Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo 5
Capitulo 5
Ventas de gasolina.
,.'
14000 ,.- ....,
...e
12000
....
"O
be
ioooo
....
U
"'::l
e
~
8000
-". .-
, ... / "
80 81 82 83 84 85 86 87 88 89 90 91
Tiempo
Usted puede imaginar que, aunque ciertas series son estacionales por razones obvias, la
estacionalidad es rara. Por el contrario. lo cual quizá sea sorprendente, la estacionalidad está muy
difundida en los negocios y en la'economía. Así se tienen muchas economías industrializadas que
se expanden con rapidez cada cuarto trimestre y se contraen cada primer trimestre.
,
Una forma de manejar la estacionalidad en una serie es eliminarla. simplemente, para d "
pués modelar y pronosticar la serie ajustada por estacionalidad.2 Quizá esta estrategia sea adecua
da en ciertos casos, como cuando el interés se centra, en forma explícita, en el pronóstico de'
ro,'
¡ ,
FIGURA 5.2 Ventas de licores.
2800 r------------------....,
1200 +----r-....,....-..----r--...---.,.-...,...-~.....,....-.,.............- _ 1
80 81 82 83 84 85 86 87 88 89 90 91
Tiempo
7ססoo .,--------------~-----__,
o...
CJ
"Q
'~"
"Q
.;"'
,:!
¡:
ee
u
"Q
..' . e:"''"
~
80 81 82 83 84 85 86 87 88 89 90 91
Tiempo
2. MODELADO DE LA E5TACIONAUDAD
U na técnica clave para modelar la estacionalidad es la regresión con indicadores estacionales. Sea
s la cantidad de estaciones en un año. Casi siempre nos imaginamos cuatro estaciones en un año.
pero para nuestros fines esa noción es demasiado restrictiva. En lugar de ello. consideremos que
s es la cantidad de observaciones en una serie cada año. Así, s = 4 si hay datos trimestrales, s = 12
si los datos son mensuales, s = 52 si son semanales, etcétera.
Ahora definamos a s variables estacionales indicadoras, que identifican la estación. Si, por
ejemplo. hay cuatro estaciones, definimos:
DI = (1,0, O, O, 1, O, O, 0, 1, O, O, O, )
D2=(0, 1, 0, 0, 0,1, O, 0, 0, 1, 0, O, )
D3=(0, 0,1, O, O, 0,1,0,0,0,1,0, )
Di =(O, 0, O, 1, 0, 0, 0, 1, O, O, O, 1, )
DI indica si estamos en el primer trimestre (vale l en el primer trimestre y O en cualquier otro
caso), D2 indica si estamos en el segundo trimestre (vale l en el segundo trimestre y Oen cualquier
otro caso) y así sucesivamente. En cualquier momento sólo podemos estar en uno de los cuatro
trimestres, así que uno de los indicadores estacionales vale 1 y todos los demás, O.
El modelo puro de indicador estacional es
90 Capítulo 5JModelado y pronóstico de la estacionalidad
),= I 'Y¡Dil+ El
¡.. \
De hecho, se trata de una regresión a partir de una ordenada al origen. pero en cada estación se
permite tener distinta ordenada. Esas distintas ordenadas, las Y" se llaman factores estacionales y
resumen la pauta estacional durante el año. Cuando no hay estacionalidad, las Y, son iguales y se
pueden eliminar todos los indicadores estacionales, para tan solo incluir una sola ordenada al
origen en la forma acostumbrada. '
En lugar de incluir un conjunto completo de s indicadores estacionales, podemos incluir s - 1
indicadores estacionales, los que sean', más una ordenada al origen. En ton ces, el término cons
tante es la ordenada al origen de la estación omitida y los coeficientes de los indicadores estacionales
embargo, por ningún motivo se deben incluir s indicadores estacionales y también una ordenada.
El incluir una ordenada al origen equivale a incluir una variable en la regresión cuyo valor siem
pre es 1; pero obsérvese que todo el conjunto de s indicadores estacionales se suma y forma una
. variable cuyo valor siempre es 1. Así, si se incluye una ordenada al origen y todo el conjunto de
indicadores estacionales, se produce una multicolinealidad perfecta, y la computadora se volverá
loca si usted intenta determinar esa regresión. <¡Compruébelo!)
