UNIVERSIDAD NACIONAL DE SAN MARTÍN

FACULTAD DE CIENCIAS ECONÓMICAS

ESCUELA PROFESIONAL DE ECONOMÍA

ASPECTOS ADICIONALES DE MCO CON DATOS DE SERIES DE

TIEMPO

AUTORES:

Jhanny Aylen Gebol Rojas

Nicole Gianella Luna Reátegui

Katerin Noelia Panduro Ruiz

Marlon Brahan Quiroz Gonzales

Karen Lisbeth Torres Vargas

Maday Gladely Vásquez Delgado

CURSO:

Econometría II

DOCENTE:

Econ. Edilberto Pezo Carmelo

Tarapoto-Perú

2022
Dedicatoria

Este trabajo lo dedicamos a Dios, por habernos

brindado sabiduría y fuerza en el transcurso de
nuestra vida, por darnos salud y bendición para
lograr alcanzar las metas como persona y
profesional.

Dedicamos con todo el corazón este trabajo a

nuestros padres por su gran apoyo moral y
económico, que brindan oportunidades para poder
lograr nuestras metas, siendo nuestra mayor fuente
de motivación para ser mejores cada día, y por ese
amor incondicional que nos han brindado desde el
primer día de vida.

Al docente Econ. Edilberto Pezo Carmelo, porque

guio y brindó una buena calidad de enseñanza para
poder desarrollarnos íntegramente como futuros
profesionales.

2
 Objetivos
Objetivo General

Analizar los aspectos adicionales de MCO con datos de series de tiempo.

Objetivos Específicos

a) Comprender la relación de mínimos cuadrados ordinarios con los datos de series de

tiempo.
b) Distinguir el proceso estocástico estacionario y el proceso estacionario en
covarianza.
c) Identificar las propiedades asintóticas de MCO.
d) Explicar sobre las series altamente persistentes.
e) Evaluar cuando se cumple un modelo dinámicamente completo.
f) Identificar el supuesto de homocedasticidad.

3
 Índice
Dedicatoria ........................................................................................................................................ 2
Objetivos ........................................................................................................................................... 3
Introducción...................................................................................................................................... 5
CAPÍTULO I .................................................................................................................................... 6
ASPECTOS ADICIONALES DE MÍNIMOS CUADRADOS ORDINARIOS CON DATOS
DE SERIES DE TIEMPO ............................................................................................................... 6
1.1 Mínimos cuadrados ordinarios y datos de series de tiempo ......................................... 6
1.2 Series de tiempo estacionarias y no estacionarias ......................................................... 6
1.2.1 Proceso estocástico estacionario .............................................................................. 7
1.2.2 Proceso estacionario en covarianza ........................................................................ 7
1.3 Series de tiempo débilmente dependientes ..................................................................... 7
1.4 Propiedades asintóticas de MCO .................................................................................... 8
1.5 Uso de series de tiempo altamente persistentes en el análisis de regresión ................. 9
1.5.1 Series de tiempo altamente persistentes ................................................................. 9
1.5.2 Transformaciones de series de tiempo altamente persistentes ........................... 14
1.6 Modelos dinámicamente completos y ausencia de correlación serial ........................ 16
1.7 El supuesto de homocedasticidad en los modelos de series de tiempo ....................... 19
CONCLUSIONES .......................................................................................................................... 20
REFERENCIAS BIBLIOGRÁFICAS ......................................................................................... 21
 Introducción

Los Mínimos Cuadrados Ordinarios (MCO) con datos de series de tiempo implica el
estudio de un conjunto de observaciones de una variable, medida en puntos sucesivos de
periodos temporales. Este modelo estático, representa una relación entre las variables. El
método se utiliza para encontrar los parámetros poblacionales en un modelo de regresión
lineal; así mismo este método minimiza la suma las distancias verticales entre las respuestas
observadas en la muestra y las respuestas del modelo.

El método de los mínimos cuadrados es utilizado para calcular la recta de regresión

lineal que minimiza los residuos, esto es, las diferencias entre los valores reales y los
estimados por la recta. Es el método de estimación más habitual cuando se realiza el ajuste
de un modelo de regresión lineal en los parámetros, aunque no es el único. Las series de
tiempo es una secuencia de datos u observaciones, medidos en determinados momentos y
ordenados cronológicamente.

Nuestro trabajo se ha dividido en un capítulo donde se va a analizar y entender las

propiedades básicas del Mínimos Cuadrados Ordinarios con series de tiempo, y sus
propiedades asintóticas. Además de distinguir el proceso estocástico estacionario y
covarianza, las series altamente persistentes y algunos supuestos necesarios que se deben
tomar en cuenta.

