Apuntes de Clase Nro4 Series de Tiempo

N 04
Serie Apuntes de Clase Septiembre de 2014
Rafael Bustamante Roman
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECANA DE AMRICA)
FACULTAD DE CIENCIAS ECONMICAS
ESCUELA ACADMICO PROFESIONAL DE ECONOMA
La Serie Apuntes de Clase tiene por objetivo difundir los
materiales de enseanza generados por los docentes que
tienen a su cargo el desarrollo de las asignaturas que
forman parte del Plan de Estudios de la Escuela
Acadmico-Profesional de Economa de la Facultad de
Ciencias Econmicas de la Universidad Nacional Mayor de
San Marcos. Estos documentos buscan proporcionar a los
estudiantes la explicacin de algunos temas especficos
que son abordados en su formacin universitaria.
Calle Germn Amzaga N 375.

Ciudad Universitaria, Lima 1. Per.
Telfono 619-7000. Anexo 2208.
eapeco@unmsm.edu.pe
http://economia.unmsm.edu.pe/escuela/econ.htm
Econometra de Series de Tiempo
Rafael Bustamante Roman
Resumen
En estos apuntes de clase, se busca realizar un recuento del comportamiento de las
series econmicas y las condiciones que deben cumplir para su estacionariedad. La
estacionariedad de las series es requerida para su posterior modelacin
economtrica, siguiendo la metodologa Box y Jenkins. Se revisan conceptos como
estacionariedad, funciones de autocorrelacin simple y parcial entro otros.
Palabras Claves: Series de tiempo, estacionariedad, modelos ARMA (p, q)
Clasificacin JEL: C32, C40
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
El anlisis univariado de series de tiempo consiste en relacionar cada variable
exclusivamente con su pasado, identificando su condicin de estacionariedad y
descomponiendo sus elementos cclicos y tendenciales. Empezaremos este anlisis
con un par de definiciones bsicas (Beltrn Barco, 2003).
II. DEFINICIONES BSICAS.
2.1. Serie temporal.
Una serie temporal, ( yt , t = 1, 2,..., n), es un conjunto de observaciones o medidas
realizadas secuencialmente en intervalos predeterminados y de igual, o
aproximadamente igual, duracin. La caracterstica especfica de una serie temporal
es, por tanto, que las observaciones estn ordenadas en el tiempo (Beltrn Barco,
2003).
2.2. Proceso estocstico discreto (proceso estocstico discreto).
Un proceso estocstico discreto es una sucesin de variables aleatorias y t , donde
t= -,..., -2, -1, 0, 1, 2,.... Un proceso estocstico es un conjunto de variables
aleatorias correspondientes a distintos intervalos de tiempo. Consecuentemente,
una serie temporal puede considerarse como una realizacin muestral de la n
variables aleatorias que forman su proceso estocstico generador o la funcin e
distribucin conjunta que la genera.
La estructura probabilstica de un proceso estocstico queda completamente
definida por la distribucin conjunta de las variables del mismo. Evidentemente,
para caracterizar empricamente esta distribucin conjunta es necesario observar un
cierto nmero de realizaciones del proceso. En ciencias sociales, este proceso de
observacin repetida no suele ser posible. Es por ello que se utiliza hiptesis
simplificadoras de que el proceso estocstico es 1) lineal, 2) estacionario y 3)

1

Bustamante Roman, Rafael
gaussiano1. Cualquier proceso estocstico lineal de coeficientes fijos puede
expresarse de dos maneras:

yt s
t -s 1.
s0
p
yt y
s0
s t -s t 2.
Si t sigue una distribucin normal se dice que el proceso es gaussiano.
La expresin (1) se conoce como descomposicin de Wold mientras que la
expresin (2) se conoce como forma autorregresiva.
Puede demostrarse formalmente que ambas formulaciones son generales y
equivalentes en el sentido de que, bajo ciertas condiciones de estabilidad, si se
conocen los coeficientes i de un proceso estocstico es posible obtener los
correspondientes coeficientes i y viceversa.
A. El ruido blanco{ }
Es un proceso estocstico discreto con media cero, varianza constante e
independiente. El inters de este de proceso radica en que, si slo se cuenta con
informacin muestral acerca de su propio pasado, no puede realizarse ninguna
previsin mejor que su esperanza incondicional. Por tanto, los procesos de ruido
blanco de esperanza nula resultan tiles para caracterizar las propiedades ideales
del trmino de error de un modelo estocstico discreto dinmico.
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.

B. El random walk o camino aleatorio
Es un proceso estocstico discreto cuyas primeras diferencias son un ruido blanco,
es decir:
yt yt -1 t
yt yt -1 t
yt = t
Por ejemplo, el precio de una accin fluctuante y la situacin financiera de un
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
han sido aplicados a muchos campos como la computacin, la fsica, la qumica, la
ecologa, la biologa, la psicologa o la economa. La caracterstica de estas series es
que tienen un rumbo no definido que los hace imposible de recoger su
comportamiento en un modelo economtrico. En la figura 01 se muestra algunos
ejemplo econmicos.
Figura 01: Comportamiento de series econmicas caminos aleatorios.

