TEMA1

CAPÍTULO 1
SERIES TEMPORALES Y SUS

COMPONENTES
DATOS DE SERIES TEMPORALES

Dentro de las estructuras de datos más importantes, típicas en el trabajo
econométrico aplicado, tenemos los datos de series temporales. Un conjunto de
datos de series temporales consiste en observaciones sobre una variable o
distintas variables a lo largo del tiempo. Ejemplos típicos de datos de series
temporales son el producto interior bruto, la oferta monetaria, los índices de
precios al consumo, las tasas anuales de homicidios o las cifras de venta de
automóviles. Dado que los acontecimientos pasados pueden tener influencia
sobre acontecimientos futuros, y los efectos retardados en el comportamiento
de los individuos son frecuentes en ciencias sociales, el tiempo es un parámetro
importante en los conjuntos de series temporales.
Los datos de series temporales suelen utilizarse más en el análisis

macroeconómico, en contraposición a los datos de corte transversal, que se
utilizan sobre todo en análisis microeconómico. Las series temporales suelen ser
más difíciles de analizar que los datos de corte transversal debido a que casi nunca
podemos suponer que las observaciones económicas son temporalmente
independientes. La mayoría de las series temporales, ya sean económicas o no,
están relacionadas (a menudo fuertemente relacionadas) con su historia reciente.
Por ejemplo, nuestro conocimiento sobre el producto nacional bruto del trimestre
pasado nos dice bastante del nivel de PIB que podemos esperar para el trimestre en
curso ya que el PIB tiende a permanecer estable de un trimestre a otro. Otra
característica importante de los datos de series temporales es la periodicidad
con la que se recogen (semanal, mensual, trimestral, etc.) con el hecho adicional
de que muchas series temporales semanales, mensuales o trimestrales muestran una
característica estacional marcada que puede ser un factor importante en la
metodología del análisis de dichas series.
2 SERIES TEMPORALES
DESCOMPOSICIÓN CLÁSICA DE UNA SERIE TEMPORAL

Una serie temporal es una sucesión de valores en el tiempo. Designaremos
una serie temporal por Yik, donde el índice i toma los valores 1, 2, ..., N representando
por ejemplo años, y el índice k toma los valores 1, 2, ..., m representando por ejemplo
meses (m = 12) o trimestres (m = 4), o cualquier otra fracción de año. La teoría
clásica considera una serie de tiempo formada por cuatro componentes teóricas:
tendencia, variaciones estacionales, variaciones cíclicas y variaciones residuales
(Figura 1-1).
La tendencia viene dada por el movimiento general a largo plazo de la serie.
Designaremos a la tendencia por Tik. Las variaciones estacionales son oscilaciones
que se producen con un período igual o inferior a un año, y que se reproducen de
manera reconocible en los diferentes años. Designaremos a las variaciones
estacionales por Eik. Las variaciones cíclicas son oscilaciones que se producen con
un período superior al año, y que se deben principalmente a la alternancia de etapas
largas (ciclos) en las que se repite el comportamiento de la serie. Designaremos a las
variaciones cíclicas por Cik. Las variaciones residuales o irregulares son
movimientos en la serie que no muestran un carácter periódico reconocible y que son
originados por fenómenos singulares que afectan a la variable en estudio de manera
casual y no permanente. Designaremos a las variaciones residuales por Rik.
Las componentes teóricas de una serie temporal pueden combinarse de
diferentes formas, dando lugar a distintos esquemas de formación de la serie. El
esquema aditivo supone que Yik = Tik + Cik + Eik + Rik; el esquema multiplicativo
supone que Yik = Tik.Cik.Eik.Rik; el esquema mixto supone que Yik = Tik.Cik.Eik + Rik.
Un supuesto fundamental del análisis clásico es la independencia de las variaciones
residuales respecto de las demás componentes.
Figura 1-1
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 3
TENDENCIA DE UNA SERIE TEMPORAL: AJUSTE

ANALÍTICO, MEDIAS MÓVILES Y DIFERENCIAS
Centrándonos ya en el análisis de la tendencia, designaremos a la serie temporal
por Zt, dependiendo sólo del índice t (período de tiempo principal), ya que de lo que se
trata es de aislar el movimiento a largo plazo de la serie (no usamos el otro subíndice
porque, al hacer un estudio a largo plazo, no es relevante la subdivisión de cada período
principal en subperíodos).
Método de ajuste analítico

Para hallar la tendencia de una serie temporal mediante ajuste analítico,
realizamos un ajuste por regresión de los valores de la serie a una función del tiempo
que sea sencilla, y que recoja de manera satisfactoria la marcha general del
fenómeno representado por la serie temporal. Es común considerar entre otras las
funciones de ajuste Z(t) = a + bt (lineal), Z(t) = a + bt + ct2 (cuadrática), y Z(t) =
Exp(a+bt) (exponencial). No obstante pueden realizarse ajustes a tendencias de todo
tipo (logarítmicas, semilogarítmicas, polinómicas, potenciales, hiperbólicas...).
Tendencia lineal: Una línea de tendencia lineal es una línea recta Z(t) = a + bt que
se ajusta correctamente a los datos. Una línea de tendencia lineal normalmente
muestra que algo aumenta o disminuye a un ritmo constante. En el ejemplo de la
Figura 1-2, una línea de tendencia lineal muestra que las ventas de refrigeradores se
han incrementado de manera constante durante un período de 13 años. Observe que
el valor R-cuadrado es 0,9036, que es un buen ajuste de la línea respecto a los datos.
Figura 1-2
Tendencia logarítmica: Una línea de tendencia logarítmica Z(t) = log(a+bt) es una

línea curva muy útil cuando el índice de cambios de los datos aumenta o disminuye
rápidamente y, después, se estabiliza. Esta línea de tendencia logarítmica puede
utilizar valores positivos o negativos. En el siguiente ejemplo (Figura 1-3), se utiliza
una línea de tendencia logarítmica para mostrar el crecimiento previsto de la
población animal en un área determinada, donde la población se estabilizó al
reducirse el espacio para los animales. Observe que el valor R-cuadrado es 0,9407,
que es un ajuste relativamente bueno de la línea respecto a los datos.
4 SERIES TEMPORALES
Figura 1-3
Tendencia polinómica: Una línea de tendencia polinómica Z(t) = a + bt + ct2 +…+

