(2.43) implican que
Yt = t +
( B )
A,
( B ) t
por lo que o bien la tendencia de (Yt ) es puramente determinista (si d 1 y 0 ), o

bien (Yt ) I(0) y no tiene tendencia (si d = 1 y = 0 ); ver Observacin 2 en 2.4.9.
SERIES TEMPORALES
PGINA 98
2.5 MODELOS ARIMA
-1
-1
-2
-2
-3
15
30
45
60
75
90 105 120 135 150
-3
PANEL A - PASEO ALEATORIO - MU = 0

3
-1
-1
-2
-2
1
15
30
45
60
75
90 105 120 135 150
PANEL C - TENDENCIA DETERMINISTA
30
45
60
75
90 105 120 135 150
PANEL B - PASEO ALEATORIO - MU = 0.5
-3
15
-3
15
30
45
60
75
90 105 120 135 150
PANEL D - PARTE IRREGULAR NIID(0,1)
Figura 2.32
Series simuladas con tendencias diferentes y con la misma parte irregular
(sim-series.wf1)
SERIES TEMPORALES
PGINA 99
2.6 ELABORACIN DE MODELOS ARIMA
El modelo ARIMA ms general que se obtiene al considerar conjuntamente todas las

posibilidades descritas en las secciones 2.3, 2.4 y 2.5 anteriores, puede escribirse como
p ( B )P ( B S )[ d SDYt W ] = q ( B )Q ( B S )At .
(2.45)
Identificacin
Entrada: (yt )tN=1 (serie temporal original); S (perodo estacional).
1.1 Eleccin de y m en la transformacin de Box-Cox Grco desviacin tpica-media.

Se obtiene una serie (yt ) , con yt = ln(yt + m ) si = 0 , yt = (yt + m ) si 0 .
1.2 Eleccin de d y D Grco temporal (tendencias) y ACF muestral (amortiguamiento)
de (yt ) . Se obtiene una serie (wt ) ( d SD yt ), supuestamente estacionaria.
1.3 Inclusin de W Contraste de signicacin de W E[Wt ] E[ d SDYt ] a partir
de la media muestral de la serie (wt ).
1.4 Eleccin de p, P, q y Q ACF y PACF muestrales de (wt ) comparadas con ACF y
SERIES TEMPORALES
PGINA 100
PACF tericas de modelos ARMA( p , q ) ARMA( P , Q )S . El criterio central aqu es el

reconocimiento de conguraciones:
Un valor grande en la ACF o en la PACF muestrales en un retardo k dado, puede
no ser relevante si se encuentra aislado y k es grande.
Una conguracin reconocible de valores pequeos en la ACF o en la PACF
muestrales, s puede ser relevante.
d D n
Salida: (wt )n
(
S yt )t =1 (serie supuestamente estacionaria, con n N d DS );

t =1
rdenes p, P, q y Q Modelo (2.45) identicado para (Yt ) .

Observaciones sobre la etapa de identificacin: La tasa convencional de variacin (neta) de una serie (yt ) es
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
tlvt (k ) ln[1 + tcvt (k )] = ln
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
[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
por lo que la tasa logartmica es aditiva:

k 1
k 1
i =0
i =0
tlvt (k ) = ln [1 + tcvt i (1)] = ln tlvt i (1) .

Dado que muchas series temporales requieren una transformacin logartmica y una diferencia regular para darles
aspecto estacionario, las series resultantes pueden interpretarse como tasas de variacin. Por ejemplo, si (yt ) es una
serie mensual, entonces:
( ln yt ) es la tasa logartmica de variacin mensual de (yt ) .
( 12 ln yt ) es la tasa logartmica de variacin interanual de (yt ) .
( 2 ln yt ) es la variacin (absoluta) mensual de ( ln yt ) .
( 12 ln yt ) es la variacin (absoluta) mensual de ( 12 ln yt ) , o bien la variacin (absoluta) interanual de
( ln yt ) ; anlogamente, ( 2 12 ln yt ) puede interpretarse de varias formas alternativas.
Estimacin
d D n
Entrada: (wt )n
t =1 ( S yt )t =1 (serie de aspecto estacionario); modelo identicado para
el proceso supuestamente estacionario (Wt ) ( d SDYt ) ; estimaciones iniciales de los

parmetros del modelo; variables de control para el mtodo de estimacin escogido.
SERIES TEMPORALES
PGINA 102
2 Var[ W ] (terica, implicada por el modelo).

2.1 MV Min( w 1 w ) n , con A
2.2 Problemas: evaluar la forma cuadrtica w 1 w y el determinante ; estimacin no

lineal (no existen soluciones analticas).
2.3 Alternativa a MV: MC Min w 1 w (aproximaciones: retroprevisin, EViews, ...).
[ 1 , ..., p ] ,
[ 1 , ..., q ] ,
1 , ...,
Q ] , 2
[
1 , ...,
P ] ,
[
W ,
Salida:
A
(modelo estimado); V (matriz de covarianzas estimadas); serie (at )nt =1 de residuos.

Diagnosis
Entrada: Modelo estimado; residuos.
3.1 Parmetros: signicacin (individual y conjunta); correlaciones estimadas entre

estimadores; estacionariedad e invertibilidad.
3.2 Residuos (reemplazan a un proceso de ruido blanco en el modelo estimado): grco
temporal; ACF y PACF residuales (Ljung-Box); media muestral; Normalidad.
3.3 Posible reformulacin segn los resultados de 3.1 y 3.2.
SERIES TEMPORALES
PGINA 103
Salida: Si modelo reformulado Volver a estimacin. Si modelo adecuado Utilizar para
prever (otros nes: anlisis de intervencin, anlisis multivariante, ...).

Observaciones sobre la etapa de diagnosis: Las operaciones siguientes referidas a los parmetros del modelo identicado
y estimado, son especialmente tiles en la etapa de diagnosis:

Contrastar la signicacin individual de cada parmetro, o la signicacin conjunta de varios parmetros, segn
interese. A veces, estos contrastes indican que pueden eliminarse algunos parmetros no signicativos.
Examinar la matriz R de correlaciones estimadas entre los estimadores de los parmetros, que puede calcularse a
partir de V como R = D1 VD1 , donde D es una matriz diagonal cuyos elementos son las races cuadradas de los
elementos en la diagonal principal de V. La presencia de correlaciones elevadas suele indicar que el modelos est
sobreparametrizado.
Factorizar los operadores AR y MA estimados y comprobar que no tienen factores comunes. Si dichos operadores
tienen factores aproximadamente comunes, en general deben cancelarse.
Comprobar que los operadores AR y MA estimados satisfacen las condiciones de estacionariedad y de
( x ) = 0 prxima o igual a 1 indica
invertibilidad, respectivamente. La presencia de una raz de ( x ) = 0 o de
subdiferenciacin, por lo que es conveniente aplicar una diferencia regular o estacional, respectivamente, a la serie
( x ) = 0 prxima o igual a 1 indica
(wt ) . Por su parte, la presencia de una raz de ( x ) = 0 o de
sobrediferenciacin, por lo que es conveniente eliminar una diferencia regular o estacional, respectivamente, de la
serie (wt ) (adems, quizs, de reconsiderar la naturaleza de la tendencia implcita en el modelo reformulado).
Cuando en la etapa de identicacin no est claro si d (el nmero de diferencias regulares) debe ser igual a uno o
igual a dos (tambin cuando se duda entre d = 1 y d = 0), una buena prctica consiste en escoger d = 2 y aadir
SERIES TEMPORALES
PGINA 104
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
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
Para un modelo que contiene m parmetros y ha sido estimado con n observaciones, el

criterio de informacin de Akaike es la cantidad
2 L
2m
+
,
AIC
n
n
(2.46)
donde L es el logaritmo neperiano de la funcin de verosimilitud asociada con el modelo

estimado, evaluada en las estimaciones obtenidas de los parmetros de dicho modelo.
2.6.2 Definicin
Para un modelo que contiene m parmetros y ha sido estimado con n observaciones, el

SERIES TEMPORALES
PGINA 106
criterio de informacin bayesiano de Schwarz es la cantidad
m ln(n )
2 L
BIC
+
,
n
n
(2.47)
donde L es el logaritmo neperiano de la funcin de verosimilitud asociada con el modelo

estimado, evaluada en las estimaciones obtenidas de los parmetros de dicho modelo.
Observacin 1: En el contexto de la elaboracin de un modelo ARIMA a partir de una serie temporal (yt ) , los criterios
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
Contraste de no estacionariedad de Shin-Fuller

2.6.3 Definicin
Cuando el operador autorregresivo de orden p en un modelo ARMA(p,q) puede factorizarse

como p ( B ) = (1 B )p 1 ( B ) , el contraste de no estacionariedad de Shin-Fuller (1998)
consiste en rechazar la hiptesis nula = 1 en favor de la alternativa < 1 (con un nivel
de signicacin dado) cuando
L , si
1 4
n 1
SF
(2.48)
0
, si > 1 n 1
es mayor que el valor crtico correspondiente de la Tabla 2.1. En (2.48), L es el logaritmo

neperiano de la funcin de verosimilitud en la estimacin por mxima verosimilitud exacta
(MVE) no restringida del modelo, es la estimacin MVE no restringida del parmetro ,
y L es el logaritmo neperiano de la funcin de verosimilitud en la estimacin por MVE
restringida a que = 1 4 /(n 1).
Observacin: Ver Shin, D.W., y Fuller, W.A. (1998), Unit root tests based on unconditional maximum likelihood
SERIES TEMPORALES
PGINA 108
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)
Contrastes de no invertibilidad de Davis-Chen-Dunsmuir

2.6.4 Definicin
En un modelo MA(1) del tipo Yt = (1 1 B )At , el contraste MLE de no invertibilidad de

Davis-Chen-Dunsmuir (1995) consiste en rechazar la hiptesis nula 1 = 1 en favor de la
alternativa 1 < 1 (con un nivel de signicacin dado) cuando n (1 1 ) es mayor que el
SERIES TEMPORALES
PGINA 109
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
En un modelo MA(1) del tipo Yt = (1 1 B )At , el contraste GLR de no invertibilidad de

Davis-Chen-Dunsmuir (1995) consiste en rechazar la hiptesis nula 1 = 1 en favor de la
alternativa 1 < 1 (con un nivel de signicacin dado) cuando
DCD 2( L L )
(2.49)
es mayor que el valor crtico bGLR correspondiente de la Tabla 2.2 anterior. En (2.49), L
SERIES TEMPORALES
PGINA 110
es el logaritmo neperiano de la funcin de verosimilitud en la estimacin por MVE no

restringida del modelo MA(1), y L es el logaritmo neperiano de la funcin de verosimilitud
evaluada en 1 = 1 .
Observacin: Ver Davis, R.A., Chen, M., y Dunsmuir, W.T.M. (1995), Inference for MA(1) processes with a root on
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
PANEL A - FLUJO ANUAL - NILO
1900
1920
1940
1960
-1
PANEL B - VARIACIN DEL FLUJO ANUAL - D( NILO )
Figura 2.33
Volumen del flujo anual del ro Nilo en Asun (1871 1970)
(nilo.wf1)
SERIES TEMPORALES
PGINA 111
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
Contrastar 1 = 1 frente a 1 < 1 en el modelo

(1 1 B )Yt = + (1 1 B )At .
(2.50)
Si 1 = 1 , (2.50) indica que (Yt ) I(1) IMA(1, 1) (probablemente con = 0 ). Si

1 < 1 , (2.50) indica que (Yt ) I(0) ARMA(1, 1) (quizs con 1 = 0 , de acuerdo
con el Panel A de la Figura 2.33).
2

(1 1 B )Yt = (1 1 B )At
(2.51)
Si 1 = 1 , (2.51) es (2.50) con 1 = 0 , lo que indica que (Yt ) I(0) AR(1) . Si

1 < 1 , (2.51) implica que (Yt ) I(1) ARIMA(1, 1, 1) (probablemente con 1 = 0 ,
de acuerdo con el Panel B de la Figura 2.33).
SERIES TEMPORALES
PGINA 112
La estimacin por MVE de (2.50) proporciona 1 = 0.8610 < 1 4 /(100 1) 0.9596 ,

L = 53.7367 . Por otro lado, la estimacin por MVE de (2.50) bajo la restriccin de que
1 = 0.9596 proporciona L = 53.0453 . Por lo tanto, SF = L L = 0.6914 , que es
menor que cualquier valor crtico de la Tabla 2.1. En consecuencia, la hiptesis de que
1 = 1 en (2.50) no se rechaza ni siquiera al 10%.
2
La estimacin por MVE de (2.51) proporciona 1 = 0.8741 , L = 53.2404 ; por lo tanto,

n (1 1 ) = 12.46 , que es mayor que cualquier valor crtico bMLE de la Tabla 2.2. Por
otro lado, la estimacin por MVE de (2.51) bajo la restriccin de que 1 = 1
proporciona L = 48.2245 ; por lo tanto, DCD = 2( L L ) = 10.0318 , que es mayor que
cualquier valor crtico bGLR de la Tabla 2.2. En ambos casos, la hiptesis de que 1 = 1
en (2.51) se rechaza incluso al 1%.
Los resultados de los contrastes anteriores sugieren claramente que (Yt ) I(1) .
SERIES TEMPORALES
PGINA 113
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
PANEL B - VARIACIN DEL DIFERENCIAL - D( CM03 - TB3M )
PANEL A - DIFERENCIAL - CM03 - TB3M
Figura 2.34
Diferencial de la rentabilidad de la deuda pblica en EEUU a 3 aos y a 3 meses (1960:I 2002:IV)
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

(1 1 B )Yt = + At .
SERIES TEMPORALES
(2.52)
PGINA 114
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

(1 1 B )Yt = (1 1 B )At
(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
La estimacin por MVE de (2.52) proporciona 1 = 0.6990 < 1 4 /(172 1) 0.9766 ,

