Series de Tiempo No Estacionarias

Procesos con Tendencias

Jorge Rodas
INFOPUC

Febrero 2014

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

1 / 23

Hechos estilizados
Muchas variables macroeconmicas muestran un patrn de
crecimiento a travs del tiempo (tendencia) que no es replicable
utilizando series estacionarias.

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

2 / 23

Estacionariedad en Tendencias y en Diferencias

Un proceso estacionario en tendencias exhibe una tendencia
determinstica y basta restar dicha tendencia (detrending ) para
obtener un proceso estacionario.

Example
El proceso yt = c + t + t es estacionario en tendencias.
Un proceso estacionario en diferencias (o proceso con raz unitaria)
exhibe una tendencia estocstica y hay que tomarle primeras
diferencias (dierencing ) para obtener un proceso estacionario.

Example
El proceso yt = yt
Jorge Rodas (INFOPUC)

+ t es estacionario en diferencias.
Sesin 3

Febrero 2014

3 / 23

Procesos con Tendencia

Example (Trend Stationary)
yt = c + t + t , donde E (yt ) = c + t, Var (yt ) = 2 , j = 0,
Et (yt +j ) = yt t + j.

Example (Random Walk)

yt = yt 1 + t , donde la solucin de la ecuacin en diferencias asociada es
t

yt = y0 + i . Adems E (yt ) = y0 , Var (yt ) =

t2 ,

j =

i =1

Et (yt +j ) = yt .

t j
t ,

Example (Random Walk Plus Drift)

t

yt = c + yt

+ t . donde la solucin es yt = y0 + ct + i . Adems

E (yt ) = y0 + ct, Var (yt ) = t2 , Et (yt +j ) = yt + cj.

Jorge Rodas (INFOPUC)

Sesin 3

i =1

Febrero 2014

4 / 23

Procesos con Tendencia

Example (Random Walk Plus Noise)
yt = yt

+ t + t , donde t es un ruido blanco con varianza 2

t

independiente de t . La solucin es yt = y0 + i + t .
i =1

Problem
Demostrar en el modelo anterior que E (yt ) = y0 , Var (yt ) = t2 + 2 y
j = r

Jorge Rodas (INFOPUC)

(t
t2 + 2

Sesin 3

j ) 2

(t

j ) 2 + 2

Febrero 2014

5 / 23

Procesos con Tendencia

Example (Trend Plus Noise)

yt = c + yt

+ t + t , donde t es un ruido blanco con varianza 2

t

independiente de t . La solucin es yt = y0 + ct + i + t .
i =1

Example (General Trend Plus Irregular Model)

t

Proceso cuya solucin es yt = y0 + ct + i + A (L) t , donde A (L) t

i =1

es un proceso estacionario.

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

6 / 23

Detrending Vs Dierencing
Para transformar el modelo yt = c + t + t en un modelo
estacionario debemos estimar yt y trabajar con yt yt que ser el
nuevo proceso estacionario.
Tener cuidado, qu sucede si aplicamos este mtodo a un proceso
con raz unitaria como el paseo aleatorio con deriva?
Para transformar el modelo yt = c + yt 1 + t en un modelo
estacionario debemos tomar primeras diferencias.
Tener cuidado, qu sucede si aplicamos este mtodo a un proceso
estacionario en tendencia?
Un proceso ARIMA(p, d, q ) debe ser diferenciado d veces para
convertirse en un ARMA(p, q ) estacionario.

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

7 / 23

Pruebas de Raz Unitaria

No es fcil distinguir visualmente o mediante correlogramas si un

proceso tiene o no raz unitaria.
Tampoco es fcil distinguir si tiene slo tendencia determinstica o
tendencia determnistica y estocstica al mismo tiempo.
Plantear una prueba de hiptesis sobre el parmetro en la regresin:
yt = yt

+ t

donde t = 1, ..., T .
Qu necesitamos?

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

8 / 23

Pruebas de Raz Unitaria

Sabemos que

! N 0, 1

Podemos construir el estadstico t :

t=

se

Qu pasa con la distribucin cuando la hiptesis nula es H0 : = 1?

