Tecnicas Econometricas - Series de Tiempo

TCNICAS
ECONOMTRICAS
PARA EL PRONSTICO
DE SERIES DE TIEMPO
APLICACIONES
EMPRESARIALES
UPAE - Mayo de 2004
Plan del curso
Una sesin de teora

Dos sesiones de aplicaciones (taller)
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
Contenido Sesin 1
1. Introduccin
2. Procesos estacionarios
3. Procesos Autoregresivos (AR)
4. Procesos de Medias Mviles (MA)
5. Procesos ARMA
6. Procesos no estacionarios
7. Modelos ARIMA estacionales
8. Etapas en la modelizacin
1. Introduccin
1.1. Objetivo
1.2. Tcnicas de modelizacin y pronstico
1.3. Usos de los pronsticos
1.4. Series de tiempo
1.5. Momentos del proceso
1.1. Objetivo del curso (1)

Muchas pueden ser las tcnicas utilizadas
para la realizacin de pronsticos de
variables de inters para la empresa.
En este curso se expondrn tcnicas que
utilizan como input del pronstico
solamente la historia de la variable objetivo.
1.1. Objetivo del curso (2)

El objetivo es introducir a los
participantes en tcnicas estadsticas
aplicables a datos econmicos para preparar
pronsticos.
Se desarrollarn los conceptos bsicos
que sirven de base a estas tcnicas y se
pondr nfasis en las aplicaciones de las
mismas.
1.2. Tcnicas de pronstico (1)

Inters en modelizar (y luego pronosticar)
las ventas de una empresa.
Una opcin - modelo estructural:
Vtas(t) = o + 1 * Precio(t) + 2 * Ingr(t)
Segunda opcin - modelo univariante:
Vtas(t) = C + 1 Vtas(t-1) + 2 Vtas(t-2) + ...

Desventajas de los modelos univariantes
respecto de los estructurales:
Ante dos buenos modelos (univariante
y estructural), siempre es mejor el
estructural.
Se logra un anlisis ms rico con
modelos estructurales (escenarios).
Recordemos ejemplo:
Vtas(t) = o + 1 * Precio(t) + 2 * Ingr(t)

Pero la modelizacin
importantes ventajas:
univariante
tiene
Son modelos ms sencillos.

Requieren menos informacin.
No es necesario pronosticar las variables
explicativas.
Algunas variables explicativas son
difciles de medir / no estn disponibles.
1.3. Uso de los pronsticos (1)

Gestin - normalmente con horizonte de
pronstico corto.
Planificacin - horizontes medianos o largos.
NOTA: Para horizontes largos no son
recomendables los modelos univariantes.
Planificacin = pronsticos + decisin +
compromiso
10
1.3. Uso de los pronsticos (2)

Supongamos que pronosticamos las ventas.
El anlisis y pronstico con una semana/mes
plazo: informacin relevante para la gestin
(comercial, financiera, produccin, etc.).
Con un mes/trimestre plazo: til para la
gestin y planificacin de corto plazo.
Un ao: planificacin anual (presupuesto,
etc.).
11
1.4. Series de Tiempo (1)

Conjunto de observaciones sobre una
variable (produccin de una empresa, de un
artculo, exportaciones, cotizacin del dlar,
precio de un producto, tasa de desocupacin,
precios, cotizacin de una accin en la Bolsa,
etc.), observada a intervalos regulares de
tiempo (diarios, mensuales, trimestrales, etc.).
12

Proceso estocstico: sucesin de variables
aleatorias que estn ordenadas en el tiempo
... , y1, y2, ... , yT
Constituye una sucesin en la que cada
observacin corresponde a una variable
aleatoria, y la ordenacin de la sucesin de
observaciones es esencial en el anlisis.
13

Es esencial el concepto de que las
observaciones provienen de un proceso o
experimento aleatorio.
A diferencia de los fenmenos fsicos o
qumicos,
donde
puede
conocerse
exactamente las caractersticas del proceso
que da lugar a la observacin.
A las observaciones las vamos a denominar
realizaciones (del proceso).
14

El hecho es que con series econmicas (o de la
empresa) no podemos conocer exactamente
el proceso que genera estas observaciones.
Pero podemos estimarlo. En definitiva,
podemos formarnos una buena idea de
cmo es.
Aunque siempre existir una parte del
proceso que no ser modelizable o
estimable.
15

Ejemplo: venta de boletos en Montevideo.
Miles de pasajeros mensuales empresas de
mnibus de Montevideo.
ago-03
sep-03
oct-03
nov-03
dic-03
19722
20931
21956
20221
19923
16

Ejemplo: venta de boletos en Montevideo.
35.000
33.000
31.000
29.000
27.000
25.000
23.000
21.000
19.000
17.000
15.000
ene87
ene88
ene89
ene90
ene91
ene92
ene93
ene94
ene95
ene96
ene97
ene98
ene99
ene00
ene01
ene02
ene03
17

3 5 .0 0 0
3 3 .0 0 0
Ejemplo:
venta de
boletos
3 1 .0 0 0
2 9 .0 0 0
2 7 .0 0 0
2 5 .0 0 0
2 3 .0 0 0
2 1 .0 0 0
1 9 .0 0 0
1 7 .0 0 0
1 5 .0 0 0
e n e 8 7
e n e 8 8
e n e 8 9
e n e 9 0
e n e 9 1
e n e 9 2
e n e 9 3
e n e 9 4
e n e 9 5
e n e 9 6
e n e 9 7
e n e 9 8
e n e 9 9
e n e 0 0
e n e 0 1
e n e 0 2
e n e 0 3
Qu observamos en el grfico?
Estacionalidad (=zafralidad)
Tendencia (cada de los boletos desde 1994)
Irregulares
18

Venta de boletos. Promedio para c/mes
32.000
30.000
87- 94
28.000
95-03
26.000
24.000
22.000
20.000
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Set
Oct
Nov
Dic
19

Venta de boletos.
35.000
Observamos:
33.000
estacionalidad
31.000
efectos
calendario
(Semana de
Tur., Carnaval)
29.000
27.000
25.000
23.000
21.000
19.000
Ene
Feb
Abr
Jul
Oct
17.000
15.000
irregulares
(octubre de
1989, por
ejemplo)
1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
20
1.5. Momentos del Proceso (1)

Vamos a caracterizar un proceso estocstico
(aleatorio) por sus momentos.
Media
(t) = E [ y(t) ]
Varianza
2(t) = Var [ y(t) ] = E {[ y(t) - (t)]2}
Autocovarianzas
t,s=cov[y(t),y(s)]=E{[y(t)-(t)] [y(s)-(s)]}
21

Otra forma (con sub-ndices para el perodo):
Media
t = E [ yt ]
Varianza
2t = Var [ yt ] = V(yt) = E {[ yt - t]2}
Autocovarianzas
t,s=cov[yt,ys]=E{[yt-t] [ys-s]}
22

Recordemos conceptos.
Muestra: 90 6 22 92 40 84 83 4 52 57
Media de los valores = 530 / 10 = 53
Varianza = [(90-53)2+ (6-53)2+... ]/10 =
1050,8 => DS = (1050,8) 1/2=32,42
Autocov (1er. orden) = [ (90-53)*(6-53) +
+ (6-53)*(22-53) + (22-53)*(92-53) + ...
+... ]/9 = - 321,78
23

En nuestro caso, los supuestos que
realizaremos no estarn referidos a una
muestra, sino a la poblacin.
Sern una caracterstica del proceso
que genera las realizaciones.
Tenemos una muestra finita de realizaciones
para estimar los momentos => supuestos
simplificadores.
24
2. Procesos estacionarios
2.1. Definicin y ejemplos
2.2. Funcin de autocorrelacin
25
2.1. Proceso estacionario (1) - Definicin

Proceso estacionario - En sentido amplio:
Es un proceso donde los momentos son
constantes o invariantes en el tiempo:
Media: E[yt ] = t
Varianza: Var[yt] =V(yt) = Y2 = 0 t
Autocovarianzas : Cov[yt,yt-k]= k t
26
2.1. Proceso estacionario (2) - Ejemplo

200 realizaciones de una serie: estacionaria?
30
25
20
15
27

25
23
21
19
17
15
28

30
25
20
15
10
29
10
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales 18/12/01
18/11/01
18/10/01
18/09/01
18/08/01
18/07/01
18/06/01
18/05/01
18/04/01
18/03/01
18/02/01
18/01/01
18/12/00
18/11/00
18/10/00
18/09/00
18/08/00
18/07/00
18/06/00
18/05/00
18/04/00
18/03/00
18/02/00
18/01/00
18/12/99
18/11/99
18/10/99
$/US$ - 1999-2001 (diaria): estacionaria?

