Está en la página 1de 51

Tema 1.

Introduccin
Curso 2015/16

Qu es una serie temporal (ST)?

Es una secuencia de datos (valores, observaciones, etc) observados a lo largo del


tiempo.

En general, los datos se obtienen a intervalos regulares de tiempo.

A diferencia de lo que ocurre con los datos de corte transversal, los datos vienen
dados en un determinado orden temporal. (Yt : t T)

Dependencia temporal. La mayora de series temporales (y tambin la mayora de


las series econmicas) estn relacionadas con su pasado, por lo que raramente se
podr suponer que las observaciones son temporalmente independientes.

El estudio de una ST puede realizarse a travs de diferentes mtodos.

El anlisis de una ST pretende, entre otros objetivos,

Extraer informacin relevante sobre la dinmica de la misma.


Predecir su comportamiento.

Las ST exhiben una gran variedad de comportamientos diferentes.

La naturaleza de los datos econmicos


Ejemplos de series temporales: el Producto Interior Bruto, el precio de las
acciones, la compra de viviendas, la oferta monetaria, el ndice de precios al
consumo, los ingresos por turismo, etc.

Frecuencia de los datos. En Economa las ms habituales son las frecuencias


diarias, mensuales, trimestrales y anuales.
Las siguientes diapositivas muestran la evolucin temporal de diferentes series
temporales de naturaleza econmica. En ellas podremos observar diferentes
evoluciones a lo largo del tiempo.

Algunas series temporales muestran una evolucin creciente en el


tiempo (o viceversa).

PIBPC
300,000
275,000
250,000
225,000
200,000
175,000
150,000
125,000
100,000
1996

1998

2000

2002

2004

2006

2008

2010

Otras series temporales tienen una tendencia positiva interrumpida por


cadas muy marcadas, seguidas de nuevo por una tendencia positiva. O
viceversa

16
14
12
10
8
6
4
90

92

94

96

98

00

02

04

06

08

10

tipo interes preferencial aplicado por las entidades de credito

Otras series tienen un comportamiento que se repite de manera


regular (peridica) y que puede ser observada cuando los datos
tienen una frecuencia inferior al ao.

TURISMOING
6,000,000

5,000,000

4,000,000

3,000,000

2,000,000

1,000,000

0
96

98

00

02

04

06

08

10

ingresos por turismo

Algunas series temporales en economa tienden a deambular a lo largo del


tiempo.
Grficos: unidades monetarias por Euro

1.6
0.80

1.4

0.75

0.70

1.2
0.65

1.0
0.60

0.8
97 98 99

00 01 02

03 04

05 06

07 08

0.55
97 98

99 00 01

DOLAR

02 03 04

05 06 07

08

LIBRA_ESTERLINA0

180

1.70

160

1.65

140

1.60

120

1.55

100

1.50

80

1.45
97 98

99 00

01 02

03 04 05

FRANCO_SUIZO01

06 07

08

97 98 99 00

01 02 03

04 05 06

07 08

YEN

La volatilidad de determinadas series temporales no es constante a lo largo


del tiempo: anlisis de formas dinmicas de heterocedasticidad

INDICE_IBEX_35_BASE_1989
16,000
14,000
12,000
10,000
8,000
6,000
4,000
2,000
96

98

00

02

04

06

08

10

12

Existen algunas similitudes entre las series anteriores? Hay evidentes diferencias
entre ellas?

Cmo podemos describir adecuadamente cada una de estas series?

Muestran comportamientos sistemticos? Son, por el contrario, completamente


aleatorias?

Cules son los mtodos o tcnicas ms habituales para analizar el comportamiento


de una ST?

10

Prediccin estocstica y prediccin determinista

Uno de los principales objetivos en el contexto de las series temporales es la


prediccin. Es decir, dados Y1,Y2,...,YT queremos estimar YT+h.

