Está en la página 1de 25

CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS,

SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA

Análisis de Series de Tiempo

MSc. Sandra Hernández


sandra.hernandezro@gmail.com
Sede Subregional de la CEPAL en México
Ciudad de México, del 19 al 23 de enero, 2015

1
INTRODUCCIÓN
Preguntas a responder por el analista (Maravall,1999):
 Dónde estamos?

 Métodos de ajuste estacional


 Extraer una señal clara TRAMO- X-12ARIMA
SEATS
 Hacia dónde vamos? TSW+
 Técnicas de pronóstico

PROMEDIOS
MÓVILES

Análisis de Series de Tiempo.


Tema I: Conociendo una serie de tiempo 2
INTRODUCCIÓN
Preguntas a responder por el analista (Maravall,1999):
 Dónde estamos?

 Técnicas de ajuste estacional


 Extraer una señal clara
 Hacia dónde vamos? Tasa de variación interanual
 Técnicas de pronóstico

Tasa de variación mensual

Tasa de variación acumulada

Análisis de Series de Tiempo.


Tema I: Conociendo una serie de tiempo 3
INTRODUCCIÓN
Preguntas a responder por el analista (Maravall,1999):
 Dónde estamos?

 Técnicas de ajuste estacional


Econometría
 Extraer una señal clara dinámica
 Hacia dónde vamos?
 Técnicas de pronóstico

Modelos Regresión
ARIMA múltiple

Suavizamiento
exponencial

Análisis de Series de Tiempo.


Tema I: Conociendo una serie de tiempo 4
Tema I : Conociendo una serie
de tiempo

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 5
1.Qué es una serie de tiempo?
Las series de tiempo son colecciones de observaciones sobre un
determinado fenómeno efectuadas en sucesivos momentos del tiempo,
usualmente equiespaciados.
Corresponde a una realización de un proceso generador de datos.

Yt, Y t-1, Yt-2, … Yt-k, Yt+1, Yt+2, … Yt+h ;

REZAGOS ADELANTOS

Serie estocástica Serie determinística


una parte conocida (sistemática) el futuro se puede predecir sin error
susceptible de predecir y de una Es una variable que está
parte totalmente desconocida determinada o fija y que no cambia
(aleatoria) de una muestra a otra

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 6
2. El análisis visual
La investigación científica asume como una de sus primeras tareas, identificar las cosas
(características o factores) que participan en un fenómeno.
Los gráficos son la forma más efectiva de identificar efectos de eventos que inciden en
los datos. De ser posible, estos eventos deben ser ajustados o incluidos en el modelo.
Un gráfico permito observar:

•Frecuencia de los datos


•La tendencia
•Los valores extremos
•La dispersión
•Cambios estructurales
•Cambios de pendiente
•La estacionalidad

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 7
Ejemplo 1. Índice de precios al consumidor IPC
Julio 2006=100

160

140 •Tendencia?
120 •Valores
extremos?
100
•Dispersión?
80
•Cambios de
60 pendiente?

40
•Estacionalidad?

20

0
1994

1995

2008

2009
1990

1991

1992

1993

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2010

2011
Análisis de Series de Tiempo
Tema I: Conociendo una serie de tiempo 8
Ejemplo 1. gráfico estacional

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 9
Ejemplo 2. Indice mensual de la actividad
económica (IMAE)
280

260
•Tendencia?
240
•Valores
220
extremos?
200
•Dispersión?
180
•Cambios de
160
pendiente?
140
•Estacionalidad?
120

100

80
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 10
Ejemplo 2. gráfico estacional

260

240

220

200

180

160

140
Ene Feb Mar Abr May Jun Jul Ago Set Oct Nov Dic

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

 Permite ver el patrón estacional en los datos


 Permite observar momentos donde la serie se desvía de su patron estacional

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 11
3. Longitud de las series: Cuántos datos utilizar?
 Depende del objetivo del estudio:
 Para análisis de ciclos se requieren series muy largas (más de 10 años)
 Para modelos univariantes se sugiere no menos de 5 años
 Para modelos de regresión no menos de 15 datos
 Para calcular la correlación entre dos variables no menos de 30 datos

 El aporte a las series de tiempo de La crítica de Lucas sugiere el


número de datos de una serie de tiempo que se deben utilizar,
reduciéndolo a aquel periodo de datos que lucen homogéneos

Critica de Lucas: sostiene que, bajo la hipótesis de expectativas racionales, los


parámetros estimados a partir de un modelo econométrico no se mantendrían. La
ocurrencia de cambios de política llevaría a los agentes a modificar sus
comportamientos, a fin de adecuarse a la nueva realidad. LUCAS, R.E., Jr.(1976),
“Econometric policy evaluation: A critique”, Conference Series on Public Policy.

Existe un “trade-off” entre el tamaño de la


muestra y la estabilidad del modelo

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 12
Ejemplo 3: Escogencia del rango de datos

280

260

240

220

200

180

160

140

120

100

80
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 13
4.Variables derivadas
Ejemplo 4: Tasas de variación
•Una serie
140

130

original 120 transformada


110
puede tener
100

90
propiedades
80 estadísticas
70
diferentes a la
60

50
serie original
40
18
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
Variación
interanual
16
•Graficar los
14
datos: en
niveles,
12
logaritmos, tasas
10
de crecimiento,
reales,
8
nominales
6
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 14
Transformación logarítmica (IPC)
5.0 140
logaritmo natural
original 130 Los resultados se
4.8
120 pueden interpretar
110 en porcentajes
4.6
100
18
4.4 90

