El análisis de series temporales nos permite obtener el patrón de comportamiento de una

variable mediante la observación de sus datos a lo largo del tiempo.

pueden utilizarse para responder a preguntas cuantitativas por lo que los datos de
sección cruzada son inadecuados, preguntas como
¿cuál es el efecto causal sobre una variable de interés, Y, de una variación en el tiempo de
otra variable X? por ejemplo, ¿cuál es el efecto sobre las muertes en accidentes de tráfico
de una ley que obliga a que los pasajeros utilicen cinturones de seguridad, tanto en un
momento inicial como posteriormente cuando los conductores se acomoden a la ley? O
en términos de predicción económica ¿cuál es la mejor predicción de la tasa de inflación,
el tipo de interés o los precios de las acciones del mes próximo? Pueden ser respondidas
utilizando los datos de series temporales. Pero no siempre será sencillo va a tener sus
dificultades y para eso se requiere utilizar nuevas técnicas.
en problema experimental que estudiaremos en este capitulo es la predicción de la tasa
de inflación, es decir, el aumento general en términos porcentuales de los precios
……………………………………………………………………………………………………………………………
la estacionariedad es el supuesto de que el futuro será como el pasado, las variables de
series temporales pueden ser no estacionarias en varios sentidos pero resaltan dos de
ellos para el análisis de regresión de series temporales con datos económicos.
1.- la serie puede presentar tendencias. Es decir que las series pueden tener movimientos
persistentes a largo plazo.
2.- la regresión poblacional puede ser inestable en el tiempo, es decir, la regresión
poblacional puede tener puntos de ruptura.
Estas desviaciones de la estacionariedad ponen en peligro las predicciones basadas en la
regresión de series temporales, pero `por fortuna existen procedimientos estadísticos
para detectar las tendencias y los puntos de ruptura, estos procedimientos se
presentaran mas adelante.
UTILIZACION DE LOS MODELOS DE REGRESION PARA PREDICCION

Aquí tenemos el modelo más simple de regresión que se mencionó en el capitulo 4 relaciona las
calificaciones en los exámenes con el ratio estudiantes-maestros.

CalificacionExamen = 989,9. 2,28 *REM.

En el capitulo 6 se menciono de una directora escolar con el interés de la contratación de mas

maestros a fin de reducir el tamaño de las clases, lo cual la ecuación no le resulto muy útil.

No proporciona una estimación útil del efecto causal sobre las calificaciones obtenidas en el ratio
estudiantes-maestros, debido al probable sesgo de variable omitida ya que en este caso resulto
negativa.

En el capitulo 9 nos habla de un padre que considera mudarse a un distrito escolar, en este caso
puede resultar útil la ecuación, la regresión puede ayudar a las predicciones de los padres sobre
los resultados en las pruebas de un distrito para el que no esten disponibles al publico. Un modelo
de regresión puede resultar útil para la predicción, aunque ninguno de sus coeficientes tenga una
interpretación causal. Lo importante es q nos presente una prediccion no siempre será perfecta
pero si precisas y fiables.

En este capitulo se centra mas en utilizar datos de series temporales para la predicción de futuros
sucesos, por ejemplo en realidad el padre estaría interesado en las calificaciones del próximo
después que aya matriculado a su hija en una escuela. Por lo que el padre debe predecir las
calificaciones futuras utilizando como referencia las de la actualidad y de los años pasados. Este
razonamiento nos lleva a los modelos autorregresivos que veremos mas adelante. Donde se
utilizan datos pasados de una variable en una regresión lineal para predecir los valores futuros de
las series.

……………………………………………………………………………………………………………………………………..

14.2 INTRODUCCIÓN A LOS DATOS DE SERIES TEMPORALES Y CORRELACIÓN SERIAl

Retardos, primeras diferencias, logaritmos y tasas de crecimiento

Y es la variable de serie temporal que se va a observar, realizada en el momento t por lo tanto se
representa como Y sub t. y T como el numero total de observaciones.

el periodo de tiempo entre la observación t y la observación t + 1, es alguna unidad de tiempo tal

como una semana, un mes, un trimestre, o un año

se utilizan algunas notaciones para indicar valores futuros y pasados de Y. por ejemplo Yt-1 es el
periodo anterior y se le denomina valor de su primer retardo o solo primer retardo, y el valor de
su J-esimo retardo es el valor de hace j periodos y se expresa como Yj-1. Y de la misma manera Yt-
1 es el valor de y en el periodo siguiente.

