Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
Comenzamos con algunos ejemplos del tipo de series temporales que surgen en la práctica.
1
2 INTRODUCCIÓN
300
Índice de precios del trigo
200
100
0
Año
Figura 1.1Serie del índice anual de precios del trigo de Beveridge desde 1500 hasta 1869.
10
5
Regreso diario
0
−5
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])
10
0
Temperatura media
− 10
− 20
8000
6000
4000
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
Figura 1.5Población ación y tasa de natalidad ( por 1.000 personas) para los Estados Unidos
total de 1965 a 2015.
Valor objetivo
Variable de proceso
Tiempo
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
Procesos puntuales
132.0
131,8
Precio
131,6
nuevahora[i]<- ( metro
en-30)*60+seg
}
1.2 Terminología
Una serie de tiempo es sa id a sercontinuar ouscuando se hacen observaciones
continuamente a través de h tiempo como enCifra 1.7. El adjetivo 'continuo' es
utilizado para series de este s tipo incluso cuando t hLa variable medida sólo puede tomar
un conjunto discreto de valores mi
s, como enFigura 1.7. Se dice que una serie de tiempo esdiscreto
cuando las observaciones un re 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.
(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.
(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
(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.
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.