16
15
14
13
12
11
30
10
18/02/04
18/12/03
18/10/03
18/08/03
18/06/03
18/04/03
18/02/03
18/12/02
18/10/02
18/08/02
18/06/02
18/04/02
18/02/02
18/12/01
18/10/01
18/08/01
18/06/01
18/04/01
18/02/01
18/12/00
18/10/00
18/08/00
18/06/00
18/04/00
18/02/00
18/12/99
18/10/99
$/US$ - 1999-2004 (diaria)

35
30
25
20
15
31
18/02/04
18/12/03
18/10/03
18/08/03
18/06/03
18/04/03
18/02/03
18/12/02
18/10/02
18/08/02
18/06/02
18/04/02
18/02/02
18/12/01
18/10/01
18/08/01
18/06/01
18/04/01
18/02/01
18/12/00
18/10/00
18/08/00
18/06/00
18/04/00
18/02/00
18/12/99
18/10/99
Libor US$ (180d) - 1999-2004 (diaria)

8%
7%
6%
5%
4%
3%
2%
1%
0%
32
0,7
18/02/04
18/12/03
18/10/03
18/08/03
18/06/03
18/04/03
18/02/03
18/12/02
18/10/02
18/08/02
18/06/02
18/04/02
18/02/02
18/12/01
18/10/01
18/08/01
18/06/01
18/04/01
18/02/01
18/12/00
18/10/00
18/08/00
18/06/00
18/04/00
18/02/00
18/12/99
18/10/99
Euro / US$ - 1999-2004 (diaria)

1,3
1,2
1,1
1,0
0,9
0,8
33
0%
19/02/04
19/12/03
19/10/03
19/08/03
19/06/03
19/04/03
19/02/03
19/12/02
19/10/02
19/08/02
19/06/02
19/04/02
19/02/02
19/12/01
19/10/01
19/08/01
19/06/01
19/04/01
19/02/01
19/12/00
19/10/00
19/08/00
19/06/00
19/04/00
19/02/00
19/12/99
19/10/99
Devaluacin $U (variacin diaria en %)

20%
15%
10%
5%
-5%
-10%
-15%
34
2.1. Proceso estacionario (10)

Conclusin:
Los procesos estacionarios no pueden
presentar tendencia.
Tiene que producirse una reversin a la
media cuando algn factor (choque o
shock) provoca un desvo.
La variabilidad (volatilidad) de la serie
tambin debe ser estable.
35
2.1. Proceso estacionario (11)

RUIDO BLANCO - Un tipo particular de
proceso estacionario. Lo notaremos como
at. En los apuntes figura como t.
E ( at ) = 0 t
V( at ) = 2 t
Cov ( at , at-k ) = 0 t
Es la sorpresa, lo imprevisible.
36
2.2. Funcin de autocorrelacin (ac) (1)

Coeficiente de
correlacin entre
dos variables
(Xt , Yt):
Coeficiente de
autocorrelacin:
XY
COV ( X t , Yt )
=
X * Y
COV ( y t , y t k )
=
k =
Y * Y
=
COV ( y t , y t k )
2
Y
k
=
0
37

Los valores de los coef. de autocorrelacin
para k=0, 1, 2, ... forman la funcin de
autocorrelacin (ac).
Algunas propiedades de los coef. de
autocorrelacin:
k = k
0 = 1
38

Ejemplo:
IPC promedio anual - 1939 a 2003
Logaritmo
Inflacin:
Inflat = log(IPCt / IPCt-1) = log(IPCt) - log( IPCt-1) IPCt / IPCt-1 - 1
39

IPC Promedio anual (logaritmo) - 1939-2003
10
-5
-10
-15
40 45 50 55 60 65 70 75 80 85 90 95 00
40

Inflacin: diferencia de logaritmos
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
40
45
50
55
60
65
70
75
80
85
90
95
00
41

Correlograma de Inflat
1,0
0,8
0,6
0,4
0,2
0,0
1
11 13 15 17
42

Correlograma de Inflat (salida de EViews)
==============================================================
Sample: 1939 2003
Included observations: 64
==============================================================
Autocorrelation Partial Correlation AC
PAC Q-Stat Prob
==============================================================
. |****** |
. |****** | 1 0.815 0.815 44.552 0.000
. |***** |
.*| .
| 2 0.615-0.148 70.296 0.000
. |***
|
. | .
| 3 0.455 0.003 84.659 0.000
. |***
|
. |**
| 4 0.430 0.286 97.678 0.000
. |***
|
. | .
| 5 0.426 0.007 110.66 0.000
. |***
|
. | .
| 6 0.407-0.009 122.72 0.000
. |***
|
. |*.
| 7 0.376 0.085 133.19 0.000
. |**
|
**| .
| 8 0.275-0.220 138.88 0.000
. |*.
|
.*| .
| 9 0.160-0.097 140.85 0.000
. |*.
|
. | .
| 10 0.079 0.040 141.33 0.000
. |*.
|
. |*.
| 11 0.100 0.124 142.13 0.000
. |*.
|
. | .
| 12 0.133-0.032 143.56 0.000
. |*.
|
. | .
| 13 0.126-0.040 144.87 0.000
. |*.
|
. | .
| 14 0.071-0.017 145.30 0.000
. | .
|
. |*.
| 15 0.046 0.105 145.48 0.000
. | .
|
. | .
| 16 0.033-0.035 145.58 0.000
. | .
|
.*| .
| 17 0.018-0.061 145.60 0.000
. | .
|
. | .
| 18-0.004-0.048 145.61 0.000
==============================================================
43
3. Procesos Autoregresivos (AR)

3.1. Introduccin
3.2. Momentos y correlograma
3.3. Inclusin de constante
3.4. Condiciones de estacionariedad
44
3.1. AR- Introduccin (1)

Es el caso de la inflacin. La inflacin de
este ao se relaciona con el valor del ao
anterior, de dos aos antes, etc.
Por qu? Desde el punto de vista de la

teora, hay varios factores explicativos:
inercia, indexacin salarial a la inflacin
pasada, etc.
45

Para la inflacin, un modelo AR simple es:
Inflat = 0,0555 + 0,82 * Inflat-1
Este es un modelo AR(1).
En general, un modelo AR(p) puede ser
escrito como:
yt = C + 1 yt-1 + 2 yt-2 + ... + p yt-p + at

donde at es un ruido blanco.
46

Los modelos en general, y los AR en
particular, pueden ser expresados como:
yt = PSt + at
La variable es generada por una parte
sistemtica ms un ruido, innovacin, o
sorpresa.
En el caso del AR(1), PSt = C+1 yt-1
47

Ajuste del modelo AR(1) de la Infla anual.
1.0
0.8
0.6
0.4
0.4
0.2
0.2
0.0
-0.2
0.0
-0.2
-0.4
-0.6
45
50
55
60
65
Residual
70
75
80
Actual
85
90
95
00
Fitted
48

Ajuste del modelo AR(1) de la Infla anual.
1.0
INFLA dato real
0.8
0.6
INFLAF
- ajustado
0.4
0.2
0.0
60
65
70
75
80
INFLA
85
90
95
00
INFLAF
49
3.2. AR- Momentos y correlograma (1)

En el caso de un modelo AR(1):
yt = C + 1 yt-1 + at con at ~ N(0,2)

El modelo es estacionario si 1 < 1
C
E ( yt) = =
1 1
V ( yt) =
2
1
50

yt = C + 1 yt-1 + at con at ~ N(0,2) con 1 < 1
La autocovarianza de 1er. orden:

1
COV ( y t , y t 1 ) = 1 = 1 0 1 =
= 1
0
En general: COV ( yt , yt k ) = k = 1k 0 k = k = 1k
0
La funcin de autocorrelacin (ac) vendr

dada por:
2
1,1
3
,1 ,
...
K
,1
, ...
51

1 = 0,8
1 = 0,8
1,0
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0,0
1
0,0
1
10
11
12
13
14
15
10
11
12
13
-0,2
-0,2
-0,4
-0,4
-0,6
-0,8
-1,0
-0,6
-0,8
-1,0
52
14
15

