Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sesión 2
Sesión 2
de Tiempo
Sesión 02
Justificación
Proceso No Estacionario
Random Walk
Test de raíz unitaria
Modelos SARIMA
Modelos con Quiebre
Modelos ARFIMA
Justificación
La no estacionariedad afecta las propiedades de los estimadores Mínimos Cuadrados Ordinarios
(MCO) y los procedimientos convencionales de inferencia estadística. El problema esta en que la
combinación lineal de series no estacionarias es generalmente no estacionaria; la excepción es
lo que se denomina cointegración: Engle y Granger (1987), por lo que los errores de una
regresión de variables no estacionarias serán no estacionarios si estas no están cointegradas. Al
dejar de ser los errores un ruido blanco, no se cumplirán entonces los supuestos que garantizan
las propiedades de los estimadores MCO.
Desde el punto de vista económico la estacionariedad tiene interpretaciones que pueden resultar
útiles para el análisis económico y la formulación de políticas. Los procesos estacionarios y
estacionarios sobre una tendencia se dice que tienen memoria limitada; ante cualquier
perturbación, la serie tiende a volver a su media, los shocks sobre estas series tienen un efecto
transitorio. Los procesos con varianza no estacionaria (tendencia estocástica) tienen una fuerte
dependencia de los valores pasados, se dice que tienen memoria ilimitada, por lo que los shocks
tendrán sobre ellas efectos permanentes.
Proceso Estacionario
Random Walk
Random Walk
Random Walk
Test Dickey - Fuller
Test Dickey - Fuller
Test Dickey - Fuller
Si el error tiene autocorrelación
Test Dickey - Fuller
Test ADF (1981)
Test ADF (1981)
Test Phillips – Perron (1988)
Test Phillips – Perron (1988)
Test Elliot – Rothenberg y Stock (1996)
Test Elliot – Rothenberg y Stock (1996)
Test Elliot – Rothenberg y Stock – Punto Óptimo (1996)
Test Ng – Perron (2001)
Test Ng – Perron (2001)
Test Ng – Perron (2001)
Test Kwiatkowski, Phillips, Schmidt and Shin (1992)
Modelos SARIMA
Modelos SARIMA
Muchas series de tiempo exhiben un componente periódico estacional, por lo que un modelo
ARIMA estacional podría ser utilizado.
Un SARIMA (p, d, q)x(P, D, Q)s es planteado de la siguiente manera:
Modelos SARIMA
Modelos SARIMA
Con este procedimiento, Perron concluye que no se puede rechazar la hipótesis de estacionariedad
alrededor de una tendencia para la mayoría de las series analizadas.
Modelos con Quiebre
Modelos con Quiebres
Zivot y Andrews (1992) cuestionan el procedimiento seguido por Perron en lo relativo a la exogeneidad de los
eventos seleccionados como quiebres, y muestran que dicho tratamiento sesga los resultados hacia el
rechazo de la hipótesis de raíz unitaria. Los autores diseñan un procedimiento para seleccionar
endógenamente el momento del quiebre, y logran recuperar la hipótesis de raíz unitaria para varias de las
series Perron-estacionarias.
La endogeinización del momento del quiebre implica que el mismo depende de los datos, lo que requiere
modificar la hipótesis nula.
La H0, a diferencia de Perron, es común a las tres alternativas y corresponde a un proceso de raíz unitaria, con
tendencia posiblemente diferente de 0, que excluye la posibilidad de cualquier cambio estructural:
Esta formulación de la hipótesis nula hace que la variable de Perron D(TB )t no sea necesaria en la formulación
de las Ha, por lo que siguiendo la metodología de los tests DFA, las hipótesis alternativas de los modelos A, B y
C de Perron se convierten en:
Modelos con Quiebre
Modelos con Quiebres
Donde λ es un valor entre 0 y 1 que indica el momento en que el quiebre ocurre (λ = TB/T ) y, a diferencia de
Perron, es una magnitud estimada.
El algoritmo empleado para determinar λ consiste en seleccionar aquel λ que minimice el estadístico t
correspondiente a la hipótesis αi = 1 con i = A, B, C.
Zivot y Andrews muestran que los valores críticos de la distribución asintótica del inf [tαˆ(λ)] son al menos tan
grandes (en valor absoluto) como los computados para un λ fijo (Perron 1989), lo que hace que sea más
probable rechazar la hipótesis de raíz unitaria bajo la modelización de un quiebre exógeno que bajo un
quiebre endógeno.
Modelos con Quiebre
La propuesta de testeo de presencia de raíz unitaria ante la presencia de quiebres u outliers, fue
desarrollado por Perron (1989), Vogelsan y Perron (1998) y otros autores.
Modelos con Quiebre
Variables de Quiebre
Definimos las variables que caracterizaran los quiebres, denotando con 1(.) a la función que toma
el valor de uno si el argumento es (.) y cero de otra forma. Con ello definimos las siguientes
variables especificando la fecha de quiebre en Tb :
Modelos con Quiebre
Variables de Quiebre
Modelos con Quiebre
Modelos con Outliers
Perron(1989) considera cuatro modelos básicos para los datos con un quiebre en un periodo. Para
los datos sin tendencia, se tiene el modelo con (0) o un cambio temporal en nivel; para datos con
tendencia, se tienen los modelos (A) para un cambio en nivel, (B) para un cambio en nivel y
tendencia, y (C) para un cambio en tendencia.
Se considera también dos versiones de los cuatro modelos, los cuales difieren en el tratamiento de
la dinámica del quiebre:
El outlier innovativo (IO) asume que el quiebre ocurre gradualmente, con quiebres que siguen la
misma dinámica
El outlier aditivo (A0) asume que los quiebres ocurren inmediatamente
Los test asumen como hipótesis nula, que la data sigue un proceso con raíz unitaria con quiebre; y
la alternativa, que la serie es estacionaria con quiebres.
Con este marco básico, hay una variedad de especificaciones para la nula y la alternativa,
dependiendo de los supuestos que uno desea hacer sobre la dinámica de los quiebres,
comportamiento en tendencia o si el quiebre es conocido o determinado endógenamente.
Modelos con Quiebre
Ejemplo
Modelos ARFIMA
Modelos ARFIMA
donde:
Modelos ARFIMA
Modelos ARFIMA
La función Γ(.):
Modelos Autoregresivos
Modelos ARFIMA
Los procesos ARFIMA producen memoria larga si 0 < d < 0,5, en el sentido de que para ese rango
de valores se verifican las definiciones antes mencionadas.
Además estos modelos proporcionan una gran flexibilidad en la interpretación de la persistencia,
entendida está como el efecto que tiene un cambio unitario en la perturbación del modelo sobre
las predicciones del nivel futuro de la serie.
Si −0,5 > d > 0,5 entonces la varianza de la serie es infinita y no es estacionaria.
Mientras en los procesos integrados d = 1, el efecto de un shock persiste indefinidamente, en un
proceso fraccionalmente integrado con 0 < d < 1, el efecto de un shock acaba desapareciendo y la
serie revierte finalmente a su media, incluso en el intervalo 0,5 ≤ d < 1, donde el proceso no va a
ser estacionario.
Se podría decir que un proceso ARFIMA no estacionario es menos no estacionario que los procesos
con raíces unitarias.
Bibliografía