Está en la página 1de 29

1. Procesos estacionarios y no estacionarios.

Un proceso estocstico es una coleccin o familia de variables aleatorias. Ejemplos de eventos que pueden ser considerados procesos estocsticos son los resultados sucesivos de tirar una moneda, el precio de cierre de una determinada accin, los ingresos de una empresa determinada etc. Cuando se lanza una moneda no se sabe si caer cara (que ser denotada mediante C) o ceca (T), de la misma manera que tampoco se conoce en forma anticipada el precio de cierre de una cierta accin. Los resultados particulares pueden ser mltiples, de hecho infinitos y cada resultado particular constituye lo que se denomina una realizacin del proceso. As, por ejemplo la sucesin CCTC representa una realizacin del proceso tirar cuatro veces una moneda, la realizacin CTTC representa otra, la sucesin 2; 2,10; 2,05; 2,05 representa una realizacin del proceso precio de cierre de la accin XX, etc. En particular los procesos estocsticos que se desarrollan en el tiempo, en los que el tiempo es el ndice del proceso, se suelen denominan series cronolgicas o series de tiempo y en lo que sigue, a menos que se indique lo contrario, el tiempo ser, por lo general, el conjunto ndice de referencia. Como se ha sealado, en cada punto del tiempo los procesos estocsticos pueden tener mltiples realizaciones de modo que ellos se desenvuelven en dos espacios: el del tiempo (o si se prefiere el del conjunto ndice) y el de las variables aleatorias donde se manifiestan las realizaciones. En el ejemplo de las monedas se consignaron dos realizaciones en el espacio de las variables aleatorias W. El tiempo ser denotado mediante t que es un elemento del conjunto T y ser representado en la recta real, de manera sinttica, T = { t / - < t < } y el espacio de variables aleatorias W que ser representado en el eje de ordenadas posee elementos que sern denotados mediante w, es decir: W ={ w/- < w < }.

A modo de ejemplo se presentarn dos realizaciones del proceso estocstico lanzar cuatro veces una moneda. Se supondr que se trata de un juego donde uno gana $1 si sale cara y pierde $1 si sale ceca, que la riqueza inicial del jugador es $10 (con probabilidades simtricas, es decir iguales a 0,5) y que las realizaciones son TTCT y CCCT. Si la realizacin es TTCT, en trminos de ingresos es: -1, -1, 1, -1 y en trminos de riqueza es 10, 9, 8, 9, 8. Estos valores pueden ser representados en el espacio de las variables aleatorias y corresponden a los puntos 0, 1, 2, 3 y 4 del tiempo respectivamente.

A cada una de las realizaciones posibles de la variable aleatoria le corresponde una cierta probabilidad que, en este caso, puede ser obtenida mediante la distribucin binomial. En este ejemplo tanto el tiempo como el espacio de variables aleatorias fue discreto ya que la binomial es una variable aleatoria discreta, pero ambos pueden ser continuos o puede que uno sea continuo y el otro discreto. En lo que sigue el tiempo ser discreto medido por das, meses, trimestres o aos y el espacio de las variables aleatorias muchas veces ser continuo ya que se utilizar en gran medida la distribucin normal. Tambin en el ejemplo anterior se consider solo un proceso lanzar cuatro veces una moneda correspondiente a un nico jugador que lo hace contra un contrincante, un ejemplo extrado de la economa, es cuando se considera individualmente la produccin de cemento o la de acero, etc. Estos procesos se denominan univaluados o univariados. Pero puede suceder que se consideren en forma conjunta, como por ejemplo la produccin de cemento, la de acero y el producto bruto interno, la riqueza correspondiente a 3 jugadores, etc.; en estos casos se trata de procesos multivaluados o multivariados y se ver que son importantes las relaciones mutuas entre los procesos. En una primera etapa se considerarn procesos o series de tiempo individuales o univaluadas. Los procesos estocsticos en general y las series de tiempo en particular se clasifican en estacionarios y no estacionarios. A su vez, la estacionariedad es considerada en sentido fuerte o dbil. Un proceso estocstico es estacionario en sentido fuerte si, de un modo general, todas sus distribuciones de probabilidad se mantienen constantes en el tiempo, es decir no cambian. Un ejemplo de proceso estacionario en sentido fuerte es el denominado ruido blanco, que consiste en una sucesin de variables aleatorias independientes, { t } = { 1, 2, } tales

que por definicin tienen media cero y varianza constante. Se puede agregar el supuesto que son normales, as que sintticamente: t ~ N ( 0; 2) donde E ( t ) = 0, Var ( t) = constante = 2 y Cov ( t, t - s ) = 0. Esta ltima propiedad sigue del hecho de que las variables aleatorias son independientes. Este proceso estocstico posee, por definicin, iguales distribuciones de probabilidad en cualquier parte del tiempo, ya sea que se consideren distribuciones conjuntas o bien univaluadas. En el grfico siguiente se muestran 1000 nmeros pseudoaleatorios generados en el Eviews provenientes de una distribucin normal de media cero y varianza 1. Se han generado empleando el comando Genr mediante alea=nrnd. En tanto que alea es un nombre arbitrario asignado a la variable, el comando nrnd suministrado por el programa corresponde a variables aleatorias normales estandarizadas es decir, N (0; 1) de media cero y varianza 1. Se ha especificado que son nmeros pseudoaleatorios porque los procedimientos para generarlos se basan en clculos deterministas (a pesar de que se busca que los resultados sean lo ms casuales posibles) y de que el azar, sin adentrarnos en aspectos metafsicos o filosficos, es un concepto sumamente complejo como para poder ser aprehendido cabalmente y por ende es muy difcil que sea obtenido por nosotros.

