An alisis de Series de Tiempo

Sesi on 3

Rafael Capar o Coronado rafael.caparo@giddea.com

GIDDEA Consulting & Training

Marzo - 2013

Parte I Series de tiempo no estacionarias en media

Rafael Capar o Coronado

An alisis de Series de Tiempo

Modelos de series de tiempo no estacionarios en media

Modelos ARIMA(p,d,q) Test de Raices Unitarias Estimaci on de modelos ante quiebres estructurales Estimaci on de modelos ante outliers Modelos ARFIMA

Rafael Capar o Coronado

An alisis de Series de Tiempo

Modelos ARIMA La no estacionariedad afecta las propiedades de los estimadores M nimos Cuadrados Ordinarios (MCO) y los procedimientos convencionales de inferencia estad stica. El problema est a en que la combinaci on lineal de series no estacionarias es generalmente no estacionaria; la excepci on es lo que se denomina cointegraci on: Engle y Granger (1987), por lo que los errores de una regresi on de variables no estacionarias ser an no estacionarios si estas no est an cointegradas. Al dejar de ser los errores un ruido blanco, no se cumplir an entonces los supuestos que garantizan las propiedades de los estimadores MCO. La no estacionariedad conduce tambi en a que la distribuci on asint otica de los estimadores MCO no sea normal, por lo que los procedimientos de inferencia estad stica, como las pruebas t y F, dejan de tener validez y pueden generar resultados enga nosos.
Rafael Capar o Coronado An alisis de Series de Tiempo

Modelos ARIMA

Uno de los peligros que se corre al modelar series no estacionarias es la obtenci on de regresiones espurias (Granger y Newbold 1974). Los resultados enga nosos de los distintos estad sticos conducen a aceptar una relaci on que no existe entre variables no estacionarias. Existen diferentes v as para modelizar series no estacionarias. Si la no estacionariedad es u nicamente en la media (tendencia determinista), se debe a nadir una variable de tendencia al modelo. Si las series presentan no estacionariedad en la varianza (tendencias estoc asticas), se debe probar primero la presencia de una relaci on de cointegraci on entre las variables; si no hay evidencias de una relaci on de cointegraci on, entonces se diferencian las series hasta obtener series estacionarias.

Rafael Capar o Coronado

An alisis de Series de Tiempo

Modelos ARIMA

Desde el punto de vista econ omico la estacionariedad tiene interpretaciones que pueden resultar u tiles para el an alisis econ omico y la formulaci on de pol ticas. Los procesos estacionarios y estacionarios sobre una tendencia se dice que tienen memoria limitada; ante cualquier perturbaci on la serie tiende a volver a su media, los shocks sobre estas series tienen un efecto transitorio. Los procesos con varianza no estacionaria (tendencia estoc astica) tienen una fuerte dependencia de los valores pasados, se dice que tienen memoria ilimitada, por lo que los shocks tendr an sobre ellas efectos permanentes.

Rafael Capar o Coronado

An alisis de Series de Tiempo

Modelos ARIMA

Recordar que yt es estacionario si y solo si: E (yt ) = < , t Cov (yt , yt j ) = j < , t yt es no estacionario si al menos algunas de las condiciones anteriores no se cumple.

Rafael Capar o Coronado

An alisis de Series de Tiempo

Modelos ARIMA

Determine que series no son estacionarias yt = a0 + a1 t + t yt = yt 1 + t , t RB (0, 2 ) yt = a0 + yt 1 + t , t RB (0, 2 ) yt = a0 + a1 t + yt 1 + t , t RB (0, 2 )

d d d

Rafael Capar o Coronado

An alisis de Series de Tiempo

Modelos ARIMA

Consideremos una estimaci on MCO de un proceso AR(1) gausiana yt = a1 yt 1 + t Donde ut > i .i .d .N (0, 2 ) y yo = 0. La estimaci on MCO de a1 es dada por: T yt 1 yt a1 = t =1 T 2 t =1 yt 1 a1 1 =
T t =1 yt 1 t T 2 t =1 yt 1 T t =1 yt 1 t T 2 t =1 yt 1

T ( a1 1) =

(1/T ) (1/T 2 )

Rafael Capar o Coronado

An alisis de Series de Tiempo

Modelos ARIMA

Bajo la hip otesis nula a1 = 1, el par ametro a1 converge a: T ( a1 1)

d

(1/2)[W (1)]2 1
1 [W (r )]2 dr 0

El contraste estimar a el modelo en diferencias: yt yt 1 = a1 yt 1 yt 1 + t yt = (a1 1)yt 1 + t

Rafael Capar o Coronado

An alisis de Series de Tiempo

Test de Raices Unitarias

Test de Dickey Fuller

La hip otesis que se testea es la presencia de una raiz unitaria. Se estima el modelo siguiente asumiendo que la serie econ omica se distribuye como un proceso AR(1): yt yt 1 = a1 yt 1 yt 1 + t yt = (a1 1)yt 1 + t = yt 1 + t Luego se divide el par ametro entre la desviaci on est andar, para calcular el estad stico de DF.