ctn es una línea curva que se utiliza cuando los datos fluctúan según la ecuación de un
polinomio. Es útil, por ejemplo, para analizar las pérdidas y ganancias de un
conjunto de datos grande. El orden del polinomio se puede determinar mediante el
número de fluctuaciones en los datos, o en función del número de máximos y
mínimos que aparecen en la curva. Una línea de tendencia polinómica de orden 2
suele tener sólo un máximo o un mínimo. Una de orden 3 normalmente tiene uno o
dos máximos o mínimos. El orden 4 tiene más de tres. En el siguiente ejemplo
(Figura 1-4) se muestra una línea de tendencia polinómica de orden 2 (un máximo)
para ilustrar la relación entre la velocidad y el consumo de gasolina. Observe que el
valor R- cuadrado es 0,9474, que es un buen ajuste de la línea respecto a los datos.
Figura 1-4
Tendencia potencial: Una línea de tendencia de potencia es una línea curva Z(t) =
atb que se utiliza con conjuntos de datos que comparan medidas que aumentan a un
ritmo concreto; por ejemplo, la aceleración de un automóvil de carreras a intervalos
de un segundo. No es posible crear una línea de tendencia de potencia si los datos
contienen valores cero o negativos. En el siguiente ejemplo (Figura 1-5), los datos de
la aceleración se muestran trazando la distancia en metros por segundo. La línea de
tendencia de potencia demuestra la aceleración creciente. Observe que el valor
R-cuadrado es 0,9923, que es un ajuste casi perfecto de la línea respecto a los datos.
Figura 1-5
Tendencia exponencial: Una línea de tendencia exponencial es una línea curva Z(t)
= Exp(a+bt) que es muy útil cuando los valores de los datos aumentan o disminuyen
a intervalos cada vez mayores. No es posible crear una línea de tendencia
exponencial si los datos contienen valores cero o negativos. En el siguiente ejemplo
(Figura 1-6) se utiliza una línea de tendencia exponencial para mostrar la cantidad
decreciente de carbono 14 que contiene un objeto a medida que envejece. Observe
que el valor R-cuadrado es 1, es decir, la línea se ajusta a los datos perfectamente.
Figura 1-6
Tendencia de media móvil: Una línea de tendencia de media móvil atenúa las
fluctuaciones en los datos para mostrar con mayor claridad la trama o la tendencia.
Una media móvil utiliza un número concreto de puntos de datos (establecido por la
opción Período), hace un promedio de los mismos, y utiliza el valor del promedio
como punto de la línea; por ejemplo, si el valor de Período está establecido en 2, el
promedio de los dos primeros puntos de datos se utiliza como el primer punto en la
línea de tendencia de media móvil. El promedio de los puntos de los datos segundo y
tercero se utiliza como el segundo punto de la línea de tendencia, etc. En el siguiente
ejemplo (Figura 1-7), la línea de tendencia de media móvil muestra una trama en el
número de casas vendidas durante un período de 26 semanas.
Figura 1-7
Método de las medias móviles

El método de las medias móviles de orden p analiza la tendencia de una serie
temporal a partir del resumen de los datos iniciales mediante determinadas medias de
los mismos elaboradas de la siguiente forma:
Si p es impar se forman medias relativas a los instantes (p+1)/2, (p+3)/2,

(p+5)/2, ... (que serán valores enteros porque p es impar). La serie de medias es la
siguiente:
y1  y 2   y p y 2  y3   y p 1 y3  y3   y p  2
y p 1  , y p 3  , y p 5  ,
2
p 2
p 2
p
6 SERIES TEMPORALES
Si p es par se forman medias relativas a los instantes (p+1)/2, (p+3)/2, (p+5)/2,

... (que no serán valores enteros porque p es par). A continuación se hallan nuevas
medias móviles entre cada dos medias móviles originales consecutivas, que serán ahora
relativas a los instantes (p+2)/2, (p+4)/2, (p+6)/2, ... (que ya serán valores enteros porque
p es par). La serie de medias móviles se observa en la Figura 1-8.
y p 1  y p  3 y p 3  y p  5
y p2  2 2
, y p4  2 2
,
2
p 2
p
Figura 1-8
Una vez obtenida la serie de medias móviles, la tendencia será la línea que las une.
Método de las diferencias

Consiste en derivar de la serie original yt una nueva serie zt obtenida como la
diferencia entre el valor de la variable en el momento actual y el valor en el momento
inmediatamente anterior zt = yt – yt-1 = yt. Se puede comprobar si zt crece o decrece
a largo plazo, o si oscila alrededor de un mismo valor. En este segundo caso la serie
ya no tendría tendencia, pero en el primero habría que seguir calculando una nueva
serie de diferencias wt definida como wt = zt – zt-1 = zt = yt = 2yt y así
sucesivamente hasta encontrar un serie aleatoria sin tendencia.
TENDENCIA EN SERIES TEMPORALES CON SPSS

SPSS permite trabajar con los métodos de ajuste analítico de series
temporales. Para ello dispone del procedimiento Regresión curvilínea. Los ajustes
por medias móviles y por diferencias se realizan utilizando funciones a medida.
Para ilustrar el procedimiento, a partir del archivo tendencia.sav, buscamos el

mejor ajuste polinómico, exponencial, potencial o logarítmico que explique la
evolución de la variable Z en función del tiempo t. Para ello elegimos Analizar 
Regresión  Estimación curvilínea (Figura 1-11) y rellenamos la pantalla de entrada
como se indica en la Figura 1-12. En el campo Modelo señalamos Lineal, Logarítmico,
Compuesto, Crecimiento, Exponencial, Cuadrático y Cúbico para probar el ajuste de
los siete tipos de modelo a los datos de la serie temporal Z(t). También señalamos
Incluir constante en la ecuación, Mostrar tabla ANOVA y Representar los modelos
(para obtener una idea del más adecuado). Con el botón Guardar se almacenan los
valores pronosticados y los residuos. Si introducimos varias variables dependientes, por
cada una de ellas se ajusta un modelo distinto.
Figura 1-11 Figura 1-12
Al pulsar Continuar y Aceptar se obtienen como salida del procedimiento el

ajuste simultáneo de los siete modelos elegidos.
Dependent variable.. Z Method.. LINEAR
Listwise Deletion of Missing Data
Multiple R ,95485
R Square ,91173
Adjusted R Square ,90709
Standard Error 1,56218
Analysis of Variance:
DF Sum of Squares Mean Square
Regression 1 478,94675 478,94675

Residuals 19 46,36797 2,44042
F = 196,25590 Signif F = ,0000
-------------------- Variables in the Equation --------------------
Variable B SE B Beta T Sig T
t ,788675 ,056297 ,954847 14,009 ,0000

(Constant) 46,642667 ,706898 65,982 ,0000
Observamos que el ajuste al modelo de tendencia lineal es bastante bueno

con un valor alto de R2 ajustado y con una significatividad conjunta e individual de
los parámetros muy alta (p-valores de la F y de la T prácticamente nulos). La
ecuación de la tendencia es:
Z(t) = 46,642667 +0,788675 t
A continuación se presenta el ajuste del modelo logarítmico.

Dependent variable.. Z Method.. LOGARITH

8 SERIES TEMPORALES
Multiple R ,92801
R Square ,86121
Regression 1 452,40430 452,40430

Residuals 19 72,91042 3,83739
F = 117,89373 Signif F = ,0000
t 5,817143 ,535753 ,928012 10,858 ,0000

(Constant) 42,747488 1,234137 34,638 ,0000
Observamos que el ajuste al modelo de tendencia logarítmico también es

bastante bueno con un valor alto de R2 ajustado y con una significatividad conjunta e
individual de los parámetros muy alta (p-valores de la F y de la T prácticamente
nulos). La ecuación de la tendencia es:
Z(t) = 42,747488 +5,817143 Ln(t)
A continuación se presenta el ajuste del modelo cuadrático.
Dependent variable.. Z Method.. QUADRATI
Multiple R ,97595
R Square ,95248
Regression 2 500,35233 250,17617

Residuals 18 24,96239 1,38680
F = 180,39824 Signif F = ,0000
t 1,468263 ,178107 1,777623 8,244 ,0000

t**2 -,030890 ,007863 -,847176 -3,929 ,0010
(Constant) 44,037579 ,850669 51,768 ,0000
Observamos que el ajuste al modelo de tendencia cuadrática es bastante

bueno con un valor alto de R2 ajustado y con una significatividad conjunta e
nulos). La ecuación de ajuste es:
Z(t) = 44,037579 +1,468263 t -0,03890 t2
A continuación se presenta el ajuste del modelo cúbico.