C. Estacionariedad estricta
Un proceso estocstico discreto es estacionario en sentido estricto si para toda m-
tupla (t1, t2, t3, ..., tm) y todo entero k, el vector de variables (yt1, yt2, yt3, ..., ytm)
tiene la misma distribucin de probabilidad conjunta que el vector (yt1+k, yt2+k,
yt3+k, ..., ytm+k). Por ejemplo, para una dupla de periodos, es decir donde m=2,
(yt,ys) deben mostrar la misma distribucin de probabilidad conjunta que
(yt+k,ys+k), por lo que debe ser cierto que Cov (yt,yt-2) = Cov (ys,ys-2) = Cov
(ys+k,ys+k-2) = Cov (yt+k,yt+k-2) etc (Beltrn Barco, 2003).
D. Estacionariedad dbil
Un proceso estocstico discreto es estacionario en sentido dbil si se cumple las
siguientes condiciones:
E yt t
V yt 2 t 3.
Cov yt , yt -k Cov yt , yt k k t , k
E. Series de tiempo estacionarias
En el caso que las series sean estacionarias en el sentido dbil, se podrn modelar a
travs de un conjunto de especificaciones conocidas como los modelos AR, MA y
ARMA. El objetivo de los mismos es explicar el componente cclico de la serie (o su
componente estacionario) a travs de su pasado por medio de diferentes tipos de
relaciones.
En las Figura 02 se representan, respectivamente, las configuraciones tpicas de
series temporales generadas por procesos a) no estacionarios en media, b)
estacionarios en media pero no estacionarios en varianza y c) estacionarios en media
y varianza.

2.3. Caractersticas de las series temporales.
La mayora de las series tienen una tendencia. Su valor medio cambia con el
tiempo. Son las llamadas Series no estacionarias.
Algunas Series describen meandros, es decir, suben y bajan sin ninguna
tendencia obvia o tendencia a revertir hacia algn punto.
Algunas series presentan Shocks persistentes por lo que los cambios
repentinos en estas series tardan mucho tiempo en desaparecer.
Algunas series se mueven conjuntamente, es decir tienen co-movimientos
positivos, ejemplo: diferentes tasas de inters.
La Volatilidad de algunas series vara en el tiempo y esto produce que
puedan ser ms variables en una ao que en otro.
2.4. Diferenciacin.
La no estacionariedad en media puede resolverse diferenciando los datos. Se dice
que las series que tienen esta propiedad exhiben una no estacionariedad
homognea, de forma que una serie es homognea de grado d si la serie
transformada es estacionaria en media wt (1 L) yt yt .

d d
En la Figura 02 se puede observar el comportamiento de series estacionarias
obtenidas a partir de las series de series caminatas aleatorias presentadas en la
Figura 01.

Figura 02: Comportamiento de series econmicas estacionarias.
2.5. Transformaciones Box-Cox.
Si la dispersin de los datos vara en funcin de su esperanza de acuerdo con una
relacin del tipo:
t k t (1 )
yt m 1
0
yt ( m, ) 5.
ln y m 0
t
En donde el parmetro m da lugar a un cambio de origen arbitrario, que
puede aplicarse o no por pura conveniencia (por ejemplo, para poder aplicar la
transformacin logartmica a una serie que contiene algn dato negativo).

6

La definicin de la transformacin Box-Cox garantiza su continuidad, ya que
puede demostrarse que:
lim yt ( m, ) ln yt m
0
Adems de su efecto reductor de la heterocedasticidad, las transformaciones
Box-Cox tienen la propiedad de inducir normalidad en las muestras, lo que resulta
deseable para aplicar procedimientos de estimacin mximo-verosmil y de
contratacin estadstica de hiptesis (de Arce & Maha, 2007).
Por ltimo, cabe decir que en series histricas de naturaleza econmica, la
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
diferencia de una serie transformada logartmica mente puede interpretarse, de
forma aproximada, como una tasa de variacin porcentual ya que, si xt 1 (1 ) xt
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
buenas propiedades estadsticas que induce (estacionariedad en media,
estacionariedad en varianza y normalidad) tiene la ventaja de ser aditiva, esto es,
que:
n
ln xn ln x0 ln xt ln xt 1
t 1
2.6. Estadsticos de especificacin de modelos univariados.
La metodologa Box-Jenkins para la construccin de modelos univariantes es un
mtodo organizado de modelizacin que, a travs de distintas etapas, permite
obtener una representacin univariante de una serie temporal determinada en la

forma ARIMA p, d , q de modo que se satisfagan una serie de requisitos de calidad
(de Arce & Maha, 2007).
Antes de presentar dichos modelos, se mostrarn un conjunto de estadsticos
indispensables en su correcta identificacin.
Los instrumentos estadsticos fundamentales para la modelizacin segn la
metodologa Box-Jenkins son: la funcin de autocorrelacin muestral, los contrastes
de significacin conjunta de los coeficientes de autocorrelacin y la funcin de
autocorrelacin parcial (de Arce & Maha, 2007).
2.7. Funcin de autocovarianza (FAC).
La FAC de un proceso estocstico discreto y t es una funcin igual a:

k Cov yt , yt-k t, k 4.
Esta funcin de autocovarianza me va mostrar cual es el grado de asociacin
lineal entre la serie y su pasado k periodos hacia atrs. Sirve de instrumento para
2.8. Funcin de autocorrelacion simple (FAS).
La FAS de un proceso estocstico discreto y t es una funcin definida
tericamente como:
Cov yt , yt -k
k t, k 5.
V yt V yt -k
Esta funcin, en su versin muestral, es una herramienta muy efectiva para
modelar las series de tiempo econmicas

Ntese que, si la serie es estacionaria, las varianzas sern constantes a lo largo
del tiempo, es decir, V yt V yt k , con lo cual el denominador de (4) es
simplemente V (y) o o , por lo que:
k
k 6.
o
Para estimar la funcin de autocorrelacin simple de orden k, a nivel muestral,
de un proceso estocstico discreto, se utilizar el estimador tradicional dado por la
siguiente expresin (Beltrn Barco, 2003):

T
1
T -k
y t - y yt -k - y
k T
t k 1
T
7.
1 1
y - y y - y
2 2
t t -k
T t 1 T -K t k 1
T T
No obstante, hay que observar que, asinttica mente, 1

1 ,y ,
T-k T t 1 t k 1
por lo tanto, podemos reescribir (6) como:

T
y t - y yt - k - y
k t k 1
T 8.
yt - y
2
t 1
Lo que equivale a estimar el coeficiente de la ecuacin que relaciona yt yt k .