ALEA
3 2 1 0 -1 -2 -3 -4 250 500 750 1000

En la vida real las distribuciones de probabilidad son generalmente desconocidas y el concepto de estacionariedad fuerte se aplica principalmente para desarrollar la teora. Pero, de todos modos, para que sea factible el anlisis de los procesos estocsticos reales o lo que aqu nos ocupa, el anlisis de las series cronolgicas, se torna necesario acotar el campo de estudio. Como hemos visto, las series cronolgicas se desenvuelven en dos espacios, el del tiempo y el de las variables aleatorias y ambos pueden tener extensin infinita. Lo que procura el investigador es conocer el proceso generador de los datos (pgd) y para ello recurre a muestras que por fuerza son de extensin finita. Para conocer mediante muestras finitas este proceso generador debe suponer entonces que los procesos no cambian en el tiempo, pues as una parte del recorrido del proceso le permitir abarcar la totalidad. Si este no fuera el caso, es decir si los procesos cambiaran en el tiempo, estos cambios podran ser continuos y presumiblemente se requeriran muestras de tamao infinito para indagar acerca del pgd. En resumen, resultara imposible la investigacin. Es por ello que se requiere que los procesos sean estacionarios. Pero, por otra parte, en el mundo real de los fenmenos econmicos y financieros no es posible conocer las distribuciones de probabilidad que requiere el concepto de estacionariedad fuerte. Es por ello que la estacionariedad fuerte es reemplazada en el anlisis por la denominada estacionariedad en sentido dbil que incluye solamente a la media, a la varianza y a las covarianzas. Se dir entonces que una serie de tiempo o un proceso estocstico es estacionario en sentido dbil si la media, la varianza y las covarianzas son constantes en el tiempo, es decir, no dependen del tiempo. En smbolos E ( yt ) = , Var (yt ) = 2 y Covar (yt , yt -s ) = s donde y 2 son constantes y en s el subndice s denota el lag o separacin entre las variables. Se verifica inmediatamente que todos los procesos estacionarios en sentido fuerte lo son en sentido dbil, pero la recproca no es necesariamente cierta, aunque en el caso de normalidad la estacionariedad dbil determina la estacionariedad fuerte o estricta.

Ejercicios 1) Indique las palabras clave de la lectura. 2) Usted posee $20 y participa en el juego de la moneda descrito anteriormente. Grafique CCTTTCT. Con qu distribucin de probabilidades puede calcular la probabilidad de esa realizacin? 3) Si ahora se hubieran efectuado 200 lanzamientos Con qu distribucin de probabilidades puede calcular la probabilidad de esa realizacin?

4) Genere 50 nmeros aleatorios a) mediante el Excel y b) mediante el Eviews. Grafquelos. 5) Indique las caractersticas de un proceso aleatorio en sentido estricto o fuerte y en sentido dbil. 6) Por qu un proceso estacionario en sentido fuerte lo es en sentido dbil? 7) Por qu si un proceso es normal en sentido dbil lo es en sentido fuerte? 8) Cules son las propiedades del ruido blanco? Puede ensayar una explicacin acerca de por qu, con qu finalidad, le habrn atribuido esas propiedad?

2. Ejemplos de procesos estacionarios.

2.1. El proceso autoregresivo de orden 1. Un ejemplo de una serie cronolgica estacionaria en sentido dbil es el proceso autoregresivo de orden 1, sintticamente, AR (1): yt = a1 yt -1 + t donde a1 < 1 . Tambin se le puede agregar una constante, a0, que omitimos en esta primera etapa para simplificar la notacin. Este modelo puede utilizarse cuando uno piensa que el valor actual de una serie puede ser explicado por el inmediato anterior, es decir la observacin precedente sintetiza toda la informacin acerca del desarrollo de un fenmeno. Se puede ver que: yt a1 L yt = t donde L yt = yt -1 y en general Lk yt = yt k siendo L el operador de retardos o rezagos. Puede escribirse sacando factor comn (1- a 1L ) yt = t y de aqu: yt = t / (1- a 1L ). Si se efecta la divisin se tiene que: 1 / (1- a 1L ) = 1 + a 1L + a12 L 2+ de modo que: yt = t (1 + a1L + a12 L 2 + ) = t + a 1 t-1 + a12 t - 2 +. Se trata de una suma de infinitos trminos y para que tenga sentido debe ser a1 < 1 . Ntese que si 1 - a1L = 0 significa que a1 L = 1 o bien a 1 = 1 / L, es decir, como soluciones de la denominada ecuacin caracterstica a1 y L se comportan en forma inversa. Uniendo ambos resultados y considerando un crculo unitario la expresin anterior se suele expresar como que el valor de los parmetros del modelo, los a1, se hallan dentro del crculo unitario (el radio es igual a uno) o bien que las races del polinomio caracterstico se hallan fuera del mismo. De esta manera se pueden generalizar los resultados. Por otra parte, observemos el proceso generador de los datos partiendo del momento 0 con el valor y0. As que: y1 = a1 y0 + 1 y2 = a1 y1 + 2 = a1 (a1 y0 + 1 ) + 2 . Si se efectan los 2 productos resulta: y2 = a1 y0 + a1 1 + 2 , y ,en general, si se sigue de la misma manera: yt = a1t y0 + a1t-1 1 + + t. Como a1 < 1 entonces cuando t crece a1t y0 tiende a cero y la suma es convergente. En el grfico siguiente se presenta el proceso autoregresivo yt = 0,60 yt -1 + t donde y0 = 0 y los t se han generado como la variable alea del ejemplo anterior, es decir son N (0; 1). El procedimiento para generar los datos fue el siguiente: 1) Se gener alea. 2) se gener y=0 3) se gener y=.6* y(-1) + alea. En este paso antes de cerrar la ventana se modific el tamao de la muestra colocando sample 2 1000.

