You are on page 1of 50

CAPITULO II

SERIES DE TIEMPO
1

INTRODUCCIN
La mayora de las empresas y agentes econmicos precisan realizar
predicciones sobre el comportamiento de su evolucin y del entorno donde actan.
Estas predicciones se utilizan para tomar decisiones operativas y, a veces,
estratgicas.
El conocimiento de acontecimientos futuros estar obviamente afectado de un
alto grado de incertidumbre, lo que implica la utilizacin de probabilidades asociadas
al proceso de prediccin, y de modelos estadsticos y economtricos.
REGRESIN ESPURIA
Este problema surge porque si las dos series de tiempo involucradas presentan
tendencias fuertes (movimientos sostenidos hacia arriba o hacia abajo), el alto R2
observado se debe a la presencia de la tendencia y no a la verdadera relacin entre las
dos. Por consiguiente es muy importante averiguar si la relacin entre las variables
econmicas es verdadera o es espuria.
Como lo han sugerido Granger y Newbold : una buena regla prctica para
sospechar que la regresin estimada sufre de regresin espuria es que R2 > D-W.
Cuando las series de tiempo son no estacionarias, no se debe depender de los
valores "t" estimados. Si las series de tiempo estn cointegradas, entonces los
resultados de la regresin estimada pueden no ser espurios y las pruebas "t" y "F"
usuales son vlidas. Como lo afirma Granger: "Una prueba de cointegracin puede
ser considerada como una prueba previa para evitar situaciones de regresin espuria".
Por ejemplo: Se tiene las series anuales (1936-1972) del PNB nominal en
Estados Unidos (datos en miles de millones de dlares), y de la Incidencia del
melanoma en la poblacin masculina (datos ajustados de edad) en el estado de
Connecticut.
800

800

700

600

600

2
400

GNP

1.1.

500
400

300
0

200

200
100

0
1940

1945

1950
GNP

1955

1960

1965

MELANOMA

1970

MELANOMA

Observando los grficos, ambas series mantienen una relacin lineal.


Conceptualmente resulta absurdo relacionarlas.

Dependent Variable: GNP


Method: Least Squares
Simple: 1936 1972
Included observations: 37
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
MELAMONA

118.5659
118.9808

23.72897
7.814147

4.996675
15.22633

0.0000
0.0000

R-squared
Adjusted R-squared
Log likelihood
Durbin-Watson stat

0.868836
0.865088
-204.7517
0.879122

Mean dependent var


S.D. dependent var
F-statistic
Prob(F-statistic)

443.6730
171.4417
231.8413
0.000000

La estimacin de una regresin en donde el PNB acta como variable


endgena y la incidencia de melanoma como variable explicativa nos muestra que:
*
Todos los coeficientes son estadsticamente significativos, y el R2 (86.7%) es
muy elevado.
*
El coeficiente estimado implica que, si aumentara la incidencia de melanoma
en un caso, cabra esperar un aumento del PNB de 119.000 millones de
dlares.
Si relacionamos las variables en primeras diferencias, la tendencia suele
desaparecer y, con ella, la relacin esprea.
60

60
40

40

20
0

1.5

-20

20
D(GNP)

2.0

-40

1.0

0
-20

-60
0.5

-40

0.0

-60
-0.5

-0.5
1940

1945

1950

1955

D(MELANOMA)

1960

1965

1970

0.0

0.5

1.0

D(MELAMONA)

D(GNP)

Dependent Variable: D(GNP)


Method: Least Squares
Sample (adjusted): 1937 1972
Included observations: 36 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
D(MELAMONA)

16.56841
0.706295

3.179332
6.585765

5.211287
0.107246

0.0000
0.9152

R-squared
Log likelihood
Durbin-Watson stat

0.000338
-155.0594
1.262415

Mean dependent var


F-statistic
Prob(F-statistic)

16.65278
0.011502
0.915224

1.5

2.0

Consecuentemente, la relacin de regresin entre las variables transformadas


no resulta significativa
1.2.

TIPOS DE PREDICCIONES
Segn el horizonte de prediccin se clasifican:

1.3.

1.4.

Inmediato, hasta 3 mese, para decisiones operativas, control presupuestario.


Por ejemplo: gestin de inventarios en establecimientos detallistas.

Corto Plazo de 3 a 12 meses, para tomar las decisiones operativas, control


presupuestario o decisiones de compra. Por ejemplo: Compra de bienes de
temporada para venta al por menor.

Medio Plazo, comprendidas entre 1 y 3 aos, para las decisiones estratgicas.


Por ejemplo: Leasing de plantas y equipos, formacin de empleados para
nuevos procesos.

Largo Plazo, de 3 a 10 aos, para las decisiones estratgicas incluyendo las de


expansin. Por ejemplo: investigacin y desarrollo, compra de activos,
adquisiciones y absorciones.

Muy Largo Plazo, mayor a 10 aos, para las decisiones estratgicas


incluyendo aquellas de cambio de las caractersticas principales de la empresa.
Por ejemplo: prediccin tecnolgica en apoyo de investigacin y desarrollo y
planificacin estratgica.

CLASIFICACIN DE LAS TCNICAS DE PREVISIN


1

Histricas, la evolucin de una magnitud tiene inercia temporal, lo que


permite construir un modelo basado en el anlisis de series temporales.

Causales, se basa en la interrelacin entre varias variables; en un modelo


economtrico o en un modelo de variables latentes, algunas magnitudes son
causa de las variaciones de otras, y se pueden usar como predictores.

Otros, como las encuestas de opinin a expertos, mtodo Delphi, previsiones


por consumo y otras tcnicas subjetivas.

TIPO DE PREVISIN DE LOS MODELOS


Segn a las situaciones a las que se aplican tenemos:
1

Medios Escasos:
Corto Plazo.- La tcnica de alisado exponencial, Medias mviles, Modelos
Nave y Desestacionalizacin.
Medio Plazo.- Ajuste de tendencia.
Largo plazo.- Curva en S.

Medios Normales:
Corto Plazo.- ARIMA univariante, anlisis de intervencin, X-11 ARIMA y
Funciones de transferencia.
Medio Plazo.- Modelos economtricos uniecuacionales, modelos
economtricos de pequeo tamao y Modelos VAR.
Largo plazo.- Modelos con cambio estructural.

Medios Altamente Profesionalizados:


Corto Plazo.- Anlisis espectral, Modelos dinmicos y Filtros.
Medio Plazo.- Modelos multiecuacionales de gran tamao, Simulacin y
Input/Output.
Largo plazo.- Modelos con cambio estructural y Escenarios.

1.5.

ANLISIS DE SERIES TEMPORALES


Una serie temporal est formada por un conjunto de observaciones medidas a
lo largo del tiempo. Es frecuente que se observen varias magnitudes
simultneamente, en cuyo caso se tiene una serie temporal multivariante.

1.6.

OBJETIVO DEL ANLISIS DE UNA SERIE TEMPORAL


El objetivo bsico perseguido al realizar el anlisis de una serie temporal es la
prediccin, es decir, la extrapolacin de valores futuros de la serie a partir de los
datos disponibles.
Otro objetivo es la modelizacin, o conocimiento de la estructura temporal del
proceso generador de los datos.
Un ltimo objetivo es la actuacin externa o control, sobre el sistema a partir
de las predicciones sucesivas (ste es el caso tpico de un proceso de control de
calidad industrial o de servicios).

1.7.

FORMAS DE ANLISIS DE UNA SERIE TEMPORAL


Una serie temporal se puede analizar:
1

En el dominio del tiempo, consiste en construir un modelo economtrico


dependiente del tiempo.

En el dominio de las frecuencias, o anlisis espectral, trata sobre la deteccin


de posibles componentes cclicos y de la aportacin que realizan las distintas
frecuencias en la variabilidad de la serie. El anlisis espectral no persigue la
construccin de modelos de prediccin, sino simplemente investigar la
estructura interna del proceso estocstico generador de una serie.

1.8.

MTODOS USADOS EN EL DOMINIO DEL TIEMPO


El anlisis en el dominio temporal se realiza generalmente usando dos tipos de
tcnicas:

1.9.

Los mtodos clsicos, como los de regresin, alisado exponencial, o medias


mviles, empleados si el nmero de observaciones es pequeo (hasta 40).

Los mtodos de Box y Jenkins o utilizacin de modelos ARIMA, si se dispone


de suficiente material estadstico. Existen otros modelos derivados o
relacionados con esta metodologa.

TIPOS DE MODELOS DE SERIES TEMPORALES


En el enfoque inicialmente propuesto por Box y Jenkins, se suelen dividir
cinco clases de modelos con un grado creciente de complejidad y que pueden
denominarse:
1

Univariante,
Se enlaza con la ms clsica tradicin de tratamiento aislado de una
serie temporal, cuya evolucin se explica por los valores pasados de dicha
serie y un cierto trmino de error. Es decir:

( )Yt = ( ) ut
2

Funcin de transferencia,
La funcin de transferencia del filtro es el cociente de los dos
polinomiales de retardos definidos, ( ) , de la siguiente forma:
( )

Yt =

( )
u
( ) t

Con los mismos polinomiales de retardos definidos, de orden p y q,


entonces puede definirse el modelo (simple) de funcin de transferencia, con
ruido, como:

Yt =

( )
( )
Xt +
u
( )
( ) t

donde Yt puede interpretarse, a su vez, como la salida de dos filtros lineales,


uno sobre la variable de input y otro sobre la componente de ruido.

Generalizando al caso de ms de una variable explicativa, con K


cocientes distintos de polinomiales de retardos, uno por cada input; es:

Yt =

j =1

j ( )
j ( )

X jt +

( )
u
( ) t

Intervencin,
Cuando en el modelo de funcin de transferencia las variables X jt son
ficticias.

Multivariantes,
Se trata de modelos de varias variables de salida, considerando que
todos los polinomiales pueden ser distintos (tanto en orden como en valor de
los parmetros) la expresin formal matricial condensada es:

H ( ) Z t = F ( )U t
representando m ecuaciones en retardos sobre las m series temporales con
retardos tambin en m variables de error.
Puede considerarse que los polinomiales en posiciones de diagonal
principal comienzan con la unidad, mientras que los restantes comienzan con
una potencia de ; entonces cada uno de las ecuaciones se entiende que
.
explica el comportamiento de cada una de las variables Z jt
5

Funciones de transferencia mutlivariante,


Obtenido como generalizacin del modelo de funcin de transferencia
para un output nico.
Una posible expresin consiste en definir, para K variables de input
(exgenas) y G variables output (endgenas), la matriz V ( ) de G x K
ij ( )
, as como las matrices m x n de polinomiales
ij ( )
( ) y ( ) para los trminos de error, con lo que:

polinomiales del tipo

Yt = V ( ) X t + ( ) ( )U t
1

ANLISIS BSICO DE UNA SERIE DE TIEMPO


Definimos una serie temporal como un conjunto de mediciones de un
determinado fenmeno repetidas de forma homognea con una frecuencia
determinada. De forma genrica podemos representar una serie temporal de T
observaciones como:

Yt = (Y1 , Y2 ,......,YT )
Una primera aproximacin al anlisis de las series se puede conseguir
1 T
mediante las medidas clsicas de posicin: la media, Yt = Yt y la desviacin
T t =1
1 T
(Yt Y )2 .
tpica, DesYt =

T t =1

Habitualmente las series econmicas presentan una evolucin generalmente


creciente en el tiempo que hace que la media sea un valor poco representativo como
se observa en el grfico.
2,800

2,400

2,000

1,600

1,200

800

400
1950

1955

1960
CP

1965

1970

1975

1980

1985

@MEAN(CP,"1950q1 1988q1")

En el contexto de las series econmicas es frecuente acudir al anlisis de su dinmica


temporal para obtener una descripcin ms adecuada del fenmeno.