5
 CAPÍTULO I

ASPECTOS ADICIONALES DE MÍNIMOS CUADRADOS

ORDINARIOS CON DATOS DE SERIES DE TIEMPO
1.1 Mínimos cuadrados ordinarios y datos de series de tiempo
Uno de los puntos determinantes en la econometría se basa en el procesamiento
estadístico y para ello el método de Mínimos Cuadrados Ordinarios MCO permite
encontrar los Mejores Estimadores Lineales Insesgados. Este método presenta muchas
ventajas en cuanto a lo fácil de su uso y por lo adecuado del planteamiento estadístico
matemático que permite adecuarse a los supuestos para los modelos econométricos.
El término de MCO está vinculado con la regresión y la correlación, ambas determinan
la existencia de relación entre dos o más variables (siempre una dependiente y una o
varias independientes).

Sabemos que el análisis con datos de series de tiempo implica el estudio de un

conjunto de observaciones de una variable, medida en puntos sucesivos de periodos
temporales. Los Mínimos Cuadrados Ordinarios tienen exactamente las mismas
propiedades deseables que se obtiene para los datos de corte transversal. (Wooldridge,
2010, p. 377)

El análisis de muestras grandes para los problemas de series de tiempo está

plagado de un número mucho mayor de dificultades que el análisis de corte transversal
y esto se complica mucho más si se permite que las observaciones se correlacionen en
el tiempo. Cabe recalcar que los principales teoremas de límites son válidos para
algunos procesos de series de tiempo. La clave radica en que si la correlación entre
variables de diferentes periodos de tiempo tiende a cero con suficiente rapidez.

Las series de tiempo que tienen una correlación temporal sustancial requieren
una atención especial en el análisis de regresión y es en esto en que se basa el tema.

1.2 Series de tiempo estacionarias y no estacionarias

El proceso estacionario sirve para el análisis de las series de tiempo, esto
implica que, si se toma cualquier colección de variables aleatorias de la secuencia y se
las desplaza h periodos, la distribución de probabilidad conjunta debe permanecer
inalterada (Wooldridge, 2010, p. 378). Por lo tanto, se llaman estacionarias cuando sus
 parámetros y distribuciones no cambian con el tiempo, en términos más exactos su
media y su varianza se mantienen constantes y tampoco siguen una tendencia.

1.2.1 Proceso estocástico estacionario

Un proceso estocástico estacionario es aquel cuya distribución de
probabilidad varía de forma más o menos constante a lo largo de cierto
periodo de tiempo. Asimismo, es una secuencia de variables aleatorias
indexadas en el tiempo, al conformar esta base de datos se obtiene una
realización (Cáceres, 2021). Se sabe que los modelos de pronósticos
adquieren relevancia por su objetivo de planeación del futuro, anticipa y
elabora estrategias para ello a través de una idea aproximada de lo que es
probable que suceda en el futuro.

1.2.2 Proceso estacionario en covarianza

Un proceso estocástico es estacionario en covarianza cuando su
función de valor medio es constante independiente de t y su función de
autocovarianza depende de la diferencia de los argumentos.

Estos procesos estacionarios en covarianza solo se centran en los dos

primeros momentos del proceso estocástico y estos son constantes
(Hinostroza, 2021).

La estacionalidad es importante ya que permite estimar y hacer

inferencia sobre el proceso generador de los datos necesitamos del pasado.
Necesitamos que el pasado se mantenga “parecido” al presente para que
nuestras estimaciones tengan sentido hoy, y para predecir hacia el futuro.

1.3 Series de tiempo débilmente dependientes

La estacionalidad tiene que ver con las distribuciones conjuntas de un proceso
a medida que avanza en el tiempo (Wooldridge, 2010, p. 379). Es importante hacer
mención que estacionalidad estricta implica estacionalidad débil.

El concepto de dependencia débil establece cómo están relacionadas las

variables aleatorias al aumentar la distancia temporal entre ellas, este tipo de
dependencia es muy importante ya que gracias a este supuesto se afirma la ley de los
grandes números y el teorema de límite central.

7
 Antes de empezar a calcular medias, varianzas y covarianzas tenemos que
asegurarnos que las serie es estacionaria. En general se busca estacionariedad débil
(Hinostroza, 2021).

1.4 Propiedades asintóticas de MCO

La teoría asintótica analiza el comportamiento aproximado de un estimador o
estadístico cuando T → ∞. ¿Por qué analizamos esto? Es deseable poder obtener
estimadores y estadísticos y conozcamos sus propiedades tal que para muestras finitas:
Insesgados, eficiencia y sus distribuciones; pero en muchas ocasiones estas
propiedades se conocen a costa de tener que hacer supuestos muy particulares y
restrictivos que pueden no satisfacerse y/o ser difíciles de contrastar. Otras veces no
es posible encontrar estimadores que tengan propiedades deseables para muestras
finitas, las que se satisfacen para un tamaño muestra dado, pero que tienen propiedades
deseables en muestras grandes, es decir cuando T → ∞, cuando el tamaño muestral es
suficientemente grande. A estas propiedades las llamaremos propiedades asintóticas o
propiedades en muestras grandes. (Álvarez, 2014)

Según (Álvarez, 2014), “Cuando empleamos los estimadores MCO, y se

cumplen ciertas hipótesis básicas, estos estimadores tienen unas propiedades deseables
que convierten al método de los MCO como el método preferible para estimar
parámetros”

