Series de Tiempo PDF

ECONOMETRÍA II
1. La Econometría de Series de Tiempo

Econometría II – Notas de clase 2
1.1. Análisis Univariado de Series de Tiempo

1.1.1. Series de Tiempo Estacionarias
q Análisis univariado: se identifica cada variable exclusivamente con su

pasado, analizando su estacionariedad y descomponiendo sus elementos
cíclicos y tendenciales.
q ¿Qué entendemos por “proceso estacionario”?
(i) Proceso Estocástico Discreto (PED): una sucesión de variables

aleatorias {yt }, donde t = -∞, ..., -2, -1, 0, 1, 2, ... ∞.
(ii) Estacionariedad. Consideremos el PED {y -∞ ,... y1 ,..., y T ,..., y - ∞ }

y centrémonos en dos de sus miembros: yt y yt-k . Este PED se
denomina “estacionario” de un tipo particular si determinadas
propiedades estocásticas de yt y yt-k no dependen de t y t-k (su
ubicación absoluta en la secuencia) pero sólo de k (su separación
relativa en la secuencia).
- Estacionariedad estricta. Se verifica si las distribuciones de yt y
yt-k (conjunta y marginal) no dependen de t pero sólo de k, i.e.
f y ( z ) = f y (z ) para todo z, y f y , y (z , w ) depende sólo de
t t−k t t −k
k y no de t.
- Estacionariedad débil o en covarianza. Se verifica cuando los
dos primeros momentos de yt y yt-k dependen posiblemente de k
pero no de t, i.e. E( y t ) = E( y t − k ) y Var ( y t ) = Var ( y t − k ) ∀ k, y
Cov ( y t , y t − k ) depende posiblemente de k pero no de t.
E ( y t ) = δ ∀t
Var ( y t ) = σ 2y ∀t
Cov ( y t , y t − k ) = Cov ( y s , y s − k ) = γ k ∀t , k
q Series de tiempo estacionarias (en el sentido débil): se podrán modelar a

través de especificaciones ARMA. Su objetivo es explicar el
componente cíclico de la serie (o su componente estacionario) a través
de su pasado por medio de diferentes tipos de relaciones.
p q
ARMA(p,q): y t = ∑ α i y t −i + ∑ ε t −i + ε t ε t ∼ i.i.d (0, σ2ε )
i =1 j=1
q ¿Por qué es importante trabajar con series estacionarias?
- En el trabajo empírico, cuando analizamos la estacionariedad en media

de una serie, la gran pregunta es:
 Estacionaria en tendencia (ET)

Yt 
 Estacionaria en diferencias (ED)
- Esta distinción hace referencia a la transformación que debemos realizar

para garantizar la estacionariedad del proceso.
- ¿Qué riesgo corremos si ignoramos esta distinción?
* Comparemos los procesos Xt y Wt.

¿Qué elementos conforman estos procesos?
¿De dónde proviene la tendencia determinística de Xt?
¿Qué implican los resultados de la simulación propuesta?
q Condiciones para la estacionariedad.
- Empecemos con el ejemplo más sencillo: un AR(1) →

y t = α yt −1 + ε t .
* En este caso notaremos que el proceso es estacionario si y sólo si
α < 1.
- Proceso MA finito: combinación lineal finita de ruidos blancos →

estacionario por definición.
- Generalicemos ahora nuestros resultados para un proceso
ARMA(p,q):
p q
y t = ∑ α i y t −i + ∑ ε t − i + ε t
i =1 j =1
y t (1 − α1L − ... − α p Lp ) = MA( q ) + ε t

y t (1 − z1L)(1 − z 2 L)...(1 − z p L) = MA (q ) + ε t
y t = [MA( q) + ε t ]
1 1 1
...
(1 − z1L) (1 − z 2 L) (1 − z p L)
Estacionario
Estacionario si z1 < 1
Estacionario si z1 < 1 y z 2 < 1 ...etc.
- Condición para la estacionariedad de un proceso ARMA(p,q):
Las raíces características del polinomio de rezagos del

componente AR(p) son menores a uno en valor absoluto.
- De las ecuaciones anteriores:
y t (1 − α1L − ... − α p Lp ) = MA (q ) + ε t
Polinomio de rezagos
1 − α1L − ... − α p Lp → z p − α1z p −1 − ... − α p = 0
Ecuación característica
y t (1 − z1L)(1 − z 2 L)...(1 − z p L) = MA (q ) + ε t
Raíces de la ecuación
característica
- * Veamos un ejemplo de todo esto considerando un proceso AR(2).
- En la práctica, el análisis de estacionariedad no pasa por la

construcción de ecuaciones características y el cálculo de sus raíces.
No obstante, se basa en los resultados que acabamos de ver.
- Si partimos de la ecuación característica z p − α1z p −1 − ... − α p = 0 ,

¿cómo esperamos se comporten los coeficientes si alguna de las (p)
raíces es igual a 1?
- Podemos, entonces, preguntar si es que se cuenta con suficiente

p
evidencia estadística para aceptar que α*1 = ∑ α j −1 = 0 . Esto es,
j=1
precisamente, lo que hace el test que veremos más adelante.
q Estadísticos que caracterizan procesos estacionarios
(a) Función de Autocovarianza (FAC)

La FAC de un PED {y t } es una función igual a:
γ k = Cov ( y t , y t − k ) ∀t , k (1.)
(b) Función de Autocorrelación Simple (FAS)

