CAPTULO 1

Conceptos Fundamentales de
Serie de Tiempo Econometra
Muchos de los principios y las propiedades que hemos estudiado en la seccin transversal econometra llevan
ms cuando nuestros datos se recogen a travs del tiempo. Sin embargo, los datos de series temporales presentan retos
importantes que no estn presentes con secciones transversales y que merecen atencin detallada.

variables aleatorias que se miden a travs del tiempo son a menudo llamados "series de tiempo." Definimos
el tipo ms simple de series de tiempo, "ruido blanco", a continuacin, se discute cmo las variables con propiedades ms
complejas se pueden derivar de una variable de ruido blanco subyacente. Despus de estudiar los tipos bsicos de variables d
series temporales y las reglas, o "procesos de series de tiempo," que ellos se refieren a una variable de ruido blanco, que lueg
hacer la distincin fundamental entre los procesos de series de tiempo estacionarias y no estacionarias.

1.1 Serie de tiempo y White Noise

1.1.1 procesos de series temporales

UN series de tiempo es una secuencia de observaciones en una variable tomada a intervalos discretos en
hora.1Indexamos los perodos de tiempo como 1, 2, ..., T y designar el conjunto de observaciones

( yyy
,, ....,
12 T
)

A menudo pensamos en estas observaciones como una muestra finita de una De series de tiempo estocstico pro-ceso q
comenz infinitamente lejos en el tiempo y continuar indefinidamente en el futuro:

pre-muestra muestra despus de la muestra

..., yyyyyyyyyy
,,,,,, ... ,,,,, ...
---321.012 T -1 TTT +1 +2 .

Cada elemento de la serie de tiempo es tratado como una variable aleatoria con una probabilidad distri-
bucin. Al igual que con las variables de la seccin transversal de nuestro anlisis anterior, suponemos que los Distri-
buciones de los elementos individuales de la serie de parmetros tienen en comn. Por ejemplo,

1
La teora de los procesos estocsticos en tiempo discreto se puede extender a tiempo continuo, pero no tenemos que considerar esto
aqu porque econometristas suelen tener datos slo a intervalos discretos.
2 Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo

se puede suponer que la varianza de cada y

es la misma y que la covarianza entre cada
t

par adyacente de elementos cov, ( yy )1es el mismo. Si la distribucin dey

tt - tes la misma para todos

valores de t, entonces se dice que la serie y es estacionario, Que se define con mayor precisin a continuacin. El objetivo d
nuestro anlisis estadstico es el uso de la informacin contenida en la muestra para inferir propiedades de la distribucin
subyacente del proceso de series de tiempo (por ejemplo, las covarianzas) de la muestra de observaciones disponibles.

1.1.2 ruido blanco

El tipo ms simple de proceso de series de tiempo se corresponde con el trmino de error clsica, la normalidad
del teorema de Gauss-Markov. Llamamos a este tipo de variablesruido blanco. Si una variable es ruido blanco, a
continuacin, cada elemento tiene una distribucin idntica, independiente, media de cero. Cada observacin de peri-od en
una serie temporal de ruido blanco es una "sorpresa" completa: no hay nada en la historia anterior de la serie nos da una
idea de si el nuevo valor ser positivo o negativo, grande o pequea.

Formalmente, se dice que es un proceso de ruido blanco si

mi() t= 0 ,, t

var () t= 2 ,, t (1,1)

cov, ()TTS= - 0, s 0.

Algunos autores definen el ruido blanco para incluir el supuesto de normalidad, pero a pesar de que se suele suponer
que un proceso de ruido blanco
tsigue una distribucin normal no nos integramos los
conclusin de que como parte de la definicin. Las covarianzas en la tercera lnea de la ecuacin (1.1) tienen un nombre
especial: se les llama laautocovarianzasde la serie temporal. loss-order autocovari-

Ance es la covarianza entre el valor en el momento t y el valor s periodos anteriores en el tiempo t - s.

Las fluctuaciones en la mayora de las series de tiempo econmicas tienden a persistir en el tiempo, por lo que elementos
entre s en el tiempo estn correlacionados. Estas series sonserialmente correlacionadosy por lo tanto no pueden ser
procesos de ruido blanco. Sin embargo, a pesar de que la mayora de las variables que observamos no son ruido blanco simple
veremos que el concepto de un proceso de ruido blanco es extremadamente til como un bloque de construccin para modela
el comportamiento de series de tiempo de los procesos en serie correlacionados.

