D5 SeriesUnivariadas PDF

ECONOMETRIA II
Milena Hoyos
Facultad de Ciencias Económicas

Universidad Nacional de Colombia
2018-I
1 / 32
Contenido
Procesos estacionarios.
Proceso de ruido blanco.
Procesos ARMA(p,q).
Metodologı́a Box y Jenkins.
Referencia: Enders, Capı́tulo 2.
2 / 32
Definiciones
Considere una variable aleatoria yt .
El operador de retraso L es un operador lineal tal que
Li yt = yt−i para i = 0, 1, ...
La expresión anterior significa que al aplicarse el operador de

retraso Li a yt se obtiene la variable retrasada i periodos.
El operador de retraso tiene las siguientes propiedades:

Lc = c donde c es una constante.
(Li + Lj )yt = Li yt + Lj yt = yt−i + yt−j .
Li Lj yt = Li (Lj yt ) = Li yt−j = yt−i−j .
L−i yt = yt+i .
(1 + aL + a 2 L2 + · · · )yt = yt /(1 − aL) para |a| < 1.
3 / 32
Definiciones
El operador diferencia ∆ se define como
∆i yt = (1 − L)i yt para i = 0, 1, ...
Un proceso estocástico es una secuencia de variables

aleatorias indexadas por el tiempo.
Una serie de tiempo es una realización del proceso estocástico.
El subı́ndice t indica el tiempo en que se observa el dato yt .
4 / 32
Ejemplo de Datos de Series de Tiempo
La siguiente tabla presenta datos trimestrales de una serie de

tiempo económica yt . Adicionalmente se muestran las series
wt = Lyt , xt = L2 yt , dyt = (1 − L)yt .
Fecha yt wt xt dyt
2015-I 3.5
2015-II -1.5 3.5 -5.0
2015-III -0.3 -1.5 3.5 1.2
2015-IV 4.2 -0.3 -1.5 4.5
2016-I 5.6 4.2 -0.3 1.4
2016-II 7.2 5.6 4.2 1.6
2016-III 8.4 7.2 5.6 1.2
2016-IV 10.8 8.4 7.2 2.4
2017-I 10.6 10.8 8.4 -0.2
2017-II 11.2 10.6 10.8 0.6
2017-III 11.5 11.2 10.6 0.3
2017-IV 11.0 11.5 11.2 -0.5
Table: Datos de una serie de tiempo trimestral
5 / 32
Estacionariedad
El proceso estocástico {yt : t = 1, 2, ...} es estrictamente

estacionario si para cada cada entero s ≥ 1 y para cada
conjunto de ı́ndices temporales 1 ≤ t1 < t2 < ... < tm , la
distribución conjunta de (yt1 , yt2 , ..., ytm ) es la misma que la
distribución conjunta de (yt1 +s , yt2 +s , ..., ytm +s ).
El proceso estocástico {yt : t = 1, 2, ...} es estacionario en

covarianza si
el segundo momento es finito, E (yt2 ) < ∞,
E (yt ) es constante,
Var (yt ) es constante y
Cov (yt , yt+s ) depende sólo de s no de t para cualquier t
y s ≥ 1.
6 / 32
Procesos Débilmente Dependientes
El proceso estocástico {yt : t = 1, 2, ...} es débilmente

dependiente si yt y yt+s son casi independientes a medida que
s se incrementa sin lı́mite.
La dependencia débil es necesaria para que la ley de los

grandes números y el teorema de lı́mite central sean válidos.
Ejemplos de procesos débilmente dependientes

Un proceso estacionario alrededor de su tendencia en el
tiempo.
Un proceso estacionario autorregresivo de orden p AR(p).
Un proceso de promedio móvil de orden q MA(q).
Un proceso estacionario ARMA(p,q).
7 / 32
Proceso de Ruido Blanco
El proceso estocástico {εt } es un proceso de ruido blanco

(RB) si satisface las siguientes propiedades:
Media cero: E (εt ) = 0.