También se puede incluir la tendencia, y en este caso el modelo es'
JI ~ ~\ TIFMPO I + L, "ti o, + El
.iel
De hecho, usted puede considerar que lo que se' expone en este capítulo es una generalizaciói.
del capítulo anterior, en el que sólo se trató la tendencia. Aquí todavía deseamos tener en cuenta
la tendencia, cuando esté presente, pero nuestro objetivo es ampliar el modelo para así conside
rar la estacionalidad.
La idea de estacionalidad se puede amp~~ a fin de a~~car ef~ctos estacionales, más amplios.'
La estacionalidad "normal" tan solo es una de las clases de efectos de calendario; otras dos, tam
bién importantes, son la variación de días feriados y la variación de días hábiles.
La variación de días feriados se refiere ,a que las fechas de algunos dí~ p.e3:Sueto cambian a
través del tiempo; esto es; aunque llegan 'más o menos en la misma épo.ca'dd "año, sus fechas son
distintas. Un ejemplo común es Semana Santa. Como el comportamiento demuchas series, como
las ventas, los embarques, los inventarlos. las horas trabajadas. etc.•depende en parte de cuándo
son esos días feriados, se desea tom.3.r16s'~n"cuénta éjI losmodelos de pr()rióstico. Así, en el caso
de la estacionalidad, dichos efectos se pueden manejar con variables indicadoras. Por ejemplo, en
un modelo mensual, además de todo un 'conjunto de indicadores estacionales, podríamos incluir
un "indicador de Semana Santa", que es 1 si elmes la contiene y Oen cualquier otro caso.
La variación de días hábiles se refiere a que los distintos meses contienen diferentes cantida
des de días hábiles, y esto es una consideración importante cuando se modelan y pronostican
ciertas series. Por ejemplo. en un modelo mensual de pronóstico del volumen negociado en la
Bolsa de Londres, además de todo el conjunto de indicadores estacionales, podríamos incluir
una variable de días hábiles, cuyo valor sería la cantidad de días hábiles que hay en cada mes.
A! tener en cuenta la posibilidad de variación por días feriados o por días hábiles, se obtiene
el siguiente modelo:
VI v,
y,=~\TIEMPO,+ I 'Y¡Dil+ I o7 DV
HD\{, + I o¡nvTDV¡,+E I
i= 1 i .. 1 i .. 1
3. Por simplicidad sólo hemos incluido una tendencia lineal, pero también se pueden emplear mo
delos más complicados de tendencia, como la cuadrática, la exponencial o la logística.
Capítulo 5/Modelado y pronóstico de la estacionalidad 91
en donde las HDVson los indicadores aplicables de variación de días feriados (HDV, por sus siglas en
inglés) (hay VI indicadores) y las TDV son los indicadores aplicables de días hábiles (TDV, por sus
siglas en inglés) (aquí hemos admitido que hay v2 indicadores, pero en la mayoría de las aplicacio
nes, v2 = 1 será suficiente). É.sta es una ecuación normal de regresión y se puede estimar mediante
los cuadrados mínimos ordinarios.
S VI Vt
i= 1 i= 1
i= 1
Como en el modelo de tendencia pura del capítulo 4, se proyecta el lado derecho de la ecuación
en lo que se conoce en el tiempo T (esto es, el conjunto de información en el tiempo T, que es n)
para obtener el pronóstico puntual
J V,
v,
TDI'
+ "O
,L..¡ I
TDV~ T +.~ L
i= 1
1\ S VI
+ L Oi 't "TDV
Wv¡'T+J¡
i=1
92 Capítulo 5/Modelado y pronóstico de la estacionalidad
A fin de formar un pronóstico de intervalo se procede exactamente corno en los modelos clp
tendencia pura. Se supone que la perturbación de regresión tiene distribución normal, en Cl..,
caso un pronóstico de intervalo de confianza de 95%, que ignora la incertidumbre de estimación
de parámetros, es Yr + l,r± 1.900, en donde O' es la desviación estándar de la perturbación de
regresión. Para que trabaje el intervalo de pronóstico se usa Yr + u± 1.96 er, siendo er el error
estándar de la regresión,
Para elaborar un pronóstico de densidad, de nuevo se supone que la perturbación de regre
sión de tendencia tiene distribución normal. Entonces, sin considerar la incertidumbre en la
estimación de parámetros. el pronóstico de densidad es N(Yr+ 4 r' 0 2) Yel pronóstico operativo de
,ro A.2
densidad, N(Y1\ r + \J ),
'
Estimación re~iva significa comenzar con una muestra pequeña de datos, estimar un modelo,
agregar una observación, volver a estimar el modelo y continuar en esta forma hasta agotar la
muestra.' La estimación recursiva y las técnicas afines son útiles en situaciones importantes en los
pronósticos, incluyendo la evaluación de estabilidad y la selección del modelo; además en el análisis
de modelos de pronóstico estacional-nuestro objetivo explícito en este capítulo- pero también
son útiles con mucha más generalidad. Por ambos motivos es natural que ahora los presentemos.
