clase 6 (introducción a series de tiempo)

Tomás Urrego

2023-02-14

Clase: series de tiempo, explicación

Caracteristicas gráficas de serie no estacionaria.

Es práctica común graficar el logaritmo de una serie de tiempo para tener una idea de la tasa de crecimiento
de dicha serie. Una gráfica de los datos es por lo general el primer paso en el análisis de series de tiempo. Se

9.0

8.5

8.0

7.5

7.0

1947Q1
1952Q1
1957Q1
1962Q1
1967Q1
1972Q1
1977Q1
1982Q1
1987Q1
1992Q1
1997Q1
2002Q1
2007Q

tienen cifras trimestrales desde 1947-1 a 2007-4

Trimestre
Algunas características que presentan estas series, son que tienden hacia arriba y en la mayoria de ocaciones
presentan fluctuaciones en su comportamiento.
Supongamos que el origen de Y se desplaza de Yt a Yt+m (por ejemplo, de 1947-1 a 1952-1 de los datos
del PIB). Si esperamos que Yt sea estacionaria, la media, la varianza y la covarianza de Yt+m deben ser las
mismas que la de Yt .

1
Un proceso estacionario no se desvía demasiado de su valor medio debido a la varianza finita, a continuación se

Proceso esta

6
5
4
3
Yt

2
1
0
−1
0 100 200

Tiemp
simula un proceso estacionario para poder graficarlo y analisarlo.
¿Por qué las series de tiempo estacionarias son tan importantes? Porque si una serie de tiempo
es no estacionaria, sólo podemos estudiar su comportamiento durante el período en consideración En
consecuencia, no es posible generalizar para otros períodos Así, para propósitos de pronóstico, tales series
de tiempo (no estacionarias) tienen poco valor práctico Otro proceso estocástico (o de series de tiempo) es
el proceso puramente aleatorio o de ruido blanco: se dice que un proceso es puramente aleatorio si tiene
una media igual a cero, una varianza constante y no está serialmente correlacionado Una serie de tiempo
ruido blanco es estacionaria, no importa cuando la observes, deberá verse igual en cuaquier momento

2
 Caminata aleatoria sin deriva
20
15
10
5
0
−5

0 100 200 300 400 500

3
 Caminata aleatoria con deriva
1500
1000
500
0

0 100 200 300 400 500

##
## Call:
## lm(formula = Y_t ~ X_t)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.6186 -3.1349 -0.8393 3.2261 10.4912
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.4209 0.2928 11.68 <2e-16 ***
## X_t -0.2213 0.0133 -16.64 <2e-16 ***
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
## Residual standard error: 4.099 on 498 degrees of freedom
## Multiple R-squared: 0.3574, Adjusted R-squared: 0.3561
## F-statistic: 277 on 1 and 498 DF, p-value: < 2.2e-16

##
## Durbin-Watson test
##
## data: modelo1
## DW = 0.058538, p-value < 2.2e-16
## alternative hypothesis: true autocorrelation is greater than 0

4
##
## Durbin-Watson test
##
## data: modelo2
## DW = 2.1533, p-value = 0.9569
## alternative hypothesis: true autocorrelation is greater than 0

Ejercisio aplicado en R

Introducción a series de tiempo

Utilizamos los datos de Gujarati y Portes, capítulo 21. Variables macroeconómicas de los Estados Unidos,
trimestrales entre 1947 y 2007 (precios constantes de 2000)
En este ejercicio analizamos la serie PIB, Recordemos que el análisis se centra en determinar si la serie es o
no estacionaria

Análisis gráfico

9.0

8.5

Log(PIB)

8.0

7.5

1947Q1 1952Q1 1957Q1 1962Q1 1967Q1 1972Q1 1977Q1 1982Q1 1987Q1 1992Q1 1997Q1 2002Q1 2007Q1
Trimestre

La serie de tiempo del PIB crece a lo largo de todo el período, es decir que muestra una tendencia ascendente
y por lo tanto no es estacionaria

5
Correlograma de la serie

## Warning in ggplot2::geom_segment(lineend = "butt", ...): Ignoring unknown

## parameters: ‘main‘

AC de LPIB
1.00

0.75

0.50
ACF

0.25

0.00

0 5 10 15 20
Lag

## Warning in ggplot2::geom_segment(lineend = "butt", ...): Ignoring unknown

## parameters: ‘main‘

6
 PAC de LPIB
1.00

0.75

0.50
PACF

0.25

0.00

0 5 10 15 20
Lag

Se observa que la AC disminuye lentamente, mientras que la PAC cae abruptamente, lo que indica una
estructura AR(1)

Tests de raices unitarias

Test de Dickey-Fuller aumentado

Como primer paso, se estima una regresión con una constante y tendencia. Se selecciona AIC como criterio
de información para seleccionar el número de rezagos óptimos.

