BANCO CENTRAL DE RESERVA DEL PERU

Curso de Extensin Universitaria 2002

Econometra Avanzada
Prof. Arlette Beltrn Barco
Econometra de Series de Tiempo1
En esta seccin, se desarrollar un anlisis de la econometra de series de tiempo que abarcar
tres grandes temas: el anlisis univariado, la metodologa de vectores autorregresivos y las
funciones de transformacin.
En el primero, se analizar el comportamiento de una serie de tiempo en funcin de su propio
pasado, lo que har posible diferenciar sus componentes cclicos y tendenciales. Asimismo, se
incidir sobre el problema de la no estacionariedad de la serie y la posible presencia de una raz
unitaria, as como sus implicancias econmicas.
La metodologa de vectores autorregresivos (VAR) se concentrar en el anlisis de sistemas de
ecuaciones simultneas de variables endgenas en las que no se impondrn restricciones a priori,
como ocurra en el caso de los sistemas estructurales, en donde ellas eran indispensables para
identificar las ecuaciones y poderlas estimar. Esta metodologa permitir adems un anlisis del
impacto de diferentes shocks sobre las variables que componen el sistema, a travs de las
funciones de impulso-respuesta y la descomposicin de la varianza.
Finalmente, se presentar el tema de funciones de transformacin en donde el centro de atencin
ser la presencia de variables exgenas, su condicin de tales y la influencia de las mismas sobre
las variables a ser explicadas. Este anlisis incluir tres tpicos: causalidad, exogeneidad y
cointegracin.
1. 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.
1.1. Definiciones bsicas
1.1.1. Proceso Estocstico Discreto (PED)
Un PED es una sucesin de variables aleatorias y t , donde t= -, ..., -2, -1, 0, 1, 2, ... . Dos
ejemplos de PED podran ser:
a) El ruido blanco t :
Es un PED con media cero, varianza constante e independiente.

Realizado con la colaboracin de Cecilia Snchez.

1

b) El random walk o camino aleatorio:

Es un PED cuyas primeras diferencias son un ruido blanco, es decir:
y t y t -1 t
y t - y t -1 t

y t t

1.1.2. Estacionariedad Estricta

Un PED 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, (y t,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.
1.1.3. Estacionariedad Dbil
Un PED es estacionario en sentido dbil si se cumple la condicin de estacionariedad estricta slo
en el caso de que m=1, situacin en la cual se dice que es idnticamente distribuido, ya que cumple
las siguientes condiciones:

Eyt t
Vyt 2y t

Covyt,yt-k Covyt,ytk k ,kt

1.2. Series de tiempo estacionarias (dbiles)
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.
1.2.1. Estadsticos de especificacin de modelos univariados
Antes de presentar dichos modelos, se mostrarn un conjunto de estadsticos indispensables en su
correcta identificacin.

a) Funcin de Autocovarianza (FAC)

La FAC de un PED y t es una funcin igual a:

k Cov y t , y t - k t, k

b) Funcin de Autocorrelacin Simple (FAS)

La FAS de un PED y t es una funcin igual a:

Cov y t , y t - k

t, k

V y t V y t - k

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
o

Para estimar la FAS de orden k de un PED, se utilizar el estimador tradicional dado por:

T
1
y t - y y t -k - y
T - k t k 1

1 T
y t - y 2
T t 1

T
1
y t -k - y 2

T - K t k 1

no obstante, hay que observar que, asintticamente,

podemos reescribir (6) como:

1
1
, y
T-k T

t 1

t k 1

, por lo tanto,

y t - y y t -k - y

t k 1

y t - y

7
2

t 1

lo que equivale a estimar el coeficiente de la ecuacin que relaciona yt yt-k.

c) Funcin de Autocorrelacin Parcial (FAP)

La FAP de un PED y t es igual a su FAS, pero corregida por los rezagos intermedios, ya que
indica el efecto marginal que cada t-k tiene sobre t. En adelante, denominaremos a la FAP como
k .

