Académique Documents
Professionnel Documents
Culture Documents
Resumen
El autor agradece la colaboracin del alumno Jerson Aguilar Valencia en la elaboracin del presente
documento.
Doctorado en Economa con mencin en los Recursos Naturales (c), Universidad Nacional Autnoma de
Mxico. MBA Gerencial, CENTRUM Pontificia Universidad Catlica del Per. Maestra en Economa con
mencin en Finanzas, Universidad Nacional Mayor de San Marcos. B. Sc. Economa, UNMSM. Profesor
Auxiliar del Departamento de Economa de la UNMSM. Investigador asociado al Instituto de Investigaciones
FCE - UNMSM. Contacto: r.bustamante.ro@gmail.com
Serie Apuntes de Clase. N 4. Septiembre de 2014. EAPE / FCE / UNMSM
I. ANLISIS UNIVARIADO
es, por tanto, que las observaciones estn ordenadas en el tiempo (Beltrn Barco,
2003).
observacin repetida no suele ser posible. Es por ello que se utiliza hiptesis
p
yt y
s0
s t -s t 2.
A. El ruido blanco{ }
previsin mejor que su esperanza incondicional. Por tanto, los procesos de ruido
blanco de esperanza nula resultan tiles para caracterizar las propiedades ideales
1 El trmino gaussiano quiere decir que la distribucin conjunta de las variables que forman el proceso
estocstico es una normal multivariante, que puede ser caracterizada por sus correspondientes vectores
de medias y matrices de varianzas covarianzas.
es decir:
yt yt -1 t
yt yt -1 t
yt = t
jugador pueden tratarse como un camino aleatorio. El trmino camino aleatorio fue
introducido por Karl Pearson en 1905. Los resultados del anlisis de paseo aleatorio
ejemplo econmicos.
C. Estacionariedad estricta
tupla (t1, t2, t3, ..., tm) y todo entero k, el vector de variables (yt1, yt2, yt3, ..., ytm)
yt3+k, ..., ytm+k). Por ejemplo, para una dupla de periodos, es decir donde m=2,
(yt+k,ys+k), por lo que debe ser cierto que Cov (yt,yt-2) = Cov (ys,ys-2) = Cov
D. Estacionariedad dbil
siguientes condiciones:
E yt t
V yt 2 t 3.
Cov yt , yt -k Cov yt , yt k k t , k
En el caso que las series sean estacionarias en el sentido dbil, se podrn modelar a
relaciones.
y varianza.
La mayora de las series tienen una tendencia. Su valor medio cambia con el
2.4. Diferenciacin.
que las series que tienen esta propiedad exhiben una no estacionariedad
Figura 01.
t k t (1 )
yt m 1
0
yt ( m, ) 5.
ln y m 0
t
puede aplicarse o no por pura conveniencia (por ejemplo, para poder aplicar la
lim yt ( m, ) ln yt m
0
experiencia indica que suele ser necesario aplicar una transformacin logartmica y
diferenciar al menos una vez. Esto tiene una ventaja importante, ya que la primera
entonces: ln xt 1 ln xt ln(1 ) .
A partir de estas ideas, puede definirse el concepto de tasa logartmica
equivalente, que es una alternativa a la tasa porcentual ordinaria que, adems de las
que:
n
ln xn ln x0 ln xt ln xt 1
t 1
lineal entre la serie y su pasado k periodos hacia atrs. Sirve de instrumento para
tericamente como:
Cov yt , yt -k
k t, k 5.
V yt V yt -k
k
k 6.
o
T T
No obstante, hay que observar que, asinttica mente, 1
1 ,y ,
T-k T t 1 t k 1
y t - y yt - k - y
k t k 1
T 8.
yt - y
2
t 1
tiene yt yt k a nivel de muestra. Sin embargo para validar esta relacin, la misma
tiene que ser sometida a un test de significancia estadstica individual.