El clculo de tasas de variacin suele ser el procedimiento ms habitual para


analizar la dinmica de las series econmicas. El planteamiento ms simple de una
tasa de variacin, expresada en % es el siguiente:

%Yt =

Yt Yt 1
*100 = t 1 *100
Yt 1
Yt 1

Cuando estamos analizando series temporales de frecuencia superior al ao


podemos calcular distintas tasas de crecimiento alternativas.
Mensual
Y

Sobre el periodo anterior 11Yt = t 1 *100


Yt 1

Trimestral
Y

11Yt = t 1 *100
Yt 1

Sobre el mismo periodo


Yt

4
12
1 *100
del
ao
anterior 1 Yt = t 1 *100 1Yt =
Yt 4
Yt 12
(interanuales)
Las tasas interanuales presentan un comportamiento mas suavizado y
representan el movimiento tendencial de la variable, mientras que las tasas sobre el

periodo anterior recogen la dinmica ms reciente y son ms voltiles.


8
6
4

-2

0
-2
-4
1950 1955 1960 1965 1970 1975 1980 1985
TPA

TPAA

Para muchas aplicaciones economtricas es frecuente utilizar la


transformacin logartmica. Esta transformacin no altera las propiedades dinmicas
de la serie y reduce la volatilidad de la misma.
8.0

3000

2500

7.6

2000
7.2
1500

Mean
Std. Dev.
Ratio Des./Media
Observations

CP
1493.913
528.3112
35.36 %
149

LOG(CP)
7.244159
0.366872
5.06 %
149

6.8
1000
6.4

500
1955

1960

1965
CP

1970

1975

1980

1985

LOG(CP)

Si calculamos las diferencias de una serie transformada en logaritmos


obtenemos un valor similar a la tasa de variacin.
3
2
1
0
-1
-2
-3
1955

1960

1965

1970

1975

(LOG(CP)-LOG(CP(-1)))*100

1980

1985
TPA

La transformacin de Box-Cox se define como:

Wt = B C (Yt ) = Yt
Se tiene los valores siguientes:

para 2 2

Yt2
=2
2

= 0,5
Yt
Ln(Yt ) para
=0
1

= 0,5
Wt = 2 Y

t
1

= 1
Yt

2
Yt

Graficando tenemos:
1/SQR(CP)

CP^2

SQR(CP)

.040

7000000

52

6000000

48

5000000

44

.032

4000000

40

.028

3000000

36

.024

2000000

32

1000000

28

.036

.020
.016

24
1955

1960

1965

1970

1975

1980

1985

1955
1955

1960

1965

LOG(CP)

1970

1975

1980

1960

1/CP

8.0

1965

1970

1975

1980

1985

1985

1/CP^2

.0014

.0000020

7.8
.0012
7.6

.0000016
.0010

7.4

.0000012

7.2

.0008

7.0

.0000008

.0006
6.8
.0004

6.6
6.4
1955

.0000004

.0002
1960

1965

1970

1975

1980

1985

1955

1960

1965

1970

1975

1980

1985

.0000000
1955

1960

1965

1970

1975

1980

1985

ANLISIS PRIMARIO DE UNA SERIE DE TIEMPO


Sobre una serie temporal Yt podemos identificar una serie de componentes
bsicos que se denominan respectivamente como:
1

TENDENCIA: Tt Movimientos de larga duracin que se mantienen durante


todo el periodo de observacin.

CICLO: Ct Oscilaciones alrededor de la tendencia producidos por perodos


alternativos de prosperidad y depresin.

ESTACIONALIDAD: St Movimiento que se produce, dentro de un periodo


anual, por motivos no estrictamente econmicos (climticos, sociales, etc.).

IRREGULARIDAD: It Movimientos errticos generados por causas ajenas al


fenmeno econmico y no repetidos en el tiempo.
Otra forma de agrupar los componentes es:

Deterministico

Tendencia, Estacionalidad.

Modelable

Es posible hacer un modelo para reproducir una

estructura. El componente modelable es estocstico.


3

Error, no se puede modelar ni deterministicamente ni


estocsticamente.

Irregulares

Podemos plantear diferentes esquemas alternativos de descomposicin de una


serie temporal:
1

ADITIVO:

Yt = Tt + Ct + S t + I t
2

MULTIPLICATIVO:

Yt = Tt * Ct * St * I t
3

MIXTO:

Yt = Tt * (1 + Ct ) * (1 + St ) + I t
Generalmente, el proceso de descomposicin de una serie se realiza, en el
enfoque clsico, mediante un proceso secuencial de identificacin y separacin de
componentes.
Por regla general el orden en el que se van identificando los sucesivos
componentes es el siguiente (para estructura aditiva):

3.1.

Estacionalidad

St = f (Yt )

Yt1 = Yt St

Tendencia

Tt = f (Yt1 )

Yt 2 = Yt1 Tt

Ciclo

C t = f (Yt 2 )

Componente irregular

I t = Yt 2 C t

DESESTACIONALIZACIN
Es frecuente antes de aplicar un proceso de desestacionalizacin realizar un
anlisis de LABORALIDAD y efecto PASCUA (Semana Santa).
* LABORALIDAD: Correccin de los datos originales en funcin del nmero de
das laborables de cada mes. Por ejemplo, una serie mensual se
puede homogeneizar a meses de 30 das, multiplicando los
datos de enero por 30/31, los de febrero por 30/28 o por 30/29
si el ao es bisiesto, etc. En este tratamiento previo, se aconseja
realizar un grfico temporal de la serie.
* Efecto PASCUA: Correccin que se aplica a los meses de Abril o Marzo en
funcin de las fechas de Semana Santa.

A las series de las que se han eliminado estos efectos se les denomina SERIES
CORREGIDAS DE CALENDARIO.
Las series temporales de datos econmicos presentan generalmente
caractersticas estacionales cuando se observan a una frecuencia inferior a la anual,
ya sea mediante datos trimestrales, mensuales, bimestrales o semanales.
Estas caractersticas se deben a que las decisiones tomadas por los agentes
econmicos en un determinado trimestre (bimestre, mes, o semana) del ao puede
estar correlacionado con las decisiones tomadas en el mismo trimestre (bimestre, mes
o semana) de otros aos.
La identificacin del elemento estacional es importante cuando el objetivo es
explicar el comportamiento de la variable endgena, dado que una parte de las
fluctuaciones de esta se manifiesta por el solo hecho de encontrarse en una poca del
ao.
Tambin es importante cuando el objetivo es predecir, puesto que las
diferencias estacionales motivan que aun siendo idnticos los valores de las variables
exgenas en cada parte del ao se deber predecir diferentes valores para la variable
endgena.
Este fenmeno se puede detectar:
1

GRFICO DE BARRAS.- Nos interesa observar los picos que se dan en la


serie y si estos picos se repiten todos los aos, podemos concluir que existe
estacionalidad.
Realizando el grfico del Producto Bruto Interno Agrcola y del
Consumo Personal Real:
PBIA

CP

70

820

60

800
780

50

760
40

740
30

720
20
92M01

92M07

93M01

93M07

94M01

700
1950

1951

1952

1953

Observando los grficos se concluye que el Producto Bruto Interno


Agrcola presenta indicios de estacionalidad porque presenta picos que se
repiten en enero y octubre de cada ao; en cambio, en el Consumo Personal
Real no presenta indicios de estacionalidad porque los picos no se repiten.
2

LINEAS APILADAS.- Nos interesa observar el comportamiento de cada mes


o trimestre, si el comportamiento es diferente, entonces existe estacionalidad.

Realizando el grfico del Producto Bruto Interno Agrcola y del


Consumo Personal Real:
CP by Season
PBIA by Season

2800

70

2400
60

2000
50

1600
40

1200

30

800

20
Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

400

Dec

Means by Season

Q1

Q2
CP

Q3

Q4

Means by Season

Observando los grficos se concluye que el Consumo Personal Real no


presenta estacionalidad y el Producto Bruto Interno agrcola si presenta
estacionalidad.
3

LINEAS SEPARADAS.- Nos interesa observar el comportamiento de cada


mes o trimestre, si el comportamiento es diferente, entonces existe
estacionalidad.
Realizando el grfico del Producto Bruto Interno Agrcola y del
Consumo Personal Real:
CP by Season
PBIA by Season

2800

70
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec

60

50

40

30

20
1992

1993

1994

2400
2000
1600
1200

Q1
Q2
Q3
Q4

800
400
1950 1955 1960 1965 1970 1975 1980 1985

Observando los grficos se concluye que el Consumo Personal Real no


presenta estacionalidad y el Producto Bruto Interno agrcola si presenta
estacionalidad.
4

CORRELOGRAMA.Para analizar la estacionalidad de una serie introduciremos un concepto


de gran inters en el anlisis de series temporales: la funcin de
autocorrelacin.
La funcin de autocorrelacin mide la correlacin entre los valores de
la serie distanciados un lapso de tiempo k.
La funcin de autocorrelacin es el conjunto de coeficientes de
autocorrelacin rk desde 1 hasta un mximo que no puede exceder la mitad de

los valores observados, y es de gran importancia para estudiar la


estacionalidad de la serie, ya que si sta existe, los valores separados entre s
por intervalos iguales al periodo estacional deben estar correlacionados de
alguna forma. Es decir que el coeficiente de autocorrelacin para un retardo
igual al periodo estacional debe ser significativamente diferente de 0.
Debemos obtener el correlograma considerando 25 retardos si la serie
es mensual, 9 retardos si la serie es trimestral, etc.. Se tiene que observar los
picos que se dan en el correlograma y si estos picos se repiten en el mismo
periodo en los siguientes aos, podemos concluir que existe estacionalidad.
El correlograma del Producto Bruto Interno Agrcola se obtiene
siguiendo la instruccin siguiente:
Abrir el PBIA
25 lag

OK

View

Correlogram...

se marca level y se escribe

y se muestra el siguiente resultado para el PBIA:

Sample: 1992M01 1995M12


Included observations: 30
Autocorrelation
. |***** |
. |**. |
. *| . |
***| . |
***| . |
***| . |
***| . |
.**| . |
. | . |
. |**. |
. |*** |
. |**** |
. |*** |
. |* . |
. *| . |
.**| . |
.**| . |
.**| . |
. *| . |
. | . |
. | . |
. | . |
. | . |
. | . |
. | . |

Partial Correlation
. |***** |
***| . |
.**| . |
. *| . |
. *| . |
.**| . |
. *| . |
. *| . |
. |* . |
. |* . |
. |* . |
. | . |
. | . |
. | . |
. | . |
. | . |
. | . |
. | . |
. |* . |
. *| . |
.**| . |
. *| . |
. *| . |
. *| . |
. | . |

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

AC

PAC

Q-Stat

Prob

0.672
0.234
-0.150
-0.350
-0.408
-0.398
-0.330
-0.247
-0.024
0.246
0.458
0.484
0.330
0.095
-0.133
-0.245
-0.291
-0.264
-0.141
-0.027
0.017
0.047
0.041
0.000
0.000

0.672
-0.396
-0.222
-0.069
-0.141
-0.199
-0.127
-0.177
0.160
0.127
0.115
0.031
0.001
-0.000
-0.022
0.045
-0.023
0.030
0.164
-0.066
-0.216
-0.067
-0.186
-0.176
0.033

14.927
16.798
17.596
22.131
28.534
34.869
39.414
42.085
42.112
45.015
55.594
68.113
74.278
74.816
75.956
80.088
86.322
91.891
93.636
93.705
93.735
94.000
94.235
94.235
94.235

0.000
0.000
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

Si observamos el correlograma del producto bruto interno agrcola se


visualiza que el pico del retardo 5 se repite en el retardo 17, por lo tanto,
podemos concluir que el producto bruto interno agrcola es estacional.