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

9 / 23

Pruebas de Raz Unitaria

Distribucin del estadstico t bajo la hiptesis de raz unitaria
1,200

1,000

Frequency

800

600

400

200

0
-5

Jorge Rodas (INFOPUC)

-4

-3

-2

-1

Sesin 3

Febrero 2014

10 / 23

Pruebas de Raz Unitaria

Dependent Variable: RW
Method: Least Squares
Date: 09/12/11 Time: 04:38
Sample (adjusted): 2 1000
Included observations: 999 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

RW(-1)

0.995538

0.003090

322.1956

0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Jorge Rodas (INFOPUC)

0.973366
0.973366
0.989392
976.9385
-1406.365
2.059486

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

Sesin 3

8.122966
6.062432
2.817548
2.822460
2.819415

Febrero 2014

11 / 23

Test de Dickey-Fuller

Dickey y Fuller (1979, 1981) desarrollan un test para vericar la

hiptesis H0 : = 1.
Generando miles de paseos aleatorios y para una muestra de tamao
100 encontraron que:
I
I
I

90% de los estimados de estn a menos de 1.61 errores estndar de

la unidad.
95% de los estimados de estn a menos de 1.95 errores estndar de
la unidad.
99% de los estimados de estn a menos de 2.60 errores estndar de
la unidad.

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

12 / 23

Test de Dickey-Fuller
Otra forma de expresar la hiptesis nula es tomando primeras
diferencias al modelo yt = yt 1 + t :
yt = yt
donde =

+ t

1 y la hiptesis nula se convierte en H0 : = 0.

Dickey y Fuller consideran 3 modelos distintos:

yt
yt
yt

= yt 1 + t
= c + yt 1 + t
= c + t + yt 1 + t

Los valores crticos para = 0 dependen de la forma de la regresin y

del tamao de la muestra.

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

13 / 23

Test de Dickey-Fuller

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

14 / 23

Test de Dickey-Fuller Aumentado (ADF)

Es posible usar el test de D-F en procesos de mayor orden:
yt = a0 + a1 yt

Sumando y restando ap yt
yt = a0 + a1 yt

+ ...

1 yt p +1

+ ap yt

+ t

p +1 :

+ ... + (ap

Sumando y restando (ap

yt = a0 + a1 yt

+ ... + ap

+ ap ) yt

+ a p ) yt
( ap

p +1

ap yt

p +1

+ t

p +2 :

+ ap ) yt

p +2

ap yt

p +1

+ t

Si continuamos con este procedimiento llegaremos a:

p

yt = a0 + yt

+ i yt

i +1

+ t

i =2

donde =
Jorge Rodas (INFOPUC)

(1

p
i = 1 ai ) y i =
Sesin 3

j = i aj
Febrero 2014

15 / 23

Test de Dickey-Fuller Aumentado (ADF)

El hecho de que el test de D-F asume que los errores son
independientes con varianza constante plantea los siguientes
problemas:
1

2
3

4
5

Para estimar correctamente y su error estndar todos los trminos

autorregresivos del proceso generador de datos (PGD) deben estar
incluidos en la ecuacin . Se debe seleccionar el nmero de rezagos
adecuado.
El PGD puede contener trminos MA cuyo orden desconocemos.
El test de D-F considera una sola raz unitaria. Para procesos con d
races unitarias debemos diferenciar la serie d veces para lograr
estacionariedad.
Pueden haber races unitarias estacionales.
Pueden haber cambios estructurales en la data que pueden dar la falsa
impresin de la existencia de una tendencia.
Puede no ser claro si es que un intercepto o tendencia determnistica
forman parte del PGD.

