Traducido del inglés al español - www.onlinedoctranslator.

com

Capítulo 1

Introducción

Una serie de tiempo es una colección de observaciones realizadas secuencialmente a lo largo del tiempo. Se
encuentran ejemplos en una variedad de campos, que van desde la economía hasta la ingeniería, y los
métodos de análisis de series temporales constituyen un área importante de la estadística.

1.1 Algunas series temporales representativas

Comenzamos con algunos ejemplos del tipo de series temporales que surgen en la práctica.

Series temporales económicas y financieras

Muchas series temporales se registran habitualmente en economía y finanzas. Los ejemplos

incluyen los precios de las acciones en días sucesivos, los totales de exportaciones en meses
sucesivos, los ingresos promedio en meses sucesivos, las ganancias de las empresas en años
sucesivos, etc.
La serie clásica de índices de precios del trigo de Beveridge consiste en el precio
promedio del trigo en casi 50 lugares en varios países medido en años sucesivos desde
1500 hasta 1869 (Beveridge, 1921). Esta serie es de particular interés para los
historiadores de la economía y está disponible en muchos lugares (por ejemplo, en el
serie t paquete deR).Figura 1.1muestra esta serie y se puede observar algún aparente
comportamiento cíclico. La tendencia de la serie se estudiará en la Sección 2.5.2.
Para trazar los datos usando elRpaquete estadístico, puede cargar los datosbev en el
serie tempaquete y trace la serie de tiempo (las > siguientes son indicaciones):

> biblioteca(serie) # cargar la biblioteca

> datos(bev) # cargar el conjunto de datos
> plot(bev, xlab="Año", ylab="Índice de precios del trigo", xaxt="n")
> x.pos<-c(1500, 1560, 1620, 1680, 1740, 1800, 1869)
# definir etiquetas del eje x
> eje(1, pos.x, pos.x)

Como ejemplo de series de tiempo financieras,Figura 1.2muestra los rendimientos diarios

(o cambio porcentual) de los precios de cierre ajustados del índice Standard & Poor's 500
(S&P500) desde el 4 de enero de 1995 hasta el 30 de diciembre de 2016. Los datos mostrados
enFigura 1.2son típicos de los datos de devolución. La media de la serie de rendimientos parece
estable con un rendimiento promedio de aproximadamente cero, pero la volatilidad de los
datos cambia con el tiempo. Esta serie será analizada enCapítulo 12.

1
2 INTRODUCCIÓN

300
Índice de precios del trigo

200
100
0

1500 1560 1620 1680 1740 1800 1869

Año

Figura 1.1Serie del índice anual de precios del trigo de Beveridge desde 1500 hasta 1869.
10
5
Regreso diario

0
−5

4/1/1995 7/5/2001 19/09/2007 28/01/2014

Día

Figura 1.2Rendimientos diarios de los precios de cierre ajustados del índice S&P500 desde el 4 de
enero de 1995 hasta el 30 de diciembre de 2016.
ALGUNAS SERIES TIEMPO REPRESENTATIVAS 3
ReproducirFigura 1.2enR,supongamos que guarda los datos como sp500 ret
1995-2016.csven el directoriomis datos.Luego puede usar el siguiente comando
para leer los datos y trazar la serie de tiempo.

> sp500<-read.csv("misdatos/sp500_ret_1995-2016.csv")
> n<-nrow(sp500)
> x.pos<-c(seq(1,n,800),n)
> plot(sp500$Retorno, tipo="l", xlab="Día",
ylab="Regreso diario", xaxt="n")
> eje(1, x.pos, sp500$Fecha[x.pos])

Serie de tiempo física

Muchos tipos de series temporales ocurren en las ciencias físicas, particularmente
en meteorología, ciencias marinas y geofísica. Algunos ejemplos son las
precipitaciones en días sucesivos y la temperatura del aire medida en horas, días o
meses sucesivos.Figura 1.3muestra la temperatura promedio del aire en Anchorage,
Alaska, Estados Unidos, en meses sucesivos durante un período de 16 años. La serie
se puede descargar de los Centros Nacionales de Información Ambiental de EE. UU.
(https://www.ncdc.noaa.gov/cag/). En la serie se pueden ver claramente las
fluctuaciones estacionales.