##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.031568 -0.004776 0.000323 0.005025 0.033544

7
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.2866301 0.1047383 2.737 0.00668 **
## z.lag.1 -0.0377715 0.0141373 -2.672 0.00807 **
## tt 0.0003023 0.0001171 2.581 0.01044 *
## z.diff.lag 0.3412931 0.0607002 5.623 5.25e-08 ***
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
## Residual standard error: 0.009133 on 238 degrees of freedom
## Multiple R-squared: 0.1391, Adjusted R-squared: 0.1282
## F-statistic: 12.81 on 3 and 238 DF, p-value: 8.617e-08
##
##
## Value of test-statistic is: -2.6718 20.2828 4.2409
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -3.99 -3.43 -3.13
## phi2 6.22 4.75 4.07
## phi3 8.43 6.49 5.47

Residuals
0.02
−0.03

0 50 100 150 200 250

Autocorrelations of Residuals Partial Autocorrelations of Residuals

Partial ACF

0.05
0.6
ACF

0.0

−0.15

0 5 10 15 20 5 10 15 20

Lag Lag

hay problemas de raices unitarias, no hay tendencia determinística = 4.24 < ϕ3 al 1,5,10 porciento, lo
mísmo pasa con τ3 > -2.67, si δ = 0 entonces ρ = 1. Luego, la hipótessis ϕ3 = (B1 , B2 , δ) = (B1 , 0, 0) es
probado con un test F usual. Esto es, la tendencia y el valor rezagado de LPIB son restringidas a cero
H0 : B2 = δ = 0.

8
El valor del test estadístico tiene un valor de 4.2409. Los valores críticos de 10%, 5% y 1% son 8.43, 6.49
y 5.47, respectivamente. Por tanto, H0 no puede ser rechazada, lo cual implica que el LPIB tiene una raiz
unitaria.
Estos resultados son confirmados por un t ratio de -2.6718 para el rezago de la variable endógena. Este valor
es inferior a los valores críticos (-3.99, -3.43, -3.13) con lo cual no es posible rechazar H0 = δ = 0, es decir,
existe una raiz unitaria.
Luego, se prueba si LPIB es una caminata aleatoria con o sin intercepto H0 : B1 = B2 = δ = 0. El test
estadístico relevante es ϕ2 , el cual tiene un valor de 20.2828, que comparado a los valores críticos (6.22, 4.75,
4.07) es mayor con lo que se rechaza H0 , así que la serie LPIB es una caminata aleatoria con intercepto.
Dado los resultados de phi3 se estima sin tendencia.

##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression drift
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.030655 -0.004927 -0.000009 0.005376 0.036471
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.017191 0.008754 1.964 0.0507 .
## z.lag.1 -0.001373 0.001030 -1.333 0.1839
## z.diff.lag 0.322640 0.060978 5.291 2.75e-07 ***
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
## Residual standard error: 0.009241 on 239 degrees of freedom
## Multiple R-squared: 0.115, Adjusted R-squared: 0.1076
## F-statistic: 15.52 on 2 and 239 DF, p-value: 4.59e-07
##
##
## Value of test-statistic is: -1.3328 26.4655
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau2 -3.46 -2.88 -2.57
## phi1 6.52 4.63 3.81

9
 0.02
−0.03
Residuals

0 50 100 150 200 250

Autocorrelations of Residuals Partial Autocorrelations of Residuals

Partial ACF

0.05
0.6
ACF

−0.15
0.0

0 5 10 15 20 5 10 15 20

Lag Lag

El test estadístico ϕ1 (H0 = B1 = δ = 0) es 26.4655 mayor a los valores críticos (6.52, 4.63, 3.81), por lo
que rechazo H0 , es decir que el intercepto es significante. El τ2 muestra que -1.3328 es menor que los valores
críticos (-3.46, -2.88, -2.57), lo que indica que LPIB tiene raíz unitaria, no existe una tendencia, pero si
un intercepto en el proceso generador de datos La estimación sin tendencia ni intercepto, no tiene sentido.
Vemos que δ es positivo lo cual hace que la serie sea explosiva y no tenga sentido estimar.