El correlograma del Consumo Personal Real se obtiene siguiendo la


instruccin siguiente:
Abrir el CP
lag

View

Correlogram...

se marca level y se escribe 9

OK y se muestra el siguiente resultado para el CP:

Sample: 1950Q1 1988Q1


Included observations: 153
Autocorrelation
.|*******|
.|*******|
.|*******|
.|****** |
.|****** |
.|****** |
.|***** |
.|***** |
.|***** |

Partial Correlation
.|*******|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|

AC
1
2
3
4
5
6
7
8
9

0.955
0.911
0.868
0.825
0.786
0.747
0.711
0.677
0.645

PAC

Q-Stat

Prob

0.955
-0.014
-0.014
-0.012
0.008
-0.010
0.006
0.008
0.008

142.33
272.69
391.73
500.15
599.06
689.07
771.12
846.07
914.68

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

El comportamiento del coeficiente de autocorrelacin del consumo


personal real no presenta picos, por lo tanto, concluimos que el consumo
personal real no es estacional.
Los mtodos para cuantificar la estacionalidad y desestacionalizar la
serie son:
1

REGRESIN CON VARIABLES DUMMY.En el mtodo de regresin se utiliza una serie de variables mudas para
capturar los efectos estacionales:
Yt = 0 + 1 D1 + ..... + k Dk + Yt 1 + t
donde cada variable Di toma valores 1 en el perodo que sta representa (p. e.,
enero de cada ao) y cero en cualquier otro perodo. El modelo puede ser
extendido para incluir otras variables explicativas o un proceso ms complejo
(aunque estacionario) para el error (p. e., un ARMA).
En la medida en que los coeficientes i sean estadsticamente
significativos, habr componentes estacionales. Consecuentemente, la serie
desestacionalizada Yt SE se calcula como:

Yt SE = Yt 0 1 D1 ..... k Dk
donde i son los parmetros estimados para cada componente estacional que
resulten significativos.
Como es evidente, al modelar la estacionalidad de esta manera se
asume que el efecto estacional sea determinstico (o constante en valor
esperado), es decir, que en cada ao el cambio en la variable por razones
estacionales sea exactamente el mismo. Ello no es un supuesto adecuado para

muchas de las variables econmicas debido a que el comportamiento


estacional se determina por numerosas y muy heterogneas fuentes, lo que
sugiere que ste sea modelado como una variable aleatoria.
El uso de variables mudas para modelar estacionalidad en un anlisis de
regresin presenta el problema de inducir correlaciones espurias entre las
variables, en tanto que su uso para predecir variables en modelos de series de
tiempo (p.e., ARIMA, VAR) produce predicciones fuera de muestra que son
de peor calidad que las que se obtienen de otros mtodos (X-11 o la variacin
en x-perodos), en especial en modelos multivariados.
No obstante, este mtodo satisface algunas caractersticas que son
deseables en cualquier mtodo de remocin de estacionalidad: que se preserve
el promedio de la serie original, que los componentes estacionales sean
ortogonales entre s, y que al aplicar el mtodo a la serie desestacionalizada no
se obtengan nuevos factores estacionales (idempotencia).
Aplicando este mtodo a la serie Consumo personal real tenemos:
Dependent Variable: CP
Method: Least Squares
Sample (adjusted): 1950Q2 1988Q1
Included observations: 152 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
@SEAS(1)
@SEAS(2)
@SEAS(3)
CP(-1)

0.940573
2.577797
1.529906
4.609948
1.006017

3.380101
2.784144
2.784490
2.784212
0.001863

0.278268
0.925885
0.549438
1.655746
539.9100

0.7812
0.3560
0.5835
0.0999
0.0000

R-squared

0.999496

Mean dependent var

1479.040

En la regresin ninguna de las variables dummy son significativas, por


lo tanto el consumo personal real no presenta estacionalidad.
En GRETL se obtiene el mismo resultado:
Modelo 1: MCO, usando las observaciones 1950:2-1988:1 (T = 152)
Variable dependiente: CP
Coeficiente Desv. Tpica Estadstico t
Valor p
Const
0,940573
3,3801
0,2783
0,78120
dq1
2,5778
2,78414
0,9259
0,35602
dq2
1,52991
2,78449
0,5494
0,58354
dq3
4,60995
2,78421
1,6557
0,09991 *
CP_1
1,00602
0,0018633
539,9100
<0,00001 ***
Media de la vble. dep.
1479,040
D.T. de la vble. dep.
533,5063
Suma de cuad. residuos
21648,89
D.T. de la regresin
12,13554
R-cuadrado
0,999496
R-cuadrado corregido
0,999483
F(4, 147)
72922,06
Valor p (de F)
3,0e-241

Log-verosimilitud
Criterio de Schwarz
Rho

-592,5497
1210,219
0,147941

Criterio de Akaike
Crit. de Hannan-Quinn
h de Durbin

1195,099
1201,241
1,818406

Aplicndolo en Eviews para Producto bruto interno agrcola resulta:


Dependent Variable: PBIA
Method: Least Squares
Sample (adjusted): 1992M02 1994M06
Included observations: 29 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
@SEAS(1)
@SEAS(2)
@SEAS(3)
@SEAS(4)
@SEAS(5)
@SEAS(6)
@SEAS(7)
@SEAS(8)
@SEAS(9)
@SEAS(10)
@SEAS(11)
PBIA(-1)

-11.66865
-3.149474
4.600756
1.089949
8.744458
5.446288
-4.584691
-8.288786
-21.88337
-9.241514
-4.739175
2.503367
1.402257

3.817922
1.741879
1.631591
1.591708
1.611761
2.162990
3.175343
3.077233
3.103516
1.983766
1.756342
1.757713
0.122378

-3.056282
-1.808090
2.819797
0.684767
5.425405
2.517944
-1.443841
-2.693585
-7.051155
-4.658570
-2.698321
1.424218
11.45837

0.0075
0.0894
0.0123
0.5033
0.0001
0.0228
0.1681
0.0160
0.0000
0.0003
0.0158
0.1736
0.0000

R-squared

0.986385

Mean dependent var

37.99448

En la regresin, siete de las variables dummy son significativas, por lo


tanto el Producto bruto interno agrcola presenta estacionalidad. Entonces se
aplica el mtodo aditivo para desestacionalizar.
2

MEDIA MVIL.- Se desestacionaliza transformando la serie original en la


que las nuevas observaciones para cada periodo son un promedio de las
observaciones originales. El orden de la media mvil indica el nmero de
observaciones a promediar.

Sin centrar

Mensuales Orden 12

Trimestrales Orden 4

1 11
MM Yt = Yt r
12 r =0

MM 4Yt =

12

MMc12Yt =

Centrada

1 +6
Yt r
12 r = 6

Con = 0.5 para r=-6 y


+6 y = 1 el resto.

MMc 4Yt =

1 3
Yt r
4 r =0

1 +2
Yt r
4 r = 2

Con = 0,5 para r = -2 y +2


y = 1 el resto.

Aplicando la media mvil sin centrar al consumo personal real nos


dara los siguientes factores estacionales:
En el Eviews se sigue la instruccin siguiente:
Genr mvscp = @movav(cp,4) y se obtiene la serie desestacionalizada
empleando la media mvil sin centrar.
Genr mvccp = (0.5*cp(-2)+cp(-1)+cp+cp(+1)+0.5*cp(+2))/4 y se obtiene la
serie desestacionalizada empleando la media mvil central.
En Gretl se sigue la instruccin siguiente:
Marcamos CP

Variable

marcar serie suavizada

Filtrar

Media Mvil simple

Aceptar, para obtener la media mvil sin centrar.

Filtrar Media Mvil simple


marcar centrada y serie suavizada Aceptar, para obtener la media mvil

Marcamos CP

Variable

centrada.
3

RATIO DE MEDIO MVIL.- Los pasos para obtener el ratio de promedio


mvil son:
1)

Se calcula el promedio mvil central de Yt como:

0.5Yt + 6 + Yt + 5 + ...+ Yt + ...+ Yt 5 + 0.5Yt 6

X t = 0.5Y + Y + 12
Yt + Yt 1 + 0.5Yt 2
t+2
t +1

2)

trimestral

Se considera el ratio:

rt =

3)

mensual

Yt
Xt

Calculamos el ndice estacional

(i )
m

como el promedio del ratio de

promedio mvil para ese mes o trimestre en el periodo analizado.

1)

El factor estacional es el ratio entre el ndice estacional y la media


geomtrica de los ndices estacionales, as:

im
12 i i ...i
1 2 12
s=
im

4 i1i2 i3i4

mensuales
trimestres

En el Eviews se sigue la instruccin siguiente:


Abrir el CP

Proc

Seasonal Adjusment

moving average - Multiplicative


para el CP:

OK

se marca Ratio to

y se muestra el siguiente resultado

Sample: 1950Q1 1988Q1


Included observations: 153
Ratio to Moving Average
Original Series: CP
Adjusted Series: CPSA
Scaling Factors:
1
2
3
4

1.000019
0.999470
1.000848
0.999663

DIFERENCIA DE PROMEDIO MVIL.- Los pasos para obtener la


diferencia de promedio mvil son:
1.-

Se calcula el promedio mvil central de Yt como:

0.5Yt + 6 + Yt + 5 + ...+ Yt + ...+ Yt 5 + 0.5Yt 6

X t = 0.5Y + Y + 12
Yt + Yt 1 + 0.5Yt 2
t+2
t +1

mensual
trimestral

2.-

Se considera la diferencia:

3.-

i como el promedio de la diferencia


Calculamos el ndice estacional m
de promedio mvil para ese mes o trimestre en el periodo analizado.

4.-

d t = Yt X t

( )

El factor estacional es la diferencia entre el ndice estacional y el


promedio de los ndices estacionales, as:

sj = ij i
En el Eviews se sigue la instruccin siguiente:
Abrir el CP

Seasonal Adjusment Difference from moving


OK y se muestra el siguiente resultado para el CP:

Proc

average - Additive

Sample: 1950Q1 1988Q1


Included observations: 153
Difference from Moving Average
Original Series: CP
Adjusted Series: CPSA1
Scaling Factors:
1
2
3
4

-0.132086
-0.941545
1.444906
-0.371275

ALISADO.- Las tcnicas de alisado exponencial se utilizan en situaciones en


las que existen pocos datos (muestra pequea), y si es necesario ir
actualizando el modelo empleado cada vez que se obtiene un nuevo dato. Son
muy simples en su aplicacin pero limitados.
El Modelo de Holt-Winters, para series con tendencia polinomial, ciclo
estacional y componente aleatoria, tanto para tipo aditivo como multiplicativo.
El Alisado exponencial estacional con triple parmetro (Holt-Winters
estacional-multiplicativo) es:

Y
Yt = * t + (1 )* Yt 1 + bt 1
st s
b = * Y Y + (1 )* b

st =

La prediccin es:

t 1

t 1

Yt
+ (1 )st s
Yt

Yt + k = Yt + bt * k * st s + k
Vlido para series con tendencia lineal y estacionalidad. El factor
estacional no es fijo en el ajuste a periodo muestral.
En el Eviews se sigue la instruccin siguiente:

Proc Exponential Smoothing Holt-Winters


OK y se muestra el siguiente resultado:

Abrir el PBIA
Multiplicativo

Sample: 1992M01 1994M06


Included observations: 30
Method: Holt-Winters Multiplicative Seasonal
Original Series: PBIA
Forecast Series: PBIASM

Parameters:

Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:

0.8700
1.0000
0.0000
42.98890
1.197065
Mean
Trend
Seasonals: 1993M07
1993M08
1993M09
1993M10
1993M11
1993M12
1994M01
1994M02
1994M03
1994M04
1994M05
1994M06

49.38024
4.217104
1.406998
1.032589
0.865693
0.758299
0.807855
0.810340
0.735470
0.848620
0.874647
1.113844
1.338879
1.406765

El Alisado exponencial estacional con triple parmetro (Holt-Winters


estacional-aditivo) es:
Yt = * (Yt st s ) + (1 )* Yt 1 + bt 1
b = * Y Y + (1 )* b

(
)
s = * (Y Y ) + (1 )s
t

t 1

t 1

t s

La prediccin es:

Yt + k = Yt + bt * k + st s + k
Vlido para series con tendencia lineal y estacionalidad. El factor
estacional no es fijo en el ajuste a periodo muestral.
En el Eviews se sigue la instruccin siguiente:
Abrir el PBIA
Aditivo

Proc

Exponential Smoothing

OK y se muestra el siguiente resultado:

Sample: 1992M01 1994M06


Included observations: 30
Method: Holt-Winters Additive Seasonal
Original Series: PBIA
Forecast Series: PBIASM1
Parameters:

Alpha
Beta
Gamma
Sum of Squared Residuals

0.9400
1.0000
0.0000
54.46170

Holt-Winters

Root Mean Squared Error


End of Period Levels:

1.347364
Mean
Trend
Seasonals: 1993M07
1993M08
1993M09
1993M10
1993M11
1993M12
1994M01
1994M02
1994M03
1994M04
1994M05
1994M06

54.92442
6.410787
14.64229
1.253542
-4.815208
-8.758958
-6.982708
-6.931458
-9.250208
-5.313958
-4.442708
4.013542
12.04479
14.54104

METODO X11.- Un procedimiento de estimacin de los componentes de una


serie temporal es el desarrollo por J. Siskin en la Oficina del Censo de los
Estados Unidos.
Este programa X11 se usa en numerosos organismos pblicos, as
como en el sector financiero, y permite ajustar series mensuales y trimestrales
mediante el mtodo aditivo, multiplicativo y mixto. Incluye numerosas
opciones para tener en cuenta las fiestas, los das no laborables, e incluso para
detectar y corregir automticamente los datos anormales.
Los resultados que muestra el mtodo son:
a.b.c.d.-

Estimacin de la tendencia.
Determinacin de unos coeficientes estacionales.
Estimacin de la componente aleatoria, y
Varios contrastes para detectar la estacionalidad.

