ECONOMETRA: Series de Tiempo1

Tito Vargas Principe2

LAMBDA GROUP S.A.C
Febrero del 2012

Esta es una versin preliminar escrita para el curso de ECONOMETRA APLICADA dictado en LAMBDA GROUP cualquier
sugerencia por favor escribir al correo tvargasprincipe@gmail.com

2Especialista

Econmico de la DGCeT-MTC, economista de la UNMSM. Con estudios en la Maestra en Econmica de la

PUCP. Docente del Centro de Capacin en Teora Econmica Lambda Group.

Tema1: Anlisis Univariado de Series de Tiempo

I. Definiciones

El Anlisis univariado identifica cada variable exclusivamente con su pasado,
analizando su estacionariedad y descomponiendo sus elementos cclicos y
tendenciales.

Proceso Estocstico Discreto (PED): una sucesin de variables aleatorias {y t }
donde t=-2,-1,0,1,2

Serie temporal. Realizacin particular de un PED, Conjunto de valores
observados de distintas variables (PBI, I, XN;) correspondientes a periodos de
tiempos consecutivos ; dicho periodos tienen la misma amplitud; y la serie tiene un
carcter discreto.

Estacionariedad. Consideremos el PED y centrmonos en dos de sus miembros:
yt y yt-k. Este PED se denomina estacionario de un tipo particular si
determinadas propiedades estocsticas(funciones de distribucin, momentos entre
otras) de yt y yt-k no dependen de t y t-k (su ubicacin absoluta en la secuencia)
pero slo de k (su separacin relativa en la secuencia).

Estacionariedad Estricta Si la funcin de distribucin no cambia a lo largo del
tiempo. Un proceso estocstico es estacionario si y solo si para todo entero m>0
los conjuntos (Yt1, Yt2, ..., Ytn) tienen la misma distribucin independientemente
del valor de t.

Estacionariedad Dbil Si sus dos primeros momentos es constante en el tiempo.
Es decir, si cumplen con las siguientes tres propiedades:
Propiedad 1. Las esperanzas matemticas de las variables aleatorias no
dependen del tiempo (esperanzas constantes)

E ( yt ) = E ( yt +m )
Propiedad 2. Las varianzas no dependen del tiempo (Cte) y son finitas

Var ( yt ) = Var ( yt +m ) <

Propiedad 3. Las covarianzas entre dos periodos de tiempos distintos solamente
dependen del lapso de tiempo transcurrido entre esos dos periodos

Cov( yt ; ys ) = Cov( yt + m ; y s + m )

II. AutoregressiveMoving-Average (ARMA)

Series de tiempo estacionarias (en el sentido dbil): se podrn modelar a travs de
especificaciones ARMA. Su objetivo es explicar el componente estacionario a travs de su
pasado por medio de diferentes tipos de relaciones.
p

i =1

i =1

ARMA( p, q ) : y t = i y t i i u t i + u t +

En el trabajo emprico, cuando analizamos la estacionariedad en media de una serie, la

gran pregunta es:
Yt: Estacionaria en tendencia (ET)?
Yt: Estacionaria en diferencias (ED)?
Esta distincin hace referencia a la transformacin que debemos realizar para garantizar
la estacionariedad del proceso.
Condiciones para la estacionariedad.
Antes de especificar las condiciones de estacionariedad, expresemos el proceso arma en
trminos del operdor de rezago (L).

Lu = yt 1
L2 y = y t 2

ARMA( p, q) : 1 1 L 2 L2 p Lp yt = 1 1 L 2 L2 p Lp ut +
Donde el Polinomio de rezagos es:

1 1 L 2 L2 p Lp

[
]
ARMA( p, q) : [(1 z L).(1 z L)...(1 z L ]y

ARMA( p, q) : 1 1 L 2 L2 p Lp yt = MA(q ) +
1

= MA(q ) +

Condicin para la estacionariedad de un proceso

ARMA(p,q): Las races caractersticas del polinomio de
rezagos del componente AR(p) son menores a uno en
valor absoluto /zi/<1, i=1,2p

III. Estadsticos que caracterizan procesos estacionarios

(a) Funcin de Autocovarianza (FAC)

j = Cov ( yt ; yt j ) = E ( yt y ).( yt j y )
Cuando j =0, tenemos la varianza.

