01 1 Conociendo Una Serie de Tiempo

CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS,
SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA
Análisis de Series de Tiempo
MSc. Sandra Hernández

Sede Subregional de la CEPAL en México
Ciudad de México, del 19 al 23 de enero, 2015
1
INTRODUCCIÓN
Preguntas a responder por el analista (Maravall,1999):

 Dónde estamos?
 Métodos de ajuste estacional
 Extraer una señal clara TRAMO- X-12ARIMA
 Hacia dónde vamos? SEATS
TSW+
 Técnicas de pronóstico
PROMEDIOS MÓVILES
Análisis de Series de Tiempo.

Tema I: Conociendo una serie de 2
tiempo
INTRODUCCIÓN

 Dónde estamos?
 Técnicas de ajuste estacional
 Extraer una señal clara
 Hacia dónde vamos? Tasa de variación interanual
Tasa de variación mensual
Tasa de variación acumulada

tiempo
INTRODUCCIÓN

 Dónde estamos?
 Técnicas de ajuste estacional
 Extraer una señal clara Econometría
dinámica
 Hacia dónde vamos?
Modelos Regresión
ARIMA múltiple
Suavizamiento
exponencial

tiempo
Tema I : Conociendo una serie de t

tiempo
1.Qué es una serie de tiempo?
Las series de tiempo son colecciones de observaciones sobre un
determinado fenómeno efectuadas en sucesivos momentos del tiempo,
usualmente equiespaciados.
Corresponde a una realización de un proceso generador de datos.
Yt, Y t-1, Yt-2, … Yt-k, Yt+1, Yt+2, … Yt+h ;
REZAGOS ADELANTOS
Serie estocástica Serie determinística

una parte conocida el futuro se puede predecir sin
(sistemática) susceptible de error Es una variable que está
predecir y de una parte determinada o fija y que no cambia
totalmente desconocida de una muestra a otra
(aleatoria)

tiempo
2. El análisis visual
La investigación científica asume como una de sus primeras tareas, identificar las cosas
(características o factores) que participan en un fenómeno.
Los gráficos son la forma más efectiva de identificar efectos de eventos que inciden en
los datos. De ser posible, estos eventos deben ser ajustados o incluidos en el modelo.
Un gráfico permito observar:
•Frecuencia de los datos

•La tendencia
•Los valores extremos
•La dispersión
•Cambios estructurales
•Cambios de pendiente
•La estacionalidad

tiempo
Ejemplo 1. Índice de precios al consumidor IPC
Julio 2006=100
160
140 •Tendencia?
120 •Valores
extremos?
100
•Dispersión?
80
•Cambios de
60 pendiente?
40
•Estacionalidad?
20
0
19
19
20
20
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
20
20
20
tiempo
Ejemplo 1. gráfico estacional

tiempo
Ejemplo 2. Indice mensual de la actividad
económica (IMAE)
280
260
240
•Tendencia?
220
•Valores
extremos?
200
•Dispersión?
180
160
•Cambios
de
140
pendiente?
120
•Estacionalidad?
100
80
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

tiempo
Ejemplo 2. gráfico estacional
260
240
220
200
180
160
140
Ene Feb Mar Abr May Jun Jul Ago Set Oct Nov Dic
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
 Permite ver el patrón estacional en los datos

 Permite observar momentos donde la serie se desvía de su patron estacional

tiempo
3. Longitud de las series: Cuántos datos utilizar?
 Depende del objetivo del estudio:
 Para análisis de ciclos se requieren series muy largas (más de 10 años)
 Para modelos univariantes se sugiere no menos de 5 años
 Para modelos de regresión no menos de 15 datos
 Para calcular la correlación entre dos variables no menos de 30 datos
 El aporte a las series de tiempo de La crítica de Lucas sugiere el

número de datos de una serie de tiempo que se deben utilizar,
reduciéndolo a aquel periodo de datos que lucen homogéneos
Critica de Lucas: sostiene que, bajo la hipótesis de expectativas racionales, los

parámetros estimados a partir de un modelo econométrico no se mantendrían. La
ocurrencia de cambios de política llevaría a los agentes a modificar sus
comportamientos, a fin de adecuarse a la nueva realidad. LUCAS, R.E., Jr.(1976),
“Econometric policy evaluation: A critique”, Conference Series on Public Policy.
Existe un “trade-off” entre el tamaño de la