Con frecuencia, las relaciones comerciales y económicas varían con el tiempo. Los procedimien
tos recursivos de estimación nos permiten evaluar y rastrear los parámetros variables en el tiem
po, y, en consecuencia, son útiles para elaborar y evaluar diversos modelos de pronóstico. Una de
estas aplicaciones es cuando los modelos contienen componentes estacionales, porque puede ser
que el comportamiento estacional no sea constante, sino que evolucione con el paso del tiempo,
Primero presentaremos la idea de estimación recursiva de parámetros. Trabajaremos con el
modelo normal de regresión lineal.
,,= L
i
~i X~I+ El
i= I
4. Si se habla con propiedad. "secuencial"sería un adjetivo más descriptivo que "recursivo". La "ac
tualización recursiva"se refiere al hecho de que un estimado, que se basa en t + 1 observaciones, se puede
calcular a veces tan solo combinando adecuadamente el estimado anterior, basado en t observaciones, con
la nueva observación. (Esto es posible, por ejemplo, con la regresión por cuadrados rnínirnos.) La actualiza
ción recursiva logra una reducción drástica de losrequisitoscomputacionales en relación con la reestimación
completa del modelo cada vez que se actualiza la muestra, a lo que se podría llamar "acruatización por
fuerza bruta". Para nuestros fines no tiene consecuencia si se recurre a actualización recursiva o por fu
bruta (y la rapidez de las computadoras modernas hace que la fuerza bruta sea atractiva); usaremos el
término "estimación recursiva" como refiriéndonos a cualquier procedimiento de estimación secuencial,
sea con cálculos por técnicas recursivas o de fuerza bruta.
Capítulo 5/Modelado y pronóstico de la estacionalidad 93
t = l •.... Ty lo estimamos mediante cuadrados mínimos. Sin embargo. en lugar de usar de inme
diato todos los datos para estimar el modelo. comenzaremos con un subconjunto pequeño. Si el
modelo contiene k parámetros. empezaremos con las primeras k observaciones y estimaremos el mo
delo. A continuación lo haremos con las primeras k + 1 observaciones. y así seguirem~s hasta
agotar la muestra; al final tendremos un conjunto de estimados recursivos de parámetro ~.,' para
t = k. .... Te i = 1,...• k. Pero vale la pena calcular y examinar los estimados recursivos. porque
proporcionan información importante acerca de la estabilidad de los parámetros: indican cómo
se mueve el parámetro estimado a medida que se acumulan más y más observaciones. También.
conviene graficar los estimados recursivos para ayudar a contestar la pregunta obvia de interés:
¿se estabilizan los estimados de coeficiente a medida que aumenta el tamaño de la muestra? O
bien, ¿andan errantes, se desplazan en ..determinada dirección o presentan quiebres bruscos en
un punto omás?
Ahora presentaremos los residuales recursivos. En cada t (1 =k...., T - 1) se puede calcular un
pronóstico a una etapa, ',.1.' = 2. ¡t • 1 ~.~ Xi.¡' r Los errores correspondientes de pronóstico. o
e,.
residuales recursivos. son l.l =Yl • 1 - YI.1.I' La varianza de esos errores de pronóstico a una etapa
cambia según crece el tamaño muestral, porque de acuerdo con las hipótesis de los parámetros
del modelo se estiman con más precisión a medida que aumenta el tamaño muestra!. En forma
específica.
en la que r,> 1 para toda ty T, es una función algo complicada de los datos."