Y
5 4 3 2 1 0 -1 -2 -3 -4 250 500 750 1000

Vamos a hallar los principales momentos del proceso autoregresivo de orden 1 y veremos que es estacionario en forma dbil. Ya hemos visto que el mdulo de a1 debe ser menor que 1. Si agregamos una constante al AR (1) tendremos: yt = a0 + a1 yt -1 + t. Si ahora calculamos valores medios se tendr: E ( yt ) =E ( a0 )+ E (a1 yt -1 )+ E ( t). Esto se puede escribir: (1 - L a1) E ( yt ) = a0 . De modo que: E ( yt ) = a0 / (1 - L a1) donde el operador de rezagos L puede omitirse ya que se aplica a una constante y esta no tiene rezagos, es decir L a = a. Entonces: E ( yt ) = a0 / (1 - a1 ) es constante, no depende de t. En el ejemplo dado que a0 = 0 resulta E ( yt ) = 0. Por otra parte considerando la expresin yt = t + a 1 t-1 + a12 t - 2 +. Resulta entonces: Var (yt )= 2 (1 + a12 + a14 +) = 2 / (1 - a12 ). En el ejemplo: Var (yt ) = 1/ 0,64 = 1,5625 y el desvo estndar es 1,25.

2 a1s Se puede demostrar que s = y que s , el coeficiente de autocorrelacin de orden s es 1 a12 s = a1s . Como a 1 < 1 entonces s decae exponencialmente. En el ejemplo 1 = 0,60, 2 = 0,36 , etc.
Los resultados anteriores muestran que en el proceso autoregresivo de orden uno con a1 < 1 es estacionario y que la media, la varianza y las autocovarianzas no dependen del tiempo. Por lo tanto es un proceso estacionario en sentido dbil.

Los resultados del proceso generado en el Eviews se pueden apreciar a continuacin:

90 80 70 60 50 40 30 20 10 0 -3.75 -2.50 -1.25 0.00 1.25 2.50 3.75

Series: Y Sample 1 1000 Observations 1000 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.082353 0.100407 4.215779 -3.876506 1.227421 -0.023443 2.852344 1.000026 0.606523

La media es 0,08 y el desvo estndar es 1,227. Las autocorrelaciones (A) y las autocorrelaciones parciales (AP) se muestran en el cuadro siguiente. Por ejemplo la primer autocorrelacin es 0,623, la de orden dos es 0,375 y as siguiendo. Puede observarse que decaen exponencialmente

Autocorrelation .|***** | .|*** | .|** | .|* | .| | .| | .| | .| | .| | .| |

Partial Correlation .|**** | .| | .| | .| | *| | .| | .| | .| | .| | .| | 1 2 3 4 5 6 7 8 9 10

AC 0.623 0.375 0.199 0.114 0.007 -0.029 -0.042 -0.038 -0.053 -0.041

PAC 0.623 -0.021 -0.044 0.021 -0.095 0.011 -0.003 -0.004 -0.030 0.009

Q-Stat 389.35 530.80 570.49 583.59 583.64 584.46 586.24 587.71 590.51 592.20

Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Las autocorrelaciones parciales indican la relacin entre dos variables, por ejemplo entre yt y yt s sin que intervenga la dependencia lineal que esas variables tienen con las variables intermedias, yts+1, yt s+2, . yt 1, es decir es la correlacin neta entre esas dos variables libres de la influencia lineal de las otras. Como el procedimiento de clculo es complicado lo omitimos, pero se pueden recurrir a la bibliografa especializada. Una explicacin clara y bastante detallada se puede encontrar en William S. Wei, Time Series Analysis, Addison Wesley, 1990. En el caso del AR (1) puede demostrarse que solo la primer autocorrelacin parcial es distinta de cero. El Eviews presenta dos estadsticos para comprobar si las autocorrelaciones son distintas de cero. Uno de ellos es el test de Bartlett referido a las autocorrelaciones muestrales. Bajo la hiptesis que las autocorrelaciones son ruido blanco de media cero y para grandes muestras el desvo estndar es aproximadamente 1/ (N) donde N es el nmero de observaciones. Considerando distribucin normal y un nivel de significacin del 5%, los lmites de la regin crtica (de rechazo de la hiptesis nula) sern aproximadamente 2 * 1/ (N). Bajo H0: las autocorrelaciones son cero, si las autocorrelaciones distan de cero en ms de dos desvos estndares se concluir que son distintas de cero. En nuestro ejemplo resulta: 2 / 1000 = ( - 0,063; 0,063).

El Eviews traza dos lneas paralelas a cero por esos puntos y se observa que solo la primer autocorrelacin parcial es distinta de cero y que las autocorrelaciones declinan rpidamente, la sptima autocorrelacin no es significativamente distinta de cero. Tambin el Eviews presenta el denominado estadstico Q cuyos autores son G. Ljung y G. Box y

En el diagrama grfico que sigue se pueden observar los estadsticos suministrados por el Eviews.
50

40

Series: Y Sample 1 500 Observations 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability
-8 -6 -4 -2 0 2 4 6

30

20

-0.009020 0.187458 6.759619 -8.899268 2.524218 -0.233447 3.141750 4.960066 0.083740

10

Se ve que la media es cero. La varianza del proceso se puede calcular mediante la frmula: Var ( yt ) = (1 a2 ) 2 (1 + a2 )[(1 a2 ) 2 a12 ]

En nuestro ejemplo esta apreciacin terica, resulta 5,56 con un desvo estndar de 2,36. Fue obtenida reemplazando el valor de los parmetros, a1 = 0,3 y a2 = -0, 5, en la frmula precedente y es comparable con el valor suministrado por el Eviews que es 2,52. En el grfico siguiente se presentan las autocorrelaciones, las autocorrelaciones parciales y los estadsticos ya comentados. Se puede apreciar el carcter ondulatorio de la funcin de autocorrelacin -explicado por el hecho de que las races son complejas conjugadas- y que la funcin de autocorrelacin parcial presenta solo dos picos significativos correspondientes a las dos primeras autocorrelaciones. El test de Bartlett indica que los lmites de la zona crtica son 0,089; estos valores son superados por las dos primeras autocorrelaciones parciales. El test Q muestra, por ejemplo, que la primer autocorrelacin es distinta de cero.

