Econometra II

Grado en finanzas y contabilidad

Procesos autorregresivos

Profesora: Dolores Garca Martos

E-mail:mdgmarto@est-econ.uc3m.es
Este documento es un resumen/modificacin de la
documentacin elaborada por D. Antoni Espasa

Descomposicin de Wald

Todo proceso estocstico estacionario se puede descomponer como la

suma de dos procesos no correlacionados, donde:
Un proceso estacionario singular lineal (una constante, una
funcin lineal del tiempo, etc.)
Un proceso estacionario regular. En concreto una funcin lineal de
variables aleatorias

{X}= {Y}+ {W}

Ej: X(t) = + 1 a(t) + 2 a (t-1) + 3 a (t-2) +..

Descomposicin de Wald

Esta condicin implica que el

proceso tiene varianza finita

Esta condicin significa que los shocks pasados afectan cada vez menos sobre
el presente de la serie temporal. Es la condicin de estacionariedad

El modelo autorregresivo de primer orden AR(1)

X (t)= funcin del pasado de la serie + a (t)
El proceso autorregresivo es un modelo de regresin en el
que las variables explicativas son la misma variable
dependiente retardada
Un modelo autorregresivo no siempre es estacionario.
Un paseo aleatorio es un proceso autorregresivo con una
raz unitaria (coeficiente que acompaa a X (t-1)) y no es
estacionario

Xt = X t-1+ a t
El proceso ms simple es el autorregresivo de orden 1
AR(1)
Xt = X t-1 +a t

Donde X t-1 es conocido en t y a t no. at

constituye un shock o innovacin

El modelo autorregresivo de primer orden AR(1)

La condicin para que el proceso sea estacionario es que
| | < 1
Supongamos que = 0.5
Wt = 0.5 W t-1 + at
Wt-1 = 0.5 W t-2 + a t-1

Wt = 0.52 Wt-2 + 0.5 a t-1 +at

Wt-2 = 0.5 W t-3 + a t-2
Wt = 0.53 W t-3 + 0.52 a t-2 +0.5 a t -1 + a t
.
En general:

Como el parmetro es menor que la unidad la suma anterior es finita

La expresin en trminos de a t se denomina Proceso de
Medias Mviles, MA

El modelo autorregresivo de primer orden AR(1)

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

El modelo autorregresivo de primer orden AR(1)

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

El modelo autorregresivo de primer orden AR(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

El modelo autorregresivo de primer orden AR(1)

||<1

El modelo autorregresivo de primer orden AR(1)

El modelo autorregresivo de primer orden AR(1)

En definitiva, podemos expresar el modelo de la siguiente manera

Propiedades1:
E (Wt ) = 0

es, por tanto, constante

Var (W t ) = 0 = 2 /(1-2), donde 2 es la varianza de at

Cov (W t , W t-k )= k=k 0 = k-1
Corr (W t , Wt-k )= k = k/ 0= k
La funcin de autocorrelacin no se anula, pero decrece, se dice que
tiene memoria infinita.
El correlograma tendr estructura. Depender del valor del parmetro .
Cuanto mayor sea, mayor ser la relacin entre el presente y el
pasado y viceversa.
A partir de un determinado retardo los rk sern prcticamente cero
1. Demostracin en anexo

El modelo autorregresivo de primer orden AR(1)

El modelo autorregresivo de primer orden AR(1)

Si en la ltima expresin hacemos s=12, tendremos que una diferencia estacional es

equivalente a tomar una diferencia regular por un polinomio suma
Es por ello que al tomar una diferencia estacional sobre la serie original, se corrige
parte de la tendencia.