0 = Var ( yt ) = E ( yt y )

El conjunto de autocovarianzas obtenidas configuran la funcin de autocovarianza. Para

un proceso estacionario la funcin de autocovarianza cumple las siguientes propiedades:

1) j 0

2) j = j ( simetria)

(b) Funcin de Autocorrelacin Simple (FAS)

j = Corr ( yt ; yt j ) =

Cov ( yt ; yt j )
Var ( yt ) . Var ( yt j )

j
0

Para un proceso estacionario la funcin de autocorrelacin cumple las siguientes

propiedades:

1) 0 = 1

2) j 1

3) j = j ( simetria )

4) Lim j = 0
j

Nota1:
El FAS se puede obtener a partir de regresiones MICO

yt=a*yt-1+ut entonces a = 1
yt=b*yt-2+ut entonces b = 2
(c) Funcin de Autocorrelacin Parcial (FAP)
La FAP de un PED es igual a su FAS, pero corregida por los rezagos intermedios, ya que
indica el efecto marginal que cada t-k tiene sobre t.
Podemos hallar el FAP mediante determinantes, tal como se especifica a continuacin

11 = 1

1

= 1 2
1 1
1 1
1

22

...

1 1 2 ... j 2

1 1

1 ... j 3 2

...
jj =

j 1 j 2 j 3 ...1 j
1 1 2 ... j 2 j 1
1 1

1 ... j 3 2

...

j 1 j 2 j 3 ...1 1
Nota2:
Para estimar la FAP de orden k de un PED es necesario correr una regresin que
relacione yt y yt-k pero en presencia de los rezagos intermedios. As, por ejemplo, para
hallar la FAP de orden 1 (que es igual a la FAS del mismo orden, ya que no habran
rezagos intermedios), se corre la regresin:

yt=a*yt-1+ut entonces a = 11
yt= a*yt-1+b*yt-2+ut entonces b = 22 , pero a no es la FAP de orden 1.
yt= a*yt-1+b*yt-2++c*yt-3+ut entonces c = 33 , pero a y b no es la FAP de orden 1y2
respectivamente.
********************************************************************************************
Aplicacin en Eviews de lo aprendido hasta este punto.
1. Usar el Workfile estadsticos
2. Obtener las FAS y FAP utilizando el comando correlogram.

3. Obtener las FAS y FAP mediante regresiones MICO.

yt=a*yt-1+ut entonces a = 1

yt=b*yt-2+ut entonces b = 2

yt= a*yt-1+b*yt-2+ut entonces b = 22 , pero a no es la FAP de orden 1.

********************************************************************************************

VI. La FAC, FAS y FAP de algunos procesos

4.1 Proceso AR(1):

yt = 1 yt 1 + + ut

Para especificar los FAC, FAS y FAP de un proceso AR, se trabajar la variable en
__

desviacin respecto de su media: y = y y

~

y t = 1 y t 1 + ut
Asimismo, antes de analizar el comportamiento de las funciones de autocorrelacin hay
que establecer la relacin que existe entre yt y los errores de la ecuacin ut.

~
0;
E y t j * ut = 2

u ;

j>0
j=0

FAC AR(1)
2

_
~ ~

~ 2
~ ~
0 = E yt y = E y t = E y t * y t = E y t * 1 y t 1 + u t = 1 1 + u2

1 = E yt y yt 1 y = E y t * y t 1 = E y t 1 * 1 y t 1 + u t = 1 0
_

2 = E yt y yt 2 y = E y t * y t 2 = E y t 2 * 1 y t 1 + u t = 1 1 = 12 0

j = 1j 0
FAS AR(1)

1 ==

1 1 0
=
= 1
0
0

2 12 0
2 ==
=
= 12
0
0
j
j = 1
FAP AR(1)

11 = 1 = 1

1

= 1 2
1 1
1 1

22

1 12
1 1
1 1

=0

jj = 0 Para j>1

Los coeficientes de correlacin simple de un proceso AR(1) estacionario
convergen a cero conforme aumente el grado de los mismos.