1 1 . . . k 1 k 1 1
1 . . . k 2 k 2 2
1
. . . . . . . .
. . . . . .
. . 9.
. . . . . . . .
k 1 k 2 . . . 1 kk k
1 1 1
1 1 1 1 2
1 2 1 3
11 1 ; 22 ; 33 2 ;......
1 1 1 1 2
1 1 1 1 1
2 1 1
10
1) Si los datos han sido generados por un modelo AR(p), tan slo los primeros
estadstico.
2) Si los datos han sido generados por un modelo MA(q), la FAP ser infinita y
necesario correr una regresin que relacione yt yt k pero en presencia de los rezagos
intermedios. As, por ejemplo, para hallar la FAP de orden 1 (que es igual a la FAS
yt 11 yt 1
yt yt -1 22 yt -2
Son aquellos que tienen como variables explicativas a los valores pasados de la
variable explicada, bajo el concepto que las series econmicas pueden ser explicadas,
yt yt -1 t 10.
yt 0 12.
12
2
En el caso de un t son cero excepto para k=0, cuando ==1.
Econometra de Series de Tiempo
Bustamante Roman, Rafael
Serie Apuntes de Clase. N 4. Septiembre de 2014. EAPE / FCE / UNMSM
Dado que todos los elementos de la sumatoria son ruido blanco3. Asimismo,
V y t 2 s 2 13.
s 0
2
V yt 14.
1 2
de la serie vendra dada por 1 , con lo que se garantiza una varianza finita y
positiva. Sin embargo, como veremos ms adelante, esta ser una condicin
AR (1), hay que establecer la relacin que existe entre yt y los errores de la ecuacin.
yt - k t s t - k - s t 0 15.
s0
E yt et-k = E f s et-s et-k = f k se2 16.
s=0
13
3
Note que este valor esperado ser 0 slo en el caso de modelos sin constante como el planteado en la
ecuacin (8). De lo contrario, el mencionado valor ser igual a la constante incluida.
En este caso el valor esperado planteado se hace distinto de cero siempre que s=k
Este anlisis demuestra que yt va a tener relacin con los errores pasados y presentes,
2
o 2
17.
1 2
y
k k 0 k0 20.
Adems, y como 1 , puede observarse que a medida que k crece, la FAC converge
a cero a ritmo .
Como vimos previamente k k , de forma tal que:
0
0 1
21.
1 0
1 22.
0 0
14
2 2 0
2 2 23.
0 0
Y en general,
k
k k k0 24.
0
De forma tal que a medida que k crece la FAS converge a cero al mismo ritmo .
autocorrelacin simple de un proceso AR(1) con > 0 y < 0. Como puede verse,
FAS de un proceso AR (1) con 1 > 0. FAS de un proceso AR (1) con 1 < 0
15
D. Anlisis de la FAP
intermedios, ya que indica el efecto marginal que tiene el ksimo rezago sobre el
ecuaciones propuestas por Yule Walker que nos dirn que el coeficiente ii 0 si i=1
y cero para los dems casos.
yt 11yt-1 t 9.
yt 11yt-1 10.
Siendo la FAP1 11
cero por definicin. Lo mismo ocurrir con las FAP's de rdenes superiores, por lo 16
4
Note que en este caso, como E(yt)=0, se trabaja directamente con la variable, la que equivale al desvo
correspondiente.
que podemos concluir que en este tipo de modelos la FAP es igual a cero para todo
Este proceso ser estacionario si se cumplen las tres condiciones siguientes sobre sus
coeficientes:
2 1 , 2 1 1 y 2 1 1
Es decir, el efecto individual del segundo rezago es menor que uno, as como su
efecto conjunto con el primer rezago y el marginal respecto a este ltimo. Estas
condiciones garantizarn que la varianza de la serie sea finita y positiva lo que, como
estacionariedad.
