Professional Documents
Culture Documents
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
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
443.6730
171.4417
231.8413
0.000000
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)
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
16.65278
0.011502
0.915224
1.5
2.0
TIPOS DE PREDICCIONES
Segn el horizonte de prediccin se clasifican:
1.3.
1.4.
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.
1.5.
1.6.
1.7.
1.8.
1.9.
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
Yt =
( )
( )
Xt +
u
( )
( ) t
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
Yt = V ( ) X t + ( ) ( )U t
1
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
2,400
2,000
1,600
1,200
800
400
1950
1955
1960
CP
1965
1970
1975
1980
1985
@MEAN(CP,"1950q1 1988q1")
%Yt =
Yt Yt 1
*100 = t 1 *100
Yt 1
Yt 1
Trimestral
Y
11Yt = t 1 *100
Yt 1
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
-2
0
-2
-4
1950 1955 1960 1965 1970 1975 1980 1985
TPA
TPAA
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)
1960
1965
1970
1975
(LOG(CP)-LOG(CP(-1)))*100
1980
1985
TPA
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
Deterministico
Tendencia, Estacionalidad.
Modelable
Irregulares
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
CP
70
820
60
800
780
50
760
40
740
30
720
20
92M01
92M07
93M01
93M07
94M01
700
1950
1951
1952
1953
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
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
OK
View
Correlogram...
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
View
Correlogram...
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
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
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
1479.040
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
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
37.99448
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
MMc 4Yt =
1 3
Yt r
4 r =0
1 +2
Yt r
4 r = 2
Variable
Filtrar
Marcamos CP
Variable
centrada.
3
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
(i )
m
1)
im
12 i i ...i
1 2 12
s=
im
4 i1i2 i3i4
mensuales
trimestres
Proc
Seasonal Adjusment
OK
se marca Ratio to
1.000019
0.999470
1.000848
0.999663
X t = 0.5Y + Y + 12
Yt + Yt 1 + 0.5Yt 2
t+2
t +1
mensual
trimestral
2.-
Se considera la diferencia:
3.-
4.-
d t = Yt X t
( )
sj = ij i
En el Eviews se sigue la instruccin siguiente:
Abrir el CP
Proc
average - Additive
-0.132086
-0.941545
1.444906
-0.371275
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:
Abrir el PBIA
Multiplicativo
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
(
)
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
Alpha
Beta
Gamma
Sum of Squared Residuals
0.9400
1.0000
0.0000
54.46170
Holt-Winters
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
Estimacin de la tendencia.
Determinacin de unos coeficientes estacionales.
Estimacin de la componente aleatoria, y
Varios contrastes para detectar la estacionalidad.
Abrir el CP
Proc
Seasonal Adjusment
X11 (Historical)
OK.
OK.
Abrir el CP
Proc
Seasonal Adjusment
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
Yt CT =
1 +1 SE
Yt s
3 s = 1
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
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
CP
153
Equation
Yt = 551.89 +11.976*t
R-Squared
R-Square Adjusted
Sum Square Error
(SSE)
0.982551
0.999980
760146.960164
0.024479
1.-
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
1474.026
535.3530
11.42569
11.54453
1657.947
0.000000
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
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
1474.026
535.3530
10.14631
10.32457
3843.774
0.000000
Yt = * Yt + (1 )* Yt 1
N 1
s
Yt = * (1 ) Yt s
s =0
Prediccin:
Yt + k = Yt
k > 0
Single
OK y
0.9990
1345.407
6.696782
Mean
69.42131
( )
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 ).
0.8560
1320.795
6.635247
Mean
Trend
69.53286
10.11279
Double
Yt = * Yt + (1 )* Yt 1 + bt 1
b = * Y Y + (1 )* b
t 1
t 1
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
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
Tt = Yt 2
((
) (
2
Min Yt1 Yt 2 + Yt +21 Yt 2 Yt 2 Yt 21
t =1
t =2
))
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
OK y se muestra
80
1000
40
500
0
-40
-80
1950 1955 1960 1965 1970 1975 1980 1985
CP
2.-
Trend
Cycle
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.
Proc
Frecuency Filter
OK y se muestra el
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:
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
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:
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
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
-40
-20
20
40
Yt = ( a p cos i t + bi sen i t ) + t
i =1
i =
pi = 1,..., k
2
k = (
N
N 1) si N es impar
de
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
I ( p ) =
(a 2p + b p2 )
2 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
40
60
80
Irregular
0
0
50
100
150
20
1.5
1.0
15
PERDG
0.5
0.0
10
-0.5
5
-1.0
0
-1.5
20
40
60
80
50
100
150
FREC
80
10000
8000
PERDG
60
40
6000
4000
20
2000
0
0
20
40
60
80
50
100
150
FREC
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.-
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.-
{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.
2.-Dbil:
E [Yt ] = Y
Var (Yt ) = Y2
)(Y
t2
Y = ( t1 t2
PRUEBA DE ESTACIONARIEDAD
Existen varias pruebas para verificar estacionariedad y se clasifican en los
tipos siguiente:
5.1.
@MEAN(CP,"1950q1 1988q1")
OK
View
Correlogram...
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
@MEAN(D(CP),"1950q1 1988q1")
se escribe 12 lag
View
OK
Correlogram...
|
|
|
|
|
|
|
|
|
|
|
|
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
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
Yt = Yt 1 + ut
y se encuentra que
raz unitaria.
(2)
tiene una
Yt 1
Yt Yt 1 = Yt 1 Yt 1 + ut
sacando factor comn y definiendo
Yt = ( 1)Yt 1 + ut
Yt = Yt 1 + ut
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,
yt = 0 + 1 yt 1 + 2 yt 2 +....+ p yt p + t
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
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
5.2.3.
ecuacin:
Yt = + Yt 1 + t + t
()
~ 0
t = t
f0
( ( ))
T ( f 0 0 ) se
1
2 f0 2 s
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
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.
LM = S (t ) / T 2 f 0
2
t =1
S (t ) = ur
r =1
D(Yt a ) = D ( X t a ) (a ) + t
= (Yt d1 ) / T 2
T
t =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}
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
SI
SI
SI
NO
SI
SI
SI
NO
SI
SI
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
NO
NO
NO
SI
NO
NO
NO
SI
NO
NO
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
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
30
40
50
60
70
ZIVOT
80