Modelos de Funcin de Transferencia

Arnzazu de Juan Fernndez

Abril 2006
1
1 I nt r oducci n
En los modelos de funcin de transferencia, el objetivo es relacionar dos ms
series temporales elaborando modelos causales de prediccin. Se considera la
forma de relacionar una serie temporal, denominada output en funcin de una
u otras series temporales, que se denominan inputs. Tambin se considera
a priori que existe una causalidad unidireccional desde los inputs hacia el
output, desechando la posibilidad de feedback.
Una de las preguntas que surgen habitualmente es por qu utilizar los
modelos de funcin de transferencia si exite el modelo lineal general que rela-
ciona diferentes variables?. Existen diversas razones que explican la necesi-
dad de los modelos de funcin de transferencia:
1.- En el modelo lineal general, la relacin suele ser instantnea y viene
establecida a priori.
2.- En el modelo lineal general, la relacin va de la variable x
|
a la variable
y
|
, pero la variable y
|
no inuye sobre la variable x
|
.
3.- En el modelo lineal general, la parte de variable respuesta no explicada
por la variable independiente x
|
es un proceso u
|
de variables independientes.
No se suele vericar con datos dinmicos.
Estos modelos son muy utilizados en todos los campos cientcos para
evaluar respuestas dinmicas. Si las variables inputs son controlables, es-
tos modelos permiten simular y evaluar polticas alternativas. Si no lo son,
ofrecen la posibilidad de estudiar cmo ciertos "escenarios", denidos por
posibles evoluciones de la variable explicativa, afectan a la variable respuesta.
Adems estos modelos son muy tiles para elaborar predicciones, aunque
depender del intervalo que se tenga entre observaciones. Si disponemos de
2
datos anuales (es decir el intervalo entre observaciones es grande), la relacin
entre la variable explicativa y la respuesta no suele contener retardos y para
prever el output es necesario conocer el input. En el caso ms general en que
x
|
es estocstico, para preverla es necesario construir su modelo univariante,
y es posible que la mejora en la prediccin de y
|+ l
que aporte el modelo
dinmico basado en la prediccin de x
|
respecto al modelo univariante para
y
|
sea pequea, por el error de prediccin de la variable exgena. Sin em-
bargo, el modelo puede ser muy adecuado para la prediccin condicional de
la respuesta en funcin de posibles valores de la variable explicativa.
Si el perodo de observacin es corto (diario o minutos), donde es frecuente
que existan retardos en la relacin entre las variables, de manera que x
|l
afecta a y
|
(k > 0). En este caso, la variable x
|
es un indicador avanzado de
la respuesta y como el regresor que necesitamos para prever la respuesta en
el instante t es conocido, el modelo de regresin dinmica suele proporcionar
mejores predicciones de y
|
que el univariante.
La construccin de los modelos de funcin de transferencia sigue las mis-
mas etapas que la construccin de los modelos univariantes de series tempo-
rales: Identicacin, Estimacin, Vericacin y Prediccin.
3
2 M odel os de funci n de t r ansfer enci a con un
ni co i nput
2.1 Concept os gener al es
El caso ms sencillo es el modelo de funcin de transferencia con un slo
input, que se puede extender sin grandes dicultades a modelos con varios
inputs.
En un sistema lineal de un nico input y nico output, la serie output Y
|
y la serie input X
|
se relacionan a travs de un ltro lineal de la siguiente
forma:
Y
|
=
0
X
|
+
1
X
|1
+
2
X
|2
+... +N
|
(1)
= (B)X
|
+N
|
donde (B) =
0
+
1
B +
2
B
2
+... se reere como funcin de transferencia
del ltro de Box y Jenkins (1970), y N
|
es el ruido del sistema que es inde-
pendiente de la serie input X
|
. Los coecientes de (B) se conocen como la
funcin de respuesta al impulso. Para que el sistema (1) sea estable se debe
cumplir que una variacin nita en el input produzca una variacin tambin
nita en el output. Esto es deber cumplirse que

X
)= 0

)
= g (2)
siendo g nito. El valor de g representa el cambio total en Y
|
motivado por
un cambio unitario en X
|
mantenido indenidamente en el tiempo.
Los propsitos de la modelizacin de funcin de transferencia son iden-
ticar y estimar la funcin de transferencia (B) y el modelo del ruido N
|
4
sobre la base de la informacin que proporcionan la serie input y la serie
output.
El modelo (1) es inestimable, debido a que en l aparece un nmero
innito de parmetros. Este problema se puede aliviar al expresar la funcin
de transferencia como el cociente de dos polinomios (racionales) nitos:
(B) =
(B)B
b
(B)
(3)
donde (B) =
0

1
B
2
B
2
...
c
B
c
, (B) = 1
1
B
2
B
2
...
v
B
v
y b es un parmetro de retardo que representa el tiempo que transcurre antes
de que el impulso en la variable input produzca un efecto en la variable
output. Para que el sistema sea estable, se asume que las races de (B) = 0
caen fuera del crculo unidad.
Sustituyendo (3) en (1), se obtiene:
Y
|
=
(B)B
b
(B)
X
|
+N
|
(4)
Por otro lado, el trmino de error no tiene por qu ser necesariamente un
ruido blanco. Se puede suponer, con carcter general, que N
|
sigue un proceso
ARIMA, aunque sigue siendo independiente de la variable de input X
|
, esto
es:
(B)(1 B)
o
N
|
= (B)u
|
(5)

N
|
=
(B)
(B)(1 B)
o
u
|
(6)
con (B) = (1
1
B
2
B
2
...
q
B
q
) y (B) = (1
1
B
2
B
2
...
j
B
j
)
de manera que todas las races de ambos polinomios caen fuera del crculo
5
unidad siendo (1 B)
o
el operador diferencias consecutivas utilizado para
inducir estacionariedad y u
|
es un ruido blanco.
Sustituyendo (6) en (4), se obtiene:
(1 B)
o
Y
|
=
(B)B
b
(B)
(1 B)
o
X
|
+
(B)
(B)
u
|
(7)
A partir de (7) puede observarse que si el proceso del trmino de error (5)
no es estacionario y, por tanto, debe diferenciarse d veces para conseguir
la estacionariedad, este mismo orden de diferenciacin recae tanto sobre la
variable dependiente o output como sobre la variable explicativa o input.
Sin embargo, en la prctica, para construir un modelo de funcin de
transferencia, se requiere que tanto la variable dependiente (output) como
la variable explicativa (input) sean estacionarias, para lo cual obviamente
no tiene por qu cumplirse que ambas variables necesiten el mismo orden
de diferenciacin para lograr su estacionariedad. Por otra parte, una vez
lograda la estacionariedad en ambas variables, el proceso N
|
deber ser un
ARMA(p, q), con lo cual el modelo de funcin de transferencia se puede
escribir como:
y
|
=
(B)B
b
(B)
x
|
+
(B)
(B)
u
|
(8)
donde y
|
= (1B)
o
Y
|
y x
|
= (1B)
o
X
|
, siendo d el orden de diferenciacin
de Y
|
y d el orden de diferenciacin de X
|
.
Este modelo de funcin de transferencia se representa grcamente como
en la gura 1.
a.- La estructura de la funcin de transferencia determina la naturaleza de
la inuencia de la variable explicativa sobre la variable dependiente.
6
-6
-4
-2
0
2
4
5 10 15 20 25 30 35 40 45 50
0.0
0.1
0.2
0.3
0.4
0.5
0.6
2 4 6 8 10 12 14 16 18 20 22
Funcin de respuesta al impulso
-4
-2
0
2
4
5 10 15 20 25 30 35 40 45 50
INPUT OUTPUT
SISTEMA DINMICO
------
-----
Figure 1: Input y Ouput a partir de un sistema dinmico
b.- Modelo del ruido representa un proceso ARMA estndar.
La conjuncin de ambas partes da lugar al modelo de funcin de trans-
ferencia completo. (ver gura 2)
A partir de (3), resulta inmediato que, una vez que conozcamos los va-
lores de (B), (B) y b, podremos obtener de inmediato los coecientes de
respuesta del impulso,
)
, igualando los coecientes de B
)
de ambos lados de
la siguiente ecuacin:
(B)(B) = (B)B
b
(9)
que tambin puede escribirse como:
(1
1
B
2
B
2
...
v
B
v
)(
0
+
1
B+
2
B
2
+...) = (
0

1
B
2
B
2
...
c
B
c
)
(10)
7
Estructura de funcin de
Transferencia b B B ), ( ), (
Model o univariante del
Ruido
) ( ), ( B B
Variable
Explicativa
Ruido Blanco
t
x
t
a
Variable
dependiente
t
y
+ +
t
b
x B
B
B
) (
) (


t
a
B
B
) (
) (


Figure 2:
A partir de esta expresin, se obtiene:

)
= 0 para j < b

)
=
1

)1
+
2

)2
+... +
v

)v
+
0
para j = b

)
=
1

)1
+
2

)2
+... +
v

)v
+
)b
para j = b + 1, ..., b +s

)
=
1

)1
+
2

)2
+... +
v

)v
para j > b +s
(11)
Adems, las r ponderaciones de respuesta al impulso
b+ c
,
b+ c1
, ...,
b+ cv+ 1
,
sirven como valores iniciales para la ecuacin en diferencias:
(B)
)
= 0 para j > b +s (12)
De esta forma, las ponderaciones de respuesta al impulso presentan las si-
guientes caractersticas:
a.- Hay b coecientes iguales a 0 (
0
,
1
, ...,
b1
)
8
b.- Hay s r + 1 coecientes (
b
,
b+ 1
, ...,
b+ cv
) que no siguen un patrn
de comportamiento jo.
c.- Hay r coecientes de respuesta al impulso que sirven como valores ini-
ciales (
b+ cv+ 1
,
b+ cv+ 2
, ...,
b+ c
)
d.- Para j > b + s, los coecientes de respuesta al impulso (
)
) siguen el
patrn autorregresivo de orden r dado en (12).
Por lo tanto, si conocemos los coecientes de respuesta al impulso (
)
),
podemos determinar los valores de b, r, s como sigue:
1.- El valor de b se determinar teniendo en cuenta el hecho de que
)
= 0
para j < b y
b
6= 0.
2.- El valor de r se determinar por el patrn de comportamiento de los coe-
cientes de respuesta al impulso de forma similar a como se identica
el orden p de un modelo ARIMA a travs de la funcin de autoco-
rrelacin.
3.- En cuanto al valor de s, para un valor dado de b, si r = 0 podr identi-
carse fcilmente s por cunto se cumplir que
)
= 0 para j > b + s.
Si r 6= 0, el valor de s se encontrar observando cuando comienza a
decaer el patrn de la funcin de respuesta al impulso.
Algunas funciones de respuesta al impulso tpicas
En la prctica, los valores de r y s raramente exceden de 2. Los casos
ms habituales que suelen encontrarse en variables econmicas son:
9
(b, r, s) Funcin de Transferencia Ponderaciones de respuesta al impulso
r = 0
(3, 0, 0) (B)x
|
=
0
x
|3
0.0
0.2
0.4
0.6
0.8
1.0
2 4 6 8 10 12 14
(3, 0, 1) (B)x
|
= (
0

1
B)x
|3
0.0
0.2
0.4
0.6
0.8
1.0
2 4 6 8 10 12 14
(3, 0, 2) (B)x
|
= (
0

1
B
2
B
2
)x
|3
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
2 4 6 8 10 12 14
r = 1
(3, 1, 0) (B)x
|
=
.
0
(1c
1
1)
x
|3
0.0
0.2
0.4
0.6
0.8
2 4 6 8 10 12 14
(3, 1, 0) (B)x
|
=
(.
0
.
1
1)
(1c
1
1)
x
|3
0.0
0.1
0.2
0.3
0.4
0.5
0.6
2 4 6 8 10 12 14
(3, 1, 2) (B)x
|
=
(.
0
.
1
1.
2
1
2
)
(1c
1
1)
x
|3 0.0
0.1
0.2
0.3
0.4
0.5
0.6
2 4 6 8 10 12 14
r = 2
(3, 2, 0) (B)x
|
=
.
0
(1c
1
1c
2
1
2
)
x
|3 -0.2
0.0
0.2
0.4
0.6
5 10 15 20 25 30 35
(3, 2, 1) (B)x
|
=
(.
0
.
1
1)
(1c
1
1c
2
1
2
)
x
|3
-0.2
0.0
0.2
0.4
0.6
5 10 15 20 25 30 35
(3, 2, 2) (B)x
|
=
(.
0
.
1
1.
2
1
2
)
(1c
1
1c
2
1
2
)
x
|3 -0.2
0.0
0.2
0.4
0.6
5 10 15 20 25 30 35
10
Tabla 1: Funciones de respuesta al impulso tpicas en variables econmicas
Tipo 1: r = 0
a) b = 3, s = 0
En este caso, la ecuacin (10) puede escribirse:

0
+
1
B +
2
B
2
+... =
0
B
3
(13)
luego

3
=
0

)
= 0 j > 2
(14)
b) b = 3; s = 1
La ecuacin (10) en este caso ser:

0
+
1
B +
2
B
2
+... = (
0

1
B)B
3
(15)
luego

3
=
0

4
=
1

)
= 0 j > 4
(16)
c) b = 3; s = 2
La ecuacin (10) en este caso ser:

0
+
1
B +
2
B
2
+... = (
0

1
B
2
B
2
)B
3
(17)
11
luego

3
=
0

4
=
1

5
=
2

)
= 0 j > 5
(18)
Tipo 2: r = 1
a) b = 3; s = 0: Los coecientes de la respuesta al impulso decrecen ex-
ponencialmente a partir de
b+ c
=
3
. En efecto, con b = 3, r = 1 y
s = 0, la ecuacin (10) ser igual a:
(1
1
B)(
0
+
1
B +
2
B
2
+...) =
0
B
3
(19)
obtenindose:

3
=
1

2
+
0
=
0

4
=
1

3
=
1

5
=
1

4
=
2
1

)
=
)3
1

0
j > 3
(20)
Adems, como tiene que cumplirse que |
1
| < 1, se obtendr claramente
un decrecimiento exponencial de la funcin de respuesta al impulso a
partir de
3
.
b) b = 3; s = 1: Los coecientes de la respuesta al impulso decrecen ex-
ponencialmente a partir de
b+ 1
=
4
. La ecuacin (10) ser igual
a:
(1
1
B)(
0
+
1
B +
2
B
2
+...) = (
0

1
B)B
3
(21)
12
obtenindose:

3
=
1

2
+
0
=
0

4
=
1

1
=
1

5
=
1

)
=
1

)1
j > 4
(22)
Ahora, el decrecimiento de la funcin de respuesta al impulso se pro-
ducir a partir de
4
.
c) b = 3; s = 2: El decrecimiento exponencial de la funcin de respuesta
al impulso se producir ahora a partir de
b+ c
=
5
. La ecuacin (10)
ser:
(1
1
B)(
0
+
1
B +
2
B
2
+...) = (
0

1
B
2
B
2
)B
3
(23)
A partir de esta ecuacin, se obtiene:

3
=
1

2
+
0
=
0

4
=
1

1
=
1

5
=
1

6
=
1

)
=
1

)1
j > 5
(24)
Dentro de este tipo, el valor de b se identica observando cul es el
primer coeciente de la funcin de respuesta al impulso que es no nulo;
el valor de s se identica observando el nmero de coecientes de la
funcin de respuesta al impulso que no decrecen a partir de
b
. r = 1
se identica por cuanto a partir de
b+ c
su comportamiento es como
el de un proceso AR(1), es decir, la funcin de respuesta al impulso
13
presenta un comportamiento como el de la funcin de autocorrelacin
de un proceso AR(1).
Tipo 3: r = 2
En este caso, los coecientes de la funcin de respuesta al impulso exhiben
a partir de
b+ c
, bien un comportamiento de decrecimiento exponencial o
bien un comportamiento sinusoidal decreciente, dependiendo de si las races
de (B) = 1
1
B
2
B
2
son reales (
2
1
+4
2
0) complejas (
2
1
+4
2
< 0).
2.2 M odel os de funci n de t r ansfer enci a con ml t i pl es
i nput s y est aci onal es
El modelo se puede generalizar a:
1.- La existencia de ms de un input
2.- que el ruido viene generado por un proceso estacional multiplicativo
2.2.1 Gener al i zaci n a k i nput s
En este caso el modelo de funcin de transferencia sera:
y
|
=

1
(B)

1
(B)
x
1,|b
+

2
(B)

2
(B)
x
2,|b
+... +

l
(B)

l
(B)
x
l,|b
+N
|
(25)
=

1
(B)

1
(B)
B
b
1
x
1|
+

2
(B)

2
(B)
B
b
2
x
2|
+... +

l
(B)

l
(B)
B
b
k
x
l|
+N
|
=
l
X
i= 1

i
(B)

i
(B)
B
b
i
x
i|
+N
|
donde y
|
= (1 B)
o
Y
|
y x
|
= (1 B)
o
X
|
.
14
2.2.2 Gener al i zaci n par a un pr oceso est aci onal mul t i pi cat i vo
El proceso del ruido en este caso sigue el modelo
N
|
=
(B)(B
c
)
(B)(B
c
)(1 B)
o
(1 B
c
)
1
u
|
(26)
con (B
c
) = (1
1
B
c

2
B
2c
...
1
B
1c
) y (B
c
) = (1
1
B
c

2
B
2c
...
Q
B
Qc
).
Reemplazando (26) en (25), se obtiene:
(1 B)
o
(1 B
c
)
1
Y
|
=
l
X
i= 1

i
(B)

i
(B)
B
b
i
(1 B)
o
(1 B
c
)
1
X
i|
+
(B)(B
c
)
(B)(B
c
)
u
|
(27)
Si el trmino de error de (26) no es estacionario y por tanto, debe diferenciarse
mediante (1 B)
o
(1 B
c
)
1
, este mismo orden de diferenciacin recae tanto
sobre Y
|
como las k variables explicativas. Pero, dado que no es de esperar que
todas las variables involucradas en el modelo requieran el mismo nmero de
diferencias, la forma habitual de escribir el modelo de funcin de transferencia
general es:
y
|
=
l
X
i= 1

i
(B)

i
(B)
B
b
i
x
i|
+
(B)(B
c
)
(B)(B
c
)
u
|
(28)
donde y
|
= (1 B)
o
0
(1 B
c
)
1
0
Y
|
y x
i|
= (1 B)
o
i
(1 B
c
)
1
i
X
i|
.
2.2.3 Gener al i zaci n del model o de funci n de t r ansfer enci a con
par met r os est aci onal es
El modelo de funcin de transferencia ms general vendra dado por la ex-
presin
y
|
=
l
X
i= 1

i
(B)
i
(B
c
i
)

i
(B)
i
(B
c
i
)
B
b
i
x
i|
+
(B)(B
c
)
(B)(B
c
)
u
|
(29)
15
donde
i
(B
c
i
) = (
i0

i1
B
c
i

i2
B
2c
i
...
Hi
B
Hc
i
) y
i
(B
c
i
) = (1

1i
B
c
i

2i
B
2c
i
...
1i
B
1c
i
).
3 I dent i caci n de l a funci n de t r ansfer enci a
3.1 La funci n de covar i anza y cor r el aci n cr uzada
La funcin de correlacin cruzada es una medida muy til de la fuerza y la
direccin de la relacin entre dos variables aleatorias. Dados dos procesos
estocsticos x
|
e y
|
para t = 0, 1, 2, ..., decimos que x
|
e y
|
son conjunta-
mente estacionarios si x
|
e y
|
son ambos procesos univariantes estacionarios
y la covarianza cruzada entre x
|
e y
|
es una funcin de la diferencia temporal.
La covarianza cruzada se dene:

a
(j) = E[(y
|

)(x
|)

a
)] j = 0, 1, 2, ... (30)

a
(j) = E[(x
|

a
)(y
|)