Dispone de numerosas opciones, en las que se proporcionan muy


variadas y extensas tablas relativas a las componentes, en las distintas fases de
la estimacin, ya que el procedimiento realiza varias iteraciones antes de
estimar finalmente las componentes del modelo, incluido el modelo ARIMA
para la componente aleatoria.
En unas iteraciones iniciales, se estiman las componentes de la serie y
se corrigen los datos en funcin de los das laborables (si se elige esta opcin).
Se identifican las observaciones extremas o anormales, y as se llega a unas
estimaciones finales de las componentes.
En la primera iteracin, con una media mvil centrada de amplitud 12,
se obtiene una estimacin inicial de la tendencia y ciclo, eliminando variacin
estacional e irregular, que se estiman por diferencia o por cociente segn el
tipo de modelo.

En la segunda etapa, se aplican medias mviles a la serie que incluye


las componentes estacionales y la irregular, para estimar esta ltima, y se
obtiene tambin su desviacin tpica mensual. De esta forma se estiman y
corrigen los valores extremos, y con una nueva media mvil se estima la
componente estacional. Los ndices estacionales se usan para obtener una
primera aproximacin de la serie desestacionalizada, a partir de la cual, y
mediante una media mvil ponderada, se obtienen una segunda estimacin de
las componentes agregadas de tendencia y ciclo no estacional.
El mismo procedimiento se utiliza para obtener una segunda estimacin
de la serie desestacionalizada y de la componente irregular, que es de nuevo
corregida en sus valores extremos o anormales.
En una tercera y ltima iteracin, se estiman finalmente los ndices
estacionales, y las componentes irregular y tendencial.
En el Eviews se tiene:
T
S
I

representa la tendencia de la serie y los ciclos no estacionales.


componente estacional.
componente aleatoria o irregular.
En el Eviews se sigue la instruccin siguiente:

Abrir el CP

Proc

Seasonal Adjusment

Census X11-Multiplicative y se escribe en Factor: FEM


7

X11 (Historical)

OK.

CENSUS X12-ARIMA.- es un programa de cdigo abierto creado por el U.S.


Census Bureau. Este es un programa de correccin estacional que incorpora
algunas mejoras con respecto al programa X11-ARIMA (Statistics Canada)
como el desarrollo de nuevas medidas de identificacin de modelos y de
diagnstico de ajustes.
Adems es un programa de reajuste estacional. Tambin el Census
X12-ARIMA es un mtodo basado en promedios mviles, los cuales se
sustentan en el dominio del tiempo o en el de frecuencias. Census X12ARIMA logra el ajuste estacional con el desarrollo de un sistema de los
factores que explican la variacin estacional en una serie.
En aos recientes, el Census X12-ARIMA ha adquirido relevancia en
vista de que entre sus innovaciones se encuentran procedimientos basados en
modelos (model based) como el Seats, el cual supone un modelo ARIMA
para cada uno de los componentes de la serie de tiempo de inters.
Especficamente, considera los modelos RegARIMA, los cuales son modelos
de regresin cuyos errores siguen un proceso ARIMA. Por lo anterior, este
programa es muy utilizado en varios bancos centrales, as como en varias
oficinas de estadstica como la de la Unin Europea (Eurostat) y la de Per.

En el Eviews se sigue la instruccin siguiente:


Abrir el CP Proc Seasonal Adjusment Census X12 se
marca Multiplicative, Final seasonally adjusted serie y Final seasonal factors

OK.

TRAMO/SEATS.- las siglas de Tramo significan Time Series Regression


with ARIMA Noise, Missing Observations, and Outliers y las de Seats
Signal Extraction in ARIMA Time Series. Estos programas (que
normalmente se usan juntos) han sido desarrollados por Vctor Gmez y
Agustn Maravall del Banco de Espaa.
Tramo es un programa para estimar y pronosticar modelos de regresin
con errores posiblemente no estacionarios como los ARIMA (Autoregressive
Integrated Moving Average) y cualquier serie de observaciones ausentes,
tambin identifica y corrige observaciones atpicas como por ejemplo: el
efecto Pascua, Calendario y el relacionado a formas de variables de
intervencin. El programa es eficiente en el ajuste estacional de series, y ms
en la extraccin de seales estocsticas. El ajuste de la serie con el programa
Tramo, corresponde al procedimiento que realizaba SCA (Scientific
Computing Associates).
Seats es un programa para la estimacin de los componentes no
observados en series temporales, siguiendo el mtodo basado en modelos
ARIMA. Se estima y se obtienen predicciones de la tendencia, el componente
estacional, el componente irregular y los componentes cclicos. Adems se
obtienen los estimadores con error cuadrtico medio mnimo (ECMM) de los
componentes, as como sus predicciones tambin. Seats puede usarse para un
anlisis profundo de series o para aplicaciones rutinarias masivas. La
estimacin que realiza Seats corresponde a la metodologa que llevaba a cabo
X11- ARIMA.
Citando la descripcin de Tramo/Seats dada en el sitio Web del Banco
de Espaa1, Los programas estn dirigidos fundamentalmente al anlisis de
series temporales econmicas y sociales, de frecuencia mensual o ms baja.
Aunque estn estructurados para satisfacer las necesidades de un analista
experto, pueden utilizarse tambin de forma totalmente automtica. Sus
principales aplicaciones son prediccin, ajuste estacional, deteccin y
correccin de observaciones atpicas, estimacin de efectos especiales, y
control de calidad de los datos.
En conjunto, Tramo/Seats realiza la estimacin ARIMA y la
descomposicin en componentes aditivos o multiplicativos; por lo que Tramo
hace la estimacin, mientras que Seats hace la descomposicin. Asimismo se
recomienda el uso de este programa para obtener un buen punto de partida al
ajustar alguna serie.
En el Eviews se sigue la instruccin siguiente:

Abrir el CP

Proc

Seasonal Adjusment

marca Seasonally adjusted y seasonal factor


3.2.

OK.

Tramo/Seats

se

TENDENCIA
Es un movimiento de larga duracin que se mantiene durante el perodo de
observacin. Una primera idea sobre la presencia de tendencia en la serie la
obtendremos en su representacin grfica.
En general es difcil diferenciar entre el componente tendencial y el cclico y,
habitualmente, se obtienen de forma conjunta eliminando de la serie
desestacionalizada el componente irregular, obtenindose una nueva serie
denominada de CICLO-TENDENCIA.
Se tiene los mtodos siguientes:
1

MEDIA MVIL CENTRADA.- Una forma sencilla de eliminar el


componente irregular consiste en calcular una media mvil centrada de orden
bajo (p.e. 3) sobre la serie previamente desestacionalizada.

Yt CT =

1 +1 SE
Yt s
3 s = 1

El componente irregular se obtendra por diferencia (mtodo aditivo)


entre la serie desestacionalizada y la de Ciclo-Tendencia, as:

Yt I = Yt SE Yt CT
En el Eviews se sigue la instruccin siguiente:
Genr mvc3cp = (cp(-1)+cp+cp(+1))/3 y se obtiene el ciclo-tendencia siguiente:
1950Q1
1951Q1
1952Q1
1953Q1
1954Q1
1955Q1

Modified: 1950Q1 1988Q1 // mvc3cp = (cp(-1)+cp+cp(+1))/3


NA
730.8333
740.3667
749.9000
745.0667
747.5000
746.8000
751.6000
758.3667
765.1667
776.9333
787.5000
797.8333
802.2000
803.3667
804.5000
808.2333
816.2333
827.9667
841.6333
855.5667
867.4667
879.9333
888.6000

FUNCIONES DE TIEMPO.- se obtiene la nueva serie de componente


tendencial ajustando los datos observados a una especificacin en funcin del
tiempo, calculndose los parmetros de la funcin de tiempo forma que se
minimicen las diferencias cuadrticas entre la serie original y la estimada. Es
decir:
Y = Y 2 = f (t , ) / Min(Y Y 2 ) 2
t

Se pueden plantear distintas especificaciones de la funcin:

Lineal

Yt = a + b * t

Lineal

60
50
40
30
20
10
0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 1516 17 18 19 20

Parbola

Parbola

150

Yt = a + b * t + c * t 2

100
50
0
1 2 3 4 5 6 7 8 9 10 1112 13 1415 1617 18 1920

Yt = a * b t

Exponencial

Exponencial

200
150

Ln(Yt ) = c + d * t

100
50
0
1 2 3 4 5 6 7 8 9 1011 1213 1415 16 1718 1920

Potencial

200

Potencial

Yt = a * t b

150

Ln(Yt ) = c + d * Ln(t )

100
50
0
1 2 3 4 5 6 7 8 9 10 1112 1314 1516 1718 1920

En Eviews se escribe la instruccin siguiente:


LS CP C @TREND
LINEAL
LS CP C @TREND @TREND^2
PARBOLA
LS LOG(CP) C @TREND
EXPONENCIAL
LS LOG(CP) C LOG(@TREND)
POTENCIAL
Se obtiene el resultado siguiente:
Variable
Included Observation

CP
153

Equation

Yt = 551.89 +11.976*t

R-Squared
R-Square Adjusted
Sum Square Error
(SSE)

0.982551
0.999980
760146.960164

Yt = 689.46 +6.6505*t Yt = 716.86 *


+0.03458*t**2
(1.0085**t)
0.995333
0.993978
0.999990
0.961511
203307.057636

0.024479

Adicionalmente tenemos los modelos que incorporan un componente


cclico, como:

1.-

Modelo de tendencia senoidal simple.El modelo es:


2t
2t
2t
2t
Yt = 0 + 1t + 2 sen
+ 3 cos
+ 4 tsen
+ 5 t cos
+ ut
w
w
w
w

donde w es el nmero de observaciones en un ao.


En Eviews, primero hay que generar el ngulo, as:
GENR O = (2*3.14159*@TREND)/12
GENR O = (2*3.14159*@TREND)/4
y a continuacin se escribe la instruccin siguiente:
LS CP C @TREND @SIN(O) @COS(O) @TREND*@SIN(O) @TREND*@COS(O)
Resulta:
Dependent Variable: CP
Method: Least Squares
Sample: 1950Q1 1988Q1
Included observations: 153
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
@TREND
@SIN(O)
@COS(O)
@TREND*@SIN(O)
@TREND*@COS(O)

563.7933
11.97613
6.007610
2.679173
-0.080349
-0.020915

11.56697
0.131602
16.48854
16.22456
0.187892
0.184291

48.74167
91.00294
0.364351
0.165131
-0.427635
-0.113487

0.0000
0.0000
0.7161
0.8691
0.6695
0.9098

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

2.-

0.982576
0.981984
71.85795
759044.1
-868.0650
0.033761

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1474.026
535.3530
11.42569
11.54453
1657.947
0.000000

Modelo de tendencia senoidal cuadrtico.El modelo es:

2t
2t
2t
Yt = 0 + 1t + 2 t 2 + 3 sen + 4 cos + 5tsen +
w
w
w
2t
2t
2t
6 t cos + 7 t 2 sen + 8 t 2 cos + ut
w
w
w
donde w es el nmero de observaciones en un ao.

