Documentos de Académico
Documentos de Profesional
Documentos de Cultura
pág. 2
Un modelo para el análisis y pronóstico de series cronológicas no estará completo a menos que se
adiciones un grupo de hipótesis sobre la componente residual. El conjunto de hipótesis se relaciona a
continuación.
1. Aleatoriedad
2. Media igual cero, E(u)=0 para todo t
3. Varianza constante V(ut)=σ2 para todo t
4. No autocorrelación Cov(ut, ut1)=0 para t≠t1
5. Normalidad
El enfoque moderno supone un modelo general caracterizado por la ecuación
Yt=Mt+ Ut
Mt Es una función no aleatoria determinista para la cual existen q funciones tales que:
q
Mt= ∑ M l ∅ t , con Ml ϵ R
t =1
Ahora abordaremos otro enfoque para las series temporales, ya que los modelos univariantes, solo
utilizan información histórica de una sola variable, para predecir sus valores futuros.
Las series temporales se clasifican como:
Aleatorias: resultan prácticamente impredecibles por su naturaleza.
Regulares: resultan de un comportamiento tan regular que se pueden realizar predicciones precisas.
Económicas: que no pertenecen ni a una ni a otro caso anteriormente mencionados, sino que
presentan en su comportamiento componentes regulares y aleatorias.
En la realidad económica se utilizan más de una variable y se hace un análisis estocástico delas series
temporales el que consiste en: realizar una inferencia estadística sobre las propiedades del proceso
teórico a partir de la información contenida en la serie observada. Por tanto, existe un paralelismo entre
el análisis estocástico delas series temporales y el análisis estadístico general. El análisis estocástico
da origen, además a los métodos de series temporales que se utilizan con mayor frecuencia en la
práctica profesional.
pág. 3
Proceso Estocástico:
Un proceso estocástico se define como una colección o un conjunto de variables aleatorias Y t que
representan una misma magnitud en distintos momentos de tiempo (considerado discreto), o sea
V(t )=(Vt-2, Vt-1, Vt, Vt+1,Vt+2,)
Una muestra de n datos será una muestra de un vector de n variables aleatorias ordenadas en el
tiempo t=(1,2,...T), por lo que los modelos estocásticos de Series Temporales , conciben una serie
temporal dada Yt como una colección de observaciones muestrales cada una correspondiente a una
variable del proceso es decir , la Y t puede representar tanto una variable aleatoria como una
observación muestral , dependiendo del contexto. En general se supone que el proceso es lineal, es
decir, que cada variable puedes ser obtenida como combinación lineal de las que la preceden. El
análisis estocástico de la serie temporal consiste en realizar una inferencia estadística sobre las
propiedades del proceso teórico a partir de la información contenida en la serie observada. Por tanto,
hay un elevado grado de paralelismo entre el análisis estocástico de series temporales y el análisis
estadístico general, el cual da origen, además, a los métodos de series temporales que se utilizan con
mayor frecuencia en la práctica profesional.
Media del proceso estocástico μ= E ( Y t )
Función de Varianzas σ2=V(Yt) ; K=0
Función de autocovarianzas
Cov(Yt,Yt+k)=E¿ k=0;±1;2;
Función de autocorrelación ρt ;t+ k =Cov ¿ ¿
La media y las funciones anteriormente mencionadas pueden ser inferidas a partir de las
observaciones, pero solo cuando cumplen las siguientes condiciones, que, aunque no se definirán
formalmente, solo sus principales implicaciones deben de verificarse para que la inferencia a partir de
una única realización sea posible. Para analizar lo anteriormente expuesto y teniendo en cuenta que lo
plateado para Et es equivalente para Yt del tema 1, donde en lugar de t se uso i) partiremos del
siguiente modelo de regresión.
Yt=B0+B1Xt+Et, en el cual t esta en correspondencia a los datos u observaciones en el periodo de
tiempo t , se asume que las perturbaciones se generan mediante e t =ρt−1 + Et , el cual consta de dos
partes
pág. 4
ρt −1 se corresponde con un desplazamiento sistemático, toma valores entre -1 y 1y por
tanto ρ=ρ(1) se le denomina coeficiente de autocorrelación de primer orden y se obtiene
E ( et e ❑ t−1 )
a través de la expresión ρ=ρ (1 ) = .