)] j = 0, 1, 2, ... (31)
Dando valores a j se obtiene la funcin de covarianzas cruzadas.
Las covarianzas cruzadas no necesitan ser simtricas alrededor de 0. Por
el contrario, es muy posible que x
|
sea una variable que cause a y
|
y por lo
tanto, est fuertemente correlacionada con valores futuros de y
|
, de manera
que
a
(j) 6= 0, j > 0 y que sin embargo no est correlacionada con valores
retardados de y
|
, es decir,
a
(j) = 0, j > 0. Por lo tanto, en principio,

a
(j) 6=
a
(j) (32)
16
y sin embargo, se cumple que

a
(j) =
a
(j) (33)
Se deben usar series estacionarias ya que las covarianzas cruzadas slo podrn
interpretarse cuando se efecten sobre series estacionarias.
Interpretacin de
a
(j) = E[(y
|

)(x
|)

a
)]:
a) Un valor positivo de j en
a
(j), denota retardo mientras que un valor
negativo de j denota adelanto.
b) En
a
(j), el j escrito a la derecha de x se reere a los desfases (si j
es positiva) o adelantos (si j es negativa) de la variable x respecto
al perodo presente t de la variable y. As pues, si el valor presente
de y viene inuenciado por dos valores retardados de la variable x,
deber cumplirse que
a
(2) 6= 0. Esto obviamente tambin implica
que
a
(2) 6= 0 dado que se cumple que
a
(2) =
a
(2).
Dado que suponemos que la variable x puede inuir en y pero que la
inversa no puede darse (esto es, existe causalidad unidireccional de x hacia
y, pero no existe feedback) estamos suponiendo de partida que slamente nos
interesarn valores no negativos de j en
a
(j).
La funcin de correlacin cruzada se dene estandarizando la funcin de
covarianzas cruzada, es decir,

a
(j) =

a
(j)

a
(34)
siendo

y
a
las desviacin tpicas de las variables y y x respectivamente.
Dando valores a j, se obtiene la funcin de correlaciones cruzadas. Estas no
son simtricas alrededor de 0,
a
(j) 6=
a
(j).
17
La funcin de correlacin cruzada es til para determinar:
a) Si las series y y x son estacionarias.
b) Si y y x muestran alguna relacin entre ellas.
c) El tipo de relacin que existe entre ambas series.
3.2 Rel aci n ent r e l a funci n de cor r el aci n cr uzada y
l a funci n de t r ansfer enci a
Dado el modelo de funcin de transferencia:
y
|
=
0
x
|
+
1
x
|1
+
2
x
|2
+... +N
|
(35)
donde se supone que y
|
y x
|
son estacionarias y que
a
=

= 0. Si
multiplicamos este modelo por x
|)
a ambos lados
y
|
x
|)
=
0
x
|
x
|)
+
1
x
|1
x
|)
+
2
x
|2
x
|)
+... +N
|
x
|)
(36)
y tomamos esperanzas matemticas:
E[y
|
x
|)
] =
0
E[x
|
x
|)
]+
1
E[x
|1
x
|)
]+
2
E[x
|2
x
|)
]+...+E[N
|
x
|)
] (37)
se obtiene:

a
(j) =
0

aa
(j)+
1

aa
(j 1)+
2

aa
(j 2)+...+
)

aa
(0)+
)+ 1

aa
(1)+...
(38)
ya que E[N
|
x
|)
] = 0. Dividiendo por el producto de las desviaciones tpicas
de las series,
a

, se obtiene:

a
(j) =

a

aa
(j)

2
a
+
1

aa
(j 1)

2
a
+
2

aa
(j 2)

2
a
+... +
)

aa
(0)

2
a
+...

18

a
(j) =

a

[
0

aa
(j) +
1

aa
(j 1) +.. +
)
+
)+ 1

aa
(1)] (39)
A partir de esta expresin se observa que la relacin entre la funcin
de correlacin cruzada
a
(j) y la funcin de respuesta al impulso aparece
claramente contaminada por la estructura de autocorrelacin de la serie input
x
|
(
aa
representa la funcin de autocorrelacin de la variable input). Sin
embargo, si la serie de input fuese un ruido blanco, todas las autocorrelaciones
de x
|
seran nulas y la expresin (39) se simplicara considerablemente,
obtenindose:

a
(j) =

a

)
(40)
de manera que

)
=

a
(j) (41)
As, si x
|
es un ruido blanco, la funcin de respuesta al impulso
)
es direc-
tamente proporcional a la funcin de correlacin cruzada
a
(j).
Para poder escribir una relacin como (41), que es la relacin bsica en
la identicacin de los modelos de funcin de transferencia a travs de la
funcin de correlacin cruzada, se debe considerar:
1.- La funcin de correlacin cruzada se dene slo cuando x
|
e y
|
procesos
bivariantes conjuntamente estacionarios. Para conseguir la estaciona-
riedad requerida, puede que sean necesarias diferencias y transforma-
ciones de estabilizacin de varianza. Se asume pues que x
|
e y
|
son
conjuntamente estacionarias.
2.- Para poder relacionar la funcin de correlacin cruzada y los coecientes
de la funcin de respuesta del impulso debemos asegurarnos que el
19
input sea ruido blanco, es decir,
aa
(j) = 0, j 6= 0.
3.3 El pr ebl anqueo
Para ello, si escribimos el modelo de funcin de transferencia como:
y
|
= (B)x
|
+N
|
(42)
y suponemos que x
|
viene generada por un proceso ARMA del tipo:

a
(B)x
|
=
a
(B)
|
(43)
donde
a
(B) y
a
(B) son los polinomios autorregresivo y de media mvil
del proceso ARMA para la serie input que cumplen las condiciones de esta-
cionariedad e invertibilidad usuales y
|
es un proceso de ruido blanco. As,
si escribimos
|
:

|
=

a
(B)

a
(B)
x
|
(44)
que se denomina serie input preblanqueada. Aplicando la misma transforma-
cin de preblanqueo a la serie de output, obtenemos:

|
=

a
(B)

a
(B)
y
|
(45)
De esta forma, si en el modelo de funcin de transferencia (42) premultipli-
camos a ambos lados por
c
x
(1)
0x(1)
, se obtiene

a
(B)

a
(B)
y
|
= (B)

a
(B)

a
(B)
x
|
+

a
(B)

a
(B)
N
|
(46)
Si denominamos %
|
=
c
x
(1)
0x(1)
N
|
, tendramos

|
= (B)
|
+%
|
(47)
20
ecuacin a partir de la cual se obtiene fcilmente

)
=

o

od
(j) (48)
ya que
|
es un proceso de ruido blanco. As pues, si conociesemos los
elementos poblacionales
od
(j),
o
y
d
, obtendramos los valores de
)
y, de
acuerdo con las caractersticas de los coecientes de la funcin de respuesta al
impulso, podramos identicar el modelo de transferencia pertinente. En la
prctica, al no conocer los valores poblacionales de
od
(j),
o
y
d
, tendremos
que estimar estos coecientes a partir de datos muestrales.
3.4 Funci n de cor r el aci n cr uzada muest r al
Para un conjunto de series temporales, x
|
e y
|
, 1 t n, la funcin de
correlacin cruzada:

a
(j) =

a
(j)

j = 0, 1, 2, ... (49)
se estima por la funcin de correlacin cruzada muestral
b
a
(j) =
b
a
(j)
S
a
S

j = 0, 1, 2, ... (50)
donde
b
a
(j) =
1
a
a)
X
|= 1
(x
|
x)(y
|+ )
y) j 0
1
a
a
X
|= 1)
(x
|
x)(y
|+ )
y) j < 0
(51)
S
a
=
p
b
aa
(0) , S

=
q
b

(0) (52)
y x e y son las medias muetrales de las series x
|
e y
|
.
21
Para constrastar si algunos de b
a
(j) son signicativamente distintos de
0 se comparan con sus errores estndar muestrales. Bajo la hiptesis de
normalidad, Bartlett (1955) deriv las varianzas y covarianzas aproximadas
entre dos correlaciones cruzadas muestrales b
a
(j) y b
a
(j+k). La covarianza,
bajo la hiptesis de que las dos series estn incorreladas y que la serie x
|
es
ruido blanco, viene dada por:
cov

b
a
(j), b
a
(j +k)

' (n j)
1

(k) (53)
De lo que se sigue que:
V ar

b
a
(j)