Dos tipos de modelos:


Modelos deterministas
Modelos estocsticos

Un modelo determinista es un modelo que no est basado en la teora de la


probabilidad. (ver anexo)

Modelo estocstico. Las series temporales econmicas satisfacen el requisito de ser el


resultados de variables aleatorias. Desconocemos cuanto crecer el PIB en el ao
prximo, o en que nivel cerrar el ndice de la Bolsa de Madrid maana. Puesto que
desconocemos su valor de antemano, deben ser consideradas como variables
aleatorias.

11

Componentes de una Serie Temporal


Los componentes de una serie temporal Yt son:

Tendencia (T)
Ciclo (C)
Componente estacional (S)
Componente irregular (I)

Podemos escribir Yt como una funcin de esos componentes:


Yt = (Tt, Ct, St, It)

12

Tendencia: movimiento creciente (o decreciente) a largo plazo de la serie. Est


generalmente asociada a los determinantes del crecimiento econmico (progreso
tcnico, stock capital fsico, fuerza de trabajo)

Ciclo: oscilaciones repetidas perocon periodo y amplitud variables, en torno a la


tendencia. No siempre es fcil separarlo de la tendencia. Se entiende que el perodo
de cada ciclo es superior al ao (en general, al menos dos aos). Est vinculado a
los cambios en la actividad econmica.

Estacionalidad: Proceso que se repite de manera regular (peridica), en series con


periodicidad inferior al ao. Se debe a factores tales como clima, sociales,
institucionales (ej. Vacaciones, horarios comerciales).

Componente irregular: no sigue un patrn determinado, y si un comportamiento


errtico. Describe influencias aleatorias.

13

Anlisis clsico de Series Temporales

Estos componentes pueden estar presente en una serie temporal siguiendo diversas
estructuras. Las mas habituales son:

Yt Tt Ct St I t : aditivo
Yt Tt Ct St I t : multiplicativo
Yt Tt Ct St I t : mixto

El modelo aditivo es mas apropiado si la magnitud de las fluctuaciones estacionales


o de las variaciones en torno al ciclo-tendencia no vara con el nivel (tendencia) de la
serie.

Por el contrario, si la variacin en el componente estacional o en el ciclo-tendencia


es proporcional al nivel (tendencia) de la serie el modelo apropiado es el
multiplicativo. Es el modelo ms habitual en economa.

Una alternativa al modelo multiplicativo es

log(Yt ) log(Tt ) log(Ct ) log(St ) log(It )

14

En una serie concreta no tienen por qu estar presentes los cuatro componentes

La idea es identificar cada uno de los componentes de una ST con el objeto de


separar el componente aleatorio del resto.

El modelo subyacente (aislado el componente irregular) puede ser, a su vez,


descompuesto en cada uno de sus componentes.

En este tema I, se estudiar la descomposicin clsica de una serie temporal.

15

Descomposicin de una Serie Temporal

La descomposicin de una ST es un mtodo para aislar los distintos componentes


de la misma. En el enfoque clsico, el proceso de descomposicin de una serie se
realiza mediante un proceso secuencial de identificacin y separacin de
componentes.

El orden habitual de identificacin de componentes depende del mtodo elegido o


la estructura de los componentes. El ms habitual es el siguiente:
- Estacionalidad
- Tendencia-ciclo
- componente irregular

Antes de analizar cada uno de estos componentes, estudiaremos brevemente el mtodo


de las medias mviles, puesto que esta tcnica se puede utilizar tanto para aislar
el componente estacional como la tendencia

16

MTODO DE LAS MEDIAS MVILES

El mtodo de las medias mviles es una tcnica para suavizar una serie temporal.
Es decir, permite suavizar las irregularidades y fluctuaciones de una serie.

Idea general: Cada observacin es reemplazada por la media de esta observacin y


las de su entorno temporal.

La media mvil es una media aritmtica de un orden (longitud) determinado (p < n


observaciones). Es importante determinar el orden apropiado,
Cuanto mayor es la longitud, mejor se eliminarn las irregularidades de la serie.
A mayor p ms suavizada estar la serie.
Si la longitud es pequea, la media mvil refleja con mayor rapidez los cambios
en la serie.

17

Medias mviles simples y medias mviles centradas.


Las medias mviles simple corresponden a un p impar. El valor de la media
mvil se asigna al punto central del intervalo.