Dado que se trata de una serie estacionaria, las tres esperanzas de la expresin
17
F. Anlisis de la FAC
yt yt -k 1 yt -1 yt -k 2 yt -2 yt -k t yt -k 15.
yt yt -k 1 yt -1 yt -k 2 yt -2 yt -k t yt -k 16.
Por lo que se puede concluir que la FAC tambin sigue un proceso autorregresivo.
0 1 1 2 2 2 Cuando k=0 5
2 1 1 2 0 Cuando k=2
0
1 2 2
19.
1 2 1 2 12
2
18
5
Cuando k=0, el ltimo elemento de la ecuacin (30), E(t yt-k), no se hace cero, sino que es igual a k2, es
decir, 2.
6
Se deja al lector la demostracin de que, a partir de la expresin (33), es posible verificar que las
condiciones de estacionariedad mencionadas anteriormente garantizan una varianza finita y positiva.
1 0
1 20.
1 2
2 1 2 12
2 0 21.
1 2
G. Anlisis de la FAS
2 2
2 2 1 23.
0 1 2
As, en general7
k
k 1k-1 2 k-2 k0 24.
0
Como en el caso del FAC, el FAS de un AR (2) converge a cero ya que depende de
sus rezagos y de los 's, los cuales van cayendo a travs del tiempo; no obstante, no
19
7
Esta expresin puede ser verificada a partir de las ecuaciones (36) y (37). Por ejemplo, utilizando la primera
de ellas, y segn (38):
1 10 2 -1
lo que, usando la simetra que provee la estacionariedad de la serie, es igual a:
1 1 2 1
dado que 0=1. As,
1
1
1 2
en la que lo har.
como finalidad estimar los valores de la FAC y la FAS a partir de los estimadores de
estimacin de los 's, alternativo al de MCO, a partir de los valores estimados de los
's y de 2y
H. Anlisis de la FAP
estimar. As,
univariados, porque va a permitir identificar el orden del AR, el que coincide con el
Son aquellos que especifican la serie como un promedio ponderado de los errores
yt 0 t 1 t 1 2 t 2 3 t 3 ....
yt t -1 t 1 28.
2008).
E yt 0
V yt 2 2 12 2 1 12
29.
0 y2 1 2
1
2
21
1 yt yt 1 t t 1 t 1 t 2 2
1 1 1
2 yt yt 2 t t 1 t 2 t 3 0
1 1 30.
3 y t y t 3 0
k 0 k 1 31.
C. Anlisis de la FAS
0 1
1
1 1
0 1 2 1
32.
2
2 0
0
k 0 k 1 33.
D. Anlisis de la FAP
Dado que el modelo de medias mviles, tal y como est planteado en la ecuacin
(28), slo evidencia una relacin entre yt y los errores presentes y pasados, es 22
t yt 1t 1 34.
t 1 yt 1 1t 2
t 2 yt 2 1 t 3 35.
t yt yt 1 yt 2 t 3
1 1 1
36.
t yt yt 1 yt 2 t 3
2 3
1 1 1
37.
yt 1 yt 1 1 yt 2 1 t 3 t
2 3
38.
tiene que serlo. Para que esto ltimo se cumpla 1 tiene que ser menor que 1 en valor 23
absoluto, por lo que se dice entonces que un proceso MA ser invertible (es decir
Todo esto adems implica que la FAP de un proceso MA (1) converge a cero en
primer valor de la FAP ser positivo y luego alternar en signo ( Castro, 2008).
yt t 1t 1 2t 2 40.
Por lo que se puede deducir que su valor esperado y varianza son iguales a:
y t 0 41.
V yt 2 12 2 22 2 1 12 22 2 42.
F. Anlisis de la FAC
0 y2 1 12 22 2
2 1 1
1 yt yt 1 t t 1 t 2 t 1 t 2 t 3 2 2 2 2 1
1 1 1 2 1
1 2 1 1
2 yt yt 2 t t 1 t 2 t 2 t 3 t 4 2 2
24
3 0 43.
k 0 k2 44.
