Series de Tiempo

ESTADSTICA ESPAOLA
Vol. 45, Nm. 153, 2003, pgs. 167 a 192
La medicin del crecimiento en series

temporales no estacionales
por
JOS RAMN CANCELO()
Departamento de Economa Aplicada II
Universidade da Corua
RESUMEN
En este trabajo consideramos el problema de calcular una seal

suave de crecimiento en series no estacionales y comparamos las
propiedades de dos candidatos naturales, el crecimiento de la tenden-
cia de nivel y un componente suave extrado directamente del crec i-
miento observado. Para ello planteamos la medicin del crecimiento
como un problema de extraccin de seales usando el mtodo basa-
do en modelos ARIMA y discutimos algunos criterios de evaluacin.
La principal conclusin es que la medida ms adecuada depende de
las caractersticas de la serie observada y de si el objetivo es realizar
un anlisis histrico, el seguimiento a corto plazo o la prediccin.
Palabras Clave: componentes no observados, extraccin de seales,

seguimiento a corto plazo, prediccin
Clasificacin AMS: 60G35, 62M20, 62P20, 91B84
() Se agradece la ayuda financiera de la Xunta de Galicia, proyecto XUGA10001B98, as

como los comentarios de un evaluador a una versin anterior.
168 ESTADSTICA ESPAOLA
1. INTRODUCCIN
Una de las principales reas de aplicacin del anlisis estadstico de series

temporales econmicas es el seguimiento de la coyuntura y la consiguiente toma
de decisiones sobre poltica econmica y gestin empresarial. Muchas de las
principales magnitudes de inters son series con tendencia (produccin, ventas,
precios, comercio exterior, empleo, etc), de manera que el anlisis se basa ms en
las cifras de crecimiento que en las observaciones del nivel. Sin embargo medir el
crecimiento no es un problema trivial, ya que la variabilidad de corto plazo domina
la evolucin de las medidas habitualmente utilizadas y el analista econmico se ve
obligado a extraer una seal que proporcione una imagen ms ntida del creci-
miento subyacente.
Por otra parte, aunque el problema se plantea desde la perspectiva del econo-
mista aplicado la discusin es extrapolable a cualquier mbito cientfico donde el
analista requiera una medida de crecimiento que est lo menos distorsionada
posible por factores irregulares de corto plazo.
En este trabajo consideramos el problema de calcular una seal suave de crec i-

miento para una serie temporal no estacional x t, si bien las conclusiones que obtene-
mos tambin son vlidas para series con estacionalidad determinista. Suponemos
que el nivel x t es la suma de un componente permanente o tendencia y un compo-
nente transitorio: la tendencia est relacionada con los determinantes econmicos
bsicos de x t, en tanto que el componente transitorio recoge perturbaciones de corto
plazo que distorsionan la evolucin subyacente. Nuestro objetivo es calcular una
medida del crecimiento de x t que mantenga la informacin sobre la evolucin de la
tendencia y elimine la volatilidad asociada al componente transitorio.
Una manera natural de obtener una medida suave de crecimiento es calcular el

crecimiento de la tendencia de nivel, que es la propuesta tradicional en la literatura
as como la prctica habitual en los organismos oficiales. Pero un segundo candi-
dato que, al menos intuitivamente, parece tan adecuado como el anterior es extraer
el componente permanente del crecimiento observado y t=x t. En definitiva la cues-
tin es si deberamos usar el crecimiento de una tendencia de nivel o el compo-
nente permanente ("tendencia") del crecimiento observado.
En un marco lineal ambas medidas parecen equivalentes, ya que tanto la ex-
traccin de un componente permanente como el crecimiento son operaciones
lineales y por lo tanto intercambiables. Sin embargo esto no es cierto cuando se
utiliza un mtodo basado en modelos de forma reducida para estimar los compo-
nentes no observados. Demostramos que los procesos estocsticos que generan
los componentes no observados no son los mismos si se descompone el nivel
observado o el crecimiento observado, y por lo tanto la pregunta de qu medida de
LA MEDICIN DEL CRECIMIENTO EN SERIES TEMPORALES NO ESTACIONALES 169
crecimiento emplear dada la informacin que proporciona la serie observada no es

trivial.
El trabajo desarrolla y formaliza algunas ideas presentadas en Cancelo y Fer-
nndez (2001) y se organiza de la siguiente manera. La seccin dos se dedica a los
modelos estructurales y a las propiedades estocsticas de las dos medidas que
comparamos. En la seccin tres discutimos algunos criterios para evaluar el com-
portamiento relativo de las dos propuestas. La seccin cuatro presenta los princi-
pales resultados para el caso en que x t sigue un modelo IMA(2,2). En la seccin
cinco ilustramos los resultados tericos con una aplicacin al clculo de la inflacin.
La seccin seis resume las principales conclusiones.
2. LOS MODELOS DE LA SERIE OBSERVADA, DE LOS COMPONENTES

TERICOS Y DE SUS ESTIMADORES
2.1 Planteamiento general
Sea x t una serie no estacional que se puede expresar como la suma de dos
componentes, un componente permanente pxt o tendencia de nivel y un compo-
nente transitorio nxt:
xt = p xt + nxt (1)
La interpretacin econmica de pxt y de nxt depende de la periodicidad de los

datos (Kaiser y Maravall, 1999: 13). En datos trimestrales o mensuales nxt normal-
mente es un componente muy errtico y pxt es una tendencia de corto plazo que
incluye el componente cclico; en datos anuales nxt es el componente cclico y pxt es
una tendencia de largo plazo. En los dos casos supondremos que pxt es el compo-
nente relacionado con los determinantes econmicos bsicos de x t y que nxt es
ruido aadido. Si bien la interpretacin de la seal de crecimiento resultante es
distinta en funcin de si se considera una tendencia de corto plazo o una tendencia
de largo plazo, a los efectos del anlisis estadstico que sigue no hay diferencias y
trataremos ambos casos como equivalentes.
Las ventajas de plantear el estudio de los componentes no observados en se-

ries temporales en un marco basado en modelos han sido sobradamente puestas
de manifiesto en la literatura (Burman 1980, Harvey 1989, Maravall 1995). Los dos
principales motivos son (1) garantizar que el procedimiento de estimacin es cohe-
rente con la informacin contenida en los datos, y (2) poder llevar a cabo inferencia
formal sobre los estimadores de las seales y sobre los distintos errores asociados.
En este trabajo nos centramos en el enfoque basado en modelos ARIMA (AMB).