Varianza constante: E (ε2t ) = σε2 .
No correlacionado: E (εt εs ) = 0 para toda t 6= s.
La última propiedad (no correlación) es más débil que

Independencia: εt y εs son independientes para t 6= s.
Un proceso que satisface las cuatro propiedades anteriores se

denomina un proceso de ruido blanco independiente.
8 / 32
Proceso Autorregresivo de orden 1, AR(1)
El proceso estocástico {yt } es un proceso autorregresivo de

orden uno, AR(1), si
yt = a0 + a1 yt−1 + εt , εt ∼ RB (0, σε2 ).
Sustitución repetida da
t−1
X t−1
X
yt = a0 a1i + a1t y0 + a1i εt−i .
i=0 i=0
Cuando t → ∞ y |a1 | < 1 se obtiene

∞
a0 X
limyt = + a1i εt−i .
1 − a1
i=0
9 / 32
Proceso Autorregresivo de orden 1, AR(1)
El valor esperado es
a0
µ ≡ E (yt ) = .
1 − a1
La función de autocovarianza es
a1s σε2
γs ≡ E (yt − µ)(yt−s − µ) = , s ≥ 0.
(1 − a12 )
La función de autocorrelación es
γs
ρs ≡ = a1s , s ≥ 1.
γ0
La función de autocorrelación parcial es

φ11 = ρ1 ,
φss = 0, s ≥ 2.
10 / 32
Proceso Autorregresivo de orden p, AR(p)
El proceso estocástico {yt } es un proceso autorregresivo de
orden p, AR(p), si
yt = a0 + a1 yt−1 + ... + ap yt−p + εt , εt ∼ RB (0, σε2 ).
a0
µ= .
1 − a1 − · · · − ap
γs = a1 γ1 + ... + ap γp + σε2 , s = 0,
γs = a1 γs−1 + ... + ap γs−p , s ≥ 1.
ρs = a1 ρs−1 + ... + ap ρs−p , s ≥ 1.
11 / 32
Promedio Móvil de Orden 1, MA(1)
Un proceso estocástico {yt } se llama un proceso MA(1) si
obedece a la ecuación
yt = a0 + εt + β1 εt−1 , εt ∼ RB (0, σε2 ).
El valor esperado es µ = a0 .
γ0 = Var (yt ) = (1 + β12 )σε2 ,
γ1 = Cov (yt , yt−1 ) = β1 σε2 ,
γs = Cov (yt , yt−s ) = 0, s ≥ 2.
γ1 β1
ρ1 = = ,
γ0 (1 + β12 )
ρs = 0, s ≥ 2.
12 / 32
Promedio Móvil de Orden q, MA(q)
Un proceso estocástico {yt } se llama un proceso MA(q) si
obedece a la ecuación
yt = a0 + εt + β1 εt−1 + ... + βq εt−q , εt ∼ RB (0, σε2 ).
El valor esperado es µ = a0 .
γ0 = (1 + β12 + ... + βq2 )σε2 ,
γs = (βs + βs+1 β1 + ... + βq βq−s )σε2 , s ≤ q,
γs = 0, s > q.
γs βs + βs+1 β1 + ... + βq βq−s
ρs = = , s≤q
1 + qi=1 βi2
P
γ0
ρs = 0, s > q.
13 / 32
Proceso ARMA(p,q)
Un proceso estocástico {yt } se llama autorregresivo de
promedios móviles ARMA(p,q) si obedece a la ecuación
yt = a0 + a1 yt−1 + ... + ap yt−p + εt + β1 εt−1 + ... + βq εt−q ,
donde εt ∼ RB (0, σε2 ).
El proceso ARMA(p,q) también puede escribirse como
(1 − a1 L − · · · − ap Lp )yt = a0 + (1 + β1 L + · · · + βq Lq )εt ,
a(L)yt = a0 + β(L)εt ,
donde
a(z ) = 1 − a1 z − · · · − ap z p ,
β(z ) = 1 + β1 z + · · · + βq z q
son polinomios de orden p y q, respectivamente.