G. Anlisis de la FAS
0 1
1 1
1 1 22
0 1 1 22
2 2
2
0 1 12 22
3
3 0
0
Y generalizando:
k 0 k2
H. Anlisis de la FAP
como en el caso de este ltimo, esta funcin converge a cero bajo distintas formas,
respectivos s.
univariados, porque va a permitir identificar el orden del MA, el que coincide con
el rezago a partir del cual la FAS se hace cero (de Arce & Maha, 2007).
comportamiento de la serie.
yt 1 yt 1 t 1 t 1 45.
cuando la parte AR de la serie lo sea, mientras que ser invertible toda vez que 1 1
y t 0 46.
2
V ( yt ) yt 1 yt21 t2 1 t21 21 yt 1 t 21 yt 1 t 1 21 t t 1
2 2
47.
Al tomar esperanza al trmino del lado derecho varios elementos se hacen cero, de
V ( yt ) 1 V ( yt ) 2 2 2 21 2
2
26
V ( yt ) 1 1
2
1
2
1
2
211 48.
V ( yt )
2 1 12 211
1 1
2
B. Anlisis de la FAC
0 V ( yt )
2 1 12 211
1 1
2
1 yt yt 1 1 yt21 t yt 1 1 t 1 yt 1
(1 11 )(1 1 ) 2
1 1 0 1 2 49.
1 1
2
2 yt yt 2 1 yt 1 yt 2 t yt 2 1 t 1 yt 2
2 1 1
comportamiento:
k 1 k 1 k 1 50.
0 1
1 1 11 1 1
1 51.
0 1 1 211
2
27
2 1 1
2 1 1
0 0
Generalizando:
k 1 k 1
k 1 k 1 k 1 52.
0 0
Ntese, sin embargo, que ello ocurre desde el momento en que k>1, o mejor dicho,
a partir del momento en que k es mayor que el orden de la parte MA; ello es as
porque, como hemos visto antes, la FAC y FAS del MA se hace cero para todo k
mayor que su orden, por lo que en el comportamiento de estas funciones slo prima
Lo contrario ocurrir en el caso del FAP: a partir del k>1 primar el comportamiento
As:
Generalizando para los modelos ARMA de orden mayor podemos decir que, en el
28
29
M Decisin del analista por razones de Suele utilizarse para poder aplicar la
verosimilitud
estacionariedad.
nulos.
p y q
Una FAP infinita es caracterstica de un proceso
parcial no nulos.
30
nuestros datos, la eleccin del orden del mismo pasara entonces por la realizacin
parcial.
As, para determinar el orden de los modelos AR nos basaremos en la FAP, y para
FAP es igual a:
j ~ N 0,1/ T j p 53.
De otro lado, se sabe que en un ruido blanco las estimaciones de la FAS tienen una
distribucin de la forma:
j ~ N 0,1/ T j 54.
Por lo tanto, si las estimaciones de j caen en el intervalo 2/T para todo j mayor
Asimismo, si esto fuera cierto para todo j estaramos en presencia de un ruido blanco
propuesto.
31
MCO
yt yt 1
y 2
t 1
55.
observa que
Cov( yt 1 t ) 0
Cov( yt j 1 t ) 0
j 1 2
Por lo tanto, slo hay independencia contempornea, pero no con los valores futuros
de las yt .
1. Las variables explicativas no son exgenas, son endgenas rezagadas o
2. El estimador MCO es sesgado, es decir, . As:
y y
2
t 1
t 1 t
56.
y 2
t 1
yt 1 t
57.
y 2
t 1
yt 1 t
58.
yt 1
2
sesgo
32
Dado que yt no es exgena, no hay nada que garantice que la esperanza del cociente
MCO
prob
?
yt 1 t
59.
yt21
dividiendo por T el numerador y denominador de la expresin de la izquierda de
y
t 1 t
T
y 2
t 1
60.
