Universidad de Quintana Roo

Licenciatura en Economa y Finanzas Econometra II Quinto Semestre Profesor: Luis Fernando Cabrera Castellanos Alumna: Gloria Noem Gmez Alamilla

ANLISIS DE SERIES TEMPORALES, COINTEGRACIN Y APLICACIONES Las series temporales son un tipo de datos que se
caracterizan por ser recopilados cada perodo determinado de tiempo. Si juntamos todos estos valores en un grfico sencillo y tendremos una serie temporal.

 Datos de alta frecuencia: se recopilan muy a

menudo. Los valores de muchas variables financieras importantes se conocen no solamente cada da, sino incluso en cuestin de segundos, si cambian datos tales como el precio de las acciones que se intercambian mucho o los tipos de cambio.
Datos de frecuencia menor: algunos aspectos de la

economa en general, o macro, tales como la renta nacional, el consumo y la inversin, es posi ble que para muchos pases slo estn disponibles en trminos trimestrales y para otros slo en trminos anuales. En el mismo sentido, los datos de poblacin slo estn disponibles en trminos anuales o menos frecuentemente.

Gran parte de estas series se mueven con tendencias locales o con oscilaciones prolongadas, oscilaciones que no son regulares. Esto las hace poco apropiadas para el anlisis con los procedimientos estadsticos estndar, los cuales se basan en que los datos tienen una propiedad conocida como estacionariedad. Muchas series de la economa, especialmente en las finanzas y la macroeconoma, no tienen esta propiedad y se pueden denominar integradas o, a veces incorrectamente, no estacionarias.

Sin embargo, cuando se expresan en forma de cambios o tasas de rendimiento, estas series derivadas parecen estar cerca de ser estacionarias. Resulta que la diferencia entre un par de series integradas puede ser estacionaria, y esta propiedad se conoce como cointegracin.

Para que haya cointegracin, dos series integradas han de tener la propiedad de que una combinacin lineal de ellas sea estacionaria.

Una vez que sabemos que dos variables tienen la propiedad de la cointegracin, de ello se sigue que las variables tienen otras propiedades tiles e interesantes:
Deben estar cointegradas ambas con el mismo factor

comn oculto.
Puede considerarse que han sido generadas por lo que

es conocido como un modelo de correccin del error, en el que las variaciones en una de las series se explican en funcin de los retardos de la diferencia entre las series, posiblemente tras un ajuste de escala, y los retardos de las diferencias de cada serie.

El modelo de correccin del error ha sido importante, especialmente en lo que se refiere a convertir la idea de la cointegracin en algo til en trminos prcticos. Fue inventado por el conocido econmetra Dennis Sargan, que tom algunas ecuaciones clebres de la teora del crecimiento econmico y las convirti en estocsticas.

Una propiedad potencialmente til de las predicciones basadas en la cointegracin es que, cuando se prolongan de alguna manera hacia adelante, las predicciones de las dos series forman una ratio constante, tal y como se espera por parte de algunas teoras econmicas asintticas.

Uno de los usos principales de estos modelos ha sido el de proporcionar predicciones a corto y medio plazo de variables macro importantes, tales como el consumo, la renta, la inversin y el desempleo, todas las cuales son series integradas.

Hay una serie de etapas en el proceso de prediccin: obtener la prediccin central y despus los lmites de incertidumbre en torno a la misma con el fin de dar alguna idea de los riesgos asociados al uso de tal prediccin. Finalmente, se tienen que reunir y evaluar las predicciones anteriores. Se espera que se detecten las propensiones, tendencias u oscilaciones que pueda haber en los errores, de tal forma que uno pueda aprender y generar mejores predicciones en el futuro

El concepto de cointegracin y sus ampliaciones se podran utilizar para explicar y eliminar diversas dificultades que se observan en algunas investigaciones. Un ejemplo es el problema conocido como las regresiones espurias. Si dos series independientes integradas se utilizaban en una regresin, una elegida como la variable dependiente y la otra como la variable explicativa, los programas de ordenador de regresin estndar pareca que encontraban muy a menudo una relacin, cuando en realidad no haba ninguna. Esto es, los mtodos de regresin estndar encontraran una regresin espuria. El plantear el anlisis en forma de un modelo de correccin del error resuelve muchas de las dificultades encontradas con las regresiones espurias.

 La

afirmacin respecto a la causalidad tiene exactamente dos componentes: 1. La causa ocurre antes del efecto, y 2. La causa contiene informacin sobre el efecto que es nica, y no est en otra variable. En consecuencia, la variable causal puede contribuir a la prediccin de la variable efecto despus de que se hayan utilizado previamente otros datos.

Tiempo ms tarde con el desarrollo de la idea de cointegracin qued claro inmediatamente que si dos series estaban cointegradas al menos una de ellas deba causar a la otra.