Es decir, esta funcin muestral nos muestra el grado de asociacin lineal que
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.

2.9. Funcin de auto correlacin parcial (FAP).
El coeficiente de autocorrelacin parcial k-simo ( kk ) de la serie yt se define como

el ltimo coeficiente de una autorregresin de la variable centrada sobre sus ltimos
k valores. Puede demostrarse que los coeficientes tericos de autocorrelacin parcial
pueden calcularse a partir de los coeficientes de autocorrelacin simple resolviendo
las ecuaciones de Yule-Walker:
1 1 . . . k 1 k 1 1
1 . . . k 2 k 2 2
1
. . . . . . . .

. . . . . .
. . 9.
. . . . . . . .

k 1 k 2 . . . 1 kk k
Para k = 1, 2, 3,..., de forma que:
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
Sustituyendo en las expresiones anteriores los coeficientes tericos por sus
correspondientes valores muestrales se puede calcular la funcin de autocorrelacin
parcial (FAP) muestral.
10

El inters de la FAP consiste en que sus coeficientes pueden interpretarse como
una estimacin del k-simo coeficiente de un modelo AR(k). Consecuentemente:
1) Si los datos han sido generados por un modelo AR(p), tan slo los primeros
p coeficientes de autocorrelacin parcial sern distintos de cero en el sentido
estadstico.
2) Si los datos han sido generados por un modelo MA(q), la FAP ser infinita y
tender a aproximarse a cero asintticamente.
2.10. Funcin de autocorrelacin parcial muestral (FAPM).
La FAP de un proceso estocstico discreto y t es igual a su FAS, pero corregida

por los rezagos intermedios, ya que indica el efecto marginal que cada trmino su k
tiene sobre t. En adelante, denominaremos a la FAP como k .
Para estimar la FAP de orden k de un proceso estocstico discreto es
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
del mismo orden, ya que no habra rezagos intermedios), se corre la regresin
(Beltrn Barco, 2003):
yt 11 yt 1
Donde ~y es la desviacin de y. Sin embargo, para estimar la FAP de orden 2,
se requiere correr la regresin:
yt yt -1 22 yt -2
Donde 22 es la FAP de orden 2, pero no es la FAP de orden 1. Algo similar
ocurre si queremos estimar la FAP de orden 3 corriendo la regresin:
yt yt-1 yt-2 33 yt-3 11

Siendo 3 la FAP de orden 3, pero teniendo en cuenta que ni ni son las
FAP de orden 1 y 2, respectivamente.
Tngase en cuenta, finalmente, que, como lo comprobaremos ms adelante, la FAS
y la FAP tienden a 0 en el caso de que las series sean estacionarias.2
2.11. Modelos autorregresivos.
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,
en gran magnitud, por su comportamiento pasado.
A. Modelo autorregresivo de orden 1, AR(1)
Este modelo tiene la siguiente especificacin funcional:
yt yt -1 t 10.
Donde t es ruido blanco. Hay que tener en cuenta, como lo veremos ms
adelante, que yt es estacionario si y slo s | | 1.
Podemos reescribir este modelo como una funcin de ruidos blancos,
reemplazando sucesivamente yt-1 y los rezagos que vayan apareciendo en la
ecuacin, de forma tal que se llegue a que:

yt s t -s 11.
s 0
De esta forma, a partir de (9) se puede verificar que:
yt 0 12.
12
2
En el caso de un t son cero excepto para k=0, cuando ==1.
Dado que todos los elementos de la sumatoria son ruido blanco3. Asimismo,

V y t 2 s 2 13.
s 0
Por lo que la varianza de la serie quedar determinado por:
2
V yt 14.
1 2
Observando la expresin (14) se confirma que la condicin de estacionariedad
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
necesaria pero no suficiente.
Antes de analizar el comportamiento de las funciones de autocorrelacin de un
AR (1), hay que establecer la relacin que existe entre yt y los errores de la ecuacin.
Podemos plantear sta a dos niveles:
La relacin de yt con errores futuros:

yt - k t s t - k - s t 0 15.
s0
En este caso el valor esperado planteado va a ser siempre igual a 0 ya que se
relacionan errores (ruidos blancos) no contemporneos.
La relacin de yt con errores presentes o pasados:

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
(momento en el cual se relacionan dos errores contemporneos), siendo k la
distancia que hay entre yt y t .
Este anlisis demuestra que yt va a tener relacin con los errores pasados y presentes,
pero nunca con los futuros.
B. Anlisis de la funcin de autocovarianza FAC
2
o 2
17.
1 2
y
1 yt yt-1 y2t-1 yt-1 t 0 0 18.
2 yt yt-2 yt-1yt-2 yt-2 t 1 0 2 0 19.
Y as sucesivamente, por lo que, en general, se puede decir que:
k k 0 k0 20.
Adems, y como 1 , puede observarse que a medida que k crece, la FAC converge
a cero a ritmo .
C. Anlisis de la funcin de autocorrelacin simple (FAS)

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 .
En las figuras 03 y 04 se representan, respectivamente, las funciones de
autocorrelacin simple de un proceso AR(1) con > 0 y < 0. Como puede verse,
la caracterstica fundamental de un proceso autorregresivo estacionario es que su
funcin de autocorrelacin simple es infinita.
Figura 03: Figura 04:
FAS de un proceso AR (1) con 1 > 0. FAS de un proceso AR (1) con 1 < 0
15

D. Anlisis de la FAP
La FAP de un PED yt es igual a su FAS, pero corregida por los rezagos
intermedios, ya que indica el efecto marginal que tiene el ksimo rezago sobre el
valor contemporneo del proceso. En adelante, denominaremos a la FAP como kk (

Castro, 2008) .
Primeramente podemos realizar el anlisis a nivel poblacional utilizando las
ecuaciones propuestas por Yule Walker que nos dirn que el coeficiente ii 0 si i=1
y cero para los dems casos.
Como se dijo anteriormente, para hallar la FAP es necesario correr regresiones
particulares en las que se relacione yt con el respectivo rezago y los intermedios.

