CA ve 4% ECONOMIA Capitulo 1 “py. go Introducci6n al andlisis de series de tiempo Una gran cantidad de informacién acerca de las caracterfsticas econémicas, tanto de individuos como de empresas 0 pafses, se recopila con fines de anilisis, para Hevar a cabo la planeacién y toma de decisiones, Al registro metédico de la medicién u observacién numérica, efectuada a intervalos de tiempo fijos, de tales caracteristicas 0 variables econdmicas, generalmente se le conoce como series de tiempo (econémica en el presente caso). Observe que el nombre “series de tiempo” no es del todo apropiado para denotar los conjuntos de datos registrados de manera ordenada respecto al tiempo, pues en particular el término serie se utiliza en matematicas para nombrar una suma infinita de valores de una variable. Quizd una ter- minologia més apropiada para referirse al conjunto de datos que interesa podria ser el de sucesiones cronoldgicas; sin embargo, aqui se continuaré ha- ciendo mencién a series de tiempo, debido simplemente a que ésta es la terminologfa mas usual y conocida. 1.1. Elementos estadisticos en el andlisis de series de tiempo Debido a que las series de tiempo constan de datos numéricos, es natural usar la herramienta de la estadistica para describirlas y analizarlas, asi como ocurre con cualquier otro conjunto de informacién numérica (véase, for ejemplo, Guerrero, 2000). Recnérdese entonces que la estadistica files i _ enfoques basicos: 1) el enfoque descriptive, que se ocupa esenciamente ce ’ ag ilye od “ot ete es ie Escaneado con CamScannerae 2 Capitulo 1. Introduccidn al aniilisin de serion de Hon, ) resumir y describir en forma concisa, ya sen mediante Beitfions oA travéy dle unas cuantas medidas descriptivas, In informacion con que #6 cuente, y 9) of enfoque inferencial, cuyo objetivo fundamental es utilizar datos MUCEE Ale pata realizar inferencias, que sean validas para toda In poblacién de donds se obtuvo la muestra. Dentro de los elementos descriptivos de una serie de tiempo te en. cuentran pues, las gréficas y las medidas descriptivas y, posiblemente, o orden en que se mencionardn estos elementos represente su orden de jm. portancia, ya que es primordial construir gréficas antes de Mevar a cabo cualquier tipo de calculo, aunque sélo sea para verificar visualmente Ia con. gruencia de los datos. En la figura 1.1, por ejemplo, se muestra la grdfica ~ del por ciento de la inflacién mensual en México, medida con base en las variaciones mensuales del Indice Nacional de Precios al Consumidor. Inflacién 1969. 1970 1971 1972 1973 1974 1975 1976 197 1978 TEP? Figura 1.1 Inflacién mensual en México (1969-1978) (Porcentajes). __ En esta grafica se aprecian las caracteristicas mds relevantes d¢ og Table en consideracin, la inflacign en este caso. Se advierte que, bast® te, » Ta inflacién fluctuaba alrededor de cierto nivel aproximadamente const® ‘Cl cual_a simple vista, parece ser de 0.4%; ademas, se observa ig) Variaciones alrededor de dicho nivel. son, para todo fin préctico Escaneado con CamScanner1.1 Elementos estadisticos en el andlisis de series de tiempo 3 mente constantes. Asf, una medida de localizacién (que indicarfa el nivel de Ja serie) y una medida de variacion, podrfan ser suficientes para describir la parte de la serie del perfudo entre 1969 y 1972. Esto no ocurre asi durante el perfodo 1973-1978, ya que a partir de 1973 la inflacién comienza a crecer y llega a alcanzar un méximo aproximado de 4% durante el mes de diciembre del mismo afio, posteriormente decrece y presenta un nivel relativamente constante, alrededor de 1%, desde marzo de 1974 hasta agosto de 1976, aunque con mayor variabilidad que antes. En septiembre de 1976, la deva- luacion de la moneda (desde abril de 1954 hasta agosto de 1976 el tipo de cambio estaba fijo en 12.50 pesos por délar) parece provocar un crecimiento desmesurado de la inflacién, que alcanza un méximo de 5.6% en octubre de 1976; este valor es de hecho, el mas alto que toma la inflacién durante el periodo considerado. Para febrero de 1977 se reduce la inflacién y muestra un nuevo nivel, cercano a 1.3%, hasta fines de 1978. La descripcién anterior de la serie de inflacin es simple y se