Documentos de Académico
Documentos de Profesional
Documentos de Cultura
II.1.- INTRODUCCIN
Las etapas que habitualmente implica la estimacin de un modelo ARIMA son:
1. Anlisis de la estacionariedad de la serie:
a. Estacionariedad en media:
i. Deteccin: presencia de tendencias deterministas (no estacionariedad
en media) por observacin grfica
ii. Correccin: aplicacin de filtros de tendencia
b. Estacionariedad en varianza:
i. Deteccin: aplicacin de tests de Races Unitarias
ii. Correccin: integracin de la serie
2. Anlisis de la estacionalidad de la serie estacionaria y eventual filtrado de la
estacionalidad
3. Identificacin de la estructura ARIMA para la serie estacionaria y (eventualmente
filtrada de estacionalidad)
4. Estimacin de los parmetros del modelo ARIMA
Este texto se centrar en el primero de los puntos entendiendo que la cuestin de la
estacionalidad ha sido ya analizada con anterioridad en asignaturas introductorias a la econometra
y dejando las cuestiones relativas a la identificacin y la estimacin para un tercer documento.
II.2.- ESTACIONARIEDAD DE LAS SERIES I: Estacionariedad en MEDIA
El anlisis practico de la estacionariedad de las series temporales
Queda clara que la aproximacin a los procesos estocsticos con modelos AR o MA est
restringida, en trminos generales, a aquellos procesos estocsticos que cumplan, al menos de
forma dbil, la condicin de estacionariedad1. As pues debemos analizar la estacionariedad de las
series temporales analizadas antes de proceder a la identificacin de la estructura del proceso
estocstico AR MA.
Cmo verificamos si la serie a analizar es estacionaria en media?
La no estacionariedad en media recibe vulgarmente el nombre de tendencia aunque,
tcnicamente, debera utilizarse el trmino tendencia determinista diferencindose de lo que ms
adelante denominaremos tendencia aleatoria. Identificar tendencias deterministas en las
series suele ser habitualmente muy sencillo: normalmente es suficiente observar el grfico de la
serie para diagnosticar si su valor medio se mantiene constante o, por el contrario, crece o decrece
con el tiempo.
Debe recordarse, no obstante, que cuado observamos la estacionariedad en media, nos
interesa la estabilidad de la serie en el medio plazo, independientemente de las variaciones de
corto plazo alrededor de esa tendencia. En este sentido, no debe considerarse como tendencia
1
determinista un cambio temporal en la media, una fluctuacin que parezca transitoria (Figura 1),
sino un cambio relevante y persistente en la serie que parezca dominar el valor a medio plazo de
la media (Figura 2).
Figura1: Serie SIN tendencia determinista
(Estacionaria en media )
Para el analista, que necesita trabajar con series estacionarias en media, lo interesante es
poder aislar (conservar) esas variaciones eliminando exclusivamente el componente de cambio en
la media: a esta operacin se la denomina filtro de tendencia. En el grfico siguiente (en azul)
puede observarse como la serie original presenta una tendencia lineal creciente que puede ser
estimada (representada) con la lnea discontinua (tendencia); la serie corregida (filtrada) de
tendencia reproduce exactamente las mismas variaciones que la serie original pero sin mostrar
tendencia alguna.
Ejemplo de serie, estimacin de la tendencia y serie filtrada de tendencia
en el grfico anterior, la serie original (en azul) es la suma de los valores de la serie sin tendencia
(en rojo) ms los valores de la tendencia (lnea discontinua):
y t Tt YSTt
Para computar los valores de la tendencia en cada perodo basta con efectuar una
regresin simple de la serie en funcin de una variable de tiempo t (1,2,3,4,): el residuo de
esta regresin ser la serie filtrada de tendencia. La nica decisin a considerar ser el tipo de
funcin matemtica que mejor ajusta la tendencia de la serie (lineal, parablica, exponencial ...)
que sea ms conveniente; trabajaremos con la serie del residuo, que entonces no mostrara
tendencia y podremos decir que es estacionaria en media.