En l se parte del modelo de los datos observados -el modelo de forma reducida- y
de algunos supuestos bsicos acerca de los modelos de los componentes para
definir la estructura subyacente, y se emplean tcnicas de extraccin de seales
para derivar los estimadores ptimos de los componentes no observados (Burman
1980, Hillmer y Tiao 1982, Maravall 1995). El procedimiento general que plantea-
mos en este trabajo se puede aplicar a cualquier modelo ARIMA que admita una
descomposicin vlida; para obtener resultados concretos supondremos que x t
sigue un modelo IMA(2,2) invertible, que a menudo resulta una buena aproximacin
para series con tendencia lineal y sin estacionalidad:
2x t = (1 1L 2L2 ) at , at ~ Niid(0, 2a ) (2)
donde los parmetros 1 y 2 determinan la estabilidad de la tendencia y la dinmi-

ca de la transformacin estacionaria 2x t. La restriccin de invertibilidad obliga a
que (1, 2) caiga en la regin triangular
2 + 1 < 1
2 1 < 1 (3)
1 < 2 < 1
Se supone que existe una descomposicin similar para el crecimiento observado
y t = p yt + n yt (4)
con pyt el componente permanente de y t y nyt el componente transitorio. Dado que

y t=x t se tiene que el modelo de forma reducida del crecimiento observado es
y t = (1 1L 2L2 ) at , at ~ Niid(0, 2a ) (5)
Ntese asimismo que x t es I(2) e y t es I(1), de manera que tanto el nivel como el
crecimiento estn generados por procesos no estacionarios.
2.2 La descomposicin de nivel
Segn el procedimiento AMB la estructura terica asociada a (1)-(2) es
2p*xt = (1 1L 2L2) bt
(6)
n*xt = c t
con parmetros estructurales 1, 2, b y c . Hay infinitas combinaciones de

2 2
estos parmetros compatibles con la forma reducida observada (2) y para que la
descomposicin est identificada se impone el requisito cannico, que implica
asignar todo el ruido puro a nxt. En este trabajo consideramos una restriccin ms
fuerte, que obliga a que
(1 1L 2L2) = (1 L)(1 + L) (7)
y por lo tanto el modelo estructural es
2pxt = (1 L)(1 + L) bt , bt ~ Niid(0, b2) (8.a)
nxt = c t , c t ~ Niid(0, 2c) (8.b)
Todo proceso IMA(2,2) invertible admite la descomposicin en seal y ruido (6),

ya que es inmediato eliminar el ruido puro del seudoespectro de un proceso inverti-
ble. Sin embargo no todos los procesos IMA(2,2) admiten el modelo estructural (8):
para ciertas combinaciones de (1, 2) el mnimo del seudoespectro corresponde a
una frecuencia interior *<, y el requisito cannico estndar implica un modelo
para pxt que tiene un seudoespectro decreciente hasta * y creciente a partir de
ah. Este no es el tipo de seudoespectro que generalmente se asocia a una ten-
dencia, y por lo tanto diremos que existe una descomposicin aceptable del nivel si
y slo si el seudoespectro de la tendencia es una funcin montonamente decre-
ciente de la frecuencia que alcanza el valor mnimo (igual a cero por el requisito
cannico) en =. Se demuestra que la condicin necesaria y suficiente es que
1 + 12 + 22 + 62 > 0 (9)
Puesto que pxt no es observable estimamos sus valores a partir de una realiza-
cin de x t. El estimador que minimiza el error cuadrtico medio, p xt , es
2b (1 L)(1 + L)(1 F)(1 + F)

pxt = xt =
2a (1 1L 2L2)(1 1F 2F2)
(10)
b2 (1 L)(1 + L)(1 F)(1 + F)
= at
2a 2(1 1F 2F2 )
En (10) la primera expresin hace explcito el filtro ptimo que se usa para esti-
mar pxt dada la serie observada, y la segunda presenta el modelo ARIMA que
genera el estimador de la tendencia. Dado que (2) es invertible las races de (1-1L-
2L2) y (1-1F-2F2) estn fuera del crculo unidad, y el filtro que liga pxt con x t se
puede aproximar por una media mvil finita que se extiende desde t-H a t+H para
un valor adecuado de H.
Supongamos por el momento que se dispone de una realizacin completa de x t;
entonces p xt es el estimador final de pxt y se demuestra que el error en el estima-
dor final de la tendencia de nivel, definido como mxt = pxt p xt , sigue el modelo
ARMA
(1 1L 2L2)mxt = (1 L)(1 + L)dt , dt ~ Niid(0, 2d ) (11)
con var(dt)= b2 2c / 2a (Maravall 1994, Maravall y Planas 1999). La restriccin de