La FAS de un PED {y t } es una función igual a:
Cov(y t , y t - k )
ρk = ∀t, k (2.)
Var (y t ) Var (y t - k )
Nótese que, si la serie es estacionaria, las varianzas serán

constantes a lo largo del tiempo, es decir, Var(yt) = Var(yt-k), con
lo cual el denominador de (2.) es simplemente Var(y) o γ 0 , por lo
que:
γ
ρk = k (3.)
γo
Para estimar la FAS de orden k de un PED, se pueden utilizar las

contrapartes muestrales de los términos de varianza y covarianza:
T
∑ (y t - y )(y t - k - y )
1
T - k t= k +1
ρˆ k = (4.)
1 T T
∑ t(y - y )2 1
∑ (y t - k - y )
2
T t=1 T - K t = k +1
no obstante, hay que observar que, asintóticamente (T → ∞) ,

1 1 T T
≈ , ∑ ≈ ∑
T − k T t =1 t = k +1
por lo tanto, podemos reescribir (4.) como:
T
∑ (y t - y)( yt -k - y)
ρˆ k = t = k +1 (5.)
T
∑ (y t - k - y )
2
t = k +1
lo que equivale a estimar el coeficiente de la ecuación que

relaciona yt y yt-k .
(c) Función de Autocorrelación Parcial (FAP)
La FAP de un PED {y t } es igual a su FAS, pero corregida por los

rezagos intermedios, ya que indica el efecto marginal que cada t-k
tiene sobre t. En adelante, denominaremos a la FAP como φ k .
Para estimar la FAP de orden k de un PED es necesario correr una

regresión que relacione yt y yt-k pero en presencia de los rezagos
intermedios. Así, por ejemplo, para hallar la FAP de orden 1 (que
es igual a la FAS del mismo orden, ya que no habrían rezagos
intermedios), se corre la regresión:
~y = φ ~y + ε
t 1 t −1 1t
donde ~
y es la desviación de y respecto a su media.
Para estimar la FAP de orden 2, se requiere correr la regresión:

~y = λ~y + φ ~
t t -1 2 y t - 2 + ε 2t
donde φ2 es la FAP de orden 2, pero λ no es la FAP de orden 1.

Algo similar ocurre si queremos estimar la FAP de orden 3
corriendo la regresión:
~y = λ~y + τ~y + φ ~y + ε
t t -1 t -2 3 t -3 3t
siendo φ3 la FAP de orden 3, pero teniendo en cuenta que ni λ ni τ

son las FAP de orden 1 y 2, respectivamente.
q La FAC, FAS y FAP de algunos procesos
(i) Un proceso AR(1): y t = αy t −1 + ε t
Antes de analizar el comportamiento de las funciones de autocorrelación

hay que establecer la relación que existe entre yt y los errores de la
ecuación. Podemos plantear ésta a dos niveles:
- La relación de yt con errores futuros (sucesivos reemplazos...):

 ∞ s 
Ε(y t - k ε t ) = Ε ∑ α ε t -k -s ε t  = 0
 s =0 
En este caso el valor esperado planteado va a ser siempre igual a 0 ya

que se relacionan errores (ruidos blancos) no contemporáneos.
- La relación de yt con errores presentes o pasados:

 ∞ s 
Ε(y t ε t - k ) = Ε ∑ α ε t - sε t - k  = α k σ2ε
s=0 
En este caso el valor esperado planteado se hace distinto de cero

siempre que s = k (momento en el cual se relacionan dos errores
contemporáneos), siendo k la distancia que hay entre yt y ε t .
Este análisis demuestra que yt va a tener relación con los errores

pasados y presentes, pero nunca con los futuros.
(a) Análisis de la FAC
σ2ε
γo = σ2y =
1 − α2
( )
γ1 = Ε( y t y t -1 ) = Ε αy 2t -1 + y t -1ε t = αγ 0 + 0
γ 2 = Ε(y t y t - 2 ) = Ε(θy t -1y t -2 + y t - 2 ε t ) = αγ1 + 0 = α 2 γ 0
Y así sucesivamente, por lo que, en general, se puede decir que:
γ k = αk γ 0 ∀ k ≥ 0
Además, y como α < 1, puede observarse que a medida que k crece,

la FAC converge a cero a una tasa α .
(b) Análisis de la FAS
γ
Como vimos previamente ρ k = k , de forma tal que:
γ0
ρ0 = 1
γ αγ
ρ1 = 1 = 0 = α
γ0 γ0
γ 2 α2γ 0
ρ2 = = = α2
γ0 γ0
Y en general,
γ
ρk = k = α k ∀k≥0
γ0
De forma tal que a medida que k crece la FAS converge a cero a la

misma tasa α .
(c) Análisis de la FAP
Para hallar la FAP(k) es necesario estimar los coeficientes de una

regresión que relacione yt con el k-ésimo rezago y todos los
intermedios.
y t = φ1y t -1 + ε t
Para una muestra lo suficientemente grande, el desvío de yt respecto a
la media es igual a yt dado que E(yt) = 0.
FAP (1) = FAS(1) = φ1 = α
Lo mismo se aplica en el caso de que k = 2, usando el modelo
y t = λy t -1 + φ2 y t - 2 + ε t
Debido a que el proceso en cuestión es un AR(1), ningún regresor

excepto el primer rezago tendrá un efecto marginal significativo sobre
yt. En otras palabras, luego de controlar por el primer rezago, ningún
otro de orden superior tendrá un efecto significativo.
Concluimos entonces que:
FAP (1) = ρ1 = α
FAP (k ) = 0 ∀ k > 1
¿Qué sabemos hasta ahora?