Algunos registradores mecánicos toman medidas continuamente y producen un

trazo continuo en lugar de observaciones en intervalos de tiempo discretos. Por ejemplo,
en algunos laboratorios es importante mantener la temperatura y la humedad lo más
constantes posible y por eso se instalan dispositivos para medir estas variables de forma
continua. Se pueden tomar medidas cuando el rastreo se sale de los límites
preespecificados. El examen visual de la traza puede ser adecuado para muchos
propósitos, pero, para un análisis más detallado, se acostumbra convertir la traza
continua en una serie en tiempo discreto tomando muestras de la traza en intervalos de
tiempo iguales apropiados. El análisis resultante es más sencillo y puede manejarse
fácilmente mediante un software estándar de series de tiempo.

Serie temporal de marketing

El análisis de series temporales que surgen en marketing es un problema importante en

el comercio. Las variables observadas podrían incluir cifras de ventas en semanas o
meses sucesivos, ingresos monetarios, costos de publicidad, etc. Como ejemplo,Figura
1.4muestra las ventas internas de vino fortificado australiano por parte de los enólogos
en trimestres sucesivos durante un período de 30 años, que están disponibles en la
Oficina de Estadísticas de Australia (http://www.abs.gov.au/AUSSTATS/). Esta serie se
analizará en las Secciones 4.8 y 4.9. Tenga en cuenta la tendencia y la variación estacional
que es típica de los datos de ventas. A menudo es importante pronosticar las ventas
futuras para planificar la producción. También puede resultar interesante examinar la
relación entre las ventas y otras series temporales, como el gasto en publicidad.
4 INTRODUCCIÓN

10
0
Temperatura media

− 10
− 20

01/2001 01/2005 01/2009 01/2013 12/2016

Mes

Figura 1.3Temperatura media mensual del aire (grados C) en Anchorage, Alaska,

Estados Unidos, en meses sucesivos de 2001 a 2016.
10000
Ventas en miles de litros.

8000
6000
4000

marzo-1985 marzo-1990 marzo-1995 Marzo-2000 Marzo-2005 marzo-2010 Junio-2014

Mes

Figura 1.4Ventas nacionales (unidad: miles de litros) de vino fortificado australiano por parte de
enólogos en trimestres sucesivos desde marzo de 1985 hasta junio de 2014.
ALGUNAS REPRESENTAN SER HORA TATIVA IES 5

3.0e+08
Población
2.4e+08
1.8e+08

1960 1967 1974 1981 1988 1995 2002 2009 2015

Año
24
22
20
Tasas de natalidad
18
14
12 dieciséis

1960 1967 1974 1981 1988 1995 2002 2009 2015

Año

Figura 1.5Población ación y tasa de natalidad ( por 1.000 personas) para los Estados Unidos
total de 1965 a 2015.

Tiempo demográfico se ries

Varias series temporales En el estudio de Canadácambio de población. Los ejemplos incluyen
de la población total de se midió la población la inflación total anual y mensual y la tasa
Inglaterra.Figura 1.5s total de los estados bruta de natalidad (por 1.000
personas) para la Reservadesde 1965 hasta 2015. Los datos están disponibles
Federal Unida de EE. UU. Bank of St. Louis para en (https://fred.stlouisfed.org/).
Los demógrafos quieren predecir cambios en , y población de hasta 10 o 20 años, la
años en la futura cuentan con la ayuda de estructura que cambia lentamente de un
población humana. Sseries de tiempo estándar mmétodo se puede aplicar para estudiar esto
problema.
ReproducirHigo ura 1.5enR,puedes obtener use el siguiente comando para leer
los datos y trazar th series de tiempo.

