- •

MODElADO Y PRONÓSTICO DE lA ESTACIONALIDAD

1. LA NATURALEZA Y LAS FUENTES DE LA ESTACIONALlDAD

En el capítulo anterior centramos nuestro estudio en las tendencias, y ahora lo haremos en la
estacionalidad. Una tendencia, pauta o comportamiento estacional es la que se repite cada año;'
ésta puede ser exacta, cuando se refiere a estacionalidad determinista o, bien, aproximada, si se
habla de estacionalidad estocástica. Así corno en el capítulo 4 nos enfocamos en la tendencia de­
terminista y dejamos la tendencia estocástica para después, aquí nos enfocaremos en la estacio­
nalidad determinista en forma exclusiva.
La estacionalidad surge cuando las tecnologías. preferencias e instituciones se enlazan con el
calendario. El clima (por ejemplo, alta temperatura diaria en Tokio) es una serie estacional co­
mún muy importante, porque siempre hay más calor en verano que en invierno. Toda tecnología
en la que intervenga el clima, como la producción agrícola, tiene también probabilidad de ser
estacional.
También las preferencias pueden estar ligadas al calendario. Por ejemplo. consideremos las
ventas de gasolina, que se presentan en la figura 5.1, se refieren a las de Estados Unidos en dóla­
res no actualizados. de 02.1980-01.1992. Las personas quieren viajar más en el verano. y esto tien­
de a aumentar el precio y la cantidad de ventas veraniegas de gasolina, lo que se traduce en más
dólares no actualizados.
Por último, las instituciones sociales que se enlazan con el calendario, corno las vacaciones,
son responsables de la variación estacional en muchas series. Se disparan las compras de bienes al
menudeo, por ejemplo, cada temporada navideña. En la figura 5.2 se grafican las ventas mensua­
les, en dólares no actualizados, de licores en Estados Unidos, 01.1980-01.1992, que son muy altas
en noviembre y diciembre. En contraste, las ventas de bienes duraderos caen en diciembre, por­
que las compras navideñas tienden a ser de bienes no duraderos. Esto se observa con claridad en
la figura 5.3, en ia que se muestran las ventas mensuales de bienes duraderos en Estados Unidos,
O1.198()-{)1.1992, en dólares no actualizados.

1. Obsérvese que la estacionalidad es imposible, y en consecuencia no importa. en los datos que se

registran una vez al año, o con menos frecuencia.
88 Capítulo 5/Modelado y pronóstico de la estacionalidad

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------------------....,

... 2400 .~: ..

u
o
~
u
'tl 2000
B
e
~
1600

1200 +----r-....,....-..----r--...---.,.-...,...-~.....,....-.,.............- _ 1
80 81 82 83 84 85 86 87 88 89 90 91

Tiempo

2. A la eliminación de la estacionalidad se le llama ajuste estacional

•

Capítulo 5/Modelado y pronóstico de la estacionalidad 89

FIGURA 5.3 Ventas de bienes duraderos.

7‫סס‬oo .,--------------~-----__,

o...
CJ
"Q

'~"
"Q

.;"'
,:!
¡:
ee
u
"Q

..' . e:"''"
~

80 81 82 83 84 85 86 87 88 89 90 91

Tiempo

fluctuaciones no estacionales, lo cual sucede con mucha frecuencia en la macroeconomía. Sin

embargo, el ajuste estacional es. por lo común, inadecuado para pronosticar, precisamente por­
que el interés se centra en pronosticar todas las variaciones en una serie y no tan solo la parte no
estacional. Si la estacionalidad es la responsable de una gran parte de la variación en una serie de
interés, lo último que haría un pronosticador sería no tomarla en cuenta y pretender que no existe.

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

expresan el aumento o disminución estacional, en comparación con la estación omitida. Sin

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.