14 / 32
Proceso ARMA(p,q)
a0
µ= .
1 − a1 − · · · − ap
Para k > q la función de autocovarianza es
γk = a1 γk −1 + a2 γk −2 + ... + ap γk −p ,
mientras que para k ≤ q, la función además involucra los

parámetros βk , βk +1 , ..., βq .
Para k > q la función de autocorrelación es
ρk = a1 ρk −1 + a2 ρk −2 + ... + ap ρk −p ,
mientras que para k ≤ q, la función además involucra los

parámetros βk , βk +1 , ..., βq .
15 / 32
Comportamiento de la Función de Autocorrelación (FAC)
y Función de Autocorrelación Parcial (FACP)
Proceso FAC FACP

RB Todas las autocorrelaciones son Todas las autocorrelaciones
cero. parciales son cero.
AR(p) Convergencia a cero. Únicamente las primeras p

autocorrelaciones parciales
son diferentes de cero.
MA(q) Únicamente las primeras q Convergencia a cero.

autocorrelaciones son diferentes
de cero.
ARMA(p,q) Comportamiento irregular de las Comportamiento irregular de las

primeras q autocorrelaciones y primeras p autocorrelaciones y
después convergencia a cero. después convergencia a cero.
Table: Comportamiento de la Función de Autocorrelación (FAC) y Función de

Autocorrelación Parcial (FACP).
16 / 32
FAC y FACP de un proceso AR(1)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso AR(1) con a1 > 0.

1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso AR(1) con a1 < 0.
17 / 32
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso AR(2) con a1 > 0 y a2 > 0.

1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso AR(2) con a1 < 0 y a2 > 0.
18 / 32
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso AR(2) con a1 > 0 y a2 < 0.

1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso AR(2) con a1 < 0 y a2 < 0.
19 / 32
FAC y FACP de un proceso MA(1)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso MA(1) con β1 > 0.

1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso MA(1) con β1 < 0.
20 / 32
FAC y FACP de un proceso ARMA(1,1)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso ARMA(1,1) con a1 > 0 y β1 > 0.

1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso ARMA(1,1) con a1 > 0 y β1 < 0.
21 / 32
FAC y FACP de un proceso ARMA(1,1)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso ARMA(1,1) con a1 < 0 y β1 > 0.

1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: FAC y FACP de un proceso ARMA(1,1) con a1 < 0 y β1 < 0.
22 / 32
Procesos ARMA Estacionarios
Los procesos AR(p) y ARMA(p,q) son estacionarios en

covarianza si y sólo si las raı́ces de la ecuación caracterı́stica
a(z ) = 1 − a1 z − a2 z 2 − ... − ap−1 z p−1 − ap z p = 0
se encuentran por fuera del cı́rculo unitario.
Un proceso MA(q) es estacionario en covarianza para

cualquier valor de β1 , β2 , ..., βq .
La función de autocorrelación (FAC) de un proceso

estacionario decae rápidamente a cero.
23 / 32
Procesos ARMA Estacionarios
Los procesos AR y ARMA estacionarios en covarianza son

débilmente dependientes ya que la correlación entre yt y yt+s
se vuelve cero cuando s → ∞.
Si el proceso es estacionario admite la representación
β(L)
yt − µ = εt ,
a(L)
yt − µ = ψ(L)εt ,
P∞
donde ψ(z ) = 1 + ψ1 z + ψ2 z 2 + · · · , con i=1 |ψi | < ∞.
Un proceso estacionario tiene una representación de un

proceso MA(∞).
24 / 32
Procesos ARMA Invertibles
Los procesos MA(q) y ARMA(p,q) son invertibles si y sólo si

las raı́ces de la ecuación caracterı́stica
β(z ) = 1 − β1 z − β2 z 2 − ... − βq−1 z q−1 − βq z q = 0
se encuentran por fuera del cı́rculo unitario.
Si el proceso es invertible admite la representación

a(L)
(yt − µ) = εt ,
β(L)
π(L)(yt − µ) = εt ,
P∞
donde π(z ) = 1 + π1 z + π2 z 2 + · · · , con i=1 |πi | < ∞.
Un proceso invertible tiene una representación de un proceso

AR(∞).
25 / 32
Construcción de Modelos para Series Univariadas
Box and Jenkins (1976) diseñaron una estrategia para la

construcción de modelos de series de tiempo, que consta de
cuatro etapas:
Identificación del modelo.