As, para hallar la FAP de orden 1 se estima el modelo4:
yt 11yt-1 t 9.
De forma tal que:
yt 11yt-1 10.
Siendo la FAP1 11
Lo mismo se aplica en el caso de que k=2, usando el modelo
yt yt-1 22 yt-2 t 11.
yt yt-1 22 yt-2 12.
Donde, si tenemos en cuenta que se trata de un AR(1), el 22 o la FAP2 ser igual a
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
k>1 (de Arce & Maha, 2007).
E. Modelo autorregresivo de orden 2, AR (2)
Un proceso AR (2) se modela a travs de la siguiente especificacin:
yt 1yt-1 2 yt-2 t 13.
Donde t es ruido blanco.
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
ya se dijo anteriormente, es una condicin necesaria pero no suficiente de
estacionariedad.
Tomando la esperanza de la serie podemos comprobar que sta es igual a cero
(siempre que el modelo no tenga constante). As:
y t 1 y t-1 2 y t-2 14.
Dado que se trata de una serie estacionaria, las tres esperanzas de la expresin
anterior son iguales, por lo que E (yt) termina siendo cero.
17

F. Anlisis de la FAC
Para determinar la FAC de un proceso AR(2) es necesario trabajar con lo que se
conoce como las ecuaciones de Yule-Walker. Para ello se postmultiplica la ecuacin
(15) por yt-k, de forma que:
yt yt -k 1 yt -1 yt -k 2 yt -2 yt -k t yt -k 15.
Luego, a esta expresin se le toma el valor esperado:
yt yt -k 1 yt -1 yt -k 2 yt -2 yt -k t yt -k 16.
Obtenindose la siguiente expresin, para todo k>0
k 1 k-1 2 k-2 17.
Por lo que se puede concluir que la FAC tambin sigue un proceso autorregresivo.
As, y si tenemos en cuenta que p p , podemos utilizar (31) para escribir:
0 1 1 2 2 2 Cuando k=0 5
1 1 0 2 1 Cuando k=1 18.
2 1 1 2 0 Cuando k=2
Resolviendo el sistema de ecuaciones (32) es posible hallar 0, 1 y 2. As,6
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
A partir de estas expresiones, es posible demostrar que la FAC de un AR(2) converge
a cero, bajo diferentes formas, dependiendo de los valores que tomen 1 y 2.
G. Anlisis de la FAS
Utilizando las expresiones (19) (20), podemos escribir:

1
1 1 22.
0 1 2
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

se puede determinar a priori en qu momento esta funcin se har cero, ni la forma
en la que lo har.
Cabe mencionar, finalmente, que las ecuaciones de Yule-Walker debieran tener
como finalidad estimar los valores de la FAC y la FAS a partir de los estimadores de
los 's y del de 2. Sin embargo, en la prctica, se utiliza como un mtodo 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
La estimacin de la FAP requiere, otra vez, la estimacin de un conjunto de
ecuaciones donde el ltimo rezago incluido es el del orden respectivo de la FAP a
estimar. As,
y t 1y t -1 t , se usar para hallar la FAP1=1 25.
yt yt-1 22 yt-2 t , se usar para estimar la FAP2=2 26.
y as sucesivamente. Ntese que en la ecuacin (26) la FAP2 es igual, por definicin,
a 22 , mientras que la FAP1, que proviene de la estimacin de la ecuacin (26). Por
lo mismo, si deseamos hallar la FAP3, utilizando la ecuacin (27)
yt 1yt-1 2 yt-2 33 yt-3 t 27.
Observaremos que, de acuerdo a la especificacin del modelo (de orden 3), l 22

es cero. Esto ser adems cierto para todo k>2.
Finalmente, generalizando para procesos AR de orden p podemos decir que:
La FAC y la FAS convergen a cero de distintas formas dependiendo de los
signos de los respectivos s .

20
La FAP es igual a cero k > p.

De esta manera, la FAP va a ser de particular importancia en este tipo de modelos
univariados, porque va a permitir identificar el orden del AR, el que coincide con el
rezago a partir del cual la FAP se hace cero.
2.12. Modelo de medias mviles
Son aquellos que especifican la serie como un promedio ponderado de los errores
pasados, los cuales tambin pueden explicar el comportamiento de la serie
econmica. Los procesos de medias mviles pueden interpretarse como una
truncacin del proceso estocstico general (1) (Beltrn Barco, 2003).
yt 0 t 1 t 1 2 t 2 3 t 3 ....
A. Modelo de medias mviles de orden 1, MA (1)
Este modelo tiene la siguiente especificacin:
yt t -1 t 1 28.
Ntese que un proceso de medias mviles es siempre estacionario porque es una
combinacin lineal de ruidos blancos, y estos siempre son estacionarios ( Castro,
2008).
Tomando la esperanza y la varianza a la expresin 28 se puede verificar que:
E yt 0
V yt 2 2 12 2 1 12
29.
B. Anlisis de la funcin de autocovarianza (FAC)
En lo que respecta a la funcin de autocovarianza de este tipo de serie se tiene que:

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
Y as sucesivamente, por lo que podemos generalizar este resultado diciendo que:
k 0 k 1 31.
C. Anlisis de la FAS
A partir de la expresin 44 podemos hallar la FAS de una serie MA(1), dividiendo
los respectivos s entre o; as,
0 1
1
1 1
0 1 2 1
32.
2
2 0
0
Por lo que generalizando se tiene que:
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

necesario realizar un proceso de inversin a fin de rescatar la relacin entre la primera
y sus propios valores pasados. De esta forma, a partir de la mencionada expresin
tenemos que ( Castro, 2008):
t yt 1t 1 34.
y rezagando sucesivas veces obtenemos que:
t 1 yt 1 1t 2
t 2 yt 2 1 t 3 35.
Realizando los reemplazos de respectivos tenemos:
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.
De 37. Se puede despejar yt para obtener:
yt 1 yt 1 1 yt 2 1 t 3 t
2 3
38.
De lo que podramos concluir que, si continuramos reemplazando los rezagos de
los residuos t, entonces yt estara en funcin de su propio pasado en forma infinita:

yt 1 yt s t
s
39.
s 1
Ntese adems que la ecuacin (39) es la representacin AR de un proceso MA.
Debido a que un proceso MA es siempre estacionario, su representacin AR tambin
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
tendr una representacin AR estacionaria) si y slo s 1 1 .
Todo esto adems implica que la FAP de un proceso MA (1) converge a cero en
forma exponencial y bajo diferentes formas, dependiendo del signo de 1 : si es
positivo converge a cero, pero siempre con valores negativos; si es negativo, el
primer valor de la FAP ser positivo y luego alternar en signo ( Castro, 2008).
E. Modelo de medias mviles de orden 2, MA (2)
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
Utilizando procedimientos similares a los de los modelos vistos previamente, la FAC
de un MA (2) puede derivarse de la siguiente manera ( Castro, 2008):
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.
a partir de lo cual es posible generalizar que:
k 0 k2 44.
G. Anlisis de la FAS
De igual forma podemos derivar la FAS; as:
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
La FAP de un proceso MA(2) es algo ms difcil de analizar y requiere desarrollar
un procedimiento de inversin similar al del MA(1). En general, se puede decir que,
como en el caso de este ltimo, esta funcin converge a cero bajo distintas formas,
dependiendo de los signos de 1 y 2 (Beltrn Barco, 2003).
Finalmente, generalizando para procesos MA de orden q podemos decir que:
La FAC y la FAS son iguales a cero k > q.

25

La FAP converge a cero de distintas formas dependiendo de los signos de los
respectivos s.
De esta manera, la FAS va a ser de particular importancia en este tipo de modelos
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).
2.13. Modelo ARMA
Son aquellos que incorporan una parte AR y una MA en la especificacin del
comportamiento de la serie.
A. Modelo ARMA de orden 1, ARMA (1,1)
yt 1 yt 1 t 1 t 1 45.
De esta forma, el proceso ARMA (1,1) ser estacionario cuando 1 1, es decir,
cuando la parte AR de la serie lo sea, mientras que ser invertible toda vez que 1 1
Si tomamos valor esperado a 45 comprobaremos que:
y t 0 46.
Por lo que la varianza se puede hallar de la siguiente forma:
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
tal forma que:
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
Usando procedimientos similares a los de los modelos previos se tiene que:
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
Generalizando, la FAC de un proceso ARMA (1,1) tiene el siguiente
comportamiento:
k 1 k 1 k 1 50.
C. Anlisis de las FAS y la FAP
A partir de la estimacin de la FAC podemos derivar la FAS del modelo:
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
Las expresiones 49 y 52 nos permiten verificar que el comportamiento de la FAC y
la FAS de un ARMA (1,1) es muy similar al de un AR (1): decrece a una tasa 1 .
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
el componente AR de la serie (Beltrn Barco, 2003).
Lo contrario ocurrir en el caso del FAP: a partir del k>1 primar el comportamiento
del componente MA, porque la FAP de la parte AR se hace cero.
As:
FAS ARMA 1,1 FAS AR 1 para todo k 1

FAP ARMA 1,1 FAP MA 1 para todo k 1
Generalizando para los modelos ARMA de orden mayor podemos decir que, en el
caso de un modelo ARMA (p,q) se tiene que:
FAS ARMA p, q FAS AR p

FAP ARMA p, q FAP MA q
28

2.14. La metodologa Box-Jenkins para la construccin de modelos univariantes.
La metodologa Box-Jenkins para la construccin de modelos univariantes es un
mtodo estructurado de modelizacin que, a travs de distintas etapas, permite
obtener una representacin univariante de una serie temporal determinada en la
forma ARIMA p, d , q de modo que se satisfagan una serie de requisitos de calidad.
Los instrumentos estadsticos fundamentales para la modelizacin segn la
metodologa Box-Jenkins son: la funcin de autocorrelacin muestral, los contrastes
de significacin conjunta de los coeficientes de autocorrelacin y la funcin de
autocorrelacin parcial ( Castro, 2008).
A. Proceso iterativo de modelizacin.
En la Figura 05, se representa, en forma de diagrama de flujo, el proceso de
construccin de modelos segn esta metodologa propuesta por Box y Jenkins,
quienes proponen el comportamiento de la funcin de autocorrelacin simple y la
funcin de autocorrelacin parcial ( Castro, 2008).
29

Figura 05: Anlisis de los residuos e identificacin del modelo
Parmetro Instrumento de identificacin Observaciones
M Decisin del analista por razones de Suele utilizarse para poder aplicar la
conveniencia. transformacin logartmica a series que
contienen datos negativos o nulos.
Grfico media-desviacin estndar. Se elige con el objetivo de evitar que la varianza
de la serie dependa de su nivel

Grfico de la serie temporal
Estimacin del parmetro por mxima
verosimilitud
Grfico de la serie temporal Se elige con el objetivo de hacer que el nivel de
la serie sea aproximadamente constante.