1.1.3 El ruido blanco como un bloque de construccin

Estamos modelo de series de tiempo en serie correlacionada dividindolos en dos componentes aditivos:

efectos del pasado en

ty

ygyy
t
= ( t- 1
, t- 2
, ..., t - 1 , t- 2
, ... ) + t . (1,2)

La funcin gramo es la parte de la corriente y

que se puede predecir con base en el pasado. la variacin
t

ble
t, Que se supone que es el ruido blanco, es la fundamental innovacin o choque a la serie
en el momento t-la parte que no se puede predecir sobre la base de la historia pasada de la serie.
Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo 3

A partir de la ecuacin (1.2) y la definicin de ruido blanco, vemos que la mejor posible extremidades anteriores
fundido de y
ten base a toda la informacin observada a travs periodo t - 1 (que denotamos yo ) es
t-1

( tt|
E yIgyy -1
) (= t- 1
, t- 2
, ..., t - 1 , t- 2
, ... )

y el error de pronstico inevitable es la innovacin yE

t
-yI ( |
tt -
)1= t.

Cada proceso y de series de tiempo estacionaria muchos otros no estacionarias tiles pueden ser de-
descrito por la ecuacin (1.2). Por lo tanto, aunque la mayora de series econmicas no son ruido blanco, cualquier serie se
puede descomponer en componentes previsibles e imprevisibles, siempre que ste sea el proceso de ruido blanco subyacente
fundamental de la serie.

Caracterizar el comportamiento de una serie de tiempo particular significa que describe dos cosas: (1)
la funcin gramo que describe la parte de y
que es predecible en base a los valores del pasado y (2) la
t

varianza de la innovacin
t. Las especificaciones ms comunes vamos a utilizar sonestoma lineal

procesos chastic, Donde la funcin de gramo es lineal y el nmero de valores retardados de y y

que aparecen en las gramo es finito.

1.2 Procesos estocsticos lineales y el operador de retardos

1.2.1 procesos ARMA

procesos estocsticos lineales se pueden escribir en la forma

yt = + 11++
y t - phi... y
ptptt -
+ + 11 ++
-
... QTQ -
, (1,3)

dnde

( t- 1,
gyy t- 2
, ..., t - 1 , t- 2
, ... ) = + 11++
y t - phi... ptp
y -
+ ++
11 t -
...
QTQ -
. (1,4)

El proceso y
tdescrito por la ecuacin (1.3) tiene dos conjuntos de trminos en el gramo funcin en Adems
cin a la constante. Existenpag autorregresivo trminos que implican pag los valores retardados de la variable
y q media mvil con trminos q los valores retardados de la innovacin . A menudo nos referimos a un proceso estocstico,
tales como un proceso autorregresivo de media mvil de orden (p, q), O una ARKANSAS-
2
MA (p, q) proceso. Si q = 0, por lo que no hay trminos de movimiento de la media, entonces el proceso es una pura
proceso autorregresivo: AR (pag). Del mismo modo, sipag = 0 y no hay trminos autorregresivos, el proceso es una media
mvil pura: MA (q). Vamos a utilizar procesos autorregresivos ampliamente en estos captulos, pero los procesos de
movimiento de la media a aparecer con relativa poca frecuencia.

2
El anlisis de los procesos ARMA fue iniciado por Box y Jenkins (1976).
4 Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo

1.2.2 operador de retardos

Es conveniente utilizar una serie de tiempo "operador" de la llamada operador de retardos al escribir ecuacin

L ()
ciones tales como (1,3). El operador de retardoses un operador o funcin matemtica, al igual

el operador de negacin - ()
que convierte un nmero o expresin en su negativa o la inversa

operador ()1-que toma el recproco. Al igual que con estos otros operadores, vamos a menudo omitir
los parntesis cuando el argumento al que se aplica el operador est claro sin ellos.

El argumento del operador de retardos es un elemento de una serie de tiempo; cuando aplicamos la operacin de retraso
Tor para un elemento y
tobtenemos su predecesor y
t - 1:

L y() t
= lyy
t t- 1
.

Podemos aplicar el operador de retardos de forma iterativa para obtener retardos de ms de un perodo. Cuando
hacemos esto, es conveniente utilizar un exponente de laL operario indicar el nmero de retardos:

()t []
L 2y()LyL = t
Ly t- 1
= yt - 2 ,

y, por extensin, ()LyLt = nortet

yynorte Tennesse
-
.

Usando el operador de retardos, la ecuacin (1.3) se puede escribir como

()
yt - 1 L y ()t ()- 2 Ly2 t
Lypag
... - pag t
L ()()
= + t + +1 t
++
2
L2 t
... q
Lq () t . (1,5)

El trabajo con el lado izquierdo de la ecuacin (1.5),

()
yt - 1 L y ()t ()- 2 Ly2 t
Lypag
... - pag t

2 pag
= YLY
- t- --
1
t 2
Ly t
... Ly
pag t
(1,6)
= (-1- --
1
LL 2
2
... Ly
pag
pag
) t

()L y t
.