L = 157.0281 . Por otro lado, la estimacin por MVE de (2.52) bajo la restriccin de
que 1 = 0.9766 proporciona L = 170.0937 . Por lo tanto, SF = L L = 13.0656 ,
que es mayor que cualquier valor crtico de la Tabla 2.1. En consecuencia, la hiptesis
de que 1 = 1 en (2.52) se rechaza incluso al 1%.
SERIES TEMPORALES
PGINA 115
La estimacin por MVE de (2.53) proporciona 1 = 0.9895 , L = 157.9638 ; por lo

tanto, n (1 1 ) = 1.7955 , que es menor que cualquier valor crtico bMLE de la Tabla
2.2. Por otro lado, la estimacin por MVE de (2.53) bajo la restriccin de que 1 = 1
proporciona L = 157.9860 ; por lo tanto, DCD = 2( L L ) = 0.0444 , que es menor
que cualquier valor crtico bGLR de la Tabla 2.2. En ambos casos, la hiptesis de que
1 = 1 en (2.53) no se rechaza ni siquiera al 10%.
Los resultados de los contrastes anteriores sugieren claramente que (Yt ) I(0) .
2.6.8 Ejemplo
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
3
1
-1
0
-2
ACF
15
1965
1970
1975
1980
1985
1990
1995
-1
-1
0
-2
PACF
PANEL A - TASA LOGARTMICA - DLOG( PIB )
15
-4
ACF
15
PACF
15
-3
-1
-3
-1
-4
1965
1970
1975
1980
1985
1990
1995
-1
PANEL B - VARIACIN DE LA TASA LOGARTMICA - DLOG( PIB, 2 )
Figura 2.35
Tasa logartmica de variacin anual del PIB real en Espaa (1965 1997)
(pib-cpi.wf1)

(1 1 B ) ln Yt = + At .
(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
(1 1 B )2 ln Yt = (1 1 B )At
(2.55)
Si 1 = 1 , (2.55) es (2.54), lo que indica que (ln Yt ) I(1) ARI(1, 1) . Si 1 < 1 ,

(2.55) implica que (Yt ) I(2) ARIMA(1, 2, 1) (probablemente con 1 = 1 = 0 , de
acuerdo con el Panel B de la Figura 2.35).
1
La estimacin por MVE de (2.54) proporciona 1 = 0.6790 < 1 4 /(33 1) = 0.875 ,

L = 87.0613 . Por otro lado, la estimacin por MVE de (2.54) bajo la restriccin de que
1 = 0.875 proporciona L = 85.7555 . Por lo tanto, SF = L L = 1.3058 ; de acuerdo
con la Tabla 2.1, la hiptesis de que 1 = 1 en (2.54) se rechaza al 10%, aunque no se
puede rechazar al 5%.
2
La estimacin por MVE de (2.55) proporciona 1 = 0.9038 , L = 83.3913 ; por lo tanto,

n (1 1 ) = 3.1746 , que es menor que cualquier valor crtico bMLE de la Tabla 2.2. Por
otro lado, la estimacin por MVE de (2.55) bajo la restriccin de que 1 = 1
SERIES TEMPORALES
PGINA 118
proporciona L = 83.3211 ; por lo tanto, DCD = 2( L L ) = 0.1404 , que es menor que

cualquier valor crtico bGLR de la Tabla 2.2. En ambos casos, la hiptesis de que 1 = 1
en (2.55) no se rechaza ni siquiera al 10%.
En este ejemplo, el contraste de Shin-Fuller podra sugerir que (ln Yt ) I(2) , aunque los
contrastes de Davis-Chen-Dunsmuir parecen indicar que (ln Yt ) I(1).
Observacin 1: Como indican los tres ejemplos anteriores, los contrastes de races unitarias de Shin-Fuller (SF) y de
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
2.7 PREVISIN CON MODELOS ARIMA

2.7.1 Definicin
La previsin puntual en origen k (dado) a horizonte l 1 (variable) de un proceso

estocstico (Yt ) , se representa con el smbolo Yk (l ) y se dene como el valor esperado de
Yk +l condicionado por toda la informacin disponible hasta un momento k dado de la
historia de (Yt ) ; es decir,
Yk (l ) Ek [Yk +l ] para l = 1, 2, ...
(2.56)
Observacin: Considerada como una funcin del horizonte de previsin l 1, Yk (l ) se denomina la funcin de
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
El error de previsin en origen k (dado) a horizonte l 1 (variable) de un proceso

estocstico (Yt ) , es la variable aleatoria
Ek (l ) Yk +l Yk (l ) para l = 1, 2, ...,
SERIES TEMPORALES
(2.57)
PGINA 120
es decir, la diferencia entre el valor observado Yk +l de (Yt ) en un momento k + l de su

historia y el valor previsto Yk (l ) en origen k a horizonte l de (Yt ) .
2.7.3 Definicin
La funcin de previsin en origen k a horizonte l 1 de un proceso (Yt ) I(d ) que sigue

un modelo ARIMA del tipo ( B )Yt = + ( B )At (ver Observacin 1 de 2.5.1), donde
( 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)
o bien [ver (2.40)-(2.43)]
Yk (l ) Ek [Yk +l ] = k +l + Ek [ ( B )Ak +l ],
(2.59)
donde ( B ) i= 0 i B i ( 0 1 ) se dene de acuerdo con que d ( B ) = ( B ) .

Observacin 1: La funcin de previsin (2.58) de un proceso (Yt ) ARIMA( p , d , q ) se utiliza en la prctica para
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
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).
Un modelo ARIMA(p,d,q) estimado puede escribirse como ( B )d yt = + ( B )at , o bien como
( B )yt = + ( B )at , ( B ) ( B )d (1 ip=1 i B i )(1 B )d (1 ip=1 iB i ) , ( B ) 1 qi =1 i B i ; en

consecuencia, cada residuo at de un modelo estimado puede escribirse como
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
El error de previsin en origen k a horizonte l 1 de un proceso (Yt ) I(d ) que sigue un

modelo ARIMA del tipo ( B )Yt = + ( B )At (ver 2.7.3), puede escribirse, de acuerdo
con (2.42) y (2.59), como
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
1 A
Ek (l ) = Ak +l + 1 Ak +l 1 + ... + l1 Ak +1 = li
= 0 i k +l i ,
(2.60)
donde los parmetros i del polinomio ( B ) i= 0 i B i ( 0 1 ) pueden calcularse

teniendo en cuenta que d ( B ) = ( B ) , con ( B ) ( B ) / ( B ) ; ver la explicacin
alrededor de (2.15).
2
1
2
Observacin: (2.60) implica que E[ Ek (l )] = 0 y que Var[ Ek (l )] = A
li
= 0 ( i ) en cualquier modelo ARIMA con
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, ...
2.7.5 Ejemplo Previsin con un modelo ARMA(1,1)
El modelo ARMA(1,1), o ARIMA(1,0,1), para un proceso (Yt ) I(0) es

Yt = + 1Yt 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
YN (l ) = + 1 EN [YN +l 1 ] + EN [ AN +l ] 1 EN [ AN +l 1 ].
SERIES TEMPORALES
(2.61)
PGINA 123
Para l = 1, (2.61) queda
YN (1) = + 1YN 1 AN = + 1 YN 1 AN ,
1
(2.62)
mientras que para l 2, (2.61) queda

YN (l ) = + 1YN (l 1).
(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
YN +l = + 1YN +l 1 + AN +l 1 AN +l 1 y la previsin (2.62)-(2.63) correspondiente, para l = 1, 2, 3, ...:

E N (1) = AN +1 ,
E N (2) = 1 E N (1) + AN + 2 1 AN +1 = AN + 2 + ( 1 1 )AN +1 ,
E N (3) = 1 E N (2) + AN + 3 1 AN + 2 = AN + 3 + ( 1 1 )AN + 2 + 1 ( 1 1 )AN +1 ,
...,
SERIES TEMPORALES
PGINA 124
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 .
2.7.6 Ejemplo Previsin con un modelo AR(1)
El modelo AR(1), o ARIMA(1,0,0), para un proceso (Yt ) I(0) es

Yt = + 1Yt 1 + At .
Escribiendo esta expresin en t = N + l (l 1), y aplicando al resultado el operador EN [],
YN (l ) = + 1 EN [YN +l 1 ] + EN [ AN +l ] .
(2.65)
YN (1) = + 1YN ,
(2.66)

SERIES TEMPORALES
PGINA 125
YN (l ) = + 1YN (l 1).
(2.67)
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
YN +l = + 1YN +l 1 + AN +l y la previsin (2.66)-(2.67) correspondiente, para l = 1, 2, 3, ...:

E N (1) = AN +1 ,
E N (2) = 1 E N (1) + AN + 2 = AN + 2 + 1 AN +1 ,
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
2.7.7 Ejemplo Previsin con un modelo MA(1)
El modelo MA(1), o ARIMA(0,0,1), para un proceso (Yt ) I(0) es

Yt = + At 1 At 1 .
YN (l ) = + EN [ AN +l ] 1 EN [ AN +l 1 ].
(2.69)
YN (1) = 1 AN ,
(2.70)

YN (l ) = .
(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
YN +l = + AN +l 1 AN +l 1 y la previsin (2.70)-(2.71) correspondiente, para l = 1, 2, 3, ...:
SERIES TEMPORALES
PGINA 127
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 )
estacionario e invertible, YN (l ) E(Yt ) y V (l ) Var(Yt ) cuando el horizonte de previsin l tiende a innito.
2.7.8 Ejemplo Previsin con un modelo IMA(1,1)
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 [],
SERIES TEMPORALES
PGINA 128
YN (l ) = + EN [YN +l 1 ] + EN [ AN +l ] 1 EN [ AN +l 1 ],
(2.72)

YN (1) = + YN 1 AN ,
(2.73)

YN (l ) = + YN (l 1).
(2.74)
YN (l ) = l + YN 1 AN para todo l 1.
(2.75)
(2.75) es la funcin nal de previsin de (Yt ) IMA(1, 1) , que no depende de l si = 0 ,

pero diverge cuando l si 0 .
Observacin 1: Cada error de previsin puede calcularse (junto con su varianza) a partir de la diferencia entre cada
YN +l = + YN +l 1 + AN +l 1 AN +l 1 y la previsin (2.73)-(2.74) correspondiente, para l = 1, 2, 3, ...:

E N (1) = AN +1 ,
E N (2) = E N (1) + AN + 2 1 AN +1 = AN + 2 + (1 1 )AN +1 ,
E N (3) = E N (2) + AN + 3 1 AN + 2 = AN + 3 + (1 1 )AN + 2 + (1 1 )AN +1 ,
SERIES TEMPORALES
PGINA 129
...,
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 ,
de manera que V (l ) cuando l .

Observacin 2: Cuando (Yt ) es un paseo aleatorio, Yt = + Yt 1 + At , los resultados del Ejemplo (2.7.8) con 1 = 0
2 . En general, puede comprobarse que cuando (Y ) es

indican que YN (l ) = l + YN para todo l 1, con V (l ) = lA
t
un proceso I(d ) con d 1, de manera que (Yt ) ARIMA( p , d , q ) con d 1, tanto YN (l ) como V (l ) son funciones
que divergen cuando el horizonte de previsin l tiende a innito; en particular, V (l ) cuando l , lo cual
contrasta claramente con los resultados de los ejemplos 2.7.5-2.7.7 para procesos I(0).
Previsiones puntuales Intervalos de confianza
El modelo ARIMA ms general considerado en la Seccin 2.6,

p ( B )P ( B S )[ d SDYt W ] = q ( B )Q ( B S )At ,
puede escribirse como
( B )Yt = + ( B )At ,
(2.76)
donde
SERIES TEMPORALES
PGINA 130
( 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 ,
[ p (1)P (1)]W , p ( p + d ) + ( P + D )S , q q + QS . Por lo tanto, (2.76) queda
Yt = + ip=1 iYt i + At qi =1 i At i .
(2.77)
Clculo de previsiones puntuales para la serie transformada:
[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 .
Clculo de intervalos de confianza para la serie transformada:
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
+ 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)
donde es el parmetro de la transformacin Box-Cox empleada (si el parmetro m en

dicha transformacin es distinto de cero, se resta m en las cuatro expresiones anteriores).
Criterios de evaluacin de previsiones
2.7.9 Definicin
Sea yN (1) , yN (2) , ..., yN ( L ) una secuencia de previsiones calculadas en origen N a

horizontes 1, 2, ..., L. La raz del error cuadrtico medio (RMSE, del ingls Root Mean
Squared Error) asociada con dicha secuencia es
SERIES TEMPORALES
PGINA 132
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

horizontes 1, 2, ..., L. El error absoluto medio (MAE, del ingls Mean Absolute Error)
asociado con dicha secuencia es
MAE
1
L
lL=1 yN (l ) yN +l
1
L
lL=1 eN (l ) ,
(2.83)
es decir, la media de los valores absolutos de los errores de previsin.

2.7.11 Definicin

horizontes 1, 2, ..., L. El error porcentual absoluto medio (MAPE, del ingls Mean Absolute
Percentage Error) asociado con dicha secuencia es
SERIES TEMPORALES
PGINA 133
MAPE
100
L
lL=1
yN ( l )yN +l
yN +l
100
L
lL=1
eN ( l )
yN +l
(2.84)
es decir, la media de los valores absolutos de los errores de previsin porcentuales.

2.7.12 Ejemplo
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
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
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)
donde wt ln yt , o bien como

yt = 0.0101 + 1.6747 yt1 0.6747 yt2 + at ,
(2.89)
donde yt ln yt , dependiendo de si se quiere prever la tasa logartmica de variacin anual

SERIES TEMPORALES
PGINA 136
del PIB real, (Wt ) ( ln Yt ), o bien el PIB real directamente, (Yt ) .

(2.88) es un modelo AR(1) estimado para (Wt ) ( ln Yt ); por lo tanto (ver Ejemplo
2.7.6), w32 (1) = 0.0101 + 0.6747 w 32 , w32 (2) = 0.0101 + 0.6747 w32 (1), ..., que converge a
la media estimada de (Wt ) ( ln Yt ), W = 0.0311 .
Por su parte, (2.89) es un modelo ARI(1,1) estimado para (Yt ) (ln Yt ) ; por lo tanto:
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
2.8 HETEROSCEDASTICIDAD CONDICIONAL AUTORREGRESIVA

4
2
1
2
1
-1
-2
-1
-2
-3
-3
-4
-4
1
1000
500
Figura 2.37
Figura 2.38
TLV diaria del NYSE Composite Index

(nyse-composite.wf1)
TLV diaria del IBEX 35

(bolsa-madrid.wf1)
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
.0035
.0030
.0035
.0030
.0025
.0025
-1
.0020
.0015
ACF
15
.0010
.0020
-1
.0015
.0010
0
.0005
.0000
1000
-1
PACF
15
.0000
PANEL A - [ DLOG( NYSE ) ]^2
ACF
15
PACF
15
.0005
1
500
-1
PANEL B - [ DLOG( IBEX35 ) ]^2
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)
Modelos ARCH GARCH

2.8.1 Definicin
Un proceso estocstico univariante estacionario (U t ) sigue un modelo ARCH(1) (del ingls

AutoRegressive Conditional Heteroskedasticity) si y slo si
U t = t At , con t2 = 0 + 1U t21 ,
SERIES TEMPORALES
(2.90)
PGINA 139
donde 0 > 0 , 1 > 0 , 1 < 1 , y ( At ) IID(0, 1) es independiente de ( t ) .