La variación en el valor de Y entre el periodo t - 1 y el periodo t es Yt - t-1; esta variación se

denomina primera diferencia de la variable Yt . En datos de series temporales se utiliza el símbolo
de la variacion para representar la primera diferencia, por lo que nos resulta esta ecuación
∆ Yt =Yt −Yt −1
Las series temporales económicas a menudo son analizadas después de calcular sus logaritmos o
las variaciones en sus logaritmos. Una razón para ello es que muchas series económicas, tales
como el producto interior bruto (PIB), presentan un crecimiento que es aproximadamente
exponencial, es decir, a largo plazo la serie tiende a crecer a un determinado porcentaje medio
anual; si es así, el logaritmo de la serie crece de forma aproximadamente lineal. Otra razón es que
la desviación típica de muchas series temporales económicas es aproximadamente proporcional a
su nivel, es decir, la desviación típica se puede expresar correctamente un porcentaje del nivel de
las series; si es así, entonces la desviación típica del logaritmo de la serie es aproximadamente
constante. En cualquier caso, resulta útil transformar las series para que las variaciones en las
series transformadas sean variaciones proporcionales (o porcentuales) de la serie original, y esto
se logra tomando el logaritmo de las series.

…………………………………………………………………………………………………

EJEMPLO:

En la tabla observamos la inflación en los estados unidos en el 2004 y el primer trimestre de 2005.
La primera columna muestra el periodo en trimestres. La segunda columna es el valor del índice
de precios al consumidor en ese trimestre y la tercera columna la tasa de inflación.

Por ejemplo del primer trimestre del 2004 al segundo trimestre aumento desde 186.57 a 188,60
para hallar el incremento en términos porcentuales restamos ….
Es importante presentarlo en base anualizada es decir el aumento porcentual de los precios q se
produciría en un año si la serie aumentara a la misma tasa. Ya q en un año hay 4 trimestre
multiplicamos por 4 nos resulta 4.34 redondeando 4.4.

Esta variación porcentual puede calcularse también utilizando la aproximación de las diferencias
de los logaritmos desde el primer trimestre del 2004 hasta el segundo trimestre del mismo año
es: logaritmo del IPC del segundo trimestre menos el logaritmo del primer trimestre nos resulta
0.0108 en términos porcentuales 1.08%. en base anualizada 4.3% redondeado podemos observar
q es igual a la obtenida calculando directamente el porcentaje de crecimiento.

Estos cálculos se puede resumir de la siguiente manera: tasa de inflación anualizada igual a 400
que es la multiplicación del 100% por 4 trimestres por logaritmo del IPC en el tiempo t menos el
logaritmo del IPC del periodo anterior y como lo mencione antes todo eso se puede representar
con el símbolo de variación del logaritmo del IPC en el tiempo t.

…………………………………………………………………………………………………..

MODELOS AUTORREGRESIVOS
Es el modelo de regresión que relaciona una variable de series temporales con sus valores
pasados. Por ejemplo Los inversores de Wall Street se basan en las previsiones de inflación en el
momento de decidir la cantidad a pagar por los bonos. Los economistas de los bancos centrales,
como el Banco de la Reserva Federal de los EE.UU. utilizan las predicciones de inflación cuando
establecen la política monetaria. . Las empresas utilizan las predicciones de inflación cuando
realizan la previsión de ventas de sus productos.

………………………………………………………………………..

El modelo autorregresivo de primer orden

Para predecir el futuro de una serie temporal se inicia del pasado inmediato. Por ejemplo
si se quiere pronosticar la variación de la inflación de este trimestre al siguiente, podría
verse si la inflación aumento o disminuyo el ultimo trimestre. El método para predecir la
variación en la inflación mediante la variación del trimestre anterior consiste en estimar
una regresión de MCO mínimos cuadrados ordinarios de de variación de la inflación en el
tiempo t sobre la variación en la inflación en el periodo anterior.
Utilizando los datos desde 1962 hasta 2004 la regresión estimada es
La variación de la inflación estimada en base a la regresión estimada igual ……

Los errores estándar están entre paréntesis debajo de los coeficientes

Este modelo se denomina autorregresivo de primer orden porque se trata de una
regresión de la serie sobre su propio retardo, su coeficiente es negativo por lo que un
aumento de la tasa de inflación durante un trimestre indica una disminución de la tasa de
inflación en el trimestre siguiente.
……………………………………………………………………………………….
Predicciones y errores de predicción
Supongamos que se dispone de datos históricos sobre Y y se desea predecir su valor
futuro. Si Yt sigue el modelo autorregresivo de primer orden y b0 y b1 son conocidos la
predicción de

YT-1 en base a YT es….

En la práctica, b0 y b1 son desconocidos, por lo que las predicciones deben basarse en

estimaciones de b0 y b1 utilizando los estimadores MCO b0 estimado y b1 estimado, que
se calculan utilizando datos históricos. Por lo que la predicción basada en el modelo
autorregresivo de primer orden de esta primera ecuación es:

El error de predicción es el error cometido en la predicción y es la diferencia Y T+1 que

realmente sucede y su valor de predicción basado en Yt.
Predicciones versus valores de predicción
La predicción no es un valor de predicción MCO, y el error de predicción no es un residuo
MCO. Los valores de predicción MCO se calculan para las observaciones de la muestra
utilizada para estimar la regresión. Por el contrario, la predicción se hace para algún
periodo más allá del conjunto de los datos utilizados para estimar la regresión, por lo que
los datos sobre el valor real de la variable dependiente predicha no se encuentran en la
muestra utilizada para estimar la regresión. Del mismo modo, el residuo MCO es la
diferencia entre el valor real de Y y su valor de predicción para las observaciones de la
muestra, mientras que el error de predicción es la diferencia entre el valor futuro de Y,
que no está contenido en la muestra de la estimación, y la predicción de ese valor futuro.
Dicho de otra manera, las predicciones y los errores de predicción se refieren a
observaciones «fuera de la muestra», mientras que los valores de predicción y los
residuos se refieren a observaciones «en la muestra».
………………………………………………………………………….

