Cálculo de tendencias en series de tiempo

por medio de álgebra matricial

Tendencias deterministicas y estocásticas (filtro Hodrick - Prescot)

Resumen

El trabajo intenta ser una síntesis de los papers que circulan sobre el
filtro Hodrick Prescott y, a la luz de la bibliografía básica de econometría, mostrar el
cálculo computacional matricial de las tendencias determinísticas por M.C.O y
estocásticas (H.P.). La idea es facilitar la tarea de quienes usan programas de
cálculo finito (como MathCad, Matlab, Matemática, y otros), o para quienes estamos
en la desafiante tarea de la programación (ya sea en lenguajes Visual Basic, C++,
Java, Pascal, y otros), de encontrar (o construir) los algoritmos que permitan
el cálculo y representación gráfica de los filtros de tendencia.
En general el interrogante al ver actuar un programa de econometría o estadística
es ¿cómo es el cálculo de la línea (filtro o tendencia) que grafica en base a los datos
de la serie de tiempo o los datos que presenta. Es nuestra intención el mostrar ese
cómo. El para qué se lo dará cada uno en función de sus necesidades
(modificaciones) o ambiciones (crear nuevos programas). Agradecemos al profesor
Aldo Medawar por crearnos la inquietud del cómo.

1. Introducción.

Las series de tiempo pueden ser descompuestas en los componentes que la forman 1
, a saber: una componente tendencial que describe la tendencia determinística o
estocástica, una componente cíclica, una componente estacional y finalmente un
residuo aleatorio (estacionario) suceptible de ser modelado por algún proceso
ARMA. Matemáticamente
es posible observar esta definición por la ecuación 1.

Ec. 1:

El método de mínimos cuadrados ordinarios se basa en minimizar la suma de los

desvíos de la variable (en valores absolutos) respecto de su estimación de algunos
de los componentes.

Matemáticamente el error cuadrático medio se define como la sumatoria de la

diferencia entre las variables reales y estimadas al cuadrado, para evitar que en la
función objetivo aparezcan diferencias negativas que inviertan el objetivo de la
función.

Nos concentraremos en estimar la tendencia solamente, y como sabemos, existirán

infinitas tendencias pero, como siempre en economía, nos interesará la óptima.
Para calcular el vector de tendencia óptimo es que resolveremos un problema de
minimización libre de una función objetivo, que es el error cuadrático medio.
Para simplificar los cálculos es que definiremos 1 en forma matricial (dejando de
lado los ciclos y la estacionalidad que la juntaremos con el residuo aleatorio en la
variable R)

Ec 2:

Dicha ecuación matricial (2) esta formada por el vector columna Y de tamaño n
(tamaño de la muestra), cuyos elementos son los Yt, la matriz T, formada por los
elementos que describen la tendencia ( ), y que tomará una determinada forma
según el caso, y R una matriz que aloja el residuo donde estarán los componentes
no tratados aquí, pero que intentamos minimizar.

___________________
1 Es importante destacar que en el contexto de éste trabajo (serie de tiempo)
vamos a suponer que las series de tiempo son función del tiempo (en cuanto a los
componentes tendenciales por lo menos) pero no es nuestra intención, acá por lo
menos, el hacer un estudio econométrico que determine, fundamentado en teoría,
el modelo que está detrás de la serie de tiempo estudiada. Se debe recordar que en
el caso de estimar el modelo econométrico que mejor ajuste la serie, no será
necesario (por lo general) agregar una tendencia determinística o estocástica, ya
que las variables explicativas que forman el modelo están cointegradas con la
variable explicada y entre ellas, esto desplaza la utilización de cualquier variable
tendencial dentro de las explicativas. Por lo menos es lo que sucede en la mayoría
de los casos en economía, donde el grado de cointegración de las variables es de
orden 1. En econometría lo interesante es explicar los desvíos de las tendencias por
variables predefinidas por la teoría que excede totalmente este trabajo.

