Tendencia Determinista

Introduccin
Estimacin de una tendencia determinista

Estimacin del componente estacional
Conclusiones
Tendencias Derterministas Segmentadas
Estimacin de una tendencia determinista y un

componente estacional
Prctica No 1
Tcnicas en Prediccin
Administracin y Direccin de Empresas
Departamento de Estadsitica
Universidad Carlos III
18 de Marzo, 2009
Roberto Morales Arsenal - Prctica No 1
Tendencia y Estacionalidad
Introduccin
Conclusiones
Descomposicin de series econmicas: Mtodo Clsico.
Objetivos de la prctica
Modelar los siguientes fnomenos:

1
Descomposicin de una serie a travs del mtodo clsico

o tradicional.
Tendencias derterministas.
Tendencias derterministas segmentadas.
Estacionalidad derterminista.
Estacionalidad derterminista segmentada.
Introduccin
Conclusiones
El Anlisis Clsico de Series Temporales

Proporciona estimaciones aproximadas de los componentes
tendencial, estacional, cclico e irregular. Parte de una
representacin de una serie temporal yt formada por cuatro
componentes, tendencia Tt , ciclo Ct , estacional Et , y errores It .
Tipos:
1
Modelo de componentes aditivos yt = Tt + Ct + Et + It
Modelo de componentes multiplicativos yt = Tt Ct Et It
Modelo de componentes mixto yt = Tt Ct Et + It
Un supuesto fundamental del anlisis clsico es la

independencia de las variaciones residuales respecto de los
dems componentes.
Introduccin
Conclusiones
Descomposicin de una serie en sus factores no

observables con Eviews
Descomposicin aditiva de una serie temporal
yt =
Tt + St
| {z }
No Estacionaria
+ Ct + rt
| {z }
Estacionaria
Agregando, los componentes ms oscilantes mientras que el

componente de tendencia .
yt = Senda de Evolutividad + t
t Desviaciones respecto a la SE. La nica incertidumbre
asociada a este modelo es var (t ) = 0
Introduccin
Conclusiones
Serie de Pasajeros de lneas Areas: 1949:01 a

1960:12
La serie muestra: Tendencia, estacionalidad y principio de

proporcionalidad.
Introduccin
Conclusiones
Pasos a seguir:
1
Obtencin de componente estacional aplicando un

proceso de desestacionalizacin xt St = Tt + Ct + rt
Aplicamos el filtro de Hodrick-Prescott sobre la serie
desestacionalizada para obtener el componente de
tendencia.
Generamos una nueva serie libre de tendencia y
estacionalidad por diferencia entre la serie
desestacionalizada y la tendencia. xt St Tt = Ct + rt .
Obtenemos el componente cclico utilizando una media
mvil de orden 4 (@MOVAV(nombre, orden)).
Obtenemos la parte irregular de la serie como diferencia
de la serie generada en el paso 3 menos la serie generada
en el paso 4.
Introduccin
Conclusiones
Serie Desestacionalizada
Introduccin
Conclusiones
Comparativa de la serie desestacionalizada y la

original
Introduccin
Conclusiones
Componente estacional
Introduccin
Conclusiones
Componente de tendencia
Introduccin
Conclusiones
Comparativa
Introduccin
Conclusiones
Xt St Tt = Ct + rt
Introduccin
Conclusiones
Componente cclico
Introduccin
Conclusiones
Componente irregular
Introduccin
Conclusiones
Comparativa
Introduccin
Conclusiones
Componentes de una serie temporal
Introduccin
Conclusiones
La descomposicin tradicional requiere imponer fuertes