Recordemos el correlograma de Inflat
==============================================================
Sample: 1939 2003
==============================================================
PAC Q-Stat Prob
==============================================================
. |****** |
. |****** | 1 0.815 0.815 44.552 0.000
. |***** |
.*| .
| 2 0.615-0.148 70.296 0.000
. |***
|
. | .
| 3 0.455 0.003 84.659 0.000
. |***
|
. |**
| 4 0.430 0.286 97.678 0.000
. |***
|
. | .
| 5 0.426 0.007 110.66 0.000
. |***
|
. | .
| 6 0.407-0.009 122.72 0.000
. |***
|
. |*.
| 7 0.376 0.085 133.19 0.000
. |**
|
**| .
| 8 0.275-0.220 138.88 0.000
. |*.
|
.*| .
| 9 0.160-0.097 140.85 0.000
. |*.
|
. | .
| 10 0.079 0.040 141.33 0.000
. |*.
|
. |*.
| 11 0.100 0.124 142.13 0.000
. |*.
|
. | .
| 12 0.133-0.032 143.56 0.000
. |*.
|
. | .
| 13 0.126-0.040 144.87 0.000
. |*.
|
. | .
| 14 0.071-0.017 145.30 0.000
. | .
|
. |*.
| 15 0.046 0.105 145.48 0.000
. | .
|
. | .
| 16 0.033-0.035 145.58 0.000
. | .
|
.*| .
| 17 0.018-0.061 145.60 0.000
. | .
|
. | .
| 18-0.004-0.048 145.61 0.000
==============================================================
53

Adelantndonos a un captulo posterior, en
el trabajo con una serie no conocemos el
proceso que la gener. De ah, tendremos
que inferir el tipo de proceso a partir del
estudio de la serie y, en especial, de su
correlograma.
Es decir, es importante conocer los
correlogramas tericos para luego comparar
el de la serie objetivo con stos.
54

Correlogramas parecidos pueden provenir de
distintos modelos. Este es el correspondiente a
una serie AR(2): yt = 0,5* yt-1 + 0,3*yt-2 + at
==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|****** |
.|****** | 1 0.738 0.738 110.63 0.000
.|***** |
.|***
| 2 0.701 0.342 210.78 0.000
.|****
|
*|.
| 3 0.536-0.141 269.72 0.000
.|***
|
*|.
| 4 0.446-0.061 310.70 0.000
.|***
|
.|.
| 5 0.349 0.005 335.91 0.000
.|**
|
.|.
| 6 0.289 0.028 353.27 0.000
.|**
|
.|.
| 7 0.238 0.021 365.14 0.000
.|**
|
.|.
| 8 0.213 0.036 374.69 0.000
.|*
|
.|.
| 9 0.180-0.007 381.56 0.000
.|*
|
.|.
| 10 0.172 0.023 387.82 0.000
.|*
|
.|.
| 11 0.147-0.005 392.42 0.000
.|*
|
.|.
| 12 0.142 0.017 396.78 0.000
==============================================================
55

Otro correlograma de una serie AR(2):
yt = 0,8* yt-1 - 0,5*yt-2 + at

==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|***** |
.|***** | 1 0.595 0.595 71.763 0.000
.|.
|
****|.
| 2 0.049-0.472 72.244 0.000
**|.
|
*|.
| 3-0.277-0.078 88.006 0.000
**|.
|
.|.
| 4-0.274 0.048 103.51 0.000
*|.
|
.|.
| 5-0.126-0.049 106.79 0.000
.|.
|
.|.
| 6 0.000-0.029 106.79 0.000
.|.
|
.|.
| 7 0.035-0.025 107.04 0.000
.|.
|
.|.
| 8 0.033 0.025 107.27 0.000
.|.
|
.|.
| 9 0.026 0.002 107.41 0.000
.|.
|
.|.
| 10 0.030 0.016 107.61 0.000
.|.
|
*|.
| 11-0.007-0.067 107.62 0.000
*|.
|
.|.
| 12-0.074-0.055 108.78 0.000
==============================================================
56

Correlograma parcial (pac). En un modelo
AR(1), la covarianza de orden 2 [COV(yt,yt-2) ]
es distinta de cero. Por qu?
yt-2 est relacionado con yt-1 y sta, a su vez,
con yt. El correlograma parcial elimina el
efecto indirecto.
pac(2): correlacin entre yt-2 y yt , depurando
de los efectos intermedios.
pac(3): correlacin directa entre yt-3 y yt, etc.
57

Volvamos al correlograma de AR(2):
yt = 0,5* yt-1 + 0,3*yt-2 + at

==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|****** |
.|****** | 1 0.738 0.738 110.63 0.000
.|***** |
.|***
| 2 0.701 0.342 210.78 0.000
.|****
|
*|.
| 3 0.536-0.141 269.72 0.000
.|***
|
*|.
| 4 0.446-0.061 310.70 0.000
.|***
|
.|.
| 5 0.349 0.005 335.91 0.000
.|**
|
.|.
| 6 0.289 0.028 353.27 0.000
.|**
|
.|.
| 7 0.238 0.021 365.14 0.000
.|**
|
.|.
| 8 0.213 0.036 374.69 0.000
.|*
|
.|.
| 9 0.180-0.007 381.56 0.000
.|*
|
.|.
| 10 0.172 0.023 387.82 0.000
.|*
|
.|.
| 11 0.147-0.005 392.42 0.000
.|*
|
.|.
| 12 0.142 0.017 396.78 0.000
==============================================================
El pac tiene
2 valores no
nulos.
En modelos
AR, el pac
nos indica
el orden
del modelo.
58
3.3. AR- Inclusin de constante (1)

Constante en el modelo
En el modelo de inflacin: Inflat = 0,0555 +
0,82 * Inflat-1 la inclusin de una constante
y su resultado no es trivial.
El modelo nos dice que ante la ausencia de
shocks, la inflacin (valor de equilibrio)
tiende a 30% [= 0,0555 / (1-0,82)]
59

Inflacin. Proyeccin a 2030 desde 2003.
1.0
0.8
0.6
0.4
0.2
0.0
60 65 70 75 80 85 90 95 00 05 10 15 20 25 30
60

Cuando modelizamos en nivel (valores
originales o logaritmos) en general debe
incluirse una constante en el modelo, y
luego testear su significacin.
Cuando se modeliza en diferencias (como la
inflacin) la inclusin de la constante debe
ser analizada con cuidado. Volveremos
sobre este tema.
61
3.4. AR- Estacionariedad (1)

El modelo AR(p) es: yt = C + 1 yt-1+
+ 2 yt-2 + ... + p yt-p + at
Utilizando el operador de retardo L (por el

ingls lag) queda:
yt= C+1 Lyt + 2 L2yt + ... + p Lpyt+ at

=> (1- 1 L- 2 L2 - ... - p Lp) yt = C + at
La expresin entre parntesis puede
asimilarse a un polinomio: (L) yt = C + at
62

La condicin para que el proceso sea
estacionario es que el polinomio (L)
tenga sus races fuera del crculo unidad.
Es decir, que sus races sean, en mdulo,
superiores a 1.
El caso de un AR(1): (1- 1 L) yt =C+at
La raz es 1/ 1.
1/ 1>1 => 1< 1
63

El caso de un AR(p): (L) yt = C + at
Tendr p races (en general complejas).
Cada raz r admite 5 posibilidades:
1/r > 1 Crecimiento explosivo.
1/r = 1
1/r< 1
1/r = -1
1/r < -1
No estacionario. Caminata al azar.

Estacionario.
No estacionario. Alterna signos.
Crece alternando signos.
64

En ltima instancia, los casos que nos
interesar distinguir son los de 1/r = r = 1
con 1/r< 1.
Es decir, nos interesa determinar si la serie
presenta una raz unitaria. Para ello
disponemos de las siguientes herramientas:
Anlisis
grfico
y
correlograma
(detectando por el comportamiento de
una serie con raz unitaria).
Test de raz unitaria (Dickey-Fuller).
65

Las series financieras tienden a presentar
comportamientos de caminatas al azar
(random walk): yt = yt-1 +at
Euro / US$ 99-04 (diaria)
1,3
1,2
1,1
La serie tiene
una raz
unitaria.
1,0
0,9
18/04/04
18/02/04
18/12/03
18/10/03
18/08/03
18/06/03
18/04/03
18/02/03
18/12/02
18/10/02
18/08/02
18/06/02
18/04/02
18/02/02
18/12/01
18/10/01
18/08/01
18/06/01
18/04/01
18/02/01
18/12/00
18/10/00
18/08/00
18/06/00
18/04/00
18/02/00
18/12/99
0,7
18/10/99
0,8
66