muestra y la estabilidad del modelo

tiempo
Ejemplo 3: Escogencia del rango de datos
280
260
240
220
200
180
160
140
120
100
80
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

tiempo
4.Variables derivadas
Ejemplo 4: Tasas de variación
•Una serie
140
original 130
transformada
puede tener
120
propiedades
110
estadísticas
100
diferentes a la
90
serie original
80
70
40
Variación 60
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
interanual 50 •Graficar los
18
datos: en
niveles,
16
logaritmos, tasas
de crecimiento,
14
reales,
nominales
12
2000200120022003200420052006200720082009
10
8 tiempo
Transformación logarítmica (IPC)
5.0 140
logaritmo natural
original 130 Los resultados se
4.8
120 pueden interpretar
110 en porcentajes
4.6
100
18
4.4 90
16 80
4.2
70
14
4.0 60
50
12
3.8 40
1 13 25 37
49 61 73 85 97 109
10
Yt Yt
ln
8
1 Yt Yt 6
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
1
tiempo
5.La autocorrelación
La correlación en series de tiempo se conoce como
autocorrelación o correlación serial.
La correlación entre Yt y Yt-k se conoce como
autocorrelación de orden k y se denota como k
 Yt-k se le conoce como rezagada k periodos Negativa: cuando
los valores de t
 1 (Yt y Yt-1)se llama autocorrelación de primer orden aumentan los de
 2 (Yt y Yt-2)se llama autocorrelación de segundo t+k disminuyen
orden Cero: No hay
relación armónica
 La correlación indica dos aspectos: en como los
 El valor indica la magnitud de la asociación (-1 y 1) rk valores de t y t+k
cambian
 El signo indica la dirección de la relación Positiva: cuando
nk  
los valores de t
 (Y  Y )(Yt  Y
) Covk aumentan, los
rk t k  S 2 rk es el estimador de valores de t+k
 t 1
 2 k
n

tiempo
 (Y
t 1
t
Y
)
también aumentan

tiempo
6.La función de autocorrelación
Si se calculan las correlaciones
para distinto número de
rezagos, digamos de 1 a 12:
r1=0.083 r7=-0.040
r2=0.223 r8=-0.287
r3=0.102 r9=-0.008
r4=-0.228 r10=0.020
r5=-0.021 r11=0.055
r6=-0.248 r12=0.363
Este conjunto de correlaciones

El ACF es una herramienta básica al momento de
conforman la Función de
explorar una serie de tiempo:
autocorrelación o ACF
Es util para ver estacionalidad, tendencias y otros
patrones,
Sirve para medir si los valores previos contienen
mucha información acerca del próximo valor.

tiempo
tiempo
7.La autocorrelación parcial
 La correlación parcial mide el grado de asociación entre Yt y Yt-k, cuando el
efecto de otros rezagos es removido.
Yt Yt-1 Yt-2
 La correlación parcial es calculada mediante una ecuación de

regresión, donde los coeficientes de los rezagos de Y representan la
correlación parcial, del siguiente modo:
Yt  b1Yt  b2Yt ... bk Yt k

1 2
b0
Yt  b0 Yt b0
tiempo
 b1Yt 1 r1 cálculo usualmente se
r2
Est aproxima con las ecuaciones
 b1Yt 1  b2Yt r3 de Yule-Walker
e
Y  b2Y  b 2 Yt  b3Yt 3
b
t
0 1
1 t
2

tiempo
8.El correlograma
ACF y PACF
Eje X: rezagos en el tiempo (k)
Eje Y: magnitud de la autocorrelación (-1,
1) k
El error estándar de ACF es: Eje Y

k 1
1 2 r j 2
j 1
n
Bajo el supuesto de ruido blanco,
las autocorrelaciones deben ser cercanas
a cero y están normalmente distribuidas
con error estándar aproximado con 1/ n
:
Los limites de confianza se calculan como
Li 1.96 /n
rk
tiempo
El máximo k recomendado es n/4
Eje
tiempo
9.La estacionariedad
 El proceso está en equilibrio estadístico alrededor de un valor medio.
 Distribución de probabilidad común e invariante en el tiempo.
 La media es única (local y global) y representativa de todo el período
analizado.
 La varianza es constante y finita.
 La función de autocorrelación decae rápidamente en el tiempo.
 Un shock en un momento dado tiene efecto en el corto plazo.
 Denominación en econometría: I(0)
 El análisis visual de la serie es con frecuencia suficiente para evaluar la
estacionariedad de una serie.
 El correlograma complementa el análisis de estacionariedad
 Las pruebas formales de Integración también miden estacionariedad

tiempo
Ejemplo de una serie estacionaria
 La media es constante.
 La varianza es
constante.
 La función de
autocorrelación
decae rápidamente
cuando aumenta k.