> pop<-read.csv(" misdatos/US_pop_bir thrate.csv", encabezado=T)

> x.pos<-c(seq(1, 56, 7), 56)
> x.etiqueta<-c(seq( 1960, 2009, por=7) , 2015)

> par(mfrow=c(2,1 ) , marca=c(3,4,3,4) )

> trama(pop[,2], t ype="l", xlab="", ylab="", xaxt="n")
> puntos(pop[,2])
> eje(1, x.pos, etiqueta x, eje.cex =1.2)
> título(xlab="Sí r", ylab="Población ion", línea=2, cex.lab=1.2)
6 INTRODUCCIÓN

Valor objetivo
Variable de proceso

Tiempo

Figura 1.6Un cuadro de control de procesos.

> trama(pop[,3], tipo="l", xlab="", ylab="", xaxt="n")

> puntos(pop[,3])
> eje(1, x.pos, x.label, cex.eje=1.2)
> título(xlab="Año", ylab="Tasas de natalidad", línea=2, cex.lab=1.2)

Datos de control de procesos

En el control de procesos, un problema es detectar cambios en el desempeño de un

proceso de fabricación midiendo una variable, que muestra la calidad del proceso. Estas
medidas se pueden trazar contra el tiempo como enFigura 1.6. Cuando las mediciones se
desvían demasiado de algún valor objetivo, se deben tomar medidas correctivas
adecuadas para controlar el proceso. Se han desarrollado técnicas especiales para este
tipo de problemas de series temporales y se remite al lector a un libro sobre control de
calidad estadístico (por ejemplo, Montgomery, 1996).

Procesos binarios
Un tipo especial de serie temporal surge cuando las observaciones pueden tomar uno de sólo
dos valores, normalmente denotados por 0 y 1 (verFigura 1.7). Por ejemplo, en informática, la
posición de un interruptor, ya sea "encendido" o "apagado", podría registrarse como uno o
cero, respectivamente. Series temporales de este tipo, llamadasprocesos binarios,ocurren en
muchas situaciones, incluido el estudio de la teoría de la comunicación. Un problema aquí es
predecir cuándo el proceso tomará un valor diferente. Una forma de resolver este problema es
utilizar modelos de cambio de régimen, que se analizarán enCapítulo 11(Sección 11.6).
ALGUNAS SERIES TIEMPO REPRESENTATIVAS 7

0
Tiempo

Figura 1.7Una realización de un proceso binario.

Procesos puntuales

Un tipo completamente diferente de serie temporal ocurre cuando consideramos una

serie de eventos que ocurren "aleatoriamente" a lo largo del tiempo. Por ejemplo,
podríamos registrar las fechas de grandes desastres ferroviarios. Una serie de eventos de
este tipo generalmente se denominaproceso puntual.Como ejemplo,Figura 1.8muestra
los datos de transacciones intradía de International Business Machines Corporation (IBM)
de 9:35:00 a 9:38:00 del 4 de enero de 2010. Cuando ocurre un evento comercial, se observan el precio
y el volumen de negociación correspondientes. Sin embargo, los intercambios no ocurren con el
mismo intervalo de tiempo; por lo tanto, los intervalos de tiempo entre operaciones (o duraciones de
las operaciones) se consideran variables aleatorias. Para observaciones de este
tipo, estamos interesados en cantidades tales como la distribución del número de
eventos que ocurren en un período de tiempo determinado y la distribución de los
intervalos de tiempo entre eventos. Los métodos para analizar datos de procesos
puntuales son generalmente muy diferentes de los utilizados para analizar datos de
series de tiempo estándar y se remite al lector, por ejemplo, a Cox e Isham (1980).
ReproducirFigura 1.8enR,Puede utilizar el siguiente comando para leer los
datos y trazar la serie de tiempo.
> ibm<-read.table("misdatos/taq_trade_ibm_100104.txt",
encabezado=T, sep="\t")
> ibm.nuevo<-ibm[,c(1,2,7)]
> ibm[,2]<-as.numeric(as.character(ibm[,2]))

