3. Ejemplos de procesos no estacionarios.

3.1. El camino aleatorio.

El camino aleatorio (random walk en ingls) tiene la siguiente ecuacin: yt = yt -1 + t . El

valor del proceso en el momento actual es igual al valor del perodo inmediato anterior ms
un trmino que es ruido blanco. Es un caso especial del AR (1) en el que a 0 = 0 y en el que
a 1 = 1.

El ejemplo inicial referido a la riqueza obtenida en el juego referido a las sucesivas tiradas
de una moneda es un ejemplo de un camino aleatorio.

Si y0 es una condicin inicial se ve que: y1 = y0 + 1 . Luego: y2 = y1 + 1 = y0 + 1 + 2.

En general: yt = y0 + 1 + 2 +..+ t .

Si se aplica el operador Esperanza Matemtica a la ecuacin precedente se ve que la media

2
del proceso es y0 . Por otra parte Var (yt) = Var (y0)+ Var ( 1 ) +..+ Var( t ) = t .

Como la varianza depende del tiempo el proceso no es estacionario.

Esta varianza no estacionaria trasmite a la serie una tendencia al crecimiento o al

decrecimiento, la serie se aleja de la media del proceso y no retorna a ella inmediatamente,
sino que solo lo hace despus de largos paseos. Por este motivo se denomina tendencia
estocstica a estos movimientos de las series hacia arriba o hacia abajo provocados por
factores aleatorios similares a los que se verifican en el camino aleatorio.
Sin embargo, a partir del pgd y t = yt -1 + t se ve que yt - yt -1 = t . Esto significa que si se
considera la primera diferencia de yt , o sea yt = yt - yt -1 , entonces el camino aleatorio
se transforma en un proceso de ruido blanco y por ende, estacionario.

El camino aleatorio puede escribirse ( 1 L ) y t = t . Se comprueba que la raz de la

ecuacin 1 L = 0 es L = 1 y por este motivo se ve que lo identifica con un proceso de raz
unitaria.

Ms adelante se analizar el problema que implican las races unitarias en el contexto de las
series de tiempo y cmo este problema se relaciona ntimamente con el camino aleatorio.
Por estos motivos se estudiar con ms detalle este proceso.

La funcin de autocovarianzas resulta de: Cov ( y t , y t -s ) = E [ (y t - y0 ) (y t s - y0 ) ] =

E [ ( 1 + 2 +..+ t ) ( 1 + 2 +..+ t- s ) ] = (t s) .
2

Si a la funcin de autocovarianzas se la divide por los respectivos desvos estndares, que

son iguales a

t y a

t s resulta la funcin de autocorrelacin: s

ts
.
t

Este ltimo resultado tiene un rol muy importante en la deteccin de series no estacionarias.
La funcin de autocorrelacin decae muy poco si s es pequeo pero decae ms si s es
grande; en definitiva la funcin de autocorrelacin decae muy lentamente a partir de la
unidad. Este comportamiento de la funcin de autocorrelacin coadyuva a identificar un
random walk.

Analizaremos ahora la media condicional del proceso. Esta medida es importante para
efectuar proyecciones y quiere detectar cul es el valor medio del proceso a partir de la
informacin contenida en el presente, es decir consiste en: E (y t+1 / yt ). Por propiedades de
la esperanza condicional resulta: E (y t+1 / yt ) = E (yt / yt )+ E ( t / yt ) = yt . El significado
de la ltima relacin es que la mejor proyeccin del valor actual es el valor actual de modo
que el proceso no aporta ninguna informacin adicional. Como el valor actual es una
constante ms un agregado de ruido se puede notar que no es posible predecir el proceso y
que por otra parte el ruido se ha incorporado en el camino aleatorio de manera
permanente ya que representa la parte sustancial del valor presente.

A modo de ejemplo se mostrarn los resultados obtenidos mediante el Eviews

correspondientes a un random walk con 500 observaciones cuyas perturbaciones se
construyeron como ruido blanco normal con varianza 1. El modelo se construy de manera
anloga al AR(1) con la salvedad que a 1 =1.

Y
40

30

20

10

-10
50

100

150

200

250

300

350

400

450

500

La serie muestra una tendencia general a crecer lo que se hace ms notorio a partir de las
ltimas observaciones.
En el cuadro siguiente se presentan las 20 primeras autocorrelaciones; se puede comprobar
su lento decaimiento, ya que la vigsima autocorrelacin vale 0,641, un valor demasiado
distante de cero.

Autocorrelation

Partial Correlation

AC

PAC Q-Stat Prob

.|*******

.|*******

1 0.984 0.984 487.23 0.000

.|*******

.|.

2 0.969 -0.001 960.09 0.000

.|*******

.|.

3 0.952 -0.029 1418.1 0.000

.|*******

.|.

4 0.937 0.009 1862.1 0.000

.|*******

.|.

5 0.921 -0.013 2292.0 0.000

.|*******

.|.

6 0.904 -0.026 2707.5 0.000

.|******|

*|.

.|******|

.|.

8 0.868 -0.012 3491.3 0.000

.|******|

.|.

9 0.849 -0.020 3859.8 0.000

.|******|

.|.

10 0.830 -0.005 4213.0 0.000

.|******|

.|.

11 0.812 -0.019 4551.1 0.000

.|******|

.|.

12 0.793 0.006 4874.8 0.000

.|******|

.|.

13 0.774 -0.019 5183.9 0.000

.|***** |

.|.

14 0.755 -0.034 5478.2 0.000

.|***** |

.|.

15 0.735 -0.019 5757.9 0.000

.|***** |

.|.

16 0.715 -0.005 6023.4 0.000

.|***** |

.|.

17 0.696 -0.012 6275.0 0.000

.|***** |

.|.

18 0.677 0.007 6513.6 0.000

.|***** |

.|.

19 0.658 -0.002 6739.5 0.000

.|***** |

.|.

20 0.641 0.045 6954.2 0.000

7 0.886 -0.070 3107.3 0.000

Ejercicios.

