Econometrı́a de Series de Tiempo

Conceptos básicos, estacionalidad y tendencia

José Gabriel Castillo, Ph.D.

ESPOL, Guayaquil

Castillo, J.G. (ESPOL) Series de Tiempo 1 / 27

¿Por qué estudiar Series de Tiempo?

Analice los siguientes gráficos, ¿puede argumentar una relación “causal

(causa-efecto)”? Correlación

Mucha de la información que disponible es de carácter temporal, ordenada,

dependiente y requiere de técnicas y conceptos especı́ficos para un correcto
análisis.
Los métodos de series de tiempo se emplean en diversas áreas:
I negocios, finanzas, economı́a, polı́tica pública, estadı́stica, ingenierı́a,

metereologı́a, geologı́a, ...

Aplicaciones muy útiles en el trabajo de series de tiempo son:
I Elaboración de pronósticos / forecast: balances de empresas, flujos

de fondos, ventas, variables macro de interés (ej. inflación), el clima.

I Evaluación de factores determinantes: causalidad dinámica, ej.

¿cómo afecta a las ventas el incremento de los impuestos?, estrategias

de control de procesos, etc.

Castillo, J.G. (ESPOL) Series de Tiempo 2 / 27

Introducción a las series de tiempo

Cualquier variable evaluada en una sola dimensión (ordenada y

secuencial) puede pensarse como una serie de tiempo (Diebold 2016).
La preocupación principal de las series de tiempo: la dependencia
temporal.
yt ; t = 1, 2, ..., T
Usos en economı́a? múltiples!
I Análisis de ciclo económico
I Análisis de riesgos: financiero y crediticio
I Valoración de activos
I Pronóstico
I Evaluación de polı́tica pública

Castillo, J.G. (ESPOL) Series de Tiempo 3 / 27

Introducción a las series de tiempo

Un slide sobre el software:

Stata: el machete del economista
EViews: la más amigable caja negra
R: el más poderoso y gratuito proyecto colectivo
Matlab: si eres ingeniero (o siempre quisiste serlo)
Fortran, C++, Python: si eres fı́sico (o siempre quisiste serlo)

Castillo, J.G. (ESPOL) Series de Tiempo 4 / 27

MCO con series de tiempo

Series de datos en el tiempo: Inflación, Riesgo Paı́s, Tasas de interés, etc.

Modelos estáticos: Evalúan los efectos contemporaneos (en el
perı́odo t).
yt = β0 + β1 xt + ut
Modelos dinámicos: Evalúan los efectos de regresores en varios
perı́odos del tiempo (rezagos) en un perı́odo del tiempo determinado.

yt = β0 + β1 xt + β2 xt−1 + γ1 yt−1 + ut

Castillo, J.G. (ESPOL) Series de Tiempo 5 / 27

Castillo, J.G. (ESPOL) Series de Tiempo 6 / 27
Castillo, J.G. (ESPOL) Series de Tiempo 7 / 27
MCO con series de tiempo

Notación y terminologı́a 1
Rezago 1: yt−1
Rezago j: yt−j
Primera diferencia: ∆y = yt − yt−1
Diferencia de orden j:
∆j y = (yt − yt−1 ) − (yt−1 − yt−2 ) − ... − (yt−j+1 − yt−j )
Diferencia de Logaritmos:
yt − yt−1
∆ln(yt ) = ln(yt ) − ln(yt−1 ) ≈
yt−1

100∆ln(yt ) ≈ %∆yt

Castillo, J.G. (ESPOL) Series de Tiempo 8 / 27

Algunos operadores básicos en Stata

Lags:
l.var = var_t-1
l2.var = var_t-2

Forward:
f.var = var_t+1

Differences:
d.var = var_t - var_t-1
d2.var = (var_t - var_t-1) - (var_t-1 - var_t-2)

Seasonals:
s.var = var_t - var_t-1
s2.var = var_t - var_t-2
s12.var = var_t - var_t-12

Castillo, J.G. (ESPOL) Series de Tiempo 9 / 27

MCO con series de tiempo
Revisión de los supuestos

yt = β0 + β1 xt + β2 zt + β3 wt + ut
yt = xt0 β + ut , X = {x0 , .., xT }

Linealidad
Multicolinealidad imperfecta

Exogeneidad:
I E (u |X ) = 0, ∀t, exogeneidad estricta→ coeficientes insesgados y
t
consistentes.