La expresin entre parntesis en la tercera lnea de la ecuacin (1.6), que define la cuarta lnea

()L , es un polinomio en el operador de retardos. El paso de la segunda lnea de la tercera lnea de in-
como

Volves factoring y
tde la expresin, lo que sera totalmente transparente si L eran una
nmero. AunqueL es un operador, que puede realizar esta factorizacin como se muestra, la escritura

()L como una funcin de retraso de material compuesto que debe aplicarse a y
t.

Del mismo modo, podemos escribir el lado derecho de (1.5) como

L ()()
+ t + + 1 t
++ ++
2
L 2 t= ... L q ()+ t
+ q++

(1 1 LL 2 2 ... q L q ) t ()L t ,
Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo 5

con ()L definida por la segunda lnea que el polinomio de media mvil en el operador de retardos.

Utilizando la notacin de operador de rezago, podemos reescribir la ARMA (pag, q) Proceso en la ecuacin (1.5) como
com-pactly

()L y t
()L.
= + t
(1,7)

El lado izquierdo de (1.7) es la parte autorregresivo del proceso y el lado derecho es la parte de media mvil (ms una
constante que permite la media de y para ser distinto de cero).

1.2.3 la representacin de media mvil infinito de un proceso ARMA

Cualquier proceso ARMA finita puede ser expresado como una (posiblemente) infinito pro- media mvil
impuesto. Podemos ver intuitivamente cmo funciona esto de forma recursiva por la sustitucin de retardos dey
ten la ecuacin
cin (1.3). Por simplicidad, consideremos la ARMA (1, 1) de proceso con media cero:

yy
t
= 11 t-
+ t + 11 t - . (1,8)

Suponemos que todas las observaciones tse generan de acuerdo con (1.8). retraso ecuacin (1.8) al menos un perodo de
rendimientos
y t - 112112
= y t - + t -+ , Que
t-
podemos sustituir en (1.8) para obtener

yt = ( y
112112 t -
) t
+ t -+ +t - + 11 t -

2
= 12y t - + t + ()
+ + t -
111112 t-
.

adems de sustitucin y t - 2 = 13213

y t - + t -+ rendimientos
t-

2
y t = ( + y + t- + + + t-
113213 t -
) ()+ t =
111112 t- t-

3
y
13 t -
+ t + ()
+ + + +( )
1111112113 t -
2
t-
2
t-
.

Si seguimos sustituyendo de esta manera podemos empujar el lag ytrmino en el lado derecho ms y ms en el pasado.
Mientras |
1| <1, el coeficiente de la lagy
3
plazo se hace ms pequea a medida que seguimos sustituyendo, cercanos a cero en el lmite.
Sin embargo, cada vez que sustituya aadimos otro rezagado plazo para la expresin.

En el lmite, si tuviramos que sustituir hipotticamente infinito de veces, el lag y

plazo sera convergen a cero y no habra un nmero infinito rezagada trminos en el lado derecho:

1s-
y tt = + + 1
() 11 ts-
, (1,9)
s =1

3
Veremos que la condicin |
1 | <1 es necesario para la ARMA (1, 1) proceso sea estacin
nario.
6 Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo

que es un proceso de media mvil con (si

10) nmero infinito de trminos. La ecuacin (1.9) es
se hace referencia como la infinita media mvil de representacinde la ARMA (1, 1) de proceso; Existe siempre que el pro
est parado, que a su vez requiere |
1| <1 de modo que el rezagaday
plazo converge a cero despus de un nmero infinito de sustituciones.

La notacin retraso de operador puede ser til para derivar la representacin infinita media mvil
tacin de un proceso ARMA. A partir de la ecuacin (1.7), podemos "divisin por" el polinomio lag autoregres-siva en
ambos lados para conseguir

()L
yt = +
()LL
() t

(1,10)
2
1 + +1 LL
2 ++ ... q
Lq
= + t .
2
1 - 12
- - ... pag
1 - -1 LL
-- 2 ... pag
L pag

En el primer trmino, no hay una variable dependiente del tiempo en la que puede operar el operador de retardos, por lo
que slo opera por una constante, que da a la expresin en el denominador. El primer trmino es la media incondicional
dey

t debido a que el valor esperado de la totalidad de la las variables

en el segundo trmino es cero.

El cociente frente
ten el segundo trmino es el cociente de dos polinomios, que, en
en general, ser un polinomio infinito en L. Los trminos de este cociente puede ser (laboriosamente) evaluada para
cualquier modelo ARMA particular mediante la divisin larga polinmica.