invertibilidad de (1-1L-2L2) implica que mxt es estacionario y en consecuencia que
pxt y p xt estn cointegrados. Adems la varianza de mxt coincide con la covarianza
cruzada contempornea de pxt y nxt (Maravall y Planas, 1999), y por lo tanto la
incertidumbre asociada a la estimacin de la tendencia de nivel simplemente refleja
la dificultad de separar seal y ruido dada la serie temporal observada.
Considrese ahora el caso en el que la observacin ms reciente corresponde a
t+k, H < k < H . El estimador provisional ptimo p x, t| t+k es el valor esperado de p xt
condicionado a los datos observados, y para calcularlo se reemplazan valores
desconocidos de x t en (10) por sus predicciones ptimas calculadas con (2). Para
obtener las distribuciones de probabilidad de la diferencia entre el estimador final y
el estimador preliminar, rx,t|t+k= p xt p x, t| t+k , sea
b2 (1 L)(1 + L)(1 F)(1 + F)

x (L, F) = (12)
2a 2(1 1F 2F2)
de forma que (10) se puede reexpresar como

pxt = x (L, F)at = a
i =
xi t +i (13)
donde por construccin el filtro es convergente en F y diverge en L. A partir de la

definicin de p x, t| t+k se tiene que
k
px, t|t +k =
i =
xiat+i (14)

rx, t|t+k =
i =k +1
xiat+i (15)
Ntese que (15) es una expresin general vlida para errores de revisin en
sentido estricto (k 0) y para errores de prediccin (k<0). El error total que se co-
mete al estimar pxt con informacin hasta t+k es la suma del error en el estimador
final y el error de revisin / prediccin, que por construccin son ortogonales entre
s (Pierce, 1980).
2.3 Propiedades estocsticas del crecimiento del estimador de la te n-

dencia
Sea g1t= p xt el primer candidato para medir el crecimiento. A partir de los re-
sultados anteriores es inmediato comprobar que est generado por
2b (1 L)(1 + L)(1 F)(1 + F)

g1t = at = 1(L, F)at (16)
2a (1 1F 2F2)
donde 1 (L,F)=x(L,F). Dado que g1t es un estimador del crecimiento de la verda-

dera tendencia el error en el estimador final es
m1t = pxt pxt = mxt (17)
que por (11) sigue el modelo ARMA(2,3)
(1 1L 2L2)m1t = (1 L)(1 L)(1 + L)dt (18)
El estimador preliminar de g1t con informacin hasta t+k es
k
g1, t| t+k = a
i =
1i t +i (19)
con un error de revisin / prediccin

r1, t| t+k = a
i =k +1
1i t +i = (
i=k +1
xi x, i+1)at+i (20)
2.4 La descomposicion de crecimiento
Centremos ahora la atencin en la descomposicin estructural (4) con forma re-

ducida (5). Para este modelo bottom-heavy el procedimiento AMB asume que la
estructura subyacente es
p*yt = (1 L) et
(21)
n*yt = (1 L) ft
caracterizada por cuatro parmetros estructurales: , , e y f . El orden de la

2 2
parte MA del componente permanente es 1 debido a la restriccin de que el orden

de la parte de medias mviles no puede ser mayor que el de la parte autorregresi-
va, lo que obliga a que el componente transitorio ya no sea ruido blanco sino que
siga un proceso MA(1) (Burman, 1980). Para identificar la descomposicin el
requisito cannico asigna todo el ruido puro a nyt, de forma que =-1 y llegamos a
pyt = (1 + L) e t , et ~ Niid(0, 2e ) (22.a)
nyt = (1 L) ft , ft ~ Niid(0, 2f) (22.b)
Este modelo estructural no est definido para cualquier proceso IMA(1,2) inver-
tible. La condicin necesaria y suficiente para que exista una descomposicin
aceptable es
1 + 12 + 22 + 21 212 + 142 > 0 (23)
Si bien los modelos para el nivel observado y el crecimiento observado estn

relacionados de forma trivial, al comparar (8) y (22) vemos que los modelos estruc-
turales subyacentes que el procedimiento AMB supone en cada caso son sustan-
cialmente distintos. Esto explica porqu las dos propuestas para obtener una seal
suave de crecimiento que consideramos en este trabajo dan lugar a resultados
diferentes, y por lo tanto justifica el inters de investigar cul de ellas debera ser
usada dadas las caractersticas estocsticas de la serie observada.
El estimador ptimo de pyt viene dado por

2e (1 + L)(1 + F)
pyt = yt =
2a (1 1L 2L2)(1 1F 2F2)
(24)
2e (1 + L)(1 + F)
= at = 2(L, F) at
2a (1 1F 2F2 )
y es la segunda medida que evaluamos en este trabajo, g2t= p yt . Si disponemos de

una realizacin completa de y t el error en el estimador final m2t = pyt p yt sigue el
modelo ARMA
(1 1L 2L2)m2t = (1 L)(1 + L)ht , ht ~ Niid(0, h2) (25)
con var(ht)= 2e 2f / 2a . El estimador preliminar que se puede calcular cuando

y t+k=x t+k-x t+k-1 es la ltima observacin disponible viene dado por
k
g2, t|t +k = py , t| t+k = a
i =
2 i t+ i (26)
con error de revisin / prediccin

r2, t|t +k =
i=k +1
2i at +i (27)
3. CRITERIOS DE EVALUACIN
La decisin de qu medida de crecimiento usar se enmarca en el contexto ms

