Análisis de series en el dominio de las frecuencias

DESCOMPOSICION DE SERIES
Según el esquema tradicional, una serie puede descomponerse en todos o
alguno de los siguientes componentes:

•Tendencia, se asocia con la evolución a largo plazo de la serie, desde un

punto de vista frecuencial se asocia a componentes de frecuencia baja o
alternativamente de período alto, generalmente superior 8 años.
•Ciclo, son oscilaciones en torno a la tendencia de periodo superior al año e
inferior a 8 años.
•Estacionalidad, son los movimientos que se producen con periodicidad
anual.
•Irregularidad, movimientos de alta frecuencia, superior a la de la
estacionalidad y distintos de los armónicos de la misma.

De acuerdo con este esquema tradicional, forzamos la existencia de todos los componentes,
si bien no estamos seguros de su “importancia” en la evolución de la serie, por lo que
deberíamos realizar algún tipo de contraste para probar la existencia de todos los
componentes.
En este tipo de contraste es donde podemos acudir a las técnicas de análisis de series en el
dominio de las frecuencias.
Análisis de series en el dominio de las frecuencias

DESCOMPOSICION DE SERIES
Una vez que se ha descompuesto la serie en cada uno de los componentes
resulta bastante más sencillo realizar una predicción de la misma:

•Estacionalidad, si se asume como constante su predicción es inmediata.

•Tendencia, si se has extraído mediante ajuste de funciones de tiempo, su

predicción es igualmente inmediata y basta con aplicar a futuro la función
estimada. Si la tendencia se ha extraído mediante filtro de H-P. Deberíamos
realizar un ajuste posterior en función del tiempo.
Yt HP
   1 * Tt  ..   k * Tt   t
k

•Irregularidad, por definición es impredecible y su mejor estimación es cero.

•Ciclo, para la estimación del ciclo necesitamos poder ajustar funciones

periódicas, y es aquí donde podemos acudir, de nuevo, al análisis de series
en el dominio de las frecuencias o análisis espectral.
 Análisis de series en el dominio de las frecuencias
Algunas consideraciones sobre los ciclos económicos

T A S A IN T E R A N U A L D E C R E C IM IE N T O D E L P IB
10

-2

-4
70 75 80 85 90 95 00

“Las economías de mercado experimentan fluctuaciones en los

ritmos de crecimiento de un conjunto amplio y diverso de series:
producción, empleo, precios, consumo, inversión, etc,….Tales
oscilaciones son recurrentes y sistemáticas aunque con
patrones variables de amplitud y duración.Estos fenómenos se
denominan ciclos económicos.” (National Bureau of Economic
Research)
Análisis de series en el dominio de las frecuencias
Algunas consideraciones sobre los ciclos económicos

GRANGER .Spectral analysis of economic time series.1964.

• Ondas de Kondratieff, este economista ruso planteaba la existencia de ciclos largos

de entre 40 y 60 años. Sin evidencias empíricas claras.
• Ondas de Kuznets, ciclos de 20 años en variables como el PNB, emigración y
población. Con evidencia empírica.
• "Building cycle". Evidencia de la existencia de ciclos de 15-20 años en el sector de
la construcción.
• Ciclos de Hansen, este economista plantea la existencia de ciclos "mayores" de
período 6-11 años (debidos a cambios tecnológicos) junto con ciclos "menores" de
duración entre 2-4 años ( ciclo de inventario/ existencias).
•Business cycle, definidos por el NBER (National Bureau of Economic Research)
como un tipo de fluctuación encontrado en la actividad económica agregada, de
duración media 4 años y rango entre 1-12 años.
•Sub-ciclos de Mack, llamados así por tener una duración corta de 24 meses,
encontrados en series de pedidos, precios, inventarios, etc….
 Análisis de series en el dominio de las frecuencias
Como modelizar fenómenos recurrentes:
Funciones periódicas

2pt
Yt  A cos( q )
1,5
1
T 0,5 A

•A, amplitud de la oscilación. 0

-0,5 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99
T
•T, período. -1
-1,5
•q, desfase.
DESFASE = PI/2
1,5
1
Expresiones alternativas: 0,5
0
Yt  A cos(wt  q ) -0,5 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99

Yt  a cos(wt )  b sen(wt )
-1
-1,5

a b a b
Yt  ( - i )e iwt  (  i)e -iwt
2 2 2 2
Análisis de series en el dominio de las frecuencias
¿Es evidente la periodicidad?