APLICACIÓN A LA INFLACION:
Usaremos la tabla que habíamos mencionado antes, la inflación en los estados unidos,
mas abajo esta la ecuación que lo habíamos denominado autorregresivo de primer orden.
Con estos datos respondemos a la pregunta ¿ Cuál es la predicción para la inflación en el
primer trimestre de 2005 (2005:I) que un economista habría  hecho en el cuarto trimestre
del 2004 (2004:IV)?
……………………………………………………………………..
La tasa de inflación en el tercer trimestre del 2004 fue 1.6 y en el cuarto trimestre del
mismo año 3.5 como se observa hubo un incremento de 1.9 puntos porcentuales por lo
tanto lo representamos como variación de inflación en el cuarto trimestre del 2004 igual a
1.9.
Ahora ; introducimos estos valores a la ecuación anterior : la predicción para la variación
de la inflación del cuarto trimestre del 2004 hasta el primer trimestre del 2005 es 0.017 –
0.238 (∆ inf 2004:IV) ………reemplazando se obtiene -o.4 redondeando
La tasa de inflación prevista es la tasa de inflación pasada mas su variación prevista:

Debido a que Inf2004:IV 3,5 % y la variación prevista en la tasa de inflación desde 2004:IV
hasta 2005:I, es .0,4, la predicción para la tasa de inflación en 2005:I es……(formula)
…………..por lo tanto el modelo autorregresivo de primer orden predice que la inflación
bajara ligeramente del 3.5% en 2004:IV al 3.1% en 2005:I.
¿Cuál fue la precisión de la predicción del autorregresivo de primer orden? De acuerdo
con la Tabla, el valor real de la inflación en 2005:I fue de un 2,4 %, por lo que la predicción
de AR(1) fue mayor en 0,7 puntos porcentuales; es decir, el error de predicción es de .0,7.
El R*2 del modelo AR(1) de la Ecuación es 0,05. el bajo R*2 sugiere que este modelo AR(1)
pronosticará tan solo una pequeña parte de la variabilidad de la variación de la inflación.
El error estándar de la regresión de la Ecuación es 1,65

……………………………………………………………………..
EL MODELO AUTORREGRESIVO DE ORDEN P
El modelo autorregresivo de primer orden utiliza el periodo anterior para predecir el
actual pero no considera importante información de un pasado mas lejano.
Por lo que incorpora retardos adicionales en el modelo autorregresivo de primer orden lo
que nos resulta el modelo autorregresivo de orden p. sus regresores son Yt-1, Yt-2, ….Yt-p
mas un termino independiente.
para la variación de la inflación utiliza como regresores a los cuatro primeros retardos de
la variación de la inflación. Estimado por MCO para el periodo 1962-2004, el modelo
AR(4) es

Los coeficientes de los tres últimos retardos adicionales de la Ecuación son

conjuntamente significativamente distintos de cero al nivel de significación del 5 %:
Propiedades de la predicción y del término de error en el modelo AR(p)
el supuesto de que la esperanza condicional del termino de error en el tiempo t es igual a
cero dados los valores pasados tiene dos implicaciones importantes:
La primera implicación es que la mejor predicción para YT+1 basada en su historia
completa solamente depende de los p valores pasados más recientes. Si Yt sigue un
proceso autorregresivo en el orden p, entonces la mejor predicción de YT+1 basada en YT,
YT+1, ... es esta formula…..
Lo cual se desprende del supuesto de que la esperanza condicional del termino de error
es igual a cero. En la practica los coeficientes betas son desconocidos, por lo que en
realidad las predicciones realizadas mediante el modelo autorregresivo en el orden p
utilizan esta ecuación con los coeficientes estimados.
La segunda implicación es que los errores ut están serialmente incorrelacionados
………………………………………………………………………………………………

Aplicación a la inflación
Utilizando la tabla anterior y la ecuación en base al modelos autorregresivo de cuarto
orden.
Para calcular esta predicción se sustituyen los valores de la variación en la inflación de
cada uno de los cuatro trimestres del 2004 donde obtenemos como resultado 0.4
redondeando.
La previsión correspondiente para la inflación en el primer trimestre del 2005 es el valor
del cuarto trimestre del 2004 3.5% mas la variación estimada 0.4% que nos da el
resultado de 3.9%.
El error de predicción es el valor real 2.4% menos la predicción 3.9% igual a 1.5 esto
mayor en valor absoluto que el error de predicción autorregresivo de primer orden de
-0.7 puntos porcentuales.