Si p es par, el punto central no corresponde a ninguna observacin. Se calcula


una nueva media mvil de orden 2. En notacin: 2*4 MA.

18

Si p es impar se forma la siguiente serie de medias mviles de orden p


y1 y2 y p y 2 y3 y p 1 y1 y2 y p
,
,
,
p
p
p
Si p es par se forma la siguiente serie de medias mviles de orden p
y1 y2 y p y 2 y3 y p 1 y1 y2 y p
,
,
,
p
p
p
y despus se obtienen nuevas medias mviles entre cada dos medias mviles consecutivas.
Nota : La tendencia es la lnea que une las medias mviles.

19

Ingresos por turismo (miles de Euros). Serie original, ajuste media mvil 5 y 12

Perodo: 1990.01-2008.04
20

Ajuste estacional

Con frecuencia el componente estacional de una serie enmascara al resto de los


componentes impidiendo captar el verdadero movimiento subyacente de la
serie, as como otras caractersticas no estacionales de inters para el analista.

Si no estamos interesados en este componente, se suele desestacionalizar la


ST, que pasa a denominarse serie ajustada de estacionalidad o simplemente
serie desestacionalizada.

Cuando hay estacionalidad en una ST no es correcto hacer comparaciones


entre meses consecutivos.

Antes de desestacionalizar (ajuste estacional) la ST se debe analizar si hay


efecto Pascua y/o nmero de das laborables cada mes diferentes. Se
denominan series corregidas de calendario.

21

Supongamos que somos capaces de identificar de forma separada los componentes


de una ST. En este caso, es posible eliminar el componente estacional de la ST.

Si la descomposicin es aditiva, la serie ajustada de estacionalidad, Zt es


Zt Yt St Tt Ct I t
Si la descomposicin es multiplicativa, la serie ajustada de estacionalidad, Zt es

Zt

Yt
Tt Ct I t
St

22

Por tanto, el Ajuste estacional ( y efecto calendario):


Aisla y elimina el componente estacional de una ST , lo que posibilita
detectar mejor las caractersticas no estacionales de la misma.
Permite la comparacin entre meses consecutivos.
Proporciona ndices estacionales.

Si una ST presenta un clara tendencia o un fuerte componente irregular es difcil


identificar y aislar la estacionalidad si esta es dbil. En estos casos puede resultar
inapropiado el ajuste estacional que, adems puede introducir un elemento
estacional artificial.

Hay diversas formas de eliminar el componente estacional. Los ms frecuentes


son:
Diferencias sobre la media mvil (modelo aditivo).
Ratios sobre la media mvil (modelo multiplicativo).
Mtodo X-11/X-12-ARIMA.
Mtodo de variables binarias.

23

Diferencias sobre la media mvil (aditivo)


Sea Yt la serie a estudiar. Los pasos a seguir para obtener una nueva serie
mensual (p=12) sin componente estacional son:

1. Se calcula la media mvil centrada de Yt , (2*12 MA)


xt MM 12

0.5 yt 6 yt 5 ... yt ... yt 5 0.5 yt 6


12

2. Se calcula

d t yt xt
3. Se obtienen los ndices estacionales (im). Para datos mensuales el
ndice para un mes concreto, m, es la media de los valores de la serie
diferencia (dt) obtenida en el paso 2, usando nicamente las
observaciones de ese mes.

24

4. Se ajustan los ndices estacionales para que sumen cero:

sm im i
donde : i es la media de todos los ndices estacionales
sm factor de escala.
interpretacin:
la serie y es sm mayor en el perodo m en relacin
con la serie ajustada.

5. La serie ajustada se obtiene restando el factor estacional Sm de la serie Yt


nota: este mtodo asume que los factores estacionales son constantes

25

Ratio sobre la media mvil (multiplicativo)


Pasos.
1. idem paso 1 en diferencias sobre la media mvil
xt MM 12

0.5 yt 6 yt 5 ... yt ... yt 5 0.5 yt 6


12

2. Se calcula el ratio

rt

yt
xt

3. Se obtienen los ndices estacionales. Para datos mensuales el


ndice, im, para un mes concreto, m, es la media de los valores de la serie ratio,
obtenida en el paso 2, usando nicamente las observaciones de ese mes.