Según Wooldridge (2010) las propiedades asintóticas de MCO son las

siguientes:

• Linealidad y dependencia débil: Se incluyen rezagos de las variables

dependientes e independientes.
• No hay Colinealidad perfecta: Las variables independientes no pueden estar
colineadas ni en distintos tiempos.
• Media condicional cero: Ya que las variables explicativas son
contemporáneamente exógenas esto es válido para un periodo y para todos los
demás.
• Homocedasticidad: Los errores contemporáneos son homocedasticos, lo que
quiere decir que la varianza de los errores es constante para cualquier tiempo.
• No hay correlación serial: Las perturbaciones no deben estar correlacionadas
con el tiempo, este problema es muy usual en este tipo de modelos.

8
 Los primeros supuestos agregan principalmente la propiedad de dependencia
débil, necesaria para derivar las propiedades asintóticas de MCO la estacionariedad no
es indispensable, pero simplifica el planteamiento y la interpretación de los supuestos
(Albarán, s.f.) por lo tanto, el proceso estocástico es estacionario y débilmente
dependiente y sigue el modelo lineal.

1.5 Uso de series de tiempo altamente persistentes en el análisis de regresión

Las series de tiempo dependientes muestra que, siempre que las series de
tiempo que se utilicen sean débilmente dependientes, los procedimientos usuales de
inferencia de MCO serán válidos bajo supuestos más débiles que aquellos del modelo
lineal clásico. Por desgracia, varias series de tiempo económicas no pueden
caracterizarse por una dependencia débil.

Ahora se darán algunos ejemplos de series de tiempo altamente persistentes (o

fuertemente dependientes) y se muestra cómo pueden transformarse para utilizarlas en
el análisis.

1.5.1 Series de tiempo altamente persistentes

En el modelo Autorregresivo simple, el supuesto |𝑝1 | < 1 es crucial
para que las series de tiempo sean débilmente dependientes. Pero resulta que
muchas series de tiempo económicas se caracterizan mejor por el modelo
Auto regresivo 𝑝1=1. Se denota de la siguiente forma:

𝑦1 = 𝑦𝑡−1 + 𝑒𝑡 , 𝑡 = 1,2, ..

Donde de nuevo se supone que {𝑒𝑡 : t 1, 2, …} es independiente e

idénticamente distribuida con media cero y varianza 𝜎 2 . Asimismo, se da
por hecho que el valor inicial, 𝑦0 , es independiente de 𝑒𝑡 para toda t ≥1.

El proceso de la ecuación anterior se llama caminata aleatoria. El

nombre proviene del hecho que y en el periodo t se obtiene a partir del valor
anterior, 𝑦𝑡−1 , y al añadir una variable aleatoria de media cero que sea
independiente de 𝑦𝑡−1 . En ocasiones, una caminata aleatoria se define de
manera distinta al suponer diferentes propiedades de las innovaciones, 𝑒𝑡
(como la falta de correlación en vez de la independencia), pero la definición
actual es suficiente para nuestros propósitos. Primero, se calcula el valor

9
esperado de 𝑦𝑡 . Esto se realiza con mayor facilidad si se utiliza la sustitución
repetida para obtener. (Wooldridge, 2010, p. 389)

𝑦1 = 𝑒𝑡 + 𝑒𝑡−1 , + ⋯ + 𝑒1 + 𝑦0

Al tomar el valor esperado de ambos lados se tienen:

𝐸(𝑦1 ) = 𝐸(𝑒𝑡 ) + 𝐸(𝑒𝑡−1 ), + ⋯ + 𝐸(𝑒1 ) + 𝐸(𝑦0 )

= 𝐸(𝑦0 ), para toda t ≥1

Por consiguiente, el valor esperado de una caminata aleatoria no

depende de t. Es común suponer que 𝑦0 = 0, el proceso comienza en cero en
el tiempo cero, en cuyo caso, E( 𝑦1 ) = 0 para toda t.

En comparación, la varianza de una caminata aleatoria sí cambia con

t. Para calcular la varianza de una caminata aleatoria por simplicidad se
supone que 𝑦0 no es aleatoria de modo que 𝑉𝑎𝑟 (𝑦0 ) =0; esto no afecta
ninguna conclusión importante. Por ende, según el supuesto

𝑉𝑎𝑟 (𝑦1 ) = 𝑉𝑎𝑟 (𝑒𝑡 ) + 𝑉𝑎𝑟 (𝑒𝑡−1 ), + ⋯ + 𝑉𝑎𝑟(𝑒1 ) = 𝜎𝑒2 𝑡

En otras palabras, la varianza de una caminata aleatoria aumenta

como una función lineal del tiempo, razón por la cual el proceso no puede ser
estacionario.
Lo más importante es que una caminata aleatoria exhibe un
comportamiento persistente en el sentido que el valor actual de y es
importante para determinar el valor de y en un futuro muy lejano. Para
entender esto, escriba la ecuación para h periodos hacia delante.
𝑦𝑡+ℎ = 𝑒𝑡+ℎ + 𝑒𝑡+ℎ−1 , + ⋯ + 𝑒𝑡+1 + 𝑦𝑡

