Introduccion

Procesos estacionarios

Econometria con Series Temporales

Walter Sosa-Escudero

May 24, 2009

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Porque series temporales?

Inhabilidad de la economia de producir experimentos
controlados para estudiar relaciones causales entre variables.
Una alternativa consiste en estudiar estas relaciones a partir
de la evolucion historica o temporal de estas variables.
El paradigma estandar de muestra independiente no tiene
sentido. El analisis de series temporales intenta dar cuenta de
estas dependencias.
Regresion espurea: el analisis de regresion estandar puede no
tener coherencia logica con procesos fuertemente
dependientes: raices unitarias, cointegracion.

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Cuatro ejemplos

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Algunas caracteristicas de series economicas

1 Fuertes tendencias.
2 Dificil de distinguir tendencias y ciclos.
3 Ciclos estocasticos, dificiles de predecir.
4 Comportamientos estacionales marcados.
5 Oscilaciones muy erraticas, no hay tendencias ni ciclos obvios.
6 Covariaciones sugerentes.
7 Cambios estructurales.

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Regresion Espurea

Granger y Newbold (1974)

El analisis de regresion clasico tiene serios inconvenientes
cuando las series tienen cierto tipo de tendencias.
Econometria de series temporales: redefinir el analisis de
regresion para que el mismo pueda ser utilizado con series con
fuerte comportamiento inercial.
Es necesario introducir varios conceptos
1 Estacionariedad y no-estacionariedad.
2 Procesos estacionarios simples.
3 Procesos no-estacionarios simples.
4 Cointegracion y regresion con procesos no-estacionarios.
5 Modelos de regresion dinamicos y cointegracion.

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Procesos estacionarios

Proceso estocastico: coleccion de variables aleatorias

ordenadas.
Serie de tiempo: el orden es el tiempo.

Yt , t = 1, 2, . . . , T
El punto central es que los Yt no son necesariamente
independientes.

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Definamos:
t E(Yt ).
0t V (Yt ).
t,jt Cov(Yt , Ytj ) = j-esima autocovarianza

Yt es estacionario si y solo si:

1 E(Yt ) = < , t
2 Cov(Yt , Ytj ) = j < , t, j

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Este es un concepto muy importante.

Estacionario ' estable.
Estacionariedad implica restricciones sobre la esperanza y,
fundamentalmente, sobre la estructura de covarianzas. (Yt
puede tener esperanza constante y asi y todo ser
no-estacionario). Estacionariedad es bastante mas que
no-tendencia
Si Yt es estacionario:
Cov(Yt , Ytj ) j
Cor(Yt , Ytj ) j = p =
V (Yt )V (Ytj ) 0

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Ruido Blanco

Es el ejemplo mas simple de proceso estacionario.

Yt , t = 1, 2, . . . , T es un proceso de ruido blanco si:
1 E(Yt ) = 0, t.
2 V (Yt ) = E(Yt2 ) = 2 < , t
3 Cov(Yi , Yj ) = 0, i 6= j.

Es por construccion estacionario. Es una coleccion de variables

aleatorias con media cero y no correlacionadas entre ellas.
Es el proceso mas simple de todos. Notacion:
Yt RB(0, 2 ).
Ejemplo: El termino de error de un modelo de regresion
clasiso es ruido blanco.

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Ejemplo: Ruido Blanco

100 realizaciones.
Que es predecible en un ruido blanco y que no es predecible
en un RB?
Walter Sosa-Escudero Econometria con Series Temporales
 Introduccion
Procesos estacionarios

Proceso AR(1) estacionario

Yt es un proceso autorregresivo de orden 1 estacionario si

Yt = c + Yt1 + t , t RB(0, 2 )

con || < 1

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Yt = Yt1 + t

Cual es el efecto de aumentar ?

En que sentido AR(1) produce ciclos parecidos a los de una economia?

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Resultado: AR(1) es estacionario si || < 1.

Plan: obtener las esperanzas y covarianzas y mostrar que no

dependen de t.