tiempo
No estacionariedad
 La mayoría de variables en
economía son no
estacionarias, aunque son
susceptibles de estacionarizar
por medio de transformaciones.
 La media no es única,
varía durante el período
analizado.
 La variancia no es
constante
 La función de
autocorrelación decae
lentamente en el
tiempo.
 Un shock en un momento dado
se propaga a través del tiempo.
 Denominación en econometría:
I(1) e I(2)

tiempo
tiempo
10.Medición de volatilidad
 La volatilidad se refiere al grado de incertidumbre en un periodo de
tiempo de una determinada variable.
 Usualmente se utiliza una medida de la dispersión de una variable:
la desviación estándar o la variancia.
 Puede ser un número absoluto (desviación estándar) o una razón
(como porcentaje de la media, llamado coeficiente de variación).
 Comúnmente la volatilidad está asociada al riesgo. Entre más
alta la volatilidad hay más riesgo.
 La volatilidad no es un indicador de la dirección del cambio (debido
a que los cambios están elevados al cuadrado).
 La volatilidad puede variar en el tiempo: periodos más o menos
volátiles.
 También se puede medir con el error estándar de los residuos de un
modelo univariante.
 Método más elaborados utilizan los modelos GARCH

tiempo
11. Reflexiones finales:
conociendo una serie de tiempo
 He visto un gráfico de mi serie?
 Es estocástica o determinística?
 Tiene estacionalidad?
 Es estacionaria? o tiene tendencia?
 Es la serie muy volátil? Tiene valores extremos?, cuándo y por cual
razón?
 Hay cambios de pendiente en los datos?
 Qué correlaciones del ACF son significativas?
 Qué rango de datos usaría en los análisis?
 Uso de variables derivadas (reales, tasas de variación, etc)?

tiempo
“The statistician should fall in love with his data,
and should avoid falling in love with his model”,
Jenkins, 1979

tiempo

01 1 Conociendo Una Serie de Tiempo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

01 1 Conociendo Una Serie de Tiempo

Cargado por

Copyright:

Formatos disponibles

CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS,

SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA

Análisis de Series de Tiempo

MSc. Sandra Hernández

Preguntas a responder por el analista (Maravall,1999):

Análisis de Series de Tiempo.

Preguntas a responder por el analista (Maravall,1999):

Tasa de variación mensual

Tasa de variación acumulada

Análisis de Series de Tiempo.

Preguntas a responder por el analista (Maravall,1999):

Análisis de Series de Tiempo.

Análisis de Series de Tiempo

Yt, Y t-1, Yt-2, … Yt-k, Yt+1, Yt+2, … Yt+h ;

Serie estocástica Serie determinística

Análisis de Series de Tiempo

•Frecuencia de los datos

Análisis de Series de Tiempo

Análisis de Series de Tiempo

Análisis de Series de Tiempo

 Permite ver el patrón estacional en los datos

Análisis de Series de Tiempo

 El aporte a las series de tiempo de La crítica de Lucas sugiere el

Critica de Lucas: sostiene que, bajo la hipótesis de expectativas racionales, los

Existe un “trade-off” entre el tamaño de la

Análisis de Series de Tiempo

Análisis de Series de Tiempo

Análisis de Series de Tiempo

Análisis de Series de Tiempo

Este conjunto de correlaciones

Análisis de Series de Tiempo

 La correlación parcial es calculada mediante una ecuación de

Yt  b1Yt  b2Yt ... bk Yt k

Análisis de Series de Tiempo

El error estándar de ACF es: Eje Y

Análisis de Series de Tiempo

Análisis de Series de Tiempo

Análisis de Series de Tiempo

Análisis de Series de Tiempo

Análisis de Series de Tiempo

Análisis de Series de Tiempo

También podría gustarte