Documentos de Académico
Documentos de Profesional
Documentos de Cultura
III.1.- NTRODUCCIN
Una vez realizado el anlisis previo de estacionariedad de la serie temporal de partida (ver
documentos i y ii previos) y aplicados por tanto los eventuales filtros de tendencia y/o diferencias
para corregir la presencia de tendencias deterministas y/o aleatorias podemos entrar en la etapa de
identificacin de estructuras ARMA en las series transformadas.
Obviando por un momento la cuestin del tratamiento de la estacionalidad, que se revisa
ms adelante en un apartado especfico, el anlisis de estacionariedad previo a la identificacin
debe haber finalizado en alguno de los cuatro supuestos representados en la parte inferior del
esquema siguiente:
Esquema de anlisis de estacionariedad previo a la identificacin y eventuales
transformaciones de la serie original segn los resultados
Serie inicial Yt
NO
SI
Es estacionaria en media ?
NO
Es Yt(ft) estacionaria
en varianza ?
SI
NO
Aplicar
diferencias
(1)
Continuamos con la
serie filtrada en
diferencias dYt(ft)
Es Yt estacionaria en
varianza ?
SI
Aplicar
diferencias
(2)
Continuamos con
la serie filtrada
Yt(ft)
(3)
Continuamos con la
serie en diferencias
dYt
(4)
Continuamos con
la serie original
Yt
1600000
1500000
1000000
1200000
500000
400000
800000
-500000
200000
400000
0
96
97
98
99
00
01
02
SERIE1
03
04
05
-200000
96
97
98
99
00
Residual
01
02
Actual
03
04
05
Fitted
Figura 3: Serie Yt, filtro de tendencia polinmico correctamente aplicado y serie filtrada
Zt=yt(ft) resultante
2000000
1500000
1000000
40000
500000
20000
0
0
-500000
-20000
-40000
96
97
98
99
00
Residual
01
02
Actual
03
04
05
Fitted
Algunas de las preguntas previas tienen una respuesta clara. As, empezando por el final,
parece ms o menos claro que existen distintos mtodos para eliminar la componente estacional y,
lamentablemente, la aplicacin de cada uno de ellos genera resultados que pueden diferir
sustancialmente, influyendo en el resto de las etapas (identificacin y anlisis de estacionariedad).
Entender los distintos procedimientos pasa por comprender una distincin muy simple de 3 tipos
genricos de estacionalidad: la puramente determinista, la estacionalidad estacionaria y la
estacionalidad integrada. Un proceso con estacionalidad determinista asume que este componente
puede ser pronosticado con exactitud a futuro, permaneciendo invariante en el tiempo, y puede,
por tanto, ser modelizado por ejemplo mediante una regresin con variables dummies. Excluida la
estacionalidad determinista, el resto de mtodos ideados para modelizar la estacionalidad no
determinista (X11, X12) impactan de forma distinta, y a veces significativa, en los resultados
obtenidos para la serie filtrada y, adems, generan resultados potencialmente distintos segn el
momento elegido para la aplicacin del filtro. Por ltimo, conviene preguntarse adems si la
estacionalidad es siempre estacionaria o, por el contrario, del mismo modo que aparecen races
unitarias regulares es posible encontrar races unitarias estacionales. Efectivamente, es posible
encontrar races unitarias estacionales lo que obliga a pensar en la aplicacin de test especficos 3
antes de observar otros componentes estacionales estacionarios en la identificacin.
Con el fin de no complicar en exceso este documento, apartaremos por el momento el
asunto de la estacionalidad y supondremos bien que estamos ante una serie sin componentes
estacionales o, al menos, con componentes estacionales estacionarios que, por tanto, podrn ser
filtrados previamente o bien modelizados en el propio proceso de identificacin ARMA en su
componente estacional (SARMA).
III.2.b.- Tcnicas de identificacin de estructuras ARMA
Correlograma
Tradicionalmente se ha sugerido la utilizacin del correlograma de la serie como mtodo
de identificacin de la estructura ARMA de una serie Zt. La popularidad de este procedimiento
radica en que la modelizacin ARIMA siempre se ha presentado como una herramienta intuitiva,
relativamente sencilla, accesible para el no econmetra; en ese contexto, la utilizacin de un
grfico para resolver la identificacin parece una propuesta muy sugerente. Sin embargo, como se
ver ms adelante, un estudiante de econometra tiene a su disposicin herramientas mucho ms
potentes para decidir qu estructura ARMA representa mejor la serie analizada por lo que no debe
sobrevalorar el correlograma y debe considerarlo, a lo sumo, un punto de apoyo inicial,
meramente orientativo, con el que iniciar el proceso de identificacin.
El correlograma de una serie es una representacin grfica de sus coeficientes de auto
correlacin simple y parcial. La secuencia de coeficientes de autocorrelacin simple se denomina
Funcin de Autocorreacin Simple (FAS) y la secuencia de coeficientes parciales Funcin de
Autcorrelacin Parcial (FAP).
Un coeficiente de autocorrelacin simple de orden k ( k) es un coeficiente de
correlacin simple al uso entre la serie Yt y a la serie Yt-k.