Para la media cero ARMA (1, 1) proceso hemos considerado anteriormente, el primer trmino es cero (BE-
porque = 0). Podemos utilizar un atajo para evaluar el segundo trmino. Sabemos por Ar- bsica
sujetador que se

1
yo
un =
yo
=0
1 - un

si |un| <1. Suponiendo que |

1| <1, se puede escribir de manera similar

1
() =L
yo
1 (1,11)
yo
=0
1 - 1L

(Podemos pretender que Les uno de los propsitos de evaluar si esta expresin converge). A partir de (1.10), obtenemos

1 + L
() (1 L L )
1 yo
yt = t= + 1 1 t
,
1 - 1L yo=0

que es equivalente a la ecuacin (1.9).

Chapter 1: Fundamental Concepts of Time-Series Econometrics 7

1.3 Stationary and nonstationary time-series processes

The most important property of any time-series process is whether or not it is stationary.
We shall define stationarity formally below. Intuitively, a process is stationary if a time series following that process has the
same probability distribution at every point in time. For a sta-tionary process, the effects of any shock must eventually die out
as the shock recedes into the infinite past.

Variables that have a trend component are one example of nonstationary time series. A
trended variable grows (or shrinks, if the trend is negative) over time, so the mean of its dis-tribution is not the same at all
dates.

In recent decades, econometricians have discovered that the traditional regression meth-
ods we studied earlier are poorly suited to the estimation of models with nonstationary vari-ables. So before we begin our
analysis of time-series regressions we must define stationarity clearly. We then proceed in subsequent chapters to examine
regression techniques that are suitable for stationary and nonstationary time series.

1.3.1 Stationarity and ergodicity

A time-series process y is strictly stationary if the joint probability distribution of any pair

of observations from the process ( yytts,

) depends only on s, the distance in time between
4
the observations, and not on t, the time in the sample from which the pair is drawn. For a
time series that we observe for 1900 through 2000, this means that the joint distribution of the observations for 1920 and
1925 must be identical to the joint distribution of the observa-tions for 1980 and 1985.

We shall work almost exclusively with normally distributed time series, so we can rely
on the weaker concept of weak stationarity or covariance stationarity. For normally distributed time series (but not for no
normal series in general), covariance stationarity implies strict stationarity. A time-series process is covariance stationary if the
means, variances, and co-variance of any pair of observations

( yytts,
) depends only on s and not on t.

Formally, a time-series y is covariance-stationary if

E y() t
= ,, t

var ()yt 2
=
y
,, t

cov, ( yy
tts
) = s ,,. ts

4
A truly formal definition would consider more than two observations, but the idea is the same. See Hamilton (1994, 46).
8 Chapter 1: Fundamental Concepts of Time-Series Econometrics

In words, this definition says that , ,2y and

sdo not depend on t, so that the moments of
the distribution are the same at every date in the sample.

The autocovariances
sof a series measure its degree of persistence. A shock to a series
with large (positive) autocovariances will die out more slowly than if the same shock hap-pened to series with smaller
autocovariances. Because autocovariances (like all covariances and variances) depend on the units in which the variable is
measured, we more commonly express persistence in terms of autocorrelations

. We define the s-order autocorrelation of y

s
as

s corr, ( yy
tts
)= .s
2y

By construction,
0= 1 is the correlation of y t with itself.

A concept that is closely related to stationarity is ergodicity. Hamilton (1994) shows that
stationary, normally distributed time-series processes are ergodic if the limit of the sum of its

absolute autocorrelations isfinite. This condition is stronger than

s
lim s=; The
0 au-
s
s =0

tocorrelations must not only go to zero, they must go to zero sufficiently quickly. In our analysis, we shall routinely
assume that stationary processes are also ergodic.

1.3.2 Kinds of non-stationarity

There are numerous ways in which a time-series process can fail to be stationary. A sim-
ple one is breakpoint non-stationarity, in which the parameters of the data-generating process change at a particular date
example, there is evidence that many macroeconomic time series behaved differently after the oil shock of 1973 than they did
before it. Another exam-ple would be an explicit change in a law or policy that would lead to a change in the behav-ior of a ser
the time the new regime comes into effect.

A second common example is trend non-stationarity, in which a series has a deterministic

trend. An example of such a series would be y t = + tx
+where
t
, is the trend rate of in-

crease in y and x is a stationary time series that measures the deviation of y from its fixed
trend line. For a trend non-stationary series, the mean of the series varies linearly with time: in the example,

E y()t = + t, assuming that ()0t.