Autocorrelation

Partial Correlation

AC

PAC

Q-Stat

Prob

.|** ***|. **|. .|* .|** .|. *|. *|. .|. .|*

| | | | | | | | | |

.|** ****|. .|. .|. .|. .|. .|. *|. .|. .|.

| | | | | | | | | |

1 2 3 4 5 6 7 8 9 10

0.223 -0.472 -0.289 0.160 0.216 -0.037 -0.175 -0.101 0.049 0.098

0.223 -0.548 -0.006 0.004 0.000 -0.036 -0.052 -0.088 -0.025 -0.006

24.903 137.09 179.19 192.20 215.93 216.61 232.25 237.42 238.67 243.62

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Consideremos ahora el problema inverso. Supongamos que ahora tenemos un conjunto de datos y queremos indagar si pueden explicarse por su propia historia, es decir queremos conocer el proceso generador que es una incgnita para nosotros. El primer paso puede ser graficar los datos e indagar acerca de los estadsticos que describen la serie, cuyos resultados aparecen en los dos primeros cuadros presentados aqu. Si bien mediante el grfico podramos esperar que la serie fuese estacionaria y el cuadro nos presenta diversos estadsticos esto no nos proporciona la suficiente informacin para conocer el pgd. El prximo paso puede consistir entonces en analizar las correlaciones entre los datos para obtener alguna informacin adicional. Esto se puede efectuar considerando el correlograma con el cual presumiblemente podemos pensar que un AR de orden 2, explique satisfactoriamente el pgd. Si efectuamos una regresin mediante MCO utilizando el Eviews, con y como variable dependiente y como regresores a esta misma variable rezagada uno y dos perodos podramos tener ms asidero para sustentar nuestra conjetura. Los resultados se presentan seguidamente.
Dependent Variable: Y Method: Least Squares Date: 10/29/09 Time: 12:30

Sample (adjusted): 3 500 Included observations: 498 after adjustments

Coefficient

Std. Error

t-Statistic

Prob.

C Y(-1) Y(-2)

-0.014699 0.343676 -0.549162

0.092427 0.037563 0.037559

-0.159030 9.149221 -14.62122

0.8737 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.335977 0.333294 2.062586 2105.859 -1065.659 125.2278 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

-0.017088 2.526066 4.291804 4.317169 4.301759 2.004616

El estadstico t indica que solo la constante no es significativamente distinta de cero, por lo que habra que descartarla del modelo, en cambio la muestra presenta evidencias que los otros parmetros son distintos de cero. Descartada la constante y efectuada nuevamente la regresin los residuos de la misma se comportaron como ruido blanco, lo que puede apreciarse en los dos grficos siguientes.

60 50 40 30 20 10 0 -6 -4 -2 0 2 4 6

Series: RESID Sample 1 500 Observations 498 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -0.014699 0.064167 5.749982 -6.166241 2.058431 -0.160993 2.902906 2.346877 0.309302

Autocorrelation

Partial Correlation

AC

PAC

Q-Stat

Prob

.|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|* .|.

| | | | | | | | | | | |

.|. .|. .|. .|. .|. .|. .|. *|. .|. .|. .|* .|.

| | | | | | | | | | | |

1 2 3 4 5 6 7 8 9 10 11 12

-0.004 0.002 -0.007 -0.023 -0.020 -0.058 -0.047 -0.065 0.021 -0.035 0.093 -0.036

-0.004 0.002 -0.007 -0.023 -0.021 -0.059 -0.048 -0.067 0.018 -0.040 0.088 -0.044

0.0089 0.0109 0.0355 0.2963 0.5058 2.2373 3.3753 5.5241 5.7517 6.3883 10.848 11.516

0.925 0.995 0.998 0.990 0.992 0.897 0.848 0.700 0.764 0.782 0.456 0.485

Los estadsticos Q y de Bartlett muestran que no hay autocorrelaciones de los residuos distintas de cero.

Por ltimo, se efectu nuevamente la regresin, pero suponiendo que se trata de un AR(3) es decir se ha incorporado Y(-3) en el clculo. Se puede observar que los resultados sugieren que el parmetro correspondiente a Y(-3) no es significativamente distinto de cero, concordando con el pgd del modelo.

Dependent Variable: Y Method: Least Squares Date: 10/29/09 Time: 15:05 Sample (adjusted): 4 500 Included observations: 497 after adjustments

Coefficient

Std. Error

t-Statistic

Prob.

Y(-1) Y(-2) Y(-3)

0.339484 -0.546316 -0.007903

0.045075 0.040656 0.045085

7.531512 -13.43762 -0.175301

0.0000 0.0000 0.8609

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.335914 0.333225 2.064624 2105.760 -1064.007 1.995416

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn .

-0.015744 2.528433 4.293791 4.319195 4.303762

Un ejemplo de modelo AR(2) extrado de las series econmicas es el de los precios del aluminio en el perodo comprendido entre enero de 1999 y diciembre de 2003. A continuacin se presentan el grfico de la serie y el respectivo correlograma. En este se puede apreciar que las autocorrelaciones declinan y que solo hay dos correlaciones parciales distintas de cero, lo que sugiere que la serie puede tener un comportamiento autoregresivo de orden dos.