Dependent variable.. Z Method.. CUBIC
Multiple R ,98338
R Square ,96703
Regression 3 507,99716 169,33239

Residuals 17 17,31757 1,01868
F = 166,22718 Signif F = ,0000
t ,427162 ,409550 ,517164 1,043 ,3116

t**2 ,084710 ,042733 2,323185 1,982 ,0638
t**3 -,003503 ,001279 -1,972936 -2,739 ,0140
(Constant) 46,164620 1,065092 43,343 ,0000
Observamos que el ajuste al modelo de tendencia cúbica presenta problemas

de significatividad en la constante, por lo que no será elegido.
A continuación se presenta el ajuste del modelo compuesto.
Dependent variable.. Z Method.. COMPOUND
Multiple R ,95190
R Square ,90611
Standard Error ,02978
Regression 1 ,16260057 ,16260057

10 SERIES TEMPORALES
Residuals 19 ,01684833 ,00088675
F = 183,36598 Signif F = ,0000
t 1,014638 ,001089 2,590623 931,845 ,0000

(Constant) 46,948040 ,632621 74,212 ,0000
Observamos que el ajuste al modelo de tendencia compuesta es bastante

bueno con un valor alto de R2 ajustado y con una significatividad conjunta e
nulos). La ecuación de ajuste es:
Z(t) = 46,948040 *1,014638t

A continuación se presenta el ajuste al modelo de la curva S.
Dependent variable.. Z Method.. S
Multiple R ,71974
R Square ,51803
Regression 1 ,09295940 ,09295940

Residuals 19 ,08648951 ,00455208
F = 20,42130 Signif F = ,0002
t -,310270 ,068659 -,719741 -4,519 ,0002

(Constant) 4,062749 ,018942 214,479 ,0000
Observamos que el ajuste a la curva S es bastante bueno con una significatividad

conjunta e individual de los parámetros muy alta (p-valores de la F y de la T prácticamente
nulos), pero con un valor alto de R2 no demasiado bueno. La ecuación de ajuste es:
Z(t) = e 4,062749 – 0,31027/t

A continuación se presenta el ajuste al modelo de la curva de crecimiento.
Dependent variable.. Z Method.. GROWTH
Multiple R ,95190
R Square ,90611
Regression 1 ,16260057 ,16260057

Residuals 19 ,01684833 ,00088675
F = 183,36598 Signif F = ,0000
t ,014532 ,001073 ,951898 13,541 ,0000

(Constant) 3,849041 ,013475 285,645 ,0000
Observamos que el ajuste a la curva de crecimiento es bastante bueno con

una significatividad conjunta e individual de los parámetros muy alta (p-valores de la
F y de la T prácticamente nulos), y un valor alto de R2. La ecuación de ajuste es:
Z(t) = e 3,849041 + 0,14532 t
A continuación se presenta el ajuste al modelo exponencial.

Dependent variable.. Z Method.. EXPONENT
Multiple R ,95190
R Square ,90611

Regression 1 ,16260057 ,16260057
Residuals 19 ,01684833 ,00088675
F = 183,36598 Signif F = ,0000
t ,014532 ,001073 ,951898 13,541 ,0000

(Constant) 46,948040 ,632621 74,212 ,0000
Observamos que el ajuste al modelo exponencial es bastante bueno con un valor

alto de R2 ajustado y con una significatividad conjunta e individual de los parámetros
muy alta (p-valores de la F y de la T prácticamente nulos). La ecuación de ajuste es:
peso = 46,948040 e 0,014532 t
A continuación se presenta el gráfico de ajuste de todos los modelos (Figura 1-13).
Figura 1-13
TENDENCIA EN SERIES TEMPORALES CON STATGRAPHICS
Statgraphics analiza ampliamente el ajuste de los datos de una serie temporal

a una tendencia a través de la regresión. Aporta procedimientos para la regresión
simple lineal y no lineal, para la regresión logística, para la regresión múltiple, para
la regresión paso a paso y otras técnicas avanzadas. Los procedimientos simples a
utilizar se implementan en la opción Dependencia de la barra de menú principal,
cuyo menú desplegable se presenta en la Figura 1-38
Figura 1-38
La opción Regresión Simple del menú Dependencia resuelve un modelo de

regresión con una sola variable independiente, utilizando el ajuste por mínimos
cuadrados. Este procedimiento contempla los siguientes modelos:
 Lineal  Y = a + bX
 Multiplicativo  Y = aXb o LnY = Lna + bLnX
 Exponencial  Y = e a+bx o Lny = a + bx

 Recíproco-Y  1/Y = a + bX
 Recíproco-X  Y = a+b/X
 Doble Recíproco  Y = 1/(a+bX)
 Logarítmico-X  Y = a+b(Log X)
 Raiz cuadrada-X  Y = a+bsqrt(X)
 Raíz cuadrada-Y  Y = (a+bX)2
 S-curva  Y = exp(a+b/X)
 Logístico  Y = exp(a+bX)/(1+exp(a+bX)
 Log Probit  Y = normal(a+b(Log X)
Podemos graficar la línea de ajuste y los residuos para todos los modelos. El
sistema también genera y grafica predicciones para valores dados de X o Y. También
se pueden guardar residuos y predicciones para posteriores análisis.
La opción Regresión Múltiple del menú Dependencia resuelve un modelo de

regresión múltiple con varias variables independientes, utilizando el ajuste por
mínimos cuadrados. Esta opción permite ajustar la tendencia de una serie a una
función del tiempo y de otras funciones de la propia variable tiempo (potencias,
logaritmos, etc) simultáneamente.
Statgraphics permite el ajuste de la tendencia de una serie temporal a una

función polinómical del tiempo a través de la regresión no lineal polinomial
utilizando como curva de ajuste un polinomio univariante de hasta orden 8. Para ello
se utiliza la opción Regresión Polinomial del menú Dependencia.
Como ejemplo ilustrativo se utilizan los datos de la Contabilidad Nacional de

España que muestran la evolución en el periodo 1970-1990 del porcentaje del sector
servicios en el PIB a precios corrientes:
Años  1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980
% Serv. 47,23 48,01 48,00 48,06 48,99 50,71 51,85 53,06 54,25 55,62 57,04
Años  1981 1982 1983 1984 1985 1986 1987 1988 1989 1990
% Serv. 58,16 59,24 59,81 61,09 59,43 58,79 59,68 59,96 60,43 61,82
A partir de esta información se representará la serie y se propondrá una

función tendencia que pueda adaptarse correctamente a los datos de entre las dos
siguientes:
a) Tendencia lineal del tipo %Serviciost =  + Tiempot + t

c) Tendencia cuadrática del tipo %Serviciost=+1Tiempot+2Tiempot2 +t
Asimismo se estudiará cuál de las dos estimaciones proporciona un mejor

ajuste estadístico, se analizarán los residuos de ambas estimaciones y se interpretará
el comportamiento oscilante de los residuos. De cara a la predicción se estudiará si es
correcto emplear alguno de los modelos propuestos y en caso afirmativo se realizarán
predicciones del porcentaje del sector servicios en el PIB para los años 1991 al 2000
mediante el modelo de tendencia más adecuado
Comenzamos introduciendo los datos del problema en dos variables con la
hoja de cálculo de Statgraphics, de nombres PERIODO y SERVICIOS, que se
guardarán en el fichero de nombre cap9.sf3.
Para ver si es adecuada la relación lineal, cuadrática o de otro tipo entre las
variables PERIODO y SERVICIOS utilizamos el procedimiento Gráfico X-Y de la
opción Gráficos de Dispersión del menú Gráficos, cuya pantalla de entrada se rellena
introduciendo la variable SERVICIOS en el campo Y, y la variable PERIODO en el
campo X.
Al pulsar Aceptar se obtiene la gráfica de la Figura 1-39, que presenta un

conjunto de puntos que no es fácilmente ajustable por una recta ni por una curva
determinada.