1. Construya un random walk con 500 observaciones donde las perturbaciones del modelo
son ruido blanco normal con varianza 1.
2. Utilice las mismas perturbaciones del modelo anterior y elabore un proceso estacionario
considerando las primeras diferencias del random walk. Grafique las observaciones.

Nota: Las primeras diferencias se pueden generar en el Eviews utilizando el comando Genr
y generando por ejemplo, la serie z, es decir completndola con datos y luego utilizando

otra vez ese comando y escribiendo m=z-z(-1) y modificando sample 2 500. La serie
diferenciada se halla en m. Tambin una vez que se gener z se puede escribir
m=d(z,1).Este ltimo procedimiento es ms general.

3. Enuncie las principales caractersticas de un camino aleatorio.

3.2. El camino aleatorio ms una tendencia determinstica.

Una tendencia determinstica aparece cuando las series se apartan de sus valores medios,
creciendo o decreciendo segn una ley o relacin funcional determinstica de tipo
polinmico que depende del tiempo. Por ejemplo si yt c1 c2 t donde c1 y c2 son
constantes y t representa el tiempo, la tendencia determinstica es lineal, si
yt c1 c2 t c2t 2 la tendencia es cuadrtica, etc.

A modo de ejemplo se construir el modelo yt = 2 + 0,50 t + t donde el trmino de

perturbacin es ruido blanco con varianza unitaria. Se generarn 100 observaciones.
Los pasos son los siguientes 1) generar alea=nrnd. 2) generar y=2+0.50* @trend +alea. La
expresin @trend, que representa a t, es un comando del Eviews que devuelve una serie
ordenada 0,1,2,3,etc.

Y
60
50
40
30
20
10
0
10

20

30

40

50

60

70

80

90

100

La lnea recta est representada por 2+0.50* @trend, las discrepancias con respecto a la
recta corresponden al trmino aleatorio. La tendencia domina al trmino aleatorio y se
observa que la serie no es estacionaria ya que, por ejemplo, la media depende del tiempo.
En cambio, si a la serie y t se le quita la tendencia determinstica el modelo se convierte en
ruido blanco.

En un problema real el analista se enfrenta siempre con un conjunto de datos, el primer

paso que conviene dar es hacer un grfico de la serie. Si el grfico se asemeja al que hemos
presentado se puede efectuar una regresin entre y, la variable dependiente, y el tiempo
representado por @trend. Mediante la regresin se determinan los parmetros c1 y c2.

Los resultados de la regresin se presentan a continuacin. La misma estim el valor de c 1

en 1,838 y el de c2 en 0,502, redondeando las cifras con tres decimales. Si a los datos
originales le quitamos 1,838 + 0,502*@trend, es decir, si generamos con el Eviews la serie
w donde w = y -1,838 + 0,502*@trend entonces la serie resultante es ruido blanco.

Coefficie
nt

Std. Error

t-Statistic

Prob.

1.837799

0.197623

9.299538

0.0000

@TREND

0.501530

0.003449

145.4217

0.0000

R-squared

0.995387

Mean dependent var

26.66355

Adjusted R-squared

0.995340

S.D. dependent var

14.58382

S.E. of regression

0.995533

Akaike info criterion

2.848720

Sum squared resid

97.12643

Schwarz criterion

2.900824

Log likelihood

140.4360

Hannan-Quinn criter.

2.869808

F-statistic

21147.46

Durbin-Watson stat

2.117932

Prob(F-statistic)

0.000000

Ahora bien, el modelo yt a0 yt 1 t que resulta de agregar la constante a0 al modelo de

random walk, presenta una tendencia estocstica correspondiente a este proceso y, la
mecnica del mismo, debido a la introduccin de la constante, genera adems una
tendencia determinstica. Por el hecho de que en su origen es un camino aleatorio e
incorpora una tendencia determinstica este modelo se puede denominar camino aleatorio
con tendencia determinstica, pero obviamente esta denominacin no es nica.

Se mostrar cmo se genera el modelo a partir del valor inicial y0 .

Para y1 se tendr: y1 = a0 + y0 + 1.

y2 = a0 + y1 + 2 = 2 a0 + y0 + 1+ 2 .

Se observa que en cada perodo se agrega a0 y un trmino aleatorio correspondiente a la

perturbacin. Para el perodo t resultar: yt = y0 + a0 t + 1+ 2 +.. + t . Los trminos
y0 + a0 t representan una tendencia determinstica; la suma de trminos t una tendencia
estocstica.

Es fcil ver que el valor medio de la serie es el valor de la tendencia determinstica, y0 +

a0 t

y que la varianza al igual que en el camino aleatorio es, t . Como la media y la

2

varianza dependen del tiempo el proceso no es estacionario.

Como ejemplo se construirn 100 observaciones del modelo yt = 2 + 0,5 y t-1 + t donde
el trmino de perturbacin es ruido blanco normal de varianza unitaria.Las instrucciones
son: 1) alea=0 2) y=0
3) y=2+y(-1)+alea En sample colocar 2 100.

El grfico presenta una tendencia aleatoria superpuesta y dominada por una tendencia
determinstica ya que esta prevalece en todo el recorrido de la serie. El correlograma
muestra un proceso random walk.

Y
200
160
120
80
40
0
-40
10

20

30

40

50

60

70

80

AC

90

100

Autocorrelation

Partial Correlation

PAC Q-Stat Prob

.|*******

.|*******

1 0.970 0.970 96.991 0.000

.|*******

.|.

2 0.940 -0.028 188.91 0.000

.|*******

.|.

3 0.910 -0.001 276.00 0.000

.|******|

.|.

4 0.881 -0.008 358.43 0.000

.|******|

.|.

5 0.851 -0.029 436.15 0.000

.|******|

.|.

6 0.821 -0.015 509.26 0.000

.|******|

.|.

7 0.790 -0.025 577.76 0.000

.|***** |

.|.

8 0.760 -0.012 641.82 0.000

.|***** |

.|.

9 0.730 -0.012 701.59 0.000

.|***** |

.|.

10 0.701 -0.009 757.27 0.000

.|***** |

.|.