3. PRONÓSTICO DE SERIES ESTACIONALES

Ahora describiremos la elaboración de un pronóstico puntual a h etapas, YT • i.r en el tiempo T.
Como en los modelos de tendencia pura no existe problema para pronosticar las variables del
lado derecho, por la naturaleza especial (perfectamente predecible) de las variables de tendencia
y estacionalidad, así que es fácil generarpronósticos puntuales.
El modelo completo es

S VI Vt

Jl= ~ITIEMPOI+ L "(¡D L B~vHDV¡I+ L o¡nvWV¡¡+ El

il+
i=1 i=1 i=1

entonces, cuando el tiempo es T + h,

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,

JT+IL,T=~ITlEMPOT+h+ L "(iD~T+h+ L o~DvHDV;,T+h

i= 1 i= 1

v,
TDI'
+ "O
,L..¡ I
TDV~ T +.~ L

i= 1

el cual convertimos en operativo reemplazando con estimados los parámetros desconocidos,

1\ S VI

YT+1L,T=~¡TIEMPO'T+h+ L .yiD~T+h+ L ~~DvHDv;,T+h

i=1 i=1

+ 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 ),
'

4. PROCEDIMIENTOS RECURSIVOS DE ESTIMACiÓN PARA DIAGNOSTICAR

Y SELECCIONAR MODELOS DE PRONÓSTICO

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.

Evaluación de la estabilidad de los modelos de pronóstico:

estimación recursiva de parámetros y residuales recursivos

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.

1= k,..., T - 1. De acuerdo con las hipótesis,

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.

FIGURA 5.4 Análisis recursivo: modelo de 'parámetro constante.

1~ 3

100 •••• 2
•
;
+.+ +1t.
......t..
\
'1
",:\
M......
:\ ".s.,.
+"
~ ••
+4\,.
*' #" \
",... -

.•••........• . ¡f _
>= so • :~.-t.\ .. ,I \.. '''1- _..----
- :,..
~. \.
~ O ,{
,~ ,
I

O ""'\+,l.
•• I
I
• • ·1 :
• I

-so ;----r---r---r---r-----r ·2 "r-r-rTT'I"T"I'm'l'"T'l'''T'T'I''TT'',.,.,.rTT,..,.,.,.,.,.","''T'T'I''''

O so 100 lSO 200 250 200

x' ; !
1-'- EaÍi1Dados éón' C(1) reCursIvo - •- :t:2E.S·1

40 60

'~ . .,I·'~ . . --I.. . _---.. -.. . . . . -'"':- _----:----- 40 ......... ....-.

20
20 _---------~-~---------~-:--'--------
o O-+=A------------

-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-

FIGURA 5.5 Análisis recursivo: modelo de parámetro con tendencia.

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

X 1- Estimados con C(I) recunivo .• - ±2E.S.¡

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

!- Residuales recursivo •.• ±2E.S. I 1- CUSUM ••• 9St.¡, de significado 1

96 Capítulo SJModelado y pronóstico de la estacionalidad

FIGURA 5.6 Análisis recursivo: modelo de parámetro discontinuo.

2 L·
""-,
\

,"" \, ... ,
_-- _--­
_-­

O ,
,,l
I
,
I

-1 '

so 100 150 200

\- Estimados con ell) recursivo .. - ±lES

200

ISO

100

so
---------------
01-----===---1-------­
------- ------
-----------------
50 100 ISO 200

\- Residuales recursivo - .. ±2ES.

