Estadística Industrial

Universidad Carlos III de Madrid

Series temporales
Práctica 1

Objetivo:

Realizar un análisis descriptivo de series temporales no estacionarias mediante el

paquete estadístico Statgraphics. Identificar si la serie tiene tendencia,
estacionalidad, cambios estructurales, heterocedasticidad.

Datos:

• Fichero: series1.sf

Descripción de los datos:

Columna Serie Periodicidad Inicio Fin

1 IPI Alemania mensual ene-83 feb-94
2 IPI Italia mensual ene-83 dic-93
3 paro mensual ene-77 jun-99
4 Nº de pasajeros mensual ene-85 abr-94
5 heterocedástica - - -

• Columna 1: Índice de Producción Industrial (IPI) de Alemania.

• Columna 2: Índice de Producción Industrial (IPI) de Italia.
• Columna 3: Número de parados en España.
• Columna 4: Número de pasajeros de la compañía Iberia.
• Columna 5: Serie heterocedástica.

Importar el fichero de datos:

• En el menú de opciones:

FILE -> OPEN -> OPEN DATA FILE

Figura 1: Abrir fichero de datos en Statgraphics

Cargamos el fichero de datos series1.sf.

Análisis descriptivo de series temporales:

• Representación del gráfico temporal de la serie:

1
Un primer paso para analizar una serie temporal es representarla gráficamente.
Para ello:

 SPECIAL -> TIME-SERIES ANALYSIS -> DESCRIPTIVE METHODS

Figura 2: Opciones para el análisis de series temporales

Nos aparecerá la siguiente ventana sobre la que podremos introducir la serie

temporal que queramos analizar, Figura 3:

Figura 3: Cargar la serie y especificar periodicidad e inicio de la serie

Statgraphics nos proporciona el siguiente gráfico temporal de la serie (Figura 4).

Figura 4: Gráfico temporal de la serie ipi_aleman

Time Series Plot for ipi_aleman

132

122

112
ipi_aleman

102

92

82
1/83 1/86 1/89 1/92 1/95 1/98

NOTA: Pinchando con el botón derecho del ratón sobre el gráfico podemos marcar la opción PANE
OPTIONS, podemos desmarcar la opción POINTS, para representar el gráfico temporal sin los puntos que

2
aparecen por defecto.

PREGUNTAS: ¿Qué observas en la serie ipi_aleman?

• ¿Existe alguna tendencia en la serie?

Sí, se observa una tendencia creciente a lo largo del tiempo.
• ¿Hay estacionalidad en la serie?
Sí, se observan ciclos en la serie. Podemos ver que existe un patrón que se repite
sistemáticamente a lo largo de los años. Marcando con el ratón sobre los puntos
que están por encima y por debajo de la media. Vemos que el IPI alcanza sus
valores más altos en los meses de octubre y los valores más bajos en los meses de
agosto.

RECORDAR que una serie temporal se puede descomponer en 3 componentes

Z t  Tt  St  at

es decir, en Tendencia ( Tt ), estacionalidad ( St )y un componente irregular ( at ).

Eliminar la tendencia de la serie temporal:

1. Mediante una tendencia determinista:

• Ajustaremos una tendencia lineal determinista mediante regresión simple,

ajustando el modelo: Tt  a  bt
Para ello creamos la variable t (TIEMPO). En Statgraphics seleccionamos una
columna vacía y con el botón derecho en GENERATE DATA, introducimos la
expresión COUNT(1;134;1). De este modo hemos creado una secuencia de 134
datos desde 1 hasta 134, que es el tamaño de la serie ipi_aleman. Para renombrar
la columna, nuevamente la seleccionamos y en MODIFY COLUMN, la nombramos
TIEMPO.

El siguiente paso es ajustar mediante Statgraphics el modelo de regresión

simple. Para ello en las opciones RELATE->SIMPLE REGRESSION. Introducimos
como variable dependiente Y, el ipi_aleman y como variable independiente o
explicativa X, TIEMPO.

El resultado es la recta: Y=a+b*X, donde a o INTERCEPT u ordenada en el

origen es 93,4263 y b ó SLOPE o pendiente es 0.201025.

Una vez ajustado un modelo para la tendencia podemos ver si ésta es suficiente
para modelar la serie temporal. Para ello, necesitamos guardar los residuos del
modelo. En el icono de SAVE RESULTS , marcamos la opción de RESIDUALS.
Como resultado nos aparecerá una nueva columna.

