UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE ECONOMÍA

“ANÁLISIS DE LAS SERIES DE TIEMPO”

DOCENTE: DR. LUIS VARONA CASTILLO.

CURSO: ECONOMETRÍA II.

ALUMNO: CASTRO SILUPU KATTY MERCEDES.

ROBLEDO FLORES, CANDELARIA ENI.

PALACIOS GRANADINO KATTIA MARISOL

SERNAQUE JORGE LUIS

VALLADOLID RIOS LORENA JANET

CICLO: VERANO 2020-00.

PIURA-PERÚ
 ANALISIS SERIES DE TIEMPO

DAMODAR N. GUJARATI

 preguntas encargadas

21.1. ¿Qué significa estacionariedad débil?

La estacionariedad débil se da cuando su media y su varianza son constantes en el tiempo y si el

valor de la covarianza entre dos periodos depende sólo de la distancia o rezago entre estos dos
periodos, y no del tiempo en el cual se calculó la covarianza, a este proceso se le conoce también
como un proceso estocástico débilmente estacionario, estacionario covariante, estacionario de
segundo orden o proceso estocástico en amplio sentido.

Para explicar la estacionariedad débil, sea 𝑌𝑡 una serie de tiempo estocástica con estas
propiedades:

Media: 𝐸(𝑌𝑡 ) = 𝜇

Varianza: 𝑣𝑎𝑟 (𝑌𝑡 ) = 𝐸(𝑌𝑡 − 𝜇) 2 𝜎 2

Covarianza: 𝛾𝑘 = 𝐸[(𝑌𝑡 − 𝜇)(𝑌𝑡+𝑘 − 𝜇)]

Donde 𝛾𝑘 , la covarianza (o autocovarianza) en el rezago 𝑘, es la covarianza entre los valores

de 𝑌𝑡 y 𝑌𝑡+𝑘 , es decir, entre dos valores 𝑌 separados 𝑘 periodos. Si 𝑘 = 0, obtenemos 𝛾0 , que es
simplemente la varianza de 𝑌( = 𝜎2 ); si 𝑘 = 1, 𝛾 1 es la covarianza entre dos valores
adyacentes de 𝑌.

Si una serie de tiempo es estacionaria, su media, su varianza y su autocovarianza (en los diferentes
rezagos) permanecen iguales sin importar el momento en el cual se midan; es decir, son
invariantes respecto del tiempo. Tal serie de tiempo tenderá a regresar a su media (llamada
reversión media) y las fluctuaciones alrededor de esta media (medida por su varianza) tendrán
una amplitud constante en términos generales. Si una serie de tiempo no es estacionaria en el
sentido antes definido, se denomina serie de tiempo no estacionaria (recuerde que hablamos sólo
de estacionariedad débil). En otras palabras, una serie de tiempo no estacionaria tendrá una media
que varía con el tiempo o una varianza que cambia con el tiempo, o ambas.

Decimos que un proceso estocástico es estacionario débil si su media, varianza y autocovarianzas

son constantes en el tiempo (es decir, son invariantes en el tiempo).

21.2. ¿Qué significa series de tiempo integradas?

Una serie de tiempo integrada significa que si en general, una serie de tiempo (no estacionaria)
debe diferenciarse 𝑑 veces para hacerla estacionaria, decimos que la serie es integrada de orden
𝑑. Una serie de tiempo 𝑌𝑡 integrada de orden 𝑑 se denota como 𝑌𝑡 ∼ 𝐼(𝑑). Si una serie de tiempo
es estacionaria desde el principio (es decir, si no requiere ninguna diferenciación), decimos que
es integrada de orden cero y se denota mediante 𝑌𝑡 ∼ 𝐼(0). Por tanto, con los términos “serie de
tiempo estacionaria” y “serie de tiempo integrada de orden cero” se da a entender la misma cosa.