' (n j)
1
(54)
As cuando la serie x
|
es ruido blanco, se puede contrastar la hiptesis de que
las dos series x
|
e y
|
no estn correlacionadas de forma cruzada comparando
los valores de la funcin de correlacin cruzada muestral con sus errores
estndar aproximados
1

(a))
.
3.5 I dent i caci n de l a funci n de r espuest a al i mpul so
Consideremos el modelo de funcin de transferencia con un slo input
y
|
= (B)x
|b
+N
|
=
(B)
(B)
x
|
+N
|
(55)
con N
|
=
0(1)
c(1)
u
|
. La identicacin de la funcin de respuesta al impulso (B)
se realizar siguiendo las siguientes etapas:
Etapa 1: Considerando que y
|
y x
|
son estacionarias, preblanquear el input
de acuerdo con su representacin ARMA

a
(B)x
|
=
a
(B)
|
=
|
=

a
(B)

a
(B)
x
|
(56)
22
donde
|
es un ruido blanco con media cero y varianza
2
d
.
Etapa 2: Filtrar la serie del output utilizando el mismo ltro que preblan-
que el input, obteniendo:

|
=

a
(B)

a
(B)
y
|
(57)
Etapa 3: Calcular la funcin de correlacin cruzada musestral entre
|
y
|
para estimar
)
de acuerdo con la expresin:
b
)
=
b
o
b
d
b
od
(j) (58)
Para analizar qu coecientes de la funcin de resuesta al impulso son
signicativos, se puede utilizar el contraste de signicacin de las cor-
relaciones cruzadas (Bartlett, 1946).
Etapa 4: Identicar r (orden del polinomio (B)) y s (orden del polinomio
(B)) de acuerdo a las reglas descritas anteriormente. Una vez que se
escogen b, r y s, se pueden encontrar estimaciones preliminares de los
coecientes de (B) y (B) a partir de sus relaciones con
)
. As se
obtiene una estimacin preliminar de la funcin de transferencia:
b (B) =
b (B)
b
(B)
B
b
(59)
Las etapas descritas se realizan suponiendo:
1.- Se procede a identicar (B) considerando que no hay error, esto es
N
|
= 0.
2.- Se parte de que las series y
|
y x
|
son estacionarias.
23
3.6 I dent i caci n del model o del r ui do
Una vez identicada la funcin de transferencia, se puede calcular la serie del
ruido estimada:
b
N
|
= y
|
b(B)x
|
= y
|

b (B)
b
(B)
B
b
x
|
(60)
identicndose el proceso ARMA generador de los residuos mediante sus
funciones de autorrelacin simple y parcial muestrales. Se obtiene as:
(B)
b
N
|
= (B)a
|
(61)
Conjugando ambas identicaciones, se llega al modelo de funcin de trans-
ferencia:
y
|
=
(B)
(B)
B
b
x
|
+
(B)
(B)
a
|
(62)
3.7 Coment ar i os sobr e l a i dent i caci n del model o de
funci n de t r ansfer enci a
1.- En la construccin del modelo, se asume que todas las variables y
|
, x
|
y n
|
son estacionarias. As, para series no estacionarias se tienen que
llevar a cabo transformaciones para la estabilizacin de la varianza y
diferenciacin de las series para conseguir primero la estacionariedad.
2.- En el proceso de identicacin de la funcin de transferencia (B), se
preblanquea la serie input. El modelo preblanqueado se aplica para
ltrar la serie de output, pero no necesariamente para preblanquearla.
Este es un mtodo normal y simple para construir un modelo de funcin
de transferencia causal. Sin embargo, para construir un posible sistema
no causal con fenmeno de feedback, donde y
|
viene inuida por x
|
24
y x
|
viene inuida por y
|
, ambas series de input y output deberan
preblanquearse antes de examinar su funcin de correlacin cruzada.
Esto se denomina a menudo preblanqueo doble (Granger y Newbold,
1977, cap.7). Sin embargo, generalmente es ms ventajoso modelizar
un sistema no causal utilizando un proceso vectorial.
4 Est i maci n de model os de funci n de t r ans-
fer enci a
Despus de la identicacin tentativa de un modelo de funcin de transfe-
rencia
y
|
=
(B)
(B)
x
|b
+
(B)
(B)
a
|
(63)
necesitamos estimar los parmetros: = (
1
,
2
, ..,
v
)
0
; = (
0
,
1
,
2
, ...,
c
)
0
; =
(
1
,
2
, ...,
j
)
0
; = (
1
,
2
, ...,
q
)
0
y
2
o
. Se puede reescribir (63) de la si-
guiente manera:
(B)(B)y
|
= (B)(B)x
|b
+(B)(B)a
|
(64)

c(B)y
|
= d(B)x
|b
+e(B)a
|
(65)
donde
c(B) = (B)(B) = (1 c
1
B c
2
B
2
... c
v+ j
B
v+ j
)
d(B) = (B)(B) = (d
0
d
1
B d
2
B
2
... d
c+ j
B
c+ j
)
e(B) = (B)(B) = (1 e
1
B e
2
B
2
... d
v+ q
B
v+ q
)
25
as:
a
|
= y
|
c
1
y
|q
... c
j+ v
y
|jv
d
0
x
|b
d
1
x
|b1
(66)
... d
j+ c
x
|bjc
+e
1
a
|1
+e
2
a
|2
+... +e
v+ j
a
|vj
(67)
donde c
i
, d
)
y e
l
son funciones de
i
,
)
,
l
y
l
. Bajo la hiptesis de que los
a
|
son N(0,
2
o
) (ruido blanco gaussiano), tenemos la funcin de verosimilitud
condicional
L(, , , ,
2
o
/b, x, y, x
0
, y
0
, a
0
) =

2
2
o

n
2
exp
"

1
2
2
o
a
X
|= 1
a
2
|
#
(68)
donde x
0
, y
0
y a
0
son valores iniciales para calcular los a
|
a partir de (66)
similares a los necesarios para la estimacin de modelos ARMA. En general,
se pueden utilizar los mtodos de estimacin de los modelos ARIMA para
estimar los parmetros , , , y
2
o
. Por ejemplo, haciendo las a
0
s descono-
cidas iguales a sus esperanzas condicionadas de 0, las estimaciones mnimo
cuadrticas no lineales de estos parmetros se obtienen minimizando
S (, , , /b) =
a
X
|= |
0
a
2
|
(69)
a
2
|
donde t
0
= max {p +r + 1, b +p +s + 1}.
Ntese que hasta ahora se ha asumido que b es conocido. Para valores
dados de r, s, p y q, si tambin necesitamos estimar b, se podra optimizar
la ecuacin (69) para un rango probable de valores de b. Entonces, b se
selecciona de manera que sea el valor que proporciona el mnimo total de la
suma de cuadrados.
En esta etapa de estimacin, se presentan dos problemas (igual que en la
estimacin de un modelo ARIMA):
26
1.- Determinacin de los valores iniciales
2.- En general, estos modelos son no lineales.
Por lo que respecta al problema de la determinacin de los valores ini-
ciales, caben dos enfoques en el proceso de estimacin (al igual que ocurra
en la etapa de estimacin de los modelos ARIMA): el enfoque condicional,
que consiste en estimar los parmetros considerando como dados los valores
iniciales y el enfoque exacto (no condicional) mediante el cual se estiman
conjuntamente tanto los parmetros como los valores iniciales.
Adoptando el mtodo de estimacin de mxima verosimilitud, en el primer
enfoque se trata de maximizar la funcin de verosimilitud condicional, mien-
tras que en el segundo enfoque deber maximizarse la funcin de verosimili-
tud exacta (Hillmer y Tiao, 1979).
En el enfoque condicional, los problemas son menores por cunto simple-
mente se tratar de maximizar la funcin de verosimilitud condicional:
L(/b, x, y, x
0
, y
0
, a
0
) =

2
2
o

n
2
exp

1
2
2
o
S

()

(70)
donde S

() =
a
X
|= 1
[a
|
(/b, x, y, x
0
, y
0
, a
0
)]
2
=
a
X
|= 1
ba
2
|
y
0
= (
0
,
0
,
0
,
0
),
siendo a
|
(/b, x, y, x
0
, y
0
, a
0
) = ba
|
los valores que se obtienen (estiman) de a
|
a partir de (67) supuestos conocidos los valores de los parmetros , el valor
de b, la base informativa (y, x) y los valores iniciales (x
0
, y
0
, a
0
).
Estos estimadores mximo verosimiles condicionales, caso de dejar el su-
ciente nmero de observaciones de x y de y sin utilizar para tomar dichos
datos como valores iniciales y efectuando el supuesto de reemplazar los va-
lores iniciales de la perturbacin a
0
por su valor esperado, esto es, por cero,
27
coinciden con los estimadores MC que se obtendran de , , y tales que
minimizan
a
X
|= |
0
ba
2
|
siendo t
0
= max {p +r + 1, b +p +s + 1}.
Dado el problema de la no linealidad, estos estimadores MC seran no
lineales debiendo aplicar por ello procedimientos de estimacin no lineales.
Ejemplo de estimacin de un modelo de funcin de transferencia
Consideremos el siguiente modelo de funcin de transferencia:
y
|
=

0
+
1
B +
2
B
2
1 B
x
|
+
1
1 B
a
|
(71)
Si denotamos n
|
=
1
1c1
a
|
, podemos expresar el modelo:
y
|
= y
|1
+ (
0
+
1
B +
2
B
2
)x
|
+ (1 B)n
|
(72)
en el que t
0
= max {r + 1, b +s + 1} = 3. De manera que podemos hacer:
n
3
= y
3
y
2