Cov ( y t , y t k )
DT yt DT y t k
Cov ( y t , y t k )
Var y
k Corr y t , y t k y t 1 , y t 2 ,.... y t k 1
La influencia de los retardos intermedios en los valores de Yt e Yt-k podra computarse
estimando una regresin de Yt e Yt-k sobre esos valores intermedios:
y t 1 y t 1 1 y t 1 ..... 1 y t k 1
3
y t k 1 y t k 1 y t k ..... 1 y t k 1
La relacin parcial ser entonces la correlacin simple exhibida entre el residuo de ambas
regresiones, es decir, entre la proporcin de Yt e Yt-1 no condicionada a los valores de los retardos
intermedios:
Cov ( y t y t )( y t k y t k )
Var ( y t y t ) Var ( y t k y t k )
k N 0, 1
Como para cualquier distribucin normal estndar, el intervalo de confianza al 95% es 1,96*DT ,
pueden calcularse los lmites de nulidad de los : cualquiera que se salga de esos lmites es
estadsticamente distinto de 0 (lmites que aparecen dibujados en el correlograma de E-Views)
orden dos o, muy rara vez, de tercer orden). Un valor aparente significativo en un
orden elevado (salvo en los retardos estacionales), sin que previamente los anteriores
retardos parezcan significativos, suele indicar algn atipismo en la serie, y no un
patrn de inters analtico.
Evaluacin economtrica de las especificaciones ARMA alternativas
Ms all de la utilizacin del Correlograma de la serie, conviene utilizar los
procedimientos habituales de evaluacin de una estimacin economtrica para decidir el modelo
ARIMA que mejor ajusta la seria analizada. En la prctica real, el nmero de estructuras ARIMA
alternativas para ajustar una serie es muy reducido dado que trminos de orden regular 5 superior a
2 son muy poco habituales: esto supone la mayor parte de las veces elegir entre un AR(1), un
MA(1), un AR(2), un MA(2) o alguna combinacin ARMA de orden 1 2.
As pues, la recomendacin de orden general es comenzar observando el correlograma y,
en base a los indicios apuntados por el mismo, valorar economtricamente las dos o tres posibles
estimaciones alternativas. Par esa evaluacin economtrica, pueden considerarse criterios
estadsticos habituales como los siguientes:
-
Para la componente estacional ocurre algo similar. rdenes estacionales superiores a 1 (4, 12,
dependiendo de la frecuencia de la serie) son inhabituales.
6
El coeficiente AIC: responde a la expresin:
e' e
2k n ln( L) 2k n ln
Para muestras pequeas, se propone la versin corregida AICc (muestras pequeas): AIC
7
2k k 1
n k 1
El criterio de Schawrz, denominado generalmente BIC, es algo ms exigente que el AICE para la
e' e
ln(n)
k
n
n
especificados anteriormente.
Con relacin al correlograma, en el caso de las componentes estacionales las estructuras
SAR y SMA se identifican grficamente con los mismos patrones sealados para la componente
regular. Sin embargo, para evaluar en este caso un decrecimiento en la FAP o FAS debemos
fijarnos exclusivamente en los valores de los coeficientes de autocorrelacin (simples o parciales)
correspondientes a los retardos estacionales (por ejemplo para una serie trimestral, deberamos
observar grficamente el valor de los coeficientes de autocorrelacin para t-4, t-8, t-12etc).
Dado que habr que observar coeficientes de autocorrelacin para retardos estacionales,
debern solicitarse correlogramas ms extensos que par la identificacin de la componente
regular: en una serie mensual, por ejemplo, una docena de coeficientes son suficientes para
observar cualquier estructura en la componente regular y, sin embargo, no podra observarse la
componente estacional dado que el nico coeficiente estacional disponible sera el correspondiente
a t-12.
Por lo que se refiere a la evaluacin economtrica de las especificaciones SARMA
alternativas, todos los consejos citados para la evaluacin economtrica de la componente regular
son igualmente aplicables para evaluar la conveniencia de la inclusin de trminos SAR y/o SMA
en una especificacin.
III.3.- INTRODUCCIN AL ANLISIS DE INTERVENCIN
La modelizacin economtrica ARIMA de una serie temporal rara vez concluye con la
identificacin de una estructura AR / MA. La razn es que este tipo de estructuras ARMA
regulares y/o estacionales pueden servir como regla general de comportamiento para la serie
disponible, pero slo capturarn aquella porcin de la variabilidad sistemtica que se observe a lo
largo de la serie completa. Esto significa que, an utilizando una estructura ARMA pueden quedar
fuera de anlisis:
-
Meseta: Una variante del atpico de escaln pero Tendencia (o rampa): El acontecimiento
de duracin determinada
impacta progresivamente en la serie generando
una tendencia determinista.
Los distintos acontecimientos que requieren anlisis de intervencin pueden ser conocidos
previamente por el analista (laboralidad, semana santa, fiestas,) por lo que su deteccin tcnica
no es necesaria. Sin embargo, la exploracin puramente tcnica de la serie en busca de atpicos
puede ser tambin importante por cuanto algunos fenmenos que impactan en la serie pueden no
ser conocidos a priori (bien por falta de atencin o estudio del analista, bien por tratarse de
cuestiones particularmente raras e inexplicables incluso a posteriori). En este sentido, muchos
programas con mdulos especficos de anlisis de series temporales (TRAMO-SEATS, SPSS)
ofrecen mecanismos de deteccin y caracterizacin de atpicos que complementan las ideas a
priori del analista.