E x=

Most of the non-stationary processes we shall examine have neither breakpoints nor
trends. Instead, they are highly persistent, integrated processes that are sometimes called stochastic trends. We can thin
of these series as having a trend in which the change from pe-riod to period ( in the deterministic trend above) is a stationary
random variable. Integrated processes can be made stationary by taking differences over time. We shall examine integrat-ed
processes in considerable detail below.
Chapter 1: Fundamental Concepts of Time-Series Econometrics 9

1.3.3 Stationarity in MA( q) models

Consider first a model that has no autoregressive terms, the MA(q) model

y ttt = + 11
++
...
qtq
,

2
where is white noise with variance . (We assume that the mean of the series is zero in all
of our stationarity examples. Adding a constant to the right-hand side does not change the
variance or autocovariances and simply adds a time-invariant constant to the mean, so it does not affect stationarity.)

E y()()()
t
=+
E ++
t
=
1
E t 1
... q
E () tq
0

because the mean of all of the white-noise errors is zero. The variance of y
is
t

var ()()()
y t =+
var++
t
12 var t 1
... q
1
var () tq

( 1 ++1 ...
=+ 2 22
p
) ,

where we can ignore the covariances among the terms of various dates because they are zero for a white-noise process.

Finally, the s-order autocovariance of y, the covariance between values of y that are s pe-
riods apart, is

cov, ( yyE )= ( + ++ ...

+ qtqts
++ )( ... ) . (1.12)
tts t 11 t 1 ts 1 qtsq

The only terms in this expression that will be non-zero are those for which the subscripts match. Thus,

cov, ( yyE )= ( + ++ ...

+ qtqt
++ )( 112 ... )
tt 1 t 11 t t qtq 1

= ( + + ++
11223
... qq1 ) 2
1
,

cov, ( yyE )= ( + ++ ...

+ qtqt
++ )( 213 ... )
tt 2 t 11 t t qtq 2

= ( + + ++
21324
... qq2 ) 2
2
,

and so on. The mean, variance, and autocovariances derived above do not depend on t, so the MA(q) process is
stationary, regardless of the values of the parameters.

Moreover, for any s > q, the time interval t through t q in the first expression in (1.12)
does not overlap the time interval t s through t s q of the second expression. Thus, there are no contemporaneous
cross-product terms and
s= 0 for s > q. This implies that all finite
moving-average processes are ergodic.
10 Chapter 1: Fundamental Concepts of Time-Series Econometrics

1.3.4 Stationarity in AR( p) processes

While all finite MA processes are stationary, this is not true of autoregressive processes,
so we now consider stationarity of pure autoregressive models. The zero-mean AR(p) pro-cess is written as

yyyy
t
= 1122t + t
++
... ptpt
+ .

We consider first the AR(1) process

yy
t
= 11 t
+ t , (1.13)

then generalize. Equation (1.11) shows that the infinite-moving-average representation of the
AR(1) process is

y t = i
1 ti
. (1.14)
i =0

Taking the expected value of both sides shows that ()0because

E y= t
all of the white noise

terms in the summation have zero expectation.

Taking the variance of both sides of equation (1.14) gives us

()
i
2y= var ()y t
= 2
1
2
(1.15)
i =0

because the covariances of the white-noise innovations at different points in time are all zero. If |

12<y1la serie infinita en la ecuacin (1.15) converge a

| < 1, then
1

2
.
1 - 12

Si |
1| 1, entonces la varianza en la ecuacin (1.15) es infinito y la AR (1) proceso es nonsta-
nario. As,y
ttiene varianza finita slo si | 1| <1, que es una condicin necesaria para la estacin
tionarity.

Es fcil demostrar que

s= cov, ( yy
TTS -
) = 1s 2y y
s= 1s , s = 1, 2, ....

Estos covarianzas son finitos e independiente de t siempre que |

1| <1. Por lo tanto, |1| <1 es una
condicin necesaria y suficiente para la estacionariedad de la covarianza (1) Proceso de AR. La con-dicin |

1| <1 tambin asegura que el proceso de AR es ergdico porque

Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo 11

1
s s
= = = <
s 1 1
.
s =0 s =0 s =0
1- 1

Intuitivamente, la AR (1) proceso es estacionario y ergdico si el efecto de un valor pasado de y

se extingue a medida que pasa el tiempo. Lo mismo es vlido para la intuicin AR (pag) Proceso, pero el anlisis
Mathemati-cal es ms difcil. Para el caso general, debemos confiar en el concepto de races poli-nomial.

En lgebra, definimos el races de un polinomio P x()siendo los valores de x para cual

()0. Para evaluar la estacionariedad de un proceso autorregresivo de series temporales

P x= ()Ltt y = , nosotros

aplicar el concepto de races polinmicas al polinomio autorregresivo lag (L). Por supuesto,L es un operador en lugar de
una variable, pero las "races" de (L), Los valores de "L" para cual

()L
0 =, Nos dicen si o no el proceso autorregresivo es estacionaria.