Para realizar el ajuste por una recta, rellenamos la pantalla de entrada de la
opción Regresión Simple del menú Dependencia (Figura 1-40), situando la variable
SERVICIOS en el campo Y, y la variable PERIODO en el campo X. Al pulsar
Aceptar se obtienen las estimaciones de los parámetros y el contraste de significación
de los mismos.
La pendiente del modelo y la constante resultan significativos al 95% (se

rechaza la hipótesis nula de que valgan cero) ya que el p-valor es menor que 0,05.
Además, tanto el coeficiente de determinación como el coeficiente de correlación,
son muy altos, lo que favorece el ajuste. El contraste global del modelo también es
muy bueno (p-valor de la F nulo). Hay autocorrelación (p-valor DW menor de 0,05).
Si representamos los residuos contra la variable tiempo utilizando la opción
gráfica Residuos Frente a Número de Fila, obtenemos la gráfica de la Figura 1-41.
Se observa que los puntos no se distribuyen aleatoriamente, sino que siguen una
tendencia aproximadamente cuadrática (Parece lógico un ajuste cuadrático). Por lo
tanto pueden existir problemas en el modelo de no linealidad, heteroscedasticidad y
autocorrelación. La misma gráfica se obtiene al utilizar las opciones gráficas
Residuos Frente a Predichos y Residuos Frente a X.
Para realizar el ajuste por un polinomio de segundo grado, rellenamos la

pantalla de entrada del procedimiento Regresión Polinomial del menú Dependencia,
introduciendo la variable SERVICIOS en el campo Y, y la variable PERIODO en el
campo X (Figura 1-42). Al pulsar Aceptar se obtienen las estimaciones de los
parámetros y el contraste de significación de los mismos. Los parámetros estimados del
modelo y el modelo global resultan significativos al 95% (se rechaza la hipótesis nula
de que valgan cero) ya que el p-valor es menor que 0,05. Además, el coeficiente de
determinación es muy elevado, lo que favorece el ajuste. Sin embargo el estadístico de
Durbin Watson presenta un p-valor menor que 0,05 que indica autocorrelación.
Si representamos los residuos contra el número de fila, obtenemos la gráfica

de la Figura 1-43. Se observa que los puntos no se distribuyen aleatoriamente, sino
que siguen una tendencia cúbica. Por lo tanto pueden existir problemas en el modelo
de no linealidad, heteroscedasticidad y autocorrelación. La misma gráfica se obtiene
al utilizar las opciones gráficas Residuos Frente a Predichos.
A pesar de los posibles problemas de no linealidad, heteroscedasticidad y

autocorrelación detectados para ambos ajustes, una vez estimadas ambas regresiones, se
observa que la que presenta un mejor ajuste estadístico es la de tipo cuadrático, con un
coeficiente de determinación más elevado que el correspondiente a la tendencia lineal.
Sin embargo, los citados problemas orientan a la no utilización del modelo para las
predicciones, pero si hay que predecir, se utilizaría el modelo cuadrático.Para realizar
las predicciones del porcentaje del sector servicios en el PIB para los años 1991 al
1995 usamos el modelo cuadrático y utilizamos la opción tabular Predicciones
(Figura 1-44), sobre cuya pantalla de salida pulsamos el botón derecho del ratón y
elegimos la opción Opciones de Ventana del menú emergente resultante, para
obtener la caja de dialógo Opciones Predicciones, que se rellena como se indica en la
Figura 1-45.
En el campo Predicción a X se introducen los valores 22 al 26 ya que los

años para los que se quieren las predicciones son precisamente desde el 22-avo al 26-
avo de la serie total considerada. No olvidemos que la variable PERIODO toma los
valores desde el 1 al 21.
Al pulsar Aceptar en la caja de diálogo Opciones Predicciones, se obtienen

las predicciones pedidas, así como intervalos de confianza al 95% para las mismas.
La opción gráfica Gráfico del Modelo Ajustado nos lleva a la Figura 1-46,
en la que se observa la función cuadrática de ajuste y las bandas de confianza para
los valores ajustados y para las predicciones. Si sobre la gráfica de ajuste pulsamos
el botón derecho del ratón y elegimos la opción Opciones de Ventana del menú
emergente resultante, se obtiene la caja de dialógo Gráfico del Modelo Ajustado
Options, en cuyo campo Include se puede elegir solo los intervalos de confianza
para las predicciones (botón Límites de Predicción), solo los intervalos de
confianza para los puntos de la serie (botón Límites de Confianza) o ambas cosas a
la vez (ambos botones seleccionados, que es nuestro caso).
TENDENCIA EN SERES TEMPORALES CON EVIEWS

Supongamos que disponemos de un archivo de Eviews con la evolución de las
ventas anuales de una empresa desde 1972 a 1983 con los datos que se observan en la
Figura 1-75. Se trata de ajustar estos datos a una tendencia lineal ya una tendencia
parabólica de segundo grado.
Figura 1-75
Para realizar el ajuste lineal con Eviews, se elige Quick  Estimate Equation
(Figura 1-75), se rellena la pantalla Equation Specification de la solapa Specification
como se indica en la Figura 1-76 eligiendo Least Squares en el campo Method (para
ajustar por mínimos cuadrados) y se hace clic en Aceptar. Se obtienen los resultados de
la Figura 1-77. Si queremos un ajuste parabólico de segundo orden se rellena la pantalla
Equation Specification de la solapa Specification como se indica en la Figura 1-78
eligiendo Least Squares en el campo Method (para ajustar por mínimos cuadrados) y se
hace clic en Aceptar. Se obtienen los resultados de la Figura 1-79.


Tanto el coeficiente de determinación (R-squared) como el coeficiente de
determinación (Ajusted R-squared) ajustado son altos en ambos ajustes. En el ajuste
lineal la significatividad de la constante es baja (inferior al 70% porque el p-valor es
0,36). En el ajuste parabólico la significatividad del término de orden uno es muy baja
(p-valor muy alto). Por lo tanto, puede ser mejor el ajuste lineal que el parabólico. Si
sobre la salida de la estimación elegimos View  Representations, se obtienen las
ecuaciones de ajuste lineal y parabólico (Figuras 1-80 y 1-81)
VARIACIONES ESTACIONALES: MEDIAS MÓVILES,

DIFERENCIAS ESTACIONALES Y VARIABLES FICTICIAS
Ya sabemos que las variaciones estacionales son oscilaciones que se producen
con un período igual o inferior a un año, y que se reproducen de manera reconocible en los
diferentes años.
El motivo principal que induce a estudiar la componente estacional es que en la

inmensa mayoría de las series económicas dicha componente provoca una distorsión de su
verdadero movimiento. Para eliminar estas distorsiones y captar el movimiento real de la
serie, es necesario eliminar las oscilaciones estacionales desestacionalizando la serie.
La desestacionalización es una tarea no trivial que ha dado lugar a multitud

de estudios y algoritmos, entre los que destacan los programas X11 y X12 del
Bureau of the Census de Estados Unidos. A nivel trivial, existen varios métodos de
desestacionalización. Los más sencillos son el método de la tendencia, el método de
las medias móviles y el método de las diferencias estacionales, a los que
intentaremos aproximarnos aquí.
Cuando se representa una serie temporal mediante yt, se suponen todas las
observaciones ordenadas una detrás de otra tal y como se van produciendo (t = 1, 2,
…, T). Cuando representamos una serie temporal por yik , estamos considerando
explícitamente el año i (i = 1, 2, …, N) y la estación del año k (k = 1, 2, …., m).
Cuando la estación es el año, m = 12 , y cuando es el trimestre, m = 4. Siempre se
tiene que T = Nm
Método de desestacionalización de la tendencia o método de las

relaciones de medias mensuales respecto a la tendencia
El método de desestacionalización de la tendencia consta de los pasos siguientes:
 Ajustar una recta por mínimos cuadrados y i. = a  bi a las medias anuales de los
1 m
datos observados yi.   yik .
m k 1
N
y
1
 Calcular las medias mensuales en los diferentes años y.k  ik k = 1, 2, …, m.
N i 1
 Aislar la componente estacional obteniendo la serie de medias mensuales

b(k  1)
corregidas y '.k  y.k  .
m
y '.1  y '.2    y '.m
 Calcular la media global corregida y '  .
m
 Si el esquema es multiplicativo, se calculan los índices de variación estacional

y '. k
Ik  100 y se desestacionaliza la serie dividiendo sus valores por los índices
y'
de variación estacional. La componente estacional es Eik = Ik/100.
 Si el esquema es aditivo, la componente estacional del mes k es Eik = y '.k  y ' .