D FAS y FAP: pautas de decrecimiento
(Ms o menos lineal) indican no
estacionariedad.
Trmino Media muestral de la serie transformada Si la media de la serie transformada y
y diferenciada diferenciada es significativa, el modelo debe

Constante
incluir un trmino constante.
Desviacin estndar de la media muestral
Una FAS infinita es caracterstica de un proceso
autorregresivo. Una FAS finita es caracterstica

FAS
de un proceso de media mvil, con q igual al
nmero de coeficientes de autocorrelacin no
nulos.
p y q
Una FAP infinita es caracterstica de un proceso
de media mvil. Una FAP finita es caracterstica

FAP
de un proceso autorregresivo, con p igual al
nmero de coeficientes de autocorrelacin
parcial no nulos.
30

Si suponemos que hemos elegido correctamente el tipo de modelo que se ajusta a
nuestros datos, la eleccin del orden del mismo pasara entonces por la realizacin
de pruebas de significancia basadas en las funciones de autocorrelacin simple y
parcial.
As, para determinar el orden de los modelos AR nos basaremos en la FAP, y para
el de los modelos MA en la FAS ( Castro, 2008).
Si el verdadero modelo es un AR (p), la distribucin de los valores estimados de la
FAP es igual a:
j ~ N 0,1/ T j p 53.
De forma tal que, si el estimado de J se encuentra en el intervalo 2/T, para todos
los valores de j mayores a p, entonces no se puede rechazar la hiptesis de que el
orden del modelo es igual o menor a p.
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
que q, entonces no podemos rechazar la hiptesis de que el modelo es un MA (q).
Asimismo, si esto fuera cierto para todo j estaramos en presencia de un ruido blanco
(Beltrn Barco, 2003).
El problema de este tipo de prueba es que se sospecha que la verdadera varianza de
las estimaciones de la FAP y la FAS ha sido sobreestimada, lo que producira
intervalos de confianza muy grandes que llevaran a dejar de aceptar la presencia de
una estructura autorregresiva importante. Ante este riesgo se propone utilizar
intervalos ms conservadores: 1.2 1.5 la desviacin estndar en vez del 2 antes
propuesto.
31

2.14. Estimacin de los modelos univariados
A. Modelo autorregresivo (Beltrn Barco, 2003) AR 1
En el caso de un AR 1 es posible estimar el utilizando MCO, es decir:
MCO
yt yt 1
y 2
t 1
55.
No obstante, hay un conjunto de observaciones alrededor de este estimador:
Por lo que al verificar la ortogonalidad entre la variable explicativa y el error, se
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
predeterminadas (explicadas en un periodo previo por el modelo).

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
entre corchetes sea cero, por lo que el sesgo no desaparece.
Ante esto es indispensable verificar las propiedades asintticas del estimador,
principalmente si es consistente o asintticamente insesgado, es decir:
MCO
prob
?
de la expresin (58) se puede concluir que:

yt 1 t
59.
yt21
dividiendo por T el numerador y denominador de la expresin de la izquierda de
(73) se tiene que:
y
t 1 t
T
y 2
t 1
60.
T
De esta forma, por la ley de grandes nmeros, el numerador tendera a cero y el
denominador a 2; consecuentemente todo el cociente tendera a cero,
comprobndose la convergencia en probabilidad del por MCO a su verdadero
valor, es decir, su consistencia.
De la misma manera, se pueden verificar las propiedades de la distribucin del
estimador planteado, siendo el objetivo en este caso demostrar que es una normal.
Para ello ser necesario formar la siguiente expresin:
y
t 1 t

yt 1 t T
T T 61.
y2
t 1 y 2
t 1
T
33

De esta forma, podemos utilizar el teorema de Lindberg-Feller para formar un
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.
Reemplazamos estas expresiones en (75), y tenemos en cuenta que el denominador
de dicha expresin converge en probabilidad a 2, podemos construir:

Nt
T
65.
2
y
Lo que puede rescribirse, multiplicando numerador y denominador por , de
forma que:
N t N t
= 66.
T y2 Dt y
Con ello y recordando la expresin (66), se puede determinar que:
y2
T N 0, 2 67.