ALUMI
1,700 1,600 1,500 1,400 1,300 1,200

1,100 1999 2000 2001 2002 2003

Date: 03/01/10 Time: 20:00 Sample: 1999M01 2003M12 Included observations: 60 Autocorrelation . |******| . |***** | . |**** | . |*** | . |** | . |** | . |*. | .|. | .|. | .|. | Partial Correlation . |******| **| . | .|. | . |*. | .*| . | .*| . | .|. | .*| . | .|. | .|. | 1 2 3 4 5 6 7 8 9 10 AC 0.848 0.660 0.503 0.418 0.337 0.236 0.138 0.050 -0.014 -0.050 PAC 0.848 -0.209 0.011 0.140 -0.103 -0.110 -0.003 -0.076 -0.020 0.033 Q-Stat 45.341 73.310 89.796 101.39 109.09 112.92 114.26 114.44 114.45 114.64 Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Considerando estos resultados se estim un modelo AR (2). Los comandos fueron Object New Object Equation y se escribi Alumi c ar(1) ar(2). La regresin es la que se muestra a continuacin.

Dependent Variable: ALUMI Method: Least Squares Date: 03/01/10 Time: 20:09 Sample: 1999M01 2003M12 Included observations: 60 Convergence achieved after 3 iterations

Coefficient C AR(1) AR(2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 1459.875 1.111444 -0.247442 0.815474 0.809000 47.32040 127635.5 -315.0140 125.9501 0.000000

Std. Error 47.33720 0.127993 0.127191

t-Statistic 30.83991 8.683608 -1.945445

Prob. 0.0000 0.0000 0.0567 1432.620 108.2758 10.60047 10.70518 10.64143 1.968006

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Si en esta regresin se incluye un trmino AR(3) se comprueba que este no es significativamente distinto de cero. El grfico de los residuos y el respectivo correlograma de estos se muestran en lo que sigue.

RESI1
160 120 80 40 0 -40 -80 -120 1999 2000 2001 2002 2003

El correlograma de los residuos muestra que estos son ruido blanco.


Date: 03/01/10 Time: 20:17 Sample: 1999M01 2003M12 Included observations: 60 Autocorrelation .|. .*| . .*| . .|. . |*. . |*. .|. .|. .*| . .|. | | | | | | | | | | Partial Correlation .|. .*| . .*| . .|. .|. . |*. .|. . |*. .*| . .|. | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 AC -0.005 -0.091 -0.121 0.071 0.085 0.093 -0.043 0.072 -0.183 -0.048 PAC -0.005 -0.091 -0.123 0.061 0.067 0.095 -0.013 0.104 -0.183 -0.065 Q-Stat 0.0014 0.5299 1.4863 1.8165 2.3092 2.9103 3.0420 3.4153 5.8568 6.0267 Prob 0.971 0.767 0.685 0.769 0.805 0.820 0.881 0.906 0.754 0.813

Las proyecciones se pueden efectuar de manera similar a lo ocurrido con el AR(1). En este caso se utilizar Forecast pero se emplear Static recordando que en la proyeccin esttica el programa utiliza los valores observados de la serie para efectuar las predicciones.
1,650 1,600 1,550 1,500 1,450 1,400 1,350 1,300 03M06

Forecast: ALUMIF Actual: ALUMI Forecast sample: 2003M06 2003M12 Included observations: 7 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 33.74260 28.01063 1.889570 0.011606 0.199661 0.351536 0.448804

03M07

03M08

03M09

03M10 2 S.E.

03M11

03M12

ALUMIF

En el cuadro que sigue se presentan los valores observados y proyectados.

2003M06

Observado 1391.000

Proyectado 1421.290

2003M07 2003M08 2003M09 2003M10 2003M11 2003M12

1409.826 1429.275 1423.273 1484.022 1515.000 1569.738

1398.058 1421.291 1438.249 1426.765 1495.770 1515.168

2.3. El proceso autoregresivo de orden p.

Un AR(p) puede escribirse como: yt = a0 + a1 yt -1+ a2 yt -2 +.+ ap yt -p + t . Constituye una extensin de los casos anteriores. Como la ecuacin caracterstica es de grado p y dado que una ecuacin de este grado puede tener hasta p races, sean estas races reales o complejas, cabe esperar que la funcin de autocorrelacin presente conductas sinusoidales si las races son complejas y un decaimiento exponencial si son reales o una combinacin de ambos comportamientos si los dos casos estn presentes. La funcin de autocorrelacin parcial presenta p picos significativos. Cabe sealar que, habitualmente se requieren modelos con un corto nmero de rezagos, por lo general con pocos rezagos alcanza para analizar a las series de ndole econmico financiera. Este requerimiento de sntesis que es comn en los anlisis cientficos, ha sido denominado parsimonia por los autores G. Box y G. Jenkins en su libro Time Series Analysis Forecasting and Control, Holden Day 1976, quienes prcticamente estructuraron la metodologa de las series cronolgicas a tal punto que a esta se la suele denominar metodologa de Box-Jenkins.

Ejercicios.

1. Empleando el Eviews construya el modelo yt =1 + 0,2 yt -1 + 0,5 yt -2 + t . Grafquelo. Indique si es estacionario y fundamntelo. Indique si las races son reales o complejas. Obtenga el correlograma del modelo. 2. Con los datos del ejercicio anterior efecte 3 regresiones empleando un AR(1), un AR(2) y un AR(3). Analice los valores t- Student de cada modelo, los otros estadsticos y el correlograma de los residuos. Compare los resultados y extraiga conclusiones.