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

Selección del modelo basada en la eficiencia de pronóstico simulado

Todas las estrategias de selección de modelo de pronóstico que hemos estudiado, se basan en
encontrar el modelo que con mayor probabilidad funcione bien en términos de error promedio
cuadrático de pronóstico a una etapa fuera de la muestra. En cada caso se estima el error cuadráti­
co promedio de pronóstico a una etapa fuera de la muestra, ajustando el error cuadrático promedio
dentro de la muestra con una penalización por grados de libertad. Aquí lo importante es que se
estima la exactitud del pronóstico fuera de la muestra mediante residuales dentro de la muestra.
La estimación recursiva sugiere otro método, también más directo y flexible: la estimación recursiva
nos permite estimar la exactitud del pronóstico fuera de la muestra empleando errores de pro­
nóstico fuera de la muestra.
Primero presentaremos un procedimiento llamado validación cruzada. porque la capacidad
predictiva del modelo se evalúa en observaciones distintas de aquellas con las que se estimó el
modelo y, con ello, se impone una penalización automática por grados de libertad. En realidad
no se basa en la estimación recursiva, porque no se deja crecer la muestra de estimación; en vez de
ello, se obtienen las diversas muestras de estimación omitiendo de manera secuencial las observa­
ciones. Sin embargo, como veremos. produce una introducción natural a un procedimiento de
selección recursiva de modelo muy relacionado, que presentaremos a continuación, y al cual
llamaremos validación cruzada recursiva.
La validación cruzada es como sigue. Se considera la selección entre Jmodelos de pronóstico.
Se comienza con el modelo 1, el cual se estima partiendo de todas las observaciones de elatos
menos la primera, se usa el modelo estimado para pronosticar la primera observación y se calcula
el error cuadrático asociado de pronóstico. A continuación se hace una estimación con todas las
observaciones menos la segunda, se usa la estimación para pronosticar la segunda observación y
se calcula el error cuadrático asociado. Se sigue con este método hasta que se hayan omitido de
manera secuencial todas las observaciones, y se promedian los errores al cuadrado de predicción
de cada una de las Tobservaciones omitidas. Se repite el procedimiento para los demás modelos,
j = 2.... , J, y se selecciona el modelo con el error cuadrático promedio de pronóstico que sea
mínimo.
Como hemos dicho, la validación cruzada se usa en ambientes de sección transversal y no de
series temporales, porque las estimaciones "sin uno" que se requieren sólo tienen sentido cuando
no hay dinámica. Esto es, sólo en ausencia de la dinámica se puede quitar una observación, des­
cartarla y proceder a estimar el modelo con las observaciones restantes sin más ajustes. Sin embar­
go, es fácil ampliar la idea básica de la validación cruzada al caso de las series temporales, lo cual
nos lleva al concepto de validación cruzada recursiva.
La validación cruzada recursiva se hace como sigue. La muestra inicial de estimación va de
t = 1 a t = T*, Yla "muestra guardada" empleada para comparar la eficiencia predictiva va de t =
T* + 1 a t = T. Para cada modelo se procede así: se estima el modelo a partir de las observaciones
l = 1,... , T*. A continuación se usa para pronosticar la observación P + 1 y se calcula el error
cuadrático asociado. En seguid:". se actualiza la muestra con una observación, la T* + 1, se estima
el modelo con la muestra actualizada t = 1,..., T* + 1, se pronostica la observación T* + 2 y se
calcula el error cuadrático asociado. Se sigue con esta reestimación y pronóstico recursivos hasta
agotar la muestra y a continuación se promedian los errores al cuadrado. obtenidos al predecir
las observaciones desde T* + 1 hasta T. Se selecciona el modelo con el error cuadrático promedio
mínimo de pronóstico.

ro APLICACiÓN: PRONÓSTICO INICIAL DE CONSTRUCCIÓN DE VIVIENDAS

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

FIGURA 5.7 Initio$ de construcción de viviendas. 01.1994-11.1994.

250,.--------------------,
200

.o 150

'ü
'c
~ I~~ I~
-
~ ~I
100

50

Tiempo ­

son estacionales, porque generalmente es preferible iniciar la construcción de viviendas en pri­

mavera, para que queden terminadas antes del invierno. Contamos con datos mensuales sobre los
inicios de construcción en Estados Unidos (véase disquete) y emplearemos el periodo 01.1948­
12.1993 para la estimación y el periodo 01.1994-11.1994 con el fin de pronosticar fuera de la
muestra. En la figura 5.7 se ve toda la serie y en la 5.8 un acercamiento para el periodo 01.19 Q O­
11.1994, a fin de pormenorizar mejor el comportamiento estacional.
En las figuras se observa que no hay tendencia, así que trabajaremos con el modelo estacio­
nal puro. .

'J, = L 'ti o, + E,
i= 1

FIGURA 5.8 Inicios de construcción de viviendas. 01.1990-11.1994.

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

Variable Coeficiente Error Estándar Estadístico T Probo

DI 86.50417 4.029055 21.47009 0.0000

D2 89.50417 4.029055 22.21468 0.0000
D3 122,8833 4.029055 30.49929 0.0000
D4 142.1687 4.029055 35.28588 0.0000
D5 147.5000 4.029055 36.60908 0.0000
D6 145.9979 4.029055 36.23627 0.0000
D7 139.1125 4.029055 34.52733 0.0000
D8 138.4167 4.029055 34.35462 0.0000
D9 130.5625 4.029055 32.40524 0.0000
DIO 134.0917 4.029055 33.28117 0.0000
D11 111.8333 4.029055 27.75671 0.0000
D12 92.15833 4.029055 22.87344 0.0000

Rcuadrada 0.383780 Variable dependiente del promedio 123.3944

R cuadrada ajustada 0.371762 Desviación estándar de la variable dependiente 35.21775
Error estándar de la regresión 27.91411 Criterio de información de Akaike 6.678878
Residuos cuadrados de la suma 439467.5 Criterio de Shwarz 6.769630
Logaritmo similar -2728.825 Estadístico F 31.93250
Estadistica Durbin-Watson 0.154140 Prob(estadistico F) 0.000000

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

FIGURA 5.9 Gráfica de residuales.