Propiedades de las series integradas

1. Si 𝑋𝑡 ∼ 𝐼(0) 𝑦 𝑌𝑡 ~ 𝐼(1), 𝑍𝑡 = (𝑋 𝑡 + 𝑌𝑡 ) = 𝐼(1); es decir, una combinación lineal o

suma de series de tiempo estacionaria y no estacionaria es no estacionaria.
2. Si 𝑋𝑡 ∼ 𝐼(𝑑), 𝑍𝑡 = (𝑎 + 𝑏𝑋𝑡 ) = 𝐼(𝑑), donde 𝑎 𝑦 𝑏 son constantes. Es decir, una
combinación lineal de una serie 𝐼(𝑑) es también 𝐼(𝑑). Por tanto, si 𝑋𝑡 ∼ 𝐼(𝑑), 𝑍𝑡 =
(𝑎 + 𝑏𝑋𝑡 ) ∼ 𝐼(0).
3. Si 𝑋𝑡 ∼ 𝐼(𝑑1 )𝑦 𝑌𝑡 ~ 𝐼(𝑑2 ), 𝑍 𝑡 = (𝑎𝑋𝑡 + 𝑏𝑌𝑡 ) ∼ 𝐼(𝑑2 ), donde 𝑑1 < 𝑑2 .
4. Si 𝑋𝑡 ∼ 𝐼(𝑑) 𝑦 𝑌𝑡 ∼ 𝐼(𝑑), 𝑍 𝑡 = (𝑎𝑋𝑡 + 𝑏𝑌𝑡) ∼ 𝐼(𝑑∗ ); 𝑑∗ es por lo general igual a
d, pero en algunos casos 𝑑∗ < 𝑑.

21.3. ¿Cuál es el significado de Raíz Unitaria?

Esta prueba es conocida como prueba de “raíz unitaria media” y es aquella que expresa si una
serie de tiempo es fluctuante, en otras palabras, esta prueba puede diagnosticar, si una serie de
tiempo puede ser estacionaria o no estacionaria.

Un proceso estocástico lineal, tiene una raíz unitaria si el valor de la raíz de la ecuación
característica del proceso es igual a 1, por lo tanto, tal proceso es no estacionario. Si las demás
raíces de la ecuación característica se encuentran dentro del círculo unitario, es decir, tienen
un valor absoluto menor a uno entonces la primera diferencia del proceso es estacionaria

Por ejemplo, este sería un modelo autorregresivo de orden uno:

𝑦𝑡 = 𝜌1 𝑦𝑡−1 + 𝜇𝑡

−1 ≤ 𝜌 ≤ 1

Es decir, tiene raíz unitaria cuando 𝜌1 = 1; en este ejemplo la ecuación 𝑚 − 𝜌1 = 0, y donde la

raíz de la ecuación es 𝑚 = 1. Si el proceso tiene una raíz unitaria, entonces es una serie de tiempo
no estacionaria.

Por ello, existen varias pruebas de raíz unitaria y esto radica en su tamaño y potencia. Por tamaño
de la prueba nos referimos al nivel de significancia, es decir, la probabilidad de cometer un error
tipo (𝐼), y por potencia de una prueba a la probabilidad de rechazar la hipótesis nula cuando es
falsa. Calculamos la potencia de una prueba al restar la probabilidad de un error tipo II de 1; el
error tipo II es la probabilidad de aceptar una hipótesis nula falsa.

Por lo tanto, al aplicar las pruebas de raíz unitaria se deben tener en cuenta sus limitaciones, entre
ellas encontramos a Phillips-Perron y Ng; Elliot-Rothenberg-Stock; Elliot-Rothenberg-Stock-
optimal; Dickey-Fuller y Ng-perron.

21.4 Si una serie de tiempo es I (3), ¿Cuántos veces debe diferenciarse para hacerla
estacionaria?

Si una serie de tiempo tiene una raíz unitaria, las primeras diferencias de tales series son
estacionarias. Si una serie de tiempo es I(3), contendrá tres raíces unitarias, en cuyo caso
tendremos que diferenciar tres veces. Si es I(d), debe diferenciarse d veces, donde d es cualquier
entero para lograr ser estacionaria.

21.5. ¿Qué son las pruebas de Dickey-Fuller (DF) y DF aumentada?

La prueba Dickey-Fuller se le conoce como estadístico o prueba tau. Esta es una prueba estadística
que se puede utilizar para determinar si una serie de tiempo es estacionaria.

En esta prueba, cuando se rechaza la hipótesis de que 𝛿 = 0, entonces, la serie de tiempo es

estacionaria, y podemos utilizar la prueba 𝑡, ya que, debemos tener en cuenta que la prueba
Dickey-Fuller es unidireccional porque la hipótesis alternativa es que 𝛿 < 0 ó 𝜌 < 1.

Mientras que la prueba de Dickey-Fuller-Aumentada (ADF), es una versión aumentada de la

prueba DF para un conjunto más amplio de modelos de series de tiempo. Esta prueba, utiliza un
número negativo. Cuanto más negativo es, más fuerte es el rechazo de la hipótesis nula de que
existe una raíz unitaria para un cierto nivel de confianza, en otras palabras, prueba de Dickey-
Fuller-Aumentada es similar al DF excepto que toma en cuenta la posible correlación en el
término de error.

21.6. ¿Qué son las pruebas Engle-Granger (EG) y EG aumentada?