LS

En Eviews, primero hay que generar el ngulo, as:


GENR O = (2*3.14159*@TREND)/12
GENR O = (2*3.14159*@TREND)/4
y a continuacin se escribe la instruccin siguiente:
CP C @TREND @TREND^2 @SIN(O) @COS(O) @TREND*@SIN(O)
@TREND*@COS(O) @TREND^2*@SIN(O) @TREND^2*@COS(O)
Obteniendo:
Dependent Variable: CP
Method: Least Squares
Sample: 1950Q1 1988Q1
Included observations: 153

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
@TREND
@TREND^2
@SIN(O)
@COS(O)
@TREND*@SIN(O)
@TREND*@COS(O)
@TREND^2*@SIN(O)
@TREND^2*@COS(O)

696.2372
6.716405
0.034602
0.011491
-1.803156
0.018841
0.086830
-0.000200
-0.000709

9.007112
0.273801
0.001744
12.93618
12.52636
0.393081
0.380987
0.002504
0.002425

77.29860
24.53023
19.84635
0.000888
-0.143949
0.047933
0.227907
-0.079986
-0.292256

0.0000
0.0000
0.0000
0.9993
0.8857
0.9618
0.8200
0.9364
0.7705

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

0.995339
0.995080
37.55118
203053.1
-767.1926
0.104706

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1474.026
535.3530
10.14631
10.32457
3843.774
0.000000

ALISADO.- Las tcnicas de alisado exponencial se utilizan en situaciones en


las que existen pocos datos, y si es necesario ir actualizando el modelo
empleado cada vez que se obtiene un nuevo dato. Son muy simples en su
aplicacin pero limitados.
Alisado exponencial simple:

Yt = * Yt + (1 )* Yt 1
N 1

s
Yt = * (1 ) Yt s
s =0

Prediccin:

Yt + k = Yt

k > 0

Vlido para series sin tendencia. La prediccin no aporta informacin


adicional.

En el Eviews se sigue la instruccin siguiente:

Abrir el PBIA Proc Exponential Smoothing


se muestra el siguiente resultado:

Single

OK y

Sample: 1992M01 1994M06


Included observations: 30
Method: Single Exponential
Original Series: PBIA
Forecast Series: PBIASM
Parameters: Alpha
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:

0.9990
1345.407
6.696782
Mean

69.42131

Alisado exponencial doble (Brown):

( )

Yt1 = * Yt + (1 )* Yt1
Y = * Y 1 + (1 )* Y
t

t 1

Prediccin:

k 1
k
* Yt 1 +
* Yt =
Yt + k = 2 +
(1 )

(1 )

= 2 * Yt1 Yt +
Yt1 Yt k
(1 )

Vlido para series con tendencia lineal. La prediccin es una recta con
ordenada en el origen 2 * Yt1 Yt y pendiente Yt1 Yt (1 ).

En el Eviews se sigue la instruccin siguiente:


Abrir el PBIA Proc Exponential Smoothing
OK y se muestra el siguiente resultado:
Sample: 1992M01 1994M06
Included observations: 30
Method: Double Exponential
Original Series: PBIA
Forecast Series: PBIASM
Parameters: Alpha
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:

0.8560
1320.795
6.635247
Mean
Trend

69.53286
10.11279

Double

El Alisado exponencial lineal con doble parmetro (Holt-Winters) es:

Yt = * Yt + (1 )* Yt 1 + bt 1
b = * Y Y + (1 )* b

t 1

t 1

Los valores iniciales pueden ser:

Y1 = Y1 ; b1 = 0
Y2 = Y2 ; b2 = (Y2 Y1 )
La prediccin es:

Yt + k = Yt + bt * k
Vlido para series con tendencia lineal. La prediccin es una recta con
ordenada en el origen Yt1 y pendiente bt .
En el Eviews se sigue la instruccin siguiente:
Abrir el PBIA
Seasonal

Proc

Exponential Smoothing

Holt-Winters-No

OK y se muestra el siguiente resultado:

Sample: 1992M01 1994M06


Included observations: 30
Method: Holt-Winters No Seasonal
Original Series: PBIA
Forecast Series: PBIASM
Parameters:

Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:

1.0000
0.8100
1002.241
5.779969
Mean
Trend

69.43000
9.713274

FILTRADO DE SERIES.- los medios ms utilizados para detectar y eliminar


la tendencia de una serie se basan en la aplicacin de filtros a los datos. Un
filtro no es ms que una funcin matemtica que aplicada a los valores de la
serie produce una nueva serie con unas caractersticas determinadas.
Segn Baxter y King, un mtodo ptimo de extraccin de ciclos
econmicos debe cumplir con 6 objetivos:
El filtro debe extraer un rango especfico de periodicidades, sin variar sus
propiedades inherentes (la varianza, correlaciones y otras medidas
exploratorias de los datos).
No debe producir un movimiento de fase (es decir, que no altere las

relaciones temporales de las series a ninguna frecuencia). Este aspecto y el


anterior definen un promedio mvil ideal, con ponderaciones simtricas
para rezagos y adelantos.
El mtodo debe ser una aproximacin ptima de un filtro ideal. Esto se
puede determinar midiendo la diferencia de los resultados obtenidos con un
filtro ideal y uno aproximado.
La aplicacin de un filtro debe producir una serie de tiempo estacionaria
cuando se aplica a cifras que presentan tendencia.
El mtodo debe ser independiente de la longitud de la serie.
El mtodo debe ser operacional, esto es, de fcil aplicacin y uso.

Los requisitos para el filtro ideal conllevan el establecer un equilibrio


entre el estimar un filtro ptimo, lo cual implica agregar la mayor cantidad de
rezagos y adelantos como explicativos de una variable y el perder
observaciones al inicio y al final del perodo, lo cual reduce la cantidad de
datos para el anlisis. Los autores recomiendan utilizar como mnimo 6 aos
cuando se trabaja con datos trimestrales y anuales.
En la actualidad existen dos filtros:
1.-

HODRICK-PRESCOTT.- partiendo del supuesto de que la serie est


compuesta por un componente tendencial ms un componente cclico,
se obtiene la nueva serie de componente tendencial que sea lo mas
suave posible (penalizndose con el parmetro la volatilidad de la
nueva serie) y que minimize las diferencias cuadrticas frente a la serie
original. Tendramos:

Tt = Yt 2

((

) (

2
Min Yt1 Yt 2 + Yt +21 Yt 2 Yt 2 Yt 21
t =1

t =2

))

Los propios autores proponen unos valores de para cada tipo


de series: Anual = 100, Trimestral =:1600 y Mensual =14400.
En trminos matriciales podemos expresar el problema de
minimizacin como:
Min (Y Y 2 )' (Y Y 2 ) + ( AY 2 )( AY 2 )
t

Donde:

0
1 2 1
0 1 2 1

AYt 2 = 0 0
1 2

M
M
M M
0 0
0
0

0 Y12

0 L 0 0 0 Y22
1 L 0 0 0 * Y32

M O M M M M
0 L 1 2 1 Yn2
0 L 0

Igualando a cero la primera derivada y despejando la serie Yt 2


obtenemos:
Y 2 = ( I + AA) 1Y 1
t

Posee una serie de caractersticas ideales segn los criterios de


Baxter y King, por ejemplo:

Como el filtro es simtrico, no produce movimientos de fase.


Aproxima bien a un filtro ideal cuando se utiliza un = 1600 para
datos trimestrales.
Produce series estacionarias, cuando stas estn integradas hasta el
orden cuarto.
El mtodo es operacional.

Adolece de los problemas siguientes:


Las ponderaciones van a depender del tiempo, por lo que el filtro
dejar de ser independiente del largo de la serie.
Por construccin el filtro no perder ningn dato al inicio o al final
de la serie. Sin embargo, las propiedades de la serie filtrada en
puntos iniciales y finales es significativamente distinta de un filtro
ideal, no as en los valores intermedios de la misma.
Se relaciona con la eleccin un tanto arbitraria del parmetro .
Para datos con periodicidad anual es una mala aproximacin de un
filtro ideal, por cuanto incluye comportamientos cclicos que
debera omitir y viceversa. Para datos anuales no existe consenso y
la utilizacin del parmetro de suavizacin va desde = 10 hasta
= 400.
En el Eviews se sigue la instruccin siguiente:

Abrir CP Proc Hodrick-Prescott Filter


el siguiente resultado:

OK y se muestra

Hodrick-Prescott Filter (lambda=1600)


3000
2500
2000
1500

80

1000

40

500
0
-40
-80
1950 1955 1960 1965 1970 1975 1980 1985
CP

2.-

Trend

Cycle

BAXTER-KING.- su objetivo es encontrar un mtodo til para medir


ciclos econmicos y que ste sea ptimo, por ejemplo, que cumpla con
las especificaciones sobre ciclos asignadas por el investigador.
Su procedimiento se resume en dos pasos: primero se mide el
ciclo, para lo cual el investigador debe especificar ciertas caractersticas
del mismo y posteriormente se le asla, aplicando promedios mviles a
los datos.

Desarrolla 3 tipos de filtro lineal: low-pass, high-pass y


bandpass.
Un filtro de tipo low-pass slo retendr los componentes que
se mueven lento en los datos, esto es, que se producen con frecuencias
muy bajas. Entre menor sea la frecuencia mayor va a ser la cantidad de
perodos que abarca un ciclo.
Un filtro de tipo high-pass equivale a una frecuencia
relativamente alta, por lo que se espera que incluya elementos ms
frecuentes de la serie, como los irregulares o estacionales.
El filtro band-pass son los perodos mnimo y mximo a incluir
en el ciclo, es un tipo de construccin de promedios mviles que asla
los componentes peridicos de una serie de tiempo econmica que cae
en una banda de frecuencias especfica.
La cantidad de rezagos a incluir en el filtro es muy importante,
por cuanto estos definen la precisin de los ponderadores. Segn Baxter
y King, no existe un nmero ideal de rezagos, pero s ocurre que entre
ms rezagos se incorporen en el promedio mvil, mejor ser la
aproximacin con el filtro ideal, a costa de una mayor prdida de datos
por encima y por debajo del valor de inters, aspecto que cobra mayor
importancia al final de la serie. Por ello, la eleccin de k depender en
gran medida de la cantidad de datos disponibles y de lo necesario que
sea aproximar el filtro al ideal.
Este filtro cumple con la mayora de las caractersticas:

es simtrico, por lo que no produce movimientos de fase.


aproxima relativamente bien un filtro ideal.
produce series estacionarias.
es un mtodo operacional.
es superior a otros en la medida que permite introducir la definicin
del investigador del ciclo econmico y no produce variacin en las
propiedades de la variable al final de las series.

Habr una prdida de datos al inicio y al final de la serie igual a


dos veces la cantidad de rezagos que el investigador incluya.
Se recomienda utilizar los siguientes valores de parmetros:
Series anuales
Series trimestrales
Series mensuales

upper =2
upper =2
upper =2

lower =8
lower =32
lower =96

nma =3
nma =12
nma =12

arpad =1
arpad =4
arpad=12

Donde:
Upper: nmero de perodos mnimos que se incluirn en el filtro,
correspondientes a frecuencias altas.

