Econometría de las Series

de Tiempo
Sesión 01

M.Sc. Juan Carlos Abanto Orihuela

Agenda

 Proceso Estocástico
 Proceso Estacionario
 Proceso AR
 Proceso MA
 Proceso ARMA
 Técnicas predictivas
 Metodología Box-Jenkins
Proceso Estocástico
Proceso Estocástico
Un proceso estocástico es una colección de variables aleatorias parametrizadas por un conjunto T,
llamado espacio parametral, y con valores en un conjunto S llamado espacio de estados:
Proceso Estacionario
Proceso Estacionario
Se dice que un proceso Yt, es estacionario en sentido estricto si para cualquier periodo de tiempo, el vector
𝑌𝑡1 , 𝑌𝑡2 , … , 𝑌𝑡𝑛 , tiene la misma distribución que el vector 𝑌𝑡1+ℎ, 𝑌𝑡2 +ℎ , … , 𝑌𝑡𝑛 +ℎ , para cualquier valor de h>0.
Se dice que un proceso Yt, es estacionario en sentido débil si los primeros momentos centrales son
independientes del tiempo.

Ruido Blanco Gaussiano

4

-1

-2

-3
0 20 40 60 80 100
Proceso AR(1)
Un proceso Autoregresivo de primer orden tiene la siguiente representación
𝑌𝑡 = 𝑎0 + 𝑎1 𝑌𝑡−1 + 𝑒𝑡
𝑒𝑡 ~𝑖𝑖𝑑𝑁(0, 𝜎𝑒2 )

Pudiendo ser representado a partir de operadores de rezago como:

𝑌𝑡 = 𝑎0 + 𝑎1 𝐿. 𝑌𝑡 + 𝑒𝑡 Proceso AR1
8 AR: a0=0.5, a1=0.4
𝑌𝑡 − 𝑎1 𝐿. 𝑌𝑡 = 𝑎0 + 𝑒𝑡 7 AR: a0=0.5, a1=0.8

6
(1−𝑎1 𝐿)𝑌𝑡 = 𝑎0 + 𝑒𝑡 5
4
𝑎0 𝑒𝑡 3
𝑌𝑡 = + 2
1 − 𝑎1 1 − 𝑎1 𝐿 1
𝑎0 0
𝑌𝑡 = + 1 + 𝑎1 𝐿 + 𝑎12 𝐿2 + 𝑎13 𝐿3 + ⋯ 𝑒𝑡 -1
1 − 𝑎1 -2
𝑎0 0 20 40 60 80 100
𝑌𝑡 = + 𝑒𝑡 + 𝑎1 𝑒𝑡−1 + 𝑎12 𝑒𝑡−2 + 𝑎13 𝑒𝑡−3 + ⋯ .
1 − 𝑎1
 Proceso AR(2)
Un proceso Autoregresivo de primer orden tiene la siguiente representación
𝑌𝑡 = 𝑎0 + 𝑎1 𝑌𝑡−1 + 𝑎2 𝑌𝑡−2 + ⋯ 𝑎𝑝 𝑌𝑡−𝑝 + 𝑒𝑡
𝑒𝑡 ~𝑖𝑖𝑑𝑁(0, 𝜎𝑒2 )

Pudiendo ser representado a partir de operadores de rezago como:

𝑌𝑡 = 𝑎0 + 𝑎1 𝐿. 𝑌𝑡 + 𝑎2 𝐿2 . 𝑌𝑡 + ⋯ + 𝑎𝑝 𝐿𝑝 . 𝑌𝑡 + 𝑒𝑡
𝑌𝑡 − 𝑎1 𝐿. 𝑌𝑡 − 𝑎2 𝐿2 𝑌𝑡 − ⋯ − 𝑎𝑝 𝐿𝑝 𝑌𝑡 = 𝑎0 + 𝑒𝑡
(1−𝑎1 𝐿 − 𝑎2 𝐿2 − … − 𝑎𝑝 𝐿𝑝 )𝑌𝑡 = 𝑎0 + 𝑒𝑡
𝑎0 𝑒𝑡
𝑌𝑡 = +
1 − 𝑎1 − 𝑎2 − ⋯ − 𝑎𝑝 1 − λ1 𝐿 1 − λ2 𝐿 … (1 − λ𝑝 𝐿) 𝜓𝑖 = 𝑐1 𝜆1𝑖 + 𝑐2 𝜆𝑖2 + ⋯ + 𝑐𝑝 𝜆𝑖𝑝
𝑎0
𝑌𝑡 = + 1 + 𝜓1 𝐿 + 𝜓2 𝐿2 + 𝜓3 𝐿3 + ⋯ 𝑒𝑡 𝑝−1
1 − 𝑎1 − 𝑎2 − ⋯ − 𝑎𝑝 𝜆𝑖
𝑐𝑖 =
𝑎0 (𝜆𝑖 −𝜆1 )(𝜆𝑖 −𝜆2 ) … ((𝜆𝑖 −𝜆𝑝 ))
𝑌𝑡 = + 𝑒𝑡 + 𝜓1 𝑒𝑡−1 + 𝜓2 𝑒𝑡−2 + 𝜓3 𝑒𝑡−3 + ⋯ .
1 − 𝑎1 − 𝑎2 − ⋯ − 𝑎𝑝
 Proceso MA(1)
Un proceso de Media Movil de primer orden tiene la siguiente representación
𝑌𝑡 = 𝑎0 + 𝑒𝑡 + 𝜃1 𝑒𝑡−1
𝑒𝑡 ~𝑖𝑖𝑑𝑁(0, 𝜎𝑒2 )

Todo proceso MA es estacionario, sin embargo, no todos son invertibles:

𝑌𝑡 = 𝑎0 + 𝑒𝑡 + 𝜃1 𝐿. 𝑒𝑡 Proceso MA1
4 MA: a0=0.5, θ1=0.4
MA: a0=0.5, θ1=0.8
𝑌𝑡 = 𝑎0 + (1 + 𝜃1 𝐿)𝑒𝑡 3

2
1
(𝑌𝑡 −𝑎0 ) =𝑒
(1+𝜃1 𝐿) 𝑡 1

0
𝑎0
𝑌𝑡 − 𝜃1 𝑌𝑡−1 + 𝜃12 𝑌𝑡−2 − 𝜃13 𝑌𝑡−3 + ⋯ = -1
1 + 𝜃1 -2

-3
0 20 40 60 80 100
Proceso ARMA(1,1)
Un proceso Autoregresivo y de Media Móvil de primer orden y tiene la siguiente representación
𝑌𝑡 = 𝑎0 + 𝑎1 𝑌𝑡−1 + 𝑒𝑡 + 𝜃1 𝑒𝑡−1
𝑒𝑡 ~𝑖𝑖𝑑𝑁(0, 𝜎𝑒2 )
Todo proceso MA es estacionario, sin embargo, no todos son invertibles:

𝑌𝑡 = 𝑎0 + 𝑎1 𝑌𝑡−1 + 𝑒𝑡 + 𝜃1 𝐿. 𝑒𝑡 Proceso ARMA(1,1)

14 ARMA: a0=0.5, a1=0.4, θ1=0.4
𝑌𝑡 = 𝑎0 + 𝑎1 𝐿. 𝑌𝑡 + (1 + 𝜃1 𝐿)𝑒𝑡 12
ARMA: a0=0.5, a1=0.8, θ1=0.6

10
𝑎0 1 + 𝜃1 𝐿
𝑌𝑡 = + 𝑒 8

1 − 𝑎1 1 − 𝑎1 𝐿 𝑡 6

𝑎0 4
𝑌𝑡 = + 1 + 𝜓1 𝐿 + 𝜓2 𝐿2 + 𝜓3 𝐿3 + ⋯ 𝑒𝑡 2
1 + 𝑎1 0

𝑎0 -2
𝑌𝑡 = + 𝑒𝑡 + 𝜓1 𝑒𝑡−1 + 𝜓2 𝑒𝑡−2 + 𝜓3 𝑒𝑡−3 + ⋯ . -4 0
1 + 𝑎1 20 40 60 80 100
Representación de Wold

Todo proceso autoregresivo estacionario puede tener una representación MA

Predicción
Predicción
Predicción
Predicción
Predicción
Predicción
Metodología Box - Jenkins
Metodología Box - Jenkins
Metodología Box - Jenkins
Bibliografía

 Greene, W. (2002) Econometric Analysis. 5ta Ed.

 Tsay, R (2005) Analysis of Financial Time Series. 2da Ed.
 Enders, W (2004) Applied Econometric Time Series. Iowa State University
 Hamilton, J (1994) Time Series Analysis. Princeton University, New Jersey