==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|********
.|******** 1 0.996 0.996 1057.3 0.000
.|********
.|
| 2 0.993 0.014 2108.3 0.000
.|********
.|
| 3 0.989 0.001 3152.8 0.000
.|********
.|
| 4 0.986-0.007 4191.0 0.000
.|********
.|
| 5 0.983 0.018 5223.1 0.000
.|********
.|
| 6 0.979 0.007 6249.1 0.000
.|********
.|
| 7 0.976-0.031 7268.8 0.000
.|*******|
.|
| 8 0.972-0.011 8281.9 0.000
.|*******|
.|
| 9 0.969 0.025 9289.0 0.000
.|*******|
.|
| 10 0.965 0.013 10290. 0.000
.|*******|
.|
| 11 0.962-0.002 11285. 0.000
.|*******|
.|
| 12 0.959 0.010 12275. 0.000
.|*******|
.|
| 13 0.955-0.056 13258. 0.000
.|*******|
.|
| 14 0.952 0.014 14235. 0.000
.|*******|
.|
| 15 0.948-0.016 15205. 0.000
.|*******|
.|
| 16 0.945 0.007 16169. 0.000
.|*******|
.|
| 17 0.941 0.010 17127. 0.000
.|*******|
.|
| 18 0.938-0.047 18079. 0.000
.|*******|
.|
| 19 0.934-0.001 19023. 0.000
.|*******|
.|
| 20 0.930-0.037 19961. 0.000
.|*******|
.|
| 21 0.926-0.021 20891. 0.000
.|*******|
.|
| 22 0.922 0.028 21814. 0.000
.|*******|
.|
| 23 0.918-0.025 22729. 0.000
.|*******|
.|
| 24 0.914 0.021 23638. 0.000
.|*******|
.|
| 25 0.910 0.004 24541. 0.000
.|*******|
.|
| 26 0.906-0.023 25436. 0.000
.|*******|
.|
| 27 0.902-0.030 26323. 0.000
.|*******|
.|
| 28 0.898 0.020 27204. 0.000
.|*******|
.|
| 29 0.894 0.029 28078. 0.000
.|*******|
.|
| 30 0.890-0.046 28945. 0.000
.|*******|
.|
| 31 0.886-0.001 29804. 0.000
.|*******|
.|
| 32 0.881-0.018 30656. 0.000
.|*******|
.|
| 33 0.877 0.035 31501. 0.000
.|*******|
.|
| 34 0.873 0.016 32340. 0.000
.|*******|
.|
| 35 0.870-0.009 33172. 0.000
.|*******|
.|
| 36 0.866-0.009 33997. 0.000
==============================================================
Para las series con

una raz unitaria
el correlograma
tiende muy
lentamente a cero.
Euro / US$ 99-04 (diaria)
67
4. Procesos de Medias Mviles (MA)

4.1. Introduccin
4.3. Invertibilidad
68
4.1. MA- Introduccin (1)

Algunas series presentan reacciones a
shocks, pero rpidamente se produce el
retorno al equilibrio. Este tipo de procesos
no son bien descriptos por modelos AR.
Para ello estn los modelos de Medias
Mviles (Moving Averages, MA, en ingls).
Ejemplo: el precio de un bien agrcola, que
reacciona a shocks o choques (como
sequas) aunque reajusta en uno o dos
perodos.
69
4.1. MA- Introduccin (2)

En general, un modelo MA(q) puede ser
escrito como:
yt = C + at + 1 at-1 + 2 at-2 + ... + q at-q

donde at es un ruido blanco: at ~ N(0,2)
El caso ms sencillo es un MA(1):
yt = C + at + 1 at-1
70
4.2. MA- Momentos y correlograma (1)

En el caso de un modelo MA(1):
yt = C + at + 1 at-1
El modelo es siempre estacionario.
E ( yt ) = = C
V ( y t ) = 0 = (1 + 12 )
COV ( y t , y t 1 ) = 1 = 1
COV ( y t , y t k ) = k = 0 k > 1
71

Esta es una caracterstica distintiva de los
modelos de MA: tienen memoria finita,
al contrario de los modelos AR, donde las
repercusiones de un choque se mantienen
permanentemente (aunque amortiguadas en
su impacto).
El segundo punto distintivo es que los
modelos MA (de orden finito) son siempre
estacionarios.
72

Ejemplo
Supngase que se est modelizando el precio
de un cierto producto agrcola en un contexto
no inflacionario. Para ello se dispone de una
serie de tiempo donde la periodicidad se
corresponde con el ciclo de cultivo del
producto (es decir: semestral, anual, segn
corresponda).
73

Ejemplo (cont.)
Como ejemplo, un modelo que podra
describir este proceso es un MA(1):
yt = 10 + at + 0,8 at-1
donde at ~ N (0 , 2^2).
En el momento T se produce un hecho
extraordinario que repercute en la innovacin
(outlier). La innovacin toma el valor de 7.
74

Ejemplo (cont.)
Los valores (para el modelo MA) sern:
aT-2 = 0
yT-2 = 10,0
aT-1 = 0
yT-1 = 10,0
aT = 7
yT = 17,0
aT+1 = 0
yT+1 = 15,6
aT+2 = 0
yT+2 = 10,0
aT+3 = 0
yT+3 = 10,0
75

Ejemplo (cont.)
Si en lugar de especificar un modelo MA(1)
se hubiera especificado el siguiente modelo
AR(1): xt = 2 + 0,8 xt-1 + at
donde at ~ N (0 , 2^2).
Obsrvese que el proceso AR(1) se defini
de manera que la esperanza de ambos
modelos fuera igual: E(xt) = 2/(1-0,8) = 10.
76

Ejemplo (cont.)
Suponiendo el mismo comportamiento del
ruido, los valores para el modelo AR sern:
aT-2 = 0
xT-2 = 10,0
aT-1 = 0
xT-1 = 10,0
aT = 7
xT = 17,0
aT+1 = 0
xT+1 = 15,6
aT+2 = 0
xT+2 = 14,5
aT+3 = 0
xT+3 = 13,6
77

Ejemplo (cont.)
Para los perodos siguientes (modelo AR):
aT+10 = 0
xT+10 = 10,8
...
aT+20 = 0
xT+20 = 10,1
...
aT+30 = 0
xT+30 = 10,0
78

Ejemplo (cont.)
El valor de equilibrio (la esperanza del
proceso) es, al igual que en el MA(1), y=10.
En los dos procesos, una vez ocurrido un
hecho que lo aparta del equilibrio, la serie
tiende a retornar a ste (caracterstica de las
series estacionarias: la media es invariante).
La diferencia radica en la trayectoria y en la
rapidez hacia el equilibrio.
79

Ejemplo (cont.)
En la ausencia de nuevos choques, el proceso
MA retorna a su equilibrio en un nmero
finito de perodos (de acuerdo al orden q del
proceso), usualmente un nmero pequeo.
El proceso AR retorna al equilibrio con
movimientos decrecientes pero, estrictamente,
nunca lo alcanza. Se dice que los modelos AR
tienen memoria infinita.
80

En el caso del modelo general MA(q):
yt = C + at + 1 at-1+ 2 at-2+ ... + q at-q

E ( yt ) = = C
V ( yt ) = 0
COV ( y t , y t k ) k 0
k =
=
=
V ( yt )
0 = 0
k q
k >q
El correlograma tendr q valores distintos

de cero (significativos), y el resto no
significativos.
81

Correlograma de un proceso MA(1):
yt = at + 0,8 at-1
==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|****
|
.|****
| 1 0.579 0.579 68.073 0.000
.|*
|
**|.
| 2 0.149-0.280 72.614 0.000
.|.
|
.|*
| 3 0.028 0.130 72.772 0.000
*|.
|
*|.
| 4-0.060-0.166 73.508 0.000
*|.
|
.|*
| 5-0.078 0.068 74.755 0.000
*|.
|
*|.
| 6-0.075-0.093 75.938 0.000
.|.
|
.|.
| 7-0.051 0.055 76.487 0.000
.|.
|
.|.
| 8-0.026-0.049 76.632 0.000
.|.
|
.|.
| 9-0.010 0.033 76.652 0.000
.|.
|
.|.
| 10 0.011-0.007 76.680 0.000
.|.
|
.|.
| 11 0.017 0.009 76.742 0.000
.|.
|
*|.
| 12-0.033-0.085 76.971 0.000
*|.
|
.|.
| 13-0.063 0.011 77.831 0.000
.|.
|
.|*
| 14 0.017 0.095 77.894 0.000
.|*
|
.|.
| 15 0.107 0.061 80.414 0.000
.|*
|
.|.
| 16 0.135 0.044 84.410 0.000
.|*
|
*|.
| 17 0.067-0.076 85.407 0.000
.|.
|
.|.
| 18-0.009 0.002 85.427 0.000
==============================================================
El pac se comporta
como el ac de un
AR(1).
El ac y el pac son
espejos en
procesos AR y MA.
82
4.3. MA- Invertibilidad (1)

Consideremos el caso de un MA(1)
constante: yt = at 1 at-1
sin
yt-1 = at-1 1 at-2 => at-1 = yt-1 + 1 at-2

Sustituyendo en el modelo:
yt = at 1 yt-1 21 at-2
Sustituyendo recursivamente:
yt = at 1 yt-1 21 yt-2 31 yt-3 ... =>