Para estimar la FAP de orden k de un PED es necesario correr una regresin que relacione y t 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 habran rezagos intermedios), se corre la regresin:
~
1~
yt
y t 1
y es la desviacin de y. Sin embargo, para estimar la FAP de orden 2, se requiere correr la
donde ~
regresin:

~
y t ~
y t -1 2 ~
yt -2

donde 2 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:
~
y t ~
y t -1 ~
y t - 2 3~
y t -3

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

1.2.2. Modelos Autorregresivos

Son aquellos que tienen como variables explicativas a los valores pasados de la variable explicada.
a) Modelo autorregresivo de orden 1, AR(1)
Este modelo tiene la siguiente especificacin:
y t y t -1 t

donde t es ruido blanco. Hay que tener en cuenta, como lo veremos ms adelante, que y t es
estacionario si y slo si | | < 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:

y t s t -s
s 0

De esta forma, a partir de (9) se puede verificar que:

y t 0
2

10

En el caso de un t son cero excepto para k=0, cuando ==1.

4

dado que todos los elementos de la sumatoria son ruido blanco3. Asimismo,
V y t

2 s 2

11

s 0

por lo que:
V y t

12

1 2

Observando la expresin (12) se confirma que la condicin de estacionariedad de la serie vendra

dada por 1 , con lo que se garantiza una varianza finita y positiva. No obstante, y 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 y t y los errores de la ecuacin. Podemos plantear sta a dos
niveles:

La relacin de yt con errores futuros:

y t - k t

s 0

s t -k -s t

13

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:

y t t -k

s 0

s t -s t -k

k 2

14

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.
ANLISIS DE LA FAC

2
o
1 2
2
y

15

1 y t y t -1 y 2t -1 y t -1 t 0 0
2 y t y t - 2 y t -1y t - 2 y t - 2 t 1 0 2 0

16
17

Y as sucesivamente, por lo que, en general, se puede decir que:

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.
5

 k k 0

k0

Adems, y como
ritmo .

1,

18
puede observarse que a medida que k crece, la FAC converge a cero a

ANLISIS DE LA FAS

k
Como vimos previamente k
, de forma tal que:
0
0 1

19

1 0

0 0

20

2 2 0

2
0
0

21

Y en general,

k
k
0

k0

22

De forma tal que a medida que k crece la FAS converge a cero al mismo ritmo .

ANLISIS DE LA FAP
Como se dijo anteriormente, para hallar la FAP es necesario correr regresiones 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:
y t 1 y t -1 t

23

de forma tal que:

y
t 1 y t -1

24

siendo la FAP1 1
Lo mismo se aplica en el caso de que k=2, usando el modelo
4

Note que en este caso, como E(yt)=0, se trabaja directamente con la variable, la que equivale al desvo
correspondiente.
6

y t y t -1 2 y t - 2 t

25

y t y t -1 2 y t - 2

26

donde, si tenemos en cuenta que se trata de un AR(1), el 2 o la FAP2 ser igual a cero por
definicin. Lo mismo ocurrir con las FAP's de rdenes superiores, por lo que podemos concluir que
en este tipo de modelos la FAP es igual a cero para todo k>1.
b) Modelo autorregresivo de orden 2, AR(2)
Un proceso AR(2) se modela a travs de la siguiente especificacin:
y t 1 y t -1 2 y t -2 t

27

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

28

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.
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 (27) por yt-k, de forma que:
y t y t - k 1 y t -1 y t - k 2 y t - 2 y t - k t y t - k

29

luego, a esta expresin se le toma el valor esperado:

y t y t - k 1 y t -1 y t - k 2 y t -2 y t - k t y t - k

30

obtenindose la siguiente expresin, para todo k>0

k 1 k -1 2 k -2

31

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 11 2 2 2

cuando k=0

1 1 0 2 1

cuando k=1
cuando k=2

2 1 1 2 0

32

Resolviendo el sistema de ecuaciones (32) es posible hallar 0, 1 y 2. As,6

1 2 2
1 2 1 2 2 12

1 0
1 2

33

34

1 2
2
1
2 2
0
1 2

35

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.
ANLISIS DE LA FAS
Utilizando las expresiones (33) (35), podemos escribir:

1 1 1
0 1 2

2
2 2 2 1
0
1 2

36
37

As, en general7

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.
7
Esta expresin puede ser verificada a partir de las ecuaciones (36) y (37). Por ejemplo, utilizando la primera
de ellas, y segn (38):
5

1 10 2 -1

lo que, usando la simetra que provee la estacionariedad de la serie, es igual a:

1 1 21

dado que 0=1. As,

8


k k 1k -1 2 k - 2
0

k 0

38

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 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
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
y t y t -1 2 y t - 2 t , se usar para estimar la FAP2=2

39
40

y as sucesivamente. Ntese que en la ecuacin (40) la FAP2 es igual, por definicin, a 2, mientras
que la FAP1, que proviene de la estimacin de la ecuacin (39), no es igual a 1. Por lo mismo, si
deseamos hallar la FAP3, utilizando la ecuacin (41)
y t 1y t -1 2 y t - 2 3 y t - 3 t

41

observaremos que, de acuerdo a la especificacin del modelo (de orden 2), el 3 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 .
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.

1
1 2
9

1.2.3. Modelo de Medias Mviles

Son aquellos que especifican la serie como un promedio ponderado de los errores presentes y
pasados.
a) Modelo de medias mviles de orden 1, MA(1)
Este modelo tiene la siguiente especificacin:
y t t - t 1

42

Ntese que un proceso de medias mviles es siempre estacionario porque es una combinacin
lineal de ruidos blancos, y estos siempre son estacionarios.
Tomando la esperanza y la varianza a la expresin 42 se puede verificar que:

E y t 0

V y t 2 2 2 2 1 2

43

ANLISIS DE LA FAC
En lo que respecta a la funcin de autocovarianza de este tipo de serie se tiene que:

0 y2 1 2 2

1 yt yt 1 t t 1 t 1 t 2 2

2 y t y t 2 t t 1 t 2 t 3 0
3 y t y t 3 0

44

y as sucesivamente, por lo que podemos generalizar este resultado diciendo que:

k 0

k 1
45

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

0 1 2

46

10

2
0
0

por lo que generalizando se tiene que:

k 0

k 1

47
ANLISIS DE LA FAP
Dado que el modelo de medias mviles, tal y como est planteado en la ecuacin 42, slo
evidencia una relacin entre yt y los errores presentes y pasados, es 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 42 tenemos que:

t y t t 1

48

y rezagando 48 sucesivas veces obtenemos que:

t 1 y t 1 t 2
t 2 y t 2 t 3
.
.
.

49

Realizando los reemplazos de 49 en 48 resulta que:

t y t y t 1 y t 2 t 3

50

t y t y t 1 2 y t 2 3 t 3

51

De 51 se puede despejar yt para obtener:

y t y t 1 2 y t 2 3 t 3 t

52

de lo que podramos deducir que, si continuramos reemplazando los rezagos de t, yt estara en

funcin de su propio pasado en forma infinita, o lo que es lo mismo:

y t s y t s t
s 1

53

Ntese adems que la ecuacin 53 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 tiene que ser menor que 1 en valor absoluto, por lo que se dice entonces que
un proceso MA ser invertible (tendr una representacin AR estacionaria) si y slo si 1 .

11

Todo esto adems implica que la FAP de un proceso MA(1) converge a cero, bajo diferentes
formas, dependiendo del signo de : 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.

b) Modelo de medias mviles de orden 2, MA(2)

Este modelo tiene la siguiente especificacin:
y t t 1 t 1 2 t 2

54

por lo que se puede deducir que su valor esperado y varianza son iguales a:

y t 0

55

V y t 2 12 2 22 2 1 12 22 2

56

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:

0 y2 1 12 22 2

1 y t y t 1 t 1 t 1 2 t 2 t 1 1 t 2 2 t 3 1 2 1 2 2 1 2 2 1
2 y t y t 2 t 1 t 1 2 t 2 t 2 1 t 3 2 t 4 2 2

3 0
.
.
.