2.4. Los modelos de promedios mviles.

Los modelos de promedios mviles o medias mviles representan combinaciones de shocks aleatorios representados por los t cuyas caractersticas ya fueron especificadas. En ingls se denominan moving average y las primeras letras de esta denominacin se emplean para construir su sigla: MA. El MA (q) puede ser escrito: yt = t - b1 t -1 - b2 t -2 - .- bq t q . en esta ecuacin el signo menos es solo una cuestin de conveniencia ya que algunos autores utilizan simplemente el signo de suma. Como por lo general se requieren procesos MA de rdenes bajos solo consideraremos los de orden 1 y 2. El MA(1) puede escribirse: yt = t - b1 t -1 ; si se prefiere se puede agregar una constante resultando: yt = c + t - b1 t -1 . El valor medio del proceso sin constante es cero ya que: E(yt ) = E ( t - b1 t -1 ) = E ( t ) - b1 E( t -1 ) = 0 y si posee la constante su valor es c.

La varianza es: Var (yt ) = Var ( t ) + b12 Var ( t -1 ) = ( 1 + b12 ) 2 . Esta expresin es finita siempre puesto que b1 se supone finito y la varianza de las perturbaciones tambin es finita. Esto implica que no se requieren condiciones adicionales para que el MA(1) sea estacionario. En el MA (1) la autocorrelacin de orden 1 vale: 1 = b1 y vale cero si se trata de una 1 + b12

autocorrelacin de orden superior. Es decir la funcin de autocorrelacin presenta un solo valor distinto de cero. La funcin de autocorrelacin parcial al igual que la media, la varianza y la autocorrelacin no depende del tiempo y por lo tanto se puede concluir que el MA (1) es un proceso dbilmente estacionario. La identificacin de este proceso se puede efectuar como en los procesos AR observando el correlograma: en el MA (1) la funcin de autocorrelacin presenta un solo pico y la funcin de autocorrelacin parcial declina exponencialmente, exactamente al revs de lo que ocurra en el AR. Como ejemplo se presentar el MA(1): yt = 1 + t - 0,4 t -1 . Se considerarn 500 observaciones y los shocks aleatorios o perturbaciones del modelo sern elaboradas como normales con varianza 4. La construccin reconoce los siguientes pasos: 1) Se genera alea=2*nrnd. 2) Se genera

y=1+alea-0,4*alea(-1) En sample se coloca 2 500. El grfico sugiere que se trata de una serie estacionaria. El modelo fue elaborado para que su media fuera 1 y para que su varianza resultara 4,64 o bien que su desvo estndar fuera 2,15. Estos resultados se pueden obtener aplicando las frmulas de media y varianza presentadas ms arriba con los valores propuestos para el modelo.

Y
10 8 6 4 2 0 -2 -4 -6 -8 50 100 150 200 250 300 350 400 450 500

50

40

Series: Y Sample 1 500 Observations 499 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability
-6 -4 -2 0 2 4 6 8

30

20

1.042765 1.029320 8.193766 -5.979475 2.341380 0.140900 2.964754 1.676919 0.432376

10

El test de Bartlett indica que los lmites de la regin crtica para las funciones de autocorrelacin y de autocorrelacin parcial con un nivel de significacin del 5% con 500 observaciones son: 2/ (500) = 0,0894. Se aprecia que solo la primer autocorrelacin supera a ese nivel y que las autocorrelaciones parciales declinan gradualmente, indicio de que este proceso puede identificarse como un MA(1).

Autocorrelation

Partial Correlation

AC

PAC

Q-Stat

Prob

**|. *|. .|. .|. .|. .|. *|. .|. .|. .|.

| | | | | | | | | |

**|. *|. *|. .|. .|. .|. *|. *|. .|. .|.

| | | | | | | | | |

1 2 3 4 5 6 7 8 9 10

-0.332 -0.068 0.028 0.010 -0.005 0.003 -0.085 0.011 0.041 0.036

-0.332 -0.200 -0.076 -0.023 -0.009 0.001 -0.098 -0.068 -0.005 0.054

55.202 57.517 57.912 57.963 57.978 57.984 61.660 61.727 62.568 63.221

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Bajo ciertas condiciones a partir de un modelo MA se puede obtener un modelo AR, en cuyo caso se dice que el MA es invertible. A modo de ejemplo lo mostraremos para el MA(1), yt = t - b1 t -1 . Se puede escribir: yt = (1- L b1 ) t de manera que: t = yt / (1- L b1 ). Si se desarrolla esta ltima expresin resulta: t = yt + b1 yt -1 + b12 yt -2 + .. Para que esta expresin

converja se requiere queb1<1. Se puede apreciar que la condicin de invertibilidad de un modelo MA es similar a la de estacionariedad de un modelo AR. Cul es el significado de esto?. Por una parte que si b1<1 el MA (1) es invertible, es decir se transforma en un AR infinito y esto a su vez indica una sntesis o parsimonia del modelo MA en el sentido que con los pocos trminos ( t - b1 t -1) se puede representar los infinitos trminos del AR. De todos modos, otra interpretacin de esto es una comprobacin del problema que representa el azar: el MA representa azar, ruido, lo no explicado, as que necesito infinitos trminos para hallar una explicacin. Tambin el AR puede convertirse en un MA infinito. Se ha mostrado en el punto 2.1 cuando se consider el AR(1): yt = a1 yt -1 + t donde a1 < 1 se poda escribir como: yt = t (1 + a1L + a12 L 2 + ) = t + a 1 t-1 + a12 t - 2 +. Esto significa tambin que el AR es parsimonioso con respecto al MA ya que con un solo trmino explicativo a1 yt -1 cumple lo que al MA le demanda infinitos trminos. El modelo MA(2), si se prescinde de la constante, puede escribirse: yt = t - b1 t-1 - b2 t - 2 Se comprueba fcilmente que su media es cero y que su varianza es: Var ( yt ) = (1 + b12 + b22 ) 2 La funcin de autocorrelacin presenta dos picos significativos y la funcin de autocorrelacin parcial decae exponencialmente. Estas funciones no dependen del tiempo, sino del rezago que hay entre las variables de manera que el MA(2) es estacionario en forma dbil.