Ahora imagine que en el periodo t, se quiere calcular el valor esperado

de 𝑦𝑡+ℎ para el valor actual 𝑦𝑡 dado. Como el valor esperado de 𝑒𝑡+𝑗 , para
una 𝑦𝑡 determinada, es cero para toda j ≥ 1, se tiene
𝐸(𝑦𝑡+ℎ /𝑦𝑡 ) = 𝑦𝑡 , 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 ℎ ≥ 1

La figura siguiente traza dos realizaciones de una caminata aleatoria

con un valor inicial de 𝑦0 = 0 + 𝑒𝑡 ~ Normal (0,1). Por lo general no es fácil
determinar si se trata de una caminata aleatoria con solo observar un diagrama

10
de una serie de tiempo. A continuación, se estudiará un método informal para
hacer la distinción entre secuencias débilmente y altamente dependientes.
(Wooldridge, 2010, p. 390)

Figura 1
Realizaciones de la caminata aleatoria.

Nota: El gráfico representa dos realizaciones de la caminata aleatoria 𝑦𝑡 =

𝑦𝑡−1 + 𝑒𝑡 , con 𝑦0 = 0, 𝑒𝑡 ~Normal (0,1) y n = 50. Tomado de Introducción
a la econometría. Un enfoque moderno (p.390), por Wooldridge, J.M., 2010,
Cengage Learning Editores, S.A.

11
Figura 2
Tasa de los bonos del Tesoro a tres meses, para el periodo de 1948 a 1996.

Nota: El gráfico nos muestra una serie de caminata aleatoria, donde se trazan
los datos anuales para los años de 1948 a 1996. Fuente: Introducción a la
econometría. Un enfoque moderno (p.390), por Wooldridge, J.M., 2010,
Cengage Learning Editores, S.A.

Una serie que por lo general se considera bien descrita por una
caminata aleatoria, es la tasa de los bonos del Tesoro a tres meses. Los datos
anuales se trazan en la segunda figura para los años de 1948 a 1996. Una
caminata aleatoria es un caso especial de lo que se conoce como proceso de
raíz unitaria. (Wooldridge, 2010, p. 391)

Desde un punto de vista de políticas, a menudo es importante saber si

una serie de tiempo económica es altamente persistente o no. Considere el
caso del producto interno bruto en Estados Unidos. Si el PIB no tiene una
correlación asintótica, entonces el nivel del PIB del próximo año, en el mejor
de los casos, esta débilmente relacionado con el nivel que el PIB tenia,
digamos, hace 30 anos. Esto significa que una política que afectaba al PIB
hace tiempo tiene muy poco impacto perdurable. Por otro lado, si el PIB es
fuertemente dependiente, el PIB del año siguiente podría estar muy
correlacionado con el de hace muchos años. Así, se debe reconocer que una

12
política que produce un cambio discreto en el PIB puede tener efectos
duraderos.
Es de gran importancia no confundir los comportamientos de
tendencia y persistencia elevada.
Una serie puede mostrar tendencia, pero no ser muy persistente. Más
aun, muchos piensan que factores tales como las tasas de interés, los índices
de inflación y las tasas de desempleo son altamente persistentes, pero no
tienen tendencias manifiestas hacia arriba o hacia abajo. Sin embargo, a
menudo ocurre que una serie altamente persistente también muestra una clara
tendencia. Un modelo que conduce a este comportamiento es la caminata
aleatoria con deriva:
𝑦1 = 𝛼0 + 𝑦𝑡−1 + 𝑒1, , 𝑡 = 1,2, …

Lo nuevo es el parámetro 𝛼0 , que es el término de deriva o tendencia

estocástica (drift term). En esencia, para generar 𝑦𝑡 , la constante 𝛼0 se añade
junto con el ruido aleatorio 𝑒𝑡 al valor anterior 𝑦𝑡−1.
𝑦1 = 𝛼0 𝑡 + 𝑒𝑡 + 𝑒𝑡−1, + 𝑒1 + 𝑦0

La figura siguiente contiene una realización de una caminata aleatoria

con deriva, donde n =50, 𝑦0 = 0 , 𝛼0 = 2 , y las 𝑒𝑡 son variables aleatorias
Normal (0,9). Como se aprecia en esta gráfica, 𝑦𝑡 , tiende a crecer con el
tiempo, pero por lo común las series no regresan a la línea de tendencia.
Una caminata aleatoria con deriva es otro ejemplo de un proceso de
raíz unitaria, ya que es el caso especial de 𝑝1 = 1 en un modelo auto regresivo
con un intercepto:
𝑦1 = 𝛼0 + 𝑝1 𝑦𝑡−1 + 𝑒𝑡

13
 Figura 3
Caminata aleatoria con deriva.

Nota: El gráfico nos muestra una realización de la caminata aleatoria con

deriva, 𝑦𝑡 = 2 + 𝑦𝑡−1 + 𝑒𝑡 con 𝑦0 = 0, 𝑒𝑡 ~Normal (0,9) y n = 50. La línea
punteada es el valor esperado de 𝑦𝑡 , 𝛦(𝑦𝑡 ) = 2𝑡. Tomado de Introducción a
la econometría. Un enfoque moderno (p.390), por Wooldridge, J.M., 2010,
Cengage Learning Editores, S.A.

