PARTE CINCO
ECONOMETRIA DE SERIES
DE TIEMPO
Las series de tiempo han adquirido un uso tan frecuente e intensivo en la inves-
tigaci6n empfrica, que los econometristas han empezado recientemente a pres-
tar cuidadosa atencién a ese tipo de informacién. En el capitulo 1 se hizo énfasis
en un supuesto implicito en el cual se basa el anilisis de regresién que conside-
ra series de tiempo, esto es, que dichas series son estacionarias. De no ser éste
el caso, el procedimiento convencional de prueba de hipétesis, basado en las
pruebas ¢, F, ji cuadrada y otras pruebas similares, sera de dudosa aceptacién.
En los capitulos 21 y 22 se consideraran en detalle las series de tiempo.
En el capitulo 21 se define primero el concepto de serie de tiempo estacio-
naria y luego se desarrollan pruebas para determinar si una serie de tiempo es
estacionaria. Para este fin, se introducen algunos conceptos relacionados, tales
como raiz unitaria, caminata aleatoria y serie de tiempo integrada. Luego,
se diferencia entre serie de tiempo estacionaria alrededor de una tendencia
(TS) y estacionaria en diferencia (DS), v se seialan sus implicaciones pricti-
cas. Un problema comtin en las regresiones que contienen series de tiempo es el
fenémeno de la regresi6n espuria; aqui se analizaran sus implicaciones practi-
cas. Se introduce luego el concepto de cointegracién y se senala su importan-
cia en la investigacion empirica. Todos estos conceptos estan bien ilustrados.
En el capitulo 22, el enfoque principal esta en la proyeccién utilizando se-
ries de tiempo. Si se supone que una serie de tiempo es estacionaria o que pue-
de convertirse en estacionaria mediante la(s) transformaci6n(es) apropiada(s)
se muestra cémo el disefio de modelos ARIMA, hecho popular por Box ¥
Jenkins, puede utilizarse para predecir. En este capitulo se analiza también un
método de proyeccién alterno, conocido como vectores autorregresivos (VAR)
y se consideran sus véntajas sobre los modelos econométricos de proyeccién de
ecuaciones simultaneas tradicionales. Mediante ejemplos apropiados, se mues-
tra la forma como se realiza la proyeccién mediante ARIMA y VAR
765766
PARTE CINCO:
-CONOMETRIA DE SERIES DE TIEMPO
Estos dos capitulos son apenas un bosquejo de la econometria de series de
tiempo. Esta es una de las areas mas activas de la investigacién econométrica y
se han escrito ya diversos libros especializados sobre este tema. El objetivo de
estos dos capitulos es solamente introducir al lector al atractive mundo de la
econometria de series de tiempo.21
ECONOMETRIA DE SERIES DE TIEMPO:
ALGUNOS CONCEPTOS BASICOS
Enel capitulo 1 se mencioné que uno de los dos tipos importantes de informa-
ci6n utilizada en el andlisis empfrico son las series de tiempo. En este capitulo
y el siguiente se estudia en detalle tal informacién ya que ésta plantea diversos
desaffos a econometristas y practicantes.
Primero, el trabajo empirico basado en series de tiempo supone que la serie
de tiempo en cuesti6n es estacionaria. Aunque en el capitulo 1 se introdujo una
idea intuitiva de estacionariedad, el concepto se analiza con mas detalle en este
capitulo. Mas especificamente, se trataré de averiguar el significado de estacio-
nariedad y la raz6n por la cual se debe tener en cuenta
En segundo lugar, en el capitulo 12, sobre la autocorrelacién, se analizaron
varias de sus causas. A veces la autocorrelacién se origina debido a que las
series de tiempo subyacentes no son estacionarias.
Tercero, al efectuar la regresin de una variable de serie de tiempo sobre
otra variable de serie de tiempo, con frecuencia se obtiene una R? muy elevada
(superior a 0.9) aunque no haya una relaci6n significativa entre las dos. Esta
situacién ejemplifica el problema de la regresin espuria disparatada, cuya
naturaleza se analizaré en breve. Por consiguiente, es muy importante averi-
guar si la relaci6n entre las variables econémicas es verdadera o es espuria. En.
este capitulo se vera la forma como puede surgir una regresi6n espuria cuando
las series de tiempo no son estacionarias.
En cuarto lugar, algunas series de tiempo financieras, como los precios de
las acciones, muestran lo que se conoce como fenémeno de caminata aleato-
ria. Lo anterior significa que la mejor prediccién para el precio de una accién.
digamos de IBM, es igual a su precio actual, mas un choque puramente aleato-
rio (0 término de error). Si en verdad éste fuera el caso, el pronéstico del precio
de las acciones seria un ejercicio inutil.
767