- Los coeficientes de correlación simple de un proceso AR(1)
estacionario convergen a cero conforme aumente el grado de los
mismos.
- Sólo el primer coeficiente de correlación parcial de un AR(1)
estacionario es distinto de cero.
* Verifiquemos esto generando un proceso AR(1) estacionario.
(ii) Un proceso AR(2): y t = α1y t −1 + α 2 y t − 2 + ε t
Tomando la esperanza de la serie podemos comprobar que ésta es igual

a cero (siempre que el modelo no tenga constante). Así:
Ε(y t ) = α1Ε(y t -1 ) + α 2Ε( y t -2 )
dado que se trata de una serie estacionaria, las tres esperanzas de la

expresión anterior son iguales, por lo que E(yt) sólo puede ser igual a
cero.
Tal como se hizo en el caso del proceso AR(1), utilizaremos las

ecuaciones de Yule-Walker. En términos generales (usando el k-ésimo
rezago):
y t y t - k = α1y t -1y t - k + α 2 y t - 2 y t - k + ε t y t - k
Ε(y t y t - k ) = α1Ε( y t -1y t -k ) + α 2Ε(y t - 2 y t - k ) + Ε(ε t y t - k )
obteniéndose la siguiente expresión, para todo k>0
γ k = α1γ k -1 + α 2 γ k - 2
por lo que se puede concluir que la FAC también sigue un proceso

autorregresivo.
* Veamos este resultado con algo más de detalle de modo que nos quede
claro como es que, tomando en cuenta que γ − p = γ p , se obtiene lo
siguiente:
γ0 = α1γ1 + α 2 γ 2 + σ2ε
γ1 = α1γ 0 + α 2 γ1
γ 2 = α1γ 1 + α 2 γ 0
Resolviendo este sistema de ecuaciones es posible hallar γ0, γ1 y γ2.
(1 − α 2 )σ2ε
γ0 =
(1 + α 2 )((1 − α 2 ) 2 − α12 )
α1γ0
γ1 =
1 − α2
 α 2 (1 − α 2 ) + α12 
γ2 =  γ 0
 1 − α 2 
Utilizando las relaciones anteriores tenemos que:
γ α1
ρ1 = 1 = α1 + α 2ρ1 =
γ0 1 − α2
γ2 α12
ρ2 = = α1ρ1 + α 2 = α 2 +
γ0 1 − α2
Así, en general:
γ
ρk = k = α1ρk -1 + α 2ρk -2 ∀k > 0
γ0
A partir de estas expresiones, es posible demostrar que la FAS de un

AR(2) converge a cero, bajo diferentes formas (directa u oscilatoria),
dependiendo de los valores que tomen α1 y α 2 . De hecho, la condición
de estacionariedad para yt nos indica que las raíces características de
ρk = α1ρk -1 + α2ρk -2 deben caer dentro del círculo unitario por lo que
la secuencia {ρ s } es convergente.
La estimación de la FAP requiere, otra vez, la estimación de un

conjunto de ecuaciones donde el último rezago incluido es el del orden
respectivo de la FAP a estimar. Así:
y t = φ1y t -1 + ε t , se usará para hallar la FAP(1) = φ1
y t = λy t -1 + φ 2 y t - 2 + ε t , se usará para estimar la FAP(2) = φ2

Nótese que la FAP(2) es igual, por definición, a α 2 , mientras que la

FAP(1) no es igual a α1 . Si es cierto, no obstante, que FAP(1) =
FAS(1).
Si deseamos hallar la FAP(3):

y t = λ1 y t -1 + λ 2 y t - 2 + φ3 y t -3 + ε t
donde observaremos que, de acuerdo a la especificación del modelo

(de orden 2), φ3 es cero. Esto será además cierto para todo k > 2.

Generalizando estos resultados para procesos AR(p) estacionarios
tenemos que:
- La FAC y la FAS convergen a cero.
- La FAP es igual a cero ∀ k > p.
Diagnóstico
- Ausencia de una FAS convergente: evidencia en contra de la
estacionariedad de la serie.
- ¿Hasta qué orden es la FAP significativa?: orden de
autorregresión (AR) de la serie.
(iii) Un proceso MA(1): y t = ε t − βε t −1
Nótese que un proceso de medias móviles es siempre estacionario

porque es una combinación lineal de ruidos blancos, y estos, por
definición, son estacionarios. Tomando la esperanza y la varianza a la
expresión anterior se puede verificar que:
E( y t ) = 0
V (y t ) = σ2ε + σε2 β 2 = σ2ε (1 + β 2 )
γ0 = σ2y = (1 + β2 )σ2ε
γ1 = Ε(y t y t −1 ) = Ε[(ε t − βε t −1 )(ε t −1 − βε t − 2 )] = −βσ 2ε
γ 2 = Ε(y t y t − 2 ) = Ε[(ε t − βε t −1 )(ε t − 2 − βε t − 3 )] = 0
γ 3 = Ε (y t y t − 3 ) = 0
y así sucesivamente, por lo que podemos generalizar este resultado

diciendo que:
γk = 0 ∀k >1
Si recordamos la fórmula para la FAS tenemos que:
ρ0 = 1
γ −β
ρ1 = 1 =
γ0 1 + β2
γ
ρ2 = 2 = 0
γ0
por lo que generalizando se tiene que:
ρk = 0 ∀k >1
Dado que el modelo de medias móviles sólo evidencia una relación entre
yt y los errores presentes y pasados, es necesario realizar un proceso de
inversión a fin de rescatar la relación entre la primera y sus propios
valores pasados.
ε t = y t + βε t −1
y rezagando sucesivas veces:
ε t −1 = y t −1 +βε t −2
ε t − 2 = y t − 2 +βε t −3
(...)
por lo que:
ε t = yt + β  yt −1 + β ( y t −2 +βε t −3 )
ε t = y t + βy t −1 + β2 y t − 2 + β3ε t − 3
De donde se puede despejar yt para obtener:
y t = −β y t −1 − β 2 y t − 2 − β3ε t −3 + ε t
de lo que podríamos deducir que, si continuáramos reemplazando los

