RESUMEN DEL CAPITULO 21 Y 22

Series de Tiempo
En el capítulo 21 se retoma el capítulo 1 del libro, el cuál nos menciona que las series de tiempo son importantes
pues, debido a estas tenemos a detalle la información que se recolecta, se plantea en primera estancia que las
series de tiempo deben de tener lo siguiente:

1. Ser estacionaria
2. Tener autocorrelación
3. Tener una R2 elevada (superior a .9)
4. Observar si tiene el fenómeno de caminata aleatoria
5. Saber si el pronóstico es válido cuando las series de tiempo que se están estudiando no son estacionarias
6. Efectuar las pruebas de Granger y Sims para suponer si son estacionarias o no (estas deben realizarse
antes de las pruebas causalidad)

¿Qué es un proceso estocástico? También conocido como proceso aleatorio, es una colección de variables
aleatorias ordenadas en el tiempo, por ejemplo; si Y se denomina como una variable aleatoria y es continua se
denota como Y(t), pero si es discreta se denomina como Y t . La distinción entre el proceso estocástico y su
realización es semejante a la diferencia entre población y muestra en datos de corte transversal.

Se dice que un proceso estocástico es estacionario si su media y su varianza son constantes en el tiempo y si el
valor de la covarianza entre dos periodos depende sólo de la distancia o rezago entre estos dos periodos, y no del
tiempo en el cual se calculó la covarianza. Un proceso estocástico como este se conoce como proceso estocástico
débilmente estacionario, estacionario covariante, estacionario de segundo orden o proceso estocástico en amplio
sentido. Su fórmula es:

donde γk, la covarianza (o autocovarianza) Media: E(Yt) μ

Varianza:
en el rezago k, es la covarianza entre los var (Yt) E(Yt - μ)2 σ 2
Covarianza
valores de Yt y Yt+k, es decir, entre dos γk E[(Yt - μ)(Yt+k - μ)]
:
valores Y separados k periodos.

Se debe mencionar un tipo especial de proceso estocástico: el proceso puramente aleatorio o de ruido blanco. Se
dice que un proceso es puramente aleatorio si tiene una media igual a cero, una varianza constante σ 2 y no está
serialmente correlacionado, es decir, ut está independiente e idénticamente distribuido como una distribución
normal con media cero y varianza constante. Este proceso se conoce como proceso gaussiano de ruido blanco.

A menudo se topa uno con series de tiempo no estacionarias, cuyo ejemplo clásico es el modelo de caminata
aleatoria (MCA). A menudo decimos que los precios de valores, como las acciones o las tasas de cambio siguen una
caminata aleatoria, por lo que podemos concluir que son no estacionarios. Dentro de estos encontramos dos tipos
de caminatas aleatorias: 1) caminata aleatoria sin deriva o sin desvío (es decir, no hay término constante o de
intercepto) y 2) caminata aleatoria con deriva o con desvío (es decir, hay un término constante). En lo que resta del
capítulo tenemos los distintos tipos de series de tiempo de acuerdo a ciertas restricciones o situaciones:

 Caminata aleatoria sin deriva

 Caminata aleatoria con deriva
 Proceso estocástico de raíz unitaria
 Procesos estocásticos estacionarios en tendencia y estacionarios en diferencias.
  Caminata aleatoria pura
 Caminata aleatoria con deriva
 Procesos estocásticos integrados
 El fenómeno de regresión espuria

También se nos da lo que son las pruebas para saber si es estacionario o no (vistas anteriormente en clase):

Análisis gráfico

Antes de efectuar una prueba formal, siempre es aconsejable graficar la serie de tiempo en estudio. Estas gráficas
proporcionan una pista inicial respecto de la posible naturaleza de las series de tiempo.

Función de autocorrelación (FAC)

Una prueba sencilla de estacionariedad se basa en la denominada función de auto correlación (FAC). La FAC en el
rezago k, denotada por ρk, se define como
covarianza en el rezago k
ρ =
varianza
, donde la covarianza en el rezago k y la varianza son como se definieron anteriormente

Elección de la longitud del rezago

Una regla práctica es calcular la FAC hasta un tercio o una cuarta parte de la longitud de la serie de tiempo. El
mejor consejo práctico es comenzar con rezagos lo bastante grandes y luego reducirlos mediante un criterio
estadístico, como el criterio de información Akaike o de Schwarz. Ahora tenemos que hacer la famosa prueba de la
raíz unitaria, el punto de partida es el proceso (estocástico) de raíz unitaria

Se inicia con Yt = ρYt−1 + ut −1 ≤ ρ ≤ 1. Sabemos que si ρ=1, es decir, en el caso de la raíz unitaria, se convierte en
un modelo de caminata aleatoria sin deriva, del cual sabemos también que es un proceso estocástico no
estacionario. Sin embargo, no podemos estimar la ecuación por MCO y probar la hipótesis de que ρ = 1 por medio
de la prueba t acostumbrada, porque esa prueba tiene un sesgo muy marcado en el caso de una raíz unitaria. Por
tanto, manipulamos de la siguiente forma: restamos Yt−1 de ambos miembros de la ecuación para obtener: Yt =
δYt−1 + ut. Si δ =0, entonces ρ =1; es decir, tenemos una raíz unitaria, lo cual significa que la serie de tiempo en
consideración es no estacionaria.