efectuéd con el tinico objetivo de mostrar la utilidad prdctica que una grdfica puede prestar para llevar a cabo una descripcién; harfa falta realizar, desde lue- go, los célculos numéricos necesarios para obtener con mayor exactitud las medidas descriptivas que permitan representar apropiadamente la serie, medidas que en este caso podrian ser las que se indican a continuacién: [ Periodo Caracterfatica Medida descriptiva Feb., 1969-Dic., 1972 | Inflacion con nivel constante Variacién constante alrededor del nivel Dic, 1972-Dic., 1973 | Inflacion creciente Maximo local | Dic 1973-Mar., 1974 | Inflacion decreciente ‘Promedio de observaciones Desviacién esténdar Promedio de tasas de variacion Valores minimo y maximo | Promedio de tasas de variacion Minimo local Valores minimo y méximo ‘Mar., 1974-Ago., 1976 | Inflacion constante Promedio de obscrvaciones Variacién constante Desviacién esténdar Ago. 1976-Oct., 1976 | Inflacion creciente Promedio de tasas de variacion Maximo global Valores mfnimo y maximo Oct. 1976-Mar., 1977 | Inilacion decrecionte Promedis de tains do varincion Minimo local Valores minimo y maximo Mar T977-Dic., 1978 | Inflacion constante Promedio de observaciones Desviacién estandar Por su parte, los elementos de inferencia estadistica son aquellos que se utilizan para responder preguntas acerca de una poblacién o universo, con base en un conjunto de datos muestrales. En el estudio de series de tiempo, _la poblacién sobre Ja cual se desea inferir, depende fundamentalmente del tipo de anélisis y/o modelo que se emplee, Por consiguiente, conviene men- cionar que el andlisis de una serie de tiempo se realiza de distintas maneras; por ejemplo,,uno de los métodos de-andlisis considerado como clisico es el Escaneado con CamScanner4 Capitulo 1. Introduccién al anilisi s de series de Hiempe conocido como el de descomposicién de series, el cual Presupone que |q serie de tiempo esta formada por un componente de tendencia-ciclo, que representa el movimiento de largo plazo de la serie. Otro componente ¢s jy estacionalidad, cuya utilidad es la de representar los efectos producidos por fendmenos que se repiten cada aio con cierta constancia, y un componente mis es la irregularidad, que sirve para caracterizar los movimientos impre. visibles y considerados como aleatorios. Con la metodologia de descomposicién de series se pretende identificar y_estimar cada uno de los componentes por separado; ademéas, dentro de este contexto se considera que los componentes de tendencia-ciclo y esta- cionalidad constituyen la parte determinista o semideterminista de la serie, mientras que el componente irregular vendria a ser su parte no determinista 0 estocdstica. En este caso es razonable pensar que, la poblacién sobre la que desea inferirse es el conjunto de series de tiempo formadas por la parte determinista o semideterminista, combinada con las posibles realizaciones imaginables de la parte estocdstica. Para mayor informacién respecto a la descomposicién de series se sugiere consultar los trabajos de Guerrero (1990 y 1992). Aun cuando la metodologfa anterior es bastante Util, en fechas recientes su empleo se ha visto limitado, en esencia, a la estimacion del componente estacional a fin de obtener series desestacionalizadas. Esto se debe, en pat te, ala aparicién y unificacién de ciertos métodos estad{sticos relacionados con procesos estocasticos, que han probado su eficacia en la construc- cién de modelos Para series de tiempo. Una de las principales ventajas del enfoque de procesos estocasticos, aplicado a series de tiempo, es la grat flexibilidad que se logra para representar un buen ntimero de fendmenos Teales mediante una sola clase general de modelos; otra ventaja es la facili a y Precision Para realizar pronésticos y, finalmente, una ventaja més © ® generalizacién de modelos para series individuales, a modelos para vati#s Series consideradas simultaneamente. : 3 de aoe construccién de modelos para series de tiempo oe capitulos. . fundamento de este libro y seré cubierto con gran ae on 1a Pe Por otro lado, en este capitulo se contin a ie mane pence t6picos introductorios, temas que se requis Pr ty ‘Abo el andlisis de series