Introduccin:

Caractersticas bsicas de los datos

econmicos de series temporales

Quest-ce que cest La Econometria?

Def: Analisis cuantitativo de relaciones econmicas causales.
Algunos hechos:
Hacia 1930 en un hotel de Ohio (EEUU) se crea la Econometric Society,
editora de la revista ECONOMETRICA.
Ragnar Frisch, Econometrica (1933) la define como una interseccin especial
entre Matemticas, Estadstica y Economa.
Haavelmo (1944) introduce la metodologia de la Econometria moderna: Los
modelos cuantitativo economicos deben ser modelos probabilisticos o
estocasticos.
Diferentes Modelos Econometricos:
Aproximacion Estructural: El modelo economico esta correctamente
especificado
Aproximacion Quasi-Estructural: El modelo economico es una aproximacion
Aproximacion Semiparametrica: Una parte del modelo esta bien especificada
y la otra se deja sin especificar.
Quizas el mejor ejemplo de modelo es un MAPA a diferentes escalas y para
diferentes usos

Dos tipos de observaciones o datos:

observacionales
experimentales
La estructura de los datos observacionales:
Seccion cruzada
Series temporales
Panel
..y recuerda como empieza la pagina web del curso
Econometrics Uncertainty Principle
In order to study causality we need to keep certain things constant
("ceteris paribus")
In order to study causality we need time to pass (there is not causality
between simultaneous events)
Nothing is constant through time
Therefore ...........

Breve Repaso de T de la Probabilidad

{}

Espacio Muestral:

Resultado:

Suceso:

Algebra:

Variable Aleatoria:

Conjunto de Estados: S, el espacio que contiene todos los posibles valores de una variable
aleatoria. Las elecciones mas comunes son los nmeros naturales N, los reales R, vectores de
dimensin k Rk, los reales positivos R+, etc

Probabilidad:
F
y no solo

Distribucin:
es un Borel Set (conjunto
de la recta real que puede expresarse como uniones o interseccin de intervalos) donde vive la
variable aleatoria Z.

, el conjunto de posibles resultados de un experimento aleatorio

, un elemento del Espacio Muestral

E , un subconjunto del Espacio Muestral

F E : E } , coleccin de sucesos que nos interesa estudiar
Z: S

P : F [0,1]

, una funcin del Espacio Muestral al conjunto de estados S

, obedece las tres reglas que ya sabis. Importante que el origen es

: B [0,1], donde B { A : A R}

Breve Repaso (cont)

Vector de Variables Aleatorias: Z= (Z1, Z2 , ..., Zk) es un vector de dimensin k donde cada
componente es una variable aleatoria
Sucesin de Variables Aleatorias: Z= (Z1, Z2 , ..., Zn) es una sucesion de n variables aleatorias

Si interpretamos t=1, ..., n como momentos equidistantes en el tiempo, Zt puede interpretarse como el
resultado de un experimento aleatorio en el momento de tiempo t . Por ejemplo la sucesin de
variables aleatorias podria ser los precios de las acciones de Toyota Zt en n das sucesivos. Siempre
que se mencione un ejemplo pensad vosotros en otros ejemplos alternativos.
Un aspecto NUEVO, comparado con la situacin de una sola variable aleatoria, es que ahora podemos
hablar de la estructura de DEPENDENCIA dentro del vector de variables aleatorias.

Funcin de Distribucin FZ de Z : Es la funcin

FZ ( z ) P ( Z1 z1 ,..., Z n z n )
P ({ : Z1 ( ) z1 ,..., Z n ( ) z n })

Repasad las propiedades de la funcin de distribucin.

Procesos Estocsticos
Supongamos que el tipo de cambio /$ en cada instante fijo de
tiempo t entre las 5p.m y las 6p.m. de esta tarde es aleatorio.
Entonces podemos interpretarlo como una realizacin Zt() de la
variable aleatoria Zt tipo de cambio. Observamos Zt(), 5<t<6. Si
quisieramos hacer una prediccin a las 6 p.m. sobre el tipo de
cambio Z7() a las 7 p.m. es razonable considerar TODA la
evolucin de Zt( entre las 5 y las 6 p.m. El modelo matematico
que describe esta evolucin se le llama proceso estocstico.

Procesos Estocsticos (cont)

Un proceso estocstico es una coleccin-sucesin de variables aleatorias
indexadas por el tiempo
( Z t , t T ) ( Z t (), t T, )
definidas en un espacio muestral
Supongamos que
(1) Fijamos t

Z t ( ),

Zt : R

Esto es una variable aleatoria.