El proceso MA se convierte en un proceso AR().
83

La condicin para que un proceso MA(1) sea
invertible es que |1|<1.
En
general,
para
un
proceso
MA(q):
yt = C + at + 1 at-1+ 2 at-2+ ... + q at-q

yt = C + (L)at
se requiere que las races del polinomio de
medias mviles [(L)] caigan fuera del
crculo unidad.
84

La condicin de invertibilidad es una
condicin deseable en los modelos de MA.
Considrense dos modelos MA(1):
yt = at + 0,5* at-1
xt = at + 2 * at-1
El coeficiente del modelo en y es el inverso al
de x. El coeficiente de ac de orden 1 (1) es:
1
1
1 2
=
=
0
( 1 + 12 )
1
=
( 1 + 12 )
En ambos modelos 1= 0,4 aunque el modelo

en y es invertible.
85

En forma simtrica, tambin es posible reescribir un modelo AR como un modelo de
MA, a condicin de que sea estacionario.
As, por ejemplo, el modelo AR(1):
yt = 0,8 * yt-1 + at
puede transformarse en el modelo MA():
yt = at +0,8*at-1 +0,82*at-2 +0,83*at-3 + ...

yt =
0,8
j =0
at j
86

El hecho de que un AR(1) se transforme en un
MA() (o viceversa) no significa que esta
propiedad no sea operativa.
A partir de determinado orden,
coeficientes no son significativos.
los
As, para el modelo yt = 0,8 * yt-1 + at el

coeficiente de orden 7 en un MA() es 0,21
que probablemente no resulte significativo.
87

En el modelo AR(1) de la inflacin anual:
Inflat = 0,0555 + 0,82 * Inflat-1 + at
se logra un ajuste similar con un MA(2):
Inflat = 0,292 + at + 0,88 * at-1 + 0,64 * at-2
Observe que se cumple aproximadamente la
relacin prevista entre los coeficientes, y que
la constante es similar en ambos modelos:
0,0555/(1-0,82) 0,292
88
5. Procesos ARMA
5.1. Introduccin
89
5.1. ARMA- Introduccin (1)

Este es el caso general para procesos
estacionarios. Corresponde a un modelo
donde se observan efectos de corto alcance
(trminos MA) y efectos de inercia o
autoregresivos (AR).
Como combinan elementos de ambos tipos
de modelos, son los ms difciles de
identificar.
90

Un modelo ARMA(p,q) tendr la forma:
yt = C + 1 yt-1 + 2 yt-2 + ... + p yt-p +

+ at + 1 at-1 + 2 at-2 + ... + q at-q
donde at es un ruido blanco: at ~ N(0,2)
En notacin polinomial:
(L) yt = C + (L) at
91

Un modelo ARMA(p,q) ser estacionario
en la medida que la parte AR lo sea (las races
del polinomio caen fuera del crculo
unidad).
Ser invertible en la medida que el proceso
de MA lo sea (dem para las races de ).
Los modelos ARMA estacionarios e
invertibles pueden escribirse tanto como AR
puros o como MA puros (eventualmente de
orden
infinito).
Pero
son
ms
parsimoniosos (tienen menos coeficientes).
92

En el modelo de la inflacin anual se obtiene
un mejor ajuste con un modelo ARMA(1,2) :
(1- 0,42*L) ( Inflat - 0,303) =
= (1+ 0,63*L + 0,49*L2) at
Observe que la expresin que resta a Inflat es
la esperanza (y no la constante).
93
5.2. ARMA-Momentos y correlograma - (1)

El modelo ARMA(1,1) es el ms sencillo:
yt = C + yt-1 + at + at-1
donde at es un ruido blanco: at ~ N(0,2).
Sin prdida de generalidad, supondremos C=0.
Nos detendremos en la deduccin de la
varianza y autocovarianzas.
94

yt = yt 1 + at + at 1
yt2 = (yt 1 + at + at 1 ) 2 = 2 yt21 + at2 +
+ 2 at21 + 2yt 1at + 2 yt 1at 1 + 2at at 1
0 =
2
E ( yt )
2
E ( yt 1 )
2
+ E ( at 1 ) + 2 E ( yt 1at 1 )
2
2
2 2
2
= 0 + + + 2
2
(1 + + 2 )
0 =
12
2
2
E ( at )
95

1 = E ( y t y t 1 ) = E [( y t 1 + a t + a t 1 ) y t 1 ] =
= E (
2
y t 1 )
= 0 +
+ E ( a t y t 1 ) + E ( a t 1 y t 1 ) =
2
(1 + 2 + 2 )
1 =
2
1
etc.
1
1 =
0
96

k = E ( y t y t k ) = E [( y t 1 + a t + a t 1 ) y t k ] =
= E ( y t 1 y t k ) + E ( a t y t k ) + E ( a t 1 y t k )
Con
k >1
k = k 1 k = k 1 = k 1
Resumiendo:
k =
k 1
1
para k > 1
El correlograma
(ac) se comporta
como un AR(1)
para k > 1
97

Para el modelo ARMA(p,q) tendremos:
1 , 2 , 3 , ... para k q
k =
para k > q
k 1
El correlograma (ac) se comporta como un

AR(p) para k > q
98

Correlograma de un proceso ARMA(1,1):
yt = 0,5 yt-1 + at + 0,8 at-1

==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|****** |
.|****** | 1 0.793 0.793 127.63 0.000
.|***
|
****|.
| 2 0.454-0.470 169.74 0.000
.|**
|
.|*
| 3 0.209 0.180 178.70 0.000
.|.
|
*|.
| 4 0.049-0.166 179.19 0.000
.|.
|
.|*
| 5-0.034 0.094 179.42 0.000
*|.
|
*|.
| 6-0.065-0.082 180.29 0.000
*|.
|
.|.
| 7-0.063 0.060 181.13 0.000
.|.
|
.|.
| 8-0.047-0.044 181.59 0.000
.|.
|
.|.
| 9-0.028 0.034 181.75 0.000
==============================================================
El pac nos da
informacin
confusa:
tendemos a
pensar que se
trata de un
AR(2).
99
6. Procesos No Estacionarios
6.1. Introduccin
6.2. Caminata al azar
6.3. Transformacin estacionaria
6.4. Modelos ARIMA
100
6.1. No Estacionarios - Introduccin (1)

Las series econmicas (y empresariales)
tienen en general un comportamiento no
estacionario. Las series con las siguientes
caractersticas no son estacionarias:
Series con tendencia.
Si la serie presenta movimientos lentos con
cambios de nivel en el tiempo.
Si la volatilidad (la varianza) es variable, lo
que es comn en series financieras.
101

El punto es que slo tiene sentido estimar
modelos que sean estacionarios.
Cmo se resuelve esta paradoja?
En general ser posible transformar las
series
no
estacionarias,
volvindolas
estacionarias.
Los resultados de la estimacin de la
transformacin estacionaria sern aplicables
(en lo pertinente) a la serie original.
102

As, el IPC es una serie no estacionaria
(presenta
tendencia:
salvo
algunas
excepciones, crece ao a ao).
Pero su diferencia (la inflacin) puede
considerarse estacionaria.
Lo mismo sucede con el PIB, las ventas de
una empresa (a precios corrientes, a precios
constantes, ...), la libor, el tipo de cambio, etc.
103

Una forma de aproximarnos a la descripcin
de una serie con tendencia es incluyendo en
el modelo esa tendencia determinstica,
representada por un crecimiento constante en
el tiempo, una funcin lineal del tiempo.
Se les puede especificar de la forma siguiente:
yt = + t +ut con ut ~ ARMA(p,q)

Se dice determinstica para distinguirla de la
tendencia de una caminata al azar con deriva.
104

A estos procesos se les conoce como procesos
en tendencia estacionarios ( TS, trend
stationary). Son no estacionarios, aunque no
presentan races unitarias.
La transformacin apropiada es restar a la
serie original la (estimacin de la) tendencia
determinstica.
Si se genera una serie zt como: zt = yt t
la serie zt ser estacionaria: zt = ut
105

Las series que es necesario diferenciar para
convertirlas en estacionarias se les denomina
(a sus procesos) diferencia estacionario o
estacionario
en
diferencia (DS,
difference stationary) y se les puede
especificar de la forma siguiente:
yt = C + yt-1 + ut con ut ~ ARMA(p,q)
Las series estacionarias en diferencias
presentan una (o ms) races unitarias.
106

Para una serie con tendencia, las
consecuencias sobre su comportamiento son
muy distintas segn sea TS o DS.
En las series TS el comportamiento en el
tiempo es rgido: no pueden apartarse
sustancialmente
de
la
tendencia
determinstica.
Mientras que las series DS pueden cambiar de
nivel ante choques que reciban.
107