Cuando 𝑃1 = 1 y {𝑒𝑡 }es un proceso debilmente dependiente, se

obtiene una clase completa de procesos de series altamente persistentes que
también tienen medias con tendencia lineal. (Wooldridge, 2010, p. 392)

1.5.2 Transformaciones de series de tiempo altamente persistentes

El estudio de la estacionalidad de las series temporales resulta clave
en la práctica moderna de la econometría. La atención a la estacionalidad de
las series temporales se ha convertido en algo infranqueable por varios
motivos (Mahía, 1999, p. 67).
Cuando en una ecuación de regresión se usan series de tiempo
altamente persistentes del tipo que exhibe un proceso de raíz unitaria
(Wooldridge, 2010, p. 393)

14
 A través de los procesos de raíz unitaria se pueden transformar
haciendo que sean débilmente dependientes. Se dice que los procesos de raíz
unitaria, como la caminata aleatoria (con o sin deriva), son integrados de
orden uno. Esto significa que la primera diferencia del proceso es débilmente
dependiente (y a menudo estacionaria). Una serie de tiempo integrados de
orden uno, a menudo se considera un proceso estacionario en diferencias, aun
cuando en cierto modo el nombre es engañoso respecto al énfasis que se pone
en la estacionariedad después de la diferenciación, en vez de la dependencia
débil en las diferencias.
Es más fácil apreciar el concepto de proceso integrado de orden uno
en una caminata aleatoria. Con {𝒚𝒕 } generado para t 1, 2, …,
∆𝒚𝒕 = 𝒚𝒕 − 𝒚𝒕−𝟏 = 𝒆𝒕 , 𝒕 = 𝟐, 𝟑, … ;
Donde {𝒆𝒕 } es un proceso débilmente dependiente, entonces {∆𝒚𝒕 }
es débilmente dependiente. Por tanto, cuando se sospecha que los procesos
son integrados de orden uno, a menudo se obtienen las primeras diferencias
con el fin de utilizarlas en el análisis de regresión.
Muchas series de tiempo 𝒚𝒕 que son estrictamente positivas, son tales
que log( 𝒚𝒕 ) es integrado de orden uno. En este caso, en el análisis de
regresión se usa la primera diferencia de los logaritmos.
∆𝒍𝒐𝒈(𝒚𝒕 ) = 𝐥𝐨𝐠 (𝒚𝒕 ) − 𝒍𝒐𝒈(𝒚𝒕−𝟏 )
∆𝒍𝒐𝒈(𝒚𝒕 ) ≈ ( 𝒚𝒕 − 𝒚𝒕−𝟏 )/𝒚𝒕−𝟏
La diferenciación de las series de tiempo antes de usarlas en el análisis
de regresión conlleva otra ventaja: elimina cualquier tendencia lineal en el
tiempo, como se aprecia con facilidad al escribir una variable con tendencia
lineal en el tiempo como
𝒚𝒕 = 𝜸𝟎 + 𝜸𝟏 𝒕 + 𝒗𝒑
En donde 𝒗𝒕 tiene media cero. De ahí que, 𝚫𝒚𝒕 = 𝜸𝟎 + 𝜸𝟏 𝒕 + 𝒗𝒑 y
por ende E (𝚫𝒚𝒕 ) = 𝜸𝒕 + 𝚫𝒗𝒕 = 𝜸𝟏 En otras palabras E (𝚫𝒚𝒕 ) es constante.
En vez de incluir una tendencia en el tiempo en una regresión, se pueden
diferenciar las variables que muestran tendencias claras.
Existen métodos informales que proporcionan lineamientos útiles
para saber si un proceso de serie de tiempo se considera más o menos
débilmente dependiente. Una herramienta muy simple es motivada por el

15
 modelo AR(1): si |𝒑𝟏 | < 1 , el proceso es integrado de orden 0, pero |𝒑𝟏 |=1,
entonces es integrado en orden 1.

1.6 Modelos dinámicamente completos y ausencia de correlación serial

“Un modelo econométrico dinámico es aquel en que una o más variables
explicativas contienen retardos” (López, Modelo econométrico dinámico, 2018). Es
decir, suponiendo que en un modelo econométrico el valor de la variable
independiente 𝑥1 en el periodo anterior nos sirve para poder explicar a la variable
dependiente 𝑌 en el periodo actual. Sin embargo, en este caso estamos hablando de un
modelo dinámicamente completo, y este se cumple cuando “sin importar las variables
que forman parte de 𝑥𝑡 , se han incluido suficientes rezagos de 𝑦 para que rezagos
adicionales de y de las variables explicativas no tengan importancia en la explicación
de 𝑦𝑡 ” (Wooldridge, 2010, p.397). Esto significa que no existe una correlación serial
o autocorrelación.