-2

-4

-6
20 40 60 80 100 120 140 160 180 200

C IC LO1

ciclo1=cos(2*pi*t/10)+cos(2*pi*t/40)+cos(2*pi*t/20)+cos(2*pi*t/25)+u
Análisis de series en el dominio de las frecuencias
Detección de periodicidades ocultas:
El correlograma.
Idea básica:
Una función periódica se repite transcurrido T (período), por lo
tanto presentará la máxima correlación con el retardo Ty sus
múltiplos enteros.
Puede demostrarse que la autocorrelación de una función
periódica es periódica, del mismo período que dicha función.
COS(2*PI*@TREND/(200/10)) FUNCION DE AUTOCORRELACION
1.5
1.5

1.0
1.0

0.5
0.5

0.0
0.0

-0.5
-0.5

-1.0
-1.0

-1.5
20 40 60 80 100 120 140 160 180 200 -1.5
-40 -20 0 20 40
 Análisis de series en el dominio de las frecuencias
Detección de periodicidades ocultas:
El periodograma

El periodograma se asimila a un “sintonizador” de un receptor de radio, así, la serie que

observamos sería la señal emitida por una radio y el periodograma no sería mas que el
dial que busca en que frecuencia se “oye” mejor la señal emitida.

20

15
4

PERDG
10
0

-2
5
-4

-6
20 40 60 80 100 120 140 160 180 200 0
0 5 10 15 20 25
C IC LO1

FREC
 Análisis de series en el dominio de las frecuencias
El periodograma: formulación.

“Modelo” que sigue la serie observada:

k
Yt  å (a p cos w i t  bi sen w i t )   t
i 1
Asumimos que las frecuencias, w,denominadas Frecuencias de
Fourier son:
2ppi 

N si N es par 

wi  pi  1,..., k 2
k  N - 1 
N  2
si N es impar 
Los parámetros, a y b,se pueden estimar por MCO o bien, de forma
directa como:
N
1
å Y cos pt
N N
2 Yt 
aˆ p  å Yt cos pw o t aˆ 0  å aˆ N / 2
N
t
t 1
N t 1 t 1 N
N
2
bˆ p  å Yt sen pw o t
N t 1
(a 2p  b p2 )
Se calcula el periodograma I(w) I (w p ) 
2w 0
 Análisis de series en el dominio de las frecuencias
El periodograma: Interpretación.
El periodograma mide aportaciones a la varianza total de la serie de
componentes periódicos de una frecuencia determinada (w).Si el
periodograma presenta un “pico” en una frecuencia, indica que
dicha frecuencia tiene mayor “importancia” en la serie que el resto.

ciclo1=cos(2*pi*t/10)+cos(2*pi*t/40)+cos(2*pi*t/20)+cos(2*pi*t/25)+u
N=200; 200/10=20; 200/40=5; 200/20=10; 200/25=8
20
20

15
15
PERDG

10
PERDG

5 10

0
0 50 100 150

FREC 5

0
0 5 10 15 20 25

FREC
 Análisis de series en el dominio de las frecuencias
El periodograma: Interpretación.
De izqda. a drcha. aumenta la frecuencia (disminuye el período)
1.5 1.5
0.0
1.0 1.0
-0.2
0.5 0.5
-0.4
0.0 0.0

-0.6
-0.5 -0.5

-0.8 -1.0 -1.0

-1.0 -1.5 -1.5

20 40 60 80 100 120 140 160 180 200 20 40 60 80 100 120 140 160 180 200

Tendencia Ciclo – Estacionalidad (Ciclo anual) Irregular

4

0
0 50 100 150
Análisis de series en el dominio de las frecuencias
El periodograma y la transformada de Fourier
El periodograma está basado en una herramienta
matemática denominada Transformada de Fourier,
según la cual una serie, que cumpla determinados
requisitos, puede descomponerse como suma de un
número finito o infinito de frecuencias. Del mismo
modo, a partir de la representación frecuencial puede
recuperarse la serie original a través de la
Transformada Inversa de Fourier.

En este punto, es preciso señalar las diferencias existentes entre

procesos discretos periódicos, aperiódicos y estocásticos en
términos frecuenciales:
• Las series periódicas presenta un periodograma discreto, es decir,
solo existe "masa" espectral en aquellas frecuencias contenidas en
la serie, siendo éstas un número discreto.
• Las series aperiódicas presentan un periodograma continúo, es
decir, existe "masa" en un "infinito" número de frecuencias.
• Las series estocásticas presentan densidad espectral en un rango
continúo de frecuencias.
Análisis de series en el dominio de las frecuencias
SERIE PERIODICA SERIES APERIODICAS
1.5 100

1.0 80

0.5
60

0.0
40
-0.5
20
-1.0

0
-1.5 20 40 60 80 100 120 140 160 180 200
20 40 60 80 100 120 140 160 180 200

PERIODOGRAMA PERIODOGRAMA
20 12000

10000
15
8000
PERDG

PERDG
10 6000

4000
5
2000

0 0
0 50 100 150 0 50 100 150

FREC FREC
Análisis de series en el dominio de las frecuencias
SERIES ESTOCASTICAS
3