11 0.672 -0.011 809.00 0.000

.|***** |

.|.

12 0.643 -0.015 856.92 0.000

Si uno se hallara en presencia de datos cuyo grfico y correlograma son los que se muestran
podra efectuar la estimacin en dos etapas: en la primera podra estimar mediante una
regresin los parmetros de la tendencia determinstica y eliminar a esta de la serie y en la
segunda, efectuando el correlograma de los datos a los cuales se les quit la tendencia
determinstica, podra identificar el camino aleatorio.

La regresin (con constante) en la que la variable dependiente es y y la variable

independiente @trend es la que se muestra a continuacin. La ordenada al origen es
0,720558 y la pendiente es 2,019239.

Coefficie
nt

Std. Error

t-Statistic

Prob.

0.720558

0.348430

2.068016

0.0413

@TREND

2.019239

0.006081

332.0787

0.0000

R-squared

0.999112

Mean dependent var

100.6729

Adjusted R-squared

0.999103

S.D. dependent var

58.60716

S.E. of regression

1.755232

Akaike info criterion

3.982876

Sum squared resid

301.9221

Schwarz criterion

4.034979

Log likelihood

197.1438

Hannan-Quinn criter.

4.003963

F-statistic

110276.2

Durbin-Watson stat

0.326528

Prob(F-statistic)

0.000000

Para eliminar la tendencia se gener la variable w quitando a y la tendencia determinstica.

Se gener la variable w como w=y-0.720558-2.019239*@trend. El grfico de la serie w se
muestra seguidamente. Se observa que la tendencia determinstica fue eliminada.
W
4
3
2
1
0
-1
-2
-3
-4
10

20

30

40

50

60

70

80

90

100

Para identificar a la serie w se construy el correlograma. Puede apreciarse que se asemeja

al de un camino aleatorio.

Autocorrelation
.|******|

Partial Correlation
.|******

AC

PAC Q-Stat Prob

1 0.836 0.836 71.296 0.000

.|***** |

.|.

.|**** |

*|.

3 0.561 -0.080 154.45 0.000

.|*** |

*|.

4 0.421 -0.094 173.11 0.000

.|**

*|.

5 0.275 -0.119 181.18 0.000

.|*

.|.

2 0.699 0.001 121.69 0.000

6 0.152 -0.040 183.67 0.000

.|.

*|.

7 0.036 -0.076 183.81 0.000

.|.

.|.

8 -0.034 0.050 183.94 0.000

*|.

.|.

9 -0.085 -0.002 184.75 0.000

*|.

.|.

10 -0.111 0.016 186.13 0.000

*|.

*|.

11 -0.170 -0.170 189.41 0.000

*|.

12 -0.226 -0.109 195.25 0.000

**|.

Para comprobar si este es el modelo que ha generado los datos se efectu la primera
diferencia de la serie, es decir se gener z=w-w(-1).
El correlograma de la serie z se presenta a continuacin. Se observa que se trata de ruido
blanco.

Autocorrelation
*|.

Partial Correlation
*|.

AC

PAC Q-Stat Prob

1 -0.083 -0.083 0.7043 0.401

.|.

.|.

2 0.003 -0.004 0.7054 0.703

.|.

.|.

3 0.004 0.004 0.7068 0.872

.|.

.|.

4 0.035 0.036 0.8354 0.934

*|.
.|.
*|.

|
|

*|.
.|.

*|.

|
|

5 -0.072 -0.067 1.3849 0.926

6 -0.015 -0.027 1.4084 0.965

7 -0.144 -0.150 3.6410 0.820

.|.

*|.

8 -0.050 -0.078 3.9179 0.864

*|.

*|.

9 -0.076 -0.087 4.5479 0.872

.|*

.|*

10 0.099 0.085 5.6383 0.845

.|.
*|.

.|.
|

*|.

11 -0.028 -0.006 5.7278 0.891

|

12 -0.070 -0.091 6.2817 0.901

Daremos ahora los pasos necesarios para reconstruir el pgd. Sabemos que z es la primera
diferencia de w y es ruido blanco, as que podemos escribir: z t = w t = w t - w t-1 = t .
Pero w t = y t 0,72 2,02 t. Si se reemplazan estos valores en la ecuacin anterior referida
a z t resulta: t = y t y t-1 2,02 o bien: y t = 2,02 + y t-1 + t cuya diferencia es mnima
con relacin al pgd suministrado inicialmente.

El nfasis que debe ponerse en este ejemplo debe recaer en mostrar las diferencias
existentes entre una tendencia determinstica y una tendencia estocstica y en comprobar el
tratamiento particular que cada una de ellas merece. A la tendencia determinstica se la
puede eliminar quitndole los resultados de una regresin tal como se mostrara en el
ejemplo, a la tendencia estocstica mediante diferenciacin.

De esta manera muchos modelos no estacionarios pueden convertirse en estacionarios

mediante los mtodos descritos, pero esto no significa que esto sea vlido para todos los
procesos y adems, si las tendencias son estocsticas en muchos casos se requerirn
diferenciaciones de mayor orden que la primera y si las tendencias son determinsticas a
veces se necesitarn regresiones polinmicas en lugar de lineales.

En cada caso se debe utilizar el mtodo apropiado, pero si uno se equivoca en la

identificacin y emplea un procedimiento errneo el principal perjuicio ocurre en
diferenciar una tendencia determinstica ya que se puede introducir un proceso de raz
unitaria.

Ejercicios.

Construya 100 observaciones del modelo cuyo pgd es y t = 1 + y t-1 + t donde t ~ N ( 0;

2 9 ). Identifique el modelo y convirtalo en estacionario. A partir de los resultados

reconstruya el pgd.