restricciones en la caracterizacin de Tt , Ct y rt .
En particular, que tales componentes son independientes.
Hoy en da no existe consenso sobre que sea factible la
especificacin y estimacin de Tt , Ct y rt con restricciones
de aceptacin general.
La idea de que las series econmicas tienen tendencia,
ciclos y fluctuaciones residuales resulta muy til para
expresar las caractersticas bsicas de los datos
econmicos.
Introduccin
Conclusiones
El caso del IPI
Tendencias Deterministas
yt = t + at
t = f (t, )
t Nivel de la serie y at innovacin at N(0, a2 )
Prediccin
yt (k) = T +k = f(T + k, )
Introduccin
Conclusiones
El caso del IPI
Modelo de nivel constante o sin tendencia
yt = + at
Modelo con tendencia lineal
t = 0 + 1 t
yT (k) = 0 + 1 (T + k)
Modelo con tendencia polinmica
t = 0 + 1 t + ... + r t r
Introduccin
Conclusiones
El caso del IPI
Tendencias
La naturaleza agregada de muchas variables econmicas
presentan una pauta creciente a lo largo del tiempo que no
permite observar aspectos de inters que ocurren a corto
plazo, como el caso del IPI. Este pauta la denominamos
tendencia. Como la tendencia se desconoce es preciso
estimarla previamente y, para ello, es preciso a su vez
especificar un determinado modelo de tendencia.
Introduccin
Conclusiones
El caso del IPI
Tendencias
Tipos
Deterministas.
Estocsticas.
Caractersticas bsicas
Se perpetan en el futuro.
Evolucionan de forma acclica.
Factores causantes de la tendencia
Aumentos en la poblacin.
Inflacin mantenida en el tiempo.
Cambios tecnolgicos.
Cambios en preferencias, hbitos, regulaciones sociales.
Introduccin
Conclusiones
El caso del IPI
Se dice que una tendencia es determinista si conociendo sus
valores pasados se puede determinar sin error sus valores
futuros. Con tendencias deterministas no hay incertidumbre
sobre ellas.
Tendencias Deterministas en Eviews
Tendencia=@trend+1
Introduccin
Conclusiones
El caso del IPI
Mtodos de ajuste de la Tendencia

1
Mtodo de ajuste anlitico Realizamos un ajuste por

regresin de los valores de la serie a una funcin del
tiempo que sea sencilla y recoja de manera satisfactoria la
marcha general del fenmeno representado por la serie
temporal.
Mtodo de Medias Mviles Analiza la tendencia de una

serie temporal a partir de los datos iniciales mediante
determinadas medias.
Mtodo de diferencias Consiste en derivar de la serie

original yt una nueva serie zt obtenida como la diferencia
entre el valor de la variable en el momento actual y el valor
en el momento inmediatamente anterior
zt = yt yt1 = yt
Introduccin
Conclusiones
El caso del IPI
Estimacin de Modelos de Tendencia
Regresin por MCO

Para ajustar los diversos modelos de tendencia a los datos de
una serie temporal se usa MCO.
= argmn
T
X
[yt Tt ()]2
t=1
donde es el conjunto de parmetros a estimar.
Introduccin
Conclusiones
El caso del IPI
El ndice de produccin industrial

La serie IPI muestra una
clara tendencia y estructura
estacional, es decir, su
valor esperado no es
constante. E(zt ) = E(zt+s ),
con una estacionalidad de
perodo s. En el caso del
IPI se produce un brusco
descenso todo los meses
de agosto debido al
perodo vacacional que se
compensa de forma
especfica en cada uno de
los restantes meses del
ao.
Introduccin
Conclusiones
El caso del IPI
Tomando logaritmos
Introduccin
Conclusiones
El caso del IPI
Estimando la tendencia lineal para IPI

Tt = a + bt; t TIEMPO = (1, 2, 3, ..T )
Introduccin
Conclusiones
El caso del IPI
Estimando la tendencia parablica para IPI

Tt = a + bt + ct 2
Introduccin
Conclusiones
El caso del IPI
Estimando la tendencia exponencial para IPI