Métodos de desestacionalización del índice estacional

Existen varios métodos de desestacionalización basados en el cálculo de índices
estacionales. Aparte del explicado en el apartado anterior podemos citar un método
general de índice estacional que consta de los siguientes pasos:
 Dada la serie cronológica por meses, estaciones, etc., en varios años, se halla la
tendencia mediante el método de las medias móviles tomando un año de período.
 Se centran los valores así obtenidos en los instantes de tiempo originales.
 Se elimina la tendencia y la variación cíclica en ella incluida, dividiendo los datos de la

serie original por los valores de la tendencia en cada instante del tiempo.
 Se eliminan las variaciones irregulares hallando las medias aritméticas de los valores
observados en cada período de repetición anual.
 Sobre estos últimos valores se calculan los índices de variación estacional en

forma de porcentajes.
 Se dividen los valores de la serie original por los índices de variación estacional
correspondienes, obteniéndose la serie temporal desestacionalizada.
Método de desestacionalización de las medias móviles

El método de desestacionalización de las medias móviles consiste en
obtener la componente extraestacional mediante un ajuste de la serie original por
medias móviles de orden m para eliminar las variaciones estacionales. Un
procedimiento de medias móviles simples para el ajuste estacional podría ser el
siguiente:
Sea Xt (t = 1,2,...,n) una serie temporal estacional de período s (s = 4 para

datos trimestrales y s = 12 para períodos mensuales). Una serie de medias móviles
centrada de s puntos, Xt*, se obtiene a través de los siguientes pasos para s par:
s/2
x t j
j   ( s / 2 ) 1  s s s
Para medias móviles de s puntos x *
t  0, 5   t  ,  1,  , n  
s  2 2 2
x t* 0,5  x t* 0,5  s s s

Para medias móviles centradas de s puntos x t*   t   1,  2,  , n  
2  2 2 2
Método de las diferencias estacionales

El método de desestacionalización de las diferencias estacionales permite
eliminar la mayor parte del efecto estacional de una serie, y consiste en obtener la serie
de diferencias de orden m (período estacional), definida como zt = yt – yt  m. De todos
modos, es conveniente recordar que en cada diferenciación de orden m perdemos m
observaciones de la serie original.
Variables ficticias en el análisis estacional

Son muy habituales las series de tiempo económicas basadas en
información mensual o trimestral que presentan patrones estacionales. Suele ser útil
eliminar la componente estacional de las series de tiempo con el fin de poderse concentrar
en componentes más importantes como la tendencia. Ya sabemos que el proceso de
eliminar la componente estacional de una serie de tiempo se conoce como
desestacionalización o ajuste estacional y la serie obtenida se denomina serie
desestacionalizada. Hay muchos métodos para desestacionalizar una serie temporal entre
los que se encuentra el método de las variables ficticias dicotómicas.
Supongamos por ejemplo que tenemos una serie temporal Yt con

estacionalidad trimestral. Para desestacionalizarla consideramos el modelo:
Yt = 1D1t + 2D2t + 3D3t + 4D4t + ut
1 en el trimestre i
Dit   i  1, ,4
0 en el resto
Se observa que en el modelo se omite la constante para evitar la colinealidad
perfecta. Para que el efecto estacional esté presente, los parámetros estimados del
modelo anterior han de ser significativamente distintos de cero individualmente.
Los residuos estimados de la regresión anterior uˆt  Yt  Yˆt serán los

valores de la serie desestacionalizada.
VARIACIONES ESTACIONALES CON SPSS.

DESCOMPOSICIÓN DE UNA SERIE EN SUS COMPONENTES
SPSS, a través del procedimiento Descomposición estacional, permite el
análisis de las variaciones estacionales de las series temporales. Para ilustrar este
procedimiento consideramos el fichero estacional.sav que contiene una variable X que
define los datos de una serie temporal de estacionalidad mensual desde el 1 de enero de
1968 hasta el 1 de octubre de 1981.
Se trata de estudiar la estacionalidad de esta serie y calcular los índices

estacionales que permitan desestacionalizarla. Como en SPSS es necesario definir las
series de tiempo como tales, la primera tarea, después de cargar el archivo, es definir la
variable X como serie temporal estacional mensual desde el 1 de enero de 1968. Para
ello elegimos Datos  Definir fechas (Figura 1-14), rellenamos la pantalla de entrada
de Definir fechas como se indica en la Figura 1-15 y se pulsa Aceptar. Desde este
momento SPSS reconoce la variable X como una serie temporal estacional mensual y
genera las variables adicionales YEAR_, MONTH_ y DATE en el conjunto de datos.

Ahora ya se puede ejecutar el procedimiento Descomposición estacional.
Para ello elija en los menús Analizar  Series temporales  Descomposición
estacional (Figura 1-16) y seleccione una o más variables para las que desea estimar
los factores estacionales y desplácelas al cuadro Variables en la Figura 1-17. Las
opciones de Modelo permiten seleccionar el tipo de modelo utilizado para la
descomposición estacional. Seleccione un modelo Multiplicativo o un modelo
Aditivo. Las opciones de Ponderación de la media móvil permiten especificar la
manera de tratar las series en el cálculo de medias móviles. Estas opciones sólo están
disponibles si la periodicidad de la serie es par. Todos los puntos por igual calcula
las medias móviles con una amplitud igual a la periodicidad y todos los puntos
ponderados por igual. Puntos finales ponderados por ,5 calcula las medias móviles
con una amplitud igual a la periodicidad más uno y con los puntos finales
ponderados por 0,5. Si la periodicidad es impar, todos los puntos son ponderados por
igual. Periodicidad actual se muestra bajo el grupo Ponderación de la media móvil.
Seleccione Mostrar el listado por casos para imprimir un listado por casos que
contenga un resumen en una línea en cada iteración, así como los estadísticos finales.
Pulse en Guardar para guardar nuevas variables o para pronosticar casos (Figura 1-
18). Al pulsar Aceptar se obtienen los índices de variación estacional que sirven para
desestacionalizar la serie.
Figura 1-18
A continuación se presenta la salida del procedimiento.

Results of SEASON procedure for variable X
Multiplicative Model. Equal weighted MA method. Period = 12.