Ejercicios.

1) Genere un MA (2) sin constante con b1 = -0,4 ; b2 = 0,5 y { t } ruido blanco normal con varianza 9. Nmero de observaciones: 500. Grafique y comente los resultados. 2) Qu condiciones se requieren para que un MA(2) sea invertible? 3) Resultar invertible el proceso del ejercicio 1 ?. Explique.

4) Con los datos obtenidos en el ejercicio 1 estime el modelo mediante el Eviews, obtenga el correlograma de los residuos y explquelo con referencia particular a los tests Q y de Bartlett.

2.5. Los modelos mixtos. Los modelos mixtos, denominados ARMA se producen por el agregado de un proceso AR y un proceso MA. Por ejemplo el ARMA ( p, q ) combina un AR ( p) y un MA ( q ) de la siguiente manera: yt = a1 yt -1 + a2 yt -2 + ..+ ap yt -p + t - b1 t-1 - b2 t - 2 - bq t q En particular un ARMA (1, 1) resulta: yt = a1 yt -1+ t - b1 t-1 . En ambos casos, en el ARMA ( p, q ) como en el ARMA (1, 1 ) se ha prescindido de la constante. Puesto que un ARMA (1, 1 ) puede escribirse: y t a1 yt -1 = t - b1 t-1 , o sea: (1 L a1) yt = (1 L b1) t se ve que las condiciones de estacionariedad dependen del modelo AR y las condiciones de invertibilidad del modelo MA. Estas condiciones son las mismas que fueron enunciadas anteriormente. En los modelos ARMA (1, 1) tanto las funciones de autocorrelacin como las de autocorrelacin parcial decaen exponencialmente, pero esta ltima tiene una forma ms complicada. A modo de ejemplo se mostrarn los estadsticos y las funciones de autocorrelacin que fueron obtenidas a partir del modelo yt = 0,6 yt -1+ t - 0,4 t-1 . Los t fueron generados como ruido blanco normal con varianza 1 y se consideraron 500 observaciones. Los comandos en el Eviews fueron: 1) alea=nrnd. 2) y=0 . 3) y=0.6*y(-1)+alea-0.4alea(-1). En sample se coloc 2 500.

50

40

Series: Y Sample 1 500 Observations 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability
-3 -2 -1 0 1 2 3

30

20

-0.150129 -0.156165 3.182568 -2.942601 1.096396 0.033370 2.785262 1.053473 0.590529

10

Puede observarse que las funciones de autocorrelacin y de autocorrelacin parcial declinan y que presentan valores significativamente distintos de cero en los primeros lags pero a medida que aumenta el orden de los rezagos las autocorrelaciones y las autocorrelaciones parciales tienden a cero.

Autocorrelation

Partial Correlation

AC

PAC

Q-Stat

Prob

.|* .|* .|. .|. .|. .|. .|. .|. .|. .|.

| | | | | | | | | |

.|* .|* .|. .|. *|. .|. .|. .|. .|. .|.

| | | | | | | | | |

1 2 3 4 5 6 7 8 9 10

0.173 0.144 0.045 0.065 -0.062 -0.042 -0.053 0.024 0.031 0.027

0.173 0.118 0.002 0.043 -0.088 -0.035 -0.026 0.049 0.043 0.009

15.082 25.571 26.573 28.739 30.690 31.580 32.998 33.300 33.779 34.156

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Los datos fueron estimados empleando el Eviews mediante la sucesin de instrucciones Object New Object Equation. En el cuadro se escribi: y ar(1) ma(1). Los resultados de la regresin que se consignan ms abajo muestran que los coeficientes son: el autoregresivo 0,64 y el de medias mviles 0,46, comparables con los suministrados al modelo que fueron 0,60 y 0,40 respectivamente. Se puede apreciar que los estadsticos t muestran que los coeficientes son significativamente distintos de cero y que el correlograma de los residuos sugiere que estos son ruido blanco, es decir no aportan informacin adicional al modelo. Los valores crticos de los estadsticos Q y de Bartlett no son superados por las autocorrelaciones estimadas para ese modelo.
Dependent Variable: Y Method: Least Squares Date: 11/01/09 Time: 10:40 Sample (adjusted): 2 500 Included observations: 499 after adjustments Convergence achieved after 9 iterations MA Backcast: 1

Coefficient

Std. Error

t-Statistic

Prob.

AR(1) MA(1)

0.639656 -0.463416

0.137746 0.158423

4.643742 -2.925173

0.0000 0.0036

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.031650 0.029701 1.081054 580.8332 -745.9388 2.027128

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

-0.150429 1.097475 2.997751 3.014635 3.004377

Inverted AR Roots Inverted MA Roots

.64 .46

La raz de la ecuacin 1-0,639656 L = 0 es L = 1,563340. Su inversa es aproximadamente 0,64. Otro tanto ocurre con la raz de 1 0,463416 L = 0. En este caso L = 2,157888 y la inversa es aproximadamente 0, 46.