Como en el caso de los estimados recursivos de parámetros. los residuales recursivos pueden
descubrir la inestabilidad de parámetro en los modelos de pronóstico. Con frecuencia se exami
narán gráficas de los residuales recursivos y las dos bandas del error estándar estimado (el' 1.1 ± 2
er..fS.6 Esto tiene una jnterpretación inmediata en ~l modelado, y a veces se le llama secuencia de
pruebas de pronósticos a una etapa -se elaboran pronósticos recursivos de 95% de confianza a
una etapa-. y a continuación se comprueba dónde caen las realizaciones siguientes. Si hay mu
chas fuera de los intervalos. puede ser que uno o más parámetros sean inestables y las ubicaciones
de las violaciones del pronóstico dan cierta indicación de la naturaleza de la inestabilidad.
A veces. tomar en cuenta los residuales recursivos estandarizados ayuda.
iid
W,+ 1.t - N (O, 1)
Si se viola cualquiera de las hipótesis sobre las que se basó el modelo, los residuales recursivos
estandarizados no podrán tener distribución normal. independiente e idénticamen te distribuida
(ííd. por sus siglas en inglés), de modo que conoceremos las diversas inadecuaciones del modelo
al examinarlas. La suma acumulada ("CUSUM", abreviatura en inglés) de los residuales recursivos
5. La deducción de una ecuación de r.sale del propósito de este libro. Por regla general no conside
ramos la inflación (el crecimiento) de var (2,,1) debido a la estimación del parámetro. que se hace cero a
medida que aumenta el tamaño rnuestral, de tal forma que r. ~ 1. Ytan solo usaremos la aproximación
2"1.1 - N(O.a%). Sin embargo. por el momento estimamos recursivamente la regresión. así que las regresio
nes iniciale , siempre se llevarán a cabo con muestras muy pequeñas y. por ello. no se aceptarán las aproxi
maciones por muestra grande.
6. (] es tan solo el error estándar usual de la regresión, estimado a partir de todo el conjunto de datos.
--------------------_ _. .. .
94
estandarizados tiene especial utilidad para evaluar la estabilidad de los parámetros. Como W,.¡.I ~
N(O. 1). entonces
r
CUSUM, == Ir vw~ + l.t
t- ~
Suma acumulada t= k; ...• T -1. es tan solo una suma de N(O. 1) variables aleatorias idénticas e
independientemente distribuidas.' Se han tabulado las cotas de probabilidad de la suma acumu
lada y. por lo regular. se examinan las gráficas de serie temporal de esa suma y de sus cotas de 95%
de probabilidad'. Si la suma acumulada se sale de las cotas en cualquier punto, hay evidencia de
inestabilidad de parámetro; es lo que se llama análisis CUSUM o análisis de suma acumulada.
1~ 3
100 •••• 2
•
;
+.+ +1t.
......t..
\
'1
",:\
M......
:\ ".s.,.
+"
~ ••
+4\,.
*' #" \
",... -
.•••........• . ¡f _
>= so • :~.-t.\ .. ,I \.. '''1- _..----
- :,..
~. \.
~ O ,{
,~ ,
I
O ""'\+,l.
•• I
I
• • ·1 :
• I
x' ; !
1-'- EaÍi1Dados éón' C(1) reCursIvo - •- :t:2E.S·1
40 60
-20
f "'"'
J" ",':
1- t
Residualesrecursivo - •• ±2E.S. 1- CUSUM - - • 9S... de significado
'1
;
7. Las sumas de variables aleatorias iid con promedio cero tienen mucha importancia. Tienen tal
importancia que se les asignó el nombre propio de caminatas aleatorias. Las estudiaremos con detalle en e'
capítulo 10.
8. Para hacer operacionales los residuales recursivos estandarizados o normalizados, y en consecuen
l
I
cia el estadistico CUSUM o suma acumulada, se sustituye o por (j.