Z : T R

Es una realizacin o trayectoria del

Proceso Estocstico.
Cambianos el indice temporal podemos generar varias variables aleatorias:

(2) Fijamos

Z t1 ( ), Z t2 ( ),.......Z tn ( )
t1

t2

z , z ,..., z

tn

Una realizacin es:

La coleccin-sucesin de variables aleatorias se le llama PROCESO ESTOCATISCO

Una realizacin del proceso estocstico se le llama SERIE TEMPORAL

Ejemplos de procesos estocsticos

E1: Sea el conjunto indice T={1, 2, 3} y sea el espacio muestral () el formado por los
resultados de lanzar un dado:

Definimos el siguiente proceso estocstico

Z(t, )= t + [valor del dado]2 t
Entonces para un particular, digamos 3={3}, la realizacin o trayectoria es (10, 20,
30).
Q1: Dibuja todas las realizaciones de este proceso estocstico.
Usa Gapminder para observar un proceso estocstico donde el experimento se llama
produccin economa mundial y w es un pas concreto.
E2: Un Movimiento Browniano B=(Bt, t [0, infty]):
Comienza en cero: Bo=0
Tiene incrementos independientes y estacionarios
Para cada t>0, Bt sigue una distribucin N(0, t)
Tiene trayectorias continuas: no saltos.

Distribucin de un Proceso Estocstico

En analoga con las variables aleatorias queremos introducir caracteristicas no aletorias
de los procesos estocsticos tales como su distribucin, su esperanza, varianza, etc, y
describir su estructura de dependencia. Esta es una tarea mucho ms complicada que en
el caso de vectores de variables aleatorias. De hecho un proceso estocstico no-trivial
Z=(Zt, t T) con un conjunto ndice T es un objeto de dimensin infinita en el sentido
de que se puede entender como una coleccin infinita de variables aleatorias Z t, t T.
Ya que los valores de Z son funciones en T, la distribucin de Z debera ser definida
sobre subconjuntos de un cierto espacio de funciones, i.e.
P(Z A), A F,
donde F es una coleccin apropiada de subconjunto de este espacio de funciones. Este
enfoque es posible, pero requiere matemticas muy avanzadas. En este curso
intentaremos algo mucho mas simple.
Las distribuciones finito-dimensionales (fidis) de un proceso estocstico Z son las
distribuciones de los vectores finito dimensionales
(Zt1,..., Ztn),

t1, ..., tn T,

para todas las posibles elecciones de t 1, ..., tn T y para cada n 1.

Necesitamos hacer dos supuestos:

Al igual que en la Econometra bsica trabajbamos con dos
los supuestos de i.i.d. (independiente e idnticamente
distribuido), en la Econometra de Series Temporales nos hace
faltan dos supuestos equivalentes:
Estacionariedad (substituye al supuesto de identicamente
distribuido)
Ergodicidad (substituye al supuesto de independencia)

Estacionareidad
Considera la probabilidad conjunta de un conjunto de variables
aleatorias

F ( zt1 , zt2 ,..... ztn ) P ( Z t1 zt1 , Z t2 zt2 ,...Z tn ztn )

Proceso estacionario de 1st orden si

F ( zt1 ) F ( zt1 k )

para todo t1 , k

Proceso estacionario de 2nd orden si

F ( zt1 , zt2 ) F ( zt1 k , zt2 k ) para todo t1 , t2 , k
Proceso estacionario de orden n si
F ( zt1 ..... ztn ) F ( zt1 k ..... ztn k )

para todo t1 , tn , k

Definicin. Un proceso es estrictamente (o en sentido fuerte)

estacionario si es estacionario de orden n para cada n.

Momentos (repaso)

E(Z t ) t

Z t f (z t )dz t

2
2
Var ( Z t ) t E( Z t t )

2
( Z t t ) f (z t )dz t

Cov( Z t 1 , Z t 2 ) E[( Z t 1 t 1 )( Z t 2 t 2 )]
( t1 , t 2 )

cov(Z t , Z t )
1
2
2

t1

t2

Momentos (cont)

Para procesos estrictamente

estacionarios:

F ( zt1 ) F ( zt1 k ) t1 t1 k

asumiendo que

E ( Z t ) , E ( Z 2 t )

porque

t2 2

Tambien se cumple que

F ( zt1 , zt2 ) F ( zt1 k , zt2 k )

cov( zt1 , zt2 ) cov( zt1 k , zt2 k )

(t1 , t2 ) (t1 k , t2 k )
sea

t1 t k

t2 t , entonces

(t1 , t2 ) (t k , t ) (t , t k ) k

La correlacin entre dos variables aleatorias depende SOLAMENTE

de su diferencia temporal.

