Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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.
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.
t y a
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.
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
.|*******
.|*******
.|*******
.|.
.|*******
.|.
.|*******
.|.
.|*******
.|.
.|*******
.|.
.|******|
*|.
.|******|
.|.
.|******|
.|.
.|******|
.|.
.|******|
.|.
.|******|
.|.
.|******|
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
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.
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.
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.
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
26.66355
Adjusted R-squared
0.995340
14.58382
S.E. of regression
0.995533
2.848720
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
Para y1 se tendr: y1 = a0 + y0 + 1.
y2 = a0 + y1 + 2 = 2 a0 + y0 + 1+ 2 .
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
.|*******
.|*******
.|*******
.|.
.|*******
.|.
.|******|
.|.
.|******|
.|.
.|******|
.|.
.|******|
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
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.
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
100.6729
Adjusted R-squared
0.999103
58.60716
S.E. of regression
1.755232
3.982876
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
20
30
40
50
60
70
80
90
100
Autocorrelation
.|******|
Partial Correlation
.|******
AC
.|***** |
.|.
.|**** |
*|.
.|*** |
*|.
.|**
*|.
.|*
.|.
.|.
*|.
.|.
.|.
*|.
.|.
*|.
.|.
*|.
*|.
*|.
**|.
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
.|.
.|.
.|.
.|.
.|.
.|.
*|.
.|.
*|.
|
|
*|.
.|.
*|.
|
|
.|.
*|.
*|.
*|.
.|*
.|*
.|.
*|.
.|.
|
*|.
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.
Ejercicios.
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:
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 ).
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
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.
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.
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.
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.
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 .
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 .
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).
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
88
90
92
94
96
98
00
02
04
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
. |***** |
.*| .
. |*.
.|.
***| .
.*| .
.*| .
. |***** |
****| .
.|.
. |*.
.*| .
***| .
.*| .
. |*.
. |***** |
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
0.908396
Adjusted R-squared
0.779206
7.367622
S.E. of regression
3.461951
5.360720
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
.*| .
.*| .
. |*.
. |*.
.|.
.*| .
.|.
|
.*| .
.|.
.|.
.|.
.|.
**| .
.*| .
.|.
.|.
.|.
.*| .
.|.
.|.
.|.
.*| .
|
|
|
|
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.
t -1
donde
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,
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.
Autocorrelation
. |*.
.|.
Partial Correlation
. |*.
.|.
. |**
AC
. |**
. |*.
.|.
**| .
**| .
. |*.
. |*.
. |*.
.|.
***| .
**| .
.*| .
.|.
. |*.
.|.
.*| .
.|.
.*| .
.*| .
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
0.802154
Adjusted R-squared
0.251198
2.680792
S.E. of regression
2.319779
4.559495
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
.|.
.|.
.|.
.|.
.|.
.|.
.*| .
.*| .
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.*| .
.*| .
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.