Seasonal
index
Period (* 100)
1 65,615
2 69,370
3 101,064
4 114,581
5 120,426
6 119,400
7 112,546
8 113,506
9 106,261
10 110,173
11 92,158
12 74,899
The following new variables are being created:
Name Label
ERR_1 Error for X from SEASON, MOD_1 MUL EQU 12

SAS_1 Seas adj ser for X from SEASON, MOD_1 MUL EQU 12
SAF_1 Seas factors for X from SEASON, MOD_1 MUL EQU 12
STC_1 Trend-cycle for X from SEASON, MOD_1 MUL EQU 12
En la salida se observan los índices de variación estacional y la creación de las

variables ERR_1 (error estacional), SAS_1 (Serie desestacionalizada), SAF_1 (índices de
variación estacional) y STC_1 (ciclo-tendencia relativa a la serie X). El cociente entre los
datos de la serie original X y los índices de variación estacional SAF_1 genera la variable
desestacionalizada SAS_1, y el cociente entre los datos de la serie desestacionalizada
SAS_1 y los errores estacionales ERR_1 producen la ciclo-tendencia, o sea la serie
suavizada ya libre de estacionalidad y de tendencia. El Editor de datos con todas las
variables se ve en la Figura 1-19.
Figura 1-19
Seleccionando Gráfico  Secuencia y rellenando la pantalla de entrada del

procedimiento Gráficos de secuencia como se indica en la Figura 1-20, al pulsar
Aceptar obtenemos la Figura 1-21 que presenta la serie original, la serie
desestacionalizada y la ciclo-tendencia.
Figura 1-20
X
250,00000
Seas adj ser
for X from
SEASON,
MOD_1 MUL
EQU 12
Trend-cycle
200,00000 for X from
SEASON,
MOD_1 MUL
EQU 12
150,00000
100,00000
50,00000
AUG 1968
APR 1973
AUG 1975
APR 1980
JAN 1968
JUL 1971
JUN 1974
JAN 1975
JUL 1978
JUN 1981
OCT 1969
SEP 1972
OCT 1976
SEP 1979
MAR 1969
MAY 1970
MAR 1976
MAY 1977
DEC 1970
FEB 1972
NOV 1973
DEC 1977
FEB 1979
NOV 1980
Fecha
Figura 1-21
PROCEDIMIENTO DESCOMPOSICIÓN ESTACIONAL EN

STATGRAPHICS. COMPONENTES DE UNA SERIE
STATGRAPHICS habilita el procedimiento Descomposición Estacional en
la opción Análisis de Series Temporales del menú Avanzado, que permite
descomponer una serie temporal en sus componentes, según los esquemas aditivo y
multiplicativo. Para los datos de la variable ggb del fichero cap13.sf3 podemos
rellenar la pantalla de entrada del procedimiento como se indica en la Figura 1-60. Al
pulsar Aceptar se obtiene la salida Resumen de Análisis siguiente:
Al elegir la opción tabular Tabla de Datos (Figura 1-61) se obtiene la serie

desestacionalizada y las componentes cíclica, estacional y regular de la
descomposición estacional de la serie por el método multiplicativo.
Si sobre la salida anterior pulsamos el botón derecho del ratón y elegimos la

opción Opciones de Ventana se obtiene la pantalla Opciones Descomposición
Estacional (Figura 1-62) en la que se puede elegir la opción Aditiva o Multiplicativa.
Figura 1-60

Los índices de variación estacional (valores que permiten desestacionalizar

la serie) se obtienen a partir de la opción tabular Índices de Estacionalidad de la
Figura 1-61. La salida es la siguiente:
Las opciones gráficas de este procedimiento (Figura 1-63) permiten realizar la

descomposición de la serie. La opción Ciclo y Tendencia halla la componente tendencia
Tik también llamada ciclotendencia o señal (Figura 1-64). Lo opción Índices de
Estacionalidad halla la componente estacional Eik representando los índices de
variación estacional (Figura 1-65). La opción Componente irregular halla las
variaciones residuales Rik (Figura 1-66). La opción Datos Ajustados Estacionalmente
presenta las variaciones cíclicas Cik y permite detectar el ciclo (Figura 1-67). La opción
Gráfico de Subseries Estacionales representa la serie por estaciones y permite detectar
el período estacional (Figura 1-68). La opción Gráfico de Subseries Anuales permite
observar la calidad de la estacionalidad, de modo que mientras más paralelas sean sus
líneas más perfecta es la estacionalidad.

VARIACIONES CÍCLICAS
La componente cíclica de una serie temporal es la más difícil de detectar,
pues a diferencia de la tendencia, que es un movimiento a largo plazo muy general, y
de las variaciones estacionales, que tienen un período fijo, las variaciones cíclicas
tienen un período no fácilmente identificable y en muchos casos incluso variable,
siendo frecuente la existencia de ciclos que se superponen, lo que hace todavía más
difícil su identificación.
En la práctica, para identificar el ciclo, suele eliminarse de la serie la

tendencia y las variaciones estacionales, y después analizar la parte restante de la
serie, que puede denotarse por xik = cik + rik. Incluso puede prescindirse del doble
subíndice, ya que no existe variación estacional. De esta forma se intentarán detectar
los ciclos en la serie xt, mediante determinados métodos entre los que destaca el
análisis armónico.
Una onda armónica tiene la ecuación Xj = A Cos wj + B Sen wj, o también

puede expresarse como Xj = R Cos(wj - ). Ambas expresiones son equivalentes
mediante las relaciones R = (A2 + B2)1/2 y  = Arctan (B/A). R se denomina amplitud
y proporciona el valor máximo de Xj. El valor 2/ es el período o intervalo de
tiempo necesario para que se produzca una oscilación completa; /2 es la
frecuencia o número de oscilaciones que se producen entre dos momentos
consecutivos de tiempo;  es el ángulo expresado en radianes, y  es la fase que

marca el valor de Xj en el origen. La Figura 1-9 aclara estos conceptos.
Eje x Eje t
R
/ -R (+2)/
Figura 1-9
El trabajo fundamental en el análisis del ciclo es detectar en la serie original

alguna función de tipo armónico o similar. Para detectar la existencia de un ciclo de
orden p se suele formar el cuadro de la Figura 1-10.
1ª oscilación x1 x2 xp
2ª oscilación x p 1 x p2 x2 p

   
q ª oscilación x ( q 1) p 1 x ( q 1) p  2 x qp
Medias x1 x2  xp
Figura 1-10
La fila j-ésima de la tabla anterior recoge los p valores que forman la j-ésima
oscilación, y el número de osilaciones q se obtiene dividiendo el número de
observaciones de la serie xt por el período pj. La última fila de la tabla presenta las
medias de los primeros elementos de cada oscilación, el valor medio de los segundos,
etc.
La siguiente tarea es ajustar a los datos medios una expresión de la forma:

2 2
x j  A0  A cos j  B cos j j  1,2, , p
p p
A0 es una constante que se incluye para mejorar el ajuste, y 2/p se incluye

porque si el período es 2/ entonces  = 2/p.
El ajuste se realiza por mínimos cuadrados y las soluciones son las

siguientes:
p
xj 2 p 2j 2 p 2j
A0   , A  x j cos p , B  x j sen p
j 1 p p j 1 p j 1
Para distintos valores de p se obtienen distintas amplitudes R(p)

correspondientes a cada período. Los puntos (p, R(p)) forman el periodograma.
El periodograma transforma la serie temporal de su dominio natural,

que es el tiempo, al dominio de las frecuencias (a los valores de la serie se le
aplican transformadas de Fourier). Si no hay picos destacables en el
periodograma no hay estacionalidad y cada pico destacable identifica un
período que incluso puede ser un ciclo. A cada amplitud destacable le
corresponde una frecuencia cuya inversa es el período estacional o cíclico.
Luego el periodograma es un instrumento que identifica la longitud del

período estacional y en su caso la del ciclo. Las amplitudes más fuertes
(correspondientes a valores más bajos de las frecuencias p) suelen corresponder a
ciclos, y las menos fuertes (correspondientes a valores no tan bajos de las
frecuencias) suelen corresponder a estaciones.
También suele utilizarse el periodograma acumulativo que resulta de

representar en el eje de abscisas las frecuencias y en el eje de ordenadas las
amplitudes acumuladas.
Para una serie aleatoria el periodograma acumulativo coincide con la

diagonal del primer cuadrante. Desvíos bruscos de la diagonal provocan presencia de
ciclos o estaciones para las respectivas frecuencias, que serán ciclos cuando las
frecuencias sean bajas.
Existen diversos métodos para eliminar el ciclo en una serie temporal

entre los que se encuentra el filtro de Hodrick y Prescot.
VARIACIONES CÍCLICAS Y ESTACIONALES CON SPSS:

PERIODOGRAMA Y DENSIDAD ESPECTRAL
El procedimiento Análisis espectral de SPSS permite trabajar con variaciones
cíclicas y estacionales de series temporales. Para ello elegimos Gráfico Serie
temporal Análisis espectral (Figura 1-22) y rellenamos la pantalla de entrada del
procedimiento Diagramas espectrales como se indica en la Figura 1-23, al pulsar

Aceptar obtenemos la Figura 1-24 que presenta el periodograma por frecuencia.
Usamos la serie temporal X anterior.
Periodograma de X por frecuencia
1,628E5
5,987E4
2,203E4
8,103E3
Periodograma
2,981E3
1,097E3
4,034E2
1,484E2
5,46E1
2,009E1
7,389E0
2,718E0
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
0,22
0,24
0,26
0,28
0,30
0,32
0,34
0,36
0,38
0,40
0,42
0,44
0,46
0,48
0,50
0,52
Frecuencia
Figura 1-24
El primer pico alto del periodograma, correspondiente a la frecuencia 0,02

detecta el ciclo de la serie. Como el período es el inverso de la frecuencia, resulta que el
ciclo corresponde a un período de 1/0,02 = 50 meses (aproximadamente 4 años). El
gráfico de la serie de la Figura 1-21 corrobora esta afirmación. El segundo pico más alto
del periodograma, correspondiente a la frecuencia 0,08 detecta el período estacional de
la serie. Como el período es el inverso de la frecuencia, resulta que el período estacional
corresponde a 1/0,08 = 12 meses. Si en la pantalla del procedimiento Diagramas
espectrales elegimos Densidad espectral (Figura 1-25), obtenemos el gráfico de la

densidad espectral de X por frecuencia (Figura 1-26). Igualmente pueden obtenerse el
periodograma por período y la densidad espectral por período señalando el botón Por
período de las Figuras 1-23 y 1-25 respectivamente.
VARIACIONES CÍCLICAS Y ESTACIONALES CON

STATGRAPHICS: PERIODOGRAMA
El procedimiento Análisis espectral de SPSS permite trabajar con variaciones
cíclicas y estacionales de series temporales. Para ello elegimos Gráfico Serie
temporal Análisis espectral (Figura 1-22) y rellenamos la pantalla de entrada del
procedimiento Diagramas espectrales como se indica en la Figura 1-23, al pulsar
Aceptar obtenemos la Figura 1-24 que presenta el periodograma por frecuencia.
Usamos la serie temporal X anterior.

Periodograma de X por frecuencia
1,628E5
5,987E4
2,203E4
8,103E3
Periodograma
2,981E3
1,097E3
4,034E2
1,484E2
5,46E1
2,009E1
7,389E0
2,718E0
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
0,22
0,24
0,26
0,28
0,30
0,32
0,34
0,36
0,38
0,40
0,42
0,44
0,46
0,48
0,50
0,52
Frecuencia
Figura 1-24
El primer pico alto del periodograma, correspondiente a la frecuencia 0,02

detecta el ciclo de la serie. Como el período es el inverso de la frecuencia, resulta que el
ciclo corresponde a un período de 1/0,02 = 50 meses (aproximadamente 4 años). El
gráfico de la serie de la Figura 1-21 corrobora esta afirmación. El segundo pico más alto
del periodograma, correspondiente a la frecuencia 0,08 detecta el período estacional de
la serie. Como el período es el inverso de la frecuencia, resulta que el período estacional
corresponde a 1/0,08 = 12 meses. Si en la pantalla del procedimiento Diagramas
espectrales elegimos Densidad espectral (Figura 1-25), obtenemos el gráfico de la
densidad espectral de X por frecuencia (Figura 1-26). Igualmente pueden obtenerse el
periodograma por período y la densidad espectral por período señalando el botón Por
período de las Figuras 1-23 y 1-25 respectivamente.

DESCOMPOSICIÓN ESTACIONAL Y COMPONENTES DE

UNA SERIE EN SAS
SAS implementa el procedimiento TIMESERIES que permite descomponer
una serie temporal en sus componentes. Su sintaxis resumida es la siguiente:
PROC TIMESERIES opciones ;
BY variables ;
DECOMP lista de componentes / opciones ;
ID variable INTERVAL= opción de intervalo;
SPECTRA lista de estadísticos / opciones ;
VAR lista de variables / opciones ;
Una de las opciones del procedimiento más utilizadas es plot=(series corr
decomp) que permite graficar la serie, sus funciones de autocorrelación y autocorrelación
parcial y sus componentes. Las componentes también se pueden graficar a medida
especificándolas en la sentencia DECOMP. Las componentes más típicas son orig tcc sc
ic sa y cc, para obtener la serie original, la ciclotendencia, la componente estacional, la
componente irregular, la serie ajustada de estacionalidad y la componente cíclica. La
variable de la sentencia ID es la que contiene la referencia temporal de los datos de la
serie y las opciones habituales de INTERVAL son day, month, week, qtr y year para
indicar series diarias, semanales, mensuales, trimestrales y anuales. La sentencia
SPECTRA ofrece los estadísticos del análisis espectral. Los más habituales son P y S
que ofrecen el periodograma y la densidad espectral. La sentencia VAR permite
introducir las variables que van a ser descompuestas y analizadas. Las opciones de cada
sentencia deben ser consultadas en el manual del programa, debido a su extensión.
Figura 1-71
Como ejemplo graficamos y descomponemos la serie X del conjunto de

datos estacional.sas7bdat que es la misma que ya se ha utilizado al trabajar con el
software SPSS. La sintaxis se presenta en la Figura 1-71 y las salidas en las Figuras
1-72 (gráfico de la serie) y 1-73 (componentes de la serie).
Figura 1-72
Figura 1-73
VARIACIONES CÍCLICAS Y ESTACIONALES CON SAS

El procedimiento TIMESERIES visto anteriormente permite graficar y
tabular el periodograma, la densidad espectral, la ciclotendencia, la componente
cíclica y otras características de una serie temporal. Ya hemos visto que la opción
plot del procedimiento permite realizar la gráfica de la serie y sus componentes y la
sentencia DECOMP permite tabular las citadas componentes. Pero la opción plot
puede utilizarse también para representar la ciclotendencia (tcc), la componente
cíclica (cc), el periodograma (periodogram) y la densidad espectral (spectrum).
Además, la sentencia SPECTRA permite obtener los datos del periodograma (P) y la
densidad espectral (S) y guardarlos en el conjunto de datos de salida OUTSPECTRA
= Conjunto de datos.
En el ejemplo siguiente se utilizará la serie X del conjunto de datos

ejemplos.sas7bdat para representar la serie, la ciclo-tendencia, la componente cíclica
y el periodograma y densidad espectral en términos de frecuencias.
La sintaxis de un programa SAS adecuado, utilizando el procedimiento