La función objetivo a minimizar en forma general, y sin restricciones es la que

describe la ecuación 3:

Ec. 3:

Una vez definida la función objetivo, solo resta establecer las condiciones de primer
orden para encontrar la tendencia óptima. Las condiciones de primer orden son las
derivadas primeras de la función objetivo respecto de los elementos que forman la
tendencia y que tomarán distinta forma según la definición de la tendencia teórica.

2. Tendencias determinísticas.

Supongamos que pensamos que la tendencia de la serie de tiempo estudiada es

una deterministica, representada por un polinomio de orden n. En este caso se
incluyen las tendencias lineales, cuadráticas, cúbicas hasta el orden n.
La representación matricial es la misma que antes, solo que ahora se especifica T.

Ec. 4:

La matriz es un vector columna de orden n cuyos elementos son los

parámetros de la función polinómica a estimar. La matriz Z es la que determina el
grado del polinomio (n-1), por lo que es de orden nxn, los elementos son, para la
primer columna todos 1 (esto permite alojar el término independiente del
polinomio), luego de la columna 2 a la n los elementos son:

Ec. 5:

La suma de residuos al cuadrado puede expresarse matricialmente como:

Ec. 6:

las condiciones de primer orden para minimizar la Ec. 6., se resume en la Ec. 7. La
optimización implica elegir los parámetros que minimicen las desviaciones.

Ec. 7:

Operando matricilamente es posible obtener el vector columna de las estimaciones

de los parámetros que definen el polinomio. (Ec. 8)

Ec. 8:
Con las estimaciones de los parámetros, ya podemos armar el polinomio que
representará la tendencia de la serie, la que podemos escribir como:

Ec. 9:

3. Tendencias no determinísticas, Filtro Hodrick and Prescott.

Hodrick y Prescott en 1980, propusieron un filtro que descompone las series de

tiempo macroeconómicas en un componente tendencial no estacionario y un
residuo cíclico estacionario. De esta manera es posible utilizar el filtro para estimar
la tendencia estocástica de una serie, si existen evidencias de que no la describe
correctamente una tendencia determinística.
La metodología es similar a la anterior, se trata de un proceso de minimización del
error cuadrático medio, pero la innovación es que la tendencia no se define como
función del tiempo, sino que es teórica, y el proceso está sujeto a una restricción.
El proceso se resume en la Ec. 10 (función a optimizar) y Ec. 11 (restricción).
Donde mostramos la función a minimizar y la restricción de que el cambio (en
valores absolutos) del valor de la tendencia en un momento dado sea igual, o
aproximado, al mismo cambio en un momento adelante. Esto permite evitar
quiebres bruscos en la tendencia, y proporcionar una tendencia suavizada.
(smoothing trend).

Ec. 10.

Ec. 11.

Matemáticamente el problema puede ser resuelto por la función lagrangeana que es

la Ec. 12.
En esta minimización restringida, el parámetro interpreta el peso relativo de la
restricción en la minimización. Si , la minimización es irrestricta, con lo que se
logra la mejor minimización haciendo que la tendencia teórica sea igual al valor de
la serie de tiempo.
Esto significa que la diferencia absoluta entre los valores de la tendencia pueden
ser totalmente diferentes (tendencia con grandes quiebres).
Si por el contrario , el peso de la restricción es total, a tal punto que lo único
importante es que las diferencias sean exactamente iguales (no existe ningún
quiebre). Esto se da solo en el caso que la tendencia sea lineal, donde coincide con
la estimación de MCO de una recta (tendencia determinística polinómica de grado
uno), y =pendiente de la recta, para todo t.
Las condiciones de primer orden de este lagrangeano, nos arrojan n ecuaciones con
n incógnitas. Algo difícil de manejar cuando n es grande. Es posible aproximar las
soluciones de por una ecuación en diferencias de cuarto grado en con
coeficientes constantes pero con término independiente variable (Ec. 13.)

Ec. 13.

La solución de ésta ecuación no es simple, pero puede escribirse en forma matricial,

teniendo en cuenta que debe modificarse para las dos primeras observaciones y
para las dos últimas observaciones.