Slo el primer coeficiente de correlacin parcial de un AR(1) estacionario es
distinto de cero.

Generalizando estos resultados para procesos AR(p) estacionarios tenemos que:

- La FAC y la FAS convergen a cero.
- La FAP es igual a cero " j > p.

4.2 Proceso MA(1): yt = + u t 1u t 1

FAC MA(1)

FAS MA(1)

FAP MA(1)

PROPIEDADES DEL MA (1)

1, El modelo MA(1) siempre es estacionaria.
2, Para que sea invertible debe cumplirse que /1/ <1
3, La funcin de Ato correlacin se anula para retardos mayores a uno (el modelo MA(1) tiene una memoria de un solo periodo
4, El correlograma, representacin grafica de la funcin de auntocorrelacion, tendr un solo pico
distinto de cero, el correspondiente al primer retardo, siendo el signo del mismo, inverso al del parmetro.
5, La funcin de autocforrelacion parcial no se anula. Su representacin grafica presentara un comportamiento amortiguado hacia cero
con todos los valores negativos cuando 1 >0 y alternando el signo, comenzando con positivo, cuando 1<0

Generalizando estos resultados para procesos MA(q) invertibles tenemos que:

- La FAC y la FAS son iguales a cero " j > q.
- La FAP converge a cero de distintas formas dependiendo de los signos de los
coeficientes.
RESUMEN:
Proceso FAS (j)
AR(p)
Converge a 0, j Infinito
MA(q)
Igual a cero para j>q

FAP (j)
Igual a cero para j>p
Converge a 0, j Infinito

4.3 Un proceso ARMA(1,1): yt = yt = 1 yt 1 + + u t 1u t 1

El proceso ARMA (1,1) ser estacionario cuando cuando la parte AR de la serie lo sea,
mientras que ser invertible cuando la parte MA lo sea.
FAS ARMA (1,1) FAS AR(1) para todo j>1
FAP ARMA (1,1) FAP MA(1) para todo j>1
Generalizando para los modelos ARMA de orden mayor podemos decir que, en el caso de
un modelo ARMA (p,q) se tiene que:
FAS ARMA (p,q) FAS AR(p) j> q
FAP ARMA (p,q) FAP MA(q) j > p

Teorema de Said y Dickey (1984): Un proceso ARMA (p,q) se puede

aproximar por un ARMA(n,0), donde n no debe ser mayor a T1/3.

********************************************************************************************
Aplicacin en Eviews de lo aprendido hasta este punto.

1- Ruido Blanco
create u 1 200
series WN1 = rnd
series WN2 = nrnd
series WN3 = 2 + @sqr(3)*nrnd
El comando rnd genera nmeros aleatorios en el intervalo [0,1] con distribucin
uniforme. El comando nrnd genera nmeros aleatorios con distribucin normal con
media cero y varianza uno. Por lo tanto: WN1 U(0,1), WN2 N(0,1) y WN3 N(2,3).

2. Procesos de media mvil

create u 1 200
series u = 10 + @sqr(3)*nrnd
series ma1 = u + 0.5*u(-1)
series ma2 = u + 0.5*u(-1) - 0.9*u(-2)
La serie u es un proceso de ruido blanco. Mientras que ma1 y ma2 son procesos MA(1) y
MA(2)

3. AR(1)
Para generar un proceso AR(1) vamos a crear un nuevo programa y escribiremos lo
siguiente
create u 1 200
scalar rho = 0.5
smpl @first @first
series ar1 = 0
smpl @first +1 @last
series ar1 = rho*ar1(-1)+ nrnd
El comando scalar genera un escalar de nombre rho y valor 0.5. Para el proceso AR(1)
el valor de rho debe asignarse en el intervalo (-1,1) para que el proceso sea estacionario y
causal. El comando smpl es para indicar que vamos a trabajar con una muestra en lugar
del rango del workfile. En esta lnea le estamos indicando a EViews que trabaje
nicamente con el primer elemento de las series. El comando series, genera la series

ar1. Como estamos indicando ar1=0 Ya dems estamos trabajando con la muestra del
primer elemento,seriesar1 = 0 genera una serie de ceros de un elemento. La siguiente
lnea le indica a EViews que tome una muestra desde el segundo elemento hasta el
ultimo. Por ltimo, genera la serie ar1 multiplicando al valor de ar1 del periodo anterior
(que para el primer periodo lo hemos generado igual a cero) por una constante rho que
puede tomar valores entre -1 y 1 (en este caso 0.5) y sumndole un numero aleatorio con
distribucin N(0,1). Para generar un random walk asignar a rho el valor 1.