3.3. Los modelos ARIMA.

Consideremos un modelo ARMA ( p; q ) Cuya ecuacin es

yt = a1 yt -1 + a2 yt -2 + ..+ ap yt -p + t - b1 t-1 - b2 t - 2 - bq t q
Este se puede escribir:

( 1 a1 L - a2 L2 -..- ap Lp ) yt = t - b1 t-1 - b2 t - 2 - bq t q
Supongamos que los coeficientes b i cumplen con las condiciones de invertibilidad y que la
ecuacin ( 1 a1 L - a2 L2 -..- ap Lp ) posee una sola raz unitaria. Como esta ecuacin se
puede escribir como el producto de sus races, si denotamos a ellas mediante i , se tiene:
1 a1 L - a2 L2 -..- ap Lp = (1 - 1L ) (1 - 2 L2 ) .(1 - p Lp) .
Si la ecuacin posee una sola raz unitaria podemos suponer por ejemplo que 1= 1 y
entonces se podra escribir a yt como:

(1 - 2 L2 ) .(1 - p Lp) (1 - L ) yt = t - b1 t-1 - b2 t - 2 - bq t q

Pero como ( 1- L ) yt = yt - yt-1 = yt la expresin anterior se puede escribir:

(1 - 2 L2 ) .(1 - p Lp) yt = t - b1 t-1 - b2 t - 2 - bq t q

Como 1era la nica raz unitaria la serie se convirti en estacionaria. Esto significa que, en
caso de que una serie tuviera una sola raz unitaria se la puede convertir en estacionaria
diferencindola, si tuviera dos races unitarias habra que diferenciarla dos veces, si tuviera
d races unitarias habra que diferenciarla d veces y as siguiendo.

Por ejemplo: si 1= 1 y 2= 1 resulta (1 - 3 L3 ) .(1 - p Lp) (1 - L ) 2 yt = b( L ) t ,

donde b( L ) t = ( 1 b1 L - b2 L2 -..- bq Lq ) t = t - b1 t-1 - b2 t - 2 - -bq t q

Como (1 - L ) 2 yt = 2 yt esto significa diferenciar la serie dos veces, es decir, obtener la

primer diferencia de la serie diferenciada. En el Eviews esto se puede efectuar mediante el
comando genr colocando el nombre de la serie donde se guardarn los datos, por ejemplo
dife y escribiendo dife=d(y,2) , de esta manera se puede obtener la segunda diferencia de la
serie y. Si se coloca un 3 se obtiene la tercera diferencia, etc.

Como el proceso opuesto a la diferencia es la suma y para reconstruir el proceso original y t

es necesario sumar, con reminiscencias del clculo diferencial donde la operacin inversa
de la diferencial es la integracin, a la operacin de suma se la denomina integracin y a
todo el proceso se lo denomina ARIMA. En particular un ARIMA ( p, d, q ) es el proceso
resultante ARMA ( p, q ) estacionario, obtenido diferenciando d veces un proceso ARIMA (
p, d , q ).

Tambin se puede hablar de procesos ARI y de procesos IMA; el primero es un

autoregresivo integrado y el segundo un MA integrado, es decir son respectivamente,
procesos autorregresivos estacionarios y de medias mviles invertibles, obtenidos mediante
la diferenciacin de los procesos indicados ms arriba.

La nomenclatura empleada ms arriba en la que b( L ) t = t - b1 t-1 - - bq t q

permite simplificar la escritura de los procesos ARMA y por extensin la de los ARIMA. Si
el operador de rezagos L tambin se aplica a los coeficientes a i un ARIMA ( p,d, q )se
puede escribir: a( L ) d y t = b( L ) t donde el operador de diferencias = 1 L y donde

a( L ) y t = ( 1 a1 L - a2 L2 -..- ap Lp ) y t = y t - a1 y t-1 - a2 yt - 2 - -ap y t p

Por ejemplo un modelo ARIMA (1, 1, 1 ) donde a1 = 0,60 y b1 = 0,50 se puede escribir:
(1- 0,60 L ) y t = t - 0,50 t-1 . O bien: (1- 0,60 L ) (y t - y t-1) = t - 0,50 t-1 . Si se
efectan las operaciones del primer miembro y se expresa la ecuacin en trminos de y t
queda: y t = 0,60 y t-1 + t - 0,50 t-1 . Si se reemplaza y t por y t - y t-1 y y t-1 por y
t-1 - y t--2 se obtiene finalmente: y t = 1,60 y t-1 + 0,60 y t-2 + t - 0,50 t-1 .

La forma final del proceso semeja la de un ARMA (2,1) donde el coeficiente del trmino
y t-1 es (1 + a1 ).

Si se desea que el proceso contenga una constante simplemente se agrega la constante al

modelo.

Se construirn mediante el Eviews 60 observaciones del modelo anterior, con

perturbaciones normales de varianza unitaria. No se incluir ninguna constante y el punto
de partida del proceso ser el valor 1. Los pasos donde interviene el comando genr son los
siguientes: 1) alea=nrnd
2) y=1 3) y=1.60*y(-1)+0.60*y(-2)+alea-0.5*alea(-1) Sample
3 60

A continuacin se muestra el grfico del proceso. El coeficiente 1,60 trasmite al proceso un

carcter explosivo. Puede observarse que en 60 observaciones del proceso la serie y alcanza
valores astronmicos que imposibilitan continuar con el anlisis.

Y
2.8E+17
2.4E+17
2.0E+17
1.6E+17
1.2E+17
8.0E+16
4.0E+16
0.0E+00
5

10

15

20

25

30

35

40

45

50

55

60

Muchas series econmicas y financieras son no estacionarias, presentan races unitarias. Se

ha visto que una forma de lograr estacionariedad es diferenciando la serie, pero tambin
hay otras transformaciones que producen similares resultados. Una de ellas es la diferencia
de logaritmos, la que para valores no muy grandes de la serie es aproximadamente igual a
la variacin porcentual.
Por ejemplo la variacin porcentual entre 2,10 y 2,20 es 100* ( 0,10 / 2,10 ) = 4,545% en
tanto que 100*(ln 2,20 ln 2,10 ) = 4,652.
En las series no estacionarias, con tendencias estocsticas tanto la diferenciacin de la serie
como la diferencia de logaritmos son dos herramientas idneas para lograr estacionariedad.