Algunos ejemplos de series con distintos tipos de tendencia: representacin grfica y funcin
matemtica a estimar
y i a tib ui
yi a bt ui
y i a b ln(t ) u i
y i a b t b t 2 ui
Sobre la eleccin del modelo de tendencia, conviene tener en cuenta algunas cautelas:
1. Debe priorizarse la sencillez en la seleccin del modelo de tendencia: sta debe slo
centrarse en la evolucin a medio plazo de la serie de modo que no es necesario que la
tendencia reproduzca exactamente cada movimiento a corto plazo. Un
comportamiento oscilante podra modelizarse, por ejemplo, con una funcin
sinusoidal pero, si este movimiento se produce alrededor de una media en sencilla
progresin creciente, bastar con proponer un modelo sencillo, montonamente
creciente, manteniendo el componente oscilatorio de la serie.
Ajuste de Tendencia Correcto (serie oscilante
sobreparametrizada)
yt y0 i
i 1
expresin que permite comprobar que aunque el paseo aleatorio simple es un proceso
estacionario en media por definicin:
t
E yt E y0 i E y0 y0
i 1
presenta una varianza no constante, que se ampla con el paso del tiempo tendiendo a
infinito a medida que t tambin lo hace.
V yt E yt E yt E y0 i y0 E i
i 1
i1
2
2
2
2
E 1 2 ..... 1 2 1 3 ..... E 1 2 .... t2 t 2
2
yt y0 a0t i
i 1
i 1
E yt E y 0 a0 t i E y 0 a0 t y 0 a0 t
i 1
V y t E y t E y t E y 0 a 0 t i y 0 a 0 t E i
i 1
i 1
2
2
2
2
2
E 1 2 ..... 1 2 1 3 .... E 1 2 .... t t 2
2
Cuando encontramos este tipo de series, es muy probable que estemos ante una serie
estacionaria en varianza. Sin embargo, resulta arriesgado tratar de distinguir grficamente una
serie con un claro componente autorregresivo pero estacionario en varianza, es decir, un proceso
AR(p) (Figura 1), de un proceso autorregresivo no estacionario en varianza (Figura 2).
Figura1:
Proceso AR(2) estacionario en varianza
Figura 2:
Proceso AR(2) no estacionario en varianza
yt yt 1 t yt yt 1 t yt 1 L t
L 1 L
Esta es la razn por la que habitualmente decimos que las series no estacionarias en
varianza son series con races unitarias. Debe advertirse que, en el caso de procesos
autorregresivos de mayor orden, las series pueden presentar ms de una raz unitaria, lo que se
corresponde con la idea de que sus polinomios de retados (de orden superior a 1) tengan ms de
una nica raz igual a la unidad. Por ejemplo, en el caso de un AR(2), el polinomio de retardos
es:
yt 1 yt 1 2 yt 2 t yt 1 yt 1 2 yt 2 t yt 1 1 L 2 L2 t
L 1 1 L 2 L2
L 1 1 L 2 L2
cuyas races son:
1 42
r1 1
22
2
1 42
y r1 1
22
2
De donde puede deducirse que si los valores de 1 y 2 suman la unidad, ambas races
del polinomio de retardos seran iguales a la unidad:
1 1 42
2
2
2
1 1 4 2 22 1 1 4 2 2 2 1
22
2
r1
1 42 4 2 1 412 4 2 42 412 0 42 (1 2 1 ) 0
2
(1 2 1 ) 0 2 1 1
Para contrastar la nulidad del coeficiente a1 en el test ADF se realiza primero una
sencilla transformacin del modelo autorregresivo tratando de transformar la hiptesis nula a 1=1
en una hiptesis clsica t de nulidad del coeficiente.
As, del modelo: yt a0 yt 1 t
pasamos al transformado:
yt yt 1 a0 a1 yt 1 yt 1 t
y t a0 ( a1 1) yt 1 t
y t a0 yt 1 t
Donde, por tanto, la hiptesis nula inicial H 0:a1=1 se transforma ahora en H0: =0 frente
a H1: <0. Decir que es nulo es lo mismo que decir que a 1=1, o sea, que existe una raz
unitaria, decir que es menor que cero equivale a decir que a 1 es menor que la unidad (proceso
autorregresivo estacionario)4.