AR(2)
create u 1 200
smpl @first @first+1
series ar2 = 0
smpl @first+2 @last
series ar2 = 0.2*ar2(-1)+0.5*ar2(-2)+ nrnd
La nica diferencia con el programa anterior es que ahora necesitamos asignar dos
valores iguales a cero.

5. Proceso ARMA(1,1)
create u 1 200
series u2 = nrnd
series ma11 = u2 + 0.5*u2(-1)
smpl @first @first
series arma11 = 0
smpl @first+1 @last
series arma11 = 0.5*arma11(-1) + ma11
smpl @first @last
Metodologia
univariados.

Box-Jenkins: se utiliza para

la modelacin de procesos estocsticos

1. Identificacin tentativa del modelo (a partir del correlograma)

2. Estimacin de los parmetros del modelo
3. Evaluacin de diagnsticos para comprobar si el modelo es adecuado;
modelo si es necesario.
4. Generacin de Pronsticos

mejorar el

Tema2: Anlisis Univariado de Series de Tiempo

No estacionariedad en media

I. Introduccin
La no estacionariedad en media puede ocurrir, bsicamente, en dos circunstancias

Cuando la media se comporta como un polinomio de orden d en el tiempo, es
decir, se observa una tendencia determinstica en la serie. Esta tendencia puede
ser removida diferenciando la serie tantas veces como sea el orden del polinomio
temporal. Por ejemplo:

yt = 0 + 1*t + t(1)
E(yt) = o + 1t, por lo que crece con el tiempo
y t -1= 0 + 1*(t-1) + t-1(2)
yt- y t -1= 1 + t t-1 (1)-(2)
Siendo la primera diferencia un modelo MA estacionario (ya que E(yt yt-1) =
pero no invertible

Cuando se tenga un proceso autorregresivo que no cumpla con las

condiciones de estacionariedad: races caractersticas del polinomio de rezagos
no son todas menores a uno en valor absoluto, es decir nos encontramos ante la
presencia de Raz unitaria.
El nmero de races unitarias indica las veces que debe ser diferenciada la serie para
tener un proceso estacionario. De esta forma, se conocer como una serie ARIMA(p,d,q)
a aquella que tiene que ser diferenciada d veces antes de poder ser modelada como una
serie ARMA(p,q).
II. Camino aleatorio (random walk)
El ejemplo ms simple de una serie con raz unitaria es el camino aleatorio o random walk
en donde el proceso AR de orden 1 es de la forma:

yt = yt1+ t,

Resulta claro cmo este proceso viola las condiciones de estacionariedad.

donde

=1.

III. Cmo detectar una Raz unitaria?

FAS FAP
Una serie Integrada presentar una lenta dilucin de la significancia de los coeficientes de
correlacin simple (FAS) y un coeficiente de correlacin parcial (FAP) de primer orden
bastante significativo.

Test Dickey Fuller

Si partimos de un proceso autorregresivos de primer orden de la forma y t = 1 y t 1 + t la
prueba de Dickey Fuller se basa en la estimacin de la siguiente ecuacin:

y t = 1 y t 1 + t
y t y t 1 = 1 y t 1 y t 1 + t

yt = . yt 1 + t
H 0 : = 0 ( H 0 : = 1 )
Donde: yt = yt y t 1 ; adems 1 =
La verificacin de la hiptesis nula (AH0) significa que el proceso en cuestin presenta
raz unitaria.
Test Dickey Fuller Aumentado
p

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

La ecuacin anterior incorpora dos componentes determinsticos: un intercepto y una

tendencia, y adems la sumatoria de p-1 rezagos la que configura la forma aumentada, y
su inclusin responde a la necesidad de corregir la presencia de correlacin serial en los
residuos de la ecuacin, dada la posibilidad de que la serie analizada presente un orden
de autoregresin de orden superior a uno. La sugerencia es utilizar la prueba con
intercepto y tendencia y si se RH0 concluiremos que no hay raz unitaria.