3.4. Los modelos estacionales.

El enfoque tradicional de las series de tiempo, iniciado a fines del siglo XIX y comienzos
del siglo XX, consideraba que estas estaban integradas por componentes: la componente
cclica, la de tendencia, la estacional y la irregular. Consista en un anlisis estructural de la
serie.

La componente cclica es un movimiento de largo plazo de las series econmicas y

financieras y corresponde a los movimientos o fluctuaciones de naturaleza ondulatoria que
peridicamente ocurren en el mundo de los negocios. Por ejemplo, la gran depresin de los
aos 30 fue seguida de un auge en los 40 y en la posguerra, la crisis de 2008 fue otro
movimiento hacia abajo y posiblemente en 2010 se inicie la recuperacin de las economas.
La tendencia es otro movimiento de largo plazo, las series suben o bajan o se mantienen
estacionarias y a ellas nos hemos referido con anterioridad. Algunos autores engloban estas
dos componentes en una sola y la denominan tendencia-ciclo.
Las otras dos componentes son de corto plazo. La estacionalidad se refiere a los
movimientos que ocurren en las series dentro del ao producto de las estaciones; la
cantidad de turistas es diferente en julio o en enero que en abril o septiembre, tambin es
bastante estacional la venta de cerveza o de bebidas gaseosas, etc.
La componente irregular engloba tanto a fenmenos no habituales como por ejemplo una
huelga o el nmero de feriados en un mes o trimestre y a movimientos aleatorios.

Estas componentes suelen combinarse en forma aditiva cuando el analista considera que
son independientes o en forma multiplicativa cuando considera que no lo son, es decir el
movimiento de una componente influye sobre el movimiento de la otra. Por ejemplo, la
tendencia puede influir sobre la estacionalidad, esta sobre la irregular, etc.

Un modelo aditivo es: Y = T + S + I donde Y es el valor observado de la serie, T es la

componente de tendencia ciclo, S es la componente estacional e I es la componente
irregular.
Un modelo multiplicativo es Y = T * S * I. Este modelo se aplica a la mayora de las series
econmicas y financieras e implica por ejemplo, que si la tendencia crece tambin aumenta
la componente estacional. El ajuste estacional o desestacionalizacin se calcula dividiendo
el valor de la serie Y por una estimacin de la componente estacional denominada factor o
coeficiente de estacionalidad. En los modelos aditivos la desestacionalizacin se obtiene
mediante una diferencia entre el valor observado y la estimacin de la componente
estacional.
Con menor frecuencia se postulan modelos mixtos como por ejemplo: Y = T * S + I en el
que la tendencia ciclo y la estacionalidad se influencian pero son independientes de la
componente irregular.

El objetivo de este punto es ver en qu consiste la estacionalidad, de qu manera se la

puede detectar es decir, cules son los mtodos para reconocerla y cmo se la puede
eliminar. Como la estacionalidad se manifiesta dentro del ao las series consideradas son
mensuales o trimestrales, aun cuando, por ejemplo, puede haber una estacionalidad diaria o
en las semanas de un mes. La gente concurre a los centros de compra con ms asiduidad los
fines de semana y tal vez las dos primeras semanas del mes generen los mayores volmenes
de compra,etc.

El reconocimiento de la estacionalidad y su deteccin reside en el conocimiento de las

series y en su representacin grfica: las series estacionales presentarn picos y cadas en
perodos ms o menos iguales en el trascurso de los aos. En forma ms simple el
comportamiento de la serie dentro del ao calendario se repite con el trascurso de los
aos. Si uno superpone los datos mensuales de una serie durante algunos aos comprobar
movimientos muy parecidos en los mismos meses, por ejemplo el consumo de cerveza
crecer en los meses de verano y descender en los meses de invierno, otro tanto ocurrir
con las bebidas gaseosas y hay muchas series con comportamientos similares.
Estos casos son de estacionalidad estable. Pero puede suceder que por diversos factores los
perodos en los que se producen picos y cadas no se mantengan estables en el curso de los
aos y este tipo de estacionalidad es ms difcil de detectar.

Pero adems de los mtodos grficos existen procedimientos analticos para detectar la
estacionalidad. El ms importante es el ideado por el Departamento de Comercio de los
Estados Unidos ( Bureau of
Census ) que desde 1930 aproximadamente est
perfeccionando estos mtodos. Actualmente est vigente la versin X 12 ARIMA y este
procedimiento es usado por las oficinas estadsticas de casi todo el mundo.
Est basado en promedios mviles y filtros que someten a las series a continuas
depuraciones de manera que como resultado se obtienen las componentes, los
denominados factores de estacionalidad y las series desestacionalizadas. El Eviews ha
incorporado este mtodo.
El programa originalmente no contena la denominacin ARIMA, por ejemplo era X-11 a
secas e iba incorporando modificaciones fruto del anlisis, los estudios acadmicos y las
experiencias concretas. Pero, debido a que el procedimiento est basado en promedios
mviles tena problemas de estimacin de las componentes estacionales en las primeras y

las ltimas observaciones de las series ya que careca de suficientes datos en ambos
extremos y produca pobres perfomances. Entonces, se trat de evitar esta falencia
proyectando las series mediante los mtodos ARIMA y de all el agregado de esta sigla. El
mtodo X-12 es una actualizacin del X-11.

En Espaa se utiliza un mtodo denominado TRAMO-SEATS tambin incluido entre los

procedimientos del Eviews.

Otros procedimientos se basan en series trigonomtricas empleando funciones de naturaleza

ondulatoria tales como el seno y el coseno, otros emplean tcnicas lineales de regresin con
variables de valor 0, para indicar la ausencia de estacionalidad o 1, para indicar su
presencia, (cada par se aplica en cada perodo del ao menos uno para evitar
multicolinealidad) y otros se basan en anlisis de tipo estructural. Pero estos mtodos son
poco utilizados.