Capítulo 5jModelado y pronóstico de la estacionalidad 95
Ejemplos del empleo de técnicas recursivas para detectar los cambios estructurales, son los
tres procesos generadores de datos, estilizados, que se presentan en las figuras 5.4 a 5.6 (modelos
de regresión bivariada que satisfacen las hipótesis clásicas, excepto la posibilidad de un parámetro
variable en el tiempo). La primera tiene un parámetro constante, la segunda uno con tendencia
y la tercera uno que cambia bruscamente de dirección. En cada una se muestra un diagrama de
dispersión de yen función de x, los estimados recursivos de parámetro, los residuales recursivos y
una gráfica CUSUM o de suma acumulada.
En la figura 5.4 se presenta el modelo de parámetro constante. Como era de esperar, el diagra
ma de dispersión no muestra evidencia de inestabilidad. el estimado recursivo de parámetro se
estabiliza con rapidez, su varianza disminuye también con rapidez, los residuales recursivos parecen
un ruido aleatorio con promedio cero y la gráfica CUSUM no muestra evidencia de inestabilidad.
La figura 5.5 es un modelo de parámetro con tendencia; los resultados que se muestran son
muy distintos. La relación real entre x y y es de proporcionalidad. y la constante de proporciona
lidad ti.ende gradualmente a crecer. En el diagrama de dispersión esto se observa como una rela-
1000 4
800
2
600
N
> 400 o
200
·200
O SO 100 lSO 200 250 20 40 60 80 100 120 140 160 180 200
300 250
200
200
150
100
100
O~ft~It_"_IIF_'...........- - - - - - - -
so
--- -------------~-~---
-100
-..........
----------
.................... - ....
o t-----~---------
"
" -------
"
·50 """TTT..,....,.....,...,.TTT"T'T'I'"TT"l"TTTTT"""''"TT''TTT..,....,...'"TT'''l''T'
20 40 60 80 100 120 140 160 180 200 20 40 60 80 100 120 PO 16C 1¡l0 200
2 L·
""-,
\
,"" \, ... ,
_-- _--
_-
O ,
,,l
I
,
I
-1 '
200
ISO
100
so
---------------
01-----===---1-------
------- ------
-----------------
50 100 ISO 200
ción no lineal entre x y y.9 Es obvio que el residual recursivo no es un ruido aleatorio con prome
dio cero, y el estimado recursivo de parámetro indica con claridad que el parámetro tiene tenden
cia. La gráfica CUSUM sube en forma gradual hasta que rebasa el límite de 95% de probabilida
des, indicando su inestabilidad.
La figura 5.6 presenta un modelo de parámetro discontinuo; los resultados vuelven a ser
distintos. La relación real entre y y x es de proporcionalidad, pero la constante de proporcionali
t
dad cambia a media muestra; esto se observa en el diagrama de dispersión. en los residuales
recursivos y en el estimado recursivo de parámetro. La CUSUM permanece cercana a cero hasta
media muestra, y en ese momento se dispara a través del límite de 95% de probabilidades.
9. En este caso, el modelo verdadero es lineal con parámetros variables en el tiempo, y el diagrama d,
dispersión parece no lineal. Es útil recordar que a veces sucede lo contrario al elaborar modelos de pronós
II
1
tico: los modelos lineales con parámetros variables en función del tiempo se pueden usar, con frecuencia,
para obtener buenas aproximaciones a relaciones no lineales más complicadas.
Capítulo 5/Modelado y pronóstico de la estacionalidad 97
Ahora usaremos las técnicas de modelado estacional que hemos explicado en este capítulo para
elaborar un modelo de pronóstico para los inicios de la construcción de viviendas. Estos inicios
98 Capítulo S/Modelado y pronóstico de la estadonalidad
250,.--------------------,
200
.o 150
'ü
'c
~ I~~ I~
-
~ ~I
100
50
Tiempo
'J, = L 'ti o, + E,
i= 1
160. , . . . . . . - - - - - - - - - - - - - - - - - - - - ,
140
120
..o
'ü 100
-
'c
80
4 0 .
90:01 90:07 91:01 91:07 92:01 92:07 93:01 93:07 94:01 94:07
Tiempo
Capitulo 5jModelado y pronóstico de la estacionalidad 99
TABLA 5.1 Resultados de la regresión: Modelo de variable estacional indicadora para inicios
de construcción de viviendas.