La eleccin de los componentes determinsticos pasa por una exploracin grafica:

a) Si la serie parece contener una tendencia, entonces, el test debe incluir intercepto
y tendencia.
b) Si la serie no presenta una tendencia, pero muestra una media distinta de cero, el
test debe incluir solo intercepto.

********************************************************************************************
Aplicacin en Eviews de lo aprendido hasta este punto.
Crear un nuevo workfile de 100 datos: new program
create u 1 100
smpl 1 1
genr y1=nrnd
genr y2=nrnd
genr y3=nrnd
genr y4=nrnd
smpl 2 100
genr y1=0.99*y1(-1)+nrnd*5
genr y2=3.75+0.99*y2(-1)+nrnd*4
genr y3=1.5+0.55*@trend+0.75*y3(-1)+nrnd*5
genr y4=3.5+0.88*y4(-1)+nrnd*5
smpl @all
y1 es un Random Wald puro
y2 es un Random Wald con drift (termino constante)
y3, y4 son series estacionarias (la primera estacionaria en tendencia), por ello la correcta
especificacin de la prueba del DFA debera llevar a la aceptacin de la H0 en los dos
primeros casos y el rechazo de las mismas para las dos ltimas.
Exploramos grficamente:
60

250

50

200

40
150

30
20

100

10

50

0
0

-10
-20

-50
25

50

75

100

25

50

Y1

75

100

75

100

Y2

240

50

200

40

160

30

120
20
80
10

40
0

-40

-10
25

50

75
Y3

100

25

50
Y4

Y2, y3 presentan un comportamiento tendencial

La FAP de las 4 variables muestra la existencia de un coeficiente de correlacin parcial de

primer orden positivo y bastante significativo.
El FAS de las 3 primeras variables muestra una lenta dilucin de los coeficientes de
correlacin simple (es un indicador de presencia de raz unitaria, un proceso de memoria
larga) la cuarta variable presenta una dilucin rpida, por lo que se espera que el
coeficiente de correlacin parcial sea menor a uno en valor absoluto (estacionaria)
Esta informacin es referencial, para determinar con exactitud la presencia de Raz
unitaria se utilizar la prueba DFA.

Preguntas Tipo
1-Todas las siguientes son verdaderas, excepto:
a. Mtodo box-Jenkins se utiliza para
univariados.

la modelacin de procesos estocsticos

b. El FAP de un AR(p) se anula para rezagos (orden) mayor a p.

c. La estacionariedad de un proceso ARMA depende nicamente de la parte AR del
modelo.
d. Un proceso estocstico no estacionario posee una representacin MA.
e. El primer coeficiente de autocorrelacin parcial de un proceso AR es igual al
primer coeficiente de autocorrelacin simple.
2-Cul de las siguientes expresiones es verdadera?
a. Slo el primer coeficiente de correlacin parcial de un AR(1) estacionario es cero
b. El Teorema de Said y Dickey sugiere que un proceso ARMA (p,q) se puede
aproximar por un ARMA(n,0), donde n no debe ser menor a T1/3.
c. Si una serie es I(1) (requiere de una diferencia para ser estacionaria), entonces es
un random walk.
d. Si una serie es un random walk, entonces su primera diferencia es un ruido
blanco.

3-De las siguientes afirmaciones, Cules son verdaderas?

I)

II)
III)

Una serie autoregresiva con una raz unitaria presenta una funcin de
Autocorrelacin simple que no se disipa en el tiempo, puesto que los
choques aleatorios son permanentes y no temporales.
La presencia de no estacionariedad en media se puede dar cuando se
tenga un proceso autorregresivo con raz unitaria.
Si el test ADF no rechaza la hiptesis nula en los niveles de una serie
econmica, pero si la rechaza en primeras diferencias, entonces no se
puede determinar el orden de integracin de la serie.
a) solo I
III
b) solo II

c) solo III
d) solo I y II

e) solo I y