Homoscedasticidad: Var (ut |X ) = σ 2

No Correlación Serial: Corr (ut , us |X ) = 0, ∀t 6= s
Bajo estos supuestos, el Teorema de Gauss-Markov se cumple y los
estimadores son MELI, similar al caso con información de corte transversal.
Castillo, J.G. (ESPOL) Series de Tiempo 10 / 27
MCO con series de tiempo
Exogeneidad en series de tiempo
La exogeneidad estricta en series de tiempo puede constituir un
supuesto muy restrictivo.
Modelos autoregresivos dificilmente cumplen esta condición.

xt = β0 + β1 xt−1 + ut , ut ∼ iid(0, σ 2 )

I Note que: E (ut |X ) 6= 0, ∀t

Alternativamente, un supuesto más “realista:”
I E (ut |xt ) = 0, “exogeneidad contemporanea”
I Coeficientes sesgados. Consistentes?
I Coeficientes insesgados. Consistentes?

Castillo, J.G. (ESPOL) Series de Tiempo 11 / 27

 Modelos de tendencia

Castillo, J.G. (ESPOL) Series de Tiempo 12 / 27

Modelos de tendencia

Algunas series crecen/decrecen persistentemente en el tiempo. A este

proceso lo denominamos tendencia.
No reconocer este proceso en un modelo puede llevarnos a pensar,
equivocadamente, que cambios en un fenómeno responden a otro
fenómeno (regresor) cuando en realidad ambos son un efecto del paso
del tiempo (independiente).
Modelo de tendencia lineal:

yt = β0 + β1 t + ut

en donde t, es una variable “artificial” de tiempo.

Castillo, J.G. (ESPOL) Series de Tiempo 13 / 27

Modelos de tendencia

Otros modelos de tendencia dependen tanto del orden polinomial

como de los valores de los coeficientes. Por ejemplo, el modelo
polinomial de tendencias.

yt = β0 + β1 t + β2 t 2 + ut

I Si β1 >0 y β2 > 0: creciente

I Si β1 >0 y β2 < 0: forma U invertida
I Si β1 <0 y β2 < 0: decreciente
I Si β1 <0 y β2 > 0: forma de U

Castillo, J.G. (ESPOL) Series de Tiempo 14 / 27

Modelos de tendencia

Castillo, J.G. (ESPOL) Series de Tiempo 15 / 27

Modelos de tendencia
Otras funciones populares:
Modelo exponencial de tendencia
(β1 = ∆ln(yt)
∆t , tasa de crecimiento)

ln(yt ) = β0 + β1 t + ut

Curva de Gompertz

ln(yt ) = β0 + β1 r t ; ∀ 0 < r < 1.

Función recı́proca
1
ln(yt ) = β0 + β1
t
Función de tendencia logı́stica
1
yt = ; ∀ 0 < r < 1.
β0 + β1 r t

Castillo, J.G. (ESPOL) Series de Tiempo 16 / 27

Criterios de selección

Emplear múltiples factores (polinomios en el caso de las tendencias) en los

modelos reduce los grados de libertad. En el caso de especificaciones
combinadas, qué modelo escoger?
R 2 (conversamente MSE): informativo si comparamos modelos con igual
número de regresores.
R 2 (ajustado) : Mejor alternativa, penaliza los grados de libertad “pero no lo
suficiente para un procedimiento consistente de selección”(Diebold 2015).
−1 PT 2
2 (T − k) t=1 ut
R̄ = 1 − −1 P T
(T − 1) t=1 (yt − ȳ )

Para T observaciones y k regresores.

Castillo, J.G. (ESPOL) Series de Tiempo 17 / 27

Criterios de selección
Criterios de información (pérdida de información), basados en MLE:
Akaike’s Information Criterion (AIC): Inconsistente pero asintóticamente
eficiente. Preferible si se trata del DGP verdadero (difı́cil).