Para poder tener una mejor comprensión al tema, será estará usando los
supuestos en el modelo AR (1), entendiendo a esto como “un modelo autorregresivo
que está construido únicamente sobre un retardo” (Rodó, 2019). Es decir, para poder
comprender una variable (𝑦𝑡 ) se necesita estudiar una observación pasada (𝑦𝑡−1 ).

Para ello usaremos el modelo AR(1) de la ecuación 𝑦𝑡 = 𝛽0 + 𝛽1 𝑦𝑡−1 + 𝑢𝑡 ,

bajo el supuesto 𝐸(𝑢𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ) = 0, los errores {𝑢𝑡 } deben ser no correlacionados
serialmente ya que el supuesto: para toda 𝑡 ≠ 𝑠, 𝐸(𝑢𝑡 𝑢𝑠 |𝑥𝑡 , 𝑥𝑠 ) = 0, se satisface, pues
al suponer que no existe una correlación serial es casi lo mismo que suponer que sólo
un rezago de 𝑦 aparece en 𝐸(𝑦𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ). (Wooldridge, 2010, p.396)

Considerando el modelo simple de regresión estática:

𝑦𝑡 = 𝛽0 + 𝛽1𝑧𝑡 + 𝑢𝑡

Donde 𝑦𝑡 y 𝑧𝑡 tienen la misma fecha. Por consistencia de MCO, sólo se

necesita que 𝐸(𝑢𝑡 |𝑧𝑡 ) = 0. Por lo general, las {𝑢𝑡 } estarán serialmente
correlacionadas. Sin embargo, si se supone que:

𝐸(𝑢𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) = 0

16
 Entonces el supuesto 𝐸(𝑢𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ) = 0 es válido. En particular, las {𝑢𝑡 }
no están correlacionadas serialmente. De manera natural, suponer
𝐸(𝑢𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) = 0 implicada que 𝑧𝑡 es contemporáneamente exógena, es
decir, 𝐸(𝑢𝑡 |𝑧𝑡 ) = 0.

Para una mejor comprensión de la ecuación pasada, se puede escribir ambas

ecuaciones de forma equivalente, como:

𝐸(𝑦𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) = 𝐸(𝑦𝑡 |𝑧𝑡 ) = 𝛽0 + 𝛽1 𝑧𝑡

Donde la primera igualdad indica que, una vez que 𝑧𝑡 , se toma en

consideración, ningún rezago de 𝑦 ni de 𝑧 explica la 𝑦 actual. Siendo un requisito
fuerte; pues si no se cumple, entonces es de esperar que los errores estén
correlacionados serialmente. (Wooldridge, 2010, p.396)

Ahora se considerará un Ahora se considerará un modelo de rezagos

distribuidos finitos, y este es según Economipedia (2018), “un modelo econométrico
utilizado para series temporales en el que una o varias variables explicativas pueden
tener efectos sobre la variable dependiente tras uno o más periodos”.

Es decir, está compuesto por una variable explicada y una o más variables
explicativas en las que estas pueden estar acompañadas por una “t” en la parte inferior
(subíndice) en la que hace referencia al tiempo. Sin embargo, estas variables puedes
llevar en el subíndice “t-1”, que hace referencia a un rezago o un retardo; aunque esta
puede llevar de un rezago “t-1” o más “t-k”. (Economipedia, 2018)

En este caso, se va a considerar un modelo de rezagos distribuidos finitos con

dos rezagos:

𝑦𝑡 = 𝛽0 + 𝛽1 𝑧𝑡 + 𝛽2 𝑧𝑡−1 + 𝛽3 𝑧𝑡−2 + 𝑢𝑡

Como se espera captar los efectos rezagados que 𝑧 tiene sobre 𝑦, sería natural
suponer que la ecuación reproduce la dinámica de rezagos distribuidos:

𝐸(𝑦𝑡 |𝑧𝑡 , 𝑧𝑡−1, , 𝑧𝑡−2 , 𝑧𝑡−3 , … ) = 𝐸(𝑦𝑡 |𝑧𝑡 , 𝑧𝑡−1 , 𝑧𝑡−2)

Es decir, a lo más importan dos rezagos de 𝑧. Si la ecuación

𝐸(𝑢𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) = 0 es válida, es posible hacer otros enunciados: una vez que

17
𝑧 y sus dos rezagos se toman en consideración, ningún rezago de 𝑦 o rezagos
adicionales de 𝑧 afectan la 𝑦 actual:

𝐸(𝑦𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) = 𝐸(𝑦𝑡 |𝑧𝑡 , 𝑧𝑡−1 , 𝑧𝑡−2 )