de tiempo a partir del enfoa"” _Procesos estocasticos, a ae Escaneado con CamScanner1.2. Series de tiempo vistas como procesos estocdsticos 5 1.2. Series de tiempo vistas como procesos estocasticos Para describir lo que es una serie de tiempo dentro del contexto de procesos estocdsticos, es necesario definir los procesos estocdsticos, esto es: un proceso estocdstico es una familia de variables aleatorias asociadas a un conjunto fndice de niimeros reales, de tal forma que a cada elemento del conjun- to le corresponda una y sélo una variable aleatoria, esto se escribiré como {Z(r);7 € T}, en donde T es el conjunto indice y Z(r) es la variable aleato- ria correspondiente al elemento 7 de T. Si T es un intervalo de ntimeros reales, ya sea cerrado o abierto, se dird que el proceso estocdstico es con- tinuo, y si T es un conjunto finito o infinito pero numerable, el proceso estocdstico se diré que es discreto. El hecho de que el proceso estocdsti- co sea continuo o discreto, no indica nada acerca de la naturaleza de las variables aleatorias involucradas, ya que éstas son continuas o discretas. 1.2.1. Series de tiempo discretas Con base en Jo anterior, una serie de tiempo es la sucesién de observa- ciones generadas por un proceso estocdstico, cuyo conjunto indice se toma en relacién con el tiempo. Por tanto, la inferencia que se realice ser acerca de las caracteristicas del proceso estocastico generador de la serie observa- da. Ademés, asf como existen procesos estocdsticos discretos y continuos, también existen series de tiempo discretas y continuas. En particular, si las observaciones de una serie de tiempo discreta se toman en los mo- mentos 71,72,...,7N, el proceso estocdstico respective se denotaré por {Z(11), Z(t2),---Z(tw)}- De aqui en adelante se considerardn exclusivamente series de tiempo discretas, con la caracteristica adicional de que las observaciones se_ha- gan_con intervalos de tiempo iguales. Asimismo, y aun con el riesgo de crear cierta confusién, en general no se hard distincién entre una variable aleatoria Z y su valor observado, que se denotaré también por Z. De esta manera, cuando se tengan N valores sucesivos de una serie de tiempo, se escribird Z,,Z2,...,Z,---,Zn para denotar las observaciones hechas a in- tervalos equidistantes To +h, To +2h,.-.,70+th,..-)To+ Nh, en donde To ~ es algtin punto en el tiempo que hace las veces de origen y h es la longitud - del intervalo de tiempo que separa dos observaciones contiguas. En la ma- yor parte de los casos, los valores de To y fh no son relevantes para el andlisis que se realice y se podrd denotar la serie mediante {Z;}, con la suposicién ~ implicita de que ¢ toma los valores 1,2,..+,V. La ventaja de esta notacién radica en que no es necesario indicar en cada observacién la fecha en que Escaneado con CamScannerCapitulo 1. Introduecion al anuilisis de series de tempo 45 40 BS 4969 197019711972 1973 1974 1975 1976 Tempo Figura 1.2 indice de precios al consumidor a nivel nacional. ‘ __se observé; por ejemplo, si se dispone de una serie de tiempo mensual cuya primera observacién fue hecha en enero de 1996, sera suficiente escribir Zxs para referirse a la observacién correspondiente a enero de 1998. En la practica existen dos formas basicas para generar series de tiempo discretas: (1) Por muestreo de una serie de tiempo continua; como ilustracién ‘al de inflacién, medida que se obtiene al final de evoluciona en forma se puede considerar que la tasa mensui _ emplea el indice de precios al consumidor (IPC), cada. mes como una muestra de un proceso que continua durante el mes (véase figura 1.2). (2) Por acumulacién de una serie de tiempo, ya sea continua o discret __ Sobre un perfodo dado; por ejemplo, la serie mensual del financiamien- _to otorgado por la banca privada y mixta que aparece en 8 figura una acumulacién (saldo) del financiamiento otorgado hasta ae de cada mes. tse ane ey : teambottante notar que una. serie de tiempo observada no es més a dice ae de un proceso estocéstico, lo cual significa ae bien Pl Escaneado con CamScanner1.2, Series de tiempo vistas como procesos estociisticos 7 Financiemiento 45 40 3S x B a 18 10 5 Tiempo 1978 1979 1980 1981 