.-----------~----------~250

150

100

50

so 55 60 65 70 75 80 85 90

I-ReSiduales - - -. Reales - -. Ajustados 1

100 Capitulo S/Modelado y pronóstico de la estacionalidad

fll:iURA 5.10 lnícíos de construcción: factores estacionales estimados.

..
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

FIGURA 5.11 Inicios de construcción de viviendas: historia (01.1990-12.1993) y pronóstico (01.1994-11.1994),

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

meses de 1994. Los pronósticos parecen razonables y el modelo ha desempeñado. evidentemen­

te. un buen papel en capturar la pauta estacional. Sin embargo. los intervalos de pronóstico son
bastante anchos, lo que refleja que los efectos estacionales sólo son responsables de, más o me­
nos, una tercera parte de la variación de lo que se quiere pronosticar.
En lafigura 5.12 se agregó la realización durante 1994. El pronóstico parece muy exacto,
porque él y la realización se acercan mucho en el intervalo. Además. la realización queda muy en
el interior del intervalo de confianza 95%.
Por último, para proporcionar cierta evidencia de la estabilidad de la tendencia estacional,
en la figura 5.13, página 102. se ven los 12 estimados recursivos de parámetro estacional. Cada
una de las gráficas, que corresponde a un parámetro distinto. se traza en escala distinta; lo único
que se puede comparar entre las figuras es la forma de las trayectorias de los parámetros a través
del tiempo. Todos los parámetros suben primero; el nivel general de los inicios de construcción
tiende a subir primero en la muestra, y ello tira hacia arriba de todos los estimados, por lo peque­
ño de la muestra. Sin embargo. todos los coeficientes se estabilizan con rapidez y hay poca eviden­
cia de inestabilidad estructural 10.
La figura 5.14 represen ta los residuales recursivos y dos bandas de error estándar. Los residuales
recursivos tienen mucha correlación en serie. porque todavía no hemos modelado los efectos

FIGURA 5.12 Inicios de construcción de viviendas: historia (01.1990-12.1993), pronóstico y realización

(01.1994-11.1994) .

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.

..,

102 Capitulo 5/Modelado y pronóstico de la estacionalidad

FIGURA 5.13 Estimados recursivos de parámetro: modelo de variable estacional indicadora

para inicios de construcción de viviendas.

\: .
.­

-;¡
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

------ .. _----- .. -..... ---­

40

-40 ----_ ... "'~~,

.. _-- .. -- ...... _­ -- --------_ .. -----­

50 55 60 65 70 75 80 85 90

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

1. (Transformaciones logarítmicas en modelos estacionales) Así como fueron de utilidad las