rezagos de εt, yt estaría en función de su propio pasado:
∞
y t = − ∑ β s y t −s + ε t
s =1
La ecuación anterior es la representación AR de un proceso MA. Para

que dicha representación sea estacionaria, sabemos ya que debe
cumplirse que β sea menor a uno en valor absoluto. En este caso, se dice
que el proceso MA es invertible.
Esto además implica que la FAP de un proceso MA(1) invertible

converge a cero, bajo diferentes formas, dependiendo del signo de β.
* ¿Cómo quedaría la FAP si representamos el MA: y t = ε t + βε t −1 ?


Generalizando estos resultados para procesos MA(q) invertibles
tenemos que:
- La FAC y la FAS son iguales a cero ∀ k > q.
- La FAP converge a cero de distintas formas dependiendo de los
signos de los coeficientes β.
En resumen:
Función de Función de autocorrelación

autocorrelación simple (k) parcial (k)
AR(p) Converge a 0, k → ∞ Igual a cero para k > p
MA(q) Igual a cero para k > q Converge a 0, k → ∞
FAP → idea del orden AR.

FAS → idea del orden MA.
(iv) Un proceso ARMA(1,1): y t = αy t −1 + ε t − βε t −1
El proceso ARMA (1,1) será estacionario cuando α < 1, es decir,

cuando la parte AR de la serie lo sea, mientras que será invertible toda
vez que β < 1 .
No es difícil darse cuenta que:
Ε (y t ) = 0
Var ( y t ) = Ε(y t )2
= Ε(α 2 y 2t −1 + ε 2t + β 2ε 2t −1 + 2 αy t −1ε t − 2 αβ y t −1ε t −1 − 2βε t ε t −1 )
de modo que:
Var ( y t ) = α 2 Var ( y t ) + σ2ε + β2 σ2ε − 2αβσ ε2
σ2ε (1 + β 2 − 2αβ)
Var ( y t ) =
(1 − α 2 )
σ2ε (1 + β 2 − 2αβ)
γ0 = Var ( y t ) =
(1 − α 2 )
γ1 = Ε(y t y t −1 ) = Ε(α y 2t −1 + ε t y t −1 − βε t −1y t −1 )

(1 − αβ)(α − β) 2
γ1 = αγ 0 − βσ ε2 = σε
1− α 2
γ 2 = Ε(y t y t − 2 ) = Ε(αy t −1y t − 2 + ε t y t − 2 − βε t −1y t − 2 )

γ 2 = αγ1
Generalizando, la FAC de un proceso ARMA (1,1) tiene el siguiente

comportamiento:
γ k = αγ k −1 ∀k >1
(b) Análisis de la FAS y la FAP
ρ0 = 1
γ
ρ1 = 1 =
(1 − αβ)(α − β)
γ0 1 + β2 − 2αβ
γ αγ
ρ2 = 2 = 1 = αρ1
γ 0 γ0
Generalizando:
γ αγ
ρk = k = k −1 = αρk −1 ∀k >1
γ0 γ0
Las expresiones anteriores nos permiten verificar que el

comportamiento de la FAC y la FAS de un ARMA (1,1) es muy
similar al de un AR(1): decrece a una tasa α. Nótese, sin embargo, que
ello ocurre desde el momento en que k>1, o mejor dicho, a partir del
momento en que k es mayor que el orden de la parte MA; ello es así
porque, como hemos visto antes, la FAC y FAS del MA se hace cero
para todo k mayor que su orden, por lo que en el comportamiento de
estas funciones sólo prima el componente AR de la serie.
Lo contrario ocurrirá en el caso del FAP: a partir del k>1 primará el

comportamiento del componente MA, porque la FAP de la parte AR
se hace cero.
Así:
FAS ARMA (1,1) ≈ FAS AR(1) para todo k>1
FAP ARMA (1,1) ≈ FAP MA(1) para todo k>1
Generalizando para los modelos ARMA de orden mayor podemos

decir que, en el caso de un modelo ARMA (p,q) se tiene que:
FAS ARMA (p,q) ≈ FAS AR(p) ∀ k > q

FAP ARMA (p,q) ≈ FAP MA(q) ∀ k > p
q Estimación de modelos univariados
(i) Procesos AR
- En el caso de un AR(1) es posible estimar el coeficiente autorregresivo

utilizando MICO:
αˆ MCO = ∑ t t −1
y y
∑ y2t −1
Al respecto, se debe tomar en cuenta lo siguiente:
1. “Xt”, la variable explicativa, es en realidad Yt-1, y en general,
Xt+j =Yt+j-1
Por lo que al verificar la relación existente entre la variable explicativa

y el error, se observa que:
Cov (x t , ε t ) = Cov ( y t −1ε t ) = 0

( )
Cov x t + j, ε t = Cov( y t + j−1ε t ) = α j−1σ2ε ≠ 0
Por lo tanto, sólo hay ausencia de correlación contemporánea, pero no

con los valores futuros de las X’s.
2. Las variables explicativas no son exógenas, son endógenas rezagadas

o predeterminadas.
3. Por lo anterior, el estimador MICO es sesgado, es decir, Ε(αˆ ) ≠ α .