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

16 / 23

Cambio Estructural
Cuando hay cambio estructural en la serie, los estadsticos
Dickey-Fuller se sesgan hacia el no rechazo de la hiptesis nula.
Perron (1989) desarrolla una procedimiento formal para vericar la
existencia de raz unitaria en la presencia de cambio estructural en el
periodo t = + 1. Las hiptesis nula y alternativa son:
H0 : yt = a0 + yt

+ 1 DP + t

H1 : yt = a0 + a2 t + 2 DL + t
donde DP = 1 si t = + 1 y cero de otro modo y DL = 1 si t > y
cero de otro modo.
Perron (1989) desafa los resultados de Nelson y Plosser (1982)
encontrando que la mayora de series macro no tienen raz unitaria
sino son estacionarias en tendencia con cambio estructural.
El procedimiento de Perron asume que la fecha de quiebre es
conocida. El test de Zivot y Andrews (1992) admite una fecha de
quiebre desconocida.
Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

17 / 23

Potencia
La potencia de una prueba es la probabilidad de rechazar una
hiptesis nula falsa.
El test D-F tiene baja potencia para distinguir entre un random walk
con drift y un proceso estacionario en tendencias. De igual modo,
cuando el coeciente autorregresivo es cercano a uno, el test no
rechazar la hiptesis nula de raz unitaria.
La incorrecta especicacin de la ecuacin autorregresiva (inclusin o
no de intercepto y tendencia determinstica) afecta la potencia del
test de D-F.
Las pruebas de raz unitaria son condicionales a la presencia de
regresores determinsticos y las pruebas para la presencia de regresores
determinsticos son condicionales a la presencia de raz unitaria.

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

18 / 23

Otras Pruebas de Raz Unitaria

Phillips-Perron (1988)
Kwiatkowski, Phillips, Schmidt y Shin (1992). Aqu la hiptesis nula
es que la serie es estacionaria.
Elliot, Rothenberg y Stock (1996)
Ng-Perron (2001)

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

19 / 23

Descomposicin de Beveridge-Nelson
Es posible descomponer una serie en sus componentes transitorios
(ciclo) y permanentes (tendencia)?
Si la tendencia del PBI es estocstica, cmo podemos decir si el PBI
observado se encuentra encima o debajo de su tendencia?
Beveridge y Nelson (1981) usan la siguiente estrategia: sea yt un
proceso integrado de orden 1 tal que
yt = + C (L) t
donde C (L) es un polinomio de rezagos de orden q. Denamos
D (L) = C (L) C (1) . Como C (1) es constante D (L) tambin ser
de orden q, de donde:
D (1) = 0
entonces 1 es una raz de D (L) lo que nos permite hacer:
D (L) = C (L) (1

L)

donde C (L) es un polinomio de orden q

1.

Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

20 / 23

Descomposicin de Beveridge-Nelson
Igualando D (L) = C (L)

C (1) con D (L) = C (L) (1

C (L) = C (L) (1

L) :

L) + C (1)

y
yt = + C (L) t + C (1) t
Integrando obtenemos:
yt

= const + C (L) t + t + C (1) zt

= const + Ct + TRt

donde zt = zt 1 + t . Ct es el componente cclico TRt es el componente

tendencial que contiene una tendencia determinstica y estocstica. Notar
que:
TRt = TRt 1 + + C (1) t
Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

21 / 23

Descomposicin de Beveridge-Nelson
Example
Considere el proceso IMA(1,1):
yt = t + t

1,

0<<1

En este caso C (L) = 1 + L y

C (L) =

C (L)
1

C (1)
=
L

De donde:
yt = Ct + TRt =

t + (1 + ) zt

Problem
Encuentre la descomposicin Beveridge-Nelson del ARIMA(1,1,1):
yt = yt
Jorge Rodas (INFOPUC)

+ t + t

Sesin 3

1
Febrero 2014

22 / 23

Filtro de Hodrick-Prescott
El ltro de Hodrick-Prescott (HP) calcula la tendencia de una serie
minimizando la siguiente funcin de prdida:
T

(yt

t =1

TRt )2 +

[(TRt +1

TRt )

(TRt

TRt

1 )]

t =2

donde es un parmetro de suavizamiento. Cuando !

tenemos una tendencia lineal. En aplicaciones prcticas se usa
= 100 para series anuales, = 1600 para series trimestrales y
= 14400 para series mensuales.
El benecio del ltro HP es que usa el mismo mtodo para todas las
variables, que no es el caso de la descomposicin B-N. Muchos
modelos de ciclos econmicos reales indican que las variables
comparten la misma tendencia estocstica.
Una desventaja del ltro es que puede introducir uctuaciones
espurias en la serie.
Jorge Rodas (INFOPUC)

Sesin 3

Febrero 2014

23 / 23