2k − 2ln(L)

Schwarz’s Bayesian Information Criterion (BIC): Consistente pero

asintóticamente ineficiente

k × ln(T ) − 2ln(L)

Hannan-Quinn Information Criterion (HQC): Asintóticamente ineficiente

pero fuertemente consistente (en el sentido lnlnT )

2k ln(ln(T )) − 2ln(L)

En la práctica se reportan todos y generalmente sugieren la misma

especificación. Caso contrario, se recomienda el uso del estadı́stico más
conservador y consistente; BIC o HQC.

Castillo, J.G. (ESPOL) Series de Tiempo 18 / 27

Modelos de tendencia

Por qué no emplear polinomios de mayor orden?

Cómo nos ayuda el conocer la tendencia? (regresión espúrea)
Cómo eliminar (considerar) la tendencia en variables - Detrending?
Cómo realizar un pronóstico - forecast?

Castillo, J.G. (ESPOL) Series de Tiempo 19 / 27

Cambios de tendencia

Qué hacer si hay un cambio de tendencia cláramente identificada? Hay

dos alternativas:
Estimar el modelo por separado y realizar el pronóstico a partir de la última
sección; o estimar un modelo con dummies e interacciones:
I en donde: d = 1(t ≥ τ ) y τ es la fecha de cambio de tendencia.
t
I Problemas: discontinuidad, corta memoria.

yt = α0 + α1 t + α2 dt + α3 t ∗ dt + ut
Estimar el modelo mediante un Spline:

yt = β0 + β1 t + β2 (t − τ ) ∗ dt + t

I Ventajas: cambio de tendencia contı́nuo (suavizado-smooth).

I Problemas: corta memoria.

Castillo, J.G. (ESPOL) Series de Tiempo 20 / 27

 Ajustes estacionales

Castillo, J.G. (ESPOL) Series de Tiempo 21 / 27

Estacionalidad

Factores estacionales pueden ser estocásticos o determinı́sticos.

Patrones de movimiento pueden derivarse de fenómenos estacionales:
clima, institucionalidad/calendario, etc.
Ajustar o no ajustar (ahı́ está el detalle!)?
I Pronóstico: Nos interesa aprovechar la variabilidad de la serie para la
estimación, en el pronóstico es preferible emplear la serie bruta (a
nivel).
I Análisis de fundamentales: el ajuste estacional elimina la distracción
para concentrarse en los movimientos del ciclo y la tendencia.

Castillo, J.G. (ESPOL) Series de Tiempo 22 / 27

Ajustes estacionales
Serie bruta

Castillo, J.G. (ESPOL) Series de Tiempo 23 / 27

Ajustes estacionales
Serie ajustada

Castillo, J.G. (ESPOL) Series de Tiempo 24 / 27

Estacionalidad
Una serie puede descomponerse en varios componentes:

yt = St + Tt

en donde: Tt corresponde a un proceso en tendencia, St a un proceso

estacional.
Si la estacionalidad es determinı́stica, cómo modelarla?
S
X
yt = γi δit + ut
i=1

en donde δi corresponde a una dummy por cada perı́odo estacional (ej.

semana, mes, trimestre).
Esto se traduce en:
S
X k
X
yt = γi δit + αk t k + ut
i=1 j=1

Cómo realizar un pronóstico - forecast?

Castillo, J.G. (ESPOL) Series de Tiempo 25 / 27
Estacionalidad

Los modelos pueden ser más complejos e incluir adicionalmente dummies

que capturan las variaciones relacionadas a los feriados o momentos de
ejecución de transacciones (m), etc.; de la siguiente forma:
S
X k
X m
X
yt = γi δit + αk t k + ωh Fh + ut
i=1 j=1 h=1

Podemos estimar un intervalo de confianza para la estimación en la forma

tradicional: ŷt+h ± 1.65σ̂ en donde σ̂ es la desviación estándar de los
residuos (asumiendo ut ∼ N(µ, σ 2 )).
Los Bancos Centrales y las agencias de gobierno emplean versiones más
sofisticadas de ajustes estacionales. Algunos software populares son:
X12-ARIMA (US Census Bureau), TRAMO-SEATS (Banco de España) y
DEMETRA (EuroStat).

Castillo, J.G. (ESPOL) Series de Tiempo 26 / 27

Back

Castillo, J.G. (ESPOL) Series de Tiempo 27 / 27