Si realizamos el gráfico de esta serie RESIDUALS (SPECIAL->TIME-SERIES

ANALYSIS->DESCRIPTIVE METHODS). Obtenemos el siguiente gráfico de los
residuos (residuos = serie original - serie ajustada), Figura 5.

3
Figura 5: Gráfico de los residuos de la serie tras estimar la tendencia mediante regresión
lineal

Time Series Plot for RESIDUALS

21

11
RESIDUALS

-9

-19
1/83 1/86 1/89 1/92 1/95 1/98

El mismo procedimiento se puede realizar directamente pinchando sobre el gráfico

de la serie temporal (Figura 4), en el botón derecho del ratón marcando la opción
ANALYSIS OPTIONS seleccionando en ADJUSTMENT OPTIONS en el apartado
TREND la opción LINEAR.

De este modo hemos eliminado la tendencia, estimando un modelo de regresión

lineal simple, sin embargo observamos que para esta serie ipi_aleman sigue
existiendo el patrón estacional, como se observa en la Figura 5.

2. Mediante una tendencia evolutiva ó método de suavizado (smoothing):

Otra opción es estimar la tendencia ( Tt ) mediante una proceso de media móvil,

para ello en SPECIAL->TIME-SERIES ANALYSIS elegimos la opción SMOOTHING
(recordar Figura 2) y seleccionamos la serie que queremos analizar (recordad
Figura 3), continuamos con la serie ipi_aleman.

Figura 6: Suavizado de la serie ipi_aleman mediante un proceso de media móvil de

orden 5

Smoothed Time Series Plot for ipi_aleman

132
data
122 smooth
ipi_aleman

112

102

92

82
1/83 1/86 1/89 1/92 1/95 1/98

Pinchando con el botón derecho sobre el gráfico anterior en PANE OPTIONS

podemos ver las opciones disponibles. Por defecto, Statgraphics estima un proceso
simple de media móvil (SIMPLE MOVING AVERAGE) de orden 5 (LENGTH OF
MOVING AVERAGE), Figura 6. Aumentando el orden obtenemos una tendencia más
suave. En la Figura 7 observamos el ajuste de orden 12.

Este método estima la tendencia mediante el promedio de las observaciones

más cercanas. La media móvil simplemente es un suavizado de la tendencia,

4
cuanto mayor sea el período sobre el que se calcula la media móvil menos sensible
será, es decir, será más suave, como se observa en la Figura 7.

Pinchando en Statgraphics sobre el botón de SAVE RESULTS , obtenemos las

columnas para el componente suave de la tendencia (SMOOTH), la parte irregular
(ROUGH) y el ajuste de los datos (ADJDATA).

Figura 7: Suavizado de la serie ipi_aleman mediante un proceso de media móvil de

orden 12

Smoothed Time Series Plot for ipi_aleman

132
data
ipi_aleman

122 smooth

112

102

92

82
1/83 1/86 1/89 1/92 1/95 1/98

En el botón GRAPHICAL OPTIONS la opción RESIDUAL PLOT, obtenemos el

gráfico de los residuos (Figura 8).

Figura 8: Gráfico de residuos del suavizado mediante un proceso de media móvil de

orden 5

Time Series Plot of Rough for ipi_aleman

17
12
7
Rough

2
-3
-8
-13
1/83 1/86 1/89 1/92 1/95 1/98

Observamos cómo hemos eliminado la tendencia de la serie. Sin embargo, aún

observamos un patrón estacional.

3. Diferenciación de la serie

Los dos métodos anteriores asumen ciertas hipótesis sobre el modelo para la
tendencia de la serie en el corto plazo así como una lenta evolución de la tendencia
a lo largo del tiempo.

Lo más habitual en el análisis de series temporales es diferenciar la serie para

5
convertirla en estacionaria. Así una diferencia regular de primer orden se obtiene
restando a la observación actual la inmediatamente anterior, es decir:

�zt  zt  zt 1

Y sucesivamente, una diferencia regular de orden 2, 3 etc…

En el caso de la serie ipi_aleman, la periodicidad es mensual. Comenzaremos

indicando que la estacionalidad es de orden 12, en el icono de INPUT DIALOG ,
en el apartado SEASONALITY ponemos 12.