Estacionareidad Dbil
Un proceso se dice que es estacionario debil de orden n si todos sus
momentos conjuntos de orden n existen y son invariantes en el
tiempo.
Procesos Estacionarios en Covarianzas (de 2nd orden):
Esperanza constante
Varianza constante
La funcin de covarianzas depende solo de la diferencia
temporal entre las variables

Funciones de Autocovarianza y de Autocorrelacin

(repaso)
Para un proceso estacionario en covarianzas:

E (Zt )
Var ( Z t ) 2
Cov( Z t , Z s ) s t

cov( Z t , Z t k )
k k
2
0
var( Z t ) var( Z t k )
k : funcin de autocovarianza
:k R
k : funcin de autocorrelacin (ACF)
: k [ 1,1]

Propiedades de la funcin de autocorrelacin (repaso)

1. Si 0 var( Z t ) entonces

0 1

2. Como k es un coeficiente de correlaci n,

k 1 k 0
3. k k

k k
ya que k E ( Z t k )( Z ( t k ) k )
E ( Z t k )( Z t ) k

Funcion de Autocorrelacin Parcial (o correlacin

condicional)
Esta funcin mide la correlacin entre dos variable separadas k periodos
cuando la dependencia lineal en el medio de esos periodos
(entre t y t+k ) es eliminada (?) o mejor dicho condicionada a ella.
Sean Z t y Z t k dos variables aleatorias,
la PACF viene dada por ( Z t , Z t k | Z t 1 ,......Z t k 1 ) kk
Motivacin

Piensa en el modelo de regresin lineal

(asume E(Z)=0 sin perdida de generalidad)

Z t k k 1Z t k 1 k 2 Z t k 2 ...... kk Z t et k
donde et k esta incorrleacionada con Z t k j

j 1

(1) multiplica por Z t k j

Z t k j Z t k k 1Z t k 1Z t k j k 2 Z t k 2 Z t k j ...... kk Z t Z t k j et k Z t k j
(2) toma esperanzas
j k 1 j 1 k 2 j 2 ...... kk j k

Dividiendo por la varianza del proceso:

j k 1 j 1 k 2 j 2 ...... kk j k
j 1,2,...k

1 k 1 0 ....... kk k 1
2 k 1 1 ....... kk k 2

k k 1 k 1 ....... kk 0

k 1
k 2

k 3

Ecuaciones de
Yule-Walker

1 11 0 11 1
1 21 0 22 1
2 21 1 22 0

1
22

1 31 0 32 1 33 2
2 31 1 32 0 33 1
3 31 2 32 1 33 0

1
1

1
2
1
1

1
33

2
1
1
2

1
1
1
1
1
1

1
2
3
2
1
1

Ejemplos de Procesos Estocsticos (para ver si se ha

entendido el concepto de estacionareidad)

E4:

Yt

si t es par

Yt+1

si t es impar

Zt=

donde Yt es una serie estacionaria. Es Zt estacionaria debil?

E5: Defina el proceso
St = X1+ ... + Xn ,
donde Xi es iid (0, Muestra que para h>0
Cov (St+h, St) = t
y por lo tanto St no es estacionario debil.

Ejemplos de Procesos Estocsticos (cont)

E6: Procesos RUIDO BLANCO
Una secuencia de variables aleatorias

at :

E ( at ) a

(normalmente a 0)

Var ( at ) a2
Cov ( at , at k ) 0 para k 0

Autocovarianza y autocorrelacin
a2

0
1
k
0
1
kk
0

k 0
k 0
k 0
k 0
k 0
k 0

....
1

Dependencia: Ergodicidad
Queremos permitir tanta dependencia como la Ley de los Grandes Nmeros (LGN) nos
deje.
Estacionareidad no es suficiente como el siguiente ejemplo muestra:
E7: Sea {Ut} una secuencia de variables iid uniformemente distribuidas en [0, 1] y sea Z
una variable N(0,1) independiente de {Ut}.
Defina Yt=Z+Ut . Por lo tanto Yt es estacionaria (por qu?), pero
Yn

1
n

Yt

t 1

Yn Z

1
no
E ( Yt )
2

1
2

El problema es que hay demasiada dependencia en la secuencia {Yt}. De hecho la

correlacin entre Y1 y Yt es siempre positiva para cualquier valor de t.