26

4. Se ajustan estos ndices para que su producto sea la unidad.

sm

im
12 i i i
12
12

sm : factor de escala.
interpretacin: la serie y es sm por ciento ms alta en el perodo m
en relacin con la serie ajustada

5. La serie ajustada se obtiene dividiendo cada valor de la serie original


por el correspondiente factor de escala.

27

Mtodo X-11
Aplicacin iterativa de varios filtros a la serie original. En el primer paso se
obtiene una estimacin del componente tendencia-ciclo mediante la aplicacin
de una media mvil a la serie original. Despus se obtiene una estimacin del
componente estacional y del componente irregular. Se aplica un nuevo filtro de
media mvil para eliminar el componente irregular y se obtiene una estimacin
del componente estacional y finalmente se obtiene la serie desestacionalizada.

Dos opciones: modelos aditivos y multiplicativos.

Los factores estacionales pueden cambiar de ao a ao.


Frecuencia mensual o trimestral.
Se requiere un mnimo de cuatro aos completos y un mximo de 20 aos para
series mensuales y 30 aos para series trimestrales.

28

estac: m. multiplicativo. estac1: x-11 multiplicativo


6000000

2000000

5000000

1000000

4000000
3000000

2000000

-1000000

1000000
0
90

92

94

96

98

00

mtodo multiplicativo
mtodo aditivo
x-11 multiplicativo

02

04

06

08

X-11 aditivo
INGTURISMO

-2000000
90

92

94

96

98

ESTAC

00

02

04

06

08

ESTAC1

29

300,000
275,000
250,000
225,000
200,000
175,000
150,000
125,000
100,000
1996

1998

2000
PIB

2002

2004

2006

2008

PIB_SA

30

Mtodo variables binarias


Se construyen m variables (m es la frecuencia estacional) tal que
1 en el mes j.
S jt
0 en otro caso

Se realiza una regresin incluyendo como variables explicativas


m-1 variables binarias y la constante, o
m variables binarias y se excluye la constante
Los residuos de la regresin sern los valores de la serie desestacionalizada.

31

Tendencia
Existen diversos mtodos para extraer la tendencia de una serie temporal.
Ajustes de funciones de tiempo.
yt : modelo de nivel constante
yt t : lineal. La serie aumenta (o disminuye) a un ritmo constante
yt t t 2 : cuadrtica. Suele tener slo un mximo o un mnimo
yt t t 2 t 3 : tendencia polinmica.
yt exp t : exponencial. La serie aumenta (o disminuye) a intervalos cada vez mayores
yt log t : los datos aumentan (o disminuyen) rpidamente y despus la serie se estabiliza

Son modelos deterministas, en el sentido que dados los parmetros ,,y


un valor de t se obtiene un valor perfectamente determinado de yt , por lo que
se aade un trmino aleatorio de error t y se estiman los parmetros
desconocidos (MCO, MCNL, MV). La serie ajustada nos da el componente
tendencial, y los residuos del modelo la serie sin tendencia.

32

modelo de tendencia lineal: y t 1 2t

y=2.5 + 0.5t

y= 2,5 + 0.5t + e

30

30

25

25

20

20

15

15

10

10

0
5

10

15

20

25

30

35

40

45

50

10

15

20

25

30

35

40

45

50

y=2,5 - 0.5*t

Y= 2,5 - 0.5*t + e

-5

-5

-10

-10

-15

-15

-20

-20

-25

-25
5

10

15

20

25

30
T

35

40

45

50

10

15

20

25

30
Y

35

40

45

50

33

Modelo de tendencia polinmica : y t 1 2t 3t 2 4t 3 ...

y = 2.5 + 0.5*@trend - 0.003*(@trend)^2

25

20

15

10

0
20

40

60

80

100

120

140

34

modelo de tendencia exponencial, yt e abt , log( yt ) a bt


2.1

100

80
2.0
60
1.9
40
1.8
20

1.7

0
96

97

98

99

00

01

EXP(0.3+.002*t)