1982 Figura 1.3 Financiamiento otorgado por la banca privada y mixta. Saldo en miles de millones de pesos. haberse observado otra realizacién del mismo proceso, pero cuyo compor- tamiento fuese distinto del que se observé en la realidad. Esta idea se mues- tra gréficamente con la figura 1.4, en donde aparecen varias realizaciones posibles del proceso estocdstico que pudo haber generado la serie Indice de precios al consumidor, figura 1.2. Con esto se pretende subrayar al cle- mento probabilistico presente en una serie de tiempo; ese mismo elemento serd el que conduzca a tener en cuenta la funcién de densidad conjunta de las variables aleatorias que constituyen el proceso estocistico. El comportamiento de una variable aleatoria Z lo representa su funcién de densidad f(Z). Similarmente, dos variables aleatorias Z1 y Zz quedarin completamente descritas (en términos probabilisticos) por su funcién de densidad conjunta f(Z1, Z2). En general, N variables aleatorias, y en con- __ Secuencia un proceso estocaistico, podrén describirse mediante la funcién de _ densidad conjunta f(Z1,Z2,---,Zn)- En practicamente todo aniilisis estadistico, excepto en cl anilisis de series de tiempo, se supone que las observaciones que se tienen provienen “de variables aleatorias independientes, de forma tal que con el conocimien- - to de las funciones de densidad individuales, es posible obtener fcilnente Escaneado con CamScannerandlisis de sé de tempo 1, Introd uccién al Capitulo 1969 1970«1971«1972«1973.—««1974 «1975 1976 Tenwo Figura 1.4 Tres realizaciones del posible proceso generador del IPC. la funcién de densidad conjunta. En contraste,len el caso de las series de tiempo se supone que existe toda una estructura de correlacidn entre las observaciones; por consiguiente, no es posible obtener la funcién de densidad conjunta de manera tan directa y debera utilizarse alguna otra forma paré caracterizar las variables aleatorias que intervienen| Con este objetivo &” mente y para facilitar la exposicién subsecuente, es conveniente presentar algunos operadores y polinomios de uso frecuente en el andlisis de series de tiempo. 1.2.2. Uso de operadores y polinomios de retraso El primer operador que se mencionard se llama operador de retraso, Ags Se denotara por Ia letra B (del inglés backward). Dicho operador se de mediante la relacién . A. SASH BZ = 2,4) | pare toda t a2) plicacién sucesiva del operador B se obtiene BA = BBA) = 22 Kein a Escaneado con CamScannersos estocisticos 1.2. Series de tiempo vistas como Proc BZ, = B(BZ) = Z-s BA = BBE‘ A) = Zk asf que, en general, In expresién a la que se Hlega es Bray = Nn parak =0,1,2,...y toda t. (1.2.2) Adviértase que al “multiplicar” a B* por Z, se obtiene la variable re- trasada k periodos y, debido a que B° = 1, se tiene BZ, = % (si se fuern estricto, deberia escribirse B° = J, en donde J denotaria el ope- rador identidad que deja intacta la variable sobre la cual opera). Debe hotarse también que, de hecho, el operador modifica toda Ja sucesién de va- lores {Z1, 22, .+++Zty.++)Zy} y Ia transforma en la nueva sucesion {Z1-x; Zacks von Ztckys++sZn=k}- Con base en Jo anterior conviene apreciar que, Si dnicamente se cuenta con las observaciones Z1,...,Zy, no se tendrén las observaciones Z;-4, Z2-k,++-» Zo, por tanto, la serie que originalmente constaba de N observaciones, se reducird a una serie de solamente N — k observaciones, por el solo hecho de aplicar B*. Para dar un ejemplo de la aplicacin de operadores de retraso, considere Jos datos del financiamiento otorgado mediante la banca privada y mixta que se mostraron graficamente en Ja figura 1.3 y que ahora aparecen en el -cuadro 1.1. te Cuadro 1.1 Financiamiento otorgado mediante la banca a privada y mixta. Saldos en millones de pesos ; mo 1078 1079 980 Tost Tos ¥ Ene. 4500 1009412727 1966237002 ae Feb. 8085 «11464. «1248420496774 9081 11501-12850 «18214 38625 5 8703 12092-13990 19095 42909 i 9486 1193216023 © 1923243123 1149712134 16504. 