Los investigadores que emplean modelos de series cronolgicas como los que nos ocupan
tambin han propuesto mtodos basados en los modelos ARIMA para captar la
estacionalidad. Esta se detecta mediante el correlograma; tanto las funciones de
autocorrelacin como las de autocorrelacin parcial de las series estacionales presentan
comportamientos particulares: cada cuatro perodos en las series trimestrales y cada doce
perodos en las series mensuales. Es posible reconocer para estos perodos estacionales,
modelos similares a los ya considerados: AR, MA, ARMA, ARIMA, etc. Pero estos son
modelos referidos exclusivamente a la estacionalidad y a la par de ellos, junto a ellos,
acompandolos, interactan los patrones no estacionales de las series que hemos
considerados anteriormente. En sntesis, en las series estacionales se requiere una
estimacin conjunta: una para los patrones estacionales y otra para los movimientos no
estacionales y esto complica la identificacin prctica del modelo.

Se puede presentar un problema adicional referido al nmero de datos: en una serie con 60
datos mensuales analizar el comportamiento estacional requiere observar el
comportamiento del correlograma en los perodos 12, 24, 36, 48 y 60, solo se cuenta con
cinco medidas para determinar la naturaleza del modelo estacional y este nmero es
presumiblemente, bastante exiguo.

Los modelos estacionales de series cronolgicas propuestos tambin son aditivos o

multiplicativos, ( aunque por lo general estos ltimos son los ms utilizados),as por
ejemplo para series trimestrales:

Estacionalidad aditiva.

Modelo MA estacional

yt = a1 yt -1 + t - b1 t-1 - b4 t - 4 .

Modelo AR estacional

yt = a1 yt -1 + a 4 y t - 4 + t - b1 t-1 .

El primer modelo es un modelo ARMA( 1, 1) con un trmino estacional. La estacionalidad

se capta por el trmino b4 t - 4 . El segundo modelo tambin es un modelo ARMA ( 1, 1 )
con el trmino a 4 y t 4 que trata de captar la estacionalidad. Si las series hubieran sido
mensuales los trminos estacionales hubieran incorporado el subndice 12.

Estacionalidad multiplicativa.

Modelo MA estacional ( 1 - a1 L ) yt = ( 1 - b1 L ) (1 - b4 L4 ) t .

Modelo AR estacional

( 1 - a1 L ) (1 - a4 L4 ) yt = ( 1 - b1 L ) t .

Tambin son modelos ARMA (1, 1) con componentes estacionales multiplicativas MA y

AR, (1 - b4 L4 ) y (1 - a4 L4 ), que se aplican a t y a yt respectivamente.

Si las series estacionales presentan races unitarias o son no estacionarias y por lo tanto,
necesitan ser diferenciadas, conviene diferenciarlas en el perodo estacional, es decir hacer
yt - y t - 4 en el caso de las series trimestrales y y t - y t - 12 en el caso de las series mensuales.
Esto se puede explicar por el hecho de que los cambios de las series en los perodos
estacionales, por ejemplo enero contra enero, febrero contra febrero, etc., sern menores a

causa de la estacionalidad, que los cambios de enero contra febrero, marzo contra abril, etc.
y puesto que tendrn menor varianza sern estimados con mayor precisin. Adems, puede
observarse que: (1 L4 ) = ( 1- L ) (1 + L) (1 i) (1 + i) es decir (1 L 4 ) contiene a (1 L),
esto significa que cuando se efecta la diferencia yt - y t - 4 en cierta forma se est efectuando
tambin la diferencia yt - y t - 1 . Otro tanto ocurre con (1 L 12 ) que tambin contiene a (1
L).

Sintetizando lo expuesto acerca de los mtodos para desestacionalizar series econmicas y

financieras los mtodos ms empleados son el Census X- 11 ARIMA o X-12 ARIMA,
utilizado por la gran mayora de las oficinas estadsticas del mundo y los mtodos de series
cronolgicas que generalmente estn restringidos a los anlisis acadmicos. Desde estos
mbitos si bien se reconoce la practicidad del Census, sus calidades de procedimiento
estandarizado y su utilidad para las oficinas estadsticas que deben desestacionalizar cientos
o miles de series durante un ao, se seala que este mtodo puede no eliminar toda la
estacionalidad de la serie y se indica que el procedimiento que debe ser adoptado cuando se
emplea el programa del Bureau de Census: desestacionalizar primero la serie y luego
proceder a la identificacin de los modelos de series cronolgicas puede no ser el adecuado
porque los modelos estacionales y los modelos ARMA se identifican mejor cuando la
estimacin se efecta de manera conjunta.

A modo de ejemplo se analizar el PBI a precios bsicos, base 1993 = 100 desde el I
trimestre de 1985 hasta el IV trimestre de 2005. Los datos, trascriptos por columna son los
que se consignan en el cuadro siguiente.

160.218

182.433

179.983

213.877

231.723

214.421

170.271

183.920

204.200

215.739

253.432

216.428

167.096

169.709

199.993

206.854

244.208

204.093

175.837

171.816

198.493

230.113

249.402

240.224

161.297

163.680

190.227

229.832

231.522

235.522

181.209

174.139

213.765

235.105

252.262

240.297

188.503

148.618

212.792

223.772

243.093

225.444

185.055

165.261

215.916

247.224

245.297

256.304

168.241

172.120

203.859

247.219

226.832

254.752

189.477

178.419

226.365

251.917

252.681

261.564

193.787

160.640

223.019

236.240

232.746

241.838

186.807

184.711

227.351

264.321

222.461

282.408

176.863

188.202

209.234

255.084

194.317

277.362

188.356

195.251

219.436

251.363

223.787

283.983

El grfico de los mismos muestra que la serie es no estacionaria, tiene tendencia y presenta
estacionalidad: en el segundo y el tercer trimestre el pbi por lo general crece, muchas veces
lo hace tambin en el cuarto, en tanto que en el primer trimestre decrece.

La tendencia se considera aleatoria, caracterstica comn de muchas series econmicofinancieras lo que origina races unitarias. Se observa un movimiento ascendente continuo
desde 1990 hasta 1998 aproximadamente, estancamiento y cada hasta el 2002 y un nuevo
impulso hacia arriba a partir de esta ltima fecha.