> # # # tomar 9:35:00-9:37:59 am récord comercial

> datos<-ibm.new[1458:2371,]
> nuevahora<-rep(0, nrow(datos))
> for (i in 1:nrow(data)){ min<-
as.numeric(substr(as.character(data$TIME[i]),3,4)) sec<-
as.numeric(substr(as. carácter(datos$TIEMPO[i]),6,7))
8 INTRODUCCIÓN

132.0
131,8
Precio
131,6

9:35:00 9:35:31 9:36:00 9:36:30 9:37:00 9:37:30 9:38:00

Tiempo
2000
Volumen
500 1000
0

9:35:00 9:35:31 9:36:00 9:36:30 9:37:00 9:37:30 9:38:00

Tiempo

Figura 1.8transacción norte precios y volúmenes de acciones de IBM de 9:35:00 a 9:38:00

el 4 de enero de 2010.

nuevahora[i]<- ( metro
en-30)*60+seg
}

> x.etiqueta<-c("9:3 5:00", "9:35:31", "9:36:00", "9:36:30",

"9:37:00", "9:3 7:30", "9:38:00")
> x.pos<-c(1, 139 , 249, 485, 619, 776, 914)

> par(mfrow=c(2,1 ) ,mar=c(2,4,2,4) )

> trama(nuevo tiempo, d ata[,2],xlab="",y laboratorio="",xaxt="n",tipo="h")
> eje(1, nueva hora [ x.pos], x.etiqueta, cex.eje=1.2)
> título(xlab="Tim mi ", ylab="Precio", línea=2, cex.lab=1.2)
> trama(nuevo tiempo, d ata[,3],xlab="",y laboratorio="",xaxt="n",tipo="h")
> eje(1, nueva hora [ x.pos], x.etiqueta, cex.eje=1.2)
> título(xlab="Tim mi ", ylab="Volumen" , línea=2, cex.lab=1.2)

1.2 Terminología
Una serie de tiempo es sa
continuamente a través de
utilizado para series de este
un conjunto discreto de valores
cuando las observaciones un re
id a sercontinuar ouscuando se hacen observaciones
h tiempo como enCifra 1.7. El adjetivo 'continuo' es
s tipo incluso cuando t hLa variable medida sólo puede tomar
mi
s, como enFigura 1.7. Se dice que una serie de tiempo esdiscreto
tomado sólo en sp mi
momentos específicos, generalmente equidistantes.
OBJETIVOS DEL ANÁLISIS DE SERIES TEMPORALES 9
El término "discreto" se utiliza para series de este tipo incluso cuando la variable
medida es una variable continua.
Este libro se ocupa principalmente de series de tiempo discretas, donde las observaciones
se toman a intervalos iguales. También consideramos brevemente las series de tiempo
continuas, mientras que la Sección 14.4.4 brinda algunas referencias sobre el análisis de series
de tiempo discretas tomadas en intervalos de tiempo desiguales.
Las series de tiempo discretas pueden surgir de varias formas. Dada una serie de tiempo
continua, podríamos leer (o digitalizar) los valores en intervalos de tiempo iguales para obtener
una serie de tiempo discreta, a veces llamada serie de tiempo continua.muestreadoserie. El
intervalo de muestreo entre lecturas sucesivas debe elegirse cuidadosamente para perder poca
información (ver Sección 7.7). Un tipo diferente de serie discreta surge cuando una variable no
tiene un valor instantáneo pero podemosagregado (o acumular) los valores en intervalos de
tiempo iguales. Ejemplos de este tipo son las exportaciones mensuales y las precipitaciones
diarias. Por último, algunas series temporales son inherentemente discretas, como por ejemplo
el dividendo pagado por una empresa a los accionistas en años sucesivos.

