Está en la página 1de 25

UNIVERSIDAD NACIONAL DE INGENIERIA

Escuela Profesional de Ingeniera Econmica


LIBRO DE SERIES DE TIEMPO APLICADO A LAS FINANZAS
Rafael Capar
Apaza Ari Delia
Contreras Vera Carlos
Huamn Bernaola Jessica
Salas Carhuaz Luis

23 de junio de 2015

ndice general
15.Modelos de Series de Tiempo no Estacionario

15.0.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15.0.2. Por qu tendencia temporal lineal y races unitarias? . . . . . . . . . . .

15.0.3. Comparacin entre un proceso estacionaria en tendencia y una con raz


unitaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15.0.4. El significado de las pruebas de Races Unitaria . . . . . . . . . . . . . . .

16

15.0.5. Otros mtodos para series de tiempo con tendencia . . . . . . . . . . . . .

20

NDICE GENERAL

Captulo 15

Modelos de Series de Tiempo no


Estacionario
Hasta aqu nuestro anlisis normalmente se ha limitado a procesos estacionarios. Este captulo
presenta varios enfoques para el modelado de series temporales no estacionarias y analiza las
propiedades dinmicas de los diferentes modelos de no estacionariedad. Consecuencias de la no
estacionariedad por inferencia estadstica se investigan en los captulos siguientes.

15.0.1.

Introduccin

Los captulos 3 y 4 discutieron los modelos univariados de series de tiempo que pueden ser
escritas en forma:
yt = + t + 1 t1 + 2 t2 ... = + (L)

donde

j=0 |j |

(15.0.1.1)

< , races de (z) = 0 se encuentran fuera del crculo unitario, y t es una

secuencia de ruido blanco con media cero y varianza 2 . Dos caractersticas de este tipo de
procesos ameritan repetir aqu. En primer lugar, la expectativa incondicional de la variable es
una constante, independiente de la fecha de la observacin:
E(yt ) = .

En segundo lugar, como se intenta pronosticar la serie ms lejos en el futuro, el pronstico


b t+S | yt , yt1 , ...) converge a la media no condicional:
ybt+S E(y

lm ybt+S|t = .

Estos pueden ser suposiciones muy poco atractivas para muchas de las series de tiempo econmicas y financieras encontradas en la prctica. Por ejemplo, la Figura 15.1 traza el nivel del
producto bruto nacional nominal para los Estados Unidos desde la Segunda Guerra Mundial.
No hay duda de que esta serie ha tenido una tendencia al alza en el tiempo, y esta tendencia al
alza se debe incorporar en los pronsticos de esta serie.
5

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO

Hay dos enfoques populares que describen tales tendencias. La primera consiste en incluir una
tendencia de tiempo determinista:
yt = + t + (L)t .

(15.0.1.2)

De este modo, la media del proceso estacionario1 [15.0.1] se sustituye por una funcin lineal
para la fecha t. Tal procedimiento se describe a veces como "tendencia-estacionaria", ya que si
se resta la tendencia + t de [15.1.2], el resultado es un proceso estacionario.
La segunda especificacin es un proceso de raz unitaria.
(1 L)yt = + (L)t ,

(15.0.1.3)

Figura 15.1: PNB nominal de EE.UU. 1947-87

donde (1) 6= 0. Para un proceso de raz unitaria, una representacin estacionaria de la


forma de [15.0.1] describe los cambios en las series. Por razones que se aclararn en breve, la
media de (1 L)yt se denota en lugar de .
El operador de primera diferencia (1 L) se va a plantear con suficiente frecuencia con un
smbolo especial (la letra Griega 4) que se reserva para esto:
4yt yt yt1
El ejemplo prototipo de un proceso de raz unitaria se obtiene mediante el establecimiento de
(L) igual a 1 en [15.0.1.3]:
yt = yt1 + + t .
1

1Recordemos que .estacionario"se entiende por ovarianza estacionaria".

(15.0.1.4)

7
Este proceso se conoce como un random walk con deriva .
En la definicin del proceso de raz unitaria en [15.0.1.3], se asumi que (1) es distinto de cero,
donde (1) denota el polinomio
(z) = 1 + 1 z 1 + 2 z 2 + ...
evaluado en z = 1. Para ver por qu tal restriccin debe ser parte de la definicin de un proceso
de raz unitaria, supongamos que la serie y original yt es de hecho estable con una representacin
de la forma
yt = + (L)t .
Si tal serie estacionaria es diferenciada, el resultado es
(1 L)yt = (1 L)(L)t (L)t ,
donde (L) (1 L)(L). Esta representacin es en la forma de [15.0.1.3] - si la serie original
yt es estacionaria, entonces tambin lo es yt . Sin embargo, el operador de media mvil (L)
que caracteriza yt tiene la propiedad de que (1) = (1 1).(1) = 0. Cuando estipulamos que
6= 0 en [15.0.1.3], fuimos descartando as la posibilidad de que la serie original yt es estacionaria.
A veces es conveniente trabajar con una representacin ligeramente diferente del proceso de raz
unitaria [15.0.1.3]. Considere la siguiente especificacin:
yt = + t + t ,

(15.0.1.5)

donde t sigue un proceso ARMA con media cero:


(1 + 1 L 2 L2 ... p Lp )t = (1 + 1 L + 2 L2 + p Lp )t ,

(15.0.1.6)

y donde el operador de media mvil (1 + 1 L + 2 L2 + p Lp )t es invertible. Supongamos que el


operador autorregresivo en [15.0.1.6] aparece como un factor como en la ecuacin [2.4.3]:
(1 + 1 L 2 L2 ... p Lp )t = (1 1 )(1 2 )...(1 p ).
Si todos los valores propios 1 , 2 , ..., p estn dentro del crculo unitario, entonces [15.0.1.6] se
puede expresar como
=
con

j=0 |j |

1 + 1 L + 2 L2 + ... + q Lq
t (L)t
(1 1 L)(1 2 L)...(1 p L)