Ergodicidad en la Media
Objectivo: estimar la media del procesos
Necesitamos distinguir entre:
1. Media Vertical (ensemble average)

Zt E (Zt )
2. Media Temporal
n

Z
i 1

Cual es el estimador ms apropiado?

Z
t 1

La media vertical

Problema: Es imposible calcularla de forma eficiente pues solo

Contamos con una observacin en cada t.
Bajo que condiciones nos vale con estimar la media temporal?
Es la media temporal un estimador insesgado y consistente de la media
vertical?

Ergodicidad en la media (cont)

Recordad. Condiciones suficientes para la consistencia de un
estimador T

lim E (T ) y lim var(T ) 0

1. La media temporal es insesgada

1
1
E ( z) E (Zt )
n t
n t
2. La varianza de la media temporal convergence a cero
1 n n
0 n n
var( z ) 2 cov( Z t , Z s ) 2 t s
n

t 1 s 1

t 1 s 1

0 n
2 ( t 1 t 2 t n )
n t 1

02 [( 0 1 n 1 ) ( 1 0 1 n 2 )
n
( ( n 1) ( n 2 ) 0 )]

Ergodicidad en media (cont)

0

n 1

k
var( z ) 2 ( n k ) k
(1
)k

n k ( n 1)
n k
n

k
lim var( z ) lim
(1
)k 0

n
n n
n
k

Finito

Un proceso estacionario en covarianzas es ergodico en la media

si

p lim z E ( Z t )

Una condicin suficiente para ergodicidad en la media es

k 0

cuando k

Quereis que las sociedades sean ergodicas o no? Interpretad esta

condicion en terminos de justicia.

Ergodicidad para los segundos momentos

Una condicin suficiente para ergodicidad en los segundos
momentos

Ergodicidad bajo Gausanidad

Si

Zt

es un proceso gausiano estacionario,

es una condicin suficiente para asegurar ergodicidad en todos

los momentos

Como vamos a estimar los momentos poblaciones de las

series temporales????

Utilizaremos el metodo de analogia tan usado en los cursos

previos de Econometria:
Momentos poblaciones se estiman via momentos
muestrales.
Asumiendo estacionareidad y ergodicidad estos
estimadores sern consistentes.

Donde Estamos?
Considera el Problema de la Prediccion como motivacin:
Predecir Zt+1 dado el conjunto de informacin It en el tiempo t.
2
Min E [ Z t 1 Z t 1 ]

Solucin : Z t 1 E [ Z t 1 | I t ]
Este teorema es de lo ms bello de la Econometria. Entiendelo
bien, criticalo. El Homework 1 tiene una parte dedicado a l.
La esperanza condicional puede ser modelada en una forma
paramtrica o en una forma no-paramtrica. En este curso
elegiremos la primera. Los modelos parametricos pueden ser
lineales o no-lineales. En este curso elegiremos los modelos
lineales. Resumiendo los modelos que vamos a estudiar en este
curso son
modelos parametricos y lineales

Apendice I: Transformaciones
(vease el conjunto de notas extra)

Objetivo: Tratar con procesos mas manejables

Transformacin logaritimica reduce cierto tipo de

heterocedasticidad. Si asumimos que
t=E(Xt) y V(Xt) = k 2t,
se puede demostrar (por el metodo delta) que la varianza del
log es aproximadamente constante:
Var (f ( Z)) f ' () 2 Var ( Z) Var (log(Z t ) (1 / t ) 2 Var ( Z t ) k
Tomar dieferencias elimina la tendencia (no muy
informativo sobre la naturaleza de la tendencia)
Diferencias del Log = Tasa de Crecimiento
Zt
Z t Z t 1
Z t Z t 1
log(Z t ) log(Z t 1 ) log(
) log(1
)
Z t 1
Z t 1
Z t 1

Apendice II: Analisis Grfico

Objetivo: Descubrir caractersticas bsicas de los datos
Realiza grficos de diferentes series econmicas en
niveles, en logaritmos, en primeras diferencias y en
tasas de crecimiento e intente decidir que
transformacion hace la serie parece ms estacionaria.
Correlograma de las transformacions propuestas
previamente. En el capitulo siguiente aprendera a
identificar una familia de modelos en base al
correlograma.
En la clase del grupo reducido se ensear a
descargarse los datos para el proyecto emprico del
curso va IHS (biblioteca) o FRED.
Recuerde que el movimiento se demuestra andando.