V (et )
Y Et que es puramente aleatorio o estocástico, tal que satisface los supuestos del MCO,
por lo que Et ~(0, σ2), esto es:
E(Et)=0,E(Et2)=V(Et)=σ2 constante
Cov(Et,Et-1)=0
Tanto la función de correlación como el correlograma pueden ser obtenidos por el STATGRAF
utilizando la opción SPECIAL y dentro de esta Time – Series Analysis aparecen varias opciones de las
cuales la DESCRIPTIVE METHODS al oprimirla parece una ventana en la cual se le da la columna de
datos y al dar OK aparece un sumario y al utilizar Tabular Options (el cuadro amarillo opción tabular),
aparece en pantalla los coeficientes de autocorrelación calculados para k rezagos y los límites de
confianza al 95 % entre otros aspectos que veremos en el siguiente ejemplo:
Ejemplo: Los datos que se dan a continuación representan el ingreso nacional (miles de millones de
pesos) durante el periodo1989 -2003 y con los mismos se quiere obtener y representarla función de
autocorrelación correspondiente.
La tabla anterior muestra las estimaciones de las autocorrelaciones entre los valores de ingreso en el
tiempo t, t-k También se muestra los límites de confianza al 95%alrededor de cero .si los límites de
pág. 5
confianza para un rezago particular no contiene los coeficientes estimados , hay correlación
estadísticamente significativa para esa confianza . en este
caso ninguno de los 24 coeficientes de autocorrelación son estadísticamente significativos, indicando
que la serie temporal puede ser considerado completamente aleatoria (ruido blanco) .
Para afirmar lo anteriormente planteado desde el punto de vista estadístico, hay que realizar una
prueba de hipótesis, con el planteamiento de las siguientes hipótesis nula y alternativas.
H0: La serie es aleatoria
H1: La serie no es aleatoria
Dentro dela misma opción de Descriptive Methods en la opción tabular se marca Tests for Remendones
of ingreso (Test o prueba de aleatoriedad) se da OK y aparece la siguiente salida:
Test o prueba para aleatoriedad
Median:98.3
Number of runs above below median=8
Expected number of runs=8
Large simple test statistic z=-0.278174
P-value=1.0
Box –pierce Test (excesiva autocorrelación)
Test base don first 5 autocorrelations
Large Sample test statistic=2.34161
Pvalue=0.800137
La salida muestra tres pruebas de rachas para determinar si el ingreso es una secuencia de números
aleatorios. Una serie de tiempo de números aleatorios este considerado ruido blanco, entonces
contiene igual contribución de algunas frecuencias. La primera prueba contiene el número de
secuencias de tiempo que están por encima y por debajo de la mediana. El número de rechas igual a 8,
es comparado con el valor de 8 esperando si a la secuencia es aleatoria. Entonces para esta prueba el
valor de probabilidad de salida es superior o igual a 0.1 no podemos rechazar la hipótesis de que la
serie es aleatoria al 90 % de nivel de confianza. La segunda prueba contiene el número de secuencias
de rachas excesivas. el número de rachas igual a 11
Es comparado con el valor de 9.6667 esperado si la secuencia es aleatoria. Entonces para esta prueba
el valor de probabilidad de salida es superior o igual a 0.1 no podemos rechazar la hipótesis de que la
serie es aleatoria al 90 % de nivel de confianza. La tercera prueba está basada en la suma de
cuadrados de los 24 coeficientes de autocorrelación. entonces para esta prueba el valor de probabilidad
pág. 6
de salida es igual o superior a 0.1 no podemos rechazar la hipótesis de que la serie es aleatoria al 90 %
del nivel de confianza
En resumen, las tres pruebas analizadas permiten conducir a que la serie es aleatoria, ya que de
acuerdo a la probabilidad de salida en ninguna de las tres pruebas analizadas se rechaza H 0.
Ejercicios de Ejemplo
Al realizar el análisis de la información correspondiente al consumo de cigarros (CC) en el país en el
periodo comprendido en los años desde 1990 hasta el 2005, utilizando opción de Series temporales por
el STATGRAPHICS se obtuvieron los siguientes resultados:
Comparación de modelos
(A) Paseo aleatorio
(B) Tenencia lineal Y= 23,453+21.3245t
(C) Tendencia Cuadratica Y=45.6657+35.478t+6.77865t 2
(D) Media Móvil simple de 3 términos
Modelo RMSE RUNS RUNM AUTO MEAN VAR
A 111.245 ** *** OK ** **
B 90.876 OK OK OK OK **
C 148.054 *** *** OK OK OK
D 203.44 OK OK OK OK OK
pág. 7
c) Los residuos del peor modelo no pasan todas las pruebas de desviaciones asociadas a los
mismos por tanto no es completamente aleatorio
d) Las series de tiempo para la elaboración de pronósticos incluyen la proyección de valores futuros
de una variable basada completamente en las observaciones pasadas y presentes de esta.
El objetivo del análisis de las series de tiempo se fundamenta en el análisis de la misma para que los
factores que han influido en el análisis de la misma en el pasado y en el presente sobre los patrones de
la actividad económica continúen haciéndolo más o menos similar al futuro.
e)
pág. 8