El lagrangeano en forma matricial es:

Ec. 14.

Es posible definir F como:

Derivando la condición de primer orden y operando matricialmente se obtiene el
filtro de Hodrick Prescott en forma matricial:

Ec. 15

Continuación..

______________________

Bibliografía consultada:

1- CHIANG, Alpha C., "Métodos fundamentales de economía matemática" (Chile,

Mc-

Graw Hill, 1999).

2- GUJARATI, Damodar N., "Econometría" (Colombia, Mc-Graw Hill, 1998).

3- CEBALLOS, F. J., "Visual Basic. Curso de programación" (México, Alfaomega,

1999)

4- PEDERSON, Torben Mark, The Hodrick - Prescott filter, the slutzky - effect, and
the distortuinary effect of filters, Discussion paper nº 9 (Institute of Economics,
University of Copenhagen, 1998).

5- REEVES, J. J., Otros, The Hodrick - Prescott filter, a generalisation, and a new
procedure of extracting an empirical Cycle from series, working paper Nº 160,
Agosto 1996, University of Auckland, New Zealand.

6- KYDLAND, Finn E., PRESCOTT, Edward, A fortran subrutine for efficiently

computing HP-filtered time series, Federal Reserve Bank of Minneapolis, Abril 1989.

7- PEDREGAL, Diego J., Some Comments on the use and abuse of the Hodrick -
Prescott

filter, Escuela Técnica Superior de Ingenieros Industruales, Universidad de Castilla -

La Mancha. España.

8- Help de Eviews 4.0 y Math Cad 5.0

4. Algoritmos y algunos ejemplos empíricos en base a la serie

de tiempo del PBI real de Argentina.

Los algorítmos son fáciles de construir cuando se llegó a la expresión matricial, ya

que todo producto de matrices puede expresarse como sumatoria de producto de
los elementos, y la inversa de una matriz también puede calcularse siguiendo la
definición de determinante,
adjunta y matriz de cofactores. (Ver Alpha Chiang).
Las sumatorias son fáciles de programar por medio de la técnica de bucles 2 finitos o
infinitos.
A continuación presentamos el PBI y una tendencia determinística
cuyo polinomio con término independiente es de orden 3, 2 y 1 respectivamente:
 

__________________________
2 En programación es un bloque de instrucciones que se repiten hasta
o desde que se de una condición.
En esta etapa se muestra el cálculo de distintos filtros H.P., según el parámetro del
lagrangeano, y se compara con los casos extremos de (la propia serie) y
(tendencia lineal por MCO).
Los valores aceptados comúnmente son de =100 para una frecuencia muestral
anual, =1600 para una frecuencia muestral cuatrimestral, y =14400 para una
frecuencia muestral mensual (para muestras mayores a 32).
______________________

Bibliografía consultada:

1- CHIANG, Alpha C., "Métodos fundamentales de economía matemática" (Chile,

Mc-

Graw Hill, 1999).

2- GUJARATI, Damodar N., "Econometría" (Colombia, Mc-Graw Hill, 1998).

3- CEBALLOS, F. J., "Visual Basic. Curso de programación" (México, Alfaomega,

1999)

4- PEDERSON, Torben Mark, The Hodrick - Prescott filter, the slutzky - effect, and
the distortuinary effect of filters, Discussion paper nº 9 (Institute of Economics,
University of Copenhagen, 1998).

5- REEVES, J. J., Otros, The Hodrick - Prescott filter, a generalisation, and a new
procedure of extracting an empirical Cycle from series, working paper Nº 160,
Agosto 1996, University of Auckland, New Zealand.

6- KYDLAND, Finn E., PRESCOTT, Edward, A fortran subrutine for efficiently

computing HP-filtered time series, Federal Reserve Bank of Minneapolis, Abril 1989.

7- PEDREGAL, Diego J., Some Comments on the use and abuse of the Hodrick -
Prescott

filter, Escuela Técnica Superior de Ingenieros Industruales, Universidad de Castilla -

La Mancha. España.

8- Help de Eviews 4.0 y Math Cad 5.0