Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE ECONOMÍA
PIURA-PERÚ
ANALISIS SERIES DE TIEMPO
DAMODAR N. GUJARATI
preguntas encargadas
Para explicar la estacionariedad débil, sea 𝑌𝑡 una serie de tiempo estocástica con estas
propiedades:
Media: 𝐸(𝑌𝑡 ) = 𝜇
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.
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
𝑦𝑡 = 𝜌1 𝑦𝑡−1 + 𝜇𝑡
−1 ≤ 𝜌 ≤ 1
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.
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.
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).
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.
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)
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.
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:
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.
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.
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:
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.