La variable dependiente es INICIO
Muestra: 1946:011993:12
Observaciones incluidas
La tabla 5.1 muestra los resultados de la estimación. Los 12 indicadores estacionales explican más
de la tercera parte de la variación en los inicios de construcción; la mayor parte del resto de la
variación es cíclica y el modelo no está diseñado para capturarla. (Obsérvese el estadísúco de
Durbin-Watson, que es muy bajo.)
En la gráfica de residuales de la figura 5.9 es claro lo fuerte y lo débil del modelo. Primero
comparemos los valores reales y ajustados. Los valores ajustados pasan por la misma rígida pauta
.-----------~----------~250
150
100
50
so 55 60 65 70 75 80 85 90
..
II
-;;
e
140
o
'ü
....
'"
o;
120
¡",
~
....
'"" 100
2 4 6 8 10 12
Estación
estacional cada año -no hay nada en el modelo más que indicadores estacionales deterministas
pero absorbe gran parte de la variación en 'los inicios de construcción. Sin embargo, no recoge
toda la variación, como se ve en la correlación en serie en los residuales. Obsérvense los mínimos
en los residuales, por ejemplo, durante las recesiones (como en 1990, 1982, 1980 Y 1975) Y los
picos en las bonanzas. ,
Los factores estacionales estimados son tan solo los 12 coeficientes estimados en los indicadore
estacionales, graficados en la figura 5.10. Los efectos estacionales son muy pequeños en enerc, .
febrero, suben con rapidez y llegan al máximo en mayo, después disminuyen, primero con lenti
tud y, en noviembre y diciembre, en forma abrupta.
En la figura 5.11, se ve la historia de los inicios de construcción en 1993,junto con los pronós
ticos de extrapolación para punto y para intervalo de confianza de 95% para los primeros 11
250
200
o
..
.~
-c 150
e
olo
C.
.
>
'C 100
g
'"
:t
50
o "T"'l"""''''''''''''.,...,...,..T""'"""''""''""T''T"T~
+rrT'T"T1'TT't'T"TT'CTTTTT'T"'l"T'T"rTT"""..,...,.,..,.,.............
90:01 90:07 91:01 91:07 92:01 92:07 93:01 93:07 94:01 94:07
Tiempo
Capítulo 5/Modelado y pronóstico de la estacionalidad 101
250
'0
.¡¡ 200
r=
.!:!
,.
".>.. 150
o
.:
"Oí
.~
o 100
- . "r""<-~·' .....,
,. ',.'" .
.:: ~
'5 , .
-...
:;
50
~itf~):
o""""''''''''''''rn-r.,...".rn-,"TTTTTT"r¡T'''r....-rT''''''''''''''""1"TTTTT"r"TT'T'''''''''''''r'TTT'''''';'':'T''TT'l''1
90:01 90:0791:01 91:07 92:01 92:07 93:01 93:07 94:01 94:07
Tiempo
10. Obsérvese que no se muestran las bandas de límite de confianza en los estimados recursivos de
parámetro. Esto se debe a que todavía no hemos modelado la correlación en serie en las perturbaciones de la
regresión. así que los errores estándar de los coeficientes no son fiables. Sin embargo, lo haremos en capí
tulos posteriores. y sucederá que no hay evidencia de inestabilidad de los parámetros. Por esto no haremos
aquí el análisis de sumas acumuladas (CUSr;lvn, porque tan solo r ecogeria la correlación en serie en los
residuales de regresión. Lo haremos también en capítulos posteriores, después de presentar los modelos
adecuados para losefectos cíclicos.
..,
\: .
.
-;¡
e
o
'ü
.
!!
u
.!!
e
u
'ü
t: Cin<.. sm Si_ Ochu
-, u
o
-, U
e:
DiC'l Oncr
Tiempo
FIGURA 5.14 Residuales recursivos y dos bandas de error estándar: modelo de variables indicadoras
estacionales para inicios de construcción de viviendas.
120, . - - - - - - - - - - - - - - - - - - - - - - ,
80
Tiempo'
Capítulo 5/Modelado y pronóstico de la estacionalidad 103
cíclicos; pero se salen poco de las dos bandas de error estándar, y cuando lo hacen es de tal forma
que no indican un cambio estructural".
PROBLEMAS Y EXTENSIONES
11. Se incluyeron las bandas de confianza porque (J es, cuando menos, consistente p:lra O, aun con
perturbaciones correlacionadas en serie.