Esto se debe a que el vector de errores no es independiente en media
del valor realizado de yt-1.
* Ante esto es indispensable verificar las propiedades asintóticas del

estimador. Partamos de:
2
αˆ =
∑ αyt −1 + ∑ y t −1ε t = α + ∑ y t −1ε t
∑ y 2t −1 ∑ y2t −1
y verifiquemos si α̂ MICO 
p
→α
* Además, podemos verificar la distribución asintótica de dicho

estimador:
T(αˆ MICO − α) → ?

d
De los resultados obtenidos se desprende que es apropiado usar MICO

para estimar modelos de series de tiempo siempre que tengamos
muestras grandes. Asimismo, podemos hacer inferencia de la manera
habitual apelando a la normalidad asintótica de α̂ MICO .
(ii) Procesos MA
- Una alternativa sencilla es usar la representación AR de un MA, lo

que además tiene la ventaja de facilitar la interpretación de resultados
(siempre es más fácil interpretar la relación entre la variable y sus
valores pasados que con los respectivos errores).
- Sin embargo, surge el problema de que la representación AR de un

MA es infinita, por lo que no podría ser estimada. Cabe recordar, no
obstante, que si un MA se puede representar como un AR, o mejor
dicho si es invertible, deberá ser cierto que β < 1 , por lo que los
rezagos más alejados tendrán cada vez menor relevancia para explicar
el valor presente de la variable en cuestión. Una aproximación del
punto de corte relevante nos lo da el siguiente teorema:
Teorema de Said y Dickey (1984): Un proceso ARMA (p,q) se puede

aproximar por un ARMA(n,0), donde n no debe ser mayor a T1/3.
De esta forma, el valor T1/3 será utilizado para establecer el grado de

correlación de la serie con su pasado, a fin de garantizar errores no
correlacionados en la ecuación final estimada.
(iii) Procesos ARMA
Para estimar un modelo de este tipo se propone un proceso de estimación

en dos etapas:
(i) Hallar la representación AR(p) que se ajusta mejor a la serie que

se analiza.
(ii) Verificar que los errores de la ecuación estimada no estén
correlacionados; de lo contrario incorporar elementos MA a fin
de resolver este problema.
De esta manera, se privilegiarán aquellos modelos con menor cantidad

de términos MA y, muy probablemente, de menor grado (más
parsimoniosos, como lo explicaremos más adelante).
q Box-Jenkins (1976)
(i) Identificación: análisis gráfico de la serie, inspección del correlograma.

- Presencia de valores extremos (outlayers).
- No estacionariedad.
- Presencia de cambios estructurales.
Corregidos todos estos problemas será necesario inspeccionar el

correlograma de la serie, específicamente la FAS y la FAP. La primera
nos permitirá establecer los posibles términos MA presentes en el
modelo, mientras que la segunda hará lo propio con los términos AR.
(ii) Estimación:
- Los modelos que arroja la primera etapa son estimados verificando la
significancia de incluir las diferentes combinaciones de términos
identificados a partir del correlograma. Aquellos que pasen esta
primera prueba serán sometidos al análisis de correlación de errores y
al de parsimonia.
Correlación de errores → prueba de Ljung-Box (1978).

Recuerden la Ho: no hay correlación hasta de orden k.
k ρ 2j
Q = T (T + 2 ) ∑ ∼ χ2 k − p − q
j=1(T - j)
Parsimonia → criterios de Akaike y Schwartz
(iii) Diagnóstico:
Someter el modelo elegido a todas las pruebas tradicionales. Verificar,

especialmente, si todavía se observa autocorrelación en los errores.
ECONOMETRÍA II
1. La Econometría de Series de Tiempo
1.1. Análisis Univariado de Series de Tiempo

1.1.2. No estacionariedad en varianza
q ¿De qué hemos estado hablando hasta ahora?
- La mayoría de series de tiempo asociadas a variables económicas

exhibe una media y/o una varianza que no se mantiene constante
en el tiempo.
- Sabemos que lo anterior implica que dichos procesos no pueden

ser caracterizados como estacionarios. Por lo mismo, la
metodología sugerida por Box y Jenkins requiere una extensión si
deseamos modelar estas series.
- En el capítulo anterior hemos lidiado con series cuya media no es

constante en el tiempo. Hemos visto que la extensión pertinente a
la metodología de Box y Jenkins pasa por transformar la serie de
modo que se garantice su estacionariedad. Además, hemos
discutido cómo dicha transformación puede ser la remoción de
una tendencia lineal o la primera diferencia de la serie,
dependiendo de si ésta exhibe sólo una tendencia determinística
(ET) o también (o sólo) una tendencia estocástica (ED),
respectivamente.
- Frente a esta distinción, y a la necesidad de implementar

transformaciones distintas según sea el caso, hemos visto cómo
detectar una raíz unitaria en la ecuación característica del
polinomio de rezagos del proceso. Frente a la presencia de una
raíz unitaria, el efecto de los shocks pasados no se diluye y es
esto, precisamente, lo que le imprime una tendencia estocástica a
la serie. Un proceso con raíz unitaria caracteriza, por tanto, a una
serie ED.
- En lo que sigue nos concentraremos en la extensión pertinente

para lidiar con procesos cuya varianza no es constante (i.e.
procesos heterocedásticos).
q Partamos del proceso:
yt = µt + εt
donde µt es la parte determinística y εt la aleatoria. Asumamos,

además, que el error de la ecuación depende de una variable
cualquiera xt, de forma tal que:
εt = v t x t
siendo vt un ruido blanco con media 0 y varianza σ2. De lo anterior