Observacin 1: Cuando (U t ) ARCH(1) , puede comprobarse que E[U t ] = Et 1 [U t ] = 0 , E[U t2 ] = 0 /(1 1 )
(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 ,
con t2 = Et 1 [U t2 ] = 0 + qi =1 iU t2i , i > 0 (i = 0, 1, ..., q), qi =1 i < 1 , y ( At ) IID(0, 1) es independiente

de ( t ) . En este caso, la varianza incondicional de U t es constante e igual a 0 /(1 qi =1 i ) , que est bien
denida si se cumplen las condiciones anteriores sobre los parmetros 0 , 1 , ..., q .
Observacin 3: En la prctica, un modelo ARCH(q) puede resultar poco satisfactorio cuando la volatilidad condicional
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
Un proceso estocstico univariante estacionario (U t ) sigue un modelo GARCH(1,1) (del

SERIES TEMPORALES
PGINA 140
ingls Generalized AutoRegressive Conditional Heteroskedasticity) si y slo si

U t = t At , con t2 = 0 + 1U t21 + 1 t21 ,
(2.91)
donde 0 > 0 , 1 > 0 , 1 > 0 , 1 + 1 < 1 y ( At ) IID(0, 1) es independiente de ( t ) .

Observacin 1: Cuando (U t ) GARCH(1, 1) , E[U t ] = Et 1 [U t ] = 0 , E[U t2 ] = 0 /(1 1 1 ) (que est bien
denida si se cumplen las condiciones anteriores sobre 0 , 1 y 1 ), E[U tU t +k ] = 0 para todo k 0, y

Et 1 [U t2 ] = t2 = 0 + 1U t21 + 1 t21 . Un modelo GARCH(1,1) como (2.91) 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) , (2.91) implica que
U t2 = 0 + ( 1 + 1 )U t21 + Vt 1Vt 1 , que es un modelo ARMA(1,1) para (U t2 ) con E[Vt ] = 0 pero con Var[Vt ]
no constante.
Observacin 2: Aunque es fcil extender la denicin anterior al caso de modelos GARCH(p,q) del tipo U t = t At ,
con t2 = Et 1 [U t2 ] = 0 + qi =1 iU t2i + ip=1 i t2i , en la prctica el modelo GARCH(1,1) parece funcionar

1 es un nmero pequeo y
bastante bien en muchas ocasiones. En este sentido, se observa con frecuencia que
1 + 1 < 1 , lo que sugiere (ver Observacin 1) que (U t2 ) es

1 , y que 0.9 <
positivo, que 1 es bastante mayor que
un proceso altamente persistente; ver Figura 2.39.
Observacin 3: Cuando (Wt ) es un proceso estacionario, a veces los residuos de un modelo ARMA estimado para
(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
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 ) .
Contrastes de heteroscedasticidad condicional
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
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)
t2 = 2.99E-06 + 0.0989ut21 + 0.8802 t21 ,

(0.96E-06)
(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
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
caracterstica habitual de muchas series de rentabilidades nancieras: la esperanza condicional de la rentabilidad no

depende de rentabilidades pasadas, pero la varianza condicional de la rentabilidad s.
.028
4
3
.024
.020
1
0
.016
-1
.012
-2
-3
.008
.004
-4
1000
1000
Figura 2.40
Figura 2.41
Desviacin tpica condicional estimada en el modelo

(2.92) (2.93)
Residuos estandarizados del modelo

(2.92) (2.93)
SERIES TEMPORALES
PGINA 144
Previsin de la varianza condicional con un modelo GARCH(1,1)
(2.91) implica que U t +l = t +l At +l , con t2+l = 0 + 1U t2+l 1 + 1 t2+l 1 , de manera que

cuando l = 1,
t2 (1) Et [ t2+1 ] = 0 + 1U t2 + 1 t2 ,
(2.94)
y cuando l 2,
t2 (l ) Et [ t2+l ] = 0 + 1 Et [U t2+l 1 ] + 1 Et [ t2+l 1 ].
(2.95)
Como Et [U t2+l 1 ] = Et [ t2+l 1 At2+l 1 ] = Et [ t2+l 1 ]Et [ At2+l 1 ] = t2 (l 1) , (2.95) queda

t2 (l ) = 0 + ( 1 + 1 )t2 (l 1) ,
que puede resolverse recursivamente a partir de la condicin inicial t2 (1) en (2.94):
i 1 + ( + )l 1 2 (1)
1
t2 (l ) = li
1
1
t
=1 ( 1 + 1 )
0
(2.96)
para cualquier horizonte de previsin l 2. Si 1 + 1 < 1 , t2 (l ) 0 /(1 1 1 )

cuando l , que es la varianza incondicional del proceso (U t ).
SERIES TEMPORALES
PGINA 145
3
MODELOS MULTIVARIANTES ESTACIONARIOS
3.1 INTRODUCCIN
3.1.1 Definicin
Un proceso estocstico multivariante ( Yt ) , Yt [Yt 1 , Yt 2 , ..., YtM ] , cuyos momentos de

primer y segundo orden son nitos, es estacionario en autocovarianza si y slo si
E[ Yt ] y Var[ Yt ] son constantes (no dependen de t) para todo t = 0, 1, 2, ...,
Cov[ Yt , Yt +k ] depende a lo sumo de k (entero) pero no de t para todo t = 0, 1, 2, ...
Observacin: El hecho de considerar los componentes (Yt 1 ) , (Yt 2 ) ..., (YtM ) de ( Yt ) conjuntamente, en lugar de
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 MODELOS MULTIVARIANTES ESTACIONARIOS
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
Un proceso bivariante estacionario ( Yt ) , donde Yt = [Yt , Xt ] , sigue un modelo VAR(1)

(autorregresivo vectorial de orden 1) bivariante cuando
Yt = 1 + 11Yt 1 + 12 X t 1 + At 1 ,
(3.1)
X t = 2 + 21Yt 1 + 22 X t 1 + At 2 ,
o bien
Yt = + 1 Yt 1 + At ,
(3.2)
donde At [ At 1 , At 2 ] , ( At ) IID( 0, A ) (ruido blanco vectorial),

1

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 ),
(0) = 1 (0)1 + A , (k ) = (k 1)1 = (0)[ 1 ]k para todo k 1,
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 ]
[Ntese que (k ) = (k ) .] Por lo tanto, la ACF de ( Yt ) , P(k ) D (k )D ( k = 0, 1, 2, ... ), es en este caso

P(k ) = P(0)( D [ 1 ]k D ) , donde
YY (0)
0
, 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
En P(k ) , YY (k ) y XX (k ) describen las autocorrelaciones de (Yt ) y de ( Xt ) , respectivamente, mientras que

YX (k ) y XY (k ) describen correlaciones cruzadas del tipo (Yt k ) ( Xt ) y ( Xt k ) (Yt ) , respectivamente. As,
los dos componentes de ( Yt ) reciben un tratamiento simtrico en un modelo VAR(1), lo que permite considerar la
existencia de una relacin de causalidad bidireccional entre ellos. [Ntese que la informacin contenida en YX (k ) y
en XY (k ) para k = 0, 1, 2, ..., tambin est contenida en YX (k ) o bien en XY (k ) para k = 0, 1, 2, ... , cada
una de las cuales se denomina una funcin de correlacin cruzada (CCF, del ingls Cross Correlation Function).]
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
Un proceso multivariante estacionario ( Yt ) sigue un modelo ARMA multivariante o

vectorial de orden (p,q), o VARMA(p,q) (autorregresivo-media mvil vectorial, del ingls
Vector AutoRegressive-Moving Averge), si y slo si
SERIES TEMPORALES
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
para todo t = 0, 1, 2, ..., donde ( At ) IID( 0, A ) y , 1 , 2 , ..., p , 1 , 2 , ..., q

son matrices de parmetros tales que todas las races de la ecuacin
I 1 x 2 x 2 ... p x p = 0
estn fuera del crculo unitario (condicin de estacionariedad). Un modelo VARMA(p,q)

descrito por (3.4) es invertible si todas las races de la ecuacin polinomial
I 1 x 2 x 2 ... q x q = 0
estn fuera del crculo unitario (condicin de invertibilidad).

p
Observacin 1: (3.4) puede escribirse alternativamente como ( B )Yt = + ( B )At , donde ( B ) I i =1 i B i
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)
Premultiplicando (I) por la matriz T1 de (II),

1
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)
Ahora, la factorizacin de Cholesky de A en (IV) es

A
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)
Premultiplicando (IV) por la matriz T1 de (V),

0
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
Un proceso bivariante estacionario ( Yt ) , donde Yt = [Yt , Xt ] , sigue un modelo de funcin

de transferencia-ruido de orden (s,b,r) cuando
Yt = 0 +
(B ) b
B Xt + N t ,
(B )
(3.5)
con ( B ) 0 1 B 2 B 2 ... s B s , ( B ) 1 1 B 2 B 2 ... r B r , las races

de la ecuacin ( x ) = 0 estn fuera del crculo unitario, y ( N t ) I(0) es un proceso de
ruido (no necesariamente ruido blanco) con media cero, independiente de ( X t ) .
Observacin 1: (3.5) representa una relacin de causalidad unidireccional del tipo ( Xt k ) (Yt ) (k 0), a travs de
la funcin de transferencia ( B ) [ ( B ) / ( B )]B b k= 0 k B k del input ( X t ) sobre el output (Yt ) . La

secuencia ( 0 , 1 , 2 , ...) de coecientes de ( B ) 0 + 1 B + 2 B 2 + ... se denomina la funcin de respuesta al
impulso (IRF, del ingls Impulse Response Function) del output con respecto al input del modelo, en el sentido que
k = Yt / X t k = Yt +k / Xt (k 0). (3.5) puede resultar til, en particular, para prever (Yt ) cuando ( Xt ) es
un indicador adelantado (en ingls leading indicator) de (Yt ) , es decir, cuando el tiempo muerto b 1.
SERIES TEMPORALES
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 la gura anterior se han utilizado las funciones de transferencia siguientes:

Panel A : ( B ) = 1 . Panel B : ( B ) = 0.5 + 0.5 B . Panel C : ( B ) = 0.25 + 0.5 B + 0.25 B 2 .
0.125 + 0.25 B + 0.125 B 2

0.5
0.25 + 0.25 B
. Panel E : ( B ) =
. Panel F : ( B ) =
.
Panel D : ( B ) =
1 0.5 B
1 0.5 B
1 0.5 B
0.8
0.4 + 0.4 B
0.2 + 0.4 B + 0.2 B 2
. Panel H : ( B ) =
. Panel I : ( B ) =
.
Panel G : ( B ) =
1 0.6 B + 0.4 B 2
1 0.6 B + 0.4 B 2
1 0.6 B + 0.4 B 2
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
blanco independientes, entonces (3.5) puede escribirse como

( B )( B ) ( B ) ( B )B b
0
X ( B )
Yt
X
t

= 1 +
( B ) ( B )
0
0
X ( B )
At1
A
t 2
2 0
, = 1
0 22
(I)
donde 1 (1) (1)0 , 2 0 , o bien como

( B ) ( B )
11
12
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
Por ejemplo, un modelo del tipo

0
Yt = 0 +
B b X t + N t , con N t = (1 1B )At1 y (1 1B )Xt = 0 + At2 ,
1 1 B
puede escribirse como (I),
1 1 B 0 B b
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
Un proceso multivariante estacionario ( Yt ) , donde Yt = [Yt , Xt 1 , Xt 2 , ..., XtM ] , sigue un

modelo de funcin de transferencia-ruido, o TFN (del ingls Transfer Function-Noise), con
inputs mltiples si y slo si
( B ) b1
( B ) b2
( B ) bM
(3.6)
Yt = 0 + 1
B Xt 1 + 2
B X t 2 + ... + M
B X tM + N t ,
1 ( B )
2 ( B )
M ( B )
con i ( B ) i 0 i 1 B i 2 B 2 ... isi B si , i ( B ) 1 i 1 B i 2 B 2 ... iri B ri ,
las races de i ( x ) = 0 estn fuera del crculo unitario (i = 1, 2, ..., M ), y ( N t ) I(0) es
un proceso de ruido (no necesariamente ruido blanco) con media cero, independiente de
( Xt ) , Xt = [ Xt 1 , Xt 2 , ..., XtM ] , donde ( Xt ) sigue un modelo VARMA estacionario e
invertible de dimensin M (ver Denicin 3.1.3).
SERIES TEMPORALES
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
3.2 MODELOS DE REGRESIN CON PERTURBACIONES ARMA

3.2.1 Definicin
Un modelo de regresin con perturbaciones ARMA para un proceso estacionario ( Yt ) ,

donde Yt = [Yt , Xt 1 , ..., XtM ] , es un caso particular de (3.6) con si = bi = ri = 0 para
todo i = 1, 2, ..., M . En este caso, (3.6) queda
Yt = 0 + 10 X t 1 + ... + M 0 X tM + N t ,
(3.7)
donde ( N t ) I(0) tiene media cero, es independiente de ( Xt ) , Xt = [ Xt 1 , ..., XtM ] , y

sigue un modelo ARMA(p,q) estacionario e invertible del tipo ( B )N t = ( B )At .
Observacin 1: El modelo (3.7) puede escribirse como Yt = 0 + Xt + N t , [ 1 , ..., M ] , que representa una
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)
donde ( N t ) ARMA( p , q ) y t es una variable determinista o de intervencin del tipo

Impulso:
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
un escaln como (3.9.2) representa un cambio permanente en el nivel de (Yt ) .