d

Obteniendo de esa forma que:
2
N ,
d T 2 68.
y
34

Con lo que se demuestra la convergencia en distribucin del estimador MCO del
modelo AR 1 a una normal.
Por lo tanto, es eficiente usar MCO para estimar modelos de series de tiempo
siempre que tengamos muestras grandes.8
Este anlisis puede ser extendido a modelos AR de cualquier orden.9
B. Modelo MA q
La estimacin directa de los modelos MA involucra mtodos iterativos que
requieren valores iniciales predeterminados para los parmetros. Una alternativa
muy sencilla es usar la representacin AR de un MA, lo que adems tiene la ventaja
de facilitar la interpretacin de resultados (siempre es ms fcil interpretar la
relacin entre la variable y sus valores pasados que con los respectivos errores). Sin
embargo, surge el problema de que la representacin AR de un MA es infinita, por
lo que no podra ser estimada. Cabe recordar, no obstante, que si un MA se puede
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
explicar el valor presente de la variable en cuestin. Una aproximacin del punto de
corte relevante nos lo da el siguiente teorema ( Castro, 2008):
C. Teorema de Said y Dickey (1984):
Segn este teorema un proceso ARMA p, q se puede aproximar por un ARMA(n,0),
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
correlacin de la serie con su pasado, a fin de garantizar errores no correlacionados
en la ecuacin final estimada (Beltrn Barco, 2003).
D. Modelo ARMA
Para estimar un modelo de este tipo se propone un proceso de estimacin en dos
etapas:
Hallar la representacin AR (p) que se ajusta mejor a la serie que se analiza.
Verificar que los errores de la ecuacin estimada no estn correlacionados; de lo
contrario incorporar elementos MA a fin de resolver este problema.
De esta manera, se privilegiarn aquellos modelos con menor cantidad de trminos
MA y, muy probablemente, de menor grado (ms parsimoniosos, como lo
explicaremos ms adelante).
E. Mtodo de seleccin de modelos de Box-Jenkins
Box y Jenkins propusieron en 1976 una estrategia en tres etapas para seleccionar un
modelo univariado de series de tiempo que permitiera estimar y predecir en forma
adecuada. Estas etapas se detallan a continuacin (Beltrn Barco, 2003).
a. Etapa de identificacin
Consiste en un anlisis visual del grfico de la serie y su correlograma. El primero
permitir hallar cualquiera de los siguientes problemas:
La presencia de observaciones extremas o missing values (valores perdidos),
los cuales deben ser corregidos antes de empezar el anlisis.10
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.

La no estacionariedad en media o varianza de la serie, cuyo proceso de correccin
ser presentado ms adelante.
La existencia de cambios estructurales en la serie, los mismos que deben ser
tambin eliminados, para ello existe una literatura basta acerca de los test para
detectar los quiebres estructurales y las metodologas para su correccin
empleando las variables dummies.
Corregidos todos estos problemas ser necesario examinar la funcin de
autocorrelacin estimadas de la serie, especficamente la FASM y la FAPM. La
primera nos permitir establecer los posibles trminos MA presentes en el modelo,
mientras que la segunda har lo propio con los trminos AR. A partir de stos ser
posible construir diferentes combinaciones tentativas de dichos trminos que
arrojarn distintos modelos a estimar.
b. Etapa de estimacin
Los modelos que arroja la primera etapa son estimados testeando la significancia de
incluir las diferentes combinaciones de trminos identificados a partir del
correlograma. Aquellos que pasen esta primera prueba sern sometidos al anlisis
de correlacin de errores y al de parsimonia.
Correlacin de Errores: Se espera que el error de la ecuacin final sea ruido
blanco, ya que de lo contrario estara indicando un problema de variable
omitida, que en este caso sera un rezago omitido. Para verificar esta
condicin se utiliza el estadstico Q, sea el Box-Pierce (1970) o el Ljung-Box
(1978). Como es este ltimo el que usa el Eviews en el correlograma de los
errores, nos concentraremos en l. As, siendo la hiptesis nula (Beltrn Barco,
2003):
37

Ho = un conjunto de k correlaciones es igual a cero (error no est correlacionado) el

estadstico es:
k 2j
Q TT 2 2k p q
j1 T - j 69.
Para aceptar la nula Q debe ser un valor pequeo (y la probabilidad asociada a
aceptar la hiptesis nula mayor que 5% de nivel de significancia). Se preferir
entonces el modelo con menor Q.
Parsimonia: Se basa en la comprobacin de Box y Jenkins que modelos con
menor cantidad de parmetros a estimar, pero buen ajuste, producen mejores
predicciones que los modelos sobreparametrizados. Por ello, se busca
aquellos con menor cantidad de rezagos dado un nivel de ajuste aceptabl
(Beltrn Barco, 2003)e.
La parsimonia se evala a travs de los criterios de informacin, que representa un
balance entre la mejora del ajuste del modelo y la prdida de grados de libertad que
produce la incorporacin de nuevos regresores. Los principales criterios de
informacin utilizados en modelos temporales son:
Akaike Information Criterion (AIC)
AIC 2L / T 2K / T
Schwartz Bayesian Criterion (SBC)
SBC 2L / T K lnT / T
Donde K es el nmero de parmetros estimados (p+q en el caso de modelos
univariados), L es la funcin de verosimilitud que mide el ajuste del modelo y T es
el nmero de observaciones disponibles en TODOS los modelos que se comparan.

38

Se prefieren los modelos con AIK y SBC ms bajo, ya que a medida que se incorporan
reagresores aumenta K pero debera reducirse L en valor absoluto; si un regresor no
tiene poder explicativo ambos estadsticos aumentan con su inclusin. Ntese que
el SBC castiga mucho ms el nmero de regresores (por lo general Ln T > 2) razn
por la cual, de haber contradiccin entre ellos, se preferir ste ltimo, adems de
que tiene mejores propiedades para muestras grandes.
c. Etapa de diagnstico
Someter el modelo elegido a todas las pruebas tradicionales; especialmente verificar
si todava se observa autocorrelacin de errores o si estos han sido adecuadamente
corregidos de este problema. Adems los errores no deben presentar auto
correlacin y si se quiere ser ms estricto, aprobar la prueba de normalidad del os
residuos, esto nos garantizar que al someter a las pruebas de inferencia de los
estimadores del modelo muestral, estas sean vlidas.
d. Prediccin
El resultado de las etapas anteriores de la metodologa de Box and Jenkins es la
obtencin de un modelo estimado que sea compatible con la estructura de datos.
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
que estos modelos de series de tiempo univariante, pueden tener.
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
error cuadrtico medio de prediccin definido como:
ECM E (YT 1 p)
2
39

Donde YT 1 es el verdadero valor de la variable ventas en el periodo T+1 y p es la

prediccin puntual dad por el modelo.