##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression none
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.028887 -0.004843 -0.000176 0.005633 0.038919
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## z.lag.1 6.422e-04 9.221e-05 6.964 3.15e-11 ***
## z.diff.lag 3.387e-01 6.078e-02 5.572 6.73e-08 ***
## ---

10
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
## Residual standard error: 0.009295 on 240 degrees of freedom
## Multiple R-squared: 0.4778, Adjusted R-squared: 0.4734
## F-statistic: 109.8 on 2 and 240 DF, p-value: < 2.2e-16
##
##
## Value of test-statistic is: 6.964
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau1 -2.58 -1.95 -1.62

Residuals
0.02
−0.03

0 50 100 150 200 250

Autocorrelations of Residuals Partial Autocorrelations of Residuals

Partial ACF

0.05
0.6
ACF

−0.15
0.0

0 5 10 15 20 5 10 15 20

Lag Lag

Finalmente, se prueba la serie diferenciada para ver si logra la estacionariedad

##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##

11
## Residuals:
## Min 1Q Median 3Q Max
## -0.031168 -0.004833 -0.000019 0.005042 0.036008
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.444e-03 1.413e-03 4.562 8.15e-06 ***
## z.lag.1 -6.278e-01 7.516e-02 -8.354 5.60e-15 ***
## tt -9.889e-06 8.618e-06 -1.147 0.252
## z.diff.lag -7.800e-02 6.462e-02 -1.207 0.229
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
## Residual standard error: 0.009249 on 237 degrees of freedom
## Multiple R-squared: 0.3452, Adjusted R-squared: 0.3369
## F-statistic: 41.65 on 3 and 237 DF, p-value: < 2.2e-16
##
##
## Value of test-statistic is: -8.3536 23.2772 34.9145
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -3.99 -3.43 -3.13
## phi2 6.22 4.75 4.07
## phi3 8.43 6.49 5.47

Residuals
0.02
−0.03

0 50 100 150 200 250

Autocorrelations of Residuals Partial Autocorrelations of Residuals

Partial ACF

0.05
0.6
ACF

−0.15
0.0

0 5 10 15 20 5 10 15 20

Lag Lag

12
Una interpretación más completa puede encontrarse en https://stats.stackexchange.com/questions/24072/
interpreting-rs-ur-df-dickey-fuller-unit-root-test-results Analysis of Integrated and Cointegrated Time Series
with R, Bernhard Pfaff, Cap 5

Test de Phillips-Perron
##
## ##################################
## # Phillips-Perron Unit Root Test #
## ##################################
##
## Test regression with intercept and trend
##
##
## Call:
## lm(formula = y ~ y.l1 + trend)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.037777 -0.004605 0.000245 0.005211 0.031461
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.2348773 0.1251868 1.876 0.0618 .
## y.l1 0.9730718 0.0148755 65.414 <2e-16 ***
## trend 0.0002100 0.0001232 1.704 0.0897 .
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
## Residual standard error: 0.009715 on 240 degrees of freedom
## Multiple R-squared: 0.9997, Adjusted R-squared: 0.9997
## F-statistic: 4.332e+05 on 2 and 240 DF, p-value: < 2.2e-16
##
##
## Value of test-statistic, type: Z-tau is: -2.3438
##
## aux. Z statistics
## Z-tau-mu 0.4945
## Z-tau-beta 2.3578
##
## Critical values for Z statistics:
## 1pct 5pct 10pct
## critical values -3.998978 -3.429523 -3.137979

13
Actual and fitted values

7.5
Diagram of fit for model with intercept and trend

0 50 100 150 200 250

Residuals
−0.04

0 50 100 150 200 250

Autocorrelations of Residuals Partial Autocorrelations of Residuals

Partial ACF
ACF

−0.2
−0.2

0 5 10 15 20 5 10 15 20

Lag Lag

Test de Elliot-Rothenberg-Stock
##
## ###############################################
## # Elliot, Rothenberg and Stock Unit Root Test #
## ###############################################
##
## Test of type P-test
## detrending of series with intercept and trend
##
## Value of test-statistic is: 11.7071
##
## Critical values of P-test are:
## 1pct 5pct 10pct
## critical values 3.96 5.62 6.89

14