Estimación de parámetros.
Verificación de supuestos.
Uso del modelo.
26 / 32
Identificación
La identificación de un modelo consiste en:
1. Determinación de una serie estacionaria en función de la

serie original.
Si la serie no tiene varianza constante se debe aplicar
alguna transformación como por ej. el logaritmo natural.
Si la serie tiene una tendencia estocástica se debe aplicar
el operador diferencia.
2. Determinación de los valores p y q. En esta etapa se

intenta asociar la FAC muestral y la FACP muestral con un
posible proceso generador del tipo ARMA.
27 / 32
Identificación
Los criterios de información también pueden ser usados para

la identificación de los órdenes p y q del modelo ARMA.
El procedimiento consiste en:
Escoja un valor máximo para p y q, esto es pmax y qmax .
Estime un modelo ARMA(p,q) para cada una de las

combinaciones de p(p = 0, 1, ..., pmax ) y q(q = 0, 1, ..., qmax )
usando las observaciones (t = s + 1, ..., T ), donde
s = max(pmax , qmax ) y T es el número de observaciones.
Escoja los órdenes p y q que minimicen el criterio de

información.
28 / 32
Identificación
Note que el mismo número de observaciones T − s es usado

para estimar cada uno de los modelos.
Dos de los criterios de información más usados son:
Criterio de información de Akaike (AIC):
AIC = (T − s)ln(suma de los residuos al cuadrado) + 2k
Criterio de información de Schwartz (SBC):
SBC = (T −s)ln(suma de los residuos al cuadrado)+k ln(T −s)
donde k es el número de parámetros estimados (p + q + 1).
29 / 32
Ejemplo de la Identificación
(a) (b)
1.0
4000
0.5
3000
ACF
0.0
y
2000
−0.5
1000
−1.0
0 50 100 150 200 250 300 0 5 10 15
Index Lag
Figure: (a) Gráfico de la serie mensual de exportaciones tradicionales para el periodo

Enero de 1990 a Junio de 2017 (yt ) y (b) FAC muestral de yt .
En la gráfica (a) se observa que la serie de exportaciones no

tiene media ni varianza constante.
La gráfica (b) muestra que la FAC muestral tiene un
decaimiento lento a zero, indicando que la serie no es
estacionaria en media.
30 / 32
(a) (b)
1000
0.4
0.2
500
0.0
dly
dy
−0.2
−0.4
−500
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Index Index
Figure: (a) Gráfico de la serie ∆yt y (b) Gráfico de la serie ∆log(yt ).
La gráfica (a) muestra que la serie ∆yt tiene media constante

y es heterocedástica.
La gráfica (b) muestra que la serie ∆log(yt ) es estacionaria.
31 / 32
(a) (b)
1.0
1.0
0.5
0.5
Partial ACF
ACF
0.0
0.0
−0.5
−0.5
−1.0
−1.0
0 5 10 15 2 4 6 8 10 12 14
Lag Lag
Figure: (a) FAC muestral de la serie ∆log(yt ) y (b) FACP muestral de la serie
∆log(yt ).
La gráfica (b) muestra que las autocorrelaciones parciales

tienen un decaimiento muy rápido a cero, sugiriendo un
modelo MA.
En la gráfica (a) se observa que la primera autocorrelación es
estadı́sticamente diferente de cero, indicando p = 1.
32 / 32

D5 SeriesUnivariadas 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

D5 SeriesUnivariadas PDF

Cargado por

Copyright:

Formatos disponibles

ECONOMETRIA II

Facultad de Ciencias Económicas

Proceso de ruido blanco.

Metodologı́a Box y Jenkins.

Referencia: Enders, Capı́tulo 2.

Considere una variable aleatoria yt .

El operador de retraso L es un operador lineal tal que

Li yt = yt−i para i = 0, 1, ...