< y las races de (z) = 0 fuera del crculo unitario. As, cuando |i | < 1

para todo i, el proceso [15.0.1.5] no sera ms que un caso especial del proceso de tendencia
estacionaria de [15.0.1.2].
Supongamos que en lugar de que 1 = 1 y |1 < 1| para i = 2, 3, ..., p. Entonces [15.0.1.6]
establecera que
(1 1 L)(1 2 L)...(1 p L)t = (1 + 1 L + 2 L2 + ... + q Lq )t ,
lo que implica que
(1 L) =

1 + 1 L + 2 L2 + ... + q Lq
t (L)t
(1 1 L)(1 2 L)...(1 p L)

(15.0.1.7)

8
con

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO


P

j=0 |j |

< y races de (z) = 0 en el exterior del crculo unitario. Por lo tanto, si

[15.0.1.5] es diferenciada por primera vez, el resultado es


(1 L)yt = (1 L) + [t (t 1)] + (1 L)t = 0 + + (L)t
que es de la forma del proceso de raz unitaria [15.0.1.3].
La representacin en [15.0.1.5] explica el uso de la expresin "proceso de raz unitaria". Una de
las races o valores propios 1 del polinomio autorregresivo en [15.0.1.6] es la unidad, y todos
los dems valores propios estn dentro del crculo unitario.
Otra expresin que se utiliza a veces es que el proceso [15.0.1.3] es ntegrada"de orden 1. Esto
se indica como yt I1 . El trmino ntegrado"viene del clculo; si dy/dt = x, entonces y es la
integral de x. En series de tiempo discreto, si yt = x , entonces y podr tambin ser visto como
la integral, o suma sobre t, de x.
Si un proceso escrito en la forma de [15.0.1.5] y [15.0.1.6] tiene dos valores propios 1 e 2
que son iguales a la unidad con todos los dems dentro del crculo unitario, entonces la segunda
diferencias de los datos tienen que ser tomadas antes de llegar a una serie de tiempo estacionaria:
(1 L)2 yt = + (L)t
Tal proceso se dice que est integrada de orden 2, denotado yt I(2).
Un proceso general escrito en la forma de [15.0.1.5] y [15.0.1.6] se le llama un proceso
autorregresivo, integrado y medias mviles, denotado ARIMA(p,d, q). El primer parmetro (p)
se refiere al nmero de retardos autorregresivos (sin contar las races de la unidad), el segundo
parmetro (d) se refiere a la orden de integracin, y el tercer parmetro (q) da el nmero
de retardos promedio en movimiento. Tomando diferencias dth de un modelo ARIMA(p,d,q)
produce un proceso estacionario ARMA(p,q).

15.0.2.

Por qu tendencia temporal lineal y races unitarias?

Uno podra preguntarse por qu, para la especificacin de tendencia estacionaria [15.0.1.2],
se especifica que la tendencia sea una funcin lineal del tiempo (t) en lugar de una funcin cuadrtica (t + t2 ) o exponencial (et ). De hecho, la serie de PBI en la Figura 15.1, al igual que
muchas series de tiempo econmicas y financieras, parece que se caracteriza mejor por una tendencia exponencial que una tendencia lineal. Una tendencia exponencial exhibe un crecimiento
constante proporcional, es decir, si
yt = et

(15.0.2.1)

Entonces dy/dt = .yt . Crecimiento proporcional en la poblacin surgira si el nmero de nios


nacidos fuera una fraccin constante de la poblacin actual. Crecimiento proporcional de los
precios (o inflacin constante) se planteara si el gobierno estuviera tratando de recoger un nivel
constante de los ingresos reales de la emisin de dinero. Estas historias son a menudo un punto
de partida atractivo para pensar en las fuentes de las tendencias temporales, y el crecimiento
exponencial se confirma generalmente por el aspecto visual de la serie como en la Figura 15.1.
Por esta razn, muchos economistas asumen que el crecimiento es de la forma exponencial.

9
Tenga en cuenta que si tomamos el logaritmo natural de la tendencia exponencial [15.0.2.1],
el resultado es una tendencia lineal,
log(yt ) = t
Por lo tanto, es comn tomar registro de los datos antes de intentar describir con el modelo en
[15.0.1.2].
Argumentos similares sugieren tomando logaritmos naturales antes de aplicar [15.0.1.3]. Para
pequeos cambios, la primera diferencia del logaritmo de una variable es aproximadamente el
mismo que el porcentaje de cambio en la variable:
(1 L)log(yt ) = log(yt /yt1 )
= log(1 + [(yt yt 1)/yt1 ])

= (yt yt1 )/yt1 ,


Cuando hemos utilizado el hecho que para x cercano a cero, log(1 + x)
= x22 . Por lo tanto, si
los logaritmos de una variable se especifican para seguir un proceso de raz unitaria, el supuesto
es que la tasa de crecimiento de la serie es un proceso estocstico estacionario. Los mismos
argumentos utilizados para justificar la toma de logaritmos antes de aplicar [15.0.1.2] tambin
sugieren tomar logaritmos antes de aplicar [15.0.1.3]. A menudo las unidades son ligeramente
ms conveniente si el log(yt ) se multiplica por 100. Entonces los cambios se miden directamente
en unidades de variacin porcentual. Por ejemplo, si (1 L)[100xlog(yt )] = 1, 0 , entonces yt , es
mas alto 1 % ms alto que yt1

15.0.3.