2621845870 pit 9585 1291315628 (25040 9385 10918. «15722-29047 9794 14005 1487680374 ae 1024611631 147230228 Poe 10732 1540330524 5 10993 14754__ 88205 se tendria ty Si se denota los datos por la serie de tiempo {Z;}, By 24500 zy = BUKG Z, z z 3 = BUS; Zs = 9081 Zy =8TOX Zs ze 3 0685 Ze = 9385 Zo = 979 Zio = WAG Zr Fry = 10094 Zig = 11464 Zig = 11501 Zyo = 12092 Zaz = 9486 Zo = 11497 10732. Zi2 = 10993 11932 Zin = 12134 4 |, Bar = 19662 Zan = 20496 Zyy = 182 2 39662 Zsa yy = 182A Zyy = 19095 Zan = 10282 | Fea = B01 Zia = BUT Zig = osTd Zio = 30223 Zar = B0524 © Buy 87002 Zs = ATTA yy = 38625 Zea = 42000 Zoy = 48123 Began Escaneado con CamScanneral anélisis de series de tiempo Capitulo 1 Introduccion 10 ven las nuevas series xy (Mh definidas como X; = Bz, asi, si se construe Jos valores de estos series son ny, = Biz, entonces "s fe Xe =8703 Xo =9486 x x chet X Xt 10246 X12 = 10732 X47 = 30223 Xag = 30524 Xeg = 42909 Xs = 43123 Yo Yu Yar 1486 Yop = 19232 You = 26218 Yor = 18214 Yoo = 19095 ontiene los mismos datos (excepto el tltimo) que ambién {¥;} esté formada por los nismon datos (excepto los doce iltimos) que {Ze}, pero retrasados doce Yio no tienen valores definidos. Yag = 19662 Yoo = 20496 de tal manera que {X¢} © {Z;}, pero retrasados por un periodo, y ti periodos; asimismo, note que X1,Yi,---+ Oizo operador de uso frecuente y que esta intimamente ligado con Bes el operador diferencia V.2 Este operador se utiliza para expresar relaciones del tipo Y= Zi — Zea, donde, si Z; es una variable de saldo, entonit YX send i vatiable de fujo correspondiente; es decir, si se define a V mediante VA=%-Zi1 — paratodat (1.23) se tiene que Y, puede escribirse como ¥; = VZt. La relacién que liga a V con B es la siguiente (124) £ V=1-B osea V2 =(1-B)Z e oe Danes, as{ como se obtuvo una expresién general para BY median plicacién sucesiva del operador B, ast también podria obtene™=? ls siguiente forma general para V* b=0,1,2.- (125) (-1 2; 4; para oda t V pare Sin embargo, ie 2 Tlegar a (125) requiere de Ja aplicacién sucesiva del operad0" és G6 emaples del Goce ae Cxpresion es fécilmente omprobable 9 ta". slide ala eee eae ate es Heald inom Bote ck otencia, o sea VEZ, = ( k 1 = (1- BYEZ. ER _El simbolo V se lee nabla y es ‘una palabra drabe que significa arp Escaneado con CamScannera 1.2, Series de tiempo Vistas como procesas estocisticos 1 atorgade por Ia banca 996 =378 7 2011 -1912 = 200 ferencia se tiene para pasar de la Un ejemplo del uso del operador di de] enadro 1.1, a la serie de flujos Je saldos (Z:) del financiamiento, suadro 1.2. fe series de tiempo se util es decir, el polinomio seri mensuales (My = VZ1) del ‘Ahora bien, en el aniilisis d retraso en forma de polinomios, izan operadores de = Ze! 92-5 : = -Saites=- A nhrr~ne-a-" (1.2.6) raso que puede expresarse como G(B)Z, en donde k Lak ja con gy = -1 y los coeficientes gi,..-,gk Son constantes que ponderan la iinportancia de los retrasos con los que estin asociados, ademds k puede ser 0,1,2, ‘Tambign es frecuente trabajar con polinomios de retraso racionales, los cuales pueden expresarse como cocientes de dos polinomios de retraso, 0 sea, si a; ¥ cj son constantes, G(B) seré un polinomio racional si es un polinomio de ret : - S098? (1.2.7) j=0 G(B) = 1-91 B= 9B? =~ ge B* = = A(B) = Yh20%5B’ ¥ G(B) = A(B)/C(B) con CB) = Soh (1.2.8) donde k y m son niimeros enteros, no negatives y finitos. El hecho de que G(B) tenga tal representacién, equivale a restringir el mimero de coefi- cientes gj de este polinomio. El ejemplo més simple de este tipo de polinomios viene dado por G(B) =1+9B+ 9B + 9B +. con. jgl <1 (1.2.9) Escaneado con CamScannerjo 1 Jntroaccio® al anilisis de series de tiempo itulo 1. Y Cap! eomeétrica generada por el término ie do a su naturaleza de serie 8° i ques depen ge expresar come (By se o(B) = V0 gB), \gl< 1 (1.2.10) G(B) = A(B)/C(B) con A(B) = ly c(B) =1-gB.La igvaldad oe (1.2.10) puede apreciarse tnultiplicando ambas relaciones a ie a requerimento de que lg <1 surge del siguiente argumento; or gnc que se sure OP Feomio (1.2.9) sobre Ze, ast que co (4 9R +B a B+. = LIF (1.2.11) jo ar con el pol G(B)Z = onsidérese el caso en que 2 =Z, para toda t, entonces se tiene G(B)Z = 29 (1.2.12) j= yet en donde se observa que esta ‘altima suma serd infinita (Jo cual no tendria : ningtin sentido préctico) a menos que Igl <1. El uso de polinomios de retraso es importante en el