Siendo esta ecuación más viable que la ecuación 𝐸(𝑦𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) =
𝐸(𝑦𝑡 |𝑧𝑡 ) = 𝛽0 + 𝛽1 𝑧𝑡 , pero aún descarta que la 𝑦 rezagada influya sobre la 𝑦 actual.
(Wooldridge, 2010, pp. 396-397)

En el modelo general 𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡1 + ⋯ + 𝛽𝑘 𝑥𝑡𝑘 + 𝑢𝑡 , donde las variables

explicativas 𝑥𝑡 = (𝑥𝑡1 , … , 𝑥𝑡𝑘 ) pueden o no contener rezagos de 𝑦 o 𝑧, la ecuación
𝐸(𝑢𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) = 0 se convierte en 𝐸(𝑢𝑡 |𝑥𝑡 , 𝑦𝑡−1, , 𝑥𝑡−1 , … ) = 0. Expresada
en función de 𝑦𝑡 , sería: 𝐸(𝑦𝑡 |𝑥𝑡 , 𝑦𝑡−1, , 𝑥𝑡−1 , … ) = 𝐸(𝑦𝑡 |𝑥𝑡 ).

Dicho de otro modo, sin importar las variables que formas parte de x, se han
incluido suficientes rezagos de 𝑦 para que rezagos adicionales de 𝑦 y de las variables
explicativas no tengan importancia en la explicación de 𝑦𝑡 . Cuando se cumple esta
condición, se tiene un modelo dinámico completo. Siendo la completitud dinámica un
supuesto fuerte en los modelos estáticos y de rezagos distribuidos finitos.
(Wooldridge, 2010, p.397)

La noción de completitud dinámica según Wooldridge (2010), no debe

confundirse con un supuesto más débil que se refiera a la inclusión de los rezagos
apropiados en un modelo. En el modelo 𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡1 + ⋯ + 𝛽𝑘 𝑥𝑡𝑘 + 𝑢𝑡 , se dice
que las variables explicativas 𝑥𝑡 son secuencialmente exógenas si
𝐸(𝑢𝑡 |𝑥𝑡 , 𝑥𝑡−1, , … ) = 𝐸(𝑢𝑡 ) = 0, 𝑡 = 1,2, …. Por ello, la exogeneidad secuencial está
implícita en la exogeneidad estricta, y la exogeneidad secuencial implica exogeneidad
contemporánea. Además, como (𝑥𝑡 , 𝑥𝑡−1 , … ) es un subconjunto de (𝑥𝑡 , 𝑦𝑡−1 , 𝑥𝑡−1 , … ),
la exogeneidad secuencial está implícita en la completitud dinámica. Si 𝑥𝑡 contiene a
𝑦𝑡−1 , la complititud dinámica y la exogeneidad secuencial son la misma condición. El
punto relevante es que, cuando 𝑥𝑡 no contiene a 𝑦𝑡−1, la exogeneidad secuencial
permite la posibilidad de que la dinámica no esté completa en el sentido de captar la
relación entre 𝑦𝑡 y todos los valores pasados de 𝑦 y de las otras variables explicativas.
Sin embargo, el interés principal es si se han incluido suficientes rezagos de las
variables explicativas para captar la dinámica de los rezagos distribuidos. Por ejemplo,
si se supone que 𝐸(𝑦𝑡 |𝑧𝑡 , 𝑧𝑡−1, , 𝑧𝑡−2 , 𝑧𝑡−3 , … ) = 𝐸(𝑦𝑡 |𝑧𝑡 , 𝑧𝑡−1 , 𝑧𝑡−2 ) = 𝛼0 + 𝛿0 𝑧𝑡 +

18
 𝛿1 𝑧𝑡−1 + 𝛿2 𝑧𝑡−2, entonces los regresores 𝑥𝑡 = (𝑧𝑡 , 𝑧𝑡−1, , 𝑧𝑡−2 ) son secuencialmente
exógenos debido a que se ha supuesto que dos rezagos son suficientes para la dinámica
de rezagos distribuidos. (pp.398-399)

1.7 El supuesto de homocedasticidad en los modelos de series de tiempo

El supuesto de homocedasticidad en las regresiones de series de tiempo, es
muy parecido al supuesto de las regresiones de corte transversal. Sin embargo, puesto
que (𝑥𝑡 ) puede contener (y) rezagadas así como variables explicativas rezagadas
(Wooldridge, 2010, p.399).