Comparacin entre un proceso estacionaria en tendencia y una con


raz unitaria

Esta seccin compara un proceso estacionario en tendencia [15.0.1.2] con un proceso de raz
unitaria [15.0.1.3] en trminos de prediccin, varianza del error de prediccin, multiplicadores
dinmicos, y las transformaciones necesarias para lograr la estacionariedad.

Comparacin de prediccin
Para predecir de una serie estacionaria en tendencia [15.1.2], debemos de adherir al predecir
del componente estacionario el componente determinsticos ( + t), como:
ybt+s|t = + (t + s) + s t + s+1 t1 + s+2 t2 ...

(15.0.3.1)

Aqu ybt+s|t denota la proyeccin lineal de yt+s sobre una constante yt , y1,.... Note que para
el proceso no estacionario, nosotros usaremos el trmino constante + (t + s), no obstante
este puede ser diferente para cada periodo t + s. Como el horizonte de prediccin (s) aumenta
2

Ver el resultado [A.3.36] en la Revisin Matemtica (Apndice A), al final del libro

10

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO

en tamao, y la serie j es absolutamente sumable, implicando que la prediccin converge en


media cuadrada a la tendencia temporal:
E[ybt+s|t (t + s)]2 0; comos
Para predecir una serie con raz unitaria como [15.0.1.3] recordar que el yt , es como un
proceso estacionario que puede ser predecido usando la frmula estndar.:
b t+s yt+s1 )|yt , yt1 , ...]
ybt+s|t E[(y

= + s t + s+1 t1 + s+2 t2 + ...

(15.0.3.2)

La variable en nivel a la fecha t + s es simplemente la suma de los cambios entre t y t + s:


yt+s = (yt+s yt+s1 ) + (yt+s1 yt+s2 ) + ... + (yt+1 yt ) + yt

(15.0.3.3)

= yt+s + yt+s1 + ... + yt+1 + yt .


Tomando la proyeccin lineal de [15.0.3.3 sobre una constante yt , yt?1 , ... y sustituyndolo en
[15.0.3.2] obtenemos:

yt+s/t =
yt+s/t +
yt+s/t + ... +
yt+s/t
= + s t + s+1 t1 + s+2 t2 + ...)
+( + s1 t + s t1 + s+1 t2 + ...)
+... + ( + 1 t + 2 t1 + 3 t2 + ...) + yt
yt+s/t = s + yt + (s + s1 + ... + 1 )t + (s+1 + s + ... + +2 )t1 + ...

(15.0.3.4)

Adems la prediccin para un proceso con raz unitaria se obtiene analizando algunos casos
especiales. Consideremos primero un random walk con deriva [15.0.1.4], en la cual 1 = 2 =
... = 0. Entonces [15.0.3.4] llega a ser:

yt+s/t = s + yt
Un random walk con deriva es de esperarse que crezca a una tasa constante e igual a
por cada periodo desde su valor actual yt .
Consideremos ahora un ARIMA(0,1,1) con especificacin (1 = , 2 = 3 = ... = 0). Por
lo tanto:
yt+s/t = s + yt + t

(15.0.3.5)

Aqu, el valor presente de la serie yt , con un valor de innovacin actual (componente aleatorio) t , tambin es de esperarse que crezca a una tasa constante e igual a .

11
Note que t es el valor del error de prediccin un periodo adelante:

t = yt yt/t1
Esto sigue desde [15.0.3.5] que para = 0 y s = 1,

yt+1/t = yt + (yt yt/t1 )

(15.0.3.6)

yt+1/t = (1 + )yt
yt/t1

(15.0.3.7)

La ecuacin [15.0.3.7] toma la forma de una ecuacin en diferencia de primer orden, relacionando yt+1/t con su propio rezago y con una variable de insumo (1 + )yt . Siempre que || < 1,
la expresin [15.0.3.7] puede ser escrita usando el resultado [2.2.9] como:

yt+1/t = [(1 + )yt ] + ()[(1 + )yt1 ] + ()2 [(1 + )yt2 ] + ()3 [(1 + )yt3 ] + ... (15.0.3.8)
= (1 + )

j=0 ()

jy

tj

La expresin [15.0.3.7] es conocida en economa como expectativas adaptativas, y la serie


[15.3.8] es referida a una forma de suavizamiento exponencial; en muchas aplicaciones se asume que 1 < < 0.Dejando a yt representar el ingreso, Friedman(1975) uso un mtodo de
suavisamiento exponencial para construir la una de las medidas del ingreso permanente. Muth
(1960) not que las expectativas adaptativas o suavisamiento exponencial corresponde a una
prediccin racional sobre el ingreso futuro solo si yt sigue un proceso ARIMA(0,1,1) y el peso
de suavizamiento () igual al valor negativo del coeficiente del componente dela media movil
de la data diferenciada ().
Para un proceso ARIMA(0,1,q), el valor de yt y los q valores mas recientes de t influyen en
la prediccin yt+1/t , yt+2/t , ..., yt+q/t , pero an es lgico pensar que crecer a una tasa igual a .
Para un ARIMA(p,1,q), la tasa de crecimiento de la prediccin se aproxima asintticamente a
.
As el parmetro en la serie con raz unitaria [15.0.1.3] juega un rol muy similar al en una
serie con tendencia determinstica [15.0.1.2]. Con cualquier especificacin, la prediccin yt+s/t in
[1.3.1] o [1.3.4] converge a una funcin lineal en el horizonte de prediccin s con pendiente , ver
la figura 15.2. La diferencia central es en el intercepto de la linea. Para un proceso estacionario
en tendencia, la prediccin converge a una linea cuyo intercepto es independiente al valor yt . En
cambio, el intercepto de la prediccin para una serie con raz unitaria es cambiante con cada
valor nuevo de y.