La expresión anterior significa que al aplicarse el operador de

El operador de retraso tiene las siguientes propiedades:

El operador diferencia ∆ se define como

∆i yt = (1 − L)i yt para i = 0, 1, ...

Un proceso estocástico es una secuencia de variables

Una serie de tiempo es una realización del proceso estocástico.

El subı́ndice t indica el tiempo en que se observa el dato yt .

La siguiente tabla presenta datos trimestrales de una serie de

Table: Datos de una serie de tiempo trimestral

El proceso estocástico {yt : t = 1, 2, ...} es estrictamente

El proceso estocástico {yt : t = 1, 2, ...} es estacionario en

El proceso estocástico {yt : t = 1, 2, ...} es débilmente

La dependencia débil es necesaria para que la ley de los

Ejemplos de procesos débilmente dependientes

El proceso estocástico {εt } es un proceso de ruido blanco

 Media cero: E (εt ) = 0.

La última propiedad (no correlación) es más débil que

Un proceso que satisface las cuatro propiedades anteriores se

El proceso estocástico {yt } es un proceso autorregresivo de

yt = a0 + a1 yt−1 + εt , εt ∼ RB (0, σε2 ).

Cuando t → ∞ y |a1 | < 1 se obtiene

La función de autocorrelación parcial es

yt = a0 + a1 yt−1 + ... + ap yt−p + εt + β1 εt−1 + ... + βq εt−q ,

donde εt ∼ RB (0, σε2 ).

El proceso ARMA(p,q) también puede escribirse como

son polinomios de orden p y q, respectivamente.

Para k > q la función de autocovarianza es

mientras que para k ≤ q, la función además involucra los

Para k > q la función de autocorrelación es

mientras que para k ≤ q, la función además involucra los

Proceso FAC FACP

AR(p) Convergencia a cero. Únicamente las primeras p

MA(q) Únicamente las primeras q Convergencia a cero.

ARMA(p,q) Comportamiento irregular de las Comportamiento irregular de las

Table: Comportamiento de la Función de Autocorrelación (FAC) y Función de

Figure: FAC y FACP de un proceso AR(1) con a1 > 0.

Figure: FAC y FACP de un proceso AR(1) con a1 < 0.

Figure: FAC y FACP de un proceso AR(2) con a1 > 0 y a2 > 0.

Figure: FAC y FACP de un proceso AR(2) con a1 < 0 y a2 > 0.

Figure: FAC y FACP de un proceso AR(2) con a1 > 0 y a2 < 0.

Figure: FAC y FACP de un proceso AR(2) con a1 < 0 y a2 < 0.

Figure: FAC y FACP de un proceso MA(1) con β1 > 0.

Figure: FAC y FACP de un proceso MA(1) con β1 < 0.

Figure: FAC y FACP de un proceso ARMA(1,1) con a1 > 0 y β1 > 0.

Figure: FAC y FACP de un proceso ARMA(1,1) con a1 > 0 y β1 < 0.

Figure: FAC y FACP de un proceso ARMA(1,1) con a1 < 0 y β1 > 0.

Figure: FAC y FACP de un proceso ARMA(1,1) con a1 < 0 y β1 < 0.

Los procesos AR(p) y ARMA(p,q) son estacionarios en

a(z ) = 1 − a1 z − a2 z 2 − ... − ap−1 z p−1 − ap z p = 0

se encuentran por fuera del cı́rculo unitario.

Un proceso MA(q) es estacionario en covarianza para

La función de autocorrelación (FAC) de un proceso

Los procesos AR y ARMA estacionarios en covarianza son

Si el proceso es estacionario admite la representación

Un proceso estacionario tiene una representación de un

Media cero: E (εt ) = 0.

Identificación del modelo.

Escoja un valor máximo para p y q, esto es pmax y qmax .

Estime un modelo ARMA(p,q) para cada una de las

Escoja los órdenes p y q que minimicen el criterio de

Criterio de información de Akaike (AIC):

Criterio de información de Schwartz (SBC):