Las pruebas Engle - Granger (EG) y Engle-Granger aumentada (EGA) sirven para averiguar si
dos o más series de tiempo están cointegradas. La cointegración de dos (o más) series de tiempo
indica que existe una relación de largo plazo, o de equilibrio, entre ellas.

La prueba de Engle – Granger (EG) o prueba de Engle – Granger aumentada (EGA) es utilizada
cuando la prueba de raíz unitaria DF o DFA sobre los residuos estimados a partir de la regresión
cointegrante, y la 𝑢𝑡 estimada se basa en el parámetro de cointegración estimado 𝛽2 , no es del
todo apropiada ósea los valores críticos de significancia DF y DFA no son del todo apropiados.
Por consiguiente, en el contexto actual, las pruebas DF y DFA se conocen como la prueba de
Engle-Granger (EG) y la prueba de Engle-Granger aumentada (EGA).

21.7. ¿Cuál es el significado de Cointegración?

La cointegración es una característica de las variables en las series de tiempo donde dos o más
series de tiempo están cointegradas si comparten una tendencia estocástica común, en otras
palabras, son significativas. Además, se dice también que las variables son cointegradas si tienen
una relación estable de largo plazo, o de equilibrio, aunque individualmente cada una de las
variables es fluctuante. En ese caso, la regresión de una variable en el otro no es falsa.

21.8. ¿Cuál es la diferencia, si acaso, entre pruebas de raíz unitaria y pruebas de

cointegración?

La diferencia data en que la raíz unitaria se utiliza solo para ver si la serie es o no estacionaria (es
decir, tiene o no raíz unitaria). En cambio las pruebas de cointegración se realizan entre un
conjunto de variables para verificar si existe una relación entre ellas, cabe resaltar que para la
cointegración las variables deben tener raíz unitaria (que no sea estacionaria)

21.9 ¿Que es la regresión espuria?

La regresión de una variable de serie de tiempo sobre una o más variables de series de tiempo a
menudo puede dar resultados sin sentido o espurios. Y una forma de evitarla es establecer si las
series de tiempo están cointegradas.

21.10. ¿Cuál es la conexión entre cointegración y regresión espuria?

Si una variable es retrocedido fluctuantes en otro fluctuantes variable(s), la regresión puede pasar
el habitual criterios estadísticos (alto valor R2 t, ratios, etc.) aunque a priori no podemos esperar
una relación entre los dos. Esto es especialmente cierto si las dos variables no están cointegrados.
Sin embargo, si las dos variables están cointegrados, aunque cada uno de ellos son fluctuantes, la
regresión no puede ser falsa.

En este caso decimos que las dos variables están cointegradas. En términos económicos, dos
variables serán cointegradas si existe una relación de largo plazo, o de equilibrio, entre ambas. Lo
hacen de forma sincronizada. Mantienen dicha relación a lo largo del tiempo. El concepto de
cointegración surge por el problema de intentar saber si dos o más variables están, en realidad,
relacionadas. Muchas relaciones entre variables pueden ser espurias, es decir, falsas. Espuria
significa que, aunque estadísticamente parezca que tienen relación es pura casualidad.

21.11. ¿Cuál es la diferencia entre una tendencia determinista y una tendencia estocástica?
Una tendencia determinista: Implica que no hay incertidumbre alguna sobre la evolución futura
de la tendencia. Conocido el pasado es posible prever su futuro “NO ES REALISTA”. Mientras
la tendencia estocástica: No hay certidumbre a futuro. SON MÁS REALISTAS

La mayoría de las series de tiempo económicas muestran tendencias. Si estas tendencias son
perfectamente previsibles, que denominamos determinista. Si no es así, nosotros los llamamos
estocástico. Una serie de tiempo no estacionario presenta generalmente una tendencia estocástica.

GRAFICO N°1.

Para apreciar la diferencia entre una tendencia determinista y una estocástica, considere el grafico
siguiente. Donde la serie llamada estocástica en este grafico está generada por el MCA con deriva:

 𝑌𝑡 = 0.5 + 𝑌𝑡−1 𝑈𝑡 . Donde se generaron 500 valores de 𝑈𝑡 a partir de la distribución

estándar y donde el valor inicial de Y se estableció como 1. La serie llamada determinista
se genera de la siguiente forma:
 𝑌𝑡 = 0.5𝑡 + 𝑈𝑡 . Donde 𝑈𝑡 se generó como antes y t es el tiempo medido
cronológicamente.

Como se ve a partir del gráfico, en el caso de la tendencia determinista, las desviaciones de la

línea de tendencia (que representa la media no estacionaria) son puramente aleatorias y se
eliminan rápido; no contribuyen al desarrollo de largo plazo de las series de tiempo, el cual está
determinado por el componente de la tendencia 0.5t. En el caso de la tendencia estocástica, por
otra parte, el componente aleatorio u t afecta el curso de largo plazo de la serie 𝑌𝑡 .