Gran parte de la teoría estadística se ocupa de muestras aleatorias de observaciones

independientes. La característica especial del análisis de series temporales es el hecho de que
las observaciones sucesivas suelen sernoindependiente y que el análisis debe tener en cuenta
laorden de tiempode las observaciones. Cuando las observaciones sucesivas son dependientes,
los valores futuros pueden predecirse a partir de observaciones pasadas. Si una serie temporal
se puede predecir exactamente, se dice que es determinista.Sin embargo, la mayoría de las
series temporales sonestocásticoen que el futuro está sólo parcialmente determinado por
valores pasados, de modo que las predicciones exactas son imposibles y deben ser
reemplazadas por la idea de que los valores futuros tienen una distribución de probabilidad,
que está condicionada al conocimiento de los valores pasados.

1.3 Objetivos del análisis de series temporales

Hay varios objetivos posibles al analizar una serie de tiempo. Estos
objetivos pueden clasificarse en descripción, explicación, predicción y
control, y serán considerados uno por uno.

(i)Descripción
Cuando se presenta una serie de tiempo, el primer paso del análisis suele ser trazar las
observaciones en función del tiempo para obtener lo que se llama una serie de tiempo.trama
de tiempo,y luego obtener medidas descriptivas simples de las principales propiedades de la
serie. Esto se describe detalladamente enCapitulo 2. El poder del gráfico temporal como
herramienta descriptiva se ilustra medianteFigura 1.4, lo que muestra claramente que existe un
efecto estacional regular, con ventas de vino "altas" en el tercer trimestre y "bajas" en el primer
trimestre de cada año. El gráfico temporal también muestra que las ventas anuales están
disminuyendo (es decir, hay una tendencia a la baja). Para algunas series, la variación está
dominada por estas características "obvias", y un modelo bastante simple, que sólo intenta
describir la tendencia y la variación estacional, puede ser perfectamente adecuado para
describir la variación en la serie temporal. Para otras series, técnicas más sofisticadas.
10 INTRODUCCIÓN
Se le pedirá que proporcione un análisis adecuado. Luego se construirá un modelo
más complejo, como los diversos tipos de procesos estocásticos descritos en
Capítulo 3.
Este libro dedica una mayor cantidad de espacio a las técnicas más avanzadas, pero esto
no significa que las técnicas descriptivas elementales carezcan de importancia. Cualquiera que
intente analizar una serie temporal sin trazarla primero se está metiendo en problemas. Un
gráfico no sólo mostrará la tendencia y la variación estacional, sino que también revelará
observaciones faltantes y cualquier observación "salvaje" ovalores atípicosque no parecen ser
consistentes con el resto de datos. El tratamiento de valores atípicos es un tema complejo en el
que el sentido común es tan importante como la teoría (ver Sección 14.4.5). Un valor atípico
puede ser una observación perfectamente válida, pero extrema, que podría, por ejemplo,
indicar que los datos no están distribuidos normalmente. Alternativamente, un valor atípico
puede ser una observación extraña que surge, por ejemplo, cuando un dispositivo de
grabación falla o cuando una huelga afecta gravemente las ventas. En el último caso, el valor
atípico debe ajustarse de alguna manera antes de seguir analizando los datos. Los métodos
robustos están diseñados para ser insensibles a los valores atípicos.

Otras características a buscar en una trama temporal incluyen cambios repentinos o

graduales en las propiedades de la serie. Por ejemplo, sería muy importante notar un
cambio radical en el nivel de la serie, si es que existe. También se debe tener en cuenta
cualquier cambio en el patrón estacional. El analista también debe estar atento a la
posible presencia de puntos de inflexión, donde, por ejemplo, una tendencia alcista
cambia repentinamente a una tendencia a la baja. Si hay algún tipo de discontinuidad en
la serie, es posible que sea necesario instalar diferentes modelos en diferentes partes de
la serie.

(ii)Explicación
Cuando se toman observaciones de dos o más variables, es posible utilizar la variación en
una serie de tiempo para explicar la variación en otra serie. Esto puede conducir a una
comprensión más profunda del mecanismo que generó una serie temporal determinada.