En el caso de la (1) Proceso de AR se analiz anteriormente, ()

=L - . 1Calculamos
1
L el

raz (s) r configurando 1 - 1=

L . El0nico valor deL que satisface 1 - 1=
L es r01= 1 /1,

que es la nica raz de este polinomio autorregresivo de retraso. Hemos demostrado anteriormente que la (1) Proceso de
AR es estacionario si y slo si |
1| <1, que es equivalente a la condicin
en la raz |r
1| = | 1 /1| > 1. Por lo tanto, la AR (1) proceso es estacionario si y slo si la raz de

(L) Es mayor que uno en valor absoluto.

Para la AR (pag) Proceso, el polinomio (L) es un pagpolinmica -order, con la participacin de los poderes

L que van desde cero hasta pag. Polinomios de ordenpag tener pag races que satisfacen()L
0 =, algunos

o todos los cuales pueden ser nmeros complejos con partes imaginarias. El AR (pag) Proceso es estacin-
ary si y slo si todas de las races satisfacer |r
j| > 1, donde la notacin valor absoluto es inter-
pretarse como un mdulo si r
jtiene una parte imaginaria. Si un nmero complejo est escritoun + bi, entonces

2
el mdulo es 2 ab+, Que (por el teorema de Pitgoras) es la distancia del punto
abi+desde el origen en el plano complejo. Por lo tanto, estacionariedad requiere que toda la
races de (L) Se encuentran ms de una unidad desde el origen, o "fuera del crculo unitario," en el plano com-plejo.

Para ver cmo funciona esto, considere el (2) proceso AR y t = 0.75 y t - 1 - 0,125 y t - 2 + t. el retraso

polinomio para este proceso es 10.750.125

- L + L 2 . Podemos encontrar que los (dos) son las racesr
1=
1 / 0.5 = 2 y r
2= 1 / 0,25 = 4 ya sea mediante el uso de la frmula cuadrtica o factorizando la poli-
nomial en (10.510.25
- L)( - L ) . Ambas races son reales y mayor en valor absoluto que uno,

por lo que este proceso de AR es estacionaria.

Como segundo ejemplo, examinamos y t = 1.25 y t - 1 - 0.25 y t - 2 + tcon un desfase polinomio 1 -

1.25L + 0,25L2. Este polinomio factores en ( 110.25

- L)( L ) , Por lo que las races son r
1= 4 y

r
= 1. Una raz (4) es estable, pero el segundo (1) se encuentra en, no fuera, el crculo unidad. Deberiamos
2
12 Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo

ver procesos autorregresivos en breve que no estacionarios que tienen races unitarias son llamados inte-ed procesos y ti
propiedades especiales.

1.3.5 Estacionariedad en ARMA (p, qprocesos)

Hasta ahora hemos establecido que

todo finita de media mvil son estacionarias, y

procesos autorregresivos puede ser estacionario o no estacionario en funcin de sus pa-parme-.

No debera ser ninguna sorpresa, entonces, que la estacionalidad de la ARMA (p, q) Proceso depende solamenteen los
parmetros de la parte autorregresiva, y no del todo en la parte mvil de la media. El ARMA (p, q) proceso

()L()y t
= es
L estacionaria
t
si y slo si el pag races de la orden-

pag polinomio (L) Se encuentran todos fuera del crculo unitario.

1.4 paseos aleatorios y otros procesos "de raz unitaria"

Un caso interesante de los procesos no estacionarios son los que tienen races, pero no in-
lado, el crculo unidad. El caso ms simple de un proceso de unidad-raz es la (1) Proceso de AR con
1= 1,
que se llama una Caminata aleatoria.

enchufar
= 1 en la ecuacin (1.13), el proceso de paseo aleatorio es
1

yy
t
= +t -1 , t

que, en palabras, dice que el valor de y en perodo t es igual a su valor en t - 1, adems de un ran-dom "paso" debido al
choque de ruido blanco
t. trayendoyt - 1para el lado izquierdo,

-
yyy
t
= ttt
, -1

entonces el primera diferencia de y-El cambio en y de un periodo a otro-es ruido blanco.

Escribir el paseo aleatorio en la forma de un polinomio nos da lag

()1- Ly tt
=. (1,16)

El trmino (1 - L) es el operador de diferencia () Se expresa en trminos de la notacin de retardo: el valor actual menos e
valor del ltimo perodo. La raz del polinomio solitario (1 -L) Es 1, por lo que este proceso tiene una sola raz, unitario.

Definir la serie temporal z dada por

zy
t
==
t
()1- L y
-= t
yy
tt -1
(1,17)
Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo 13

siendo la primera diferencia de y. Siy sigue un camino aleatorio, a continuacin, mediante la sustitucin de (1.17) en
(1.16), z
t= tes ruido blanco, que es un proceso estacionario.