Autocorrelation

Partial Correlation

AC

PAC

Q-Stat

Prob

.|. .|. .|. .|. *|. .|. .|. .|. .|. .|.

| | | | | | | | | |

.|. .|. .|. .|. *|. .|. .|. .|. .|. .|.

| | | | | | | | | |

1 2 3 4 5 6 7 8 9 10

-0.024 0.034 -0.033 0.044 -0.088 -0.045 -0.060 0.028 0.024 0.015

-0.024 0.033 -0.031 0.041 -0.084 -0.052 -0.055 0.022 0.034 0.009

0.2871 0.8660 1.4111 2.3673 6.2638 7.2740 9.1260 9.5269 9.8287 9.9476

0.592 0.649 0.703 0.669 0.281 0.296 0.244 0.300 0.365 0.445

Para ilustrar acerca de la aplicacin de los modelos ARMA consideraremos la serie de los precios de exportacin de carnes para el perodo I trimestre de 1986-II trimestre de 2009. Se presentar el grfico de la serie y el correspondiente correlograma.
CARNES
180 160 140 120 100 80 60 40 86 88 90 92 94 96 98 00 02 04 06 08

Date: 03/02/10 Time: 17:28 Sample: 1986Q1 2009Q2 Included observations: 94 Autocorrelation . |******| . |***** | . |*** | . |*** | . |** | . |** | . |** | . |** | . |** | . |* | . |. | Partial Correlation . |******| ***|. | . |* | . |. | . |. | . |* | . |* | .*|. | .*|. | . |. | . |. | 1 2 3 4 5 6 7 8 9 10 11 AC 0.854 0.636 0.464 0.353 0.268 0.231 0.255 0.271 0.219 0.132 0.056 PAC 0.854 -0.347 0.122 0.022 -0.045 0.146 0.144 -0.094 -0.146 -0.018 -0.022 Q-Stat 70.800 110.44 131.80 144.30 151.61 157.09 163.83 171.52 176.59 178.45 178.79 Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

La observacin del correlograma sugiere que dos modelos que parecen adecuados para representar la serie son el AR(2) y el ARMA(1,1). Estos sern presentados sucesivamente y de acuerdo con los resultados se elegir el que se considere ms conveniente.
Dependent Variable: CARNES Method: Least Squares Date: 03/02/10 Time: 17:14 Sample (adjusted): 1986Q3 2009Q2 Included observations: 92 after adjustments Convergence achieved after 3 iterations Coefficient C AR(1) AR(2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 86.57102 1.214213 -0.396406 0.793747 0.789112 9.188535 7514.197 -333.0693 171.2545 0.000000 Std. Error 5.292161 0.097383 0.096642 t-Statistic 16.35835 12.46845 -4.101818 Prob. 0.0000 0.0000 0.0001 85.39457 20.00877 7.305855 7.388088 7.339045 1.734055

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Dependent Variable: CARNES Method: Least Squares Date: 03/02/10 Time: 17:15 Sample (adjusted): 1986Q2 2009Q2 Included observations: 93 after adjustments Convergence achieved after 11 iterations MA Backcast: 1986Q1 Coefficient C AR(1) MA(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic 87.49124 0.780231 0.501084 0.806557 0.802258 8.931098 7178.806 -334.0637 187.6268 Std. Error 6.376646 0.071154 0.102083 t-Statistic 13.72057 10.96544 4.908587 Prob. 0.0000 0.0000 0.0000 85.11290 20.08426 7.248682 7.330379 7.281669 1.892433

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Si nos guiamos por los criterios de informacin de Akaike y Schwarz resulta preferible este ltimo modelo, de modo que la serie de precios de exportacin de la carne para el perodo considerado puede ser modelada como: carnes = 87,49 + 0,78 carnes(-1) + t + 0,50 t -1 . El correlograma de los residuos muestra que estos son ruido blanco, tal como se puede observar.
Date: 03/02/10 Time: 17:47 Sample: 1986Q1 2009Q2 Included observations: 93 Autocorrelation . |. . |. .*|. . |* . |. .*|. . |. . |** . |. . |. | | | | | | | | | | Partial Correlation . |. . |. .*|. . |* . |. .*|. . |. . |** . |. . |. | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 AC 0.039 -0.028 -0.174 0.116 0.047 -0.088 -0.021 0.282 0.040 0.001 PAC 0.039 -0.029 -0.172 0.132 0.029 -0.123 0.038 0.298 -0.048 0.019 Q-Stat 0.1474 0.2214 3.1840 4.5110 4.7352 5.5280 5.5713 13.837 14.004 14.004 Prob 0.701 0.895 0.364 0.341 0.449 0.478 0.591 0.086 0.122 0.173

Con este modelo se efectuaron proyecciones, utilizando el comando Forecast en el cuadro de la regresin. Se eligi la proyeccin esttica y los resultados se presentan a continuacin.
220 200 180 160 140 120 100 80 60 2008Q3

Forecast: CARNESF45 Actual: CARNES Forecast sample: 2008Q3 2009Q2 Included observations: 4 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 13.03727 12.88917 10.63880 0.047957 0.189839 0.200907 0.609254

2008Q4 CARNESF45

2009Q1 2 S.E.

2009Q2

Los valores observados y proyectados son los siguientes:


2008Q3 2008Q4 2009Q1 2009Q2 Observado 171.9000 135.4000 103.9000 107.5000 Proyectado 181.5169 148.5307 118.2916 93.08248

Ejercicios. 1. Genere un Arma (2;1) sin constante donde a1 = 0,50; a2 = 0,30 y b1 = 040. Emplee 500 observaciones y t ~ N ( 0,1). Muestre los estadsticos y el correlograma. 2. Con los datos del Ejercicio 1 efecte una regresin utilizando el modelo original Arma (2,1) y alternativamente los modelos Arma (2,2), AR(3), MA(2). En cada caso halle el correlograma de los residuos. Comente los resultados.