La prueba Dickey-Fuller aumentada (DFA)

Si se supone que el término de error está correlacionado, estamos frente a una prueba Dickey-Fuller aumentada.
Esta prueba implica “aumentar” las tres ecuaciones anteriores mediante la adición de los valores rezagados de la
variable dependiente OYt.

Utilizamos:
donde OYt−1 = (Yt−1−Yt−2), OYt−2 (Yt−2Yt−3),
Yt = β1 +
etc. El número de términos de diferencia
β2t +
rezagados que debemos incluir con
frecuencia se determina de manera empírica. δYt−1 + i
=1 αi Yt−i
+ εt
Las pruebas de raíz unitaria Philips-Perron
Un supuesto importante de la prueba DF es que los términos de error ut están idéntica e independientemente
distribuidos. La prueba DFA ajusta la prueba DF a fin de tener cuidado de una posible correlación serial en los
términos de error al agregar los términos de diferencia rezagados de la regresada. Phillips y Perron utilizan
métodos estadísticos no paramétricos para evitar la correlación serial en los términos de error, sin añadir términos
de diferencia rezagados.

Prueba de cambios estructurales

Los ciclos económicos están marcados por periodos de recesiones y de expansiones. Es muy probable que un ciclo
económico sea distinto de otro, lo que puede reflejar rupturas estructurales o cambios estructurales en la
economía. Perron sostiene que las pruebas estándar de la hipótesis de raíz unitaria pueden no ser confiables en
presencia de cambios estructurales

Tamaño de la prueba

La prueba DF es sensible a la forma en que se lleva a cabo. Recuerde que analizamos tres variedades de pruebas
DF: 1) una caminata puramente aleatoria, 2) una caminata aleatoria con deriva y 3) una caminata aleatoria con
deriva y tendencia. Si, por ejemplo, el verdadero modelo es 1) pero se estima un modelo 2) y se concluye que, por
ejemplo, con un nivel de significancia de 5% la serie es estacionaria, esta conclusión puede ser errónea porque el
verdadero nivel de significancia en este caso es mucho mayor que 5%. El tamaño de la distorsión también puede
deberse a la exclusión de componentes de promedios móviles

Potencia de la prueba

La mayoría de las pruebas del tipo DF tienen poco poder; es decir, tienden a aceptar la nulidad de la raíz unitaria
con más frecuencia de la garantizada. En otras palabras, estas pruebas pueden encontrar una raíz unitaria, aunque
no exista

EN EL CAPITULO 22 Para el pronóstico en el campo de la econometría se mencionan los métodos Box-Jenkins y

VAR (Vector AutoRegressive), así como una mención de los modelos ARCH (Autoregressive Conditional
Heteroskedasticity) y GARCH (Generalized Autoregressive Conditional Heteroskedasticity) utilizados en el análisis
de series financieras.

Método Box-Jenkins

1. Comienza verificando si la serie es estacionaria utilizando funciones de autocorrelación.

2. Si no es estacionaria, se aplica la diferenciación para lograr la estacionariedad.
3. Luego, se calculan las funciones de autocorrelación y autocorrelación parcial para determinar si el proceso
es AutoRegressive (AR), Moving Average (MA), o una combinación de ambos (ARMA).
4. Se estima un modelo tentativo ARMA(p, q).
5. Se analizan los residuos para verificar si se comportan como ruido blanco. Si no, el proceso se reinicia.
6. El método se itera hasta obtener un modelo final para el pronóstico.

Enfoque VAR

1. Considera simultáneamente múltiples series de tiempo, tratando todas las variables como endógenas.
2. Expresa el valor de una variable como una función lineal de sus valores pasados y de todas las demás
variables en el modelo.
3. Estima el sistema VAR mediante Mínimos Cuadrados Ordinarios (MCO) si cada ecuación tiene el mismo
número de variables rezagadas, aunque esto puede consumir grados de libertad limitados.
 4. La complejidad de introducir múltiples rezagos puede dificultar la interpretación de los coeficientes, por lo
que se recurre a la función de impulso-respuesta para entender la respuesta a los choques.
5. Existe controversia sobre cuál método de pronóstico es superior, y se reconoce que no existe un método
universalmente adecuado. Tanto Box-Jenkins como VAR son parte integral de la econometría.

Modelos ARCH y GARCH en el análisis de series financieras:

1. Estos modelos son útiles en el análisis de series financieras, como precios de acciones, tasas de inflación y
tasas de cambio.
2. Destacan por considerar la correlación temporal en la varianza del error, atribuida a la acumulación de la
volatilidad.
3. Se menciona que un valor significativo de la estadística d de Durbin-Watson podría relacionarse con un
efecto ARCH o GARCH en muchos casos.
4. Se mencionan variantes como GARCH-M, TGARCH y EGARCH, pero no se abordan debido a limitaciones de
espacio en el capítulo.

En resumen se presenta dos enfoques clave para el pronóstico económico, el método Box-Jenkins y el enfoque
VAR, así como una breve mención de los modelos ARCH y GARCH utilizados en el análisis financiero. Estos métodos
son fundamentales en la econometría y contribuyen al análisis y pronóstico en diversas áreas económicas.