general de evaluar procedimientos alternativos de extraccin de seales en series
temporales. En el pasado se llev a cabo un importante esfuerzo para evaluar
tcnicas alternativas de ajuste estacional, un problema similar al que aqu tratamos,
con la conclusin de que "La decisin acerca de qu ajuste estacional es apropiado
debera basarse en la informacin contenida en los datos, en las creencias sobre
qu es la estacionalidad, y, cuando sea posible, en los objetivos que se persiguen
con el ajuste estacional" (Bell y Hillmer, 1984: 309). De esta forma el acento se
pone en los supuestos subyacentes que definen los verdaderos componentes y las
propiedades estocsticas de los estimadores factibles y de los errores asociados,
descartando las comparaciones directas de los resultados de aplicar distintos
procedimientos a series reales o simuladas. En nuestra opinin ste es un enfoque
adecuado para decidir cul es la descomposicin ms adecuada en cualquier

problema de extraccin de seales, de manera que en lo que sigue lo adaptamos al
caso que nos ocupa.
La principal consideracin es que la medida propuesta debe incorporar la infor-

macin contenida en los datos, en el sentido de que debe ser consistente con un
modelo adecuado para la serie observada. Esta es una de las principales ventajas
del procedimiento AMB y tanto g1t como g2t satisfacen este requisito.
En cuanto a las consideraciones subjetivas acerca de qu es el crecimiento y
cules son los objetivos que se persiguen cuando se mide el crecimiento de una
variable econmica, los dos candidatos comparten un mismo origen y parecen
adecuados desde el punto de vista de lo que persigue el analista. De hecho si no
llegan al mismo resultado final es nicamente porque se emplea un procedimiento
AMB en la determinacin de los modelos de los componentes, y una de las restric-
ciones de este procedimiento para identificar la estructura subyacente es que el
modelo de la tendencia ha de ser un modelo equilibrado.
Como consecuencia estamos en una situacin en la que los diferentes mtodos

producen resultados distintos porque se basan en estructuras distintas, las dos
igualmente aceptables desde un punto de vista terico, y no tiene sentido llevar a
cabo una comparacin directa entre ambos. De ah que propongamos centrar la
atencin en los siguientes aspectos para establecer criterios de evaluacin:
C-1). Existencia de la descomposicin.
C-2). Tamao del error en el estimador final.

C-3). Tamao de los errores de revisin.
C-4). Tamao de los errores de prediccin.
C-5). Tamao del error total (error en el estimador final ms error de revisin /
prediccin).
El primer criterio es un requisito bsico para que las medidas sean tiles en el
anlisis aplicado. Por su parte en los criterios C-2 a C-5 se pone el acento en cmo
cada medida estima su propia seal subyacente, y la mejor medida ser la que
mejor aproxime la seal terica que pretende estimar. Tales caractersticas son
ms relevantes para nuestra aplicacin que los contrastes de validacin habitual-
mente empleados en el anlisis de series temporales, porque tanto g1t= p xt como
g2t= pyt no son de inters en s mismas sino slo en su papel de herramienta para
aproximar las verdaderas seales, pxt y pyt respectivamente, que no son directa-
mente observables. As por ejemplo en el caso de la prediccin el problema real no
es cmo se predice el valor que el estimador tomar en el futuro, sino con qu
incertidumbre podemos aproximar hoy el verdadero valor de la seal no observable
en el futuro.
El conjunto de criterios C-2 a C-5 pretende cubrir los tres grandes campos de
inters prctico relacionados con la estimacin de componentes no observables en
el anlisis univariante de series temporales, y por lo tanto remiten a los posibles
objetivos del analista al medir el crecimiento de una variable econmica. C-2 es el
criterio relevante para anlisis histricos, en los que se dispone de una realizacin
completa con la que calcular los estimadores definitivos g1t y g2t. C-3 y C-5 son los
ms importantes para un analista interesado en el seguimiento de la variable a
corto plazo y la evaluacin de la situacin actual, puesto que el problema es cmo
estimar la seal en t con informacin hasta t+k, 0k<H. Por ltimo a veces el inters
reside en cmo generar predicciones acuradas y el analista debe concentrarse en
C-4 y C-5.
4. RESULTADOS
En la Figura 1 se muestran los pares de valores (1, 2) que admiten descompo-

siciones aceptables. Los modelos IMA(2,2) invertibles son aquellos cuyos parme-
tros estn dentro del tringulo definido en (3); la lnea continua separa los polino-
mios (1-1L-2L2) con races reales (por encima de la curva) de los que tienen
races complejas. Los modelos con descomposiciones del nivel aceptables son
aqullos con (1, 2) por encima de la lnea discontinua -vase la condicin (9)-, en
tanto que slo existen descomposiciones aceptables del crecimiento por encima de
la lnea punteada -vase la condicin (23)-. En consecuencia la primera conclusin
es que el crecimiento de la tendencia de nivel es una medida ms general que g2t.
Ntese adems que si 1, 2 son las inversas de las races del polinomio 1-1L-
2L2, las dos descomposiciones siempre existen para 1>0, 2<0, y 1, 2>0; pero
pueden aparecer descomposiciones no admisibles cuando las dos races son
reales y negativas o son complejas conjugadas.
Figura 1
EXISTENCIA DE DESCOMPOSICIONES ADMISIBLES
Para sistematizar la presentacin de los resultados relacionados con los criterios