02

03

96

97

98

99

00

01

02

03

EXP(0.3+.02*t)

35

Modelo de tendencia logartmica

w = log(2.5 + 0.5*t)

0
20

40

60

80

100

120

140

36

ingresos por turismo

4000000
3500000
3000000
2500000
2000000
1500000
1000000
500000
90

92

94

96

98

x-11 multiplicativo

00

02

04

06

08

INGTURISA3ADJ

37

Ciclo-tendencia

No siempre resulta sencillo separar la tendencia del ciclo, por lo que a veces se
obtienen de forma conjunta, eliminando el componente irregular de una serie
desestacionalizada, y que se denomina serie ciclo-tendencia.

Para ello se obtiene una media mvil de orden bajo (2,3, ) a la serie sin componente
estacional.

Cuando ajustamos una funcin tomando el tiempo como variable explicativa,


obtenemos una representacin explcita de la tendencia. Mediante medias mviles
obtenemos una funcin suavizada de una serie, ya que al promediar varios valores se
elimina una parte de los movimientos irregulares.

38

El componente irregular, It, se obtiene como sigue

Si la descomposicin es aditiva,
It Yt St TCt
Si la descomposicin es multiplicativa,

It

Yt
St TCt

39

Obtencin del ciclo-tendencia con datos estacionales. Descomposicin


clsica.

Si la descomposicin es aditiva:

Se estima el componente ciclo-tendencia (TC) mediante una media mvil de orden


apropiado.

Tenemos por tanto una serie sin el componente ciclo-tendencia : Yt - TCt = St It

Se asume que la variacin estacional es constante de un ao a otro. Por tanto, se puede


estimar el componente estacional , calculando la media de la serie sin ciclo-tendencia para
cada mes (o trimestre, o etc) . As se obtienen los ndices estacionales, que se ajustan para
que sumen cero. El componente estacional se obtiene enlazando todos los ndices
estacionales. Una vez obtenido St , se calcula el componente irregular: It = Yt - TCt - St .

40

Si la descomposicin es multiplicativa

Se estima el componente ciclo-tendencia (TC) mediante una media mvil de orden


apropiado. Esto permite eliminar las fluctuaciones a corto plazo, de tal forma que se
identifica de forma ms clara el componentente ciclo-tendencia.

Tenemos por tanto una nueva serie: Yt / TCt = St * It

Se obtiene la serie desestacionalizada con una media mvil de orden apropiado.


Se asume que la variacin estacional es constante de un ao a otro. Por tanto, se puede
estimar el componente estacional , calculando la media de la serie sin ciclo-tendencia para
cada mes (o trimestre, o etc).

El clculo del componente estacional se obtiene dividiendo a la serie original entre la serie
ya sin CT ni componente estacional.

Los ndices estacionales se obtienen calculando la media de todos los componentes


estacionales de los mismos periodos.

El ciclo se puede obtener tras regresar la serie media mvil sobre el tiempo, guardar los
valores estimados. Finalmente, el factor cclico se obtiene dividiendo la serie centrada entre
los valores estimados de la regresin anterior.
41

Supongamos que disponemos de una serie estacional con frecuencia trimestral (s =


4). Primero se obtiene una media mvil de orden 4 a la serie original y a
continuacin una media mvil de orden 2 a la serie transformada (2*4-MA), Tt.

La serie final obtenida tendr poca o ninguna variacin estacional.

La descomposicin clsica asume que el componente estacional se repite ao a ao.


Este supuesto es muy restrictivo, y en general no es razonable en series largas. Los
mtodos de descomposicin clsica no puede capturar los cambios estacionales.

El mtodo clsico es, adems, un mtodo poco robusto ante valores inusuales de la
serie (ej: huelgas, etc)

42

OTROS MTODOS PARA SUAVIZAR SERIES


1.

Alisado exponencial
1.1 Alisado simple: Series sin tendencia ni componente estacional
1.2 Alisado doble: series con tendencia y sin componente estacional

2.