estudio de series de tiempo porque permiten expresar, de una manera concisa y simple, al- gunos de los modelos que han probado ser de mayor utilidad en la practica para representar fenémenos reales. A. reserva de presentar con cierto de tenimiento las caracteristicas més sobresalientes de dichos modelos, cabe por mencionar que dentro de estos modelos se encuentran Jos de promedios méviles, que se representan mediante la expresion perenne 2y— = (1-0:B — 02B — «+» — 0,B%)ax 1233) en donde ‘ “nivel” doom an media de la serie (0, dicho de otra mane a ~ respecto ala ae 1 e tal forma que Z; — ju representa la desviacion “* a caracteristicas (se d a} es una sucesién de variables aleatorias con ciert®® 91,02)... ,0q son eee posteriormente) que facilitan su manejo Y Ps YZ: ettos que sirven para relacionar las sucesion® {a} Por consigni x iguiente, ie manera compacta por un modelo de promedios méviles se dene a Asimis oe 214) Asiana; Io tacos exes ct O(B)ay. (. 5 EAS autorregresivos, que se definen como 9.18) “ay deae (Le Escaneado con CamScannertocdntle Ww de tiempo vistas camo Procesos estocdaticon , fmotros, se expresan mediante Ja relacion en donde $4.925+++ +p S00 pardmetros, se expr H(B)(Zr = 1) = Me (1.2.16) Jes conoce con el nombre ‘A las combinaciones de Jos modelos anteriores, 8¢ " ent de modelos autorregresivos de promedios moviles, también se les repr con la expresién #(B)(Z — #) = (Bau. (1.2.17) Por ultimo, con el uso de polinomios de retraso y del operador diferencia se obtienen las representaciones o(B)V!Z, = O(B)ar (1.2.18) que constituyen los modelos autorregresivos integrados y de promedios mé- viles. 1.2.3. Procesos estocasticos lineales Los modelos para los procesos estocisticos que se estudiarén se basan en la idea de que una serie de tiempo, cuyos valores sucesivos pueden ser al- tamente dependientes, puede considerarse generada a partir de una serie de choques aleatorios independientes {a,}. Estos choques aleatorios se supone que son realizaciones independientes de una variable aleatoria cuya media es constante (generalmente se le considera igual a cero) y cuya va- rianza es 02. A esta sucesién de variables aleatorias {a,} se le conoce como proceso de ruido blanco (0 sélo ruido blanco). El nombre se debe a que el concepto de ruido blanco se utiliza en la ingenierfa electronica y de comu- nicaciones, en donde es necesario distinguir las sefiales con mensaje de las del ruido. La idea expuesta previamente fue concebida por Yule (1927), quien pro- puso en esencia expresar al proceso {Z;} en funcién de {a;} mediante la relacién lineal Zp = wt ay — yay — Yoate2 — +++ (1.2.19) = n+ o(B)ar en donde jz ¢s un parémetro que determina el nivel (no necesariamente I media) del proceso y #(B) es el polinomio de retraso” 2Cabe aclarar que el polinomio de retraso (1.2.20) se define con signos negatives pare que guarde consistencia con la definicién (1.2.7); sin embargo, esto hace due a fiera de la representacion con signos positives que plantearon Box y Jenkins (1970, P. 9 )- Escaneado con CamScanner1, Introduccion al anilisis de series de Hemnpe a“ in . Capitulo 1. uw (pyni- 1B aE (1.2.20 el proceso {Z}. De hecho, aqui se tiene aide Ja figura 1.5 que se basa en el operador } nvierte al proceso {ar a co fit Heal 00 € : .2.17) son casos espe sane 1.2.14), (1.2.16) y (1.2 : Adviértase a oo oiere. respectivamente que 4(B) esti dae ciales del modelo (2. do por v(B) = 0(B)s y(B) = 1/9(B) © o(B) = 0(B)/o(B): lid {a,} Entra} Fittro lineal Salida. {74} Figura 1.5 Filtro lineal que transforma {a;} en {Z:}- 1.3. Procesos estacionarios El concepto de estacionariedad es de suma importancia para el andlisis de series de tiempo, como se verd a continuacién. En general, para caractert- zar completamente un proceso estocdstico es necesario conocer la funciot de densidad conjunta de sus variables aleatorias; sin embargo, en la préctict no es realista pensar que esto pueda lograrse con una serie de tiempo: No obstante, puesto que los primeros momentos de las variables aleatorias sumen en buena medida su distribuctén, conviene estudiar los momentos primer y segimdo orden, es decin de las variables del proceso estocistico. Suponga que Ia