Por lo tanto la tendencia estocástica presenta la siguiente ecuación 𝑌𝑡 − 𝑌𝑡−1 = ∆𝑌𝑡 = 𝛽1 + 𝑈𝑡 .

entonces es un PED porque la no estacionariedad en 𝑌𝑡 se elimina al tomar las primeras diferencias
de las series de tiempo. La tendencia determinista presenta la siguiente ecuación 𝑌𝑡 = 𝛽1 + 𝛽2𝑡 +
𝑈𝑡 . Lo cual se llama proceso estacionario en tendencia (PET).
21.12. ¿Qué significa proceso estacionario en tendencia (PET) y proceso estacionario en
diferencias (PED)?

Una variable tiene tendencia determinista, los residuos de la regresión de la serie de tiempo sobre
la evolución variable representa lo que se llama una tendencia de proceso estacionario. Si se tiene
una serie de tiempo es variante, pero luego de ver su primera diferencia(o superior) se queda
inmóvil, y a este tipo de series de tiempo se llama una diferencia de proceso estacionario.

21.13. ¿Qué es una caminata aleatoria (modelo)?

Una caminata aleatoria (Random Walks) es un ejemplo de proceso fluctuante o variante. Si una
variable sigue una caminata aleatoria, es decir su valor presente o actual es igual a su valor en su
periodo anterior más un shock aleatorio (termino de error). En tales situaciones, puede que no
seamos capaces de prever el curso de este tipo de variable de tiempo. Los precios de las acciones
o los tipos de cambio son ejemplos típicos de la caminata aleatoria fenómeno.

21.14 “Para un proceso estocástico de caminata aleatoria, la varianza es infinita”. ¿Está de

acuerdo? ¿Por qué?

Si estoy de acuerdo, un proceso estocástico no estacionario de caminata aleatoria su media de y

es igual a su valor inicial (constante), pero conforme se incrementa t, su varianza aumenta de
manera indefinida, lo que viola una condición de la estacionariedad. Se muestra: var(𝑌𝑡 ) = t𝜎 2 ,
en la práctica, 𝑌0 a menudo se iguala a cero, en cuyo caso 𝐸(𝑌𝑡 ) = 0. Sin embargo, de los errores
aleatorios, lo cual resulta de 𝑌𝑡 = 𝑌𝑡 + ∑ 𝑢𝑡 : 𝑌𝑡 es la suma de 𝑌0 inicial más la suma de los
choques aleatorios. Como resultado, no se desvanece el impacto de un choque particular. Por
ejemplo, si 𝑢2 = 2, en vez de 𝑢2 = 0, todas las 𝑌𝑡 de 𝑌2 en adelante serán 2 unidades mayores,
por lo que nunca cesa el efecto de este choque. Por esta razón, que la caminata aleatoria tiene una
memoria infinita. Ya que la caminata aleatoria recuerda los choques por siempre, es decir, tiene
memoria infinita. La suma ∑ 𝑢𝑡 se conoce también como tendencia estocástica.

21.15. ¿Qué es el mecanismo de corrección de errores (MCE)? ¿Cuál es su relación con la

cointegración?

Para hablar del modelo MCE, se debe mencionar la cointegración, la cual implica que a largo
plazo, existe relación entre dos o más variables (equilibrio), mientras que en el corto plazo, sin
embargo, puede haber un desequilibrio entre los dos. El MCE pone las dos variables de equilibrio
de largo plazo.
Por otro lado, el mecanismo de corrección de errores (MCE), utilizado por primera vez por Sargan
y popularizado más tarde por Engle y Granger, corrige el desequilibrio. Un importante teorema,
conocido como teorema de representación de Granger, afirrma que, si dos variables Y y X están
cointegradas, la relación entre las dos se expresa como MCE. Para ver lo que esto significa,
revertiremos el ejemplo de GCP e IPD. Ahora considere el siguiente modelo:

∆𝐿𝐺𝐶𝑃𝑡 = 𝛼0 + 𝛼1 ∆𝐿𝐼𝑃𝐷𝑡 + 𝛼2 𝑈𝑡−1 + 𝜀𝑡

Mientras que el concepto de cointegración es sin duda un fundamento teórico importante del
modelo de corrección de errores, hay aún diversos problemas en torno a su aplicación práctica;
los valores críticos y el desempeño en muestras pequeñas de muchas de las pruebas son
desconocidos para un amplio rango de modelos; la inspección bien informada del correlograma
puede ser aún una herramienta importante.