104 Capítulo 5/Modelado y pronóstico de la estacionalidad
go, que hay fuertes efectos estacionales, que usted considera son muy importantes para mo
delar y pronosticar los pasajeros-milla.
b) Ajuste un modelo estacional trimestral a los datos de Air Canada, y evalúe la importancia
a) La hipótesis de que no hay estacionalidad, en cuyo caso se podrían eliminar los indicadores
.
estacionales, corresponde a coeficientes estacionales iguales para las estaciones, que \
un conjunto de s- 1 restricciones lineales:
¿Cómo haría una pruebaFde la hipótesis? ¿Qué hipótesis está haciendo implícitamente
acerca del término de perturbación en la regresión?
b) En forma alterna, ¿cómo usaría los criterios de selección del modelo de pronóstico para
decidir si incluir 6 no los indicadores estacionales? t
c) ¿Qué haría en el caso en que los resultados de los métodos de "prueba de hipótesis" y de
"selección de modelo" estuvieran en desacuerdo?
d) ¿Cómo, si es el caso, cambiarían sus respuestas en el caso de considerar la inclusión de
indicadores de días feriados en vez de la de indicadores estacionales? ¿Yde indicadores \
de días hábiles? \,
6. (Regresiones estacionales con una ordenada al origen y s - 1 indicadores estacionales). Vuelva
~.
a estimar el modelo de los inicios de construcción de viviendas con una ordenada al origen y ¡
Nerlove, Crether y Carvalho (1996) describen varios aspectos de la estacionalidad, que tienen
importancia en los pronósticos.
El libro de Harvey (1990) deduce y presenta la fórmula de TI' el elemento clave de la varianza
del residual recursivo. Aquí sugerimos usar el error estándar de la regresión para estimar a 0', la
desviación estándar de la perturbación no recursiva de regresión, tal como sugirieron Brown,
Capitulo 5jModelado y pronóstico de la estacionalidad 105
Durbin y Evans (1975) en su trabajo original. Desde entonces fueron varios los autores que usa
ron un estimador alterno de <J, basado en los residuales recursivos, que puede conducir a las
pruebas CUSUM con mejor poder para muestras pequeñas. Véase el artículo de Krámer, Ploberger
y Ah (1988) a fin de conocer la descripción en el contexto de los modelos dinámicos aplicables en
pronósticos.
Efron y Tibshirani (1993) presentan una descripción aguda de los criterios de selección de
modelo y los estimados del error cuadrático promedio fuera de la muestra, y también de la atrac
ción natural de los métodos numéricos en cuestiones como validación cruzada y sus conexos.
Con frecuencia, a la validación cruzada recursiva se le llama complejidad estocástica predictíva;
la teoría básica fue desarrollada por Rissanen (1989). Kuan y Liu (1985) hacen buen uso de ella
para seleccionar modelos de pronóstico de tipos de cambio de moneda. y proporcionan otras
referencias de publicaciones sobre el tema.
Las técnicas de estimación recursiva y otras afines están implementadas en varios paquetes
modernos de software.
CONCEPTOS A REVISAR
Brown, R. L., Durbin.j. y Evans,j. "Techniques for Testing the Constance of Relationships Over
Time".]ournal o/ the Royal Statistical Society B. 37. 1975, pp. 149-163.
Efron, B. y Tibshirani, R. An Introduction lo the Bootstrap. Chaprnan and Hall, Nueva York; 1993.
Harvey, A. The Eamometnc Analysis of Time Serioes, 2a ed., MlT Press, Cambridge, Mass.: 1990.
Krámer, W., Ploberger, W. y Ah. R. "Testing for Structural Change in Dynamic Models", Econometrica,
56. 1998,pp.1355-1369.
Kuan, C. M. y Liu, Y "Forecasting Exchange Rates Using Feedforward and Recurrent Neural
Networks",]ournal o/Applied Econometrics, 10, 1995, pp. 347-364.
Nerlove, M.• Grether, D. M. YCarvalho,j. L. Analysis o/ Economic Time Series: A Synlhesis. 2a. ed.,
Academic Press, New York..
~ssanen.j. Stochastic Complexily in Staüstical Inquiry. World Science Publishing, Singapore. 1989.