Lower: nmero de perodos mximos que se incluirn en el filtro,


correspondientes a frecuencias bajas.
Nma: nmero de promedios mviles (o rezagos ) del filtro.
Arpad: nmero de parmetros autorregresivos que se utilizarn para
sustituir los valores que se pierden al final de la serie, por la
aplicacin de un promedio mvil truncado.
En el Eviews se sigue la instruccin siguiente:
Abrir CP

Proc

Frecuency Filter

(Baxter-King), lag = 12, low = 2, high = 32


siguiente resultado:
Fixed length symmetric (Baxter-King) filter

Fixed length symmetric

OK y se muestra el

Frequency Response Function


3000

1.2

2500

1.0

2000

0.8

80
1500
40

1000

500

0.4
0.2

-40

0.0

-80
1950 1955 1960 1965 1970 1975 1980 1985
CP

3.-

0.6

Non-cyclical

Cycle

-0.2
.0

.1

.2
Actual

.3

.4
.5
cycles/period
Ideal

CHRISTIANO Y FITZGERALD.- es una variante al filtro BaxterKing, derivan una aproximacin ptima cuando la representacin de los
datos tiene raz unitaria o es estacionario alrededor de una tendencia.
Asimismo, desarrollan una variante cuyas ponderaciones son diferentes
para cada observacin (asimtricas), la cual puede usarse para toda la
muestra ya que no hay prdida de observaciones.
Este filtro de banda est basado en el proceso de generacin de
los datos, el cual suponen que sigue un paseo aleatorio o Random Walk
(RW). Aun el caso que esta representacin no sea verdadera, utilizando
datos macroeconmicos para EE.UU., los autores referidos encuentran
que el desempeo es satisfactorio.
Este filtro presenta ventajas cuando el inters es extraer
componentes para datos de baja frecuencias (donde la eleccin
adecuada de puede ser un problema) y estimar la tendencia y el ciclo
en tiempo real, o sea hasta la ltima observacin. No obstante y al igual
que el filtro Baster-King, la variante de Christiano-Fitzgerald no
invalida el filtro Hodrick-Prescott particularmente para el anlisis
estadstico del ciclo y los componentes de alta frecuencia para datos
trimestrales.
En el Eviews se sigue la instruccin siguiente:

Abrir CP Proc Frecuency Filter Fixed length symmetric


(Ghristiano-Fitzgerald), lag = 12, low = 2, high = 32, I(1)-random walk

OK y se muestra el siguiente resultado:

Fixed length symmetric (Christiano-Fitzgerald) filter

Frequency Response Function


3000
2500

1.2
1.0

2000
0.8

80
1500
40

1000

500

0.4

-40

0.2

-80
1950 1955 1960 1965 1970 1975 1980 1985

0.0

CP

3.3.

0.6

Non-cyclical

.0

.1

.2

Cycle

.3

Actual

.4
.5
cycles/period
Ideal

CICLO
Para extraer y predecir el componente cclico se utiliza el ajuste de funciones
peridicas.
Una funcin peridica es aquella que repite sus valores en el tiempo cada p
periodos y puede venir expresada como:

2p

+
Yt = A * cos
N

1,5
1

0
-0,5 1

15 22 29 36 43 50 57 64 71 78 85 92 99
T

-1

donde:
A
P

0,5

-1,5

DESFASE = PI/2

1,5

amplitud de la oscilacin.
perodo.
desfase.
nmero total de observaciones.

1
0,5
0
-0,5 1

15 22 29 36 43 50 57 64 71 78 85 92 99

-1
-1,5

A efectos de ajustar y predecir series cclicas podemos utilizar la expresin


alternativa:

Yt = * cos(0 * p * t ) + * sen(0 * p * t )
0 es lo que se denomina frecuencia bsica y es igual a 2 * / N .
Paso 1: Identificar el nmero de mximos (mnimos) cclicos p y construir las series:

COSPt = cos(2 * 3.1416 / N * p * t )

Paso 2: Ajustar mediante regresin el modelo:

SENPt = sen(2 * 3.1416 / N * p * t )

Yt = 1 * COSPt + 2 * SENPt
Paso 3: Calcular los errores (residuos) y si tienen comportamiento cclico repetir el
proceso aadiendo nuevos trminos al modelo.
Para determinar el valor del periodo p, podramos utilizar, como primera
aproximacin, el nmero de mximos (o mnimos) locales que presenta la serie a
analizar.
4

ANLISIS EN EL DOMINIO DE FRECUENCIAS


Una funcin peridica se repite transcurrido T (perodo), por lo tanto
presentar la mxima correlacin con el retardo T y sus mltiplos enteros. Puede
demostrarse que la autocorrelacin de una funcin peridica es peridica, del mismo
perodo que dicha funcin. Veamos los grficos:
FUNCION DE AUTOCORRELACION

COS(2*PI*@TREND/(200/10))
1.5

1.5

1.0

1.0

0.5

0.5

0.0

0.0

-0.5

-0.5

-1.0

-1.0

-1.5
20

40

60

80

-1.5

100 120 140 160 180 200

-40

-20

20

40

Para visualizar la periodicidad de una serie, tenemos:


1.-

EL PERIODOGRAMA.- se asimila a un sintonizador de un receptor de


radio, as, la serie que observamos sera la seal emitida por una radio y el
periodograma no sera mas que el dial que busca en que frecuencia se oye
mejor la seal emitida.
Modelo que sigue la serie observada:
k

Yt = ( a p cos i t + bi sen i t ) + t
i =1

Asumimos que las frecuencias, i , denominadas Frecuencias


Fourier son:
2pi
N si N es par

i =
pi = 1,..., k
2
k = (
N
N 1) si N es impar

de

Los parmetros, a y b, se pueden estimar por MCO o bien, de forma


directa como:

2
a p =
N

Y cos p t
t =1

Yt
t =1 N

a 0 =

2
b p =
N

Y sen p t
t =1

Se calcula el periodograma I(w):

I ( p ) =

(a 2p + b p2 )
2 0

El periodograma mide aportaciones a la varianza total de la serie de


componentes peridicos de una frecuencia determinada (w). Si el
periodograma presenta un pico en una frecuencia, indica que dicha
frecuencia tiene mayor importancia en la serie que el resto.
De izquierda. a derecha. aumenta la frecuencia (disminuye el perodo):
0.0

1.5

1.5

1.0

1.0

0.5

0.5

-0.2

-0.4

0.0

0.0

-0.6

-0.5

-0.5

-0.8

-1.0

-1.0
-1.5

-1.5

-1.0

20

Tendencia

40

60

80

20

100 120 140 160 180 200

Ciclo Estacionalidad (Ciclo anual)

40

60

80

100 120 140 160 180 200

Irregular

0
0

50

100

150

El periodograma est basado en una herramienta matemtica


denominada Transformada de Fourier, segn la cual una serie, que cumpla
determinados requisitos, puede descomponerse como suma de un nmero
finito o infinito de frecuencias. Del mismo modo, a partir de la representacin
frecuencial puede recuperarse la serie original a travs de la Transformada
Inversa de Fourier.
Las series peridicas presenta un periodograma discreto, es decir, solo
existe "masa" espectral en aquellas frecuencias contenidas en la serie, siendo
stas un nmero discreto.

20

1.5
1.0

15
PERDG

0.5
0.0

10

-0.5
5

-1.0
0

-1.5
20

40

60

80

100 120 140 160 180 200

50

100

150

FREC

Las series aperidicas presentan un periodograma contino, es decir,


existe "masa" en un "infinito" nmero de frecuencias.
100
12000

80

10000
8000
PERDG

60

40

6000
4000

20

2000
0

0
20

40

60

80

100 120 140 160 180 200

50

100

150

FREC

Las series estocsticas presentan densidad espectral en un rango


contino de frecuencias.
3

1.4
1.2

1.0
PERDG

1
0

0.8
0.6

-1

0.4

-2

0.2
0.0

-3

20

40

60

80

100

120

140

160

180

50

100

150

200
FREC

2.-

EL ESPECTRO.- o densidad espectral se define para procesos estocsticos


estacionarios como la transformada de Fourier de la funcin de autocovarianza
(teorema de Wiener-Khintchine). Su estimador natural es el periodograma,
antes visto. Como hemos comprobado es un instrumento adecuado para la
deteccin de procesos peridicos puros, sin embargo en el caso de procesos
estocsticos presenta serias limitaciones, las ms importantes son la
inconsistencia y la correlacin asintticamente nula entre ordenadas del
periodograma. Esto implica que no converja al verdadero espectro cuando la
muestra se amplia y que el periodograma muestre un comportamiento errtico.
Los mtodos paramtricos, parten de suponer conocido el PGD, y
modelizado en general a travs de un proceso ARMA, a partir del cual se
puede recuperar una estimacin del espectro.
Si la serie observada responde a un modelo ARMA (p,q):

Yt + a1Yt 1 + a 2Yt 2 + ... + a p Yt p = t + b1 t 1 + b2 t 2 + ... + bq t q


El espectro equivale a:

hY ( ) =

1 + b1e i + b2 e i 2 + ... + bq e iq
1 + a1e

+ a2 e

i 2

+ ... + a p e

ip 2

2
2

PROCESO ESTOCSTICO
Siempre que estudiamos el comportamiento de una variable aleatoria a lo
largo del tiempo, estamos ante un proceso estocstico. En general, trabajamos con
procesos estocsticos en cualquier caso en que intentamos ajustar un modelo terico
que nos permita hacer predicciones del comportamiento futuro de un proceso.
Si podemos encontrar patrones de regularidad en diferentes secciones de una
serie temporal, podremos tambin describirlas mediante modelos basados en
distribuciones de probabilidad.
Tenemos las definiciones siguientes:
1.2.3.-

La secuencia ordenada de variables aleatorias X(t) y su distribucin de


probabilidad asociada.
Es el modelo matemtico para una serie temporal.
Es una coleccin {Yt; t = 1, 2, , T} de variables aleatorias ordenadas en
el tiempo. {Yt; t T} es un proceso continuo si < t < . Si T is finito,
{Yt} es un proceso discreto.

Cualquier serie de tiempo puede ser generada por un proceso estocstico o


aleatorio; y un conjunto concreto de informacin, puede ser considerado como una
realizacin (particular) del proceso estocstico subyacente. La distincin entre un
proceso estocstico y su realizacin es semejante o la distincin entre la informacin
de corte transversal poblacional y muestral.
PROCESO ESTOCSTICO ESTACIONARIO
Un Proceso Estocstico Discreto (PED) es una sucesin de variables aleatorias

{yt} , donde t= -4, ..., -2, -1, 0, 1, 2, ... 4. Dos ejemplos de PED podran ser: El ruido
blanco y el camino aleatorio.
Consideremos el PED {y-4, ...y1,...yT,...,y4} y centrmonos en dos de sus
miembros: yt y yt-k. Este PED se denomina estacionario de un tipo particular si
determinadas propiedades estocsticas de yt y yt-k no dependen de t y t-k (su
ubicacin absoluta en la secuencia) pero dependen slo de k (su separacin relativa
en la secuencia).
Se tiene los tipos de estacionariedad siguiente:
1.- Estricta: Se verifica si las distribuciones de yt y yt-k (conjunta y marginal) no
dependen de t pero slo de k.

Un proceso estocstico es estacionario en sentido estricto


cuando su funcin de distribucin conjunta es invariante respecto a un
desplazamiento en el tiempo.
Considerando que t1; t2; .... ; tk corresponden a periodos
sucesivos de tiempo que denominamos como t; t + 1;.. ; t + k,
entonces:

f ( y t ; yt +1 ;...; yt + k ) = f ( y t + m ; yt +1+ m ;...; yt + k + m )

2.-Dbil:

Se verifica cuando los dos primeros momentos de yt y yt-k dependen


posiblemente de k pero no de t, i.e. E(yt) = E(yt-k) y Var(yt) = Var(yt-k)
y Cov(ytyt-k) depende posiblemente de k pero no de t.

E [Yt ] = Y

Var (Yt ) = Y2

COV Yt1 , Yt2 = E Yt1 Y

)(Y

t2

Y = ( t1 t2

En el caso que las series sean estacionarias en el sentido dbil, se podrn


modelar a travs de un conjunto de especificaciones conocidas como los modelos
AR, MA y ARMA. El objetivo de los mismos es explicar el componente cclico de la
serie (o su componente estacionario) a travs de su pasado por medio de diferentes
tipos de relaciones.
Una serie de tiempo es estacionaria si su distribucin es constante a lo largo
del tiempo; para muchas aplicaciones prcticas es suficiente considerar la llamada
estacionariedad dbil, esto es, cuando la media y la varianza de la serie son
constantes a lo largo del tiempo. Muchas de las series de tiempo que se analizan en
Econometra no cumplen con esta condicin, cuando tienen una tendencia.
5

PRUEBA DE ESTACIONARIEDAD
Existen varias pruebas para verificar estacionariedad y se clasifican en los
tipos siguiente:

5.1.