12

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO

Comparacin entre los errores de prediccin

Las series estacionarias en tendencia y las series con raz unitaria son muy diferentes en sus
implicaciones de sus varianzas del error de prediccin. Para un proceso estacionario en tendencia
[15.1.2], el error de prediccin s periodos adelante es:

yt+s yt+s/t = ( + (t + s) + t+s + 1 t+s1 + 2 t+s2 + ...


+s1 t+1 + s t + ...)
( + (t + s) + s t s+1 t+1 + ...)
= t+s + 1 t+s1 + 2 t+s2 + ... + s1 t+1 .

El error cuadrtico medio (ECM) para la prediccin es:

2
E[yt+s yt+s/t ]2 = 1 + 12 + 22 + ... + s1
2

El ECM se incrementa al incrementar el horizonte de prediccin s. Sin embargo cuando s


se hace grande, la incertidumbre agregada desde la prediccin mas alla en el futuro se vuelve
insignificante:

2
lm E[yt+s yt+s/t ]2 = 1 + 12 + 22 + ... + s1
2

Note que el limite del ECM es justamente la varianza no condicional del componente estacionario (L)t .

En contraste el error de prediccin de una raz unitaria [1.1.3] s periodos adelante es:

13

yt+s yt+s/t = yt+s + yt+s1 + ... + yt+1 + yt

yt+s/t +
yt+s1/t + ... +
yt+1/t + yt
= t+s + 1 + 1 t+s1 + 1 + 1 + 2 t+s2 + ...
+1 + 1 + ... + s1 t+1
Con ECM
E[yt+s yt+s/t ]2 = (1 + 1 + 1 2 + 1 + 1 + 2 2 + ...
+(1 + 1 + 2 + ... + s1 )2 ) 2
El ECM se incrementa a medida que el horizonte de prediccin s se incrementa, sin embargo,
a diferencia de una serie estacionaria en tendencia, el ECM no converge a ningn valor fijo cuando
s tiende al infinito. En cambio, este se aproxima asintticamente a una funcin lineal de s con
pendiente (1 + 1 + 2 + ...)2 2 . Por ejemplo para un proceso ARIMA(0,1,1),
E[yt+s yt+s/t ]2 = 1 + (s 1)(1 )2 2

(15.0.3.9)

En resumen, para un proceso estacionario en tendencia el ECM converge a un valor finito


a medida que el horizonte de prediccin tiende al infinito, mientras que para una serie con raz
unitaria el ECM se incrementa linealmente con el horizonte de prediccin. Este resultado se

14

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO

puede contemplar en la figura 15.2.


Note que desde que el ECM crece linealmente con el horizonte de prediccin , la desviacin
estndar del error de prediccin crece con la raz cuadrada de s. Por otro lado, si > 0, la
prediccin crece linealmente en s. As el intervalo a un 95 % de confianza para yt+s se expande
mas lentamente que el nivel de la serie, lo que siginifica que los datos de un proceso de raz
unitaria con deriva positiva mostrar una tendencia ascendente si se observa por un periodo suficientemente largo. En este sentido la tendencia introducida por una tendencia se incrementa
asintoticamente debido al componente con raz unitaria. Este resultado es muy importante para
entender los resultados estadsticos asintticos presentados en el capitulo 18 y 17.

La figura 15.3 grfica un random walk gausiano (distribucin normal)sin deriva y otro con
deriva. El random walk sin deriva es mostrado en el panel (a), no muestra ninguna tendencia a
regresar a su valor inicial . El random walk con deriva, mostrado en el panel (b) , muestra la
tendencia a retornar a un valor determinstico fijo sobre una lnea de tendencia, sin embargo la
serie es asintticamente dominada por el trmino con deriva positiva.

15

comparacin de los multiplicadores dinmicos


Otra diferencia entre los procesos de tendencia estacionaria y de raz unitaria es la persistencia de las innovaciones. Tenga en cuenta las consecuencias para yt+s si t eran aumentar
en una unidad con 0 s para todas las dems fechas no afectados. Para el proceso de tendencia
estacionaria [15.0.1.2], este multiplicador dinmico est dada por
yt+s
= s
t
Por un proceso de tendencia estacionaria, entonces, el efecto de cualquier perturbacin estocstica finalmente desaparece:
lm

x+

yt+s
=0
t

Por el contrario, para un proceso de raz unitaria, el efecto de t en yt+1 se ve desde [15.3.4]
yt
yt+s
=
+ s + s1 + ...1 = 1 + 1 + 2 + ... + (s)
t
t
Una innovacin t tiene un efecto permanente en el nivel de y que es capturado por

lm

x+

yt+s
= 1 + 1 + 2 + ... = (1)
t

(15.0.3.10)

Esto, por supuesto, en contraste con el multiplicador que describe el efecto de t , en el entre
yt+s , y yt+s1 , que viene dada por
yt+s
= s
t
Como una ilustracin del clculo de un multiplicador tal, el siguiente modelo ARIMA (4,1,0) se
estim para y, igual a 100 veces el registro de trimestrales de EE.UU. PNB real (t = 1952: II
1984: IV):

yt = 0,555 + 0,312 yt1 + 0,122 yt2 0,116 yt3 0,081 yt4 + t


Para la especificacin, el efecto permanente de un cambio de una unidad en x, en el nivel
de PNB real se estima que es

(1) = 1/(1) = 1/(1 0,312 0,122 + 0,116 + 0,081) = 1,31.

