Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Econometría II
Capítulo VII
Análisis Espectral
Es una forma alternativa de tratar el análisis
de series temporales
En lugar de trabajar en el dominio del tiempo
ahora se hace en el de las frecuencias
El punto de partida es el Análisis Armónico,
cuya afirmación básica es que cualquier serie
estacionaria puede ser perfectamente
aproximada por un polinomio trigonométrico.
2
Análisis espectral
Es decir, el AA, periódico o de Fourier, afirma que,
p T / 2
X t a0 (a
p 1
p cos pw0t bp sin pw0t )
donde,
T es el tamaño de la serie
w0 es la frecuencia fundamental, definida por w0=2/T
p es el orden del armónico, siendo éste un movimiento
compuesto por una onda de seno y una de coseno en la misma
frecuencia
t es una serie que toma valores enteros entre 1 y T
ap y bp son parámetros a estimar
Análisis espectral
Estimados los ap y bp se puede calcular la capacidad explicativa de
cada ciclo teórico a partir de
a 2p bp2
R p2
2
Cuya suma explica la varianza total de la serie de acuerdo con el
teorema de Parseval
La representación gráfica de (Rp2) en ordenadas y p en abcisas, es lo
que denominamos Periodograma
El periodograma es pues la representación gráfica de la contribución
a la varianza de cada uno de los T/2 ciclos teóricos
Análisis espectral
El Análisis Espectral (AE) es una generalización
probabilística del AA, básicamente determinista
En concreto se emplea ahora un concepto nuevo, el de
espectro, del que el periodograma no sería más que un
estimador.
El espectro es el equivalente al concepto de población o,
en el contexto del análisis de series temporales, al PGD.
La serie concreta de datos sería entonces una muestra
aleatoria de aquella población y, a partir de ella,
trataríamos de encontrar el PGD, es decir el espectro.
Análisis espectral
El AA distribuye toda la varianza de la serie entre los T/2
armónicos definidos a partir de las denominadas
frecuencias de Fourier, w0, 2w0, …, (T/2)w0 (=)
Pero si en la expresión básica del AA, hacemos tender k
a infinito, es decir, si en lugar de considerar
exclusivamente las frecuencias de Fourier consideramos
infinitas frecuencias, se tiene,
X t cos wt du(w) sin wt dv(w)
0 0
c(u ) cos wpu f (w)d (w)
0
Estimación del espectro
A partir de una muestra concreta de datos, hemos de
estimar su espectro.
El estimador natural es el periodograma
El periodograma solo considera las frecuencias de
Fourier, mientras que el espectro asigna una señal a
“todas” las frecuencias en el rango (0, )
Ello lleva a modificar el periodograma en tanto que
estimador del espectro.
Puede por ejemplo usarse la expresión
a 2p bp2
R p2 2 T ( a 2
b 2
p)
I ( wp ) p
2 2 4
T T
Estimación del espectro
Relación entre Iw y cu
Puesto que tanto el periodograma como la
función de autocovarianza son funciones
cuadráticas de los datos, puede hallarse
una relación entre ambos.
Ésta viene dada por,
I ( wp )
1
c 2 c cos w u
0
T 1
k 1
u p
Distribución del periodograma
Interesa analizar las propiedades de Iw en
cuanto estimador del espectro.
Dados los supuestos de partida, se tiene que los
estimadores ap y bp son N(0, 2x2/T), y,
aˆ 2p bˆp2
2
2 X2 2 X2 2
T T
Esta expresión puede escribirse como,
aˆ 2p bˆp2 T (aˆ 2p bˆp2 ) T (aˆ 2p bˆp2 ) 4 4 T (aˆ 2p bˆp2 ) 4
I ( w ) 2
2 X2 2 X2 2 X2 4 2 2 4 2 2
p 2
T 2
I ( wp ) 22
2
Inconsistencia del periodograma
2
Por tanto I ( w ) será también una Ji cuadrada con 2 gl.
2 p
0.6
0.4
0.2
0.0
Espectro de un AR(1)
1 2
Viene dado por, f *( w)
1 2 2 cos( w)
Dependiendo su trazado del valor del parámetro
.6 .6
Espectro de un AR(1) Espectro de un AR(1)
.5 .5
.4 .4
.3 .3
.2 .2
.1 .1
.0
.0
10 20 30 40 50 60 70 80 90 100
10 20 30 40 50 60 70 80 90 100
2
Para un AR(2) es f ( w) 1 12 22 21 (1 2 ) cos w 22 cos 2w
Estimación consistente
Puede obtenerse suavizando bien el periodograma o bien la función
de autocovarianza.
1
T 1
La expresión I (wp ) c0 2 k1 cu cos wpu permite obtener Iw a partir de la
función de autocovarianza muestral c(u). Pero la precisión de c(u)
disminuye a medida que aumenta u
Por tanto podemos emplear un sistema de ponderaciones que
otorgue más peso a los primeros valores de c(u). Por ejemplo,
ˆf ( w) 1 M c 2 M c cos w u
0 0
k 1
M
u u
p
6
.06
Periodograma
4 .05
2 .04
0 .03
-2 .02
-4 .01
AR(1), X=0.8*X(-1)+u
-6 .00
250 500 750 1000 100 200 300 400 500
Estimador consistente
.06
Estimador consistente
.05 Periodograma
.04
.03
.02
.01
.00
100 200 300 400 500
Ejemplo, Paro (1982.1-2009.12)
Periodograma (insesgado pero inconsistente)
Zt = dd12Paro
omega frecuencia periodos densidad
Espectro de sd_d_Paro
meses
323,0 12,0 6,1 4,1 3,1 2,5 2,1
0,0195 1 323,00 2,6329e+08
5e+009
0,0389 2 161,50 6,0981e+08
0,0584 3 107,67 1,3722e+09
4e+009
0,0778 4 80,75 7,9326e+08
3e+009
0,0973 5 64,60 1,2143e+09
0,1167 6 53,83 1,5597e+09
2e+009
0,1362 7 46,14 7,5460e+08
0,1556 8 40,38 4,1099e+08
1e+009 0,1751 9 35,89 4,4170e+09
0,1945 10 32,30 2,1860e+09
0
0 20 40 60 80 100 120 140 160
0,2140 11 29,36 1,4444e+09
frecuencia escalada
4400000
4300000
4200000
4100000
4000000
3900000
Empleo (predicción 2010)
Análisis Espectral: (8 ciclos teóricos) «162,5» «9,56» «8,12» «4,64» «3,49» «3,04» «2,29» «2,06»
Análisis univariante: (1-B)(1-B12)Ln(Wt)=Zt=Vt–0,40Vt-1–0,48Vt-12–0,19Vt-24+0,37Zt-1+0,13Zt-2+0,30Zt-3
17600000
17500000
17400000
17300000
Análisis Espectral
Econometría II
Capítulo VII