MTODO DE BOX - JENKINS


El procedimiento para verificar estacionariedad de la serie es:
1

El examen visual de la trayectoria de la serie a lo largo del tiempo puede dar


una idea de si es o no estacionaria en media. Si existe algn valor en torno al
cual la serie va oscilando pero sin alejarse de forma permanente de dicho
valor, entonces se puede considerar que la serie es estacionaria en media.

Si los coeficientes de AC no decaen rpidamente sera un indicio claro de que


la serie es no estacionaria.

El primer coeficiente de PAC es significativo (es decir, mayor o igual a 0.9)

entonces la serie es no estacionaria.


Si la serie es no estacionaria, la serie debera someterse a la primera
diferencia, y se volvera a analizar siguiendo los pasos anteriores. De esta forma se
continuara hasta obtener una serie diferenciada de orden d. En la prctica, es
suficiente con tomar d = 1 o d = 2 para obtener una serie estacionaria en media.
EJEMPLO
1

Si observamos el ploteo del consumo personal agregado real se visualiza que


no oscila alrededor de su media, por lo tanto es no estacionaria.
2800
2400
2000
1600
1200
800
400
1950 1955 1960 1965 1970 1975 1980 1985
CP

@MEAN(CP,"1950q1 1988q1")

Segn el correlograma del consumo personal agregado real cae lentamente,


por lo tanto no es estacionaria.
Abrir la serie
12 lag

OK

View

Correlogram...

se marca nivel y se escribe

y se muestra el siguiente resultado:

Sample: 1950Q1 1988Q1


Included observations: 153
Autocorrelation
.|*******|
.|*******|
.|*******|
.|****** |
.|****** |
.|****** |
.|***** |
.|***** |
.|***** |
.|***** |
.|**** |
.|**** |

Partial Correlation
.|*******|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|

AC
1
2
3
4
5
6
7
8
9
10
11
12

0.955
0.911
0.868
0.825
0.786
0.747
0.711
0.677
0.645
0.616
0.590
0.565

PAC

Q-Stat

Prob

0.955
-0.014
-0.014
-0.012
0.008
-0.010
0.006
0.008
0.008
0.011
0.012
0.010

142.33
272.69
391.73
500.15
599.06
689.07
771.12
846.07
914.68
977.69
1035.8
1089.5

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

Examinando el primer coeficiente de autocorrelacin parcial del consumo

personal agregado real es significativo (0.955 > 0.9), entonces el ingreso


personal disponible no es estacionario.
Como el consumo personal agregado real no es estacionario, tenemos que
examinar la primera diferencia de la serie y repetir el procedimiento de Box-Jenkins.
1

Si observamos el ploteo de la primera diferencia del consumo personal


agregado real se visualiza que oscila alrededor de su media, por lo tanto es
estacionaria.
60
40
20
0
-20
-40
-60
1950 1955 1960 1965 1970 1975 1980 1985
D(CP)

@MEAN(D(CP),"1950q1 1988q1")

Obtenemos el correlograma de la primera diferencia del consumo personal


agregado real se obtiene siguiendo la instruccin siguiente:
Abrir la serie

se escribe 12 lag

View

OK

Correlogram...

se marca 1st difference y

y se muestra el siguiente resultado:

Sample: 1950Q1 1988Q1


Included observations: 152
Autocorrelation
.|**
.|**
.|**
.|*
.|.
.|*
.|.
*|.
.|.
.|.
.|.
*|.

|
|
|
|
|
|
|
|
|
|
|
|

Partial Correlation
.|**
.|*
.|*
.|*
*|.
.|.
.|.
**|.
.|.
.|.
.|.
.|.

|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12

AC

PAC

Q-Stat

Prob

0.204
0.223
0.217
0.165
0.021
0.077
0.049
-0.151
0.018
-0.011
-0.023
-0.072

0.204
0.189
0.153
0.075
-0.089
0.013
0.010
-0.193
0.058
0.023
0.021
-0.046

6.4803
14.251
21.681
26.010
26.082
27.021
27.408
31.104
31.156
31.176
31.267
32.134

0.011
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001

De la observacin del grfico podemos deducir que la primera diferencia del


consumo personal agregado real es estacionaria.
3

Examinando el primer coeficiente de autocorrelacin parcial de la primera

diferencia del consumo personal agregado real no es significativo (0.204 <


0.9), entonces la primera diferencia del consumo personal agregado real es
estacionaria.
Por lo tanto, la primera diferencia del consumo personal agregado real es
estacionaria.
5.2.

PRUEBA DE RAZ UNITARIA


Las series de tiempo no estacionarias que presentan races unitarias son un
caso muy especial de las series no estacionarias, tanto por su frecuencia en economa
como por lo que se conoce de sus propiedades estadsticas; en los ltimos aos se ha
realizado una gran cantidad de trabajos para el diseo de pruebas de hiptesis de que
una serie tiene races unitarias.
Consideremos el siguiente modelo:

Yt = Yt 1 + ut

(1)

donde u es el trmino de error estocstico que sigue los supuestos clsicos, a saber:
tiene media cero, varianza constante ( ) y no est autocorrelacionada; es decir, el
trmino de error es ruido blanco.
2

Si el coeficiente de t 1 es en realidad igual a 1, surge lo que se conoce como


el problema de raz unitaria, o sea, una situacin de no estacionariedad. En
econometra, una serie de tiempo que tiene una raz unitaria se conoce como un
camino aleatorio. Por lo tanto, se estima la regresin:

Yt = Yt 1 + ut
y se encuentra que
raz unitaria.

(2)

= 1 , entonces se dice que la variable estocstica Yt

tiene una

5.2.1. DICKEY FULLER NORMAL


De modo que podemos contrastar la hiptesis de no estacionareidad probando
la hiptesis nula = 1 contra la alternativa || < 1 o simplemente < 1.
Si restamos

Yt 1

en ambos miembros de la ecuacin ( 2 ), resulta:

Yt Yt 1 = Yt 1 Yt 1 + ut
sacando factor comn y definiendo

Yt = ( 1)Yt 1 + ut
Yt = Yt 1 + ut

Entonces, tendramos la siguiente implicacin con la prueba de hiptesis:


H0 : = 1 H0 : = 0
H0 : < 1 H0 : < 0
Cuando las series en una regresin no son estacionarias, el uso del estadstico t
para contrastar hiptesis = 0 es inadecuado pues este no sigue la distribucin t
Student. Esta tabla es limitada, pero Mac Kinnon prepar tablas ms extensas, que
estn incorporadas en el Eviews.
Adems de probar si una serie es una caminata aleatoria, Dickey y Fuller
desarrollaron tambin valores crticos para la presencia de una caminata aleatoria con
desplazamiento y con tendencia determinstica, es decir bajo tres distintas hiptesis
nulas:

Yt = Yt 1 + t

Yt = 0 + Yt 1 + t
Yt = 0 + Yt 1 + 2 t + t
Series como Yt , las cuales se convierten en estacionarias despus de tomar la
primera diferencia, se conocen como integradas de orden 1 y se designa como I(1).
Las series estacionarias son series integradas de orden 0, I(0).
En general, si una serie debe ser diferenciada d veces para alcanzar
estacionaridad se dice que es integrada de orden d o I(d).
5.2.2. DICKEY FULLER AUMENTADO
Al realizar la prueba de DF se supuso que el trmino de error t no estaba
correlacionado.
Dickey y Fuller, Said y Dickey (1984), Phillips y Perron (1988) y otros,

desarrollaron modificaciones de las pruebas de Dickey y Fuller cuando t , no es


ruido blanco. Se conocen con el nombre de pruebas aumentadas de Dickey y
Fuller.

No todos los procesos de series de tiempo pueden ser representadas por un


proceso autoregresivo de primer orden. Considerando un proceso autoregresivo de
orden p, como:

yt = 0 + 1 yt 1 + 2 yt 2 +....+ p yt p + t

adicionando y sustrayendo el trmino

p yt p +1
p

, nos resulta:

yt = 0 + yt 1 + i yt i +1 + t
i =2

donde,

i =1

= 1 i

y i = j .
j =i

es un trmino de error puro con ruido blanco. El nmero de trminos de


Donde t
diferencia rezagados que se debe incluir, con frecuencia se determina de manera
emprica, siendo la idea incluir los trminos suficientes para que el trmino de error
no est serialmente relacionado.
Considerando las tres posibilidades tenemos:
p

yt = yt 1 + i yt i +1 + t
i =2
p

yt = 0 + yt 1 + i yt i +1 + t
i =2
p

yt = 0 + yt 1 + i yt i +1 + 2 t + t
i =2

En la DFA se sigue probando = 0 y adems esta prueba sigue la misma


distribucin asinttica que el estadstico DF, por lo que se puede utilizar los mismos
valores crticos.
Para elegir p se tiene los siguientes criterios:
1)
2)
3)

Incluir retardos de Yt hasta que el error sea ruido blanco.


Incluir retardos de Yt significativos.
Utilizar AIC, SBC, etc. (information criteria), para elegir p.

Sin embargo, la prueba de Dickey-Fuller es frgil siempre hay que utilizar


informacin adicional (inspeccin visual de la serie, sentido comn, historia, teora)
antes de aceptar o rechazar lo que sugiere la prueba de Dickey-Fuller
Si hay variables innecesarias en la regresin, es ms difcil rechazar la
hiptesis nula (existencia de raz unitaria) cuando en realidad es < 0 . Por
consiguiente, existen tres pruebas:
1)
2)
3)

5.2.3.

Sin la constante y sin el trmino de tendencia.


Con la constante pero sin el trmino de tendencia.
Con la constante y el trmino de tendencia.

PRUEBA DE PHILLIPS - PERRON


Phillips y Perron (1988) proponen una alternativa (no paramtrico) mtodo de
control de la correlacin serial cuando se realiza la prueba de raz unitaria. Al igual
= 1 en la
que la prueba ADF, la prueba PP es una prueba de hiptesis sobre

ecuacin:

Yt = + Yt 1 + t + t

y modifica el t del coeficiente de modo que la correlacin serial no afecta la


distribucin asinttica de la prueba estadstica. La prueba PP se basa en la
estadstica:

()

~ 0
t = t
f0

( ( ))

T ( f 0 0 ) se
1

2 f0 2 s

donde se es el error estndar de coeficiente , s es el error estndar de la


regresin de la prueba, 0 es una estimacin consistente de la varianza del error
(calculado como (T k )s 2 / T , donde k es el nmero de regresores) y f 0 es un
estimador del espectro residual en la frecuencia cero.
Hay dos opciones que usted tendr que hacer para realizar la prueba PP. En
primer lugar, debe decidir si incluir una constante, una constante y una tendencia en
el tiempo lineal, o ninguno, en la regresin de la prueba. En segundo lugar, usted
tendr que elegir un mtodo para estimar f 0 . Eviews apoya estimadores para f 0
basados en el ncleo basado en suma-de-covarianzas, o sobre estimacin de la
densidad espectral autorregresivos.
La distribucin asinttica de la relacin de PP es la misma que la de la
estadstica de ADF.
La hiptesis nula del test de Phillips-Perron es la trayectoria de raz unitaria
con tendencia y la alternativa la estacionariedad con tendencia, si el valor t-Student
asociado al coeficiente de Yt 1 es mayor en valor absoluto al valor crtico de
MacKinnon, se rechaza la hiptesis de existencia de raz. La distribucin asinttica
de la prueba PP es la misma que la prueba DFA.
5.2.4.