Aplicaremos una diferencia regular de orden 1 para eliminar la tendencia de la

serie, pinchando con el botón derecho sobre el gráfico de la serie en ANALYSIS
OPTIONS, ponemos un 1 en la casilla NON-SEASONAL ORDER de la OPCIÓN
DIFFERENCING. El resultado es el gráfico de la Figura 9.

Figura 9: Gráfico de la serie ipi_aleman con una diferencia regular de orden 1

Time Series Plot for adjusted ipi_aleman

18
adjusted ipi_aleman

13
8
3
-2
-7
-12
1/83 1/86 1/89 1/92 1/95 1/98

Como seguimos observando un comportamiento estacional, como en la Figura 4,

podemos realizar una diferencia de orden 12, en ANALYSIS OPTION, ponemos un 1
en SEASONAL ORDER.

6
 Figura 10: Opciones de ajuste de la serie

El resultado que se observa es la serie estacionaria de la Figura 11.

Figura 11: Serie ipi_aleman estacionaria tras aplicar una diferencia regular de orden 1 y
una diferencia estacional de orden 12

Time Series Plot for adjusted ipi_aleman

adjusted ipi_aleman

16
11
6
1
-4
-9
-14
1/83 1/86 1/89 1/92 1/95 1/98

Podíamos haber aplicado en primer lugar la diferencia de orden 12 a la serie

original, sin aplicar la diferencia regular. El resultado sería el gráfico de la Figura
12:

7
 Figura 12: Serie ipi_aleman con una diferencia estacional de orden 12

Time Series Plot for adjusted ipi_aleman

13
adjusted ipi_aleman 8
3
-2
-7
-12
-17
1/83 1/86 1/89 1/92 1/95 1/98

Observamos que la serie presenta un cambio de estructura (o ruptura en la

tendencia) y sigue sin ser estacionaria. Podemos por tanto incluir una diferencia de
orden 1.

En resumen, para la serie del ipi_aleman aplicando una diferencia regular de orden
1, conseguimos eliminar la tendencia de la serie, sin embargo siguen habiendo
ciclos estacionales que eliminamos mediante una diferencia estacional de orden 12.

Tenemos por tanto, una serie estacionaria a la que podremos ajustar un modelo
paramétrico.

Análisis de la estacionalidad

Como hemos visto anteriormente, a partir del gráfico temporal de la serie

(Figura 4), se puede comprobar si ésta tiene un componente estacional. Sin
embargo, existen otros gráficos que nos pueden ayudar a detectarla.

Para ello en las opciones SPECIAL-> TIMES-SERIES ANALYSIS-> SEASONAL

DECOMPOSITION. Analizaremos nuevamente los datos de la serie ipi_aleman.

El primer gráfico que nos aparece es el mismo de la Figura 7 de la

estimación de la tendencia mediante medias móviles de orden 12, que es la
longitud del periodo que habíamos indicado en SEASONALITY. Con el botón derecho
del ratón en PANE OPTIONS, podemos seleccionar si el modelo es aditivo o
multiplicativo. Seleccionamos aditivo (ADDITIVE).

En el icono GRAPHICAL OPTIONS podemos seleccionar los siguientes gráficos:

• SEASONAL INDICES:

8
 Figura 13: Índices estacionales de la serie ipi_aleman

Seasonal Index Plot for ipi_aleman

13
9
seasonal index
5
1
-3
-7
-11
0 3 6 9 12 15
season

La Figura 13 representa los índices estacionales para cada mes y permite

comparar el comportamiento de los distintos meses entre sí. Como podemos
observar el mes de agosto siempre toma valores inferiores al resto de los meses. Al
tratarse de un índice de producción industrial resulta lógico el comportamiento en
este mes.

• SEASONAL SUBSERIES PLOT:

Figura 14: Gráfico estacional para cada mes de la serie ipi_estacional

Seasonal Subseries Plot for ipi_aleman

132

122
ipi_aleman

112

102

92

82
0 3 6 9 12 15

Season

En la Figura 14 observamos que para cada uno de los 12 meses tenemos

representada la media de los datos de ese mes (línea roja horizontal) y los datos
del mes en los distintos años (líneas azules verticales).