Tt = aebTIEMPO Principio de Proporcionalidad
Introduccin
Conclusiones
El caso del IPI
Tendencias exponencialeslog-lineal
Tt Tt1
Tt1
Aplicando la aproximacin de Taylor de primer orden.
Tt = Tt1 + Tt1 b b =
logTt = logTt logTt1 = b

procediendo recursivamente obtenemos
logTt = a + bt
siendo a log de la tendencia en el momento cero.
Tt = e(a+bt) ; xt = exp(a + bt)exp(wt )
Podemos linealizarlo: logxt = a + bt + wt donde b es el factor
incremental que entra de forma multiplicativa.
Introduccin
Conclusiones
El caso del IPI
Estimando la tendencia log-lineal para IPI

logIPI = a + bt + wt
Introduccin
Conclusiones
El caso del IPI
Grfico de los residuos del Modelo log-lineal
Los residuos muestran una clara estructura estacional que no

ha sido captada por el modelo.
Introduccin
Conclusiones
El caso del IPI
Correlograma de los residuos
Introduccin
Conclusiones
El caso del IPI
Interpretacin de los parmetros de la estimacin
Nivel-Nivel
Nivel-Log
Log-Nivel
Log-Log
Var. Depend.
y
y
log(y)
log(y)
Var. Indep.
x
log(x)
x
log(x)
Interpret. de 1
y = 1 x
y = (1 /100) %x
%y = (1001 )x
%y = 1 %x
Introduccin
Conclusiones
El caso del IPI
Interpretacin de los parmetros de la estimacin
En nuestro caso hemos obtenido:

logIPI = 4,07 + 0,001520TIEMPO + t
a Valor de la tendencia en el momento anterior al
comienzo de la muestra.
b Factor incremental, la tendencia crece mensualmente
un 0.152 %.
Introduccin
Conclusiones
El caso del IPI
Prediccin (in sample) del Modelo Final log-lineal
Introduccin
Conclusiones
El caso del IPI
Prediccin (in sample) del Modelo Final log-lineal
Introduccin
Conclusiones
El caso del IPI
Seleccin de Modelos
Criterios de Informacin
ECP =
T
X
t=1
T
et2
Error Cuadrtico Medio
T
X
AIC = exp(2k/T ) t=1T
T
X
SIC = T ( T ) t=1T
et2
Akaike Information Criterion
et2
Schwarz Information Criterion
Orientacin negativa: cuanto menor mejor.

Introduccin
Conclusiones
El caso del IPI
La Estacionalidad
Pauta o comportamiento estacional que se repite cada
ao.
Esta puede ser exacta, cuando se refiere a
estacionalidad determinista o bien, aproximada, si se
habla de estacionalidad estocstica.
Puede provocar una distorsin del verdadero movimiento
de la serie.
Al proceso de eliminar el componente estacional se le
denomina desestacionalizacin o ajuste estacional.
Destacan los programas X11 y X12 del Bureau of the
Census de EEUU para desestacionalizar.
Introduccin
Conclusiones
El caso del IPI
La Desestacionalizacin
Mtodos de desestacionalizacin
1
Mtodos de desestacionalizacin del ndice estacional.
Mtodo de Medias Mviles.
Mtodo de diferencias estacionales.
Mtodo de variables artificiales. los residuos estimados

t = yt yt sern los valores de la serie
de la regresin u
desestacionalizada.
Introduccin
Conclusiones
El caso del IPI
En esta prctica nos ocuparemos de la estacionalidad

determinista que vamos a modelar a travs de variables
dummies.
12
X
logIPI = a + bt +
aj Sjt + t
j=1
donde
Sjt =
1
0
en el mes j.
en los dems.
Introduccin
Conclusiones
El caso del IPI
Existencia de Multicolinealidad Perfecta
Introduccin
Conclusiones
El caso del IPI
Recordatorio
Multicolinealidad
adj(x x)T
MCO = (x x)1 x y (x x)1 =
|x x|
1
Multicolinealidad Exacta (o perfecta)

matriz singular |x x | = 0 MCO =
Multicolinealidad aproximada, inexacta, imperfecta o