Procesos ARI (1,1)

Sea X t una serie no estacionaria y al aplicar una primera diferencia regular

se consigue que la serie si sea estacionaria en la parte regular (no se han
puesto logaritmos por simplificar). Entonces:
X t = X t-1 +Wt

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

Este proceso de llama integrado de orden 1 y autorregresivo de orden 1 ARI(1,1)

Xt es un proceso no estacionario

Procesos ARI (1,1)

Recurdese que en general se aplican logaritmos para

conseguir estacionariedad en varianza.
Adems, el trabajar con la transformacin logartmica nos
permite relacionar las tasas de crecimiento con las
transformaciones de estacionariedad en media.
(1-L) log Xt =(log X t -log X t-1) se aproxima a una tasa
de crecimiento.
Es decir, tenemos
(1-L) log Xt =Wt , y Wt es un proceso AR(1)
La serie original sigue un modelo ARI(1,1)
La serie de tasas sigue un proceso AR(1)
El modelo de la serie de tasas de crecimiento se deriva del de la serie original,
ya que las tasas son iguales a la primera diferencia de la serie expresada en
logaritmos

Procesos AR (p)

El modelo autorregresivo de segundo orden AR(2)

El modelo autorregresivo de segundo orden AR(2)

Z2 1 Z-2 =0

(1-G1 L) (1-G2 L) Wt = a t
1. Ver ms detalles en anexo

El modelo autorregresivo de segundo orden AR(2)

(1-G1 L) (1-G2 L) Wt = a t
1

Estacionariedad en funcin de los parmetros:

|1 +2 | <1
|1 -2 | <1

|-2 | <1

El modelo autorregresivo de segundo orden AR(2)

El modelo autorregresivo de segundo orden AR(2)

El modelo autorregresivo de orden p, AR(p)

Las races son funcin de los parmetros

Otra forma de verlo escrito es:

Wt -1 W t-1 -2 Wt-2 -.-p Wt-p = at
(1-1 L- 2 L2 -.-p Lp) W t = p (L) Wt =at

El modelo autorregresivo de orden p, AR(p)

El modelo autorregresivo de orden p, AR(p)

El modelo autorregresivo de orden p AR(p)

cero

El modelo autorregresivo de orden p AR(p)

La forma de la funcin de autocorrelacin depender del valor de las

races ms elevadas o dominantes.
Si hubiera races complejas, tendramos que la serie presenta un ciclo
y la forma del correlograma sera sinusoidal.
Para la determinacin del orden del autorregresivo, es decir, p, se utiliza
el criterio de informacin de Akaike (no es el nico criterio).
Se estiman los correspondientes modelos
Se escoge el modelo (retardo) con menor valor del criterio de
Akaike.

Donde N es el nmero de observaciones, 2a es la varianza

residual y k el nmero de parmetros

Procesos ARI (2,1)

Significa que incluir una constante en el modelo, por tanto, el

proceso estacionario tendr una media distinta de cero
(1-1 L-2 L2 ) (1-L) X t = c+ a t

ANEXO

Caractersticas del proceso AR(1)

Esperanza

W = W t-1 + at
E (W t )= E (Wt-1 )+ E (a t )
= + 0 ,

at es un proceso ruido blanco con

esperanza nula

E(Wt )= E (Wt-1 ) por estacionariedad

(1- ) = 0
=E (W t )= 0
Varianza
Var (W t )= 2 var (Wt-1 )+ var (a t )
con
0 = 2 0 + 2 ,

at es un proceso ruido blanco

con varianza 2

Var(Wt )= Var (Wt-1 ) por estacionariedad

(1- 2) 0 = 2
0 =var (W t )= 2/ (1- 2)

Caractersticas del proceso AR(1)

Covarianza

Lo que ocurre en t-1

es independiente del
shock que habr en t

Correlacin
k = k/ 0= k

Ecuaciones de segundo grado

La ecuacin de segundo grado tiene la siguiente expresin:

aX2 +b X +c =0
Esta ecuacin tiene dos soluciones, no necesariamente iguales, o
races, que pueden ser reales o complejas:
X=-b (b2 -4ac)- / 2a
Donde el valor de b2 -4ac determinar si las races son reales o
imaginarias
Si tiene valor negativo, se obtendrn un par de races
complejas conjugadas.
En nuestro caso a=0, b=-1 y c=-2

http://es.wikipedia.org/wiki/Ecuaci%C3%B3n_de_segundo_grado