Econometría de las Series

de Tiempo
Sesión 02

M.Sc. Juan Carlos Abanto Orihuela

Agenda

 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.

 La no estacionariedad conduce también a que la distribución asintótica de los estimadores MCO

no sea normal, por lo que los procedimientos de inferencia estadística, como las pruebas t y F,
dejan de tener validez y pueden generar resultados engañosos.

 Uno de los peligros que se corre al modelar series no estacionarias es la obtención de

regresiones espurias (Granger y Newbold 1974). Los resultados engañosos de los distintos
estadísticos conducen a aceptar una relación que no existe entre variables no estacionarias.
 Justificación
 Existen diferentes vías para modelizar series no estacionarias. Si la no estacionariedad es
únicamente en la media (tendencia determinista), se debe añadir una variable de tendencia al
modelo. Si las series presentan no estacionariedad en la varianza (tendencias estocásticas), se
debe probar primero la presencia de una relación de cointegración entre las variables; si no hay
evidencias de una relación de cointegración, entonces se diferencian las series hasta obtener
series estacionarias.

 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

 Por ejemplo si y t se modela como un (2, 1, 1)x(1, 1, 2) 4 SARIMA:

Modelos con Quiebre
Modelos con Quiebres
 En los últimos años se ha desarrollado una abundante literatura sobre la contrastación de raíces
unitarias en presencia de cambios estructurales. La intuición detrás de este enfoque es que la
ocurrencia de eventos atípicos podría dar lugar a aceptar erróneamente la hipótesis de RU bajo
los tests estándar debido a la baja potencia de ´estos en condiciones de incorrecta especificación
de la hipótesis alternativa.
 La incorporación de cambios estructurales en la modelización de las series se ha realizado en la
literatura bajo diferentes enfoques, que en lo fundamental difieren en la endogeneidad o´ no del
momento del cambio y en el número de cambios permitidos.
 Se destacan los siguientes enfoques:
 Determinación a priori del momento (u´nico) del cambio estructural (Perron 1989).
 Determinación endógena del mismo (Zivot y Andrews 1992).
 Determinación endógena de dos quiebres en la serie (Lumsdaine y Papell 1997)
 Determinación endógena de múltiples quiebres (Bai y Perron 1998)
Modelos con Quiebre
Modelos con Quiebres
 Perron (1989) afirma que la mayor parte de las series macroeconómicas no están caracterizadas por un
proceso que contiene una raíz unitaria y que las fluctuaciones son en realidad transitorias.
 Postula que solo dos eventos han tenido efectos permanentes sobre las series macroeconómicas analizadas, y
estos fueron la depresión de 1929 y la crisis del petróleo de 1973.
 Para llegar a esta conclusión Perron plantea que estos dos eventos no fueron una realización del proceso
generador de los datos (PGD) subyacente a cada serie, sino que por el contrario, constituyeron eventos
exógenos a los mismos.
 La hipótesis nula es que una serie dada, es la realización de un proceso caracterizado por la presencia de una
raíz unitaria y posiblemente por una tendencia distinta de cero; pero a su vez se permite un cambio único en
la estructura ocurrido en el momento TB (1 < TB < T ).
 Este cambio estructural o “quiebre” puede afectar al nivel de la serie, a la tasa de crecimiento, o a ambos. El
modelo parametrizado por Perron es:
Modelos con Quiebre
Modelos con Quiebres
 Donde D(T B ) t = 1 si t = T B + 1 y 0 en otro caso.
 Además DU t = 1 si t > T B y 0 en otro caso. La hipótesis alternativa en Perron es:
 La hipótesis alternativa en Perron es:

 Donde DT t∗ = t − T B y DT t = t si t > T B y 0 en otro caso.