Transformaciones para conseguir estacionariedad


Una diferencia final entre los procesos de tendencia estacionaria y los de raz unitaria que
merece comentario es la transformacin de datos necesaria para generar una serie de tiempo
estacionaria. Si el proceso es relemnte de tendencia estacionaria como en [15.0.1.2] el apropiado
tratamiento es substraer t de yt , para producir una representacin estacionaria de la forma de

16

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO

[15.0.1]. En contraste , si los datos fueron realmente generados por un proceso de raz unitaria
[15.0.1.3], substrayendo t de yt se lograra remover la dependencia temporal de la media pero
no de la varianza. Por ejemplo,si los datos fueron generados por [15.0.1.4], el paseo aleatorio con
deriva, entonces
yt t = y0 + (1 + 2 + ... + t ) = y0 + ut
La varianza del residuo ut es t 2 ; esta crece con los datos de la observacin. As, substraer la
tendencia temporal de un proceso de raz unitaria no es suficiente para producir una serie de
tiempo estacionaria.
El tratamiento correcto para un proceso de raz unitaria es a diferencia de la serie, y por esta
razn un proceso descrito por [15.0.1.3] a veces se denomina un proceso de diferencia estacionaria.
Tenga en cuenta, sin embargo, que si uno fuera a tratar de diferencia un proceso de tendencia
estacionaria [15.0.1.2], el resultado sera
yt = + (1 L)(L)t
Esta es una serie de tiempo estacionaria, pero una raz unitaria se ha introducido en la representacin media mvil. Este, el resultado sera un proceso invertible no sujeto a las posibles
dificultades en los captulos 3 a 5.

15.0.4.

El significado de las pruebas de Races Unitaria

Saber si la no estacionariedad de los datos se debe a una tendencia temporal determinista o


de una raz unitaria parece ser una pregunta muy importante. Por ejemplo , los macroeconomistas estn muy interesados en saber si las recesiones econmicas tienen consecuencias permanentes
para el nivel de PBI futuro, o en su lugar representan las crisis temporales con la produccin perdida finalmente compuesta durante la recuperacin. Nelson y Plosser (1982) argumentaron que
muchas series econmicas estn mejor caracterizados por las races unitarias que por factores de
tiempo determinsticos. Varios economistas han tratado de medir el tamao de las consecuencias
permanentes mediante la estimacin (1) para diversas representaciones de series de tiempo de
crecimiento del PIB.
Aunque puede ser muy interesante saber si una serie temporal tiene una raz unitaria, varios
trabajos recientes han argumentado que la pregunta es inherentemente incontestable sobre la
base de una muestra finita de observaciones.5 El argumento toma la forma de dos observaciones.
La primera observacin es que para cualquier proceso de raz unitaria existe un proceso estacionario que ser imposible de distinguir de la representacin de raz unitaria para cualquier
tamao de muestra dado T . Tal proceso estacionario se encuentra con bastante facilidad mediante el establecimiento de uno de los valores propios cerca pero no del todo igual a la unidad.
Por ejemplo , supongamos que la muestra se compone de T = 10000 observaciones que fueron
realmente generados por un paseo aleatorio poco desviado:
5

Ver Blough (1992a,b),Cochrane (1991), Christiano and Eichenbaum (1990), Stock (1990), y Sims (1989). La

declaracin ms aguda de este punto de vista y la perspectiva en la que se basan estas declaraciones en el texto,
es la de Blough

17

yt = yt1 + t

modelo verdadero (raz unitaria)c

(15.0.4.1)

Considere la posibilidad de tratar de distinguir esto del siguiente proceso estacionario:

yt = yt1 + t || < 1 modelo falso (estacionario)

(15.0.4.2)

La prediccin s periodos adelante de [15.4.1] es


ybt+s|t = yt

(15.0.4.3)

E(yt+s ybt+s|t )2 = s 2

(15.0.4.4)

con ECM

La prediccin correspondiente de [15.4.2] es


ybt+s|t = 2 yt

(15.0.4.5)

E(yt+s ybt+s|t )2 = (1 + 2 + 4 + . . . + 2(s1) ) 2

(15.0.4.6)

con ECM

Es evidente que existe un valor de suficientemente cerca de la unidad de tal forma que las
consecuencias observables de la representacin estacionaria (15.0.4.5 y [15.0.4.6]) son arbitrariamente cercanas a las del proceso de raz unitaria ([15.0.4.3] y [15.0.4.4]) en una muestra de
tamao 10000
Ms formalmente, la funcin de probabilidad condicional para un proceso Gaussiano caracterizado por [15.0.1.7] es continua en el parmetro 1 .Por lo tanto, dado cualquier tamao de
muestra fijo T, cualquier pequeo nmero y , y cualquier especificacin de raz unitaria con
1 = 1, existe una especificacin estacionaria con 1 < 1 con la propiedad de que la probabilidad
es menos de  que uno observara una muestra de tamao T para que el valor de la probabilidad implcita en la representacin de raz unitaria difiere en ms de a partir del valor de la
probabilidad implcita en la representacin estacionaria.
La proposicin inversa tambin es verdadera - para cualquier proceso estacionario y un tamao
de muestra dado T, existe un proceso de raz unitaria que ser imposible de distinguir de la
representacin de raz unitaria. Una vez ms, considere un ejemplo sencillo. Supongamos que el
verdadero proceso es ruido blanco:
yt = t

modelo verdadero (estacionario)

(15.0.4.7)

Considere la posibilidad de tratar de distinguir esto de


(1 L)yt = (1 + L)t || < 1 modelo falso (raz unitaria)
y0 = 0 = 0

(15.0.4.8)