Aunque en ocasiones los modelos de regresión son útiles en este caso, en realidad no
están diseñados para manejar datos de series de tiempo, con todas las correlaciones
inherentes a ellos, por lo que veremos que se deben considerar clases alternativas de
modelos.Capítulo 9considera el análisis de lo que se denominasistemas lineales.Un
sistema lineal convierte una serie de entrada en una serie de salida mediante una
operación lineal. Dadas las observaciones sobre la entrada y salida de un sistema lineal
(verFigura 1.9), el analista quiere evaluar las propiedades del sistema lineal. Por ejemplo,
es interesante ver cómo el nivel del mar se ve afectado por la temperatura y la presión, y
cómo las ventas se ven afectadas por el precio y las condiciones económicas. Una clase
de modelos, llamados modelos de función de transferencia, nos permite modelar datos
de series de tiempo de manera apropiada.

(iii)Predicción
Dada una serie de tiempo observada, es posible que deseemos predecir los valores
futuros de la serie. Esta es una tarea importante en la previsión de ventas y en el análisis.
ENFOQUES PARA EL ANÁLISIS DE SERIES TEMPORALES 11

APORTE PRODUCCIÓN
SISTEMA LINEAL

Figura 1.9Representación esquemática de un sistema lineal.

de series temporales económicas e industriales. Muchos escritores, incluidos nosotros mismos,

utilizan los términos "predicción" y "pronóstico" indistintamente, pero observamos que algunos
autores no lo hacen. Por ejemplo, Brown (1963) utiliza "predicción" para describir métodos
subjetivos y "previsión" para describir métodos objetivos.

(v)Control
A veces se recopilan o analizan series de tiempo para mejorar el control sobre algún
sistema físico o económico. Por ejemplo, cuando se genera una serie de tiempo que mide
la "calidad" de un proceso de fabricación, el objetivo del análisis puede ser mantener el
proceso funcionando a un nivel "alto". Los problemas de control están estrechamente
relacionados con la predicción en muchas situaciones. Por ejemplo, si se puede predecir
que un proceso de fabricación se desviará del objetivo, entonces se pueden tomar las
medidas correctivas adecuadas.
Los procedimientos de control varían considerablemente en estilo y
sofisticación. En el control de calidad estadístico, las observaciones se trazan en
gráficos de control y el controlador toma medidas como resultado del estudio de los
gráficos. Un tipo de enfoque más complicado se basa en modelar los datos y utilizar
el modelo para elaborar una estrategia de control "óptima" (ver, por ejemplo, Box et
al. (1994). En este enfoque, se ajusta un modelo estocástico a la serie, se predicen
los valores futuros de la serie y luego se ajustan las variables de entrada del proceso
para mantener el proceso dentro del objetivo.
Muchas otras contribuciones a la teoría del control han sido realizadas por ingenieros
de control y matemáticos más que por estadísticos. Este tema está más bien fuera del
alcance de este libro, pero se presenta brevemente en la Sección 14.3.

1.4 Enfoques para el análisis de series temporales

Este libro describirá varios enfoques para el análisis de series de tiempo.Capitulo 2

describetécnicas descriptivas simples,que incluyen trazar los datos y buscar tendencias,
fluctuaciones estacionales, etc.Capítulo 3introduce una variedad de modelos de
probabilidad para series de tiempo, mientrasCapítulo 4analiza formas de ajustar estos
modelos a series de tiempo. La principal herramienta de diagnóstico que se utiliza en
Capítulo 4es una función llamadaautocorrelaciónfunción, que ayuda a describir la
evolución de un proceso a través del tiempo. La inferencia basada en esta función a
menudo se denominaanálisis en el dominio del tiempo.Capítulo 5va
12 INTRODUCCIÓN
A continuación analizaremos una variedad de procedimientos de pronóstico, pero este capítulo no es
un requisito previo para el resto del libro.
Capítulo 6introduce una función llamadadensidad espectralfunción, que
describe cómo la variación en una serie de tiempo puede explicarse por
componentes cíclicos en diferentes frecuencias.Capítulo 7muestra cómo estimar la
función de densidad espectral mediante un procedimiento llamadoanálisis
espectral.La inferencia basada en la función de densidad espectral a menudo se
denomina análisis en el dominio de la frecuencia.
Capítulo 8analiza el análisis de series temporales bivariadas, mientras que el Capítulo
9 amplía este trabajo considerandosistemas linealesen el que una serie se considera la
entrada, mientras que la otra serie se considera la salida. El capítulo 10 presenta una
clase importante de modelos, llamadamodelos de espacio de estados.También describe
lafiltro Kalman,que es un método general para actualizar la mejor estimación de la 'señal'
en una serie temporal en presencia de ruido. Los capítulos 11 y 12 presentanno linealy
volatilidadmodelos de series de tiempo, respectivamente.Capítulo 13introducir
multivariadomodelos de series de tiempo, mientras Capítulo 14Revisa brevemente
algunos temas más avanzados.