SERIES TEMPORALES
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 )
donde (U t ) es un proceso no estacionario tal que ( B )( B S )d SDU t = ( B )( B S )At , o bien

d SDYt
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
PANEL A - FLUJO ANUAL - NILO
ACF
15
PACF
15
-3
1
-1
-3
1913
-1
1899
-4
1913
1880
1900
1920
1940
1960
-1
PANEL B - VARIACIN DEL FLUJO ANUAL - D( NILO )
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
Dependent Variable: D(NILO)

Method: Least Squares
Sample(adjusted): 1872 1970
Included observations: 99 after adjusting endpoints
Convergence achieved after 12 iterations
Backcast: 1871
Variable
MA(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
4
3
Prob.
-0.754555 0.068153 -11.07146
0.0000
-1
Mean dependent var -3.838384

S.D. dependent var 168.1319
Akaike info criterion 12.79073
Schwarz criterion
12.81694
Durbin-Watson stat 1.720484
-2
0.264126
0.264126
144.2287
2038589.
-632.1410
1913
t-Statistic
Coefficient Std. Error
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

Backcast: 1871
Variable
D(E1899)
D(I1913)
MA(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
4
3
1913
t-Statistic
Prob.
-244.6086 31.54436 -7.754430

-397.6753 123.6317 -3.216612
-0.979379 0.014793 -66.20449
0.0000
0.0018
0.0000
0.469165
0.458106
123.7677
1470571.
-615.9740
1899

Schwarz criterion
12.58316
-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
componente de intervencin t = 1097.75 242.23 tE ,1899 399.52 tI ,1913 estimado para

(Yt ) , junto con la serie (yt ) de la Figura 3.1 (Panel A).
Dependent Variable: NILO
Sample: 1871 1970
Included observations: 100
Variable
C
E1899
I1913
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
1899
t-Statistic
Prob.
1097.750 23.02634 47.67366

-242.2289 27.19026 -8.908663
-399.5211 122.6990 -3.256107
0.0000
0.0000
0.0016
0.492071
0.481599
121.8439
1440057.
-620.6450
1.723503
Mean dependent var 919.3500

Schwarz criterion
12.55106
F-statistic
46.98588
Prob(F-statistic)
0.000000
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
PANEL B - VARIACIN INTERANUAL - D( ACC, 0, 12 )
PANEL A - FALLECIDOS Y HERIDOS GRAVES - ACC
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
con la serie ( 12yt ) de la Figura 3.6 (Panel B).

Dependent Variable: D(ACC,0,12)
Sample(adjusted): 1976:01 1984:12
Backcast: 1975:01 1975:12
Variable
D(E0283,0,12)
MA(12)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
4
3
2
1
t-Statistic
Prob.
-287.4082 22.42712 -12.81521

-0.930343 0.026039 -35.72909
0.0000
0.0000
-1
0.618060
0.614457
112.1146
1332387.
-661.9443
1983:02

Schwarz criterion
12.34493
-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
Componente de intervencin estimado (Q) de la variacin interanual de la serie ACC (Q)

(seat-belt-uk.wf1)
SERIES TEMPORALES
PGINA 169
3.3 MODELOS DE RETARDOS DISTRIBUIDOS EN ECONOMETRA

3.3.1 Ejemplo
Un modelo de retardos distribuidos nitos para un proceso bivariante estacionario ( Yt ) ,

donde Yt = [Yt , Xt ] , es un caso particular de (3.5) con ( B ) = 1 y b = 0:
Yt = 0 + 0 X t + 1 X t 1 + ... + s X t s + N t ,
donde ( N t ) I(0) es independiente de ( X t ) . [En Econometra, suele suponerse, adems,

que ( N t ) es un proceso de ruido blanco.]
Observacin 1: En el modelo anterior, 0 suele denominarse un multiplicador de impacto (en ingls impact propensity
o impact multiplier), en el sentido que 0 = Yt / Xt . La FRI k = Yt / X t k = Yt +k / Xt (k 0) es en

este caso ( 0 , 1 , ..., s , 0, ...) , mientras que la ganancia a largo plazo (en ingls steady state gain, long-run propensity
o long-run multiplier) es simplemente g = sk = 0 k , que representa una relacin de equilibrio a largo plazo entre los
dos componentes de ( Yt ) del tipo y = 0 + gx .
Observacin 2: En Econometra, un modelo TFN como (3.5) [o, en general, como (3.6)] con b = 0 y ( N t ) ruido
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)
2 , y las races de ( x ) = 0 estn fuera del crculo

donde 0 (1)0 , ( At ) IID(0, A
)
unitario. En Econometra, (3.10) se escribe a veces como
Yt = 0 + ri =1 iYt i + si = 0 i X t i + Vt ,
(3.11)
donde i i (i = 1, 2, ..., r ), 0 0 , i i (i = 0, 1, ..., s ) , Vt ( B )At , y suele

suponerse que ( B ) = 1 , de manera que (Vt ) en (3.11) sea un proceso de ruido blanco.
Observacin: En Econometra, el modelo de causalidad unidireccional ms general que suele considerarse es el modelo
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
( B ) = ( B ) = 1 , (ii) un modelo esttico con perturbaciones autocorrelacionadas es (3.10) con ( B ) / ( B ) = 0 ,

(iii) un modelo de retardos distribuidos nitos es (3.10) con ( B ) = ( B ) = 1 , y (iii) un modelo de retardos
distribuidos innitos es (3.10) con ( B ) = ( B ) .
3.3.3 Ejemplo
En Econometra, un modelo ADL(1,1) es (3.11) con r = s = 1:

Yt = 0 + 1Yt 1 + 0 X t + 1 X t 1 + Vt ,
(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 .
Modelos de correccin de error

3.3.4 Ejemplo
El modelo ADL(1,1) de (3.12) puede escribirse como

SERIES TEMPORALES
PGINA 172
Yt = 0 (1 1 )(Yt 1 X t 1 ) + 0 X t + Vt ,
(3.13)
donde ( 0 + 1 ) /(1 1 ) . El trmino (Yt 1 X t 1 ) representa en qu medida no se

satisface (salvo quizs por una constante) en el momento t 1 la relacin de equilibrio a
largo plazo entre los dos componentes de ( Yt ) implcita en (3.12).
(3.13) se denomina un modelo de correccin de error (ECM, del ingls Error Correction
Model ). (3.13) implica que cualquier desequilibrio (error) entre Yt 1 y X t 1 es transitorio
porque tiende a corregirse a travs de variaciones adecuadas en Yt asociadas con el trmino
de correccin de error (1 1 )(Yt 1 X t 1 ) , donde (1 1 ) > 0 representa la
proporcin del desequilibrio entre Yt 1 y X t 1 que se reeja en Yt Yt Yt 1 .
Observacin: Aunque los modelos de esta seccin se han planteado para un proceso ( Yt ) bivariante estacionario, todos
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
Series Y (Q) y X (Q) del Ejemplo 3.3.5 (1960 2002)

(money-demand.wf1)
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
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)

Schwarz criterion
5.643552
F-statistic
10.88331
Prob(F-statistic)
0.000027
0
-1
ACF
10
PACF
10
-1
-2
-3
-4
1960
1970
1980
1990
2000
-1
Figura 3.10
Estimacin de un modelo ADL(1,1) con las series del Ejemplo 3.3.5

Observacin 1: El modelo estimado de la Figura 3.10 puede escribirse como
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
IRF y SRF implicadas por el modelo ADL(1,1) estimado de la Figura 3.10

Observacin 2: El modelo estimado de la Figura 3.10 tambin puede escribirse como
yt = 0.444 0.630(yt 1 + 3.029 x t 1 ) 0.941x t + at ,

que es un ECM (ver Ejemplo 3.3.4) cuyo trmino de correccin de error, 0.630(yt 1 + 3.029 x t 1 ) , indica que un
63% del desequilibrio (error) anual observado entre yt 1 y x t 1 se corrige en el ao siguiente. Ntese que la
estimacin de (3.029) [ver (3.13)] coincide con la ganancia estimada a partir del modelo TFN de la Observacin
1. En este sentido, una manera de obtener directamente el error estndar del estimador de consiste en estimar el
ECM (3.13) directamente por mnimos cuadrados no lineales , lo que proporciona (comparar con la Figura 3.10):
Dependent Variable: D(Y)
D(Y) = C(1) + C(2) * ( Y(-1) - C(3) * X(-1) ) + C(4) * D(X)
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
Std. Error t-Statistic

0.561649 0.790764
0.133899 -4.704418
0.906482 -3.341212
0.337316 -2.789630
Prob.
0.4340
0.0000
0.0019
0.0082

Schwarz criterion
5.643552
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
3.4 MODELOS VAR ESTACIONARIOS

3.4.1 Definicin
Un proceso multivariante estacionario ( Yt ) sigue un modelo AR multivariante o vectorial

de orden p, o VAR(p) (autorregresivo vectorial, del ingls Vector AutoRegressive), si y slo
si
Yt = + 1 Yt 1 + 2 Yt 2 + ... + p Yt p + At
(3.14)
para todo t = 0, 1, 2, ..., donde ( At ) IID( 0, A ) y , 1 , 2 , ..., p son matrices de

parmetros tales que todas las races de la ecuacin
I 1 x 2 x 2 ... p x p = 0
estn fuera del crculo unitario (condicin de estacionariedad).

p
Observacin 1: (3.14) puede escribirse alternativamente como ( B )Yt = + At , donde ( B ) I i =1 i B i es el
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

= 193.84, AIC = 9.42, BIC = 9.59.
(3.15)
La Figura 3.12 contiene la serie de residuos ( at ), at = [at 1 , at 2 ] , del modelo (3.15).

SERIES TEMPORALES
PGINA 179
Vector Autoregression Estimates

Standard errors in ( ) & t-statistics in [ ]
Y
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
Determinant Residual Covariance

Log Likelihood (d.f. adjusted)
Akaike Information Criteria
Schwarz Criteria
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
CCF RES Y - 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
1970
1980
1990
2000
-1.0
1
RES X
10
-1.0
1
CCF RES X - RES Y
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
A de (2.15); la matriz de correlaciones correspondiente es

en la matriz de varianzas-covarianzas
0.417
1
,
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
yt = 0.254 yt 1 1.222 x t 1 + at1 ,

x t = 0.053 x t 1 0.181yt + 0.187 yt 1 + at2 ,
(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
, de manera que ahora T

1 =
0.961 1 .
0
1
0 x t 0.275 0.141 x t 1
0.961 1 y 0.958 0.389 y
t
t 1
es decir
at2
=
t 1
2.829 0
,
,
=
0
12.364
yt = 0.389yt 1 0.961x t 0.958 x t 1 + at1 ,

x t = 0.275 x t 1 + 0.141yt 1 + at2 .
(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
Identificacin Estimacin Contrastes de hiptesis

Para identicar un orden inicial p adecuado para un modelo VAR a partir de una serie
temporal M-variante ( yt )tN=1 , suelen emplearse en la prctica los instrumentos siguientes:
Los modelos univariantes elaborados a partir de cada componente de ( yt ) .
SERIES TEMPORALES
PGINA 184
La ACF muestral multivariante de ( yt ) (como en la Figura 3.9), que consta de M

ACFs individuales ms M ( M 1) CCFs entre cada par de componentes de ( yt ) .
Los criterios de informacin AIC y BIC (ver deniciones 2.6.1 y 2.6.2) para varios
modelos VAR estimados con rdenes distintos y con la misma muestra efectiva.
El valor calculado del estadstico de razn de verosimilitudes (LR, del ingls Likelihood
0 ln
1 ), donde
0 y
1 son las matrices de varianzasRatio), LR N ( ln
A
A
A
A
covarianzas estimadas de ( At ) bajo H 0 (por ejemplo p = p0 ) y bajo H 1 (por ejemplo
p = p1 , con p1 > p0 ), respectivamente, a partir de la misma muestra efectiva. Bajo H 0 ,
el estadstico LR sigue aproximadamente una distribucin 2 (l ), donde l es el nmero
total de restricciones incluidas en H 0 [en general, l = M 2 ( p1 p0 ) ].
Observacin 1: El estadstico LR anterior puede emplearse para contrastar una gran variedad de hiptesis a partir de
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
Bajo H 1 : Yt 1 = 1 + j11 Yt j ,1 + j12 Yt j ,2 + At 1 ,

j =1
0 ln
1 ) , que bajo H 0 sigue aproximadamente una
y (ii) calcular el valor del estadstico LR N ( ln
11
11
distribucin 2 (l ) , donde l es el nmero de restricciones incluidas en H 0 (en general, l = pM 1 M 2 ).
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
El modelo VAR(p) estacionario de la Denicin 3.4.1 puede escribirse como
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
La funcin de previsin en origen k a horizonte l 1 de un proceso ( Yt ) I(0) que sigue

SERIES TEMPORALES
PGINA 187
un modelo VAR(p) del tipo ( B )Yt = + At , donde ( B ) I ip=1 i B i , es

p
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
El error de previsin en origen k a horizonte l 1 de un proceso ( Yt ) I(0) que sigue un

modelo VAR(p) puede escribirse, de acuerdo con (3.16) y (3.18), como
1 A
Ek (l ) Yk +l Yk (l ) = ( B )Ak +l Ek [ ( B )Ak +l ] = li
= 0 i k +l i .
(3.19)
Observacin 1: (3.19) implica que E[ Ek (l )] = 0 y que Var[ Ek (l )] = li

= 0 i A i . Como Var[ Ek (l )] depende del
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
El modelo VAR(1) para un proceso ( Yt ) I(0) es

Yt = + 1 Yt 1 + At .
SERIES TEMPORALES
PGINA 189

YN (l ) = + 1EN [ YN +l 1 ] + EN [ AN +l ] .
(3.20)

YN (1) = + 1 YN ,
(3.21)

YN (l ) = + 1 YN (l 1) .
(3.22)
l
1 i
YN (l ) = ( li
= 0 1 ) + 1 YN para todo l 1.
(3.23)
(3.23) es la funcin nal de previsin de ( Yt ) VAR(1) , que converge al valor esperado de

( Yt ) , E[ Yt ] = ( I 1 )1 , cuando l .
i i
Observacin: El polinomio ( B ) en la expresin (3.16) para un modelo VAR(1) es ( B ) = ( B )1 = i
= 0 1 B ,
1
i
i
por lo que (l ) = li
= 0 1 A 1 en este caso.
SERIES TEMPORALES
PGINA 190
Funciones de respuesta a impulsos
La representacin de Wold (3.16) de un proceso ( Yt ) VAR( p ) estacionario puede

escribirse de manera detallada como
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
lo que indica que k ( ij ) = Yti / At k , j = Yt +k ,i / Atj (k = 0, 1, 2, ...).