C-2 a C-5 procederemos de la siguiente manera. Considrese por ejemplo C-2, el
tamao del error en el estimador final. Para cada combinacin de (1, 2) para la
que existe la descomposicin vlida del crecimiento calculamos las varianzas de
m1t y m 2t usando (18) y (25), respectivamente. A continuacin calculamos el ratio de
varianzas var(m1t)/ var(m2t) para determinar: (1) qu estimador es ms preciso para
aproximar la correspondiente seal subyacente; y (2) si las dos varianzas son lo
suficientemente parecidas como para que en la prctica ambas medidas tengan la
misma precisin. Ntese que no podemos comparar directamente las varianzas de
g1t y g2t porque estn generadas por procesos no estacionarios.
Para contestar a la primera cuestin nos fijamos en si el cociente de varianzas
es mayor o menor que uno, mientras que para la segunda definimos una regin de
indiferencia formada por el conjunto de valores de (1, 2) tal que el ratio est en el
intervalo (0.9, 1.1). Los resultados se resumen en una figura con dos paneles. En el
Panel A se muestra la mejor medida: en todos las figuras g1t es mejor que g2t en la
regin sombreada, y g2t es mejor que g1t en la zona sin sombrear. El Panel B
muestra la regin de indiferencia, de manera que en la zona sombreada las dos
medidas tienen una precisin similar.
Figura 2
RESULTADOS PARA EL COCIENTE DE VARIANZAS DE LOS ERRORES EN
EL ESTIMADOR FINAL
PANEL A. MEDIDA SELECCIONADA
0.8
0.6
0.4
0.2
2
0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
1
PANEL B. REGIN DE INDIFERENCIA
1
0.8
0.6
0.4
0.2
2 0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1
Se aprecia en el Panel A de la figura 2 que si el objetivo del analista es hacer

estudios histricos g1t es la mejor eleccin para la mayor parte de los pares de
valores (1, 2). Se puede demostrar que hay una relacin muy prxima, aunque no
es exacta, entre la medida elegida y el parmetro del modelo de la tendencia de
nivel, de manera que a medida que tiende a 1 g2t va siendo cada vez ms preferi-
da. Es de destacar que valores altos de estn asociados a modelos de la serie
observada con una raz prxima a 1 que tiende a cancelarse con una diferencia, y
por lo tanto con el caso en que x t est cercana a una tendencia lineal con una
pendiente determinista. Adems la eleccin de la medida adecuada no es un
asunto menor, ya que la regin de indiferencia es bastante pequea tal y como se
muestra en el Panel B.
Las figuras 3 y 4 recogen resultados para los errores de revisin en sentido es-
tricto. Tomando k=0 y 3 vemos en los paneles A que como regla general la magni-
tud de las revisiones es menor para g1t, si bien hay algunos cambios a medida que
se dispone de ms observaciones hacia el futuro. Los resultados para el estimador
concurrente (k=0) reproducen lo que se dijo para el error en el estimador final, pero
a medida que llegan nuevas observaciones la regin en la que se prefiere g1t se
desplaza a la derecha, dejando a la izquierda de la figura un nmero creciente de
combinaciones de ( 1, 2) para las que g2t resulta ms adecuada. Tambin es
interesante destacar que a medida que se van teniendo ms observaciones se
hace ms y ms importante escoger la medida correcta, como se comprueba
comparando las regiones de indiferencia mostradas en los paneles B.
Figura 3
RESULTADOS PARA EL COCIENTE DE VARIANZA DEL ERROR DE REVI-
SIN EN LOS ESTIMADORES CONCURRENTES
1
0.8
0.6
0.4
0.2
2
0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1
0.8
0.6
0.4
0.2
2 0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1
Figura 4
RESULTADOS PARA EL COCIENTE DE VARIANZAS DEL ERROR DE REVI-
SIN DE LOS ESTIMADORES PARA T CON INFORMACIN HASTA T+3
1
0.8
0.6
0.4
0.2
2
0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1

Las conclusiones anteriores cambian sustancialmente cuando nos centramos en

los errores de prediccin en sentido estricto. La figura 5 muestra que g2t es siempre
la mejor eleccin en la prediccin a un perodo, si bien para algunas combinaciones
de (1, 2) las varianzas de los errores de prediccin son muy similares. Estos
resultados prcticamente no varan al aumentar el horizonte de prediccin a tres
perodos.
Figura 5
RESULTADOS PARA EL COCIENTE DE VARIANZAS DE LOS ERRORES DE
PREDICCIN A UN PERODO
0.8
0.6
0.4
0.2
2 0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1
0.8
0.6
0.4
0.2
2
0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
1
En todo caso en el anlisis aplicado los errores de revisin o de prediccin en

sentido estricto tienen un inters reducido, ya que la magnitud relevante es el error
en el estimador total asociado a la informacin disponible. Comenzando con el caso
en que la ltima observacin disponible corresponde a x t+k con k0, se tiene que el
error en el estimador final domina claramente el agregado y los resultados son
prcticamente idnticos para k=0, 1 y 3. As, en la figura 6 resumimos las conclu-
siones para el error total del estimador concurrente, y se puede comprobar que las
zonas sombreadas son muy similares a las mostradas en la figura 2.
Figura 6
RESULTADOS PARA EL COCIENTE DE VARIANZAS DEL ERROR TOTAL
(SUMA DEL ERROR DE REVISIN Y EL ERROR EN EL ESTIMADOR FINAL) DE
LOS ESTIMADORES CONCURRENTES
PANEL A. MEDIDA SECCIONADA
0.8
0.6
0.4
0.2
2 0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1
0.8
0.6
0.4
0.2
2 0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1
Los errores de prediccin totales arrojan conclusiones diferentes, tal y como se