La eliminacin de la no estacionariedad de un paseo aleatorio tomando la diferencia es un ejemplo

de una proposicin ms general: Siempre podemos hacer un proceso estacionario de raz unitaria por diferentes-encing.
Ahora tenemos una digresin para probar esta proposicin, aunque la prueba no es esencial para nuestro anlisis
adicional y se puede pasar por alto quienes les resulta confuso.

Suponer que y es un AR (pag) proceso ()Ltt y = y eso re del pag races de (L) son iguales

a uno, con la otra p - draces se encuentran fuera del crculo de la unidad (en la regin de estacionariedad). (Es posible,
como en el caso del paseo aleatorio, qued = p.)

lgebra nos dice que podemos factorizar un polinomio cualquiera (L) como sigue:

1 1 1
()
=L --- 1 L 1 L 1 L ,
r1 r2 r pag

dnde r
1, r2, ..., rpagson el pagraces del polinomio. El factor (1 -L) aparecer re veces en
esta expresin, una vez para cada una de las reraces que son iguales a uno. Supngase que arbitrariamente ordenar a las
races de modo que la primerare races son igual a uno, entonces

1 1
()
=L()-
re
1 L 1 L 1 - L . (1,18)
rre+1 r pag

Para lograr estacionariedad en presencia de re races unitarias, tenemos que aplicar re diferencias a la y
t. Dejar

()1
re
t
re= t-
zyLy t
. (1,19)

sustituyendo z
t a partir de (1.19) en (1.18) muestra que podemos escribir

1 1 1 1
()L y = - 1 L 1 - = Ly- re
1 L 1 - L z * ()L z = . (1,20)
t
rre+1 r pag
t
rre+1 r pag
t tt

Porque r
, ..., rpagson todos (por supuesto) fuera del crculo unidad, el reSerie diferencia TH z
re + 1
t

es estacionario, descrita por el estacionaria (p - d) -order Proceso autorregresivo * ()L z tt

=

definida en (1.20).

Para resumir, podemos hacer un proceso autorregresivo con re races unitarias fijas,
diferenciando la serie re veces, en otras palabras, la re diferencia de una serie de este tipo es la estacin-aria. Una serie no
estacionaria que se puede hacer estacionaria por diferenciacinre veces se dice que es integrada de orden d, Abreviado po
de identidad). El trmino "integrado" proviene de la propiedad clculo que la integracin y diferenciacin son operaciones in
En el ejemplo anterior,z
14 Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo

es igual a la serie no estacionaria y diferenciada re veces, y por lo tanto y es igual a la serie de la estacin-ary z "integrado"
re veces.

Los ejemplos anteriores han examinado los procesos autorregresivos solamente puros, pero el anlisis
generaliza a los procesos ARMA tambin. El proceso de series de tiempo integrado en general se puede escribir como

()LyL
= re t
(), t

dnde (L) Es una orden-pag polinomio con races fuera del crculo unitario y (L) Es una orden-qpolinomio. Este proceso se d
unaautorregresivos proceso de promedio mvil integradoo ARIMA (p, d, q) Proceso.

1.5 Series de tiempo en Stata

1.5.1 Definir el conjunto de datos

Para aprovechar las ventajas de las operaciones de series temporales y los comandos de Stata, primero debe de-
multar a la estructura de series temporales del conjunto de datos. Con el fin de hacerlo, tiene que haber un "tiempo varia-
ble" que indica dnde encaja cada observacin en la secuencia de tiempo. La variable de tiempo ms simple sera ms que
un contador que comienza en 1 con la primera observacin. Si no existe una variable de tiempo en el conjunto de datos,
puede crear un contador de este tipo con el comando siguiente:

g en erar tim evar = _n

Una vez que haya creado una variable de tiempo (que podra llamarse cualquier cosa), se debe utilizar el
comando de Stata tssetStata para decir al respecto. La forma ms simple de la orden es

tim evar tsset

dnde timevares el nombre de la variable que contiene la informacin de tiempo.

A pesar de que la variable de tiempo simple es una opcin satisfactoria para los datos de series temporales de cualquier c
cuencia, Stata es capaz de personalizar la variable tiempo con una variedad de formatos de hora, con ser mensual,
trimestral y anualmente las ms utilizadas por los economistas.