3.4.7 Definicin
La IRF de Yti (1 i M ) ante un impulso unitario en Atj (1 j M ) es la secuencia

( Yt +k ,i / Atj ) = ( k ( ij ) ) 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 ) para k = 0, 1, 2, ...
SERIES TEMPORALES
PGINA 191
3.4.8 Definicin
La IRF de Yti (1 i M ) ante un impulso de cuanta j DT[ Atj ] en Atj (1 j M )

es la secuencia ( k ( ij ) j ) para k = 0, 1, 2, ... De forma compacta, la IRF de Yt ante
impulsos de cuanta 1 , 2 , ..., M en cada elemento de At es ( k ) para k = 0, 1, 2, ...,
donde diag[ 1 , 2 , ..., M ].
Observacin: En 3.4.7, k ( ij ) representa la consecuencia de un aumento igual a 1 en Atj (la perturbacin 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. 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
La matriz de varianzas-covarianzas de ( At ) en un modelo VAR(p) puede factorizarse como

A = LL , donde L es una matriz triangular inferior (factorizacin de Cholesky), de
manera que L1 A L1 = I . Entonces, la representacin (3.16) puede escribirse como
Yt = Y + k=0 k LL1 At k = Y + k=0 k Aki , con ( At ) ( L1 At ) IID( 0, I ),
SERIES TEMPORALES
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.
Descomposicin de las varianzas de los errores de previsin
De acuerdo con la factorizacin A = LL de 3.4.9, la matriz de varianzas-covarianzas del

error de previsin a horizonte l 1 (ver Observacin 1 en 3.4.5) puede escribirse como
(l ) = lk=10 k A k = lk=10 k k ,
SERIES TEMPORALES
(3.25)
PGINA 193
de manera que cada elemento en la diagonal principal de (l ) es
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)
representa la contribucin de la perturbacin ortogonal Atj (1 j M ) a la varianza del

error de previsin a horizonte l 1 del proceso (Yti ) (1 i M ) .
Dado que (l ) i= 0 i A i = Y (ver Observacin 1 de 3.4.5) cuando l tiende a
innito, (3.27) permite evaluar la contribucin de Atj (1 j M ) a la varianza del
proceso (Yti ) (1 i M ) cuando l es sucientemente grande en (3.27).
3.4.10 Ejemplo
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
VAR Pairwise Granger Causality/Block Exogeneity Wald Tests

Sample: 1959 2002
Dependent variable: Y
Exclude
Chi-sq
df
Prob.
X
12.55127
1
0.0004
All
12.55127
1
0.0004
Dependent variable: X
Exclude
Chi-sq
df
Prob.
Y
5.963297
1
0.0146
All
5.963297
1
0.0146
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)
Si se cambia el orden en el que guran los dos componentes de ( Yt ) , entonces

X Y:
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)
La Tabla 3.3 contiene las funciones de respuesta a impulsos (estimadas) consideradas en

3.4.7, 3.4.8 (con 1 = 14.9739 = 3.8696 , 2 = 2.8285 = 1.6818 ) y 3.4.9 [con los dos
rdenes posibles representados en (3.29) y (3.30)], respectivamente.
La Tabla 3.4 contiene las proporciones (estimadas) de las varianzas de los errores de
previsin de (Yt ) y de ( X t ) asociadas con cada perturbacin ortogonal en cada uno de los
dos rdenes posibles representados en (3.29) y (3.30).
Observacin 1: Por ejemplo, la varianza (estimada) del error de previsin a horizonte l = 3 de (Yt ) es
2
2
2
+ 2 + 2 + 2
+ 1(11)
+ 2(11)
Y2 (3) = 0(11)
(I)
0(12)
1(12)
2(12)
(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)
En este caso, (I) queda
Y2 (3) = 3.86962 + 1.83932 + 0.03562 + 02 + (1.8675)2 + (0.9874)2 = 4.77712 .

Y : 18.3581 (80.44%)
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)
k (k = 0, 1, 2) son las matrices de (3.28) con sus elementos

[ver (3.2.6)-(3.27) con i = 2, l = 3], donde ahora
gura en (3.30):
cambiados de orden adecuadamente y L
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)
En este caso, (III) queda

Y2 (3) = (1.6154)2 + (2.4649)2 + (0.9121)2 + 3.51632 + 0.89182 + (0.3799)2 = 4.77712 .
X : 9.5172 ( 41.70%)
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
3.869608 100.0000 0.000000

4.673823 84.03405 15.96595
4.777124 80.44459 19.55541
4.796637 80.58213 19.41787
4.806600 80.48572 19.51428
4.808237 80.43273 19.56727
4.808484 80.43356 19.56644
4.808620 80.43271 19.56729
4.808646 80.43192 19.56808
4.808649 80.43191 19.56809
Variance Decomposition of X
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
3.869608 82.57291 17.42709

4.673823 60.24175 39.75825
4.777124 58.29695 41.70305
4.796637 58.57856 41.42144
4.806600 58.40732 41.59268
4.808237 58.37226 41.62774
4.808484 58.37646 41.62354
4.808620 58.37452 41.62548
4.808646 58.37391 41.62609
4.808649 58.37397 41.62603
Variance Decomposition of X:
HORIZON
S.E.
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
Un proceso estocstico multivariante ( Yt ) , Yt [Yt 1 , Yt 2 , ..., YtM ] , es integrado de orden

d (d 0 entero), o I(d ) , si y slo si (Yti ) I(d ) (ver 2.4.5) para todo i = 1, 2, ..., M . En
tal caso, suele escribirse ( Yt ) I(d ) .
Observacin 1: El nico tipo de no estacionariedad que se contempla en este Tema 4 es la no estacionariedad
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 MODELOS MULTIVARIANTES NO ESTACIONARIOS
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
Un proceso multivariante ( Yt ) I(d ) , Yt [Yt 1 , Yt 2 , ..., YtM ] , presenta cointegracin de

orden (d,b) (con 1 b d ) si y slo si existe al menos un vector de cointegracin
[ 1 , 2 , ..., M ] con al menos dos de sus componentes distintos de cero, tal que el
proceso de error (U t ) ( 0 + Yt ) I(d b ); en tal caso, se escribe ( Yt ) CI(d , b ).
Observacin 1: La cointegracin se reere a M 2 procesos univariantes integrados del mismo orden. En particular, si
(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
4.1.3 Ejemplo Series I(1) cointegradas y no cointegradas

4
2
1
2
1
-1
-1
-2
-2
-3
-3
-4
-4
1
15
30
45
60
75
90 105 120 135 150
PANEL A - SERIES I(1) COINTEGRADAS
15
30
45
60
75
90 105 120 135 150
PANEL B - DESEQUILIBRIO ESTACIONARIO
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
90 105 120 135 150
PANEL A - SERIES I(1) NO COINTEGRADAS
15
30
45
60
75
90 105 120 135 150
PANEL B - DESEQUILIBRIO NO ESTACIONARIO
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
PANEL A - SERIES I(1) COINTEGRADAS
20
40
60
80
100
PANEL B - DESEQUILIBRIO ESTACIONARIO
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.
4.1.4 Ejemplo Un modelo VAR(1) para un proceso bivariante cointegrado
Sea ( Yt ) , Yt [Yt 1 , Yt 2 ] , un proceso bivariante que sigue el modelo VAR(1)
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
1.0 0.0 3.0

1.0
1
0.0 0.6 1.0 1.0 = PP .

(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
1.0 0.0 Z t 1,1

=
0.0 0.6 Z
t 1,2
Zt 1
Ut 1
U
t 2
(4.4)
Ut
de manera que (1 B )Z t 1 = U t 1 , (1 0.6 B )Z t 2 = U t 2 . En consecuencia, (Z t 1 ) I(1) (un

paseo aleatorio) y (Z t 2 ) I(0) [que sigue un modelo AR(1) estacionario]. Dado que (4.3)
implica que Yt = PZt , o bien
SERIES TEMPORALES
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)
cuya segunda la y la segunda la de (4.4) implican que (Z t 2 ) = (Yt 1 Yt 2 ) I(0) , es

decir, ( Yt ) CI(1, 1) con vector de cointegracin = [1, 1] .
Observacin 1: De acuerdo con la primera la de (4.4)-(4.6), (0.5Z t 1 ) = (1.5Yt 1 0.5Yt 2 ) I(1) se puede
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
la serie del Panel B de la Figura 4.1):

4
2
1
2
1
-1
-2
-1
-2
-3
-3
-4
-4
1
15
30
45
60
75
90 105 120 135 150
COMPONENTE NO ESTACIONARIO COMN
15
30
45
60
75
90 105 120 135 150
DESEQUILIBRIO ESTACIONARIO
Observacin 2: El modelo VAR(1) (4.1) puede escribirse como Yt = ( I 1 )Yt 1 + At = Yt 1 + At , que se
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
0.0 0.0 3.0

1.0
0.0 0.4 1.0 1.0

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
Es decir, Yt = Yt 1 + At ; por lo tanto, I 1 puede factorizarse como = , donde es el vector

de cointegracin, = [1, 1] , y = [ 0.2, 0.6] contiene los factores de correccin o de ajuste de (Yt 1 ) e (Yt 2 ) en
cada momento t ante un desequilibrio o error transitorio, Yt 1 = Yt 1,1 Yt 1,2 , que tiene lugar en el momento
anterior en la relacin de cointegracin entre (Yt 1 ) e (Yt 2 ) . Ntese que el rango de la matriz = es igual a uno
SERIES TEMPORALES
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)
para un proceso multivariante ( Yt ) I(d ) , Yt [Yt 1 , Yt 2 , ..., YtM ] , es
Yt = Yt 1 + ip=11 Fi Yt i + At ,
(4.8)
(1) I ip=1 i , Fi pj =i +1 j (i = 1, ..., p 1) .
(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
4.2 RACES UNITARIAS
4.2 RACES UNITARIAS
Cuando un proceso estocstico ( Yt ) es integrado de orden d 1 (ver 4.1.1), suele

decirse que ( Yt ) tiene d races unitarias (ver Observacin 1 en 2.5.1). Por ejemplo, un
proceso univariante (Yt ) I(1) tiene una raz unitaria porque (Yt ) sigue en este caso
un modelo ARIMA(p,1,q) del tipo ( B )Yt = + ( B )At , cuyo operador autorregresivo
( B ) ( B ) es tal que la ecuacin ( x ) = 0 tiene una raz igual a 1; en la
prctica, muchas series temporales no estacionarias son compatibles con la hiptesis de
haber sido generadas por procesos I(1) (por ejemplo, paseos aleatorios; ver 2.4.6-2.4.7).
La problemtica fundamental asociada con la elaboracin de modelos para procesos con
races unitarias puede resumirse en dos puntos:
En primer lugar, los estimadores (MCO, MVE, ...) y los estadsticos de contraste (t, F,
LR, ...) habituales, no siguen distribuciones estndar ni siquiera asintticamente. En
general, en modelos para procesos con races unitarias, cualquier inferencia realizada
sobre la base de dichas distribuciones estndar (t, F, Chi Cuadrado, Normal, ...) es
incorrecta y puede llevar a conclusiones errneas.
SERIES TEMPORALES
PGINA 211
4.2 RACES UNITARIAS
En segundo lugar, la diferenciacin regular conjunta de todos los componentes de un

proceso multivariante ( Yt ) I(d ) , aunque proporciona un proceso ( d Yt ) I(0) , no
es adecuada cuando los componentes de ( Yt ) estn cointegrados; ver Ejemplo 4.1.4.
Por lo tanto, es importante disponer en la prctica de procedimientos ables para: (i)
decidir sobre el orden de integracin de un proceso univariante [especialmente para
distinguir entre procesos I(0) e I(1)], (ii) decidir si los componentes de un proceso
multivariante estn cointegrados, y (iii) hacer inferencias correctas en presencia de
procesos con races unitarias.
Paseo aleatorio
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
4.2 RACES UNITARIAS
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.
Regresin con variables explicativas no estacionarias
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
4.2 RACES UNITARIAS
requerida para que los estimadores MCO y MV sean consistentes y asintticamente

Normales), no se cumple cuando alguna de las variables explicativas es un proceso con
una raz unitaria.
Observacin: Por ejemplo, si en un modelo como Yt = 1 + 2 X t + U t la variable explicativa es un paseo
aleatorio del tipo Xt = Xt 1 + At , donde ( At ) IID(0, 1) , entonces E tN=1 Xt2 =

que N1 tN=1 Xt2 no converge en probabilidad a una cantidad nita.
1
2
N ( N + 1) , lo que indica
No obstante, algunos estadsticos habituales (t y F, fundamentalmente) s siguen

distribuciones estndar en ciertos modelos con variables explicativas no estacionarias;
ver el apartado sobre inferencia en regresiones con series I(1) en la Seccin 4.5.
Regresin espuria
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
4.2 RACES UNITARIAS
En particular, si (Yt ) , ( X t ) son paseos aleatorios independientes, el estadstico t para

2 = 0 no sigue ni una distribucin t de Student ni una distribucin N(0,1), incluso
asintticamente. En su lugar, el valor absoluto del estadstico t tiende a ser cada vez
mayor a medida que el tamao muestral N aumenta; en ltima instancia (cuando N
tiende a innito), el contraste habitual basado en el estadstico t para 2 = 0 llevara
con toda probabilidad a rechazar esta hiptesis nula. Por otro lado, el R 2 no converge
en este caso a cero, sino a un nmero aleatorio positivo distinto para cada muestra.
Cuando una regresin como (4.10) parece indicar la existencia de una relacin que en
realidad no existe, se denomina una regresin espuria (en ingls, spurious regression);
ver las guras 1.16-1.17 (panel superior).
Aunque existe una completa teora estadstica que justica rigurosamente la posibilidad
de que una regresin como (4.10) sea espuria, resulta ms ilustrativo exponer dicha
posibilidad mediante algunos ejercicios de simulacin (experimentos de Monte Carlo).
La Figura 4.4 contiene un resumen de varios ejercicios de este tipo, que estn
comentados en las observaciones siguientes.
SERIES TEMPORALES
PGINA 215
4.2 RACES UNITARIAS
1.0
0.8
Regresin espuria - Paseo aleatorio
0.6
Regresin espuria - AR(1)
0.4
0.2
Regresin vlida - Paseo aleatorio