transformaciones logarítmicas en los modelos de tendencia, para tener en cuenta la no linea­
lidad. también son útiles en los modelos estacionales, aunque con finalidad algo distinta: la
estabilización de la varianza. Con frecuencia, las transformaciones logarítmicas estabilizan
las pautas estacionales cuya varianza crece con el tiempo. Explique por qué y presente ejem­
plos.
2. (Ajuste estacional) Así como a veces se trata de eliminar la tendencia de una serie, hay ocasio­
nes que se desea ajustar estacionalmente una serie antes de modelarla y pronosticarla. El
ajuste estacional se puede efectuar con métodos de promedios móviles, análogos a los que se
usaron para quitar la tendencia en el capítulo 4, o con los métodos de variable indicadora
aquí descritos, o bien, con métodos híbridos complicados, como el X-11 desarrollado en la
Oficina del Censo en Estados Unidos.
a) Describa con detalle cómo usaría usted los métodos de regresión con variable indicadora
para ajustar estacionalmente una serie. (Sugerencia: la serie ajustada estacionalmente se
relaciona en forma estrecha con los residuales de la regresión de la variable indicadora
estacional. )
b) Ajuste estacionalmente la serie de inicios de construcción de vivienda, usando la regre­
sión con variables indicadoras. Describa las pautas presentes y ausentes de la serie ajusta­
da estacionalmente.
c) Busque en la Red (o en la biblioteca) información acerca del procedimiento Census
X-ll de ajuste estacional y haga un informe de lo que aprendió.
3. (Selección del modelo basado en la eficiencia de pronóstico simulado)
a) Regrese a los datos de ventas al menudeo del capítulo 4 y aplique la validación cruzada
recursiva para seleccionar entre los modelos de pronóstico con tendencia lineal y con
tendencia cuadrática. ¿Cuál seleccionó? ¿Cómo se compara' con el modelo seleccionado
con el criterio de Akaike o el de Schwarz?
b) ¿Cómo decidió usted un valor de P cuando efectuó la validación cruzada recursiva con
los datos de ventas al menudeo? ¿Cuáles son las consideraciones relevantes?
c) Una virtud de los procedimientos de validación cruzada recursiva es su flexibilidad. Su­
ponga que su función pérdida no es el error cuadrático promedio a una etapa; en lugar
de ello, suponga que es una función asimétrica de ese error. ¿Cómo modificaría el pro­
cedimiento de validación cruzada recursiva para llegar a la función pérdida asimétrica?
¿Cómo procedería si la función pérdida fuera un promedio de los errores cuadráticos de
1 a 4 etapas en el futuro?
4. (Modelos estacionales con parámetros función del tiempo o parámetros variables en el tiem­
po: pronosticar los pasajeros-milla de Air Canada) Usted trabaja para Air Cariada y va a mo­
delar y pronosticar las millas por persona (pasajeros-milla) que viajan en sus vuelos los cuatro
trimestres del año. Durante los últimos 15 años, para los cuales cuenta usted con datos, se
sabe bien que la tendencia en pasajeros-milla ha sido horizontal, esto es, que no hay tenden­
cia e, igualmente, efectos cíclicos. Los expertos en comunicaciones aéreas creen, sin ernbar­

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.

a) ¿Por qué podrían ser estacionales los pasajeros-milla en la aerolínea?

b) Ajuste un modelo estacional trimestral a los datos de Air Canada, y evalúe la importancia

de los efectos estacionales. ¿Indican las pruebas ty Fque es importante la estacionalidad?

¿Indican los criterios de Akaike y de Schwarz que es importante la estacionalidad? ¿Cuál
es el comportamiento estacional estimado?
c) Aplique procedimientos recursivos para evaluar si los coeficientes estacionales evolucio­
nan con el tiempo. Describa sus resultados.
d) Si los coeficientes estacionales evolucionan con el tiempo. ¿cómo modelaría usted esa
evolución. mejorando con ello su modelo de pronóstico? (Sugerenaa: Considere las ten­
dencias en los mismos coeficientes estacionales.). .
e) Compare los pronósticos de extrapolación a 4 trimestres partiendo de sus modelos, con
y sin evolución de estacionalidad,
5. (Selección de modelos de pronóstico donde intervienen efectos de calendario) Usted está
seguro que una serie que desea pronosticar tiene tendencia. y que es adecuado el modelo de
tendencia lineal, pero no está seguro si es importante laescacionalidad. Para estarlo, ajusta.
un modelo de pronóstico con indicadores de tendencia y de estación, al mismo tiempo,

11 =~1 TIEMPO 1+ L "ti o, + El

i .. l

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 ¡

11 indicadores estacionales, y no todo el conjunto de indicadores estacionales como hicimos

en el texto. Compare sus resultados con los que menciona el texto y encuentre las diferencias.

NOTAS BIBLIOGRÁFICAS Y SOBRE COMPUTACiÓN

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

Ajuste estacional Parámetros variables en el tiempo

Caminata aleatoria Regresión con indicadores estacionales
Efecto calendárico Residuales recursivos
Estabilización de las varianzas Residuales recursivos estandarizados
Estacionalidad Serie temporal estacionalmente ajustada
Estacionalidad determinista Suma acumulada (CUSUM)
Estacionalidad estocástica Validación cruzada
Estimación recursiva Validación cruzada recursiva
Fluctuaciones no estacionales Variables indicadoras estacionales
Gráfica CUSUM Variación por días feriados
Inestabilidad de parámetro Variación por días feriados

REFERENCIAS PARA LECTURAS ADICIONALES

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.