La estacionalidad es bastante marcada y los picos y cadas dentro del ao se repiten durante
todo el perodo considerado. Pareciera, merced a la observacin del grfico, que la
estacionalidad es estable, pero como se refiriera anteriormente ms all de la simple
observacin se requieren pruebas analticas para aceptar o rechazar las hiptesis
estadsticas.

PBI
280,000
260,000
240,000
220,000
200,000
180,000
160,000
140,000
86

88

90

92

94

96

98

00

02

04

Para eliminar la tendencia de la serie se consideraron variaciones porcentuales, o sea se

defini una nueva variable pbi1 como: pbi1 = 100 * ( pbi- pbi ( - 1 ) ) / pbi1 ( - 1 ). En el
grfico de la serie que se presenta a continuacin se puede observar que la serie del pbi es
aproximadamente estacionaria y que presenta picos estacionales.
PBI1
20
15
10
5
0
-5
-10
-15
86

88

90

92

94

96

98

00

02

04

El correlograma de la serie presenta picos en las funciones de autocorrelacin en los

rezagos cuarto, octavo, doceavo, etc.. El grfico parece mostrar que la funcin de
autocorrelacin parcial presenta un solo pico significativo en el cuarto rezago y que la

estacionalidad sigue un proceso autoregresivo. Como por otra parte tambin parece que la
estacionalidad permanece constante, es decir no aumenta con el tiempo, se puede pensar
que se trata de un modelo estacional autoregresivo aditivo.

Autocorrelation
****| .

Partial Correlation
****| .

. |*.

.*| .

***| .

****| .

. |******|
****| .

|
|

AC

PAC Q-Stat Prob

1 -0.511 -0.511 21.416 0.000

2 0.200 -0.083 24.740 0.000

3 -0.463 -0.537 42.763 0.000

. |***** |

4 0.834 0.689 102.18 0.000

.*| .

5 -0.535 -0.082 126.90 0.000

. |*.

.|.

6 0.209 -0.052 130.71 0.000

***| .

.*| .

7 -0.456 -0.193 149.21 0.000

.*| .

8 0.691 -0.153 192.30 0.000

. |***** |
****| .

.|.

9 -0.489 0.051 214.12 0.000

. |*.

.*| .

10 0.205 -0.092 218.03 0.000

***| .

.*| .

11 -0.451 -0.133 237.20 0.000

. |*.

12 0.648 0.103 277.28 0.000

. |***** |

Con respecto a los movimientos no estacionales se ensay en primera instancia un modelo

ARMA (2, 2 ) pero los estadsticos t_ Student no resultaron significativos tanto para la
constante, como para el MA ( 2 ) y el AR (2) motivo por el cual fueron eliminados de la
estimacin. Los resultados de la misma se presentan a continuacin.

Coefficie

Std. Error

t-Statistic

Prob.

nt

AR(1)

0.182725

0.068352

-2.673298

0.0093

AR(4)

0.797993

0.064501

12.37175

0.0000

MA(1)

0.360203

0.127356

2.828318

0.0061

R-squared

0.785173

Mean dependent var

0.908396

Adjusted R-squared

0.779206

S.D. dependent var

7.367622

S.E. of regression

3.461951

Akaike info criterion

5.360720

Sum squared resid

862.9276

Schwarz criterion

5.453419

Log likelihood

198.0270

Hannan-Quinn criter.

5.397734

Durbin-Watson stat

2.078906

Los residuos de esta regresin se muestran en el grfico siguiente. Se puede apreciar que
son ruido blanco y que solo presenta un pico significativo en el lag 8.

Autocorrelation
.|.

Partial Correlation
.|.

AC

PAC Q-Stat Prob

1 -0.064 -0.064 0.3160 0.574

.*| .

.*| .

2 -0.122 -0.127 1.4940 0.474

. |*.

. |*.

3 0.123 0.108 2.7022 0.440

.|.

.*| .

.|.
|

.*| .

4 -0.000 -0.001 2.7022 0.609

|

5 -0.195 -0.173 5.8436 0.322

.|.

.|.

6 -0.003 -0.040 5.8442 0.441

.|.

.|.

7 -0.001 -0.046 5.8443 0.558

**| .

.*| .

.|.

.|.

.|.

.*| .

.|.

.|.

.|.

.*| .

|
|

8 -0.221 -0.203 10.052 0.261

9 0.017 -0.016 10.078 0.344

|
|

10 0.003 -0.080 10.079 0.434

11 -0.031 -0.014 10.164 0.516

12 -0.034 -0.068 10.270 0.592

Para eliminar el pico del lag 8 se incorpor al modelo un trmino MA (8), pero como esto
no mejor la perfomance, puesto que se mantuvo el alto valor de la autocorrelacin en ese
lag y los criterios de Akaike y de Schwarz presentaron valores ms altos se mantuvo el
modelo en su forma previa.

En definitiva el modelo estimado fue: z t = - 0,183 z t-1 + 0,798 z t-4 + t + 0,360

z es la variacin porcentual del PBI.

t -1

donde

Con el propsito de comparar el procedimiento descrito anteriormente con los resultados

del Census X-12 ARIMA y el posterior anlisis mediante los mtodos de Box Jenkins los
datos del pbi fueron procesados mediante este programa.

Como se haba sealado anteriormente el Census posee una serie de filtros basados en
promedios mviles que procuran estimar las componentes de una serie: la tendencia-ciclo,

la estacional y la irregular. A partir de estimaciones iniciales estos filtros son usados

repetidamente y mejoran continuamente esas estimaciones en sucesivas etapas del
programa. Debido a la extensin y la complejidad de este procedimiento solo se
consignarn los resultados ms importantes. Bibliografa adicional se puede hallar en la
pgina web del Bureau of Census o bien se puede recurrir al texto The econometric anlisis
of time series,E. Ghysels y D. R. Osborn, Cambridge 2001.

