Professional Documents
Culture Documents
Descomposicin de Wald
Descomposicin de Wald
Esta condicin significa que los shocks pasados afectan cada vez menos sobre
el presente de la serie temporal. Es la condicin de estacionariedad
Xt = X t-1+ a t
El proceso ms simple es el autorregresivo de orden 1
AR(1)
Xt = X t-1 +a t
Caso 1: -1>>1
El efecto sobre W t de una innovacin distante
no es exactamente cero, pero es despreciable.
Menor a medida que nos alejamos en el
tiempo.
Un AR(1) se puede aproximar por un modelo
de medias mviles de orden q, MA(q)
q es el nmero de at que permiten
aproximar el AR(1)
En un AR(1), la innovacin a t-j tiene un efecto
restringido a j
Caso 1: >1
A partir de un valor inicial w el proceso es
explosivo.
Las innovaciones pasadas son ms
importantes que las recientes
De manera similar ocurre con <-1
La realidad no parece comportarse de una
manera explosiva permanentemente y se
rechaza que || >1
Caso 1: =1
Esta situacin no es explosiva
Es la situacin que se ha considerado para
tendencias que presentan oscilaciones locales
de nivel.
Pero ahora no estamos hablando de la
tendencia. Ahora se est trabajando con series
estacionarias, Wt (desviaciones con respecto a
la tendencia). Por ello, trabajamos con
procesos en los que ||<1
||<1
Propiedades1:
E (Wt ) = 0
Wt = Xt - Xt-1
Y Wt sigue un proceso AR(1)
(1-L) Wt = Wt Wt-1 = at
En definitiva tendremos
(1-L) (Xt - X t-1 )= (1-L) X t = at
Es decir
Xt = Xt-1 + (Xt-1 -Xt-2 )+ at
Procesos AR (p)
Z2 1 Z-2 =0
(1-G1 L) (1-G2 L) Wt = a t
1. Ver ms detalles en anexo
(1-G1 L) (1-G2 L) Wt = a t
1
|-2 | <1
cero
ANEXO
W = W t-1 + at
E (W t )= E (Wt-1 )+ E (a t )
= + 0 ,
(1- ) = 0
=E (W t )= 0
Varianza
Var (W t )= 2 var (Wt-1 )+ var (a t )
con
0 = 2 0 + 2 ,
(1- 2) 0 = 2
0 =var (W t )= 2/ (1- 2)
Covarianza
Correlacin
k = k/ 0= k
http://es.wikipedia.org/wiki/Ecuaci%C3%B3n_de_segundo_grado