muestra en la figuras 7 y 8. En la prediccin a un perodo el error en el estimador
final slo domina el agregado para valores negativos de 1, vase el panel A de la
figura 7. Ntese sin embargo el tamao de la regin de indiferencia del panel B,
una indicacin de que las dos medidas son similares para un amplio subconjunto
de procesos vlidos. A medida que el horizonte de prediccin aumenta el error de
prediccin se convierte en el trmino dominante: en la prediccin a tres perodos g2t
siempre es preferible a g1t, aunque la regin de indiferencia es an bastante grande
como se aprecia en la figura 8.
Figura 7
(SUM DEL ERROR DE PRECCIN Y EL ERROR EN EL ESTIMADOR FINAL) EN
LA PRECCIN DE UN PERODO
1
0.8
0.6
0.4
0.2
2
0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1
1
0.8
0.6
0.4
0.2
2
0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
1
Figura 8
(SUMA DEL EEROR DE PREDICCIN Y EL ERROR EN EL ESTIMADOR FINAL)
EN LA PREDICCIN A TRES PERODOS
1
0.8
0.6
0.4
0.2
2
0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
1
0.8
0.6
0.4
0.2
2 0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
1
5. UNA APLICACION AL CLCULO DE LA INFLACIN SUBYACENTE
Considrese el problema de calcular una medida suave de inflacin que no est

afectada por perturbaciones transitorias de corto plazo partiendo de las series
mensuales del ndice de precios industriales de manufacturas (en logaritmos) en
quince pases desarrollados; los datos provienen del banco de datos Tempus del
Instituto Nacional de Estadstica y el perodo muestral se extiende desde enero de
1981 a diciembre de 2000 para todos los pases excepto Suecia que comienza en
enero de 1982.
El primer paso es investigar si el modelo IMA(2,2) es adecuado. Estimamos dos

versiones del modelo, la especificacin bsica (2) y una versin ampliada con
estacionalidad determinista
12
(1 1L 2L2 )
xt = D
i =1
i it +
2
at (28)
donde Dit denota una variable artificial estacional para el mes i.

La primera parte del cuadro 1 resume los modelos finalmente estimados. La
versin bsica sin estacionalidad se ajusta bien a las series de 7 pases; en otros 5
se prefiere la versin ampliada (28). Los tres pases restantes plantean ms pro-
blemas: en Italia y Noruega hemos tenido que centrarnos en el perodo 1991:1 a
2000:12; y en Austria hay evidencia de sobrediferenciacin ya que hay una raz de
la parte MA prxima a 0.98. En conclusin parece que el modelo IMA(2,2) es vlido
para todos los pases seleccionados salvo para Austria, lo que confirma que es un
modelo suficientemente general para explicar el comportamiento de la mayor parte
de las series con tendencia y sin estacionalidad. El cuadro 1 tambin indica que la
existencia de descomposiciones aceptables no es un problema grave en el anlisis
aplicado, ya que las estimaciones tienden a situarse en la regin delimitada por
1>0.5 y -0.1<2<0.3.
Cuadro 1
MODELOS ESTIMADOS Y MEDIDAS DE INFLACIN RECOMENDADAS PA-
RA LOS PASES ESTUDIADOS
modelo estimado anlisis seguimiento a corto plazo prediccin

Pas estacional 1 2 Q(12) Q(24) histrico t t+1 t+3 t-1 t-3
Alemania s 0.68 (10.4) 0.04 (0.6) 12.9 23.7 g 1t g1 t g 1t g1 t g 2t g 2t

Austria s 1.03 (26.4) -0.04 (-1.1) 9.0 19.4 g 2t g2 t g 2t g2 t g 2t g 2t
(3)
Blgica no 0.63 (9.9) 0.22 (3.5) 2.5 13.4 g 2t g1 t g 1t g1 t g 2t g 2t
(3)
Canad no 0.84 (12.8) 0.01 (0.2) 12.9 21.8 g 2t g2 t g 1t g2 t g 2t g 2t
(3) (3)
Espaa s 0.70 (10.9) 0.10 (1.6) 16.9 29.2 g 2t g1 t g 1t g1 t g 2t g 2t
(3) (3)
Estados Unidos s 0.55 (9.1) 0.38 (6.2) 1.7 10.2 g 2t g2 t g 2t g2 t g 2t g 2t
Finlandia no 0.64 (9.8) 0.08 (1.2) 5.2 18.8 g 1t g1 t g 1t g1 t g 2t g 2t
Grecia no 0.80 (12.5) 0.13 (2.0) 14.8 29.0 g 2t g2 t g 2t g2 t g 2t g 2t
Holanda no 0.50 (7.8) 0.26 (4.1) 11.9 22.1 g 1t g1 t g 1t g1 t g 2t g 2t
(3) (3)
Irlanda no 0.70 (11.2) 0.13 (2.0) 9.8 23.3 g 2t g2 t g 1t g1 t g 2t g 2t
(1)
Italia no 0.52 (5.6) -0.08 (-0.9) 10.3 21.6 g 1t g1 t g 1t g1 t g 2t g 2t
(3) (3)
Japn no 0.72 (11.2) 0.11 (1.6) 9.4 18.0 g 2t g2 t g 1t g1 t g 2t g 2t
(1)
Noruega no 1.03 (11.1) -0.12 (-1.2) 11.6 21.5 g 2t g2 t g 2t g2 t g 2t g 2t
Reino Unido s 0.70 (11.0) 0.17 (2.6) 6.7 23.8 g 2t g2 t g 1t g2 t g 2t g 2t
(2)
Suecia s 0.45 (7.0) 0.30 (4.7) 16.5 30.3 g 1t g1 t g 1t g1 t g 2t g 2t
Notas: 1, 2 denotan las estimaciones de los parmetros MA (t-ratios entre parntesis); Q(k) denota el estadstico Q de
Ljung-Box calculado con las k primeras autocorrelaciones residuales; (1) Muestra 1991:1 a 2000:12; (2) Muestra 1982:1 a
2000:12; (3) los parmetros estimados caen en la regin de indiferencia para ese criterio.
En la segunda parte del cuadro mostramos cmo se debera calcular la inflacin