• ANNUAL SUBSERIES PLOT:

Figura 15: Gráfico de la serie anual

Annual Subseries Plot for ipi_aleman

132 Cycle
1
122 2
3
ipi_aleman

112 4
5
102 6
7
92 8
9
82 10
0 3 6 9 12 15 11
12
Season

En la Figura 15 tenemos representada la serie año a año. Como podemos

observar, el comportamiento de la serie en distintos años es muy parecido, lo que

9
indica la presencia de estacionalidad. Además, los gráficos están dispuestos en
orden creciente para cada uno de los 12 años del periodo, lo que indica que hay
una tendencia creciente, como vimos en la sección anterior.

Serie heterocedástica

A continuación analizaremos la serie heterocedástica del fichero series1.sf. En este

caso, la serie carece de periodicidad y por tanto de fecha de inicio. Se trata de una
serie simulada de 75 observaciones, asumiremos que se trata de observaciones
tomadas en 75 momentos de tiempo (t=1,2,…,75) ya sean segundos, minutos,
horas, días etc. Por tanto en el apartado SAMPLING INTERVAL especificaremos la
opción OTHER y en STARTING AT igual a 1, ver Figura 16.

Figura 16: Especificación de la serie heterocedástica sin periodicidad

La Figura 17 muestra el gráfico temporal de la serie heterocedástica. Se observa

que la tendencia es creciente a lo largo del tiempo. No hay ciclos o patrones
estacionales, pero la variabilidad de la serie aumenta a medida que aumenta t y por
tanto la varianza de la serie no es constante (heterecedasticidad).

El supuesto de homocedasticidad o varianza constante en una serie temporal es

importante a la hora de analizar series temporales estacionarias. La
heterocedasticidad en una serie temporal supone por tanto un problema para el
análisis de series temporales.

Figura 17: Gráfico temporal de la serie heterocedástica

Time Series Plot for heterocedastica

1000

800
heterocedastica

600

400

200

0
0 20 40 60 80

10
Si tratamos de eliminar la tendencia tal y como vimos en las secciones anteriores
observaríamos que los residuos seguirían presentando heterocedasticidad (Figura
18). Si aplicamos una diferencia regular de orden 1, serie seguiría siendo
heterocedástica (Figura 19).

Figura 18: Residuos de la serie heterocedástica tras ajustar una tendencia lineal

Time Series Plot for adjusted heterocedastica

adjusted heterocedastica

320
220
120
20
-80
-180
-280
0 20 40 60 80

Figura 19: Serie heterocedástica con una diferencia regular de orden 1

Time Series Plot for adjusted heterocedastica

510

310
adjusted heterocedastica

110

-90

-290
0 20 40 60 80

Corrección de la heterocedasticidad: Transformación Logarítmica

El procedimiento habitual para corregir la heterocedasticidad en una serie temporal

es el de aplicar una transformación logarítmica a la serie para reducirla. Ya sean
logaritmos decimales (de base 10) ó naturales:

log10(zt) ó Ln(zt)

En Statgraphics, en ANALYSIS OPTIONS (recordar Figura 10) podemos seleccionar

el logaritmo natural (NATURAL LOG) o el logaritmo decimal (BASE 10 LOG), ver
Figura 20. Podemos además eliminar la tendencia como vimos en los apartados
anteriores (es decir, con una tendencia lineal determinista o mediante una
diferencia regular de orden 1), ver Figura 21.

11
 Figura 20: serie heterocedástica con transformación logarítmica

Time Series Plot for adjusted heterocedastica

adjusted heterocedastica
7,2

6,2

5,2

4,2

3,2

2,2
0 20 40 60 80

Figura 21: serie heterocedástica con transformación logarítmica y una diferencia regular
de orden 1

Time Series Plot for adjusted heterocedastica

adjusted heterocedastica

2,2
1,7
1,2
0,7
0,2
-0,3
-0,8
0 20 40 60 80

Cuestiones:

Siguiendo las pautas de la práctica realiza un análisis descriptivo (tendencia,

cambios estructurales, heterocedasticidad,…) de las demás series del fichero
series1.sf:

• ipi_italia
• paro
• n_pasajeros

a) ¿Qué observas en el comportamiento de la serie del IPI de Italia? ¿Es el

comportamiento similar al de la serie del IPI alemán?
b) ¿Cómo describirías la tendencia del paro en España?
c) En serie de número de pasajeros. ¿Qué observas en el gráfico de índice
estacional? Interpreta el patrón que aparece.

12