18

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO


La prediccin s periodos adelante de [15.4.7] es
ybt+s|t = 0

con ECM
E(yt+s ybt+s|t )2 = 2
La prediccin de [15.4.8] se obtiene a partir de [15.3.5]:
ybt+s|t = yt + t
= {yt + yt1 + . . . + y2 + y1 } + t
= {(t + t1 ) + (t1 + t2 ) + . . . + (2 + 1 ) + (1 )} + t
= (1 + ){t + t1 + . . . + 1 }
Desde [15.3.9], el ECM de la prediccin s periodos adelante es:
E(yt+s ybt+s|t )2 = {1 + (s 1)(1 + )2 } 2
Una vez ms, claramente, dado cualquier tamao de muestra fijo T , existe un valor de
suficientemente cerca de 1 de modo que el proceso de raz unitaria [15.0.4.8] tendr prcticamente las consecuencias observables idnticas a las del proceso estacionario [15.0.4.7].
La raz unitaria y los procesos estacionarios difieren en sus implicaciones en horizontes de tiempo infinitos, pero para cualquier nmero finito de observaciones sobre la serie de tiempo, hay
un representante de cualquiera clase de modelos que podran explicar todas las caractersticas
observadas de los datos. Por tanto, debemos tener cuidado con nuestra eleccin de palabras
- probando si una serie de tiempo determinada ontiene una raz unitaria", o probando si las
innovaciones "tienen un efecto permanente en el nivel de las series"por muy interesante, es simplemente imposible de hacer.
Otra forma de expresar esto es la siguiente. Para un proceso de raz unitaria dada por [15.0.1.3],
la funcin de generacin de autocovarianza de (1 L)y es
gY (z) = (z) 2 (z 1 ).
La funcin de generacin de autocovarianza evaluada en z = 1 es entonces
gY (z) = [(z)]2 2

(15.0.4.9)

Recordando que el espectro de poblacin de y en frecuencia w esta definido por


sy (w) =

1
gY (eiw ),
2

la expresin [15.0.4.9] alternativamente se puede describir como 2 veces el espectro en


frecuencia cero:
sY (0) =

1
[(1)]2 2
2

19
Por el contrario, si el verdadero proceso es la especificacin de tendencia estacionaria [15.1.2],
la funcin de generacin de autocovarianza de y puede calcularse a partir de [3.6.15] como
gY (z) = (1 z)(z) 2 (z 1 )(1 z 1 ),
que evaluada en z = 1 es cero. Por lo tanto , si el verdadero proceso es de tendencia estacionaria, el espectro de la poblacin de y en la frecuencia cero es cero, mientras que si el verdadero
proceso se caracteriza por una raz unitaria, el espectro de la poblacin de y en la frecuencia
cero es positivo.
La interrogante de si yt sigue un proceso de raz unitaria puede por lo tanto equivalentemente
ser expresada como un problema de si el espectro poblacin de y en la frecuencia cero es cero.
Sin embargo, no hay informacin de una muestra de tamao T sobre ciclos con plazo mayor a
T , al igual que no hay informacin de una muestra de tamao T sobre el multiplicador dinmico
para un horizontes s > T .
Estas observaciones, no obstante, hay varias interrogantes estrechamente relacionadas y muy
interesantes que son solucionables. Teniendo en cuenta los datos suficientes, sin duda podemos
preguntarnos si las innovaciones tienen un efecto significativo sobre el nivel de la serie en un
horizonte finito especificado. Para un horizonte de tiempo fijo (por ejemplo, s = 3 aos), existe
un tamao de la muestra (por ejemplo, el medio siglo de observaciones desde la Segunda Guerra
Mundial) de tal manera que con sentido podemos preguntar si yt+s /t es cercana a cero. No
podemos decir si los datos fueron realmente generados por[15.0.4.1] o un pariente cercano de
la forma de [15.0.4.2], pero podemos medir si las innovaciones tienen mucha persistencia en ese
intervalo (como en [ 15.0.4.7] o [ 15.0.4.8)].
Tambin podemos llegar a una hiptesis comprobable, si estamos dispuestos a restringir an
ms la clase de los procesos considerados. Supongamos que la dinmica de una muestra dada
[yt , . . . , yT ] debe ser modelada utilizando una autorregresin de orden fijo, conocido orden p. Por
ejemplo, supongamos que estamos comprometidos con el uso de un proceso de AR(1):
yt = yt1 + t

(15.0.4.10)

dentro de esta clase de modelos, la restriccin


Ho : = 1
es ciertamente comprobable. Si bien es cierto que existen alternativas locales (como = 0,99999)
contra la cual una prueba no tendra esencialmente el poder, esto es cierto para la mayora de
las pruebas de hiptesis. Tambin hay alternativas (tales como = 0,3) que conduciran a cierto
rechazo de H0 dado suficientes observaciones. La hiptesis {yt } es un AR(1) con un proceso
de raz unitaria ", es potencialmente refutable; la hiptesis de que {yt } es un proceso de raz
unitaria general de la forma [ 15.0.1.3]"no lo es.
Puede haber buenas razones para restringirnos nosotros mismos a pensar slo en representaciones autorregresivas de orden inferior. Modelos parsimoniosos a menudo funcionan mejor,

20

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO

y autorregresivos son mucho ms fciles de estimar y de prediccin de los procesos de Medias