se desprende que la varianza de εt no es constante. Al respecto,
debemos considerar dos situaciones.
(i) Si xt es conocida (observable en t) y σ 2 es constante:
En este caso,
V(yt x t ) = V(ε t x t ) = σ2 x 2t
y podemos suponer que la variable x está en función de µ:

x t = h (µ t )
por lo que:
V ( yt x t ) = h 2 ( µ t ) σ2
Sabiendo ello, se puede transformar el proceso a fin de estabilizar la

varianza (que no dependa de t). Así, se plantea una transformación
de yt, g(yt), vía una aproximación de Taylor alrededor de µt:
 
g(y t ) ≈ g(µ t ) + ( y t -µt ) g ' ( y t )
 yt =µt 
2
 
V  g(y t ) x t  =  g ' ( y t )
y t =µ t 
V(y t x t )

2
  2
=  g' ( yt )  h ( µ t ) σ2
 yt =µt 
Entonces, para estabilizar la varianza la transformación a aplicar

deberá ser tal que garantice que:
 '  1
 g ( y t ) y =µ  = h µ
 t t ( t)
de forma tal que la varianza de la serie transformada sea igual a σ 2.
Por ejemplo, si yt tiene una desviación estándar proporcional a su

nivel, es decir, h(µt)=µt, entonces:
 '  1
 g ( y t ) y =µ = µ
 t t t
por lo que:
g ( y t ) = Ln(y t )
es decir, se tiene una transformación logarítmica de la serie a través

de la cual se garantizaría la estabilidad de su varianza.
(ii) Si no se cumple algunas de las dos condiciones anteriores:
La principal dificultad con la estrategia anterior es que asume una

causa específica para la heterocedasticidad. Comúnmente, no se
tienen razones teóricas que justifiquen la elección de determinada
secuencia {xt}. Por lo mismo, se puede optar por modelar la
volatilidad de una serie sobre la base de un proceso autorregresivo.
Antes de formalizar dicho proceso y ver a qué variable se refiere,

veamos por qué puede resultar interesante modelar la varianza
condicional de una serie.
q ¿Para qué modelar la varianza condicional?
Hasta ahora, hemos modelado la media condicional de una variable

aleatoria (condicional a los valores realizados de los regresores: las
X’s que pueden ser los valores pasados de la misma variable como en
un modelo AR).
Ahora revisaremos las técnicas diseñadas para modelar y predecir la

varianza condicional de un proceso. ¿Por qué nos puede interesar
modelar su varianza condicional?
Por definición, la varianza condicional toma en cuenta información

pasada. Si bien la varianza incondicional (o de largo plazo) de un
proceso puede resultar constante, la varianza condicional
frecuentemente depende del valor realizado de shocks pasados.
Entender la naturaleza de esta dependencia temporal nos puede ayudar
a explicar fenómenos como:
(i) “Colas anchas”: La evidencia indica que los retornos de

muchos activos se caracterizan por tener una distribución
con una alta probabilidad de ocurrencia de eventos
extremos.
80
Series: R_VOLCAN
70 Sample 12/19/1997 4/23/2004
Observations 332
60
Mean -0.000453
50
Median 0.000000
40 Maximum 0.353932
Minimum -0.478893
30 Std. Dev. 0.087559
Skewness -0.060387
20 Kurtosis 7.649219
10 Jarque-Bera 299.2125
Probability 0.000000
0
-0.50 -0.25 0.00 0.25
(ii) Clusters de volatilidad: cambios pronunciados tienden a

ser seguidos por cambios pronunciados (de cualquier
signo) y viceversa.
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
-.5
1998 1999 2000 2001 2002 2003
R_VOLCAN
(iii) Efectos apalancamiento (leverage effects): los cambios en

el precio de acciones tienden a estar negativamente
correlacionados con su volatilidad. Una caída en el precio
es seguida por más volatilidad que un incremento de igual
magnitud.
3.0
La volatilidad
hoy
2.5
2.0
SIG2
1.5
1.0
0.5
0.0
-10 -8 -6 -4 -2 0 2 4 6 8 10
El shock
Z de ayer
q La definición
Tal como se indicó anteriormente, se puede optar por modelar la

volatilidad de una serie sobre la base de un proceso autorregresivo. En
general, esto configura un proceso ARCH (heterocedasticidad
condicional autorregresiva).
En general, decimos que el proceso ε t sigue un modelo ARCH si:

(i) Su media condicional es igual a cero: E t −1 (ε t ) = 0
(ii) Su varianza condicional σ2t = Vart −1 (ε t ) = E t −1 (ε 2t )
depende de observaciones pasadas.
q Un ARCH(q) - Engle (1982)
q
ε t = v t α 0 + ∑ α iε 2t −i
i =1
donde vt es un ruido blanco (media igual a 0 y varianza igual a 1)

independiente de la secuencia de shocks pasados. Dada esta
especificación, no es difícil darse cuenta cómo la información pasada
determina la varianza condicional:
q
E t −1 (ε 2t ) = Vart −1 (ε t ) = σ2t = α 0 + 2
∑ αi ε t − i
i =1
De lo anterior se desprende que los parámetros α deben ser tales que

α 0 > 0 y α1 ≥ 0,..., α q ≥ 0 para garantizar que dicha varianza sea
positiva.
Nótese que si definimos v t ≡ ε 2t − σ 2t es posible rescribir el proceso

ARCH(q) como:
q
ε 2t = α 0 + 2
∑ α i ε t −i + v t
i =1
Dado que E t −1 (v t ) = 0 , el modelo planteado corresponde a un