media de Z es 11, ; jaunts , las medias, las varianzas y las covarian® o sea ee bg SB) = fe : a de newerdo con (1.2.19) se tiene Bet Bae = bia 3. = tbaaieg = *) ey Escaneado con CamScanner1.3. Procesos estacionarios 15 con esta expresién, podria intentarse obtener la esperanza de la suma en paréntesis mediante la suma de las esperanzas de cada uno de los sumandos, pero esto no es vailido necesariamente, a menos que se tenga bot Su <00 (1.3.3) i=l donde ty = 1; esto es, para que la esperanza de la suma exista se requiere que el valor absoluto de la serie de ponderaciones converja, si esto ocurre se tendrfa entonces E(4:) =u (1.3.4) ya que E(a,) = 0 para toda t. Por consiguiente, si (1.3.3) se cumple, la media del proceso no depende del tiempo, lo cual implica en particular que aun cuando durante un cierto perfodo el proceso se aleje de la media, __ éste siempre regresar4 a una vecindad de la misma. Gréficamente se podria mostrar esto con la realizacion de la figura 1.6. t cud Figura 1.6 Una realizacién de un proceso de media constante. Escaneado con CamScanner16 Capitulo 1. Introduccién al analisis de series Ge Hemp 2.19) se obtiene fécilmente a partir de sy i del proceso (1- La varianza del proceso (Oriana de Ze, definicién, 0 sea, si Yo denota 4 nip = Bl(Ze- #7) ; is = El(ay — Pyae—a — ¥g%-2 YI = Ea? + Vides + Paat_2t- = (1.3.5) E(productos cruzados de iar—i ¥ jar-j) = 02 Rov expresién que tendré sentido solamente cuando Sj2o 7 converja, esto ocurre si se cumple (1.3.3) (véase el apéndice 1.A). La raz6n por la que desaparece la esperanza de los productos cruzados, es por suponer que {a:} son variables aleatorias jndependientes con media cero, entonces se sigue que E(Yyae-1° Vj01-s) = iB (ae) “Hj B(ar—5) = 0 Para toda i # j. (1.36) Finalmente, al considerar una serie de tiempo como un proceso estocdstico se debe tener en mente todas las variables aleatorias Z1, Z2, .-- + 2, ... , Zn, de tal forma que resulta necesario estudiar la covarianza entre Z y Zere. Dicha covarianza se denota por Y. = Cov(Ze, Zevi)s para k= +1,42,... por ne = El(Ze — w)(Zere - H)) = El(ay—Wyae—1 22 ++ -)(ege— Pr ae rk—-1—-Paderk—2- + jd = E(—dyad + ByVeg raha + VaPey2dt_o + E(productos cruzados de yjar—i y jae = o4( ty + Barbus + YaVee2 + ---) = 08 (Dinr Piesi — Ye) (13.7) ademés, podria demostrarse que 7, = 7-4. De nuevo, tomar la espera”? para obtener (1.3.7) sélo se justifica si Jo, vay, 4, converge, ¥ = . cierto cuando s cumple (1.3.3) (véase el apéndice 1A). a Bene press que en las expresiones (1.3.4), (1.35) YG ye a ipo implica que ni el nivel de la serie, ni su vyariab! gs gy, Hependen: de. tleinps, ¥en lo que respecta a la covarianza, no existe 47, deca dl tiempo, peto sf de In separacién (k) que hay entre Jas vane Bed aes cont lice a pensar que la serie mostrard el mismo © "oh, ee eee nee eoele sin importar el momento en €1 4° * ys ea Sse Bracars um cierto mimero de abservacons conti butaviers ol eestca! a cue se obtendria seria bastante similar ® Bok Eee uals el mismo nimero de observaciones contiges: Pad __ Perfouos lacia adelante o hacia atrés de los considerados inicialment® Syst kt ee . Escaneado con CamScanner1.3. Procesos estacionarios 1 1 ' ' mn tk tken ty ten tsk Figura 1.7 Grifiea de una serie de tiempo estacionaria. el comportamiento de (Zio, Ztastrs++1Ztotm) ¥ el de (Zrothy Ztotktty ss Zu+k4m) seré esencialmente el mismo, pare cualquier valor que se con- sidere, como puede apreciarse en Ia figura 1.7. _ Los procesos cuyos jomentos de primer y. segundo orden no dependen del tiempo, se les denomina estacionarios de segundo onten. Entonces, st las expresiones (1.3.4), (1.3.5) y (1.3.7) son willidas para uma serie de tiempo (lo cual ocurre siempre que Ia suma S772, [vy] es convergente) se dirt que In serie {Z:} es estacionaria de segundo orden. ‘Asimismo, un proceso estociistico seri estrictamente estacionario si la fancién de densidad para un conjunto arbitrario de variables (2+, Ze+1» Zesm) es invariante respecto a desplazamientos en el tiempo, es decir, si se cumple que Slay Zaspievesy Beam) = f (Zesty Berbers oes Zeke) (1.3.8) esl para toda t, my As De esta expresién, si los primeros momentos: de f existen, se signe que