A continuacin se presenta el grfico de dos
series generadas como procesos TS y DS.
50
Ambas fueron
generadas a
partir de un
proceso AR(2)
estacionario.
40
30
20
10
0
-10
20
40
60
80
100 120 140 160 180 200
TS
DS
108

Otro ejemplo: Serie TS con un outlier en la
observacin 100.
50
40
30
20
10
0
20
40
60
80
1 00 1 20 1 40 1 60 1 80 2 00
109

Serie DS con el mismo outlier en la
observacin 100.
80
60
40
20
0
20
40
60
80
1 00 1 20 1 40 1 60 1 80 2 00
110

Los macroeconomistas estn muy interesados
en conocer si una recesin econmica tiene
consecuencias permanentes sobre el nivel
futuro del PIB, o por el contrario representa
cadas temporales que eventualmente sern
compensadas durante la recuperacin.
111

El origen de esta discusin se encuentra en el
artculo de Nelson y Plosser (1982), en el cual
estos autores argumentan que muchas series
econmicas son mejor caracterizadas por
races unitarias que por una tendencia
determinstica.
112
6.2. Caminata al azar (1)

Un proceso del tipo: yt = yt-1 + at
se denomina caminata al azar (random walk).
Un proceso del tipo: yt = + yt-1 + at
se denomina caminata al azar con deriva
(random walk with drift).
En ambos casos la serie presenta una raz
unitaria y, por lo tanto, es no estacionaria. Sin
embargo, el comportamiento en el tiempo es
muy diferente.
113

Una caminata al azar sin deriva se transforma
en un ruido blanco (y, por lo tanto, tiene
esperanza nula) cuando se diferencia:
yt = yt yt-1 = at
Una caminata al azar con deriva tiene media
no nula cuando se diferencia:
yt = yt yt-1 = + at
La tasa promedio de crecimiento es nula
en el primer caso, mientas que en el segundo
es no nula (usualmente positiva).
114

Euro/US$ - logaritmo de valores diarios.
0.2
0.1
0.0
-0.1
-0.2
-0.3
200
400
600
800
1000
115

Euro/US$ - log de valores diarios.
0.04
0.02
0.00
-0.02
-0.04
-0.06
200
400
600
800
1000
116

Euro/US$ - Momentos para la variable en
nivel (logaritmo), log y 2 log.
==================================================
Sample: 1 1062
==================================================
LOG(EURO)
DLOG(EURO) DLOG(EURO,2)
==================================================
Mean
0.012980
-8.48E-05
2.80E-06
Median
0.044579
-0.000180
-1.07E-05
Maximum
0.192129
0.022520
0.055632
Minimum
-0.251381
-0.042041
-0.036394
Std. Dev.
0.117118
0.007288
0.010482
Skewness
-0.620695
-0.256430
0.079967
Kurtosis
2.142570
4.222202
3.870038
Jarque-Bera
Probability
100.5337
0.000000
77.59210
0.000000
34.56243
0.000000
Observar el
reducido valor
de la media
para la primera
diferencia de la
serie.
Observations
1060
1060
1060
==================================================
117

Correlograma
log(Euro)
==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|********
.|******** 1 0.997 0.997 1057.8 0.000
.|********
.|
| 2 0.993 0.009 2109.6 0.000
.|********
.|
| 3 0.990-0.006 3155.3 0.000
.|********
.|
| 4 0.987-0.003 4194.9 0.000
.|********
.|
| 5 0.983 0.019 5228.7 0.000
.|********
.|
| 6 0.980 0.004 6256.9 0.000
.|********
.|
| 7 0.977-0.031 7278.9 0.000
.|*******|
.|
| 8 0.973-0.011 8294.8 0.000
.|*******|
.|
| 9 0.970 0.020 9304.8 0.000
.|*******|
.|
| 10 0.967 0.011 10309. 0.000
.|*******|
.|
| 11 0.964-0.003 11308. 0.000
.|*******|
.|
| 12 0.961 0.002 12300. 0.000
.|*******|
*|
| 13 0.957-0.060 13287. 0.000
.|*******|
.|
| 14 0.953 0.011 14267. 0.000
.|*******|
.|
| 15 0.950-0.016 15241. 0.000
.|*******|
.|
| 16 0.946 0.010 16208. 0.000
.|*******|
.|
| 17 0.943 0.008 17170. 0.000
.|*******|
.|
| 18 0.939-0.052 18124. 0.000
==============================================================
118

Correlograma
log(euro)
dlog(euro) en
la notacin
de EViews
==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|
|
.|
| 1-0.035-0.035 1.2685 0.260
.|
|
.|
| 2-0.018-0.019 1.6084 0.447
.|
|
.|
| 3 0.028 0.027 2.4629 0.482
.|
|
.|
| 4-0.013-0.011 2.6369 0.620
.|
|
.|
| 5-0.004-0.004 2.6554 0.753
.|
|
.|
| 6 0.050 0.049 5.3270 0.503
.|
|
.|
| 7 0.001 0.005 5.3294 0.620
.|
|
.|
| 8-0.040-0.038 7.0189 0.535
.|
|
.|
| 9-0.031-0.036 8.0266 0.531
.|
|
.|
| 10 0.005 0.003 8.0557 0.623
.|
|
.|
| 11-0.002 0.000 8.0589 0.708
.|
|
.|
| 12 0.052 0.051 10.949 0.533
.|
|
.|
| 13-0.023-0.021 11.528 0.567
.|
|
.|
| 14 0.046 0.050 13.789 0.466
.|
|
.|
| 15 0.007 0.010 13.845 0.537
.|
|
.|
| 16-0.009-0.006 13.927 0.604
.|
|
.|
| 17 0.066 0.061 18.571 0.354
.|
|
.|
| 18 0.020 0.019 19.001 0.392
==============================================================
119

Los tipos de cambios (entre pases
desarrollados) y en general las variables
financieras son ejemplos de caminatas al azar.
En el caso de los tipos de cambio, sin
deriva.
Puede esperarse una tendencia en su
comportamiento?
El hecho de que su variacin diaria (log)
sea un ruido blanco, cmo se interpreta?
Qu consecuencias tiene esto sobre la
prediccin de la variable?
120

En cambio, para otras variables financieras,
como los ndices de bolsa (Dow-Jones,
S&P 500, etc.) debemos esperar un
comportamiento de tipo de caminata al azar
con deriva.
Por qu?
Cmo ser el comportamiento en el corto
plazo y en el largo plazo?
Cul ser el comportamiento del riesgo pas
uruguayo (por ejemplo, medido por el UBI)?
121

Riesgo pas Uruguay - logaritmo de UBI.
8
4
200
400
600
800
1000
LOG(UBI)
122

log (UBI)
0.3
0.2
0.1
0.0
-0.1
-0.2
200
400
600
800
1000
DLOG(UBI)
123

TC - $U/US$ - Momentos para la variable
original, logaritmo, log y 2 log.
==============================================================
Sample: 1 1062
==============================================================
DOLAR
LOG(DOLAR) DLOG(DOLAR) DLOG(DOLAR,2)
==============================================================
Mean
19.44019
2.894740
0.000874
1.12E-06
Median
14.81150
2.695404
0.000193
0.000000
Maximum
32.32500
3.475841
0.147236
0.177129
Minimum
11.51400
2.443564
-0.106360
-0.201052
Std. Dev.
7.398316
0.379939
0.010434
0.013640
Skewness
0.310793
0.230699
2.879331
-1.764109
Kurtosis
1.223378
1.210141
63.88614
88.76489
Jarque-Bera
Probability
156.4717
0.000000
150.8947
0.000000
165195.9
0.000000
325422.8
0.000000
Observations
1060
1060
1060
1060
==============================================================
124

log (TC)
0.15
Cmo
caracterizar la
serie de TC?
0.10
0.05
0.00
logTC: ser
estacionaria?
-0.05
-0.10
-0.15
200
400
600
800
1000
DLOG(DOLAR)
125

Una caminata al azar sin deriva: yt = yt-1 + at
con at ~ N(0,2) tiene:
E(yt) =
V(yt) = t 2
Un proceso del tipo: yt = + yt-1 + at tiene:
E(yt) = t
V(yt) = t 2
126
6.3. Transformacin estacionaria (1)

Las series que presentan races unitarias se
denominan integradas.
Si una serie tiene una raz unitaria, se nota
como: yt ~ I(1)
Si tuviera dos races unitarias: yt ~ I(2)
Para las series que deambulan (como las
caminatas sin deriva) o que presentan
tendencia, normalmente es suficiente con
diferenciarlas (y, en general, una vez) para
transformarlas en estacionarias.
127

A una serie integrada de orden m [yt ~
I(m)] deber diferenciarse m veces para
transformarla en estacionaria.
As, si una serie yt presenta
proceso: yt = yt-1 + zt donde zt
con at ruido blanco, entonces
diferenciar yt y modelizar
diferencia:
el siguiente
= zt-1 + at,
es necesario
su primera
zt = yt sigue un proceso AR(1).