AR(q) para el cuadrado de las innovaciones. Este proceso será
q
estacionario si y sólo si ∑ α i < 1 , en cuyo caso la varianza
i =1
incondicional vendrá dada por:
q α0
E (ε 2t ) = Var(ε t ) = σ2ε = α 0 + 2
∑ α iσε = ,
i =1 1 − (α1 + α 2 + ... + α q )
positiva y finita.
A pesar de que los ε t ' s no muestran correlación serial, éstos no son

independientes a través del tiempo. De acuerdo con la evidencia
empírica mostrada, valores absolutos grandes (pequeños) del proceso
tienden a ser seguidos por valores grandes (pequeños) de signo
impredecible (clusters de volatilidad).
q Un GARCH(p,q) - Bollerslev (1986)
Bollerslev (1986) extendió el modelo anterior al especificar la

varianza condicional como un proceso ARMA, dando origen a un
modelo GARCH (p,q) de la forma:
εt = v t h t
donde:
q p
h t = α o + ∑ α i ε t − i + ∑ βi h t − i
2
i =1 i =1
en el que se incorpora una estructura dinámica más compleja en la

ecuación de la varianza, con componentes autorregresivos y de
medias móviles. La sumatoria de los α’s y β’s debe ser menor que 1
para que el proceso no sea explosivo.
Se puede observar en este caso que:
q p
E t −1 (ε 2t ) = σ2t = h t = α o + 2
∑ α iε t −i + ∑ βi h t − i
i =1 i =1
La ecuación anterior nos dice que la predicción de la varianza para

este período (dada la información disponible hasta t-1) es un
promedio ponderado del promedio de largo plazo (el intercepto),
información sobre la volatilidad en períodos pasados (el “término
ARCH”) y la predicción de la varianza de períodos pasados (el
“término GARCH”).
Existen dos representaciones alternativas que pueden resultar útiles

para interpretar el modelo. Partamos, para fines del ejemplo, de un
GARCH(1,1).
σ 2t = α 0 + αε 2t -1 + βσ 2t -1
(i) Si sustituimos de manera recursiva la ecuación

correspondiente al rezago de la varianza, podemos expresar
la varianza condicional como una suma ponderada del
cuadrado de todos los residuos pasados:
α0 ∞
σ 2t = + α ∑ β j-1ε 2t -1
1− β j =1
Nótese que la expresión anterior es similar al estimador de la

varianza muestral pero con pesos menores para rezagos más
distantes de εt, lo que parece más apropiado que utilizar
ponderaciones iguales para todos los rezagos de los errores al
cuadrado. El modelo, entonces, estimará estos pesos dejando
que la data determine las mejores ponderaciones para predecir
la varianza.
De lo anterior también se desprende que un modelo ARCH de

orden alto puede tener una representación GARCH más
parsimoniosa, que es más sencilla de identificar y estimar.
(ii) Si de nuevo definimos v t ≡ ε 2t − σ2t , notaremos que es

posible expresar un GARCH(1,1) de la forma:
ε 2t = α0 + (α + β) ε 2t −1 + v t − βv t −1
Un modelo ARMA(1,1) para el cuadrado de las innovaciones

donde la raíz que gobierna la persistencia del proceso viene
dada por (α + β) .
q La especificación de un modelo ARCH
Para especificar un modelo ARCH se proponen las siguientes

etapas:
1. Especificar correctamente la media de la serie, a través del

método de selección Box & Jenkins; estimar el modelo y
recoger los residuos.
2. Analizar los residuos al cuadrado de la estimación de 1. a

través de dos procedimientos:
- Observar el correlograma de los residuos al cuadrado, para
determinar qué componentes ARCH son significativos.
- Llevar a cabo el ARCH-LM test, cuya hipótesis nula es que
no hay términos ARCH, es decir, dado:
(
εˆ 2t = f ε 2t -1 , ε 2t - 2 , K; α' s )
Ho: α 's = 0 (no hay términos ARCH)
Para ello se utiliza el estadístico TR 2 ∼ χ2q
¿Podremos usar este test para discriminar entre un proceso

ARCH y un proceso GARCH?
¿Qué tipo de información puedo extraer del correlograma de

residuos al cuadrado?
3. Con el modelo ARCH(q) elegido probar de nuevo 2 a fin de

verificar que todo el componente autoregresivo la varianza
haya sido bien recogido.
Considere, finalmente, que verificar la idoneidad de un modelo

GARCH (p,q) equivale a aplicar el test para un modelo ARCH(p+q)
(Baltagi (1998)).
q Un ARCH-M - Engel, Liluen, Robins (1987)
Este modelo permite que la media de una serie dependa, entre otras
variables, de su propia varianza condicional (o su desviación
estándar). El objetivo del modelo es determinar la relación existente
entre la media y la varianza de la serie.
Así, este tipo de modelos se utilizan para estudiar mercados de

acciones, y establecer el trade-off que existe entre el riesgo (su
volatilidad) y el rendimiento (su valor medio) de una acción.
Así, suponiendo que la serie yt es el rendimiento adicional que se

puede obtener al mantener una acción por un período largo de
tiempo, y que éste se puede descomponer en:
y t = µt + ε t
donde µt es la prima por riesgo necesaria para que sea atractivo

mantener esa acción durante ese plazo, podemos expresar esta prima
de la siguiente forma:
µ t = β + δh t
siendo ht la varianza condicional del proceso. Verificar δ>0