Regresin vlida - AR(1)
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
4.2 RACES UNITARIAS
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
4.2 RACES UNITARIAS
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
4.3 CONTRASTES DE RACES UNITARIAS
En muchas ocasiones, el orden de integracin de un proceso estocstico se puede

determinar de manera bastante able a la vista del grco temporal y del correlograma
de una serie generada por el proceso considerado.
En los casos en los que el orden de integracin de un proceso no est claro a la vista de
dichos instrumentos grcos, un contraste formal de races unitarias puede ayudar a
decidir si, por ejemplo, un proceso es I(0) I(1), o si es I(1) I(2).
En cualquier caso, la determinacin able del orden de integracin de un proceso es
importante en relacin con: (i) la forma correcta de hacer inferencias en cada caso, (ii)
la posibilidad de estimar relaciones espurias, (iii) la posibilidad de estimar relaciones de
cointegracin, y (iv) las implicaciones econmicas correspondientes.
4.3.1 Ejemplo
Si un proceso estocstico univariante (Yt ) sigue un modelo AR(1) del tipo
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.
El contraste de H 0 : 1 = 1 frente a H 1 : 1 < 1 en (4.12) es equivalente [restando Yt 1 en

ambos lados de (4.12)] al contraste de
H 0 : = 0 frente a H 1 : < 0
(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
conocida y suele denominarse una distribucin de Dickey-Fuller (DF). El estadstico t

asociado con en (4.14) se representa habitualmente como (tau).
El contraste DF de (4.13) en (4.14) consiste en rechazar H 0 en favor de H 1 cuando el valor
calculado del estadstico es menor que el valor crtico de la distribucin DF
correspondiente para un nivel de signicacin dado. La primera la de la Tabla 4.1 contiene
los valores crticos asintticos para distintos niveles de signicacin.
Nivel de signicacin
Distribucin
DF - Estadstico
DF - Estadstico
DF - Estadstico
N(0,1) - Estadstico t
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.
Contrastes DF (Dickey-Fuller) ADF

4.3.2 Ejemplo
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)
En este caso, el contraste DF de (4.13) en (4.15) consiste en rechazar H 0 en favor de H 1

cuando el valor calculado del estadstico t asociado con en (4.15), que suele representarse
como , es menor que el valor crtico de la distribucin DF correspondiente para un nivel
de signicacin dado. La segunda la de la Tabla 4.1 contiene los valores crticos asintticos
para niveles de signicacin del 1%, del 5% y del 10%.
Observacin: El estadstico t asociado con en (4.15) s sigue una distribucin N(0,1) asintticamente (que puede
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 ,
o bien (ver 4.1.5)

Yt = + Yt 1 + ip=11 i Yt i + At ,
(4.16)
donde (1) 1 + ip=1 i , i pj =i +1 j (i = 1, ..., p 1) . En este caso, si el

operador ( B ) 1 ip=1 i B tiene una raz unitaria, entonces (1) = = 0 ; por lo
tanto, contrastar H 0 : (Yt ) I(1) frente a H 1 : (Yt ) I(0) en este caso es equivalente (de
nuevo) a contrastar (4.13) en (4.16). Este contraste (que se denomina ADF, del ingls
Augmented Dickey-Fuller) se lleva a cabo exactamente igual que en 4.3.1 (cuando = 0 ) o
en 4.3.2 (si 0 ).
Observacin 1: Los estadsticos t asociados con , 1 , ..., p1 en (4.16) siguen distribuciones N(0,1) asintticamente
SERIES TEMPORALES
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)
donde m se escoge de tal manera que el trmino m

i =1 i Yt i recoja esencialmente toda la autocorrelacin presente
en ( Yt ) [para que (Vt ) sea aproximadamente ruido blanco]. Ntese que si ( Yt ) presenta algn tipo de estructura
MA, o bien es estacional, entonces m debe ser un nmero elevado; en tal caso, la potencia de los contrastes ADF
puede ser reducida. Recprocamente, si m es pequeo, el nivel de signicacin efectivo del contraste puede ser mayor
que el nivel de signicacin escogido, ya que la validez de los valores crticos de la Tabla 4.1 depende crucialmente de
que la dinmica presente en ( Yt ) est recogida adecuadamente en (4.17); ver Figura 4.4.
Observacin 3: En ocasiones, un contraste ADF se plantea a partir de una regresin del tipo
(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
4.3.4 Ejemplo Contrastes ADF de races unitarias

4
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
Tasa logartmica de variacin anual del PIB en Espaa

(pib-cpi.wf1)
Volumen del flujo anual del ro Nilo en Asun

(nilo.wf1)
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
Null Hypothesis: NILO has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic based on AIC, MAXLAG=4)
Prob.*
-2.498350 0.1253
-3.653730
-2.957110
-2.617434
t-Statistic
5% level
10% level
-4.048705 0.0018
-3.498439
-2.891234
-2.582678
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(Z)

Variable
Z(-1)
C
Coefficient Std. Error t-Statistic
Prob.
-0.325272 0.130195 -2.498350 0.0182

0.010127 0.005366 1.887046 0.0689
Variable
NILO(-1)
D(NILO(-1))
C
Prob.*
Prob.
-0.406281 0.100348 -4.048705 0.0001

-0.198787 0.100227 -1.983361 0.0502
368.3168 93.58492 3.935643 0.0002
Tabla 4.2
Tabla 4.3
Contraste ADF basado en (4.17) con m = 0 para la serie

de la Figura 4.5

de la Figura 4.6
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
Tipo de cambio real ECU-Euro / Dlar EEUU (log)

Tipo de cambio real ECU-Euro / Franco Suizo (log)

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.
Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=24)
t-Statistic
5% level
10% level

Exogenous: Constant
Prob.*
-1.597903 0.4822
-3.455193
-2.872370
-2.572615
t-Statistic
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
-0.013200 0.008261 -1.597903 0.1113

0.320106 0.058226 5.497629 0.0000
-0.000460 0.001533 -0.300207 0.7643
Z(-1)
D(Z(-1))
C
-0.050210 0.016592 -3.026169 0.0027

0.253849 0.059947 4.234591 0.0000
-0.024599 0.008215 -2.994403 0.0030
Tabla 4.4
Tabla 4.5

de la Figura 4.7

de la Figura 4.8
SERIES TEMPORALES
PGINA 228
-2
-2
-4
-4
1960
1970
1980
1990
2000
1960
1970
1980
1990
2000
Figura 4.9
Figura 4.10


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

Exogenous: Constant
t-Statistic
5% level
10% level

Exogenous: Constant
Prob.*
-8.498442 0.0000
-3.468749
-2.878311
-2.575791
t-Statistic
5% level
10% level
-6.503527 0.0000
-3.468749
-2.878311
-2.575791


Variable
Z(-1)
C
Prob.
-0.598199 0.070389 -8.498442 0.0000

0.091311 0.019087 4.783835 0.0000
Variable
Z(-1)
C
Prob.*
Prob.
-0.402058 0.061822 -6.503527 0.0000

0.247491 0.047686 5.190045 0.0000
Tabla 4.6
Tabla 4.7

de la Figura 4.9

de la Figura 4.10
Alternativas a los contrastes ADF
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
provocado la aparicin de decenas de contrastes alternativos (ninguno de los cuales, por

otro lado, parece haber alcanzado la popularidad de los contrastes ADF).
Entre ellos, en algunos se plantea como hiptesis nula el que un proceso sea I(0) (al
contrario que en los contrastes ADF); ver, por ejemplo, Kwiatkowski, D., Phillips,
P.C.B., Schmidt, P., y Shin, Y. (1992), Testing the null hypothesis of stationarity
against the alternative of a unit root: How sure are we that economic time series have a
unit root?, Journal of Econometrics, 54, 159-178.
En general, los contrastes de races unitarias ms ables disponibles actualmente son el
contraste de no estacionariedad de Shin-Fuller y los contrastes de no invertibilidad de
Davis-Chen-Dunsmuir, descritos en los dos ltimos apartados de la Seccin 2.6.
SERIES TEMPORALES
PGINA 231
4.4 MODELOS VAR CON RACES UNITARIAS

4.4.1 Ejemplo
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)
donde p1 y p2 son dos autovectores de 1 linealmente independientes, asociados con 1 y

2 , respectivamente. El modelo VAR(1) en (4.19) puede escribirse como
P1 Yt = P1 + P1 1P P1 Yt 1 + P1 At ,
Zt
SERIES TEMPORALES
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
de manera que (1 1 B )Z t 1 = 01 + U t 1 , (1 2 B )Z t 2 = 02 + U t 2 . En consecuencia,

(Z ti ) I(0) o bien (Z ti ) I(1) en funcin de si i < 1 o bien i = 1 , respectivamente.
Por otro lado, (4.21) tambin implica que Yt = PZt , es decir,
Yt 1
Yt =
Y
t2
p11Z t 1 + p12 Z t 2
= p1Z t 1 + p2 Z t 2 =
p21Z t 1 + p22 Z t 2
(4.24)
Caso 1: 1 < 1 , 2 < 1 ( 1 2 ).
(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)
1 1 ( 1Yt 1,1 + 2Yt 1,2 )
+
=
( Y
2 2 1 t 1,1 + 2Yt 1,2 )
At 1
At 2
(4.26)
donde 1 p12 (1 2 ) , 2 p22 (1 2 ) , 2 < 1 , 1 p(2)1 , 2 p(2)2 . Ntese que:

(i) el rango de en (4.25) es 1, y (ii) (4.26) no es un modelo VAR para ( Yt ) I(0).
SERIES TEMPORALES
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
de manera que (1 B )Z t 1 = 01 + Z t 1,2 + U t 1 , (1 B )Z t 2 = 02 + U t 2 . Por lo tanto,

cuando = 1 , (Z t 2 ) I(1) y (Z t 1 ) I(2) . Por otro lado, (4.28) tambin implica que
Yt = QZt , es decir,
Yt 1
Yt =
Y
t2
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)
de manera que ( Yt ) I(2) cuando = 1 . Juntando este resultado con la segunda la de

Yt ) I(1) , por lo que
Yt = q(2)1Yt 1 + q(2)2Yt 2 , resulta que ( q (2)
(4.29), Z t 2 = q (2)
( Yt ) CI(2, 1) con vector de cointegracin [ 1 , 2 ] = q (2) [q(2)1 , q(2)2 ] [la
segunda la de Q1 en (4.27)]. 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 (4.27)] como
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 ( 1Yt 1,1 + 2Yt 1,2 )
+
= 1
Y
Y
+
(
)
2
1
1,1
2
1,2
t
t
At 1
At 2
(4.33)
donde 1 q12 , 2 q 22 , 1 p(2)1 , 2 p(2)2 . Ntese que: (i) el rango de en

(4.32) es 1, y (ii) (4.33) no es un modelo VAR para ( Yt ) I(1). La situacin en este caso
es completamente anloga a la del Caso 2 anterior, aunque ahora ( Yt ) CI(2, 1) .
Caso 4: 1 = 2 = = 1 porque 1 = I .
En este caso especial, (4.19) queda Yt = + At , de manera que ( Yt ) I(1) . Adems, en

la expresin Yt = + At no est presente ningn trmino de correccin de error, lo que
indica que no existe ninguna combinacin lineal de los dos componentes de ( Yt ) que sea
I(0); en otros trminos, = I 1 = 0 , cuyo rango es igual a cero. En este caso, los dos
componentes de ( Yt ) I(1) no estn cointegrados.
Observacin: En resumen, cuando ( Yt ) es un proceso bivariante que sigue un modelo VAR(1) como (4.19), ocurre
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
Sea ( Yt ) , Yt [Yt 1 , Yt 2 , Yt 3 ] , un proceso trivariante que sigue un modelo VAR(1),

Yt = + 1Yt 1 + At , ( At ) IID( 0, A ) ,
(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)
donde p1 , p2 y p 3 son tres autovectores de 1 linealmente independientes, asociados con

1 , 2 y 3 , respectivamente. El modelo VAR(1) en (4.34) puede escribirse como
P1 Yt = P1 + P1 1P P1 Yt 1 + P1 At ,
Zt
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 )
(4.36) implica que (Z ti ) I(0) (i = 1, 2, 3 ), por lo que ( Yt ) ( PZt ) I(0) .

Caso 2: 1 = 1 , 2 < 1 , 3 < 1 ( 2 3 ).
(4.36) implica que (Z t 1 ) I(1), (Z t 2 ) I(0) y (Z t 3 ) I(0), por lo que ( Yt ) I(1) .

Yt ) y (Z t 3 ) ( p( 3) Yt ), resulta en este caso
Juntando este resultado con que (Z t 2 ) ( p(2)
que existen dos relaciones de cointegracin entre los tres componentes de ( Yt ) , cuyos
vectores de cointegracin son 1 = p(2) y 2 = p( 3) , respectivamente.
En este caso, el modelo VEC (ver 4.1.5) asociado con (4.34) es Yt = Yt 1 + At ,
donde I 1 puede escribirse [ver (4.35) y (4.25)] como
0

0
0 p(1)

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
bien Yt = AZt1 + At , donde Zt1 [ Zt 1,2 , Zt 1,3 ] B Yt 1 . Ntese que en este

caso el rango de = AB es 2 (porque existen 2 relaciones de cointegracin).
Caso 3: 1 = 2 = = 1 , 3 < 1 .
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)
donde A y B son matrices 3 2 con rango igual a 2. Es decir, Yt = AB Yt 1 + At ,

donde ahora ( Yt ) I(1) y ( B Yt ) tiene un componente I(1) y otro I(0). Tambin en este
caso el rango de = AB es 2 (porque existen 2 relaciones de cointegracin).
Observacin 1: En resumen, cuando ( Yt ) es un proceso trivariante que sigue un modelo VAR(1) como (4.34), puede
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 ,
0.6 2.5 2.5 1
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
El rango de cointegracin de un proceso ( Yt ) , Yt [Yt 1 , Yt 2 , ..., YtM ] , integrado de orden

d 1, que sigue un modelo VAR(p) del tipo
p
( B )Yt = + At , o bien Yt = + i =1 i Yt i + At ,
(4.40)
es el rango de la matriz (1) I ip=1 i que gura en la representacin VEC (ver

4.1.5) asociada con (4.40):
Yt = Yt 1 + ip=11 Fi Yt i + At .
(4.41)
Si P rango( ) , entonces P es el nmero de relaciones de cointegracin linealmente

independientes que existen entre los componentes de ( Yt ) I(d ) . Ntese que:
(1) Si P = M, entonces (1) es distinto de cero, lo que indica que ( x ) = 0 no
tiene races unitarias; por lo tanto, en este caso ( Yt ) I(0) . En consecuencia, si
( Yt ) I(d ) con d 1, entonces 0 P M 1 .
(2) Si P = 0, entonces = 0 , por lo que ( Yt ) VAR( p 1) (estacionario si d = 1).
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
4.5 ESTIMACIN DE RELACIONES DE COINTEGRACIN