1.5 Revisión de libros sobre series temporales

Esta sección ofrece una breve reseña de algunos libros alternativos sobre series temporales
que pueden resultar útiles para el lector. La literatura se ha ampliado considerablemente en los
últimos años y por eso es necesario un enfoque selectivo.
Los textos introductorios generales alternativos incluyen Brockwell y Davis
(2002), Harvey (1993), Kendall y Ord (1990) y Wei (1990). Diggle (1990) está dirigido
principalmente a bioestadísticos, mientras que Enders (1995), Mills (1990, 1999) y
Harris y Sollis (2003) están dirigidos a economistas.
Hay muchos textos más avanzados, incluidos Anderson (1971), Brockwell y Davis
(1991), Fuller (1996) y Priestley (1981). Este último es particularmente sólido en el análisis
espectral y el modelado de series temporales multivariadas. Brillinger (2001) es una
reimpresión clásica de un libro que se concentra en el dominio de la frecuencia. Kendall y
cols. (1983), ahora en la cuarta edición, es una valiosa fuente de referencia, pero tenga en
cuenta que las ediciones anteriores están algo anticuadas. Hamilton (1994) está dirigido a
econometristas. Tsay (2010), ahora en la tercera edición, proporciona una introducción
integral a los modelos econométricos financieros y sus aplicaciones al modelado y
predicción de datos de series de tiempo financieras.
El libro clásico de Box y Jenkins (1970) describe un enfoque para el análisis,
pronóstico y control de series temporales que se basa en una clase particular de
modelos, llamados modelos autorregresivos de media móvil integrada (ARIMA). Este
importante libro no es realmente adecuado para principiantes, a quienes se
recomienda leer los capítulos 3 a 5 de este libro, Vandaele (1983) o los capítulos
relevantes de Wei (1990). La edición revisada de 1976 de Box y Jenkins (1970)
prácticamente no cambió, pero la tercera edición (Box et al., 1994), con G. Reinsel
como tercer autor, ha cambiado sustancialmente.
RESEÑA DE LIBROS SOBRE SERIE TIEMPO 13
Algunos libros de series temporales introducen el tema con lenguajes de
computación estadística. Por ejemplo, Cowpertwit y Metcalfe (2009) muestran cómo
utilizar Raplicar métodos de series de tiempo en algunas aplicaciones prácticas. Shumway
y Stoffer (2010) introducen modelos de series temporales en dominios de tiempo y
frecuencia conRcódigos proporcionados para algunos ejemplos. Tsay (2010) demuestra la
aplicación de modelos de series de tiempo en econometría financiera con ejemplos en Ry
S-Plus.
En esta edición del libro, los primeros 11 capítulos de la nueva edición tienen una
estructura muy similar a la edición original. Agregamos un nuevo capítulo (Capítulo 12)
para introducir modelos de volatilidad en las finanzas, y parte del Capítulo 13 se
reescribió para describir brevemente los modelos de volatilidad multivariados.
Agregamos más ejemplos y ejercicios en esta edición. Con fines ilustrativos, también
presentamosRcódigo para ejemplos de datos en el libro.
Se hará referencia a libros adicionales, según corresponda, en capítulos posteriores.