TIMESERIES, podría ser la siguiente
ods graphics on;

data datos;
set ejemplos.estacional;
proc timeseries data=datos plot=(series spectrum periodogram
cc tcc);
var X;
id fecha interval=month;
spectra p s / adjmean /*las series se centran en la media*/;
run;
En la salida se observan la serie (Figura 1-90), la ciclotendencia (Figura 1-91),

la componente cíclica (Figura 1-92), el periodograma por período (Figura 1-93) y por
frecuencia (Figura 1-94) y la densidad espectral por período (Figura 1-95) y por
frecuencia (Figura 1-96).
Figura 1-90
Figura 1-91
Figura 1-92
Figura 1-93
Figura 1-93
Figura 1-95
Figura 1-96
Ejercicio 1-1. Una región de un determinado país ha experimentado en siete años

las siguientes entradas de turistas por estaciones en millones
1978 1979 1980 1981 1982 1983 1984
Primavera 2 3 3 4 4 5 6
Verano 6 9 11 14 16 19 20
Otoño 3 3 4 4 5 5 6
Invierno 1 1 2 2 3 3 4
Analizar la estacionalidad de la serie y, si es necesario, desestacionalizarla a través del

método de las variables ficticias y otros métodos. Representar la serie original y las
serie desestacionalizada sobre los mismos ejes. Hallar los índices de variación
estacional y descomponer la serie en sus componentes.
En Eviews introducimos los datos en el fichero 1-4.wf1 y usamos Quick 

Graph  Line graph (Figura 1-119) para obtener el gráfico de la serie (Figura 1-120),
que muestra una fuerte estacionalidad trimestral de los datos. Sin embargo, sería
necesario aplicar un procedimiento formal que asegure la presencia de estacionalidad.
Como tenemos una serie temporal Yt con posible estacionalidad trimestral,

para certificarla consideramos el modelo:
Yt = 1D1t + 2D2t + 3D3t + 4D4t + ut
1 en el trimestre i
Dit   i  1, ,4
0 en el resto
Se observa que en el modelo se omite la constante para evitar la colinealidad

perfecta. Para que el efecto estacional esté presente, los parámetros estimados del
modelo anterior han de ser significativamente distintos de cero individualmente. E
incluso los residuos estimados de la regresión anterior uˆt  Yt  Yˆt marcarán la
evolución de la serie desestacionalizada.
Para estimar el modelo anterior con Eviews se elige Quick  Estimate
Equation (Figura 1-121), se rellena la pantalla Equation Specification de la solapa
Specification como se indica en la Figura 1-122 eligiendo Least Squares en el campo
Method (para ajustar por mínimos cuadrados) y se hace clic en Aceptar. Se obtienen los
resultados de la Figura 1-123 cuyos p-valores muestran una significatividad individual
de los parámetros superior al 95%, lo que certifica la fuerte estacionalidad de la serie.
Mediante View  Actual-Fitted-Residual  Actual-Fitted-Residual Table (Figura 1-
124) se obtiene la tabla de los valores de la serie, los valores ajustados y los residuos
estimados, así como una gráfica de estos últimos que da una idea de la evolución de
la serie desestacionalizada.

Figura 1-125
También podemos analizar la serie mediante STATGRAPHICS a través del

procedimiento Descomposición Estacional en la opción Análisis de Series
Temporales del menú Avanzado (Figura 1-130), que permite descomponer una serie
temporal en sus componentes, según los esquemas aditivo y multiplicativo así como
desestacionalizarla calculando los índices de variación estacional. Para los datos de la
variable turistas del fichero 1-4.sf3 podemos rellenar la pantalla de entrada del
procedimiento como se indica en la Figura 1-131.
Al pulsar Aceptar se obtiene la salida del procedimiento. Al elegir la opción

tabular Tabla de Datos (Figura 1-132) se obtiene la serie desestacionalizada y las
componentes cíclica, estacional y regular de la descomposición estacional de la serie
por el método multiplicativo:
Si sobre la salida anterior pulsamos el botón derecho del ratón y elegimos la

opción Opciones de Ventana se obtiene la pantalla Opciones de Descomposición
Estacional (Figura 1-133) en la que se puede elegir la opción Aditiva o Multiplicativa.
Los índices de variación estacional (valores que permiten desestacionalizar

la serie) se obtienen a partir de la opción tabular Índices de Estacionalidad de la
Figura 1-132. La salida es la siguiente:
Las opciones gráficas de este procedimiento (Figura 1-134) permiten realizar la

descomposición de la serie. La opción Ciclo y Tendencia halla la componente tendencia
Tik también llamada ciclotendencia o señal (Figura 1-135). Lo opción Índices de
Estacionalidad halla la componente estacional Eik representando los índices de
variación estacional (Figura 1-136). La opción Componente Irregular halla las
variaciones residuales Rik (Figura 1-137). La opción Datos Ajustados Estacionalmente
presenta las variaciones cíclicas Cik y permite detectar el ciclo (Figura 1-138). La
opción Gráfico de Subseries Estacionales representa la serie por estaciones y permite
detectar el período estacional (Figura 1-139). La opción Gráfico de Subseries Anuales
permite observar la calidad de la estacionalidad, de modo que mientras más paralelas
sean sus líneas más perfecta es la estacionalidad (Figura 1-140).

Figura 1-140

TEMA1

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

TEMA1

Transféré par

Droits d'auteur :

Formats disponibles

CAPÍTULO 1

SERIES TEMPORALES Y SUS

DATOS DE SERIES TEMPORALES

Los datos de series temporales suelen utilizarse más en el análisis

DESCOMPOSICIÓN CLÁSICA DE UNA SERIE TEMPORAL

TENDENCIA DE UNA SERIE TEMPORAL: AJUSTE

Método de ajuste analítico

Tendencia logarítmica: Una línea de tendencia logarítmica Z(t) = log(a+bt) es una

Tendencia polinómica: Una línea de tendencia polinómica Z(t) = a + bt + ct2 +…+

Método de las medias móviles

Si p es impar se forman medias relativas a los instantes (p+1)/2, (p+3)/2,

Si p es par se forman medias relativas a los instantes (p+1)/2, (p+3)/2, (p+5)/2,

Método de las diferencias

TENDENCIA EN SERIES TEMPORALES CON SPSS

Para ilustrar el procedimiento, a partir del archivo tendencia.sav, buscamos el

Figura 1-11 Figura 1-12

Al pulsar Continuar y Aceptar se obtienen como salida del procedimiento el

Listwise Deletion of Missing Data

DF Sum of Squares Mean Square

Regression 1 478,94675 478,94675

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

t ,788675 ,056297 ,954847 14,009 ,0000

Observamos que el ajuste al modelo de tendencia lineal es bastante bueno

Z(t) = 46,642667 +0,788675 t

A continuación se presenta el ajuste del modelo logarítmico.

Listwise Deletion of Missing Data

DF Sum of Squares Mean Square

Regression 1 452,40430 452,40430

F = 117,89373 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

t 5,817143 ,535753 ,928012 10,858 ,0000

Observamos que el ajuste al modelo de tendencia logarítmico también es

Z(t) = 42,747488 +5,817143 Ln(t)

A continuación se presenta el ajuste del modelo cuadrático.

Dependent variable.. Z Method.. QUADRATI

Listwise Deletion of Missing Data

DF Sum of Squares Mean Square

Regression 2 500,35233 250,17617

F = 180,39824 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

t 1,468263 ,178107 1,777623 8,244 ,0000

Observamos que el ajuste al modelo de tendencia cuadrática es bastante

Z(t) = 44,037579 +1,468263 t -0,03890 t2

A continuación se presenta el ajuste del modelo cúbico.

Listwise Deletion of Missing Data

DF Sum of Squares Mean Square

Regression 3 507,99716 169,33239

F = 166,22718 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

t ,427162 ,409550 ,517164 1,043 ,3116

Observamos que el ajuste al modelo de tendencia cúbica presenta problemas

Listwise Deletion of Missing Data

DF Sum of Squares Mean Square

Regression 1 ,16260057 ,16260057

Residuals 19 ,01684833 ,00088675

F = 183,36598 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

t 1,014638 ,001089 2,590623 931,845 ,0000

Observamos que el ajuste al modelo de tendencia compuesta es bastante

x t 0,5  x t 0,5  s s s