Cuando ( Yt ) CI(1, 1) , es importante poder hacer inferencias sobre al menos uno de
los vectores de cointegracin [ 1 , 2 , ..., M ] asociado con una de las M 1
posibles relaciones de cointegracin entre los componentes de ( Yt ) .
Aunque es lgico contrastar la presencia de relaciones de cointegracin antes de
estimarlas, tambin es cierto que resulta ms sencillo discutir cmo estimar relaciones
de cointegracin antes de discutir cmo contrastar su presencia; ver Seccin 4.6.
Estimacin directa
La manera ms sencilla y directa de estimar una posible relacin de cointegracin del tipo
(U t ) ( 0 + Yt ) I(0) (ver 4.1.2) entre los componentes de ( Yt ) CI(1, 1) , consiste
en estimar por MCO la regresin lineal de un componente dado de ( Yt ) sobre todos los
dems. Si Yt [Yt 1 , Yt 2 , ..., YtM ] , se trata de estimar por MCO una regresin del tipo
Yt 1 = 0 2 Yt 2 + U t ,
SERIES TEMPORALES
(4.42)
PGINA 245
donde Yt 2 [Yt 2 , ..., YtM ] , 2 [ 2 , ..., M ] , de manera que el vector de cointegracin

en la (posible) relacin considerada es [1, 2 ] (ver Observacin 2 en 4.1.2).
MCO . A simple vista, (4.42) parece un
Observacin 1: El estimador MCO de 2 en (4.42) suele representarse como
2
MCO sea un estimador til en la prctica (como

modelo en el que se violan todas las hiptesis que garantizan que
2
mnimo, consistente). Por ejemplo, cuando ( Yt ) VAR( p ) , todas las variables en (4.42) son endgenas, de manera
que Cov[ Yt 2 , U t ] 0 [a menos que las perturbaciones del modelo VAR que sigue ( Yt ) sean ortogonales]; adems,
MCO converge en
(U t ) en (4.42) suele presentar algn tipo de autocorrelacin. No obstante, se puede demostrar que
2
probabilidad a 2 a la misma velocidad que N 1 (es decir, ms rpido que N ); por este motivo, suele decirse que
MCO es un estimador superconsistente de 2 en (4.42). Este resultado ilustra el hecho de que la teora asinttica
2
asociada con procesos I(1) es muy diferente de la teora asinttica estndar para procesos estacionarios.
MCO no es una distribucin estndar, por lo que (a pesar de lo

Observacin 2: La distribucin asinttica de
2
MCO es (en general) incorrecto.
mencionado en la Observacin 1) cualquier contraste habitual sobre 2 basado en
2
Estimacin a travs de un modelo de correccin de error

Cuando ( Yt ) CI(1, 1) , ( Yt ) sigue un modelo VEC como (4.41). Si se considera una nica
relacin de cointegracin, entonces = en (4.41), donde [ 1 , ..., M ] contiene
al menos un elemento distinto de cero, y [1, 2 ] (como en el apartado anterior) es el
vector de cointegracin (normalizado) que se pretende estimar.
SERIES TEMPORALES
PGINA 246
La primera la de (4.41) puede escribirse en este caso como

Yt 1 = 1 1 (Yt 1,1 + 2 Yt 1,2 ) + ip=11 i1Yt i + At 1 ,
(4.43)
donde i1 representa la primera la de Fi en (4.41). Si, por ejemplo, M = 2, p = 1, la

expresin anterior queda
Yt 1 = 1 1 (Yt 1,1 + 2Yt 1,2 ) + At 1 ,
(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
Yt 1 = 1 1 (Yt 1,1 + 2 Yt 1,2 ) + 0 Yt 2 + m

i =1 i Yt i + U t
(4.45)
en lugar de (4.43), donde 0 [ 02 , ..., 0M ] recoge los posibles efectos contemporneos

de Yt 2 [ Yt 2 , ..., YtM ] sobre Yt 1 , y i [ i 1 , i 2 , ..., iM ] recoge los posibles
efectos de Yt i [ Yt i ,1 , Yt i ,2 , ..., Yt i , M ] sobre Yt 1 para i = 1, ..., m .
SERIES TEMPORALES
PGINA 247
Si, por ejemplo, M = 2, m = 0, (4.45) queda
Yt 1 = 1 1 (Yt 1,1 + 2Yt 1,2 ) + 02Yt 2 + U t ,
(4.46)
que es formalmente idntico al modelo EC (3.13) en el Ejemplo 3.3.4.

Observacin 3: En principio, (4.45)-(4.46) deben estimarse por mnimos cuadrados no lineales (MCNL) (como en la
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)
Yt 1 = 1 1Yt 1,1 2 Yt 1,2 + 0 Yt 2 + m

i =1 iYt i + U t ,
(4.47)
(4.46)
Yt 1 = 1 1Yt 1,1 2Yt 1,2 + 02Yt 2 + U t ,
(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
utilizar en la prctica, consiste en estimar 2 por MCO en la regresin

SERIES TEMPORALES
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.
Inferencia en regresiones con series I(1)

Por lo visto hasta ahora, parece que la teora asinttica estndar nunca es aplicable
cuando una regresin contiene variables explicativas I(1). Esto es cierto en regresiones
espurias como (4.10), en las regresiones (4.17)-(4.18) asociadas con los contrastes ADF,
y en algunas regresiones asociadas con la estimacin de una relacin de cointegracin,
como (4.42) y los modelos EC (4.45)-(4.46).
Sin embargo, no es cierto que el estadstico t de cada parmetro en cualquier regresin
con regresores I(1) siga una distribucin no estndar asintticamente. De hecho, ni
siquiera es cierto que el estadstico t de cada parmetro asociado con un regresor I(1)
siga una distribucin de ese tipo.
SERIES TEMPORALES
PGINA 249
Por el contrario, puede demostrarse que el estadstico t de cualquier parmetro asociado

nicamente con un regresor I(0) (quizs despus de reorganizar la regresin
correspondiente), sigue una distribucin N(0,1) asintticamente.
De manera anloga, el estadstico F para un contraste de signicacin conjunta, sigue la
distribucin asinttica habitual cuando todos los parmetros implicados en dicho
contraste pueden gurar al mismo tiempo multiplicando a regresores I(0).
Por el contrario, cualquier estadstico t o F que no satisfaga las condiciones anteriores,
sigue en general una distribucin asinttica no estndar.
Observacin 5: Ver Sims, C.A., Stock, J.H., y Watson, M.W. (1990), Inference in linear time series models with some
unit roots, Econometrica, 58, 113-144; Phillips, P.C.B. (1991), Optimal inference in cointegrated systems,
Econometrica, 59, 283-306.
4.5.1 Ejemplo
En la representacin (4.48) del modelo EC (4.46),

Yt 1 = 1 1Yt 1,1 2Yt 1,2 + 02Yt 2 + U t ,
SERIES TEMPORALES
(4.50)
PGINA 250
si (Yt 1 ) I(1) e (Yt 2 ) I(1) no estn cointegrados, entonces no es posible reorganizar

(4.50) para que 1 slo multiplique a una variable I(0); por lo tanto, el estadstico t para 1
en (4.50) sigue en este caso una distribucin no estndar.
Dado que (4.50) es equivalente a (4.46), cuando (Yt 1 ) e (Yt 2 ) s estn cointegrados con
vector de cointegracin [1, 2 ] , 1 en (4.46) multiplica a (Yt 1,1 + 2Yt 1,2 ), que es I(0),
por lo que en este caso el estadstico t para 1 en (4.50) sigue una distribucin N(0,1)
asintticamente.
Por otro lado, (4.50) tambin puede escribirse como
Yt 1 = 1 2 ( 1Yt 1,1 + Yt 1,2 ) + 02Yt 2 + U t ,
(4.51)
donde 1 1/ 2 1 /2 . En (4.51), el trmino al que multiplica 2 es I(0) cuando (Yt 1 )

e (Yt 2 ) estn cointegrados con vector de cointegracin [1, 2 ] [ 1 , 1] , por lo que en este
caso el estadstico t para 2 en (4.50) tambin es N(0,1) asintticamente.
En todos los casos, los estadsticos t asociados con 1 y 02 tambin siguen distribuciones
N(0,1) asintticamente. En resumen, si (Yt 1 ) e (Yt 2 ) en (4.50) estn cointegrados con
vector de cointegracin [1, 2 ] , entonces el estadstico t para cada uno de los parmetros
SERIES TEMPORALES
PGINA 251
de (4.50) sigue una distribucin N(0,1) asintticamente.

Observacin 6: A pesar de lo anterior, cualquier estadstico F asociado con 1 y 2 conjuntamente en (4.50), no sigue
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 /
una tasa de convergencia asociada de orden N

), lo que contradira el hecho de que 2EC es superconsistente; ver
las observaciones 1 y 3 anteriores.
4.5.2 Ejemplo
La regresin (4.17) con m = 1 asociada con un contraste ADF para (Yt ) ,
Yt = + Yt 1 + 1 Yt 1 + Vt ,
(4.52)
puede escribirse como
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
distribucin estndar; ver Seccin 4.3.

Por otro lado, (Yt ) I(1) ( Yt ) I(0), por lo que el estadstico t para 1 en (4.52) s
sigue una distribucin N(0,1) asintticamente.
En general, cualquier estadstico F para el contraste de signicacin conjunta de varios
retardos de Yt en (4.17), sigue la distribucin asinttica habitual, lo que permite decidir
de forma estndar cuntos retardos de Yt deben incluirse en (4.17).
Estimacin a travs de un modelo VAR VEC
De acuerdo con los resultados de la Seccin 4.4, cuando ( Yt ) CI(1, 1) , donde
Yt [Yt 1 , Yt 2 , ..., YtM ] , si ( Yt ) sigue un modelo VAR(p), entonces (ver 4.4.3)
Yt = AB Yt 1 + ip=11 Fi Yt i + At ,
(4.53)
donde A y B son dos matrices M P con rango( A ) = rango( B ) = P (1 P M 1 ).

Las P columnas de B contienen P vectores de cointegracin (linealmente independientes)
entre los componentes de ( Yt ) , de manera que ( B Yt ) I(0).
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
Cuando M = 2, P = 1, p = 1 (ver Caso 2 en Ejemplo 4.4.1), (4.53) queda
Yt 1
Yt 2
1 1 (Yt 1,1 + 2Yt 1,2 )

+
=
(Y
2 2 t 1,1 + 2Yt 1,2 )
At 1
At 2
(4.54)
que es (4.26) imponiendo la normalizacin 1 = 1 . (4.54) es un modelo bivariante no lineal

en los parmetros, que puede estimarse por MVE (utilizando procedimientos numricos de
optimizacin no lineal) suponiendo que ( At ) NIID( 0, A ) , con At [ At 1 , At 2 ] .
Alternativamente, (4.54) puede estimarse como se describe en la Observacin 7 siguiente
para el modelo VEC general (4.53); ver, por ejemplo, Johansen, S. (1995), Likelihood-Based
Inference in Cointegrated Vector Autoregressive Models, Oxford University Press.
Observacin 7: El procedimiento que se describe a continuacin para estimar (4.53) es probablemente el ms empleado
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
donde N representa el nmero de residuos calculados en los pasos 1 y 2.

Paso 4: Calcular los escalares i y los vectores zi (i = 1, ..., M ) que satisfacen las ecuaciones
22
21
1
( 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
VEC de B en (4.53) asociado con el procedimiento de la Observacin 7, tambin es superconsistente. En general

(excepto quizs en muestras especialmente cortas), el sesgo del estimador VEC es menor que el de los estimadores
MCO y EC. En muestras cortas, la varianza del estimador VEC puede ser ligeramente mayor que la de los otros dos
estimadores, aunque este fenmeno tiende a desaparecer a medida que aumenta el tamao muestral.
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)
Yt 1 = 01 + 21Yt 2 + U t 1 , o bien Yt 2 = 02 + 22Yt 1 + U t 2 .
(4.55)
Observacin 1: Las tablas 4.8 y 4.9 contienen los resultados de las estimaciones por MCO (obtenidas con EViews 4.1
MCO = [1, 0.8984 ] , mientras

May 23 2003 build) de las dos regresiones en (4.55). De la Tabla 4.8 se deduce que
MCO = [ 0.9935, 1] . En general, al colocar en el lado izquierdo de la regresin
que de la Tabla 4.9 se deduce que
(4.42) diferentes componentes de ( Yt ) , se obtienen diferentes estimaciones del vector de cointegracin.
SERIES TEMPORALES
PGINA 256
Dependent Variable: VAR31

Sample: 1 150
Dependent Variable: VAR32

Sample: 1 150
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
-0.420663 0.358027 -1.174947

0.993496 0.028334 35.06348
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

Schwarz criterion
5.574946
F-statistic
1229.448
Prob(F-statistic)
0.000000
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

Schwarz criterion
5.675562
F-statistic
1229.448
Prob(F-statistic)
0.000000
Tabla 4.9
Estimacin por MCO de la segunda regresin en (4.55)
Estimacin EC MCNL en (4.45)
Yt 1 = 1 1 (Yt 1,1 + 2Yt 1,2 ) + At 1 ,

Yt 2 = 2 2 (Yt 1,1 + 2Yt 1,2 ) + At 1 .
(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
Dependent Variable: D(VAR31)

D(VAR31) = C(1) - C(2) * ( VAR31(-1) + C(3) * VAR32(-1) )
C(1)
C(2)
C(3)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Dependent Variable: D(VAR32)

D(VAR32) = C(1) - C(2) * ( VAR31(-1) + C(3) * VAR32(-1) )
t-Statistic
Prob.
0.123727 0.181733 0.680817

-0.185393 0.043928 -4.220396
-1.054513 0.082920 -12.71721
0.4971
0.0000
0.0000
0.133462
0.121592
2.032572
603.1771
-315.5925

Schwarz criterion
4.336892
Tabla 4.10
Estimacin por MCNL de la primera regresin en (4.56)

C(1)
C(2)
C(3)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
t-Statistic
Prob.
-0.187440 0.292152 -0.641584

-0.599812 0.070618 -8.493790
-0.977096 0.037923 -25.76506
0.5221
0.0000
0.0000
0.345770
0.336807
3.267532
1558.808
-386.3277

Schwarz criterion
5.286358
Tabla 4.11
Estimacin por MCNL de la segunda regresin en (4.56)
Estimacin VEC MV en (4.53)
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.
Vector Error Correction Estimates

Sample ( adjusted ): 2 150
Cointegrating Eq:
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

Log Likelihood
Schwarz Criteria
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
4.6 CONTRASTES DE COINTEGRACIN
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
La manera ms sencilla y probablemente ms popular de contrastar la existencia de

relaciones de cointegracin entre los componentes de un proceso ( Yt ) I(1) consiste en:
2 yt 2 .
Estimar (4.42) por MCO y guardar los residuos ut = 0 + yt 1 +
Contrastar H 0 : (U t ) I(1) frente a H 1 : (U t ) I(0) mediante el contraste de
SERIES TEMPORALES
PGINA 261
H 0 : = 0 frente a H 1 : < 0 en la regresin

U t = U t 1 + m
i =1 i U t i + At ,
(4.58)
utilizando la serie de residuos (ut ) del paso anterior en lugar de (U t ).