B(A) = E(Ze¢m) bs Escaneado con CamScannerCapitulo 1. Introduccién al anélisis de series de tiempo 18 ‘apitulo 1. de donde bi2—n)71 = Bl(Zem — 1991 = 70 = =wl=% EZ, — 1) Caan) = ElCZeam — 1) Zea M. a Bt stacionari icta implica la estacionariedad de Fae ce apliezén inves no siempre os cumple; ae See aed ai proceso tiene como. distribuiciSn oonjunta de. thda lar sariables que lo integran a la normal mindeivapiaida (ee Asi, debido a que en la préctica es comiin suponer que la distribueién asociada con las series de tiempo es la normal, se sigue que es Suficiente conocer la media ys y la funcién de autocovarianza {7,} para caracterizar completamente una serie estacionaria (advierta que aqui se habla de au tocovarianza, para indicar que la covarianza es entre observaciones de la misma variable, aunque retrasada). Sin embargo, para evitar la influencia de las unidades de medida, es preferible trabajar con las autocorrelaciones Po: Pi» Pa) --» definidas por BZ = WZere= 0) ey 0,41, +2,... (1.3.9) E(Z - uy? 1% que generan la funcién de autocorrelacién {p,}. La funcién de autocorrelacién sitve para especificar, junto con jy 02, un proceso estocdstico estacionario; por otro lado, desde un punto de vista practico de series de tiempo, debe recordarse que se cuenta sdlo con una realizacién finita del proceso, a partir de la cual se hace necesario obtener una estimacién de {p,}, para obtenerla, se supondra que el proceso esta- cionario posee ciertas propiedades ergédicas que permiten la equivalencia entre valores esperados y promedios tmuestrales obtenidos de una realizacion suficientemente larga del proceso. De esta Propiedad se sigue que la media del proceso puede estimarse como la media muestral de la serie observada PR= ine’ 1 N e255 Le (1.3.10) ve siempre y cuando p< oo 1 a1 Pk = 0 (véase Birkhoff, 1931), Asim i a os d “77 usmO, Si se cumple, entre otras condiciones, Ue V4 < 06, se puede utilizar Petonge Obes y ademés se cumpla que lim s N=-k I > i = HL Bie 2), k=0,1,2,... (1.3.11) Escaneado con CamScanner1.3. Procesos estacionarios 19 im como estimador de ¥,,; por consiguiente, como estimador de p, se utilizaria la autocorrelacién muestral, Cu Dea (Z.~ 2)(Zere - 2) kb =.0,1,2¢.33 (1.3.12) Rea = = Co Dea(& - 2)? Aunque en la practica no es posible verificar, con base en los datos mues- trales, si el proceso es ergédico, sf conviene decir que es requisito la esta~ cionariedad (al menos de segundo orden) para que el proceso sea ergédico. Para ilustrar el calculo de la funcién de autocorrelacién muestral, en el cuadro 1.3 se presentan los primeros 12 datos de la serie mensual del indice de precios al consumidor (IPC) que se mostré en la figura 1.2. Cuadro 1.3 indice de precios al consumidor a nivel nacional para el afio 1969. (Base 1978) Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic. 30.21 30.32 30.35 30.43 90.43 30.54 30.60 30.69 30.98 31.30 31.31 31.54, Con los datos de este cuadro es factible calcular, en primera instancia, la media muestral de la serie, 0 sea reogt' 1 12 PC=75 pre = 30.73 con base en la cual se obtiene la varianza muestral 12 =— ) (IPC; — IPC)? = 0.1821 O= 55 x . » y similarmente se pueden calcular las autocovarianzas C1, C2,...; en par- ticular se obtiene 1 1 ae a == TPC, — IPC)(IPCr41 — IPC) = 0.1316 a=5 >» t UP Ci+1 10 Qs 4 J" (PC. — IPC)UPCr+2 — IPC) = 0.0006 t=1 Escaneado con CamScannerx” Capitulo 1- de donde se sigue que y 12 = C2/Co = 0.4972 ry = C4/Co = 0.7225 jenen los demas valores de la funcién de em esentan graficamente COmO se apreie’™ Jas autocorrelaciones muestrales, cal recia en, del periodo completo, que va de etd nero le de la misma manera se obt) frelacién muestral {rx}, qu ja figura 1.8, en donde aparecen con base en las 92 observaciones 1969 a agosto de 1976. ‘Advierta cémo la grafica de las autocorrelaciones muestrales ny ‘© consi. dora valores negativos de k, esto se d i ‘s ; lebe a que la funcién di eerie fe autoc esi nitededor de k = 0 (0 sea que py = pp, al ‘cakes eae entocoverianzs) por tanto, las autocorrelaciones para al ae negatives de ks i Ss : ativos de k son suficientes para conocer el comportamient Nalores no de autocorrelacién en todo su recorrido. 0 de la funcié fe 05