Las variaciones porcentuales del pbi fueron procesadas mediante el programa Census X 12
Arima en su versin aditiva. Este programa contiene pruebas estadsticas en las que emplea
tests F-Snedecor y no paramtricos (Krhuskal-Wallis), tendientes a determinar por una
parte, la existencia de estacionalidad y por otra, si esta es estable. En ambos casos la
respuesta fue afirmativa, lo que confirm las presunciones que se tenan y que fueron
originadas en la observacin del grfico de la serie. Entre otras salidas el Census
suministra, la serie desestacionalizada, los trminos estacionales y la tendencia ciclo. La
serie desestacionalizada se obtiene deduciendo de la serie original los trminos
estacionales, si el modelo hubiera sido multiplicativo la serie desestacionalizada se obtiene
multiplicando la serie original por el factor estacional.

Para determinar el modelo ARMA correspondiente a la serie de tiempo desestacionalizada

se efectu el correlograma, el que se presenta a continuacin.

Autocorrelation
. |*.
.|.

Partial Correlation
. |*.

.|.

. |**

AC

PAC Q-Stat Prob

1 0.143 0.143 1.6769 0.195

2 -0.017 -0.038 1.6998 0.427

. |**

3 0.314 0.329 9.9834 0.019

. |*.

.|.

4 0.093 -0.007 10.723 0.030

**| .

**| .

5 -0.256 -0.272 16.383 0.006

. |*.

. |*.

6 0.126 0.136 17.765 0.007

. |*.

.|.

***| .

**| .

7 0.074 -0.015 18.252 0.011

|

8 -0.405 -0.326 33.064 0.000

.*| .

.|.

9 -0.087 0.009 33.754 0.000

. |*.

.|.

10 0.081 0.008 34.358 0.000

.*| .

.|.

11 -0.163 0.066 36.848 0.000

.*| .

.*| .

12 -0.180 -0.119 39.934 0.000

Se comprueba que se elimin en buena parte el pico estacional en el cuarto rezago pero
an persiste bastante alto en los lags 8 y 12. Para eliminar el pico estacional del lag 8 se
incorpor en el modelo el trmino MA (8).
El correlograma muestra tambin un posible modelo ARMA con bastante intensidad en el
tercer rezago. Por este motivo se ensayaron diversos modelos obtenindose los mejores
resultados con el que se expone a continuacin.

Coefficie
nt

Std. Error

t-Statistic

Prob.

0.787892

0.174849

4.506128

0.0000

AR(3)

0.225853

0.109660

2.059575

0.0430

MA(8)

0.584007

0.095726

-6.100800

0.0000

R-squared

0.271166

Mean dependent var

0.802154

Adjusted R-squared

0.251198

S.D. dependent var

2.680792

S.E. of regression

2.319779

Akaike info criterion

4.559495

Sum squared resid

392.8405

Schwarz criterion

4.651497

Log likelihood

170.2608

Hannan-Quinn criter.

4.596263

F-statistic

13.57998

Durbin-Watson stat

1.699979

Prob(F-statistic)

0.000010

El correlograma de los residuos que se expone a continuacin muestra que son ruido
blanco. En particular el test Q y el de Bartlett muestran que los residuos no son
significativamente distintos de cero.

Autocorrelation
. |*.

Partial Correlation
. |*.

AC

PAC Q-Stat Prob

1 0.139 0.139 1.5238 0.217

.|.

.|.

2 0.059 0.040 1.7981 0.407

.|.

.|.

3 -0.001 -0.014 1.7982 0.615

.|.

.|.

4 0.050 0.050 2.0000 0.736

.*| .

.*| .

5 -0.148 -0.164 3.8303 0.574

.|.

.|.

6 0.030 0.072 3.9087 0.689

.|.

.|.

7 0.022 0.024 3.9511 0.785

.|.

.|.

8 0.073 0.059 4.4170 0.818

.|.

.|.

9 -0.043 -0.048 4.5784 0.869

.|.

.|.

10 0.048 0.027 4.7894 0.905

.|.

.|.

11 -0.033 -0.029 4.8877 0.936

.*| .

.*| .

12 -0.181 -0.190 7.9317 0.790

En sntesis el segundo modelo puede escribirse: w t = 0,788 + 0,226 w t-3 + t - 0,584 t-8
donde w denota la serie desestacionalizada, mediante el mtodo Census X 12 ARIMA, de
las variaciones porcentuales del pbi.

Los desarrollos que hemos presentado pretenden ilustrar cmo operan los dos
procedimientos analizados. El mtodo basado en los modelos Box-Jenkins efecta una
estimacin conjunta del modelo estacional y del modelo ARMA referido a la parte de la
serie que no es estacional, el Census se aplica para desestacionalizar la serie y el modelo de
series cronolgicas se obtiene a partir de la serie desestacionalizada. Mediante el
correlograma habr que discernir cul es la perfomance de cada uno y, por otra parte, la
eleccin de algn mtodo debe estar basada en el problema concreto que se deba resolver,
por ejemplo el Census constituye una buena eleccin si uno desea solamente obtener
factores estacionales o series desestacionalizadas, si uno requiere estimaciones conjuntas y
ms estilizadas pareciera que los mtodos de series cronolgicas son ms satisfactorios
pero, en ltima instancia lo ms efectivo parece desarrollar ambos procedimientos y
comparar los resultados.

En el caso que nos ocupa el segundo procedimiento que incluye 76 observaciones presenta
valores ms bajos de los criterios de Akaike y de Schwarz que el primero, que incluye a 75
observaciones. Sin embargo, si bien esta comparacin no sera estrictamente vlida porque
ambos modelos no poseen igual nmero de observaciones, como ellas son prcticamente
iguales y el modelo que posee ms observaciones tiene residuos ms bajos, se puede
concluir que las pruebas estadsticas hacen preferible al modelo que emplea el Census.

Ejercicio. Utilice los datos del pbi, utilizando una transformacin distinta a las variaciones
porcentuales, para efectuar una estimacin de la serie y proyecciones. Aplique el mtodo
Census y el de series de tiempo. Compare los resultados y halle el valor del pbi para el
primer trimestre del 2005 si se prev (con respecto al cuarto trimestre de 2004): a) un
aumento del 2% en la serie desestacionalizada y b) una cada de 0,7% en la serie con
estacionalidad.