-1

-2

-3
20 40 60 80 100 120 140 160 180 200

PERIODOGRAMA (DE ESA REALIZACION)

1.4

1.2

1.0

0.8
PERDG

0.6

0.4

0.2

0.0
0 50 100 150

FREC
Análisis de series en el dominio de las frecuencias
LA ESTIMACION DEL ESPECTRO

El espectro o densidad espectral se define para procesos

estocásticos estacionarios como la transformada de Fourier
de la función de autocovarianza (teorema de Wiener-
Khintchine). Su estimador “natural” es el periodograma,
antes visto. Como hemos comprobado es un instrumento
adecuado para la detección de procesos periódicos puros, sin
embargo en el caso de procesos estocásticos presenta serias
limitaciones, las más importantes son la inconsistencia y la
correlación asintóticamente nula entre ordenadas del
periodograma. Esto implica que no converja al verdadero
“espectro” cuando la muestra se amplia y que el
periodograma muestre un comportamiento errático.
1.4

1.2

1.0
h(w)

0.8
PERDG

0.6 w
0.4

0.2

0.0
0 50 100 150
-pi pi
FREC
 Análisis de series en el dominio de las frecuencias
LA ESTIMACION DEL ESPECTRO: METODOS
PARAMÉTRICOS

Los métodos paramétricos, parten de suponer “conocido” el PGD, y

modelizado en general a través de un proceso ARMA, a partir del cual se
puede recuperar una estimación del espectro.
Si la serie observada responde a un modelo ARMA (p,q):

Yt  a1Yt -1  a2Yt -2  ...  a pYt - p   t  b1 t -1  b2 t -2  ...  bq  t -q

El espectro equivale a:

-iw -i 2w -iqw 2
1  b1e  b2 e  ...  bq e s 2
hY (w )  -p £ w £ p
1  a1e -iw  a 2 e -i 2w  ...  a p e -ipw 2 2p
 Análisis de series en el dominio de las frecuencias
Serie original
8

-2

-4

-6

-8
2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0

Y 4

Estimaciones del espectro

PERIODOGRAMA (NO ALISADO) PERIODOGRAMA ALISADO
( VENTANA TUKEY-HANNING)
20
2.0 350

300
15 1.5

250
DENSIDAD2

1.0
PERDG

10 200

0.5
150

5
0.0 100

50
0 -0.5
0 20 40 60 80 0 20 40 60 80
0
0 0.5 1 1.5 2 2.5 3
FREC FREC Frecuencia (0-pi)
Análisis de series en el dominio de las frecuencias
COMPARACION METODOS DE ESTIMACION
Análisis de series en el dominio de las frecuencias
FILTROS
Un filtro no es mas que el tratamiento que se da a una serie
inicial o “input” para obtener una serie final u “output”. Si el
filtro es lineal, el “output” es simplemente una combinación
lineal de valores pasados, presentes y futuros del “input”

u (t ) k ¥
Y (t )
Y (t )  åc u
k  -¥
k t -k

ESQUEMA BASICO DE FUNCIONAMIENTO DE UN

FILTRO

INPUT FILTRO OUTPUT

Análisis de series en el dominio de las frecuencias

FILTROS: UTILIDADES

•SON LA BASE DE LA MODELIZACION ARIMA.

•SUAVIZADO DE SERIES.
•ELIMINACION DE COMPONENTES “INDESEADOS” :
DESESTACIONALIZACIÓN, ELIMINACION DE TENDENCIAS
LINEALES Y ESTOCASTICAS.
•POTENCIACION DE DETERMINADAS CARACTERISTICAS.

•ESTIMACION DEL COMPONENTE CICLICO.

 Análisis de series en el dominio de las frecuencias
EFECTOS DEL FILTRADO EN EL DOMINIO DE LA FRECUENCIA

La característica más importante del proceso de filtrado es que el valor de la

densidad espectral del output en una determinada frecuencia es el producto
del valor de la función de transferencia y el valor de la densidad espectral del
input en dicha frecuencia. Esta propiedad permite “anular” ciertas
frecuencias con la adecuada selección de los valores del filtro, con lo que
conseguimos que el output exhiba las características que deseemos.

2.0
1.0

1
0.8
1.5
0,8
0,6 0.6

PERDG
PERDG

1.0 0,4 0.4

0,2
0.2
0.5 0
0,0 0,3 0,5 0,8 1,1 1,3 1,6 1,9 2,1 2,4 2,6 2,9
0.0
0 20 40 60 80
0.0
0 20 40 60 80 FREC

FREC