cuasimulticolinealidad.
Var(MCO ) = 2 (x x )1 mucho mayores de lo normal.
Las hiptesis nulas H0 : = a tienden a no rechazarse con
i ))
ms frecuencia de lo normal. ICi = (i t dt(
Intervalos amplios.
Introduccin
Conclusiones
El caso del IPI
Estimacin del Modelo Estacional con tendencia
Todos los
parmetros han resultado ser significativos. Puede observarse
como el coeficiente ms bajo corresponde al mes de agosto.
Introduccin
Conclusiones
El caso del IPI
Recordatorio: Componentes de un contraste

H0 Hiptesis Nula, que se mantiene como vlida
mientras no se encuentre evidencia contra ella.
H1 Hiptesis Alternativa, a favor de la que se rechaza la
hiptesis nula.
EC Estadstico de Contraste, variable aleatoria cuya
distribucin se conoce bajo la hiptesis nula.
RC Regin crtica, subconjunto de R. Si EC RC se
rechaza H0 .
Nivel de significacin, probabilidad de error tipo I
(prob. de rechazar H0 siendo cierta).
1 Potencia del contraste. 1 P(Error tipo II)
Introduccin
Conclusiones
El caso del IPI
Recordatorio: Contrastes de significacin individual
Contraste para la hiptesis H0 : i = t =
i
i )
dt(
tT k
Resolucin del contraste

Utilizando el valor crtico. Si |tT k | > t/2 Rechazo la H0 .
Utilizando el p value (o nivel de significacin marginal)
p value = Pr(|tT k | > tT k )
Si p value < Rechazo H0 .
Introduccin
Conclusiones
El caso del IPI
Residuos Modelo Estacional con tendencia
Los residuos muestran como todava no se ha captado toda la

estructura de la serie (un componente cclico).
Introduccin
Conclusiones
El caso del IPI
Correlograma de los residuos
El correlograma muestra un estructura que debe ser modelada.

Introduccin
Conclusiones
El caso del IPI
Predicciones con el Modelo Final:T+E
Introduccin
Conclusiones
El caso del IPI
Predicciones con el Modelo Final:T+E
Introduccin
Conclusiones
El caso del IPI
Contrastes de normalidad
Es un supuesto fundamental en inferencia. Se debe contrastar
siempre. Para ello utilizaremos:
Histograma de los residuos.
Test de Jarque-Bera.
El test de Jarque Bera (JB)
H0 : ut N
JB =
T k
6

S 2 + 14 (K 3)2 22
El JB tiene en cuenta la curtosis (K) y la asimetra (S)

k Nmero de variables estimadas y T Nmero de
observaciones.
Introduccin
Conclusiones
El caso del IPI
Histograma del Modelo Final: T+E
No se rechaza normalidad en los residuos, por lo tanto, los

supuestos del MLG son vlidos, y por tanto, la estimacin del
modelo es correcta (pero el modelo no lo es).
Introduccin
Conclusiones
El caso del IPI
Recordatorio
Supuestos del M.L.G.
1
El modelo es lineal o linealizable y esta correctamente

especificado.
Los parmetros son constantes.
Las variables explicativas o regresores x son

deterministas o fijas y linealmente independientes (no hay
multicolinealidad).
E [ut ] = 0 t donde u errores del modelo.

La matriz de varianzas y covarianzas de los errores de un
modelo correcto es escalar Var(u) = n2 I
No hay autocorrelacin.
No hay heterocedasticidad.
Introduccin
Conclusiones
Conclusiones
La estructura determinstica es muchas veces una mala

aproximacin.
Es importante modelizar las desviaciones sobre la

tendencia y la estacionalidad.
Introduccin
Conclusiones
Tendencias Segmentadas
Las tendencias segmentadas son tendencias no lineales que