0
x
3

1
x
2

2
x
1
+n
2
n
4
= y
4
y
3

0
x
4

1
x
3

2
x
2
+n
3
(73)
........................................
comenzando en n
2
= 0 para despus obtener las innovaciones a
|
a partir de
t = 4, por medio de
a
4
= n
4
n
3
a
5
= n
5
n
4
(74)
..........
28
y formar por ltimo la suma residual:
S
2
(b, , , )
1
X
|= 4
a
2
|
(b, , , /x
0
, y
0
, a
0
) (75)
donde las primeras innovaciones se han tomado iguales a su esperanza condi-
cional que es 0.
La expresin genrica de cada a
|
es:
a
|
= n
|
n
|1
= (y
|
y
|1

0
x
|

1
x
|1

2
x
|2
+n
|1
)
(y
|1
y
|2

0
x
|1

1
x
|2

2
x
|3
+n
|2
) (76)
con vector gradiente:
ot
c
= y
|1
+n
|1
+y
|2
n
|2
ot
.
0
= x
|
+x
|1
o
t
.
1
= x
|1
+x
|2
ot
.
2
= x
|2
+x
|3
o
t
c
= (y
|1
y
|2

0
x
|1

1
x
|2

2
x
|3
+n
|2
)
(77)
por lo que podemos comenzar un algoritmo iterativo del tipo Gauss-Newton
a partir de estimaciones iniciales
b

0
=

b

0
, b
00
, b
10
, b
20
,
b

tal y como se
realiza en la estimacin de modelos no lineales. Un modo de proceder es
obtener series temporales de cada uno de los componentes del vector gradiente
as como de los propios residuos a
|
, utilizando las estimaciones iniciales de
los parmetros para estimar la regresin:
ba
|
= (
b

0
)
a(
b
)

+ (b
00

0
)
a(
b
)

0
+ (b
10

1
)
a(
b
)

1
+
(b
20

2
)
a(
b
)

2
+ (
b

0
)
a(
b
)

+a
|
(78)
29
que se repite, tomando en cada iteracin las ltimas estimaciones como ini-
ciales, hasta lograr la convergencia. La aparicin del vector
b
hace referencia
a que las componentes del vector gradiente de la funcin a
|
estn evaluadas
en las preestimaciones. Lograda la convergencia, la matriz de varianzas cova-
rianzas de las estimaciones se aproxima por el producto b
2
o

0
o

1
, donde

2
o
se estima mediante el cociente del valor alcanzado por la suma residual
en la ltima iteracin y el nmero de observaciones de grados de libertad.
5 Ver i caci n de un model o de funci n de
t r ansfer enci a
Despus de que el modelo haya sido identicado y sus parmetros estimados,
es necesario contrastar la validez del modelo antes de utilizarlo en prediccin,
control y otros propsitos.
Los requisitos para que un modelo de funcin de transferencia sea ade-
cuado son:
1.- que las estimaciones de sus parmetros sean signicativas
2.- que los residuos se comporten como ruidos blancos
3.- que el modelo no omita parmetros relevantes ni incluya parmetros
superuos irrelevantes
4.- que el modelo sea estable.
Los requisitos 1 y 4 se comprueban de forma similar a los de los modelos
ARIMA. Nos centramos en los otros dos grupos de contrastes utilizados para
30
efectuar la diagnosis: (a) Anlisis de los residuos y (b) Omisin e inclusin
de parmetros.
5.1 I mpl i caci ones t er i cas de una i ncor r ect a especi -
caci n del model o de funci n de t r ansfer enci a
Si el modelo
y
|
=
(B)
(B)
x
|b
+
(B)
(B)
a
|
(79)
estuviera bien especicado, los residuos deberan comportarse como un ruido
blanco y estar incorrelacionados con las variables explicativas del modelo.
Por lo tanto, ni las autocorrelaciones de ba
|
ni las correlaciones cruzadas de ba
|
y x
|
deberan ser signicativas. Slo cuando el modelo est incorrectamente
especicado el trmino de perturbacin incumplir las condiciones de ruido
blanco e incorrelacin con el input. Para verlo, escribamos el modelo (79)
como:
y
|
= (B)x
|
+(B)a
|
(80)
con (B) =
.(1)
c(1)
, (B) =
0(1)
c(1)
, siendo ste el modelo correcto. Supongamos
ahora que hemos identicado incorrectamente el modelo siguiente:
y
|
=
0
(B)x
|
+
0
(B)a
0|
(81)
En este caso, el trmino de perturbacin del modelo incorrectamente especi-
cado (a
0|
) ser igual a:
a
0|
=
1
0
(B) [y
|

0
(B)x
|
] (82)
31
Sustituyendo (80) en (82):
a
0|
=
1
0
(B) [(B)x
|
+(B)a
|

0
(B)x
|
] (83)
=
1
0
(B) [(B)
0
(B)] x
|
+
1
0
(B)(B)a
|
A partir de (83) se observa cmo la perturbacin del modelo incorrectamente
especicado presentar autocorrelaciones y correlaciones cruzadas con el in-
put (x
|
) y por lo tanto con el input preblanqueado,
|
.
Ahora bien, la especicacin incorrecta de un modelo de funcin de trans-
ferencia puede darse como consecuencia de identicar incorrectamente tan
slo el modelo del ruido la funcin de respuesta al impulso (parte sis-
temtica del modelo de funcin de transferencia).
Veamos cada una de estas situaciones.
5.1.1 I dent i caci n cor r ect a de l a funci n de r espuest a al i mpul so
e i ncor r ect a del model o del r ui do
En este caso tendremos (B) =
0
(B) y (B) 6=
0
(B), por lo tanto (83)
podr escribirse como:
a
0|
=
1
0
(B)(B)a
|

a
0|
=
(B)

1
0
(B)
a
|
(84)
Consecuentemente, en este caso, las a
0|
s no presentarn correlaciones cruzadas
cruzadas con el input ( inputs), aunque si presentarn autocorrelacin.
32
5.1.2 I dent i caci n i ncor r ect a de l a funci n de r espuest a al i m-
pul so y cor r ect a del model o del r ui do
En este caso, se cumplir (B) 6=
0
(B) y (B) =
0
(B), siendo (83) igual
a:
a
0|
=
1
(B) [(B)
0
(B)] x
|
+a
|
(85)
Por lo tanto, en este caso, la perturbacin estara tanto autocorrelacionada
como correlacionada cruzadamente con x
|
.
La conclusin fundamental que se extrae del anlisis de estas situaciones
es que si, una vez estimado el modelo de funcin de transferencia, sus residuos
presentan autocorrelacin, pero no hay coecientes de correlacin cruzados
con el input signicativos, se puede concluir que deberemos actuar en el
sentido de corregir la identicacin del modelo del ruido.
Mayores dicultades surgen cuando tanto los coecientes de autocor-
relacin de los residuos como los coecientes de correlacin cruzada de dichos
residuos y el input son signicativos. En este caso, puede estar mal identi-
cado bien slo la funcin de respuesta al impulso o bien tanto dicha funcin
como el modelo del ruido. En este caso, es aconsejable identicar de nuevo
la funcin de respuesta al impulso, incluyendo, por ejemplo, parmetros adi-
cionales en (B) y/ (B) y volver a identicar el modelo del ruido teniendo
en cuenta esta nueva especicacin en la parte sistemtica.
En algn caso, las propias correlaciones cruzadas entre los inputs y los
residuos pueden sugerir alguna identicacin para reespecicar la funcin de
respuesta al impulso.
Para analizar esta situacin, si escribimos en modelo de funcin de trans-
33
ferencia en su forma "preblanqueada"

|
= (B)
|
+N
|
(86)
donde

|
=
c
x
(1)
0x(1)
y
|

|
=
c
x
(1)
0
x
(1)
x
|
y N
|
=
c
x
(1)0(1)
0x(1)c(1)
a
|
, siendo

a
(B) = 1
a1
L ...
aj
L
j

a
(B) = 1
a1
L ...
aq
L
q
.
A partir de (86), podemos escribir:

)
=

o

od
(j) j = 0, 1, 2, ... (87)
Supongamos ahora que especicamos incorrectamente el modelo como sigue:

|
=
0
(B)
|
+N
0|
(88)
As pues, el ruido de este modelo es igual a:
N
0|
=
|

0
(B)
|
(89)
Reemplazando (86) en (89)
N
0|
= (B)
|
+N
|

0
(B)
|
= [(B)
0
(B)]
|
+N
|
(90)
De manera anloga a como se obtiene (87), ahora tendramos:

0)
=

I
0

d

I
0
d
(j) j = 0, 1, 2, ... (91)
Por lo tanto, a partir de (91) se desprende que las correlaciones cruzadas
entre la variable explicativa preblanqueada y los residuos pueden utilizarse
para evaluar qu cambio deberan efectuarse en el polinomio
0
(B) y conse-
cuentemente en
0
(B) y
0
(B) de manera que se mejore la especicacin del
modelo.
34
De todo lo expuesto, cabe concluir que un doble requisito indispensable
para que un modelo de funcin de transferencia pase la etapa de vericacin
consiste en que los residuos se comporten como un ruido blanco y que no
presenten correlaciones cruzadas signicativas con el input (inputs) preblan-
queado (preblanqueados).
5.2 Anl i si s de l os r esi duos
5.2.1 Anl i si s de l as cor r el aci ones cr uzadas
Un requisito que debe cumplir un modelo de funcin de transferencia para que
ste supere la etapa de vericacin es que no existan correlaciones cruzadas
signicativas entre los residuos y el input preblanqueado. Se puede vericar
el cumplimiento de este requisito:
1.- Contrastando la signicatividad individual de las correlaciones cruzadas.
2.- Contrastando la signicatividad conjunta de un grupo de correlaciones
cruzadas.
Para analizar la signicatividad individual se tiene en cuenta el resultado
de Bartlett(1946),
V ar [r
bod
(j)] ' (T j)
1
(92)
siendo T el nmero de residuos calculados (T = N t
0
+ 1), donde N es
el nmero de observaciones originales y t
0
= max {p +r + 1, b +p +s + 1}.
Teniendo en cuenta (92), podemos armar con un nivel de conanza del 95%
que no existe correlacin cruzada signicativa entre ba
|
y b
|
cuando:
|r
bod
| < 1.96
1