Mviles, particularmente procesos de Medias Mviles con una raz cercana a la unidad.
Si realmente estamos comprometidos con la descripcin de los datos con un autorregresivo
de orden inferior, saber si la restriccin adicional de una raz unitaria debe ser impuesta puede
ser claramente importante por dos razones. La primera consiste en una familiar disyuntiva
entre eficiencia y coherencia. Si una restriccin (en este caso, una raz unitaria ) es cierto, las
estimaciones ms eficientes resultan de imponerla. Las estimaciones de los otros coeficientes y
multiplicadores dinmicos sern ms precisas, y las previsiones sern mejores. Si la restriccin es
falsa, las estimaciones no son fiables, no importa cun grande sea la muestra. Los investigadores
difieren en sus consejos sobre cmo hacer frente a esta disyuntiva. Una gua prctica es estimar
el modelo tanto con y sin la raz unitaria impuesta. Si las conclusiones clave son similares, mucho
mejor. Si las conclusiones son diferentes, algn intento de explicar los resultados contradictorios
(como en el Christiano y Ljungqvist, 1988, o Stock y Watson, 1989) puede ser deseable.
Adems de la conocida disyuntiva entre la eficiencia y coherencia, la decisin de imponer o no
races unitarias en una autorregresin tambin plantea cuestiones relacionadas con la teora de
la distribucin asinttica que uno utiliza para poner a prueba hiptesis sobre el proceso. Este
tema se trata en detalle en los captulos posteriores.

15.0.5.

Otros mtodos para series de tiempo con tendencia

A pesar que la mayor parte del anlisis de la no estacionariedad en este libro son en base a
la raz unitaria y tendencia temporal,esta seccin brevemente explica dos mtodos alternativos
para modelar la no estacionariedad: procesos fraccionalmente integrados y procesos con ocasionales y discretos cambios en la tendencia temporal.

Integracin Fraccional
Retomando que un proceso integrado de orden d puede ser representado de la siguiente
forma
(1 L)d yt = (L)t
donde

Pnf

j=0 |j |

(15.0.5.1)

< nf. El supuesto principal es que d = 1, o que la primera diferencia de

la serie es estacionaria. Ocasionalmente se pueden encontrar series donde d = 2 puede ser una
mejor opcin.
Granger y Joyeux (1980) y Hosking (1981) sugieren que valores no enteros de d en la ecuacin
anterior tambin pueden resultar tiles. Para entender la ecuacin anterior con un d no entero,
considere la representacin M A() de la expresin [15.0.5.1]. Se puede demostrar fcilmente
que la inversa del operador (1 L)d existe siempre que d < 1/2. Multiplicando ambos lados de
[15.0.5.1] por (1 L)d resulta en
yt = (1 L)d (L)t

(15.0.5.2)

21

Para un escalar z, se define la funcin

f (z) = (1 z)d

Esta funcin posee derivadas definidas como sigue


f
z
2 f
z 2
3 f
z 3

d (1 z)d1

(d + 1) d (1 z)d2

(d + 2) (d + 1) d (1 z)d2

j f
z j

= (d + j 1) (d + j 2) (d + 1) d (1 z)dj

..
.

Una expansin de la serie para f (z) al rededor de z = 0 es dada por

(1 z)d =

f (0) +

f
z |z=0

1 2 f
1 3 f
2
3
2! z 2 |z=0 z + 3! z 3 |z=0 z +
1)dz 2 + (1/3!)(d + 2)(d + 1)dz 3 +

z+

= 1 + dz + (1/2!)(d +

Esto sugiere que el operador (1 L)d puede ser representado por el filto

(1 L)d = 1 + dL + (1/2!)(d + 1)dL2 + (1/3!)(d + 2)(d + 1)dL3 +


Pnf

j
j=0 hj L ,

(15.0.5.3)

donde h0 1 y
hj (1/j!)(d + j 1)(d + j 2)(d + j 3) (d + 1)(d)

(15.0.5.4)

El apndice 15.A de este captulo establece que si d < 1, hj puede ser aproximado para un
j grande por
hj = (j + 1)d1

(15.0.5.5)

yt = (1 L)d t = h0 t + h1 t1 + h2 t2 +

(15.0.5.6)

As, el modelo de series de tiempo

describe una representacin M A() en la cual el coeficiente de impulso - respuesta hj se


comporta como (j + 1)d1 para un j grande. Para comparar, tome que el coeficiente de impulso
- respuesta asociado con el proceso AR(1) yt = (1 L)1 t esta dado por j . Los coeficientes
de impulso - respuesta para un ARMA estacionario caen geomtricamente, en contraste con el
decaimiento ms lento que se observa en [15.0.5.5]. Debido a este menor decaimiento, Granger

22

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO

y Joyeux proponen el proceso integrado fraccional como un mtodo para modelar datos grandes
en una series de tiempo.
En una muestra finita, esta gran memoria puede ser aproximada arbitrariamente bien para
una representacin ARMA de orden superior. El objetivo de esta especificacin de diferencias
fraccionales es el de capturar parsimoniosamente multiplicadores de largo plazo que caigan muy
lentamente.
nf
La secuencia de los coeficientes que limitan las medias mviles hjj=0
dadas en [15.0.5.4]

pueden ser demostradas como la suma de cuadrados sabiendo que d <


P

2
j=0 hj

1 3
2

< parad < 12 .

Por lo tanto, [15.5.6] define un proceso de covarianza estacionaria siempre que d < 12 . Si d > 21 ,
la propuesta es la diferencia del proceso antes de descrita por [15.5.2]. Por ejemplo, si d = 0,7,
el proceso de [15.5.1] implica
(1 L)0,3 (1 L)yt = (L)t ;
Esto es, y, fraccionalmente integrado con el parmetro d = 0,3 < 12 .
Las condiciones bajo las cuales la integracin fraccional puede aparecer de la agregacin de otros
procesos fueron describidos por Granger (1980). Geweke y Porter - Hudak (1983) y Sowell (1992)
propusieron tcnicas para estimar d. Diebold y Rudebusch (1989) analizaron la data del PBI
y la persistencia de las fluctuaciones de los ciclos econmicos utilizando este mtodo mientras
Lo (1991) proporcionado una investigacin interesante de la persistencia de los movimientos de
precios stock.