Partamos de

Yt = c + Yt1 + t , t RB(0, 2 )

Notar que
Yt1 = c + Yt2 + t1
Reemplazando

Yt = c + (c + Yt2 + t1 ) + t
= c + c + 2 Yt2 + t1 + t

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Ahora reemplacemos Yt2 = c + Yt3 + t2 .

Yt = c + c + c2 + 3 Yt3 + 2 t2 + t1 + t

Continuando con este proceso:

Yt = c(1++2 + )+(t +t1 +2 t2 +3 t3 + )+ lim s Yts

s

Si || < 1:

c X
Yt = + i ti
1
i=1

Con esta informacion podemos obtener los momentos

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

E(Yt ) = E c/(1 ) + i
 P 
i=1 ti = c/(1 ), constante.
V (Yt ) = 2 /(1 2 ), constante

Prueba:

!
c X
V (Yt ) = V + i ti
1 i=1

!
X
= V i ti
i=1

X
= 2i V (ti ) porque?
i=1
= /(1 2 ).
2

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Cov(Yt , Ytj ) = i 2 , no depende de t.

Prueba: Recordar:

c X
Yt = + i ti
1 i=1

Cov(Yt , Ytj ) = E (Yt E(Yt )) (Ytj E(Ytj ))

! !
X X
i i
= E ti tji
i=1 i=1

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Vamos despacio

E t + t1 + 2 t2 + t1 + t2 + 2 t3 +



Cov(Yt , Yt1 ) =
= 2 porque?

E t + t1 + 2 t2 + t2 + t3 + 2 t4 +



Cov(Yt , Yt2 ) =
= 2 2 porque?

En general

Cov(Yt , Ytj ) = j 2 , j = 1, 2 . . .
que no depende de t.

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Resumen: el proceso AR(1) estacionario.

c X
Yt = + i ti , || < 1
1
i=1

E(Yt ) = c/(1 )
V (Yt ) = 2 /(1 2 )
Cov(Yt , Ytj ) = j 2
Cor(Yt , Ytj ) = j
En el proceso AR(1) estacionario la dependencia entre periodos
tiende a debilitarse a medida en que se distancian los periodos
comparados (las correlaciones decaen).

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Extensiones y generalizaciones

M A(): proceso de media movil infinito

X
Yt = + i ti
i=1

con t ruido blanco

P 2
Estacionario si i=i i < .
AR(1) es un caso particular: = c/(1 ) y i = i .
MA(q)
q
X
Yt = + i ti
i=1

El proceso M A(q) es siempre estacionario.

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

AR(p): Yt = c + 1 Yt1 + 2 Yt2 + + p Ytp + t

Asi como el AR(1), tambien el AR(p) estacionario puede
expresarse como un M A()
Teorema de representacion de Wold: todo proceso
estacionario puede expresarse como un M A().
Box-Jenkins: analisis de procesos estacionarios en base a
modelos AR y MA (muy populares en los 60-70).
Esencialmente predictivos.

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Disgresion: Operadores de Rezago

LYt Yt1
Lk Yt Ytk . Intuitivamente: LL LYt = YtK .
(L) 0 + 1 L + 2 L2 + + K LK

(L)Yt = 0 Yt + 1 Yt1 + 2 Yt2 + + K YtK

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Casos particulares:
(L) = Yt (1 L)Yt = Yt Yt1
(L) = 1 L. Si || < 1,
1
= 1 + L + 2 L2 + 3 L3 +
1 L
y (1 L)(1 L)1 Yt = Yt .

Walter Sosa-Escudero Econometria con Series Temporales

 Introduccion
Procesos estacionarios

Ejemplo: AR(1)

Yt = c + Yt1 + t (1 L)Yt = c + t
Si || < 1, aplicando (1 L)1 a ambos lados,
c t
Yt = +
1 L 1 L
Llamando zt c

Yt = zt (1 + L + 2 L2 + ) + t (1 + L + 2 L2 + )
= c + c + 2 c + + t + t1 + 2 t2 +

c X
= + j tj
1
j=0

Walter Sosa-Escudero Econometria con Series Temporales