T k
35
Conjuntamente con el anlisis de signicatividad, resulta de inters efectuar
un contraste de signicatividad conjunta. Esto es, contrastar la hiptesis
nula de que las primeras M + 1 correlaciones cruzadas entre ba
|
y b
|
son
conjuntamente iguales a 0. En este caso, el estadstico tipo Ljung-Box (1978):
Q
0
= T(T + 2)
1
X
l= 0
1
T k
r
2
bod
(j) (93)
se distribuye asintticamente bajo la H
0
como una "
2
con (M+1)(s+1)r
grados de libertad. En (93), T = Nt
0
+1; s+1 es el nmero de coeciente
)
estimados y r es el nmero de coecientes
)
estimados. El nmero de grados
de libertad de Q
0
es independiente del nmero de parmetros estimados en
el modelo del ruido.
As:
- Si Q
0
< "
2
-
(M s r), no se puede rechazar la hiptesis nula al
nivel de signicacin %, de manera que el modelo supera este requisito de la
vericacin.
- Si Q
0
> "
2
-
(Msr), se rechaza la hiptesis nula al nivel de signi-
cacin %, de manera que el modelo no supera este requisito de la vericacin
por lo que hay que modelizar una nueva funcin de respuesta al impulso y,
en conformidad con ella, una nueva modelizacin del modelo del ruido de la
funcin de transferencia.
5.2.2 Anl i si s de l as aut ocor r el aci ones
El segundo requisito que deben cumplir los residuos es que sean ruido blanco.
Para ello, se deber:
1.- Analizar las funciones de autocorrelacin simple y parcial muestrales
36
de los residuos y comprobar que ambas se comportan como un ruido
blanco.
2.- Contrastar de forma conjunta la signicatividad de los coecientes de la
funcin de autocorrelacin de los residuos. En este caso, se utiliza el
contraste de Ljung-Box (1978)
Q
1
= T(T + 2)
1
X
)= 1
(T j)
1
r
2
)
(ba
|
) (94)
el cual bajo la hiptesis nula de no signicatividad conjunta de que
las M primeras autocorrelaciones son conjuntamente iguales a 0, se
distribuye asintticamente como una "
2
con Mk grados de libertad.
La regla para el contraste sera:
- Si Q
1
< "
2
-
(M k), no se puede rechazar la hiptesis nula para
el nivel de signicacin % y el modelo supera el requisito de la etapa de
vericacin.
- Si Q
1
> "
2
-
(M k), se rechaza la hiptesis nula para el nivel de
signicacin %. El modelo no supera el requisito de la etapa de vericacin
y habr que volver a modelizar un nuevo modelo para el ruido.
6 Pr edi cci n y model o pt i mo
6.1 I nt r oducci n
Cuando el modelo estimado supera la etapa de la vericacin, se puede uti-
lizar el modelo de funcin de transferencia para obtener predicciones del
output.
37
Se pueden calcular dos tipos de predicciones: puntual y por intervalos
en las cuales se pueden distinguir dos situaciones: a) Se conocen los valores
futuros del input ( inputs) y b) como se desconocen los valores futuros del
input ( inputs) se deben realizar predicicones de los mismos.
6.2 Pr edi cci n punt ual
6.2.1 Val or es fut ur os de l os i nput s conoci dos
El modelo de funcin de transferencia con un slo input puede representarse
como:
(1 B)
o
0
Y
|
=
(B)
(B)
B
b
(1 B)
o
X
|
+
(B)
(B)
a
|
(95)

Y
|
=
(B)B
b
(1 B)
o
(B)(1 B)
o
0
X
|
+
(B)
(B)(1 B)
o
0
a
|
(96)
Una forma alternativa de escribir el modelo (95) (96) es:
c(B)Y
|
= d(B)B
b
X
|
+e(B)a
|
(97)
donde
c(B) = (B)(B)(1 B)
o
0
= 1 c
1
B c
2
B
2
... c
j+ v+ o
0B
p+ r+ d
0
d(B) = (B)(B)(1 B)
o
= d
0
d
1
B d
2
B
2
... d
j+ c+ o
B
p+ s+ d
e(B) = (B)(B) = 1 e
1
B e
2
B
2
... e
q+ v
B
q+ v
(98)
A partir de (97), haciendo b = 0 podemos escribir:
Y
|
= c
1
Y
|1
+c
2
Y
|2
+... +c
j+ v+ o
0Y
|jvo
0 +
d
0
X
|
d
1
X
|1
... d
j+ c+ o
X
|jco
+
a
|
e
1
a
|1
e
2
a
|2
... e
q+ v
a
|qv
(99)
38
Luego referido al perodo T +l, esta expresin ser igual a
Y
1+ l
= c
1
Y
1+ l1
+c
2
Y
1+ l2
+... +c
j+ v+ o
0Y
1+ ljvo
0 +
d
0
X
1+ l
d
1
X
1+ l1
... d
j+ c+ o
X
1+ ljco
+
a
1+ l
e
1
a
1+ l1
e
2
a
1+ l2
... e
q+ v
a
1+ lqv
(100)
denotando ahora por
b
Y
1
(l) la prediccin ptima (en el sentido de tener menor
error cuadrtico medio de prediccin) efectuada para el perodo l condi-
cionada a la informacin disponible hasta el perodo T y los valores conocidos
de los inputs que son conocidos; esto es,
b
Y
1
(l) = E [Y
1+ l
/I
1
, X
1+ )
; 0 < j ] (101)
donde I
1
recoge toda la informacin disponible en dicho perodo T. Este
valor esperado se calcular teniendo en cuenta las siguientes reglas:
1.- Los valores presentes y pasados de las perturbaciones (esto es, a
1+ )
, para
j 0) se reemplazarn por
a
1+ )
= Y
1+ )

b
Y
1+ )1
(1) para j 0
mientras que los valores futuros (a
1+ )
, para j > 0) se reemplazarn por
su valor esperado, el cual al ser un ruido blanco es igual a 0. As pues:
E[a
1+ )
/I
1
] =

0 para j > 0
Y
1+ )

b
Y
1+ )1
(1) para j 0

(102)
2.- Los valores presentes y pasados de las observaciones del input se reem-
plazarn por sus valores conocidos. Asmismo, como suponemos que los
39
valores futuros del input son conocidos, tambin reemplazamos stos
por dichos valores conocidos. As pues:
E[X
1+ )
/I
1
, X
1+ )
, 0 < j l] = X
1+ )
j (103)
3.- Los valores presentes y pasados del output se reemplazan por los va-
lores observados, mientras que los valores futuros se reemplazan por
sus valores predichos apropiados; esto es
E [Y
1+ )
/I
1
, X
1+ )
, 0 < j l] =

Y
1+ )
para j 0
b
Y
1
(l) para 0 < j < l

(104)
De acuerdo con estas reglas, la prediccin del output l perodos hacia
adelante desde la observacin T-sima ser igual a:
b
Y
1
(l) = E [Y
1+ l
/I
1
, X
1+ )
, 0 < j l] = c
1
b
Y
1
(l 1) +... +c
l1
b
Y
1
(1) +c
l
Y
1
+
c
l+ 1
Y
11
+... +c
j+ v+ o
0Y
1+ ljvo
0 +d
0
X
1+ l
d
1
X
1+ l1
..
. d
j+ c+ o
X
1+ ljco
e
l
h
Y
1

b
Y
11
(1)
i
e
l+ 1
h
Y
11

b
Y
12
(1)
i
... e
q+ v
h
Y
1+ lqv

b
Y
1+ lqv1
(1)
i
(105)
6.2.2 Val or es fut ur os de l os i nput s desconoci dos
El modelo de partida en este caso (un slo input) ser (95) (96) y el modelo
ARIMA del input ser

a
(B)(1 B)
o
X
|
=
a
(B)
|
(106)
donde

a
(B) = (1
a1
B
a2
B
2
...
aj
B
j
)

a
(B) = (1
a1
B
a2
B
2
...
aq
B
q
)
. El modelo (106) puede
escribirse:
(1 B)
o
X
|
=

a
(B)

a
(B)

|
(107)
40
A efectos de prediccin puntual, la nica modicacin que existe en este caso
consiste en que dado que los valores futuros del input no se conocen, stos
deben predecirse a partir del modelo (107).
6.3 Pr edi cci n por i nt er val os
6.3.1 Val or es fut ur os de l os i nput s conoci dos
El modelo
Y
|
=
(B)B
b
(1 B)
o
(B)(1 B)
o
0
X
|
+
(B)
(B)(1 B)
o
0
a
|
(108)
puede escribirse como:
Y
|
=