Saltos ocasionales en tendencia


De acuerdo con la especificacin de raz unitaria [15.0.1.3], los eventos estn ocurriendo todo
el tiempo que afectan de forma permanente el curso de y. Perron (1989) y Rappoport y Reichlin
(1989) han argumentado que los hechos econmicos que tienen grandes efectos permanentes son
relativamente raros. La idea se puede ilustrar con el modelo siguiente, en la que y es estacionaria
alrededor de una tendencia con una sola interrupcin:

+ t +
1
yt =
2 + t +
3

para t < T0 ,
para t T0

zonamiento como en el Apndice 3.A el Captulo 3.


N 1

(j + 1)2(d1) =

j=0

N
X

j 2(d1)

j=0

Z
<1+

x2(d1) dx

= 1 + [1/(2d 1)]x2d1 |N
x=1
1
2d1
=1+[
][N
1],
(2d 1)
que converge a 1 [1/(2d 1)] como N , siempre que d <

1
2

(15.0.5.7)

23
El hallazgo es que dicha serie parecera a exhibir unidad raz no estacionaria sobre la base
de las pruebas que se discutir en el Captulo 17. Otra forma de pensar acerca del procedimiento
en [ 15.0.5.7 ] es el siguiente:
yt = t + + t t1

(15.0.5.8)

donde t = (2 1 ) cuando t = T0 y es cero en caso contrario. Supongamos t como una


variable aleatoria con una cierta distribucin de probabilidad - dice,


2
1
t =
0

con probabilidad p
con probabilidad 1-p

Evidentemente, p debe ser bastante pequeo para representar la idea de que este es un
evento relativamente raro. La ecuacin [ 15.0.5.8 ] entonces podra ser reescrita como
yt = + t

(15.0.5.9)

donde
= p(2 1) +
t = t p(2 1) + t t1
Pero t , es la suma de un cero significa proceso de ruido blanco [t p(2 1] y un proceso
[t t1 ] independiente M A(1) Por lo tanto, un M A(1) representado por , existe. Desde esta
perspectiva, [ 15.0.5.9 ] podra ser visto como un proceso ARlM A(0, 1, 1),

t = + t + t1 ,
La regla de prediccin lineal ptima,
b t+s |yt , yt1 , ...) = s + yt + t
E(y

pone un peso que no se anula en la innovacin de cada fecha. Este peso no desaparece como
s , porque cada perodo proporciona esencialmente una nueva observacin de la variable
t y la realizacin de t , tiene consecuencias permanentes para el nivel de la serie. Desde esta
perspectiva, una serie de tiempo que satisface [ 15.0.5.7 ] podra ser describedas un proceso de
raz unitaria con innovaciones no Gaussianos.
Lam (1990) estima un modelo estrechamente relacionado con [ 15.0.5.7 ] donde se supone
que los cambios en la pendiente de la lnea de tendencia a seguir una cadena de Markov y donde
EE.UU. PNB real se le permiti seguir un estacionaria autorregresin de tercer orden en torno a
esta tendencia. Resultados de la estimacin de mxima verosimilitud se presentan en la Figura
15.4. Estos hallazgos son muy interesantes para la cuestin de las consecuencias a largo plazo de
las recesiones econmicas. De acuerdo con esta especificacin, los acontecimientos que cambiaron
de forma permanente el nivel de PNB coincidieron con las recesiones de 1957, 1973 y 1980.

24

CAPTULO 15. MODELOS DE SERIES DE TIEMPO NO ESTACIONARIO

Figura 15.4: Cambios de tendencia discretos estimadas por U.S PNB real, 1952-1984 (Lam,1990

APNDICE 15.A. Derivacin de las ecuaciones seleccionadas para el Captulo 15


Derivacin de la ecuacin [15.5.5] como

hj = (1/j!)(d + j 1)(d + j 2)(d + j 3)...(d + 1)(d)


d+1 d
d+j1 d+j2 d+j3
=
][
][
]...[
][ ]
j
j1
j2
2
1

=[

j+d1 j1+d1 j2+d1


j (j 2) + d 1 j (j 1) + d 1
][
][
]x...x[
][
].....(15.A,1)
j
j1
j2
j (j 2)
j (j 1)

= [1 +

d1
d1
d1
d1
][1 +
][1 +
]x...x[1 +
].
j
j1
j2
j1

Por grande j, tenemos la aproximacin

25

[1 +

d1
1
] = [1 + ]d1 ..(15.A,2)
j
j

Para justificar esta formalmente, considere la funcin g(x) = (1 + x)d1 . El teorema de


Taylor afirma que
(1 + x)d1 = g(0) +

1 2g
1
g
|x=0 x +
|x=0 .x2 = 1 + (d 1)x + (d 1)(d 2)(1 + )d3 x2 ....(15.A,3)
2
x
2 x
2

para algn entre cero y x. Para x > 1 y d < 1, la ecuacin [15.A.3] implica que
(1 + x)d1 1 + (d 1)x.
Siendo x = 1/j da

1+

d1
1
j + 1 d1
[1 + ]d1 = [
] ...(15.A,4)
j
j
j

para todo j > 0 y d < 1, con la aproximacin [15.A.2] mejorando mientras j . Sustituyendo
[15.A.4] en [15, A, 1] implica que
j + 1 d1 j d1 j 1 d1 3 d1 2 d1
] [
] [
] ...[ ] [ ]
= (j + 1)d1 ........(15.A,5)
ht
=[
j
j1
j2
2
1