PRUEBA
DE DICKEY FULLER CON ELIMINACION DE LA
TENDENCIA (DFGLS)
En los test anteriores, se puede optar por incluir una constante, o una constante
y una tendencia en el tiempo lineal, en la prueba de regresin ADF. Para estos dos
casos, el ERS (1996) proponen una simple modificacin de las pruebas de ADF en
el que los datos son sin tendencias a fin de que las variables explicativas son
"sacadas" de los datos antes de ejecutar la prueba de regresin.
ERS define una cuasi-diferencia de Yt que depende del valor que representa
la alternativa punto concreto contra el que deseamos probar la hiptesis nula:
Yt
D(Yt a ) =
Yt aYt 1

if t = 1
if t > 1

Se considera una regresin de MCO de la cuasi-diferenciada de datos D(Yt a )

sobre la cuasi-diferenciados D(X t a ), es decir:


D(Yt a ) = D( X t a ) (a ) + t

que X t contiene ya sea una constante, o una constante y la tendencia, y (a ) son las
estimaciones de MCO de esta regresin.
Todo lo que necesitamos ahora es un valor para a . ERS recomienda el uso de
a = a , cuando:
1 7
if X t = {1}
T
a =
1 13.5 T if X t = {1, t}
Definimos ahora el GLS sin tendencia de datos Yt d , utilizando las
estimaciones relacionadas con a :
Yt d = Yt X t(a )
Entonces la prueba DFGLS consiste en calcular la ecuacin siguiente:
Yt d = Yt d1 + 1 Yt d1 + ..... + p Yt d p + t
Si bien el DFGLS que es el ratio t sigue una distribucin de Dickey-Fuller, en
el caso de nica constante, la distribucin asinttica es diferente cuando se incluyen
tanto una constante y tendencia. ERS simula los valores crticos de la estadstica de
prueba en este escenario para T = {50,100,200, }. La hiptesis nula es rechazada por
los valores que caen por debajo de estos valores crticos.
5.2.5.

PRUEBA DE KWIATKOWSKI, PHILLIPS, SCHMIDT, Y SHIN (KPSS)


La prueba KPSS (1992) difiere de las otras pruebas de raz unitaria, en que la
serie se supone que es estacionaria bajo la hiptesis nula. La estadstica KPSS se
basa en el los residuos de la regresin de MCO de Yt en las variables exgenas X t :
Yt = X t + ut
El estadstico LM es definido como:
T

LM = S (t ) / T 2 f 0
2

t =1

donde f 0 , es un estimador del espectro residual en la frecuencia cero y en caso de


S (t ) es una funcin residual acumulativa:
t

S (t ) = ur
r =1

sobre la base de los residuos ut = Yt X t(0) . Se seala que el estimador de


utilizado en este clculo difiere del estimador utilizado para GLS con eliminacin
de la tendencia, ya que se basa en una regresin con los datos originales y no en la
cuasi-datos diferenciados.
Para especificar la prueba KPSS, debe especificar el conjunto de regresores
exgenos X t y un mtodo para la estimacin de f 0 . Los valores reportados crtico

para la estadstica de prueba LM se basan en los resultados presentados en KPSS


asinttica.
5.2.6.

PRUEBA DE ELLIOT, ROTHENBERG, AND STOCK POINT OPTIMAL


(ERS)
El estudio del punto ptimo de ERS se basa en la cuasi-regresin de
diferenciacin que se define:

D(Yt a ) = D ( X t a ) (a ) + t

Definir los residuos de la ecuacin como t (a ) = D(Yt a ) D(X t a ) (a ) , y dejar


T

que SSR(a ) = t2 (a ) sea la suma de los residuos al cuadrado. El ERS (posible) el


t =1

punto ptimo de la estadstica de prueba de la hiptesis nula que a = 1 frente a la


alternativa que a = a , es definido como:
PT = (SSR(a ) a SSR(1))
f0
donde f 0 , es un estimador del espectro residual en la frecuencia cero.
Para calcular la prueba de ERS, debe especificar el conjunto de regresores
exgenos X t y un mtodo para estimar f 0 . Los valores crticos para la estadstica
de prueba ERS se calculan por interpolacin de los resultados de la simulacin
prevista por el ERS para T = {50,100,200, }.
5.2.7.

PRUEBA DE NG Y PERRON (NP)


Ng y Perron (2001) construye cuatro pruebas estadsticas que se basan en los
datos del GLS sin tendencia Yt d . Estas pruebas estadsticas modifican las formas del
estadstico Phillips y Perron Z a y Z t , el estadstico Bhargava (1986) R1 y el
estadstico ERS punto ptimo. En primer lugar, definimos el trmino:

= (Yt d1 ) / T 2
T

t =2

Las estadsticas modificadas puede escribirse como:


2
MZ ad = T 1 (YTd ) f 0 / (2 )

MZ td = MZ a MSB
MSB = ( / f 0 )

( ))
( ))

c 2 c T 1 Y d 2 / f
T
0
MPTd = 2
1
d 2
c + (1 c )T YT / f 0

donde:

if X t = {1}

if X t = {1, t}

if X t = {1}
7
c =
13.5 if X t = {1, t}

Las pruebas NP requieren una especificacin para X t y la eleccin de un


mtodo para la estimacin de f 0 .
5.2.8.

CRTICAS DE LAS PRUEBAS DE RAZ UNITARIA


Existen varias pruebas de raz unitaria porque difieren en el tamao y potencia
de dichas pruebas.
Por tamao de la prueba se quiere entender el nivel de significancia (es decir,
la probabilidad de cometer error de tipo I) y por potencia de una prueba se entiende
la probabilidad de rechazar la hiptesis nula cuando es falsa.
La potencia de una prueba se calcula restando la probabilidad de un error de
tipo II de uno.
La mayora de las pruebas del tipo DF tienen poco poder; es decir, tienden
aceptar la nulidad de la raz unitaria con ms frecuencia de la que se garantiza. En
otras palabras, estas pruebas pudieran encontrar una raz unitaria, aunque sta no
exista.
Perron (1989) sostuvo que los tradicionales test de raz unitaria (DickeyFuller, Dickey-Fuller Aumentado y Phillips-Perron) tenan poco poder para
diferenciar una trayectoria de raz unitaria de una estacionaria cuando haba cambio
estructural. En consecuencia, como estos test estaban sesgados hacia el no rechazo
de la hiptesis nula de raz unitaria, a menudo se rechazaba incorrectamente la
hiptesis alternativa de estacionariedad. Perron encontr, por ejemplo, que las series
de agregados macroeconmicos y financieros utilizados por Nelson y Plosser
(1982) eran en su mayora estacionarias con cambio estructural, en oposicin a lo
que los citados autores sealaban.

5.2.9.

EJERCICIO
Considerando el consumo personal agregado real y observando su ploteo con
la media, deducimos que tiene tendencia e intercepto, adems consideramos cuatro
rezagos y el criterio Schwarz para elegir el retardo ptimo.
Se obtiene los resultados siguientes:
Tipo de Test

Estadstico
t

Valor crtico
1%/5%

NIVELES
Hiptesis Nula: Existe raz unitaria (no estacionaria)
Dickey-Fuller Aumentado (ADF)
-1.117406 -4.019561 / -3.439658
Elliott-Rothenberg-Stock (DF-GLS)
-0.809523
-3.520000 / -2.980000
Phillips-Perron (PP)
-1.451289
-4.019561 / -3.439658
Elliott-Rothenberg-Stock punto ptimo.
94.95858
4.148700 / 5.650600
Hiptesis Nula: No existe raz unitaria (estacionaria)
Kwiatkowski-Phillips-Schmidt-Shin
0.289358
0.216000 / 0.146000

Existe Raz Unitaria?


Nivel de significancia
1%
5%

SI
SI
SI
NO

SI
SI
SI
NO

SI

SI

Por lo tanto, el consumo personal agregado real es no estacionaria, es decir,


tiene raz unitaria. Ahora debemos seguir el mismo procedimiento con la primera
diferencia.
Observando el ploteo de la primera diferencia del consumo personal agregado
real con su media, concluimos que no tiene tendencia y si tiene intercepto
(t=11.78070 > 2), adems consideramos cuatro rezagos y el criterio Schwarz para
elegir el retardo ptimo.
Obtenemos los siguientes resultados:
Estadstico
t

Tipo de Test

Valor crtico
1%/5%

PRIMERA DIFERENCIA
Hiptesis Nula: Existe raz unitaria (no estacionaria)
Dickey-Fuller Aumentado (ADF)
-4.625715 -3.474567 / -2.880853
Elliott-Rothenberg-Stock (DF-GLS)
-4.546566
-2.580574 / -1.942982
Phillips-Perron (PP)
-10.75407
-3.473967 / -2.880591
Elliott-Rothenberg-Stock punto ptimo.
0.935116
1.929200 / 3.141200
Hiptesis Nula: No existe raz unitaria (estacionaria)
Kwiatkowski-Phillips-Schmidt-Shin
0.496796
0.739000 / 0.463000

Existe Raz Unitaria?


Nivel de significancia
1%
5%

NO
NO
NO
SI

NO
NO
NO
SI

NO

NO

Por lo tanto, la primera diferencia del consumo personal agregado real es


estacionaria, es decir, el consumo personal agregado real es integrado de orden uno.
6

CAMBIO ESTRUCTURAL
Nos interesa evaluar la presencia de un cambio en alguno de los elementos
determinsticos que caracterizan a la serie: el intercepto, y/o la tendencia. Es decir,
tenemos los modelos siguientes:

Yt = 0 + 1 Dt + u t

Yt = 0 + 1t + 2 Dt t + u t
Yt = .0 + 1 Dt + 2 t + 3 Dt t + u t
Zivot y Andrews (1992) elaboraron un test en la que la fecha del punto de
quiebre era determinada endgenamente. Con esta finalidad se desarrollo un
programa preparado para E-Views , correspondiente al test de Z&A, realizado de
manera secuencial, esto ltimo se refiere a que el programa evala la posible
presencia de quiebre estructural en cada observacin de la serie analizada (genera
variables Dummy a partir de la 75ava observacin y termina en la observacin N-75).
Zivot & Andrews elaboraron un test en el que se diferencia una trayectoria de
raz unitaria de una estacionaria cuando haba cambio estructural, debido a que los
tradicionales test ADF y PP estaban sesgados hacia el no rechazo de la hiptesis nula
de raz unitaria, puesto que a menudo se rechazaba incorrectamente la hiptesis
alternativa de estacionariedad. La hiptesis nula es la presencia de raz unitaria con
tendencia y la alternativa, la de estacionariedad con tendencia y cambio estructural
(en el nivel y/o pendiente).

Zivot y Andrews presentan un grfico F con tres lneas: La lnea roja (FT)
muestra el resultado del test F aplicado secuencialmente, para posibles quiebres en
tendencia, la lnea verde (FM), muestra el mismo test, pero para posibles quiebres en
media, la lnea azul (F) es el test F, para ambos casos; se observa la lnea que alcanza
valores ms altos, por lo que podemos concluir que existe evidencia de un POSIBLE
quiebre (en tendencia, media o ambos), o dicho de otra forma, si existe quiebre en la
serie (y no raz unitaria), este sera quiebre (en tendencia, media o ambos) y estara
alrededor de tal observacin.
Asimismo, se presentan tres grficos en la que se plotean por un lado, la
trayecoria de la distribucin t o ts de Zivot, y por el otro los valores de la
distribucin t crtico; si el valor t-Zivot cruza los valores crticos (VCRIT), existe
suficiente evidencia estadstica para rechazar la hiptesis nula de raz unitaria, por lo
que la(s) serie(s) evaluadas muestra una trayectoria de raz unitaria. Contrariamente,
si la distribucin de valores t Zivot no cruza el t crtico, no existe evidencia para
rechazar la hiptesis nula de raz unitaria (no estacionariedad).
6.1.

EJERCICIO
Considerando el consumo personal agregado real y aplicando el programa de
Zivot y Andrews, nos da el resultado siguiente:
GRFICO N01

GRFICO N02

18000

-1

16000
-2

14000
12000

-3
10000
8000

-4

6000
4000

-5
25

50

75

100
FT

125

150

30

40

50

FM

70

80

ZIVOTM

GRFICO N03
-1.5

60

90 100 110 120 130


VCRITM

GRFICO N04
-2.0
-2.4

-2.0

-2.8
-2.5

-3.2

-3.0

-3.6
-4.0

-3.5

-4.4
-4.0

-4.8

-4.5

-5.2
30

40

50

60

70

ZIVOTT

80

90 100 110 120 130


VCRITT

30

40

50

60

70

ZIVOT

80

90 100 110 120 130


VCRIT

Como se aprecia en el grfico N 01, existe un posible quiebre estructural en


tendencia y en los otros tres grficos, los valores t Zivot no cruzan el t crtico, no existe

evidencia para rechazar la hiptesis nula de raz unitaria (no estacionariedad).

You might also like