Si tiene datos mensuales de series de tiempo, el conjunto de datos tiene dos variables numricas, una indicacin
cando el ao y un mes. Puede utilizar las funciones de Stata para combinar estos en una variable de tiempo sin-gle, a
continuacin, asignar un formato adecuado para que su salida ser intuitivo. Suponga que tiene un conjunto de datos en la qu
variable
luncontiene el nmero del mes y
yrcontiene el ao. los ym funcin en Stata se traducir esto en una sola variable,
que luego se puede utilizar como la variable de tiempo:

g en erar t = ym (a o, m on )
tsset t, m en su al
Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo 15

(Hay funciones similares Stata para datos trimestrales y otras frecuencias, as como-fun ciones que traducir las cadenas de da
alfanumricos en caso de que su variable de mes tiene los valores "Enero", "Febrero", etc.) El comando anterior generar asig
un nmero entero valor a la variable

ten una escala en la que 1 1960 tiene el valor de 0, 02 1960 = 1, etc. La

mensualopcin en el tssetStata del comando indica explcitamente que el conjunto de datos tiene un mes-
Ly unidad de tiempo.

Llegar tque se mostrar en una forma que es fcilmente interpretado como una fecha, establezca la variable de
formato de tm% con el comando:

Form ato d e t% tm

(De nuevo, hay formatos de datos trimestrales y otras frecuencias, as como mensual.) Despus de ajustar el formato de
esta manera, un valor de cero para la variable
tse mostrar como 1960m1ms bien
que como
0.

Uno de los fines de declarar una variable de tiempo es que le permite informar acerca de cualquier Stata
lagunas en los datos sin tener observaciones "vacos" en el conjunto de datos. Supongamos que tenemos datos anuales
desde 1929 a 1940 y 1946 a 2010, con los aos de la Segunda Guerra Mundial que falta en su conjunto de datos. El ao
variable contiene el nmero del ao y salta a la derecha de un valor de 1,940 para el 12

observacin a 1946 para el 13 , Sin que sean intermedios. Delaware-
claring el conjunto de datos con

tsset a o, anu al

informar a Stata que las observaciones correspondientes a 1941-1945 no se encuentran en su da-taset. Si le preguntas
para el perodo valor de uno rezagado antes de la observacin de 1946, Stata se cor-rectamente devolver un valor que
falta en lugar de utilizar incorrectamente el valor de 1940. Si por cualquier rea-hijo necesita aadir estas observaciones
que faltan para el conjunto de datos para el ao de intervalo, el comando Stata

tsfill lo har, llenndolos de los valores perdidos.

1.5.2 operadores de retardo y de diferencia

El operador de retardos en Stata esl.(Capital o-L minscula seguida de un periodo), por lo que
L.o
conseguir crear una nueva variable que contiene el desfase de
y, Podramos escribir

g en erar Lag y = Ly

Retardos de ms de un perodo se pueden obtener mediante la inclusin de un nmero despus

len elde
lagla
operador:

g en erar ytw icelag g ed = l2.y

Para utilizar la funcin de retardo, la estructura de series temporales del conjunto de datos debe estar previamente
definida mediante el
tsset mando.

Se puede utilizar el operador de diferenciaRE.o re.para tomar la diferencia de una variable. los
siguientes dos comandos producen resultados idnticos:
diecisis Captulo 1: Conceptos Fundamentales de Econometra de Series de Tiempo

g en erar ch an g ein y = d y
g en erar ch an g ein y = y - Ly

Al igual que con el operador de retardos, una diferencia de orden superior se puede obtener mediante la adicin de un
nmero despus de la
re:

g en erar secon d d if f
o fy = d 2.y

Si los datos para la observacin antes del perodo de t Se echa en falta, ya sea de forma explcita en el conjunto de datos
porque no hay observacin en el conjunto de datos para el perodo t - 1, entonces tanto el operador de retardos y
el operador de diferencia devuelve un valor que falta.

Si no desea crear variables extra para los desfases y diferencias, se puede utilizar el desfase
y los operadores de diferencia directamente en muchos comandos de Stata. Por ejemplo, a la regresin de una varia-ble
sobre su valor rezagado de una vez, puede escribir

reg resin y Ly

1.5.3 La estadstica descriptiva para las series temporales

Adems de los comandos estndar de Stata (como resumir) Que producen descripcin
tivas estadsticas, hay algunos comandos descriptivos adicionales especficamente para datos de series temporales. La mayor
de estos estn disponibles bajo la entrada de men Grficos Los grficos de series temporales.

Podemos crear un simple grfico de una o ms variables respecto a la variable tiempo utilizando
tsline. Para calcular y de representar las autocorrelaciones de una variable, podemos utilizar C.Acom-
el
la demanda. los
Xcorrcomando calcular las "correlaciones cruzadas" entre dos series,
que se definen como corr (,),
YXS..., 2,1, 0,=1,
TTS -
- 2, ... .
referencias

Box, George EP, y Gwilym M. Jenkins. 1976.Anlisis de series de tiempo: Pronsticos y

Controlar. San Francisco: Holden-Day.
Hamilton, James D. 1994. Anlisis de series temporales. Princeton, NJ: Princeton University Press.