subyacente dependiendo de los objetivos del analista; en el seguimiento a corto
plazo y prediccin nos centramos exclusivamente en el error total. Si el objetivo es
hacer un anlisis histrico la prctica corriente de extraer una tendencia de la serie
de precios y calcular su crecimiento slo es adecuada en cinco casos. Hay una
clara relacin entre la estabilidad de la tendencia y la medida elegida: g2t siempre
es preferida cuando el polinomio MA tiene una raz real superior a 0.84, y por lo
tanto cuando la inflacin observada est muy prxima a comportarse como si
estuviese generada por un proceso estacionario con media no nula.
Sin embargo debemos destacar que las conclusiones para este criterio no son
muy robustas. Los parmetros estimados estn prximos a la curva que separa la
regin en la que g1t es la mejor opcin de aquella en la que se debera emplear g2t,
y si tenemos en cuenta la precisin de los estimadores y construimos regiones de
confianza para los parmetros vemos que no es posible discriminar claramente
entre las dos propuestas.
Atendiendo al seguimiento a corto plazo vemos que g1t tiende a ser ms preciso
que g2t dados los modelos estimados para estas series: incluso si la serie observa-
da se extiende hasta t+3 g1t es la mejor eleccin para 9 pases (dos de ellos en la
regin de indiferencia), frente a los 5 que resultaban cuando el error en el estimador
final era el criterio relevante. Por ltimo g2t es siempre la medida ms adecuada
para la prediccin.
Esta aplicacin muestra cmo los resultados de la seccin 4 se pueden emplear
para decidir la mejor medida de inflacin en funcin del modelo concreto que
genera los datos observados y de los objetivos que persiga el analista, pero tam-
bin indican que pueden ser poco concluyentes cuando los parmetros estimados
para el modelo del agregado estn cerca de la frontera. Se podra pensar que en
ese caso la eleccin final no importa, pero vimos en la seccin 4 como las regiones
de indiferencia son pequeas -especialmente si el objetivo es el anlisis histrico o
el seguimiento a corto plazo- y por lo tanto ligeras variaciones en los parmetros
MA de la forma reducida pueden suponer cambios importantes en la forma ms
adecuada para medir el crecimiento.
6. CONCLUSIONES
En este trabajo estudiamos cmo extraer una seal suave de crecimiento de

una serie con tendencia y sin estacionalidad utilizando un procedimiento basado en
modelos. Nos centramos en el caso en que el analista est interesado nicamente
en medir el crecimiento y por lo tanto le es indiferente que la seal de crecimiento
propuesta vaya acompaada o no de la correspondiente seal de nivel. Supone-
mos que los datos observados se pueden expresar como la suma de una tendencia
de nivel y un componente transitorio, y se trata de obtener una medida de creci-
miento que elimine la contribucin de la perturbacin transitoria. Se comparan dos
candidatos naturales, el crecimiento de la tendencia de nivel y el componente
permanente de los crecimientos observados.
En la seccin 2 demostramos que si la descomposicin se plantea en el con-
texto de los mtodos AMB las dos medidas no conducen al mismo resultado:
aunque las dos formas reducidas, la del nivel y la del crecimiento, estn relaciona-
das de forma trivial las estructuras subyacentes son sustancialmente distintas. En la
seccin 3 propusimos algunos criterios para decidir qu medida emplear dadas las
caractersticas de los datos observados y dependiendo de si el objetivo del analista
es hacer un anlisis histrico, el seguimiento a corto plazo o la prediccin. Seala-
mos que la comparacin directa de los dos candidatos es intil dado que estiman
seales diferentes, y que es preferible poner el acento en la precisin con la que
cada medida aproxima su propia seal subyacente.
En la seccin 4 presentamos los principales resultados para el caso en que x t

sigue un IMA(2,2). En la regin en la que existen las dos descomposiciones la
prctica habitual de estimar una tendencia de nivel y posteriormente calcular su

crecimiento es adecuada para anlisis histricos y para el seguimiento a corto
plazo, a no ser que el polinomio MA del modelo observado tenga una raz real
prxima a 1. Adems acertar en la eleccin es importante, ya que la regin de
indiferencia en la que el ratio de varianzas es prximo a 1 es pequea. Por el
contrario, si el objetivo del analista es la prediccin es ms adecuado extraer una
seal suave directamente de los crecimientos observados. Por ltimo en la seccin
5 aplicamos estos resultados para medir la inflacin subyacente en 15 pases
desarrollados, comprobando que en ocasiones los parmetros no se estiman con la
suficiente precisin como para poder llegar a recomendaciones concluyentes.
REFERENCIAS
BELL , W.R. y HILLMER, S.C. (1984): Issues involved with the seasonal adjustment
of economic time series (with discussion), Journal of Business and Economic
Statistics, 2, 291-349.
BURMAN, J.P. (1980): Seasonal adjustment by signal extraction, Journal of the
Royal Statistical Society, A 143, 321-337.
CANCELO, J.R. y FERNNDEZ, J.A. (2001): A discussion on two ways for measuring
growth in nonseasonal time series, Bulletin of the International Statistical In-
stitute, LIX (3), 135-136.
HARVEY (1989): Forecasting, Structural Time Series Models and the Kalman
Filter, Cambridge: Cambridge University Press,
HILLMER, S.C. y TIAO, G.C. (1982): An ARIMA-Model Based approach to seasonal