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 )
El modelo obtenido se puede plantear como un modelo terico:
(1 2 L2 )(1 1L12 )wt (1 1L)(1 1L12 )ut
(1 1L 1L12 11L13 )wt (1 1L12 1L 11L13 )ut
Wt (1 L12 )(1 L) ln yt 1 L L12 L13
Realizando las multiplicaciones respectivas tenemos el modelo final para la
prediccin:
(1 (1 1 ) L12 (1 1 ) L ((1 1 ) (1 1 )1 ) L13 1 L2

(1 1 ) L13 11 L14 (1 1 ) L24 11 L25 11 L26 )
4 L18 1 L24 1 L25 11 L26 ) ln exp ort (1 1 L 1 L12 11 L13 )
1 3 L15 )ut
40

REFERENCIAS BIBLIOGRFICAS
Beltrn, A. (2003). Econometra de series de tiempo. Lima: Universidad del Pacfico.
Castro, J. (2008). Anlisis univariado de series de tiempo. Lima: Notas de Clase BCRP
55 Curso de Extensin Universitaria.
De Arce, R. y Maha, R. (2007). Tcnicas de previsin de variables financieras: Modelos

Arima. (M. d. Citius, Ed.)
41


Apuntes de Clase Nro4 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

Apuntes de Clase Nro4 Series de Tiempo

Transféré par

Droits d'auteur :

Formats disponibles

N 04

Serie Apuntes de Clase Septiembre de 2014

Rafael Bustamante Roman

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Calle Germn Amzaga N 375.

Rafael Bustamante Roman

En estos apuntes de clase, se busca realizar un recuento del comportamiento de las

series econmicas y las condiciones que deben cumplir para su estacionariedad. La

estacionariedad de las series es requerida para su posterior modelacin

economtrica, siguiendo la metodologa Box y Jenkins. Se revisan conceptos como

estacionariedad, funciones de autocorrelacin simple y parcial entro otros.

Palabras Claves: Series de tiempo, estacionariedad, modelos ARMA (p, q)

Clasificacin JEL: C32, C40

El anlisis univariado de series de tiempo consiste en relacionar cada variable

exclusivamente con su pasado, identificando su condicin de estacionariedad y

descomponiendo sus elementos cclicos y tendenciales. Empezaremos este anlisis

con un par de definiciones bsicas (Beltrn Barco, 2003).

II. DEFINICIONES BSICAS.

2.1. Serie temporal.

Una serie temporal, ( yt , t = 1, 2,..., n), es un conjunto de observaciones o medidas

realizadas secuencialmente en intervalos predeterminados y de igual, o

aproximadamente igual, duracin. La caracterstica especfica de una serie temporal

2.2. Proceso estocstico discreto (proceso estocstico discreto).

Un proceso estocstico discreto es una sucesin de variables aleatorias y t , donde

t= -,..., -2, -1, 0, 1, 2,.... Un proceso estocstico es un conjunto de variables

aleatorias correspondientes a distintos intervalos de tiempo. Consecuentemente,

una serie temporal puede considerarse como una realizacin muestral de la n

variables aleatorias que forman su proceso estocstico generador o la funcin e

distribucin conjunta que la genera.

La estructura probabilstica de un proceso estocstico queda completamente

definida por la distribucin conjunta de las variables del mismo. Evidentemente,

para caracterizar empricamente esta distribucin conjunta es necesario observar un

cierto nmero de realizaciones del proceso. En ciencias sociales, este proceso de

simplificadoras de que el proceso estocstico es 1) lineal, 2) estacionario y 3)

Econometra de Series de Tiempo

gaussiano1. Cualquier proceso estocstico lineal de coeficientes fijos puede

expresarse de dos maneras:

Si t sigue una distribucin normal se dice que el proceso es gaussiano.

La expresin (1) se conoce como descomposicin de Wold mientras que la

expresin (2) se conoce como forma autorregresiva.

Puede demostrarse formalmente que ambas formulaciones son generales y

equivalentes en el sentido de que, bajo ciertas condiciones de estabilidad, si se

conocen los coeficientes i de un proceso estocstico es posible obtener los

correspondientes coeficientes i y viceversa.

Es un proceso estocstico discreto con media cero, varianza constante e

independiente. El inters de este de proceso radica en que, si slo se cuenta con

informacin muestral acerca de su propio pasado, no puede realizarse ninguna

del trmino de error de un modelo estocstico discreto dinmico.

Econometra de Series de Tiempo

B. El random walk o camino aleatorio

Es un proceso estocstico discreto cuyas primeras diferencias son un ruido blanco,

Por ejemplo, el precio de una accin fluctuante y la situacin financiera de un

han sido aplicados a muchos campos como la computacin, la fsica, la qumica, la

ecologa, la biologa, la psicologa o la economa. La caracterstica de estas series es

que tienen un rumbo no definido que los hace imposible de recoger su

comportamiento en un modelo economtrico. En la figura 01 se muestra algunos

Figura 01: Comportamiento de series econmicas caminos aleatorios.

Econometra de Series de Tiempo

Un proceso estocstico discreto es estacionario en sentido estricto si para toda m-

tiene la misma distribucin de probabilidad conjunta que el vector (yt1+k, yt2+k,

(yt,ys) deben mostrar la misma distribucin de probabilidad conjunta que

(ys+k,ys+k-2) = Cov (yt+k,yt+k-2) etc (Beltrn Barco, 2003).

Un proceso estocstico discreto es estacionario en sentido dbil si se cumple las

E. Series de tiempo estacionarias