tienen la propiedad de ser lineales a tramos o segmentos.
Tipos de Segmentacin de la tendencia
1
Quiebra de Nivel.
Quiebra de crecimiento.
Quiebra de Nivel y crecimiento.
Introduccin
Conclusiones
Tendencia Segmentada
Introduccin
Conclusiones
Segmentacin de la tendencia
yt = 0 + 1 t + 01 1t + 11 1t + t
Segmentacin del nivel
(
0 t < t
1t
1 t t
Segmentacin del crecimiento
(
0
t < t
1t
(t t1 + 1) t t
En Eviews: 1t = (@trend + 1 t1 ) + 1
Introduccin
Conclusiones
Introduccin
Conclusiones
Introduccin
Conclusiones
Otra forma de modelizar la estacionalidad
logIPI = a + bt +
11
X
jt + t
j S
j=1
1 + 2 + ... + 12 = 0 ; b12 =
11
X
j=1
donde
1 en el mes j.
Sjt =
0 resto.
1 t Diciembre.
En Eviews: enero=(@seas(1)-@seas(12))
Introduccin
Conclusiones
Estacionalidad Determinista Segmentada
yt = 0 + 1 t + 01 1t + 11 1t +
11
X
j SAjt
j=1
donde
11
X
j=1
1 en el mes j.
SAjt =
0 resto.
1 t Diciembre.
Misma estructura para SB jt
j SB jt + t
Introduccin
Conclusiones
Nota sobre las predicciones

Formas de presentar las predicciones
1
2
Prediccin puntual Es un nmero fijo.

i )). Nos da
Prediccin por intervalos ICi = (i t dt(
un cierto grado de incertidumbre asociada a la prediccin
puntual. En prediccin los intervalos de confianza lo
estndar es obtener los intervalos al 80 % (VC=1.28).
Prediccin de la funcin de densidad asociada a cada una
de las predicciones.
Valores crticos en Eviews

1
SCALAR CRIT=@QNORM(0.975).
SCALAR CRIT=@QTDIST(0.9,20)
Introduccin
Conclusiones
Recordatorio
Funcin de densidad y de distribucin (t-student)
Introduccin
Conclusiones
Recordatorio
Funcin de densidad de las predicciones
Introduccin
Conclusiones
Ejemplo de estimacin de funciones de densidad

El grfico de abanico o fan chart
Mitchell y Hall (2005)

Las funciones de densidad estimadas proveen de una
completa descripcin de la incertidumbre asociada con la
prediccin.

Tendencia Determinista

Cargado por

Información del documento

Título original

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

Tendencia Determinista

Cargado por

Copyright:

Formatos disponibles

Introduccin

Estimacin de una tendencia determinista

Estimacin de una tendencia determinista y un

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Modelar los siguientes fnomenos:

Descomposicin de una serie a travs del mtodo clsico

Tendencias derterministas segmentadas.

Estacionalidad derterminista segmentada.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

El Anlisis Clsico de Series Temporales

Modelo de componentes aditivos yt = Tt + Ct + Et + It

Modelo de componentes multiplicativos yt = Tt Ct Et It

Modelo de componentes mixto yt = Tt Ct Et + It

Un supuesto fundamental del anlisis clsico es la

Descomposicin de series econmicas: Mtodo Clsico.

Descomposicin de una serie en sus factores no

Agregando, los componentes ms oscilantes mientras que el

Descomposicin de series econmicas: Mtodo Clsico.

Serie de Pasajeros de lneas Areas: 1949:01 a

La serie muestra: Tendencia, estacionalidad y principio de

Descomposicin de series econmicas: Mtodo Clsico.

Obtencin de componente estacional aplicando un

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Comparativa de la serie desestacionalizada y la

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Componentes de una serie temporal

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

La descomposicin tradicional requiere imponer fuertes

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

El caso del IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

El caso del IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

Mtodos de ajuste de la Tendencia

Mtodo de ajuste anlitico Realizamos un ajuste por

Mtodo de Medias Mviles Analiza la tendencia de una

Mtodo de diferencias Consiste en derivar de la serie

El caso del IPI