Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Series de Tiempo

Rolando Rubilar Torrealba

Universidad de Valparaíso

Junio 2021

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Contenidos

1 Introducción

2 Modelos de series de tiempo

3 Resultados

4 Modelos Arima

5 Modelos Volatilidad Estocástica

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos de series de tiempo

I Los modelos de series de tiempo

no tienen la característica de
provenir de una muestra
aleatoria, lo que hace que este
tipo de datos tenga una especial
atención y tratamiento.
I Aparece un problema adicional,
la correlación temporal, que
corresponde al grado de
dependencia de las observaciones
del pasado sobre las futuras.

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos de series de tiempo

I Los modelos de series de tiempo

no tienen la característica de
provenir de una muestra
aleatoria, lo que hace que este
tipo de datos tenga una especial
atención y tratamiento.
I Aparece un problema adicional,
la correlación temporal, que
corresponde al grado de
dependencia de las observaciones
del pasado sobre las futuras.

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos de series de tiempo

I EL problema principal de estos

fenómenos es que solo se
observa una realización del
proceso.
I Sin emabrgo, si se cumplen
algunos supuestos sobre el
comportamiento histórico,
podemos algunas de las
herramientas que poseemos al
análisis de corte transversal.

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos de series de tiempo

I EL problema principal de estos

fenómenos es que solo se
observa una realización del
proceso.
I Sin emabrgo, si se cumplen
algunos supuestos sobre el
comportamiento histórico,
podemos algunas de las
herramientas que poseemos al
análisis de corte transversal.

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Contenidos

1 Introducción

2 Modelos de series de tiempo

3 Resultados

4 Modelos Arima

5 Modelos Volatilidad Estocástica

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Tipos de modelos

I Modelo Estático
yt = β0 + β1 zt + ut
I Modelos de rezagos distribuidos

yt = α0 + β1 xt + β2 xt−1 + ut

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Supuestos

I Linealidad de los parámetros.

I Media condicional igual a cero E (ut |X ) = 0, con t = 1, 2, . . .
I Homocedasticidad: no hay cambios en la varianza a través del
tiempo.
I No hay correlación serial, Corr (ut , us |X ) = 0 para cualquier
t 6= s

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Supuestos

I Linealidad de los parámetros.

I Media condicional igual a cero E (ut |X ) = 0, con t = 1, 2, . . .
I Homocedasticidad: no hay cambios en la varianza a través del
tiempo.
I No hay correlación serial, Corr (ut , us |X ) = 0 para cualquier
t 6= s

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Supuestos

I Linealidad de los parámetros.

I Media condicional igual a cero E (ut |X ) = 0, con t = 1, 2, . . .
I Homocedasticidad: no hay cambios en la varianza a través del
tiempo.
I No hay correlación serial, Corr (ut , us |X ) = 0 para cualquier
t 6= s

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Supuestos

I Linealidad de los parámetros.

I Media condicional igual a cero E (ut |X ) = 0, con t = 1, 2, . . .
I Homocedasticidad: no hay cambios en la varianza a través del
tiempo.
I No hay correlación serial, Corr (ut , us |X ) = 0 para cualquier
t 6= s

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Herramientas útiles

I En muchas ocasiones es usual modelar la tendencia temporal

como
yt = α0 + α1 t + et

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Estimación Computacional con Python

I Importar librerías

import wooldridge
i m p o r t numpy a s np
i m p o r t p a n d a s a s pd
from p l o t n i n e i m p o r t ∗
i m p o r t s t a t s m o d e l s . a p i a s sm
from s t a t s m o d e l s . f o r m u l a . a p i i m p o r t o l s , r l m

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Estimación Computacional con Python

I Importar Datos

df_data = w o o l d r i d g e . d a t a ( ’ h s e i n v ’ )
df_data . head ( )

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Estimación Computacional con Python

I Carga de modelos

model1 = o l s ( ’ l i n v p c ~ l p r i c e ’,
d a t a=df_data ) . f i t ()
model2 = o l s ( ’ l i n v p c ~ l p r i c e + t’ ,
d a t a=df_data ) . f i t ()

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Contenidos

1 Introducción

2 Modelos de series de tiempo

3 Resultados

4 Modelos Arima

5 Modelos Volatilidad Estocástica

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Estimación Computacional con Python

I Resultados e interpretación
p r i n t ( model1 . summary ( ) )
p r i n t ( model2 . summary ( ) )

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Interpretación de Resultados

I En términos generales, la interpretación es similar a la que

obtenemos en los datos de corte transversal.
I Sin embargo aparecen problemas con respecto a la
dependencia temporal que deben ser corregidos.

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Interpretación de Resultados

I En términos generales, la interpretación es similar a la que

obtenemos en los datos de corte transversal.
I Sin embargo aparecen problemas con respecto a la
dependencia temporal que deben ser corregidos.