128

Cuntas veces diferenciar una serie?
En la realidad no conocemos el proceso que
dio origen a la serie. Por lo tanto, no
conocemos el orden de diferenciacin de un
serie.
Podemos guiarnos por el correlograma
(diferenciar hasta que el correlograma se
comporte como un proceso estacionario) y por
el hecho de que una serie sobre-diferenciada
tiene mayor varianza (desvo estndar).
129

TC - $U/US$ - Momentos para la variable
original, logaritmo, log y 2 log.
==============================================================
Sample: 1 1062
==============================================================
DOLAR
LOG(DOLAR) DLOG(DOLAR) DLOG(DOLAR,2)
==============================================================
Mean
19.44019
2.894740
0.000874
1.12E-06
Median
14.81150
2.695404
0.000193
0.000000
Maximum
32.32500
3.475841
0.147236
0.177129
Minimum
11.51400
2.443564 -0.106360 -0.201052
Std. Dev.
7.398316
0.379939
0.010434
0.013640
Skewness
0.310793
0.230699
2.879331 -1.764109
Kurtosis
1.223378
1.210141
63.88614
88.76489
Jarque-Bera
Probability
156.4717
0.000000
150.8947
0.000000
165195.9
0.000000
325422.8
0.000000
Observations
1060
1060
1060
1060
==============================================================
La segunda
diferencia
aumenta el
desvo estndar.
Es necesario
analizar tambin
el correlograma.
130
6.4. Modelos ARIMA (1)

Una serie, luego de diferenciada d veces,
sigue un proceso ARMA(p,q). La serie
original sigue un proceso ARIMA(p,d,q).
En el modelo de la inflacin anual se obtiene
un mejor ajuste con un modelo ARMA(1,2) :
(1- 0,42*L) ( Inflat - 0,303) =
= (1+ 0,63*L + 0,49*L2) at
Ello significa que el IPC (su logaritmo) sigue
un proceso ARIMA(1,1,2).
131

Una serie sigue un proceso ARIMA(p,d,q):
(1- 1L-2L2-...-pLp) (1-L)d(yt - ) =

= (1+1L + 2L2+...+ qLq) at
Utilizando los polinomios respectivos:
(L)(1-L)d(yt - ) = (L)at
132

La grfica de la serie temporal da una idea de
si es estacionaria. Si existe algn valor en
torno al cual la serie va oscilando, pero sin
alejarse en forma permanente de dicho valor,
entonces se puede considerar que la serie es
estacionaria en media.
Si no es as se debe diferenciar para
convertirla en estacionaria. Se puede
diferenciar 1,2, ... ,d veces, las necesarias.
133
7. Modelos ARIMA estacionales

7.1. Introduccin
7.2. Modelos estacionales puros
7.3. Modelos estacionales multiplicativos
7.4. Correlograma
7.5. Modelos estacionales no estacionarios
7.6. Notacin
134
7.1. SARIMA - Introduccin

Series de tiempo de frecuencia menor al ao
(mensuales, trimestrales) pueden presentar
estacionalidad. Es decir, son series con
ciclos u oscilaciones estrictamente peridicas,
donde el perodo es igual o inferior al ao.
La presencia de este componente se explica
por la existencia de las estaciones y los
cambios climticos (que impactan sobre la
actividad), las costumbres (el fin de ao, que
es estrictamente cultural), etc.
135
7.2. Modelos estacionales puros (1)

Supngase un fenmeno donde solamente
existe relacin entre observaciones de un
mismo mes (trimestre, etc.) en dos aos
consecutivos. Por ej., para datos trimestrales:
yt = C + y t 4 + at
con < 1
El valor corriente de yt se explica por el ruido
contemporneo y por el valor de y cuatro
trimestres atrs (el mismo trimestre del ao
anterior). El modelo recoge factores
estacionales exclusivamente.
136

El modelo puede ser escrito como:
y t y t 4 = C + at
(1 L ) yt = C + at
4
( L ) y t = C + at
donde (L) es el polinomio autoregresivo.
137

Designamos como s el perodo estacional
(s=4 para datos trimestrales, s=12 para
mensuales, etc.). El modelo anterior se nota
como SAR(1)s, o modelo autoregresivo
estacional (Seasonal, en ingls) de primer
orden.
Es suficiente que en valor absoluto sea
menor que 1 para que el modelo sea
estacionario.
138

A continuacin presentamos el correlograma
de un modelo AR(1) y de un modelo SAR(1)4.
0,80
0,64
0,51
0,41
0,33
0,26
0,21
0,17
0,13
0,11
10
0,09
11
0,07
12
13
14
0,05
0,04
0,80
0,64
10
11
0,51
12
13
14
15
15
0,04
16
16
0,41
0,03
139

La Funcin de Auto Correlacin (FAC) del
proceso estacional puro SAR(1)4 considerado
anteriormente es:
k s = k / s
k =
0
para k = s, 2s, 3s, ...

en otro caso
Otro modelo estacional puro - SAR(2)s:
yt = C + 1 y t s + 2 y t 2 s + at
140
7.3. Modelos estacionales multiplicativos (1)

Supngase que se est modelizando el
consumo de refrescos con datos de frecuencia
trimestral. En el proceso de identificacin del
modelo se observa que los choques en el
trimestre t repercuten tambin en el perodo
o trimestre siguiente, y en el mismo trimestre
del ao siguiente. Es decir, provoca cambios
en el componente estacional de la serie.
141

Un modelo de medias mviles podra reflejar
este comportamiento:
yt = C + at 1at 1 4 at 4
Es decir, el ruido en t influye en t+1 y en
t+4. El modelo planteado tiene la limitacin
que no recoge la influencia que tendr el efecto
en t+4 sobre el valor de la variable en t+5.
Es decir, el efecto un trimestre despus se
modeliza solamente en t+1.
142

Una manera de salvar este problema es con la
formulacin de modelos estacionarios
multiplicativos estacionales:
yt = C + (1 1L )(1 4 L4 )at
Reescribiendo el modelo:
yt = C + at 1at 1 4 at 4 + 1 4 at 5
Es decir, el modelo justamente captura la
interaccin de los 2 efectos sobre el perodo t+5.
143

Una forma alternativa de escribir el modelo
anterior es como un MA(5):
Yt = C + at 1at 1 4 at 4 5at 5
Esta ltima es la versin no restringida.
Contiene un parmetro ms que el modelo
previo ya que justamente no impone la
interaccin entre los dos efectos. Si los modelos
tuvieran un poder explicativo similar, siempre es
preferible el primero (ms parsimonioso).
144

La prctica ha llevado a adoptar los modelos
multiplicativos como la representacin
general de efectos ordinarios y estacionales en
procesos estacionarios.
En todo caso, siempre es posible estimar
ambos modelos y realizar pruebas de hiptesis
para decidir por uno u otro.
145

Otros ejemplos de modelos multiplicativos:
(1 1L )(1 12 L12 ) yt = C + at
(1 1L )(1 12 L ) yt = C + (1 1L )(1 12 L )at
12
12
El primero se nota como AR(1)xSAR(1)12

El
segundo
como
AR(1)xSAR(1)12
MA(1)xSMA(1)12
146
7.4. Correlograma (1)

Considrese un modelo MA(1)xSMA(1)12.
Por simplicidad se presenta sin constante:
yt = (1 1L )(1 12 L12 ) at
yt = at 1at 1 12 at 12 + 112 at 13
Las covarianzas del proceso son:

1 = COV ( yt , yt 1 ) = E [( at 1at 1 12 at 12 + 112 at 13 )x
x ( at 1 1at 2 12 at 13 + 112 at 14 ) ] =
2 2
2
= E 1at21 112
at 13 = ( 1 a2 )(1 + 12
)
147

2 = COV ( yt , yt 2 ) = E [( at 1at 1 12 at 12 + 112 at 13 )x
x ( at 2 1at 3 12 at 14 + 112 at 15 ) ] = 0
Y, de la misma forma, se deduce que 3,

4, ..., 10 = 0
Las autocovarianzas 11, 12 y 13 sern no
nulas, y k = 0 con k>13.
De esta forma, el correlograma tendr
valores no nulos para k=1, 11, 12 y 13.
148

Suponiendo modelos MA de orden bajo, tanto
para la parte ordinaria como para la parte
estacional, el correlograma tendr coeficientes
no nulos para los primeros retardos (hasta el
orden de la parte ordinaria) y en torno a la
frecuencia estacional: en torno a 12 si es
SMA(1)12, en torno a 12 y 24 si es SMA(2)12,
etc.
149