Rafael Capar o Coronado

An alisis de Series de Tiempo

Test de Raices Unitarias Test de Dickey Fuller Aumentado

La hip otesis que se testea es la presencia de una raiz unitaria. Se estima el modelo siguiente asumiendo que la serie econ omica se distribuye como un proceso AR(p): yt yt 1 = a1 yt 1 yt 1 + a2 yt 2 + ... + ap yt p + t Luego se suma y resta (a1 1)yt 2 yt = (a1 1)yt 1 + (a2 + a1 1)yt 2 + ... + ap yt p + t Luego se suma y resta (a2 + a1 1)yt 3 yt = (a1 1)yt 1 + (a2 + a1 1)yt 2 + ... + ap yt p + t Y as hasta obtener:
p

yt = (a1 1)yt 1 +
i =2

i yt i +1 + t

Donde i = (1

i j =1

ai )
An alisis de Series de Tiempo

Rafael Capar o Coronado

Test de Raices Unitarias

Test de Dickey Fuller Aumentado

Donde el n umero de rezagos optimo para el modelo se determina de manera emp rica, siendo la idea, el incluir los sucientes t erminos para que el error del modelo no est e serialmente relacionado. Una idea coherente para realizar la estimaci on del orden p, es usar los criterios de informaci on. Otra posibilidad es calcular p = int ((12T /100)0,25 ) como valor m aximo y luego seleccionar a partir de los criterios de informaci on al valor idoneo, siempre pensando un modelo parsimonioso.

Rafael Capar o Coronado

An alisis de Series de Tiempo

Test de Raices Unitarias Test de Elliot - Rothenberg y Stock (1996)

Esta prueba calcula un detrended a partir de la serie, estimando DFGLS. La prueba consiste en extraer primero la tendencia de la serie original, mediante una cuasidiferencia dada por yt ayt 1 , donde a toma el valor de uno en el caso de DFA. ERS, consideran que a es un punto espec co contra el cual se contrasta la hip otesis nula (valor menor a uno). yt , t = 1 yt ayt 1 , t > 1

d (yt /a) =

(1)

Luego se considera una regresi on de MCO con los datos cuasidiferenciados d (yt /a) en los datos cuasidiferenciados d (xt /a) d (yt /a) = d (xt /a) + nt donde xt contiene una constante o una constante y tendencia

Rafael Capar o Coronado

An alisis de Series de Tiempo

Test de Raices Unitarias

Test de Elliot - Rothenberg y Stock (1996)

Lo que se necesita estimar ahora es el valor de a. ERS recomiendan el uso de a = a, donde: a= 1 7/T , xt = 1 1 13,5/T , xt = 1, t

(2)

Se dene el GLS detrended como ytd usando las estimaciones asociadas a a: ( ytd = yt xt a) Donde la prueba DFGLS implica estimar el siguiente modelo: ytd = ytd1 + 1 ytd1 + ... + p ytdp + vt igual que en DFA, se considera el ratio para evaluar la proporci` on de en la ecuaci on.

Rafael Capar o Coronado

An alisis de Series de Tiempo

Test de Raices Unitarias

Test de Phillips-Perron (1988)

Phillips y Perron propoponen una alternativa no param etrica para controlar la correlaci on serial en el test de ra z unitaria. El m etodo de PP estima la ecuaci on de DF y modica el ratio del coeciente demostrando que bajo su correcci on la autocorrelaci on serial no afecta la distribuci on asint otica del estad stico. El test est a basado en el siguiente estad stico: = ( o 1/2 T (fo o ) ) 1/2 fo 2fo s

Donde s es el error estandar del test de regresi on, o es una estimaci on consistente de la varianza del error (calculado como (T k )s 2 /T ). El termino fo es el estimador del espectro residual en la frecuencia cero.

Rafael Capar o Coronado

An alisis de Series de Tiempo

Test de Raices Unitarias Test de Kwiatkowski, Phillips, Schmidt, and Shin (1992)
Los autores proponen contrastar como hip otesis nula la estacionariedad de la serie, y es esta la principal diferencia con los contrastes anteriores. El estad stico es basado en los residuos de un MCO de yt sobre las variables ex ogenas xt . yt = xt + t El estad stico LM es denido como:
T

LM =
t =1

S (t )2 /(T 2 fo )

donde fo es un estimador del espectro residual en la frecuencia cero y S (t ) es la funci on de residuos acumulados (S (t ) = t r ). r =1

Rafael Capar o Coronado

An alisis de Series de Tiempo