Observacin 1: La hiptesis nula en el contraste anterior es que los componentes de ( Yt ) I(1) no estn cointegrados;
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
90 105 120 135 150
15
30
45
60
75
90 105 120 135 150
Figura 4.11
Residuos de las dos regresiones en (4.55) estimadas por MCO
Contrastes basados en un modelo VAR VEC
En la prctica, el mtodo ms recomendable para contrastar la existencia de relaciones

de cointegracin entre los M componentes de ( Yt ) I(1) , es algn mtodo basado en la
estimacin conjunta de todos los parmetros de un modelo VEC como (4.53).
Un mtodo de este tipo permite, adems, determinar el nmero de relaciones de
SERIES TEMPORALES
PGINA 264
cointegracin [el rango P ( 0 P M 1 ) de la matriz (1) I ip=1 i ; ver

4.4.3], as como contrastar hiptesis sobre los vectores de cointegracin y sobre los
factores de ajuste de una manera muy sencilla.
Los procedimientos que se describen a continuacin estn basados en la estimacin de
(4.53) siguiendo los pasos de la Observacin 7 de la Seccin 4.5.
4.6.2 Definicin
El logaritmo neperiano de la funcin de verosimilitud asociada con el modelo VEC (4.53)

[que es un modelo VAR como (4.40)-(4.41) para ( Yt ) I(1) , restringido a que existan P
relaciones de cointegracin ( 0 P M 1 ) entre los M componentes de ( Yt ) ], evaluada
en las estimaciones de , A, B, Fi (i = 1, ..., p 1) y A obtenidas siguiendo los pasos de
la Observacin 7 de la Seccin 4.5, es igual a
11 N P ln(1 i ) ,
L ( P ) N2 M (1 + ln 2 ) + ln
2 i =1
(4.59)
11 y i (i = 1, ..., P ) estn denidos en dicha Observacin [en concreto, 1 , ..., P

donde
son los P autovalores ms grandes de la matriz que gura en la expresin (II)].
SERIES TEMPORALES
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
El estadstico de la traza (en ingls, trace statistic) para contrastar H 0 : P P0 (o bien

H 0 : P = P0 cuando P0 = 0 ) frente a H 1 : P P0 + 1 (o bien H 1 : P = M cuando
P0 = M 1 ), con 0 P0 M 1 , es el estadstico LR basado en (4.59)
TR ( P0 ) 2[ L ( M ) L ( P0 )] N iM=P
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%
Nivel de signicacin MAX ( P0 )

1%
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
Sample( adjusted ): 2 150 - Included observations: 149 after adjusting endpoints

Series: VAR31 VAR32 - Lags interval (in first differences): No lags
Trend assumption: No deterministic trend
Trace Test
Hypothesized
No. of CE(s)
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
*(**) denotes rejection of the hypothesis at the 5%(1%) level

Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Max-Eigenvalue Test
Hypothesized
No. of CE(s)
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

Cointegration Restrictions: B(1,1) = 1, B(1,2) = -1
Restrictions identify all cointegrating vectors
LR test for binding restrictions (rank = 1):
Chi-square(1)
0.052593
Probability
0.818611
Cointegrating Eq:
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

Log Likelihood
Schwarz Criteria
38.43391
-693.6864
-694.6897
9.378386
9.459028
Tabla 4.16
Estimacin restringida del modelo VEC (4.57)
SERIES TEMPORALES
PGINA 272
4.7 ELABORACIN DE MODELOS MULTIVARIANTES EN LA PRCTICA
En esta ltima seccin se ilustran algunos aspectos importantes de la elaboracin de

modelos multivariantes en la prctica, usando la serie trivariante ( yt ) , yt [ wt , yt , z t ] ,
simulada de la Figura 4.3 (Panel A) [azul (wt ), rojo (yt ) , gris ( z t )].
Paso 1
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
Contrastar la existencia de cointegracin entre las series consideradas (Seccin 4.6),

prestando especial atencin a: (i) el nmero de relaciones de cointegracin, y (ii) el
aspecto grco de cualquier serie potencial de desquilibrios transitorios. Para ello:
SERIES TEMPORALES
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
VAR Lag Order Selection Criteria

Endogenous variables: W Y Z
Sample: 1 100
Exogenous variables: C
LogL
LR
AIC
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
Roots of Characteristic Polynomial

Endogenous variables: W Y Z
Exogenous variables: None
Lag specification: 1 2
Root
Modulus
0.992508 - 0.023204 i
0.992779
0.992508 + 0.023204 i
0.992779
0.314149 - 0.274306 i
0.417053
0.314149 + 0.274306 i
0.417053
-0.266018
0.266018
-0.018241
0.018241
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
Sample ( adjusted ): 3 100 - Included observations: 98 after adjusting endpoints

Series: W Y Z - Lags interval (in first differences): 1 to 1
Case 1: Trend assumption: No deterministic trend
Hypothesized
Trace
5 Percent
1 Percent
Eigenvalue
No. of CE(s)
Statistic
Critical Value
Critical Value
None
0.325919
54.91357
24.31
29.75
At most 1
0.138488
16.26189
12.53
16.31
At most 2
0.016729
1.653347
3.84
6.51
Trace test indicates 2 cointegrating equation(s) at the 5% level
Hypothesized
Max-Eigen
5 Percent
1 Percent
Eigenvalue
No. of CE(s)
Statistic
Critical Value
Critical Value
None
0.325919
38.65168
17.89
22.99
1
0.138488
14.60855
11.44
15.69
2
0.016729
1.653347
3.84
6.51
Max-eigenvalue test indicates 2 cointegrating equation(s) at the 5% level
Max-eigenvalue test indicates 1 cointegrating equation(s) at the 1% level
Case 2: Trend assumption: No deterministic trend (restricted constant)
Hypothesized
Trace
5 Percent
1 Percent
Eigenvalue
No. of CE(s)
Statistic
Critical Value
Critical Value
None
0.325996
56.78582
34.91
41.07
At most 1
0.140322
18.12291
19.96
24.60
At most 2
0.033168
3.305551
9.24
12.97
Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Hypothesized
Max-Eigen
5 Percent
1 Percent
Eigenvalue
No. of CE(s)
Statistic
Critical Value
Critical Value
None
0.325996
38.66291
22.00
26.81
1
0.140322
14.81736
15.67
20.20
2
0.033168
3.305551
9.24
12.97
SERIES TEMPORALES
PGINA 278
Case 3: Trend assumption: Linear deterministic trend

Hypothesized
No. of CE(s)
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
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
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

Standard errors in ( )
Cointegrating Eq:
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))
-0.537182 -0.441359 -0.344034

(0.21918) (0.15075) (0.18773)
D(Y(-1))
0.236430
(0.21771)
0.181466 0.155884
(0.14974) (0.18647)
D(Z(-1))
0.467920 0.414865 0.323425

(0.21957) (0.15102) (0.18807)
0.000453
Log Likelihood
-33.77638
-39.90227
1.120454
Schwarz Criteria
1.516113
Tabla 4.20
Estimacin de un modelo VEC con las series de la Figura 4.3 (Panel A)
SERIES TEMPORALES
PGINA 280
Observacin 4: El modelo VEC de la Tabla 4.20 puede escribirse como:
w t
yt
z t
0.22
wt 1
= 0.55 [1, 0.98, 1.02] yt 1
0.17
t 1
0.54 0.24 0.47 wt 1
0.44 0.18 0.41 yt 1
0.34 0.16 0.32 z t 1
yt 1
yt
at 1
at 2
at 3
1yt 1
F
at
yt ) (wt 0.98yt 1.02 z t ) representa la secuencia de desequilibrios transitorios

de manera que la serie (ut ) (
entre los componentes de ( yt ) con respecto a su relacin de cointegracin (una relacin estable o de equilibrio a largo
[ 0.22, 0.55, 0.17 ]
plazo) estimada wt 0.98yt 1.02 z t 0 ; ver Figura 4.14. Por otro lado, el vector
contiene los factores de ajuste estimados de cada componente de ( yt ) frente a (ut ) .
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
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
Restricted Vector Error Correction Estimates

Cointegration Restrictions:
B(1,1) = 1, B(1,2) = -1, B(1,3) = -1
A(1,1) = 0, A(3,1) = 0
LR test for binding restrictions (rank = 1):
Chi-square( 4 ):
2.203389 Probability: 0.698409
Cointegrating Eq:
CointEq1
W(-1)
1.000000
Y(-1)
-1.000000
Z(-1)
-1.000000
Error Correction:
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))
0.401630 0.397586 0.275711

(0.22199) (0.15395) (0.18988)
0.000462
Log Likelihood
-34.87808
-40.80307
1.138838
Schwarz Criteria
1.534497
Tabla 4.21
Estimacin de un modelo VEC restringido con las series de la Figura 4.3 (Panel A)
SERIES TEMPORALES
PGINA 283
Observacin 5: El estadstico LR (4.62) siempre puede calcularse como (l ) = 2[ L ( P ) L ( P )] , donde L ( P ) es el
logaritmo neperiano de la funcin de verosimilitud (4.59) (no restringida) y L ( P ) es el logaritmo de la funcin de

verosimilitud restringida bajo la hiptesis nula que se desea contrastar; ver, por ejemplo, la la Log Likelihood en las
tablas 4.20 y 4.21. Por otro lado, ntese que el nmero de restricciones que guran en la Tabla 4.21 es l = 4 porque la
condicin de normalizacin 1 = 1 tambin est incluida en la Tabla 4.20.
Paso 4
Analizar las funciones de respuesta a impulsos y las descomposiciones de las varianzas

de los errores de previsin (Seccin 3.4), a partir de la representacin VAR estndar del
modelo VEC (4.53). En ltima instancia, utilizar el modelo estimado para calcular
previsiones de las series consideradas (Seccin 3.4).
1yt 1 + at ,
yt 1 + F
Observacin 5: El modelo VEC de la Tabla 4.20 escrito como en la Observacin 4, yt =
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
0.68 0.02 0.24
= 0.11 0.64 0.15
0.17 0.01 1.15
wt 1
y
t 1
z
t 1
0.54 0.24 0.47

+ 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
Response of Z
.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
Response of Y
Response of Z
.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

Analisis de Series Temporales

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis de Series Temporales

Cargado por

Copyright:

Formatos disponibles

Introduccin al

Anlisis de Series Temporales

Jos Alberto Mauricio

ltima revisin: Marzo de 2007

Series temporales ............................................................................................ 1

Previsin con modelos ARIMA................................................................... 120

Modelos Multivariantes Estacionarios

Introduccin ................................................................................................. 146

Modelos VAR estacionarios........................................................................ 178

Modelos Multivariantes No Estacionarios

Introduccin ................................................................................................. 201

Estimacin de relaciones de cointegracin .............................................. 245

[06] Brooks, C. (2002), Introductory Econometrics for Finance, Cambridge.

y1 , y 2 , ..., yN ; (yt )tN=1 ; (yt : t = 1, ..., N ), donde yt es la observacin n t (1 t N ) de la

1.1 SERIES TEMPORALES

serie y N es el nmero de observaciones de que consta la serie completa (el tamao o la

y1 , y 2 , ..., y N ; ( yt )tN=1 ; ( yt : t = 1, ..., N ), donde yt [ yt 1 , yt 2 , ..., ytM ] ( M 2) es la

donde ytj es la observacin n t (1 t N ) sobre la caracterstica o variable n j

1.1 SERIES TEMPORALES

1.1.2 Ejemplo Series temporales

Tasa logartmica de variacin anual del PIB real en EEUU

Volumen del flujo anual del ro Nilo en Asun

1.1 SERIES TEMPORALES

Inflacin interanual en Espaa

Viviendas iniciadas en Espaa

1.1 SERIES TEMPORALES

IBEX 35 (log) al cierre en la Bolsa de Madrid

Tasa logartmica de variacin diaria del IBEX 35

1.1 SERIES TEMPORALES

ndices burstiles anuales en Alemania y EEUU

Tipos de inters de la deuda pblica en EEUU

log CDAX Composite Price Index (Alemania)

Bonos a 3 aos Vencimiento fijo

1.1 SERIES TEMPORALES

Temperatura media registrada en Madrid-Retiro

ndice de produccin industrial en Espaa

1.1 SERIES TEMPORALES

Describir la evolucin observada de dicha serie, as como las relaciones contemporneas

1.2 PROCESOS ESTOCSTICOS

1.2 PROCESOS ESTOCSTICOS

Un proceso estocstico es una secuencia de variables aleatorias, ordenadas y equidistantes

..., Y1 , Y0 , Y1 , Y2 , ... ; (Yt : t = 0, 1, 2, ...); (Yt ) , donde Yt es una variable aleatoria

..., Y1 , Y0 , Y1 , Y2 , ... ; ( Yt : t = 0, 1, 2, ...); ( Yt ) , donde Yt [Yt 1 , Yt 2 , ..., YtM ]

1.2 PROCESOS ESTOCSTICOS

..., Y1 , Y0 , Y1 , Y2 , ..., YN , YN +1 , ...

Procedencia de una serie temporal observada

Tres realizaciones posibles de un mismo proceso estocstico

1.2 PROCESOS ESTOCSTICOS

Un proceso estocstico (Yt ) es estacionario cuando las propiedades estadsticas de cualquier

1.2 PROCESOS ESTOCSTICOS

Un proceso estocstico (Yt ) es no estacionario cuando las propiedades estadsticas de al

Un modelo para un proceso estocstico es cualquier conjunto de hiptesis bien denidas

1.3.2 Ejemplo Modelos univariantes

Un proceso de ruido blanco univariante es una secuencia ( At ) de variables aleatorias

Normal, ( At ) se denomina un proceso de ruido blanco Normal o Gaussiano, lo cual suele

Un proceso estocstico univariante estacionario (Yt ) sigue un modelo AR(1) (autorregresivo

Yt = + 1Yt 1 + At para todo t = 0, 1, 2, ...,

Modelo MA(1) ARIMA(0,0,1)

Yt = + At 1 At 1 para todo t = 0, 1, 2, ...,

Paseo aleatorio ARIMA(0,1,0)

Un proceso estocstico univariante no estacionario (Yt ) es un paseo aleatorio cuando

Yt = + Yt 1 + At para todo t = 0, 1, 2, ...,

que cuando 1 = 1 , la ecuacin 1 1 x = 0 asociada con un modelo AR(1) tiene

una raz unitaria ( x = 1 ).] Por