Una vez estimado el modelo previo, podramos suponer que el p-value correspondiente
al contraste t de Student sobre el parmetro servira para aceptar o rechazar la hiptesis de
nulidad; sin embargo, Dickey y Fuller demostraron que no podemos utilizar el contraste t
habitual sobre la ratio del parmetro MCO entre su desviacin estndar. La estimacin de
a1 en y t a1 y t 1 t ser siempre consistente pero, sin embargo, su distribucin variar segn
los valores que tome la estimacin. Utilizando las palabras de Novales (1993), la distribucin de
probabilidad asinttica del estimador de MCO del modelo AR(1) presenta una discontinuidad
cuando a1=1 y, como sustituto, debern utilizarse las distribuciones derivadas de forma emprica
mediante un procedimiento de Montecarlo realizado por Dickey (1976). Ms recientemente,
MacKinnon (1991) realiz un nmero mayor de simulaciones que las tabuladas por Dickey y
Fuller. Adems, MacKinnon estim la superficie de respuesta usando los resultados de la
simulacin, lo que permite calcular los valores crticos del test DF para cualquier tamao
muestral y cualquier nmero de variables en el lado derecho de la ecuacin.
4
10
Dado que el principal error de esta tctica inicial consistira en la escasa potencia
del contraste para el rechazo de la hiptesis nula por inclusin de variables
irrelevantes, si los valores crticos indican rechazo (ausencia de raz unitaria),
terminaramos el procedimiento.
Por simplicidad expositiva, hemos utilizado en clase para el contraste del trmino tendencial
determinista, de forma aproximada, el valor del p-value correspondiente a la t de Student asumiendo
el carcter aproximado del resultado. En todo caso, la presencia de trminos tendenciales deterministas
debera poder observarse grficamente con relativa sencillez de modo que podra haberse filtrado la
serie con carcter previo al anlisis de races unitarias.
11
normal estandarizada. Sea cual sea el resultado del test con las nuevas tablas
finalizaramos aqu el contraste admitiendo o rechazando la presencia de una raz
unitaria.
Nuevamente en este caso, al igual que en el de la tendencia determinista, hemos utilizado en clase para
el contraste del trmino independiente el valor del p-value correspondiente a la t de Student
asumiendo el carcter aproximado del resultado.
12
yt I (1) yt I (0)
L 1 1 L 2 L2 L 1 L 1 L
De modo que la serie original Yt:
yt 1 yt 1 2 yt 2 t
puede representarse como una serie estacionaria mediante la expresin:
Yt L a0 t
o lo que es igual,
yt L a0 t y y 1 L 1 L a0 t 2 yt a0 t
La presencia de ms de una raz unitaria en una serie exige que el proceso generador de
datos sea de orden superior a uno dado que de otra forma el polinomio de retardos slo puede
tener una nica raz; sin embargo, el test DF slo contempla la posibilidad de una modelo AR(1)
frente aun paseo aleatorio (de orden 1). Para dar cabida a modelos de orden superior (tanto en la
hiptesis nula como en la alternativa), se propone una versin extendida del test DF que se
conoce como test ADF. Para ilustrar el modelo de contraste del test ADF, supongamos un
modelo AR(2) como base del proceso autorregresivo del que se desea analizar la
estacionariedad:
13
yt a1 yt 1 a2 yt 2 t
a2 a1 1
de modo que lo que debemos ahora contrastar con el test DF no es ya el valor de uno de
los dos coeficientes sino el de la suma de ambos. Es decir, en este caso, las hiptesis nula y
alternativa se definen del siguiente modo:
H0: a1+ a2=1 yt a0 a1 yt 1 a2 yt 2 t (yt No Estacionaria en varianza)
H0: a1+ a2<1 yt a0 a1 yt 1 a2 yt 2 t (yt Estacionaria en varianza)
Una vez ms, para adaptar el test a una hiptesis clsica de nulidad de un coeficiente, se
propone la expresin:
p
yt a0 yt 1 i yt i1 t
i 2
Donde nuevamente, la hiptesis nula a contrastar es H 0: =0 frente a H1: <0 dado que
no resulta complejo demostrar que el coeficiente es:
siendo:
1 ai
i 1
i a j
j 1
As pues, como puede observarse, la presencia de ms de una raz unitaria en una serie
exigir aadir a la regresin del test simple DF trminos retardados de la endgena yt i 1 lo
que, por otro lado, servir para corregir la regresin de contraste de posibles problemas de
autocorrelacin.