Análisis Espectral

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

 donde u(w) y v(w) son procesos continuos incorrelados

con incrementos infinitesimales
Análisis espectral
 La expresión anterior es la representación espectral del
proceso, pero es complicada y difícil de manejar
matemáticamente.
 Se recurre por ello a una formulación alternativa, basada
en un teorema de Wienner Khintchine, según el cual
para todo proceso estocástico estacionario con función
de autocovarianza c(u), existe una función monótona
creciente F(w), tal que,

c(u)   cos wpu dF (w), con F ( w)  0 si w  0
0

 Si u=0, dado que toda la variación está entre 0 y ,

 
c(0)   cos0dF (w)  F (w) 0  F ( )  F (0)  F ( )
0
Análisis espectral
 La función F tiene una interpretación inmediata: es la
contribución a la varianza de la serie X, de las
frecuencias comprendidas entre 0 y w.
 Como es lógico en el intervalo (0, ) debe estar
comprendida toda 
la variación, como reza la expresión
anterior, F(w)0 = c(0).
 La función de densidad espectral o simplemente el
espectro, no es más que la derivada de la función de
distribución F(w),
dF ( w)
f ( w) 
dw
Análisis espectral
 f(w) explica la contribución a la varianza
en el rango de frecuencias (w+dw) (picos)
 Llevando esta expresión a la original para
c(u), 


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, 2x2/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

 Es posible demostrar que,

E  I (wp )   f (w)
T 

 Pero el Iw es un estimador inconsistente:

4
 Puesto que 2 I (w ) es una 2 con 2 gl, por definición su
2 p

varianza será 4 (2*nº gl), i.e.

 2  4 2
var  2 I ( wp )   4 var  I ( wp )   4
X  X
4 4
 4
var  I ( wp )   2  2
X X
4 
Espectro de ruido blanco
 Puesto que un proceso RB se caracteriza por presentar
una función de autocovarianza nula para todo u distinto
de cero, de
 1 T 1

I ( wp )  c0  2  cu cos wpu
 k 1

 Se deduce que el espectro será constante y su valor c0/

 Es decir que todas las frecuencias han de explicar la
misma porción de varianza (ausencia de picos).
 De ello se deduce también su inconsistencia puesto que
al no depender de n entonces la varianza no tiende a
cero cuando T tiende a infinito.
Espectro de un MA(1)
1  2 cos w 
Viene dado por la expresión, f *( w)  1
   1   2 
 Su trazado depende del valor del parámetro 
1.0
Espectro de un MA(1)

0.8

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  21 (1  2 ) cos w  22 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 k1 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

 Donde Mu es un conjunto de ponderaciones arbitrario con M<T

 La elección de un determinado M es lo que define la denominada
ventana espectral.
Estimación consistente
 Una regla general consiste en elegir 0.05<M/T<0.34
 Un M elevado haría que el espectro estimado siguiese
siendo errático (inconsistente) mientras que si M es
pequeño, la varianza se reducirá pero a costa de un
sesgo mayor.
 En la literatura se mencionan diversas posibilidades o
ventanas: la de Barlett, la de Tukey o la de Parzen.
 Si se usa directamente el periodograma, el estimador
consistente se obtiene suavizando los valores Iw
Estimación consistente

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

• Donde se aprecia multitud de picos.

• En Gretl, seleccionar variable, espectro, periodograma muestral
 Paro (1982.1-2009.12)
Espectro (sesgado pero consistente)
Zt = dd12Paro
omega frecuencia escalada periodos
Espectro de sd_d_Paro (Ventana de Bartlett, anchura 36)
densidad espectral
meses
323,0 12,0 6,1 4,1 3,1 2,5 2,1
0,0195 1 323,00 7,2612e+08
1,6e+009
0,0389 2 161,50 7,7453e+08
1,4e+009 0,0584 3 107,67 8,5322e+08
1,2e+009 0,0778 4 80,75 9,5787e+08
1e+009
0,0973 5 64,60 1,0805e+09
8e+008
0,1167 6 53,83 1,2092e+09
6e+008
0,1362 7 46,14 1,3290e+09
4e+008
0,1556 8 40,38 1,4242e+09
0,1751 9 35,89 1,4811e+09
2e+008
0,1945 10 32,30 1,4918e+09
0
0 20 40 60 80 100 120 140 160 0,2140 11 29,36 1,4553e+09
frecuencia escalada

• Donde se han suavizado el periodograma y se aprecian menos picos.

• En Gretl, seleccionar variable, espectro, ventana de Bartlett (36)
 Paro (Predicción 2010)
Análisis espectral: (6 ciclos teóricos) «35,89» «8,12» «4,78» «3,42» «2,69» «2,14».
Análisis Univariante: (1-B)(1-B12)Wt = Zt = a + 0,23Zt-1 + 0,20Zt-2 – 0,86Vt-12
4700000
Paro efectivo
4600000
Predicción espectral
4500000 Predicción ARIMA

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

17900000 Empleo efectivo

Predicción espectral
17800000
Predicción ARIMA
17700000

17600000

17500000

17400000

17300000
Análisis Espectral

Econometría II
Capítulo VII