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Contenidos

1 Introducción

2 Modelos de series de tiempo

3 Resultados

4 Modelos Arima

5 Modelos Volatilidad Estocástica

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.

xt = et + α1 et−1 + α2 et−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de xt arrastra lo acontecido
con con los errores o innovaciones que fueron observadas en el
pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso especial de |α| = 1 es conocido como caminata
aleatoria. El caso de |α| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.

xt = et + α1 et−1 + α2 et−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de xt arrastra lo acontecido
con con los errores o innovaciones que fueron observadas en el
pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso especial de |α| = 1 es conocido como caminata
aleatoria. El caso de |α| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.

xt = et + α1 et−1 + α2 et−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de xt arrastra lo acontecido
con con los errores o innovaciones que fueron observadas en el
pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso especial de |α| = 1 es conocido como caminata
aleatoria. El caso de |α| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.

xt = et + α1 et−1 + α2 et−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de xt arrastra lo acontecido
con con los errores o innovaciones que fueron observadas en el
pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso especial de |α| = 1 es conocido como caminata
aleatoria. El caso de |α| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.

xt = et + α1 et−1 + α2 et−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de xt arrastra lo acontecido
con con los errores o innovaciones que fueron observadas en el
pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso especial de |α| = 1 es conocido como caminata
aleatoria. El caso de |α| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.

yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.

yt = et + ρ1 yt−1 + ρ2 yt−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de yt arrastra lo acontecido
con con los resultados de la variable dependiente que fueron
observadas en el pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso de |ρ| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.

yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.

yt = et + ρ1 yt−1 + ρ2 yt−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de yt arrastra lo acontecido
con con los resultados de la variable dependiente que fueron
observadas en el pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso de |ρ| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.

yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.

yt = et + ρ1 yt−1 + ρ2 yt−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de yt arrastra lo acontecido
con con los resultados de la variable dependiente que fueron
observadas en el pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso de |ρ| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.

yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.

yt = et + ρ1 yt−1 + ρ2 yt−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de yt arrastra lo acontecido
con con los resultados de la variable dependiente que fueron
observadas en el pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso de |ρ| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.

yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.

yt = et + ρ1 yt−1 + ρ2 yt−2 ..., t = 1, 2, . . .

I Este modelo implica que el valor de yt arrastra lo acontecido
con con los resultados de la variable dependiente que fueron
observadas en el pasado.
I Para que el proceso sea estacionario todos los parámetros α
deben ser menores estrictos que 1.
I El caso de |ρ| > 1 la serie explota.
Rolando Rubilar Torrealba Universidad de Valparaíso
Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Contenidos

1 Introducción

2 Modelos de series de tiempo

3 Resultados

4 Modelos Arima

5 Modelos Volatilidad Estocástica

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos ARCH

I Un modelo es ARCH(1) (autoregresive condicional

heteroskedasticity) cuando presenta la siguiente relación de
dependencia.
yt = xβ + et
q
2
et = ut α0 + α1 et−1
I Si el error et condicionado a xt es cero, entonces

E [yt |xt ] = xt β

El cual es el modelo de regresión clásico

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos ARCH

I Un modelo es ARCH(1) (autoregresive condicional

heteroskedasticity) cuando presenta la siguiente relación de
dependencia.
yt = xβ + et
q
2
et = ut α0 + α1 et−1
I Si el error et condicionado a xt es cero, entonces

E [yt |xt ] = xt β

El cual es el modelo de regresión clásico

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos ARCH

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos GARCH
I Un modelo es GARCH(1) (generalize autoregresive condicional
heteroskedasticity) cuando presenta la siguiente relación de
dependencia.
yt = µ + et
E [et |et−1 ] = 0
2 2
Var (et |et−1 ) = α0 + α1 et−1 + δσt−1
I Si el error et condicionado a xt es cero, entonces

E [yt |xt ] = xt β

El cual es el modelo de regresión clásico

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Modelos GARCH
I Un modelo es GARCH(1) (generalize autoregresive condicional
heteroskedasticity) cuando presenta la siguiente relación de
dependencia.
yt = µ + et
E [et |et−1 ] = 0
2 2
Var (et |et−1 ) = α0 + α1 et−1 + δσt−1
I Si el error et condicionado a xt es cero, entonces

E [yt |xt ] = xt β

El cual es el modelo de regresión clásico

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Bibliography I

William H Greene.
Econometric analysis.
Pearson Education India, 2003.
Jeffrey M Wooldridge.
Introductory econometrics: A modern approach.
Cengage learning, 2015.

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo
Introducción Modelos de series de tiempo Resultados Modelos Arima Modelos Volatilidad Estocástica

Series de Tiempo

Rolando Rubilar Torrealba

Universidad de Valparaíso

Junio 2021

Rolando Rubilar Torrealba Universidad de Valparaíso

Series de Tiempo