16 80
4.2
70
14 60
4.0
50
12
3.8 40
1 13 25 37 49 61 73 85 97 109
10

Yt  Yt 1
  ln Yt
8

Yt 1 6
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 15
5.La autocorrelación
La correlación en series de tiempo se conoce como
autocorrelación o correlación serial.
La correlación entre Yt y Yt-k se conoce como
autocorrelación de orden k y se denota como rk
 Yt-k se le conoce como rezagada k periodos Negativa: cuando
los valores de t
 r1 (Yt y Yt-1)se llama autocorrelación de primer orden aumentan los de
t+k disminuyen
 r2 (Yt y Yt-2)se llama autocorrelación de segundo orden
Cero: No hay
 La correlación indica dos aspectos: relación armónica
 El valor indica la magnitud de la asociación (-1 y 1) rk en como los
valores de t y t+k
 El signo indica la dirección de la relación cambian
Positiva: cuando
nk  
 (Y t  Y )(Yt  k  Y )
Cov k
los valores de t
aumentan, los
rk  t 1
n 
 rk es el estimador de rk valores de t+k
S2
 (Y
2
t Y) también aumentan
t 1

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 16
6.La función de autocorrelación
Si se calculan las correlaciones
para distinto número de
rezagos, digamos de 1 a 12:

r1=0.083 r7=-0.040
r2=0.223 r8=-0.287
r3=0.102 r9=-0.008
r4=-0.228 r10=0.020
r5=-0.021 r11=0.055
r6=-0.248 r12=0.363

Este conjunto de correlaciones El ACF es una herramienta básica al momento de


conforman la Función de explorar una serie de tiempo:
autocorrelación o ACF Es util para ver estacionalidad, tendencias y otros
patrones,
Sirve para medir si los valores previos contienen
mucha información acerca del próximo valor.

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 17
7.La autocorrelación parcial
 La correlación parcial mide el grado de asociación entre Yt y Yt-k, cuando el
efecto de otros rezagos es removido.

Yt Yt-1 Yt-2

 La correlación parcial es calculada mediante una ecuación de regresión,


donde los coeficientes de los rezagos de Y representan la correlación
parcial, del siguiente modo:

Yt  b0  b1Yt 1  b2Yt 2  ...  bk Yt k


Yt  b0  b1Yt 1 r1
Este cálculo usualmente se
Yt  b0  b1Yt 1  b2Yt 2 r2
aproxima con las ecuaciones de
Yt  b0  b1Yt 1  b2Yt 2  b3Yt 3 r3 Yule-Walker

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 18
8.El correlograma
ACF y PACF
Eje X: rezagos en el tiempo (k)
Eje Y: magnitud de la autocorrelación (-1, 1)
k

El error estándar de ACF es:


k 1
1  2 r j2 Eje Y

j 1
s (rk ) 
n
Bajo el supuesto de ruido blanco,
las autocorrelaciones deben ser cercanas
a cero y están normalmente distribuidas
con error estándar aproximado con 1 / n
Los limites de confianza se calculan como:
Li  rk  1.96 / n

El máximo k recomendado es n/4

Eje X
Análisis de Series de Tiempo
Tema I: Conociendo una serie de tiempo 20
9.La estacionariedad
 El proceso está en equilibrio estadístico alrededor de un valor medio.
 Distribución de probabilidad común e invariante en el tiempo.
 La media es única (local y global) y representativa de todo el período
analizado.
 La varianza es constante y finita.
 La función de autocorrelación decae rápidamente en el tiempo.
 Un shock en un momento dado tiene efecto en el corto plazo.
 Denominación en econometría: I(0)
 El análisis visual de la serie es con frecuencia suficiente para evaluar la
estacionariedad de una serie.
 El correlograma complementa el análisis de estacionariedad
 Las pruebas formales de Integración también miden estacionariedad

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 21
Ejemplo de una serie estacionaria

 La media es constante.
 La varianza es
constante.
 La función de
autocorrelación decae
rápidamente cuando
aumenta k.

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 22
No estacionariedad
 La mayoría de variables en
economía son no estacionarias,
aunque son susceptibles de
estacionarizar por medio de
transformaciones.
 La media no es única, varía
durante el período
analizado.
 La variancia no es
constante
 La función de
autocorrelación decae
lentamente en el tiempo.
 Un shock en un momento dado
se propaga a través del tiempo.
 Denominación en econometría:
I(1) e I(2)

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 23
10.Medición de volatilidad
 La volatilidad se refiere al grado de incertidumbre en un periodo de
tiempo de una determinada variable.
 Usualmente se utiliza una medida de la dispersión de una variable:
la desviación estándar o la variancia.
 Puede ser un número absoluto (desviación estándar) o una razón
(como porcentaje de la media, llamado coeficiente de variación).
 Comúnmente la volatilidad está asociada al riesgo. Entre más alta
la volatilidad hay más riesgo.
 La volatilidad no es un indicador de la dirección del cambio (debido
a que los cambios están elevados al cuadrado).
 La volatilidad puede variar en el tiempo: periodos más o menos
volátiles.
 También se puede medir con el error estándar de los residuos de un
modelo univariante.
 Método más elaborados utilizan los modelos GARCH

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 24
11. Reflexiones finales:
conociendo una serie de tiempo
 He visto un gráfico de mi serie?
 Es estocástica o determinística?
 Tiene estacionalidad?
 Es estacionaria? o tiene tendencia?
 Es la serie muy volátil? Tiene valores extremos?, cuándo y por cual
razón?
 Hay cambios de pendiente en los datos?
 Qué correlaciones del ACF son significativas?
 Qué rango de datos usaría en los análisis?
 Uso de variables derivadas (reales, tasas de variación, etc)?

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 25
“The statistician should fall in love with his data,
and should avoid falling in love with his model”,

Jenkins, 1979

Análisis de Series de Tiempo


Tema I: Conociendo una serie de tiempo 26