T
estimador planteado, siendo el objetivo en este caso demostrar que es una normal.
y
t 1 t
yt 1 t T
T T 61.
y2
t 1 y 2
t 1
T
33
cociente que converja a una distribucin normal con media cero y varianza 1. Es
decir:
Nt
d
N (0,1) 62.
Dt
As, si definimos:
Nt yt 1 t 63.
Dt V (St ) V ( yt )V ( t ) T y2 2 T y 64.
forma que:
N t N t
= 66.
T y2 Dt y
y2
T N 0, 2 67.
d
2
N ,
d T 2 68.
y
34
Por lo tanto, es eficiente usar MCO para estimar modelos de series de tiempo
B. Modelo MA q
relacin entre la variable y sus valores pasados que con los respectivos errores). Sin
representar como un AR, o mejor dicho es invertible, deber ser cierto que i 1 ,
por lo que los rezagos ms alejados tendrn cada vez menor significancia para
donde n no debe ser mayor a la raz cubica del tamao de la muestra ( T 1/3 ) .
35
8
La regla prctica sugiere utilizar por lo menos 60 observaciones. Adems siempre es mejor utilizar series de
mayor cobertura que de ms periodicidad, es decir, 100 aos sern preferidos a 100 meses.
9
Cabe mencionar que un mtodo alternativo de estimacin de estos modelos es el de las ecuaciones de Yule-
Walker. El mismo tiene propiedades asintticas similares a MCO pero arroja estimaciones diferentes. La
prctica sugiere utilizar MCO.
De esta forma, el valor T1/3 ser continuamente utilizado para establecer el grado de
D. Modelo ARMA
etapas:
explicaremos ms adelante).
Box y Jenkins propusieron en 1976 una estrategia en tres etapas para seleccionar un
a. Etapa de identificacin
36
10
El primer problema puede ser corregido a travs de dummies construidas apropiadamente, y el segundo
por medio de la exclusin de los valores perdidos, si es que no se presentan problemas adicionales al hacerlo.
tambin eliminados, para ello existe una literatura basta acerca de los test para
mientras que la segunda har lo propio con los trminos AR. A partir de stos ser
b. Etapa de estimacin
Los modelos que arroja la primera etapa son estimados testeando la significancia de
correlograma. Aquellos que pasen esta primera prueba sern sometidos al anlisis
omitida, que en este caso sera un rezago omitido. Para verificar esta
2003):
37
k 2j
Q TT 2 2k p q
j1 T - j 69.
balance entre la mejora del ajuste del modelo y la prdida de grados de libertad que
AIC 2L / T 2K / T
SBC 2L / T K lnT / T
Se prefieren los modelos con AIK y SBC ms bajo, ya que a medida que se incorporan
tiene poder explicativo ambos estadsticos aumentan con su inclusin. Ntese que
por la cual, de haber contradiccin entre ellos, se preferir ste ltimo, adems de
c. Etapa de diagnstico
residuos, esto nos garantizar que al someter a las pruebas de inferencia de los
d. Prediccin
Sobre esta base, la fase siguiente consiste en utilizar el modelo estimado para
predecir los valores futuros de la serie econmica modelada, con las restricciones
e. Prediccin puntual
Se trata de predecir el valor futuro de la serie ventas sujeto al menor error posible.
En ese sentido, se demuestra que el predictor ptimo es aquel que hace mnimo el
ECM E (YT 1 p)
2
39
El predictor ptimo, que denotaremos mediante Y T l es decir el que minimiza la (
E (Yt 1 p)2 viene dado por:
Y T (l ) E (YT l / IT )
prediccin:
40
REFERENCIAS BIBLIOGRFICAS
Castro, J. (2008). Anlisis univariado de series de tiempo. Lima: Notas de Clase BCRP
55 Curso de Extensin Universitaria.
41