implicaría, entonces, contrastar la hipótesis que sugiere que, a mayor
volatilidad de la acción, mayor es la prima por riesgo exigida.
q Modelos Asimétricos
Los modelos ARCH/GARCH suelen ignorar la información

relacionada con la dirección de los retornos: sólo las magnitudes
interesan. No obstante, hay evidencia empírica que demuestra que
las variables financieras son más volátiles ante shocks negativos que
ante shocks positivos.
TARCH - Zakaian, Glosten, Jaganathan y Runkle (1993)
Este modelo consiste en una especificación cuadrática de la

asimetría de la forma:
σ 2t = α 0 + α1ε 2t -1 + γε2t -1d t -1 + βσ 2t -1
donde: d t -1 = 1 si ε t -1 < 0
d t -1 = 0 d.o.m .
Nótese que “las buenas noticias” tienen un impacto α1, mientras que
“las malas” tienen uno α1+γ. Por tanto si γ > 0 se confirma el efecto
leverage; si γ < 0 no hay dicho efecto sino sólo asimetría.
EGARCH - Nelson (1991)
Es una especificación logarítmica de la asimetría, de la forma:
( ) ( ) ε
σ t -1
ε
log σ 2t = α 0 + β log σ 2t -1 + α t -1 + γ t -1
σ t -1
por lo que el efecto asimétrico sería exponencial antes que

cuadrático. El efecto leverage se produce siempre que γ < 0 .
* Intentemos modelar la volatilidad asociada a los retornos de las

acciones de la empresa Volcan.

Series de Tiempo PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Series de Tiempo PDF

Cargado por

Copyright:

Formatos disponibles

ECONOMETRÍA II

1. La Econometría de Series de Tiempo

1.1. Análisis Univariado de Series de Tiempo

q Análisis univariado: se identifica cada variable exclusivamente con su

q ¿Qué entendemos por “proceso estacionario”?

(i) Proceso Estocástico Discreto (PED): una sucesión de variables

(ii) Estacionariedad. Consideremos el PED {y -∞ ,... y1 ,..., y T ,..., y - ∞ }

q Series de tiempo estacionarias (en el sentido débil): se podrán modelar a

q ¿Por qué es importante trabajar con series estacionarias?

- En el trabajo empírico, cuando analizamos la estacionariedad en media

 Estacionaria en tendencia (ET)

- Esta distinción hace referencia a la transformación que debemos realizar

- ¿Qué riesgo corremos si ignoramos esta distinción?

* Comparemos los procesos Xt y Wt.

q Condiciones para la estacionariedad.

- Empecemos con el ejemplo más sencillo: un AR(1) →

- Proceso MA finito: combinación lineal finita de ruidos blancos →

y t (1 − α1L − ... − α p Lp ) = MA( q ) + ε t

Estacionario si z1 < 1 y z 2 < 1 ...etc.

- Condición para la estacionariedad de un proceso ARMA(p,q):

Las raíces características del polinomio de rezagos del

- De las ecuaciones anteriores:

1 − α1L − ... − α p Lp → z p − α1z p −1 − ... − α p = 0

- * Veamos un ejemplo de todo esto considerando un proceso AR(2).

- En la práctica, el análisis de estacionariedad no pasa por la

- Si partimos de la ecuación característica z p − α1z p −1 − ... − α p = 0 ,

- Podemos, entonces, preguntar si es que se cuenta con suficiente

q Estadísticos que caracterizan procesos estacionarios

(a) Función de Autocovarianza (FAC)

(b) Función de Autocorrelación Simple (FAS)

Nótese que, si la serie es estacionaria, las varianzas serán

Para estimar la FAS de orden k de un PED, se pueden utilizar las

no obstante, hay que observar que, asintóticamente (T → ∞) ,

por lo tanto, podemos reescribir (4.) como:

lo que equivale a estimar el coeficiente de la ecuación que

(c) Función de Autocorrelación Parcial (FAP)

La FAP de un PED {y t } es igual a su FAS, pero corregida por los

Para estimar la FAP de orden k de un PED es necesario correr una

Para estimar la FAP de orden 2, se requiere correr la regresión:

donde φ2 es la FAP de orden 2, pero λ no es la FAP de orden 1.

siendo φ3 la FAP de orden 3, pero teniendo en cuenta que ni λ ni τ

q La FAC, FAS y FAP de algunos procesos

(i) Un proceso AR(1): y t = αy t −1 + ε t

Antes de analizar el comportamiento de las funciones de autocorrelación

- La relación de yt con errores futuros (sucesivos reemplazos...):

En este caso el valor esperado planteado va a ser siempre igual a 0 ya

- La relación de yt con errores presentes o pasados:

En este caso el valor esperado planteado se hace distinto de cero

Este análisis demuestra que yt va a tener relación con los errores

(a) Análisis de la FAC

γ 2 = Ε(y t y t - 2 ) = Ε(θy t -1y t -2 + y t - 2 ε t ) = αγ1 + 0 = α 2 γ 0

Y así sucesivamente, por lo que, en general, se puede decir que:

Además, y como α < 1, puede observarse que a medida que k crece,

(b) Análisis de la FAS

De forma tal que a medida que k crece la FAS converge a cero a la

(c) Análisis de la FAP

Para hallar la FAP(k) es necesario estimar los coeficientes de una

FAP (1) = FAS(1) = φ1 = α

Lo mismo se aplica en el caso de que k = 2, usando el modelo

Debido a que el proceso en cuestión es un AR(1), ningún regresor

Concluimos entonces que:

¿Qué sabemos hasta ahora?

(ii) Un proceso AR(2): y t = α1y t −1 + α 2 y t − 2 + ε t