 El Modelo (A) analiza la hipótesis de un cambio en el nivel de la serie, el (B) la hipótesis de cambio
en la tasa de crecimiento, y el (C) permite la ocurrencia de los dos efectos. Los test de raíz unitaria
para cada uno de los modelos se realizaron con las siguientes regresiones de Dickey y Fuller
aumentadas:
Modelos con Quiebre
Modelos con Quiebres

 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

Modelos con Outliers

 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

 Modelos autorregresivos fraccionalmente integrados de medias móviles:

 Las series de tiempo ARFIMA o FARIMA Autorregresivos de medias móviles fraccionario integrado
fueron diseñadas para modelar series de tiempo con larga memoria.
 Estos procesos fueron introducidos por Granger & Joyeaux (1980) y Hoskings (1981).
 El interés por los modelos con memoria larga para la modelización de series económicas surge a
partir de los trabajos de Granger (1980) y Granger y Joyeux (1980).
 Estos últimos advierten que la práctica habitual de diferenciar una serie hasta conseguir
estacionariedad, puede tener consecuencias negativas en la correcta modelización de algunas
series.
Modelos ARFIMA
Modelos ARFIMA

 Modelos autorregresivos fraccionalmente integrados de medias móviles

 Por ejemplo, muchas series económicas aparentemente no estacionarias con espectro no acotado
en el origen suelen diferenciarse para conseguir varianza finita. Sin embargo, la serie diferenciada
se convierte a menudo en una serie con espectro nulo en cero, indicando que se ha eliminado de
la serie original la componente de las bajas frecuencias, frecuencias que son muy importantes en
las predicciones a largo plazo.
 Puede pensarse entonces que para modelizar este tipo de series, la diferenciación es excesiva
(llamándose a este fenómeno sobre diferenciación) pero la no diferenciación (no estacionariedad)
tampoco es adecuada.
 Para cubrir este vacío entre los casos extremos de los modelos con raíces unitarias, típicamente
utilizados para series no estacionarias, y modelos estacionarios que imponen un decrecimiento
exponencial de las autocorrelaciones, y por lo tanto un espectro acotado en la frecuencia cero, se
propone una clase de procesos intermedios en los que el orden de integración sea fraccionario.
Modelos ARFIMA
Modelos ARFIMA

 Modelos autorregresivos fraccionalmente integrados de medias móviles

 Los procesos de memoria larga son procesos estacionarios cuya función de autocorrelación decae
mas lentamente que los procesos de memoria corta. Los ARFIMA proveen una parametrización
parsimoniosa de los procesos de memoria larga que anidan los autorregresivos de media móvil
(ARMA), ampliamente usados en procesos de memoria corta.
 Al permitir grados de integración fraccionarias, los modelos ARFIMA son una generalización de los
ARIMA con grados de integración enteros.
 Los ARFIMA proporcionan una solución para la sobre diferenciación de las series estacionarias que
exhiben una dependencia de largo plazo. En el enfoque ARIMA una serie no estacionaria es
diferenciada d veces hasta que la serie diferenciada es estacionaria. Siendo d un número entero.
Estas series son integradas de orden d (I(d)), y sin diferenciación (I(0)) señalan a las series
estacionarias. Ahora bien, muchas series presentan dependencia como para ser I(0), pero tampoco
son I(1), y los modelos ARFIMA son diseñados para tratar ´este tipo de series.
Modelos ARFIMA
Modelos ARFIMA

 Modelos autorregresivos fraccionalmente integrados de medias móviles:

 Los modelos ARFIMA permiten trabajar con diferencias fraccionarias continuas (−0,5 < d < 0,5),
siendo la generalización útil para tratar series que no son I(0) ni I(1), permitiendo trabajar con
efectos de largo plazo que desaparecen en horizontes largos.

 donde:
Modelos ARFIMA
Modelos ARFIMA

 La función Γ(.):
Modelos Autoregresivos
Modelos ARFIMA

 Modelos autorregresivos fraccionalmente integrados de medias móviles:

 Donde Γ() es la función gamma y x t es el vector que contiene las variables exógenas especificadas
como variables independientes
 Cuando 0 < d < 0,5 el proceso tiene una memoria larga y la función de auto covarianza γ converge a
0 a una tasa hiperbólica, tal que El proceso es estacionario y posee una
representación MA(∞).
 Cuando −0,5 < d < 0 el proceso no tiene una memoria larga y la función de auto covarianza γ h
converge a 0 a una tasa hiperbólica, tal que El proceso es invertible y
posee una representación AR(∞). Pese a que el proceso no tiene una memoria larga, no tiene el
mismo comportamiento que los procesos ARMA. El proceso puede ser llamado anti - persistente
(que corresponde a alternancias altas y bajas del proceso).
Modelos ARFIMA
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

 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