Correlograma de SARMA (0,1)(0,1)12:
yt = (1-0.3*L) (1-0.5*L12) at
==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
**|
|
**|
| 1-0.261-0.261 68.388 0.000
*|
|
*|
| 2-0.061-0.139 72.171 0.000
.|
|
*|
| 3-0.004-0.064 72.183 0.000
.|
|
.|
| 4 0.047 0.022 74.420 0.000
.|
|
.|
| 5-0.014 0.002 74.613 0.000
.|
|
.|
| 6 0.020 0.028 75.034 0.000
.|
|
.|
| 7-0.042-0.030 76.804 0.000
.|
|
.|
| 8-0.017-0.039 77.111 0.000
.|
|
.|
| 9 0.005-0.021 77.132 0.000
.|
|
.|
| 10 0.035 0.025 78.389 0.000
.|*
|
.|*
| 11 0.092 0.123 87.001 0.000
***|
|
***|
| 12-0.395-0.363 245.35 0.000
.|*
|
*|
| 13 0.113-0.090 258.41 0.000
.|
|
*|
| 14 0.013-0.064 258.60 0.000
.|
|
.|
| 15 0.034 0.014 259.80 0.000
==============================================================
150
Correlograma de
SARMA (1,0)(1,0)12:
(1-0.5*L)
(1-0.7*L12)yt=at
==============================================================
==============================================================
PAC Q-Stat Prob
==============================================================
.|***
|
.|***
| 1 0.459 0.459 210.89 0.000
.|*
|
*|
| 2 0.150-0.077 233.43 0.000
.|*
|
.|
| 3 0.070 0.039 238.29 0.000
.|*
|
.|*
| 4 0.102 0.081 248.75 0.000
.|
|
.|
| 5 0.061-0.026 252.51 0.000
.|*
|
.|*
| 6 0.099 0.098 262.42 0.000
.|*
|
.|
| 7 0.070-0.018 267.31 0.000
.|*
|
.|
| 8 0.078 0.052 273.42 0.000
.|
|
.|
| 9 0.018-0.048 273.76 0.000
.|*
|
.|*
| 10 0.072 0.089 279.06 0.000
.|**
|
.|**
| 11 0.294 0.296 366.80 0.000
.|***** |
.|***** | 12 0.690 0.599 850.04 0.000
.|***
|
**|
| 13 0.335-0.297 963.69 0.000
.|*
|
.|
| 14 0.112 0.020 976.52 0.000
.|
|
.|
| 15 0.048-0.038 978.82 0.000
.|*
|
.|
| 16 0.074-0.011 984.47 0.000
.|
|
.|
| 17 0.042 0.019 986.25 0.000
.|*
|
.|
| 18 0.098 0.024 996.01 0.000
.|*
|
.|
| 19 0.100 0.055 1006.2 0.000
.|*
|
.|
| 20 0.080-0.022 1012.7 0.000
.|
|
.|
| 21-0.012-0.032 1012.9 0.000
.|
|
.|
| 22 0.021-0.001 1013.3 0.000
.|*
|
.|
| 23 0.177-0.019 1045.4 0.000
.|****
|
.|
| 24 0.466 0.000 1268.1 0.000
.|**
|
.|
| 25 0.239 0.005 1326.6 0.000
.|*
|
.|
| 26 0.076-0.017 1332.6 0.000
.|
|
.|
| 27 0.010-0.033 1332.7 0.000
.|
|
.|
| 28 0.043 0.024 1334.5 0.000
.|
|
.|
| 29 0.024 0.000 1335.1 0.000
.|*
|
.|
| 30 0.073-0.029 1340.6 0.000
.|*
|
.|
| 31 0.083-0.025 1347.7 0.000
.|*
|
.|
| 32 0.069 0.021 1352.6 0.000
.|
|
.|
| 33-0.033-0.022 1353.7 0.000
.|
|
.|
| 34 0.000 0.040 1353.7 0.000
.|*
|
.|
| 35 0.101-0.026 1364.4 0.000
.|**
|
.|
| 36 0.305-0.010 1461.3 0.000
==============================================================
151
7.5. Modelos no estacionarios (1)

PIB trimestral Uruguay (logaritmo)
5.4
5.2
5.0
4.8
4.6
4.4
84
86
88
90
92
94
96
98
00
02
152

Como puede observarse, la serie es claramente
no estacionaria: presenta tendencia pero, como
se comprobar a continuacin, existen otros
elementos que determinan la no estacionariedad
de la serie.
Veremos el grfico de la primera diferencia de
la serie ( log PIBt) y de la diferencia cuarta:
4 log PIBt = log (PIBt) log(PIBt-4 )
153

log PIB
0.2
0.1
0.0
-0.1
-0.2
84
86
88
90
92
94
96
98
00
02
154

Si bien la serie no parece presentar tendencia, se
observa un pico regular en el cuarto trimestre
de cada ao, mientras que se produce un valle
en el primer trimestre.
Es decir, la media de la serie no es constante,
sino sistemticamente ms alta en el cuarto
trimestre, ms baja en el primero, etc.
155

4 log PIB
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
84
86
88
90
92
94
96
98
00
02
156

Es posible que la aplicacin de la diferencia
estacional no sea suficiente para transformar en
estacionaria a la serie. En el grfico previo la
serie resultante parece seguir un proceso del
tipo de caminata al azar, aunque seran
necesarios otros elementos de anlisis (anlisis
del correlograma, por ejemplo) para concluir
sobre la conveniencia de una diferencia
adicional.
157
7.6. SARIMA - Notacin

Un proceso ARIMA(p,d,q) se plantea como:
(L) (1-L)d(yt-) = (L)at
Un proceso SARIMA(p,d,q)(P,D,Q)s como:
(L) (L)(1-L)D(1-L)d (yt-) = (L)(L)at
158
8. Etapas en la Modelizacin
8.1. Introduccin
8.2. Identificacin
8.3. Estimacin
8.4. Validacin
159
8.1. Etapas - Introduccin
Proceso de Generacin de Datos (PGD)

p ( L)(1 L) d (Y t ) = q ( L)a t
Generacin
Realizaciones
Y1, Y2, ..., Yt, Yt+1, ..., YT
160

Realizaciones
Y1, Y2, ..., Yt, Yt+1, ..., YT
Inferencia
Proceso de Generacin de Datos (PGD)

p ( L)(1 L) d (Y t ) = q ( L)a t
161
162
163

Tecnicas Econometricas - Series de Tiempo

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tecnicas Econometricas - Series de Tiempo

Transféré par

Droits d'auteur :

Formats disponibles

TCNICAS

Plan del curso

Una sesin de teora

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

1.1. Objetivo del curso (1)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

1.1. Objetivo del curso (2)

1.2. Tcnicas de pronstico (1)

1.2. Tcnicas de pronstico (2)

1.2. Tcnicas de pronstico (3)

Son modelos ms sencillos.

1.3. Uso de los pronsticos (1)

1.3. Uso de los pronsticos (2)

1.4. Series de Tiempo (1)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

1.4. Series de Tiempo (2)

1.4. Series de Tiempo (3)

1.4. Series de Tiempo (4)

1.4. Series de Tiempo (5)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

1.4. Series de Tiempo (6)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

1.4. Series de Tiempo (7)

1.4. Series de Tiempo (8)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

1.4. Series de Tiempo (9)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

1.5. Momentos del Proceso (1)

1.5. Momentos del Proceso (2)

1.5. Momentos del Proceso (3)

1.5. Momentos del Proceso (4)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

2.1. Proceso estacionario (1) - Definicin

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

2.1. Proceso estacionario (2) - Ejemplo

2.1. Proceso estacionario (3) - Ejemplo

2.1. Proceso estacionario (4) - Ejemplo

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales 18/12/01

2.1. Proceso estacionario (5) - Ejemplo

$/US$ - 1999-2001 (diaria): estacionaria?

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales 18/04/04

2.1. Proceso estacionario (6) - Ejemplo

$/US$ - 1999-2004 (diaria)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales 18/04/04

2.1. Proceso estacionario (7) - Ejemplo

Libor US$ (180d) - 1999-2004 (diaria)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales 18/04/04

2.1. Proceso estacionario (8) - Ejemplo

Euro / US$ - 1999-2004 (diaria)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales 19/04/04

2.1. Proceso estacionario (9) - Ejemplo

Devaluacin $U (variacin diaria en %)

2.1. Proceso estacionario (10)

2.1. Proceso estacionario (11)

2.2. Funcin de autocorrelacin (ac) (1)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

2.2. Funcin de autocorrelacin (ac) (2)

2.2. Funcin de autocorrelacin (ac) (3)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

2.2. Funcin de autocorrelacin (ac) (4)

Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -

2.2. Funcin de autocorrelacin (ac) (5)