Mtodo Holt-Winters
2.1 Multiplicativo: series con tendencia (lineal) y estacionalidad
multiplicativa
2.2 Aditivo: series con tendencia (lineal) y estacionalidad aditiva.

3.

Filtro de Hodrick-Prescott.

43

Alisado exponencial

Tienen estructura recursiva las predicciones se revisan de forma


automtica a medida que se dispone de nueva informacin.

Fciles de aplicar

No tienen una base estadstica terica

44

Alisado simple:
Para series que se mueven aleatoriamente en torno a una media constante. La
nueva serie se calcula de forma recursiva,
y t yt (1 ) y t 1
donde 0 1.
: coeficiente de alisado. Cuanto ms pequeo es , menos alisamiento de la serie.
sustituyen do repetidamente, podemos reescribir la expresin anterior como,
t 1

y t (1 ) s yt s
s 0

La observaciones de la nueva serie es la media ponderada de los valores


pasados. Las ponderaciones disminuyen con el tiempo.
valor inicial para y : dos opciones
la media de las observaciones iniciales de yt
y1 y1
elegir valor para
yT k yT , para k 0. Es decir, las predicciones son constantes a partir de T.

45

Alisado doble.
Se aplica el alisado simple dos veces, usando el mismo parmetro. Es un mtodo
apropiado para series con tendencia.

St yt (1 ) S t 1 : alisado simple
Dt S t (1 ) Dt 1 : doble alisado
donde 0 1
Prediccin :

k
k

ST Dt k
yT k 2
Dt 2S t Dt
St 1
1
1
1
intercepto : 2St Dt
pendiente :

ST Dt
1

nota : Se estima por MCO y se obtienen estimaciones del intercepto y de la


pendiente. A partir de los valores que se obtienen de St y de Dt se inicia
el proceso recursivo.

46

Mtodo Holt-Winters
Multiplicativo. Es un mtodo apropiado para series con tendencia lineal y una
variacin estacional multiplicativa.

y t k a bk ct k
donde,
a : componente permanente (intercepto)
b : pendiente de la recta
c : factor estacional multiplica tivo
a y b se pueden obtener ajustando una recta a la serie desestacionalizada.
Los ndices de variacin estacional obtenidos a partir del modelo
multiplicativo se pueden usar como valores iniciales de los coeficient es
estacionales.

47

recursivamente se obtienen (y por este orden):


y
a t t 1 at 1 b t 1

c t t s
bt a t a t 1 1 b t 1

y
ct t t 1 ct t s
at
donde 0 , , 1
s : frecuencia estacional
las predicciones se calculan como sigue
y t k a T b T k cT k s

48

Aditivo.
Mtodo adecuado para series con tendencia lineal y variaciones estacionales aditivas

yt k a bk ct k
donde,
a : componente permanente (intercepto)
b: tendencia
c: factor estacional aditivo
recursivamente se obtienen:
a t yt ct t s 1 a t 1 bt 1

b t at at 1 1 bt 1
ct t yt at 1 ct t s
donde 0 , , 1 y s : frecuencia estacional
las predicciones se calculan como sigue
yt k a T b T k cT k s
49

Filtro Hodrick-Prescott
Es un mtodo muy utilizado en macroeconoma para obtener una estimacin suavizada
del componente tendencial a L.P de una serie.
Se basa en minimizar la varianza de y en torno a s, siendo s la serie suavizada. Este
filtro elige por tanto el st que minimiza,
T

t 1

T 1

st st 1 st st st 1
2

t 2

el parmetro controla la ' suavizacin' de la serie. Cuanto mayor es, ms suavizada


ser la serie resultante.
100 para datos anuales

1600 para datos trimestra les


14400 para datos mensuales

50

Para obtener el componente cclico utilizando este mtodo se procede como sigue:
Sea Yt la ST original, y sea Tt la serie suavizada obtenida anteriormente.
Sea CIt = Yt Tt .
Como CIt contiene todava al componente irregular, para obtener el componente
cclio hay que filtrar a la serie CIt
La nueva serie suavizada, Ct es el componente cclico.

51

También podría gustarte