El supuesto de homocedasticidad implica que, condicionando en las variables

explicativas, la varianza del término de error no observado es constante. Sin embargo,
en diversos análisis económicos este supuesto no es cierto y es necesario relajarlo. Por
ejemplo, cuando estimamos la relación entre la educación y la habilidad (no
observable), suponer que la habilidad es constante para cualquier nivel educativo es
demasiado estricto (Moreno, 2017, p. 02)

19
 CONCLUSIONES
1. Analizar con datos de series de tiempo implica el estudio de un conjunto de
observaciones de una variable, esté medida en puntos sucesivos de periodos
temporales. Por lo que, el método de MCO se utiliza para encontrar los parámetros
poblacionales en un modelo de regresión lineal; así mismo este método minimiza la
suma las distancias verticales entre las respuestas observadas en la muestra y las
respuestas del modelo.
2. Un proceso estocástico estacionario es aquel cuya distribución de probabilidad varía
de forma más o menos constante a lo largo de cierto periodo de tiempo. Sin embargo,
un proceso estacionario en covarianza es cuando su función de valor medio es
constante independiente de t y su función de autocovarianza depende de la diferencia
de los argumentos.
3. Las propiedades asintóticas de MCO se basan en cinco supuestos que son la
linealidad y dependencia débil, la no existencia de Colinealidad perfecta, la media
condicional cero, la homocedasticidad y la no existencia de correlación serial.
4. Las series de tiempo dependientes muestran que las series de tiempo que se utilicen
sean débilmente dependientes, los procedimientos usuales de inferencia de MCO
serán válidos bajo supuestos más débiles que aquellos del modelo lineal clásico, por
lo que las series de tiempo altamente persistentes o fuertemente dependientes, deben
transformarse para utilizarlas en un análisis.
5. Un modelo dinámicamente completo se cumple cuando sin importar las variables
que forman parte de 𝑥𝑡 , se han incluido suficientes rezagos de 𝑦 para que rezagos
adicionales de y de las variables explicativas no tengan importancia en la explicación
de 𝑦𝑡 , por tanto, significa que no existe una correlación serial o autocorrelación.
6. El supuesto de homocedasticidad comprende que, condicionando en las variables
explicativas, la varianza del término de error no observado es constante.

20
 REFERENCIAS BIBLIOGRÁFICAS

Albarán, P. (s.f.). Series temporales estacionarias y débilmente.

https://www.coursehero.com/file/p53c35v/Series-temporales-estacionarias-y-

d%C3%A9bilmente-dependientes-Propiedades/

Álvarez, A. (2014). Propiedades del Estimador MCO. Universidad de Muncia, Departamento de

Metodos Cuantitativos para la Economia y Empresa.

Huarunga, J. (2017). Distribucion asintotica de los estimadores MCO en una regresion lineal con

variables explicativas. UNMSM, Facultad de Ciencias Matematicas . PESQUIMAT.

López, J. F. (11 de Noviembre de 2018). Economipedia. Obtenido de Economipedia.com:

https://economipedia.com/definiciones/modelo-econometrico-

dinamico.html#:~:text=Un%20modelo%20econom%C3%A9trico%20din%C3%A1mico%

20es%20aquel%20en%20que%20una%20o,Y%3A%20Es%20la%20variable%20explicad

a.

López, J. F. (1 de Diciembre de 2018). Modelo de retardos distribuidos finitos. Obtenido de

Economipedia.com: https://economipedia.com/definiciones/modelo-de-retardos-

distribuidos-

finitos.html#:~:text=Un%20modelo%20de%20retardos%20distribuidos,tras%20uno%20o

%20m%C3%A1s%20periodos.

Rodó, P. (8 de Junio de 2019). Economipedia. Obtenido de Economiapedia.com:

https://economipedia.com/definiciones/modelo-

ar1.html#:~:text=El%20modelo%20AR(1)%2C,en%20un%20per%C3%ADodo%20de%2

0tiempo.

Wooldridge, J. M. (2010). Introducción a la econometria. Un enfoque moderno (Cuarta ed.).

México: Cengage Learning Editores, S.A.

21
Álvarez, A. (2014). Propiedades del Estimador MCO. Universidad de Muncia, Departamento de

Metodos Cuantitativos para la Economia y Empresa.

Huarunga, J. (2017). Distribucion asintotica de los estimadores MCO en una regresion lineal con

variables explicativas. UNMSM, Facultad de Ciencias Matematicas . PESQUIMAT.

López, J. F. (11 de Noviembre de 2018). Economipedia. Obtenido de Economipedia.com:

https://economipedia.com/definiciones/modelo-econometrico-

dinamico.html#:~:text=Un%20modelo%20econom%C3%A9trico%20din%C3%A1mico%

20es%20aquel%20en%20que%20una%20o,Y%3A%20Es%20la%20variable%20explicad

a.

López, J. F. (1 de Diciembre de 2018). Modelo de retardos distribuidos finitos. Obtenido de

Economipedia.com: https://economipedia.com/definiciones/modelo-de-retardos-

distribuidos-

finitos.html#:~:text=Un%20modelo%20de%20retardos%20distribuidos,tras%20uno%20o

%20m%C3%A1s%20periodos.

Rodó, P. (8 de Junio de 2019). Economipedia. Obtenido de Economiapedia.com:

https://economipedia.com/definiciones/modelo-

ar1.html#:~:text=El%20modelo%20AR(1)%2C,en%20un%20per%C3%ADodo%20de%2

0tiempo.

Wooldridge, J. M. (2010). Introducción a la econometria. Un enfoque moderno (Cuarta ed.).

México: Cengage Learning Editores, S.A.

22