(B)X
|
+

(B)a
|
(109)
donde

(B) =
.(1)1
b
(11)
d
c(1)(11)
d
0 =

0
+

1
B +

2
B
2
+...

(B) =
0(1)
c(1)(11)
d
0
= 1 +

1
B +

2
B
2
+...
(110)
Teniendo en cuenta (110), la expresin (109) puede escribirse:
Y
|
=

0
X
|
+

1
X
|1
+

2
X
|2
+... +a
|
+

1
a
|1
+

2
a
|2
+... (111)
Para el perodo T +l:
Y
1+ l
=

0
X
1+ l
+

1
X
1+ l1
+

2
X
1+ l2
+... + (112)

l1
X
1+ 1
+

l
X
1
+

l+ 1
X
11
+

l+ 2
X
12
+
... +a
1+ l
+

1
a
1+ l1
+

2
a
1+ l2
+... +

l1
a
1+ 1
+

l
a
1
+

l+ 1
a
11
+

l2
a
12
+...
y la prediccin puntual ptima desde el perodo T para l perodos hacia
adelante, condicionada a que los valores de futuros del input son conocidos,
41
es igual a
b
Y
1
(l) = E[Y
1+ l
/I
1
, X
1+ )
, 0 < j l] = (113)

0
X
1+ l
+

1
X
1+ l1
+

2
X
1+ l2
+
+... +

l1
X
1+ 1
+

l
X
1
+

l+ 1
X
11
+

l+ 2
X
12
+... +

l
a
1
+

l+ 1
a
11
+

l2
a
12
+...
El error de la prediccin efectuada en el perodo T, l perodos hacia adelante
[e
1
(l)] ser igual a la diferencia entre (112) y (113):
e
1
(l) = Y
1+ l

b
Y
1
(l) = a
1+ l
+

1
a
1+ l1
+

2
a
1+ l2
+... +

l1
a
1+ 1
Como a
1+ l
, a
1+ l1
, a
1+ l2
, ..., a
1+ 1
son ruidos blancos, la esperanza matemtica
del error de prediccin es igual a 0, y la varianza es igual a
V ar [e
1
(l)] = E

(e
1
(l))
2

=
2
o
(1 +

2
1
+

2
2
+... +

2
l1
) (114)
Por lo tanto, bajo la hiptesis de normalidad, esto es suponiendo que a
|

N (0,
2
o
), podemos escribir:
Y
1+ l

b
Y
1
(l) N (0, V ar [e
1
(l)]) (115)
obteniendo el intervalo de conanza para Y
1+ l
, para un nivel de signicacin
%, mediante la expresin .
b
Y
1
(l) N

2
DT [e
1
(l)] (116)
Cuando % = 0.05, la expresin (116) es igual a
b
Y
1
(l) 1.96DT [e
1
(l)]
siendo DT [e
1
(l)] =
o
q
1 +

2
1
+

2
2
+... +

2
l1
y donde los valores de

0
)
s se calculan a partir de la expresin (110).
42
6.3.2 Val or es fut ur os de l os i nput s desconoci dos
El modelo de partida en este caso:
Y
|
=
(B)B
b
(B)(1 B)
o
0
X
|
+
(B)
(B)(1 B)
o
0
a
|
(117)
(1 B)
o
X
|
=

a
(B)

a
(B)

|
considerando conjuntamente ambas expresiones
Y
|
=
(B)
a
(B)B
b
(B)
a
(B)(1 B)
o
0

|
+
(B)
(B)(1 B)
o
0
a
|
(118)
bien
Y
|
=

(B)
|
+

(B)a
|
(119)
donde

(B) est denido en (110) y

(B) =
(B)
a
(B)B
b
(B)
a
(B)(1 B)
o
0
=

0
+

1
B +

2
B
2
+... (120)
El modelo (119) los podemos escribir en T +l como sigue:
Y
1+ l
=

0

1+ l
+

1

1+ l1
+

2

1+ l2
+ (121)
... +

l1

1+ 1
+

l

1
+

l+ 1

11
+

l+ 2

12
+... +a
1+ l
+

1
a
1+ l1
+

2
a
1+ l2
+... +

l1
a
1+ 1
+

l
a
1
+

l+ 1
a
11
+

l2
a
12
+...
La prediccin puntual ptima desde el perodo T para l perodos hacia ade-
lante, teniendo en cuenta que tanto las
0
s como las a
0
s son ruido blanco, es
igual a
b
Y
1
(l) = E [Y
1+ l
/I
1
] =

l

1
+

l+ 1

11
+

l+ 2

12
+... + (122)

l
a
1
+

l+ 1
a
11
+

l2
a
12
+...
43
A partir de (121) y (122), calcularemos el error de prediccin que, en este
caso, ser igual a:
e
1
(l) = Y
1+ l

b
Y
1
(l) =

0

1+ l
+

1

1+ l1
+

2

1+ l2
+... +

l1

1+ 1
+
a
1+ l
+

1
a
1+ l1
+

2
a
1+ l2
+... +

l1
a
1+ 1
Como consecuencia de que tanto las
0
s como las a
0
s son ruido blanco,
E[e
1
(l)] = 0, y su varianza, teniendo en cuenta que los inputs preblan-
queados y las perturbaciones son independientes, ser igual a:
V ar (e
1
(l)) = E

(e
1
(l))
2

=
2
d
h

2
0
+

2
1
+... +

2
l1
i
+ (123)

2
o
(1 +

2
1
+

2
2
+... +

2
l1
)
La prediccin por intervalo, suponiendo que tanto
|
como a
|
se distribuyen
como una normal, ser en este caso igual a
b
Y
1
(l) N

2
DT [e
1
(l]
siendo DT [e
1
(l] =
q

2
d

2
0
+

2
1
+... +

2
l1

+
2
o
(1 +

2
1
+

2
2
+... +

2
l1
).
44
7 Ej empl o
En esta seccin presentaremos un ejemplo de la construccin de un mode-
lo de funcin de transferencia. Se trata de la relacin dinmica existente
entre los accidentes de carretera y las variables econmicas, extrado del
trabajo "Forecasting trac accidents using disaggregated data", aceptado
para su publicacin en Internatinal Journal of Forecasting, realizado junto a
A. Garca-Ferrer y P. Poncela.
En secciones previas a la construccin del modelo de funcin de trans-
ferencia, se analizan las posibles relaciones existentes entre las variables de
accidentes de trco en Espaa y variables econmicas. De hecho, utilizando
la metodologa de deteccin de puntos de cambio y fechado de los ciclos
econmicos (Garca-Ferrer y Bujosa (2000)), se encuentran grandes simili-
tudes en el fechado de los ciclos para las variables de accidentes y las variables
econmicas consideradas en este trabajo: IPI, matriculacin de automviles
(NUVE) y consumo de gasolina (CGAS). Esto pone de maniesto que entre
ambos tipos de variables parece existir cierta relacin. Parece lgico pensar
que una mayor actividad econmica, pueda generar una mayor utilizacin
de los automviles lo que conllevara una mayor probabilidad de sufrir un
accidente de trco debido al mayor nmero de vehculos en las vas de co-
municacin. Sin embargo, esa relacin no tiene por qu ser instantnea, es
decir, no quiere decir que una persona sale a la calle con su automvil e in-
mediatamente sufra un accidente con una determinada probabilidad. Quiere
decir que la mayor actividad econmica se ir traduciendo en que progresiva-
mente el nmero de vehculos en circulacin ir aumentando, creciendo as de
forma paulatina la probabilidad de accidente. Es decir, se puede esperar que
45
exista una relacin dinmica entre el crecimiento econmico y los accidentes
de trco. Pero deben ser los datos los que nos certiquen esta creencia y nos
indiquen qu tipo de relacin se puede encontrar. Por tanto, esperaramos
una relacin de causalidad unidireccional de la actividad econmica hacia los
accidentes, dinmica, con algn retardo a la hora de dejar sentir sus efectos
sobre la accidentalidad en las carreteras.
Con objeto de ilustrar todas las etapas de la construccin de un modelo
de funcin de transferencia, presentaremos todos los pasos seguidos hasta
encontrar el modelo, etapas que no fueron incluidas en el artculo de referencia
por motivos obvios de espacio.
7.1 Anl i si s de l os punt os de cambi o y del fechado de
l os ci cl os.
Utilizando la metodologa desarrollada por Garca-Ferrer y Bujosa (2000),
se obtuvieron los siguientes grcos que muestran claramente la coinciden-
cia existente entre los ciclos de las variables econmicas y las variables de
accidentes.
1
En esta gura, se aprecia cierta anticipacin de los ciclos en las variables
econmicas (IPI y NUVE) sobre las variables de accidentes consideradas
(Accidentes totales (ACC), fallecidos por accidente de trco (FAT) y heridos
en accidentes de trco (INJ)).
1
Los datos de este ejemplo son los que guran en el citado trabajo. Para la obtencin
de los modelos univariantes y de funcin de transferencia se utiliz la muestra 1975.01
a 2000.12, dejando las observaciones correspondientes a los aos 2001, 2002 y 2003 para
realizar la comparacin de la capacidad predictiva de los modelos.
46
-.02
-.01
.00
.01
.02
D(TACC)
-.02
-.01
.00
.01
.02
D(TINJ)
-.015
-.010
-.005
.000
.005
.010
D(TFAT)
-.008
-.004
.000
.004
.008
D(TIPI)
-.02
-.01
.00
.01
.02
.03
.04
1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002
D(TNUVE)
Figure 3: Derivadas de la tendencia de las variables de accidentes y de las
variables econmicas.
47
7.2 I dent i caci n de l os model os uni var i ant es y anl i -
si s de i nt er venci n
Utilizando el constrate de raz unitaria, tanto regular como estacional, desarro-
llado por Osborn et al (1989), as como las funciones de autocorrelacin
simple y parcial de las variables en logartmos, se identica que las series
necesitan una diferencia regular y estacional para conseguir la estacionar-
iedad. A partir de las funciones de autocorrelacin simple y parcial de
estas variables estacionarias, se identica para las series de IPI y de ma-
triculaciones un modelo estacional multiplicativo M A(1) M A(1)
c= 12
. Es
decir, los logartmos de las variables objeto del anlisis siguen un proceso
ARI M A(0, 1, 1) ARI M A(0, 1, 1)
c= 12
.
Los modelos estimados para las variables que consideramos INPUT (IPI
y NUVE) fueron los siguientes:

12
ln(IPI) = (1 0.7404
(0.039)
B)(1 0.6945
(0.042)
B
12
)a
|
(124)

12
ln(NUV E) = (1 0.6658
(0.044)
B)(1 0.8503
(0.031)
B
12
)a
|
(125)
Estos sern los modelos que se utilizarn para realizar el preblanqueo del
OUPTUT para luego calcular la funcin de transferencia. Aunque todo lo
que se ha visto sobre la identicacin del modelo de funcin de transferencia
se refera a un nico input, se puede extrapolar sin dicultad al caso de dos
input si, como ponen de maniesto Liu y Hanssens (1982), los input estn
incorrelados. En este caso, la correlacin entre los input es 0.25 de manera
que se puede aplicar esta metodologa.
48
-.12
-.08
-.04
.00
.04
.08
.12
.16
.20
5 10 15 20 25 30 35
Figure 4: Funcin de correlacin cruzada entre ACC e IPI
7.3 Pr ebl anqueo e i dent i caci n de l a funci n de t r ans-
fer enci a
Utilizando los modelos (124) y (125) se realiz el preblanqueo del OUTPUT,
se calcul la funcin de correlacin cruzada estimada, obtienindose las si-
guientes funciones de respuesta al impulso que aparecen en las guras 4 y
5.
Se puede observar fcilmente que para el caso del IPI slo se aprecia
el retardo 1 estadsticamente signicativo, de manera que la respuesta al
impulso ser
0
B, es decir (b, s, r) = (1, 0, 0), mientras que para el caso
de NUVE se aprecian dos retardos estadsticamente signicativos: 1 y 2,
siendo entonces la funcin de respuesta al impulso (
0
+
1
B)B, es decir
49
-.15
-.10
-.05
.00
.05
.10
.15
.20
.25
5 10 15 20 25 30 35
Figure 5: Funcin de correlacin cruzada entre ACC y NUVE
(b, s, r) = (1, 1, 0). As, el modelo de funcin de transferencia ser entonces:

12
ln(ACC) =
0
B
12
ln(IPI)+(
0
+
1
B)B
12
ln(NUV E) (126)
Al realizar la identicacin del modelo del ruido se encontr que los resi-
duos seguan un proceso MA(1) MA(1)
c= 12
y se identicaron diferentes
atpicos que se incluyeron en el modelo de funcin de transferencia completo.
7.4 Est i maci n del model o de funci n de t r ansfer enci a
La estimacin de este modelo result ser:
50

12
ln(ACC) = .100
(.030)

12
JUN82 .123
(.031)

12
NOV 93 (127)
+.096
(.030)

12
APR95 + .062
(.030)

12
MAR97
+.119
(.060)

12
ln(IPI) +

.066
(.019)
B + .042
(.018)
B
2

12
ln(NUV E)
+

1 .454
(.052)
B

1 .728
(.042)
B
12

a
|
La variable JUN92 se corresponde con un cambio de nivel identicado en
todas las variables de accidentes analizadas en este artculo producido como
consecuencia de un cambio en la legislacin en cuanto a la utilizacin de los
cinturones de seguridad. A partir de esa fecha, result ser obligatorio llevar
puesto el cinturn de seguridad lo que produjo una disminucin en el nivel de
todas las variables de accidentes. El resto de variables cticias incluidas se
corresponden con comportamientos atpicos tipo AO detectados en el proceso
de identicacin de residuos atpicos, que estn debidamente justicados en
el artculo.
7.5 Ver i caci n del model o de funci n de t r ansfer enci a
Siguiendo con las etapas del proceso de construccin de un modelo de funcin
de transferencia se realiza la vericacin del modelo mediante el anlisis, por
un lado de las funciones de autocorrelacin simple y parcial de los residuos
y por otro, mediante la funcin de correlacin cruzada entre los residuos del
modelo de funcin de transferencia y los residuos del modelo del OUTPUT.
51
-.06
-.04
-.02
.00
.02
.04
.06
5 10 15 20 25 30 35
Figure 6: Funcin de correlacin cruzada entre los residuos del modelo del
input IPI y los residuos del modelo de funcin de transferencia
Por lo que respecta a los residuos del modelo estimado, los estadsticos de
Ljung-Box de este modelo fueron: LBQ(12)=14.5 y LBQ(24)=26.2 lo que
nos lleva a no rechazar la hiptesis nula de que los residuos son ruido blanco.
Por lo que respecta a la funcin de correlacin cruzada entre los residuos
del modelo de funcin de transferencia estimado y los residuos de los mod-
elos univariantes de cada uno de los INPUT utilizados en la construccin
del modelo de funcin de transferencia (IPI y NUVE), tambin aparecen
"limpias" en el sentido de que no se puede decir que ninguna correlacin
cruzada sea signicativa. (vese gura 6 y 7)
52
-.12
-.08
-.04
.00
.04
.08
.12
5 10 15 20 25 30 35
Figure 7: Funcin de correlacin cruzada entre los residuos del modelo del
INPUT NUVE y los residuos del modelo de funcin de transferencia
53
7.6 Pr edi cci n con el model o de funci n de t r ansfe-
r enci a
Como se coment anteriormente, en el modelo de funcin de transferencia,
la prediccin se realiza una vez que se conocen los valores del INPUT por
lo que en muchas ocasiones es necesario reservar ciertas observaciones para
poder realizar la prediccin.
En este caso, los valores de los input (IPI y NUVE) se conocen antes
que los valores del ouput (ACC) debido al retraso de 8 meses con el que se
publican las cifras ociales de accidentes por parte de la Direccin General de
Trco,por lo que no es necesario reservar observaciones de la muestra para
calcular las predicciones. Sin embargo, ya que los objetivos del artculo eran
distintos (comparar la bondad predictiva de los modelos de los agregados
frente a los modelos de los desagregados), se reservaron las observaciones de
los aos 2001, 2002 y 2003 para vericar si las predicciones se ajustan a lo
que posteriormente sucede.
Se realizan predicciones horizonte 12 meses, para los aos 2001, 2002 y
2003. Es decir, se estim el modelo con las observaciones hasta el ao 2000 y
se realizaron predicciones para los doce meses del ao 2001. Seguidamente,
se reestim el modelo con las observaciones hasta el ao 2001 y se realizaron
predicciones para el ao 2002 y nalmente, se estim el modelo hasta el ao
2002 y se realizaron predicciones para el ao 2003. Los resultados predictivos
con este modelo fueron bastante satisfactorio, encontrndose valores para las
medidas de capacidad predictiva (MAPE, RMSE, APE y FGR) bastante
reducidas, por lo que el modelo se puede decir que funciona bien tanto a
nivel de estimacin como a nivel de prediccin.
54
8 Bi bl i ogr afa
Anzar, A. y Trvez, F.J. (1993): Mtodos de Prediccin en Economa, vol
2, Ariel Economa.
Bartlett, M.S. (1946): On the theoretical specication and sampling prop-
erties of autocorrelated time series. Journal of the Royal Statistical
Society, B, 8, pp. 27-41.
Bartlett, M.S. (1955): Stochastic Processes, Cambridge University Press.
Box, G.E.P. y Jenkins, G.M. (1970): Time Series Analysis: Forecasting and
Control, San Francisco, Holden-Day.
Garca-Ferrer, A. y Bujosa, M. (2000): "Forecasting OCDE turning points
using unobserved components models with business survery data. In-
ternational Journal of Forecasting, 16(2), pp. 207-227.
Garca-Ferrer, A., de Juan, A. y Poncela, P. (2005): Forecasting trac
accidents using disaggregated data. Aceptado para su publicacin en
International Journal of Forecasting.
Granger, C.W.J. y Newbold, P. (1977): Forecasting Economic Time Series,
Nueva York, Academic Press.
Hamilton, J.D. (1994): Time Series Analysis, Princeton University Press.
Hillmer, S.C. y Tiao, G.C. (1979): Likelihood function of stationary mul-
tiple autoregressive moving average models. Journal of the American
Statistical Assotiation, 74, pp. 652-660.
55
Liu, L.M. y Hanssens, D.M. (1982): Identication of multiple-input transfer
function models. Communications in Statistics, 11, pp. 297-314.
Ljung, G.M. y Box, G.E.P. (1978): On a measure of lack of t in time series
models. Biometrika, 65, pp. 297-303.
Novales, A. (1993): Econometra, Madrid, McGraw-Hill.
Osborn, D.R., Chui, A.P.L., Smith, J.P. y Birchenhall, C.R. (1988): Sea-
sonality and the order of integration for consumption. Oxford Bulletin
of Economics and Statistics, 50, pp. 361-377.
Pea, D. (2005): Anlisis de Series Temporales, Ciencias Sociales, Alianza
Editorial.
Wei, W.W.S. (1990): Time Series Analysis: Univariate and Multivariate
Methods, Redwood City, Addison Wesley.
56