adjustment, Journal of the American Statistical Association, 77, 63-70.
KAISER, R. y MARAVALL , A. (1999): Short-term and long-term trends, seasonal
adjustment and the business cycle, Documento de Trabajo 9918, Madrid:
Servicio de Estudios del Banco de Espaa.
MARAVALL, A. (1994): Use and misuse of unobserved components in economic
forecasting, Journal of Forecasting, 13, 157-178.
MARAVALL, A. (1995): Unobserved components in economic time series, en
Pesaran, H., y Wickens, M. (eds.), The Handbook of Applied Econometrics, vol.
1, Oxford: Basil and Blackwell, 12-72.
MARAVALL, A. y PLANAS , C. (1999): Estimation error and the specification of unob-
served component models, Journal of Econometrics, 92, 325-353.
PIERCE (1980): Data revisions with moving average seasonal adjustment proce-
dures, Journal of Econometrics, 14, 95-114.
MEASURING GROWTH IN NONSEASONAL TIME SERIES
SUMMARY
We discuss how to derive a smooth signal of growth for nonsea-

sonal time series by comparing the performance of two natural candi-
dates, the growth of the level trend and the permanent component of
the observed growth. We see measuring growth as a signal extraction
problem within an ARIMA model-based framework, and discuss some
evaluation criteria to guide the decision. Our results indicate that the
best measure depends on the characteristics of the data and on
whether the final aim is historical analysis, short-term monitoring or
forecasting.
Key words: unobserved components, signal extraction, short-term

monitoring, forecasting
AMS Classification: 60G35, 62M20, 62P20, 91B84

Series de Tiempo

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Series de Tiempo

Uploaded by

Copyright:

Available Formats

ESTADSTICA ESPAOLA

Vol. 45, Nm. 153, 2003, pgs. 167 a 192

La medicin del crecimiento en series

En este trabajo consideramos el problema de calcular una seal

Palabras Clave: componentes no observados, extraccin de seales,

Clasificacin AMS: 60G35, 62M20, 62P20, 91B84

() Se agradece la ayuda financiera de la Xunta de Galicia, proyecto XUGA10001B98, as

Una de las principales reas de aplicacin del anlisis estadstico de series

En este trabajo consideramos el problema de calcular una seal suave de crec i-

Una manera natural de obtener una medida suave de crecimiento es calcular el

crecimiento emplear dada la informacin que proporciona la serie observada no es

2. LOS MODELOS DE LA SERIE OBSERVADA, DE LOS COMPONENTES

2.1 Planteamiento general

La interpretacin econmica de pxt y de nxt depende de la periodicidad de los

Las ventajas de plantear el estudio de los componentes no observados en se-

En este trabajo nos centramos en el enfoque basado en modelos ARIMA (AMB).

2x t = (1 1L 2L2 ) at , at ~ Niid(0, 2a ) (2)

donde los parmetros 1 y 2 determinan la estabilidad de la tendencia y la dinmi-

Se supone que existe una descomposicin similar para el crecimiento observado

con pyt el componente permanente de y t y nyt el componente transitorio. Dado que

y t = (1 1L 2L2 ) at , at ~ Niid(0, 2a ) (5)

2.2 La descomposicin de nivel

Segn el procedimiento AMB la estructura terica asociada a (1)-(2) es

con parmetros estructurales 1, 2, b y c . Hay infinitas combinaciones de

(1 1L 2L2) = (1 L)(1 + L) (7)

y por lo tanto el modelo estructural es

2pxt = (1 L)(1 + L) bt , bt ~ Niid(0, b2) (8.a)

nxt = c t , c t ~ Niid(0, 2c) (8.b)

Todo proceso IMA(2,2) invertible admite la descomposicin en seal y ruido (6),

2b (1 L)(1 + L)(1 F)(1 + F)

(1 1L 2L2)mxt = (1 L)(1 + L)dt , dt ~ Niid(0, 2d ) (11)

con var(dt)= b2 2c / 2a (Maravall 1994, Maravall y Planas 1999). La restriccin de

b2 (1 L)(1 + L)(1 F)(1 + F)

de forma que (10) se puede reexpresar como

donde por construccin el filtro es convergente en F y diverge en L. A partir de la

2.3 Propiedades estocsticas del crecimiento del estimador de la te n-

2b (1 L)(1 + L)(1 F)(1 + F)

donde 1 (L,F)=x(L,F). Dado que g1t es un estimador del crecimiento de la verda-

m1t = pxt pxt = mxt (17)

que por (11) sigue el modelo ARMA(2,3)

(1 1L 2L2)m1t = (1 L)(1 L)(1 + L)dt (18)

El estimador preliminar de g1t con informacin hasta t+k es

con un error de revisin / prediccin

2.4 La descomposicion de crecimiento

Centremos ahora la atencin en la descomposicin estructural (4) con forma re-

caracterizada por cuatro parmetros estructurales: , , e y f . El orden de la

parte MA del componente permanente es 1 debido a la restriccin de que el orden

pyt = (1 + L) e t , et ~ Niid(0, 2e ) (22.a)

nyt = (1 L) ft , ft ~ Niid(0, 2f) (22.b)

1 + 12 + 22 + 21 212 + 142 > 0 (23)

Si bien los modelos para el nivel observado y el crecimiento observado estn

El estimador ptimo de pyt viene dado por

y es la segunda medida que evaluamos en este trabajo, g2t= p yt . Si disponemos de

(1 1L 2L2)m2t = (1 L)(1 + L)ht , ht ~ Niid(0, h2) (25)

con var(ht)= 2e 2f / 2a . El estimador preliminar que se puede calcular cuando

con error de revisin / prediccin

La decisin de qu medida de crecimiento usar se enmarca en el contexto ms

adecuado para decidir cul es la descomposicin ms adecuada en cualquier

La principal consideracin es que la medida propuesta debe incorporar la infor-

Como consecuencia estamos en una situacin en la que los diferentes mtodos

C-2). Tamao del error en el estimador final.

En la Figura 1 se muestran los pares de valores (1, 2) que admiten descompo-

Para sistematizar la presentacin de los resultados relacionados con los criterios