57

a partir de lo cual es posible generalizar que:

k 0

k 2

58

ANLISIS DE LA FAS

De igual forma podemos derivar la FAS; as:

0 1

12

1 1 2 1

0 1 12 22

2
2

0 1 12 22

3 3 0
0

y generalizando:

k 0

k 2

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.
Finalmente, generalizando para procesos MA de orden q podemos decir que:
La FAC y la FAS son iguales a cero k > q.
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.

1.2.4. 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)

Este modelo tiene la siguiente especificacin:
y t y t 1 t t 1

59

De esta forma, el proceso ARMA (1,1) ser estacionario cuando 1 , es decir, cuando la parte
AR de la serie lo sea, mientras que ser invertible toda vez que 1 .
Si tomamos valor esperado a 59 comprobaremos que:

13

 y t 0

60

por lo que la varianza se puede hallar de la siguiente forma:

V ( y t ) y t 2 2 y t21 t2 2 t21 2y t 1 t 2y t 1 t 1 2 t t 1

61

al tomar esperanza al trmino del lado derecho varios elementos se hacen cero, de tal forma que:
V ( y t ) 2V ( y t ) 2 2 2 2 2

V ( y t ) 1 2 2 1 2 2

V ( yt )

1 2
1

62

ANLISIS DE LA FAC
Usando procedimientos similares a los de los modelos previos se tiene que:

2 1 2 2
1 2
1 y t y t 1 y 2t 1 t y t 1 t 1 y t 1

0 V ( yt )

1 0 2

2 y t y t 2
2 1

(1 )( )
2

1
y t 1 y t 2 t y t 2 t 1 y t 2

63

Generalizando, la FAC de un proceso ARMA (1,1) tiene el siguiente comportamiento:

k k 1

k 1

64

ANLISIS DE LA FAS Y LA FAP

A partir de la estimacin de la FAC podemos derivar la FAS del modelo:

0 1

1 1

0
1 2 2

65

14

2 1

1
0 0

Generalizando:

k k 1

k 1
0
0

k 1

66

Las expresiones 64 y 66 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 . 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.
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)
FAP ARMA (1,1)

FAS AR(1) para todo k>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)
FAP ARMA (p,q)

FAS AR(p) k q
FAP MA(q) k p

1.2.5. Anlisis de residuos en la identificacin del modelo univariado

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.
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)

jp

67

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

15

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)

68

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.
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.

16

1.2.6. Estimacin de los modelos univariados

a) AR
En el caso de un AR(1) como el de la ecuacin (8), es posible estimar el utilizando MCO, es decir:

MCO

y y
y
t

t 1

69

2
t 1

No obstante, hay un conjunto de observaciones alrededor de este estimador:

1. Xt, la variable explicativa, es en realidad Yt-1, y en general,
Xt+j =Yt+j-1
Por lo que al verificar la ortogonalidad entre la variable explicativa y el error, se observa que

Cov xt , t Cov( y t 1 t ) 0

Cov xt j , t Cov ( y t j 1 t )

j 1

2 0

Por lo tanto, slo hay independencia contempornea, pero no con los valores futuros de las
Xs.
2. Las variables explicativas no son exgenas, son endgenas rezagadas o predeterminadas
(explicadas en un periodo previo por el modelo).
3. El estimador MCO es sesgado, es decir, . As:

y y
y
2
t 1

t 1

2
t 1

y t 1 t

2
t 1

yt 1 t
yt21

70

71

72

sesgo

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.

17

Ante esto es indispensable verificar las propiedades asintticas del estimador, principalmente si es
consistente o asintticamente insesgado, es decir:
MCO p ?

de la expresin (71) se puede concluir que:

yt 1 t
yt21

73

dividiendo por T el numerador y denominador de la expresin de la izquierda de (73) se tiene que:

yt 1 t

yt21

74

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

T = T

=
2
y
t 1

t 1 t

T
2
t 1

75

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:

St
N (0,1)
Ct d

76

As, si definimos:
S t y t 1 t
C t V (S t ) =

77

V ( y

)V ( t ) = T
2
y

T y

78

reemplazamos estas expresiones en (75), y tenemos en cuenta que el denominador de dicha

expresin converge en probabilidad a 2, podemos construir:

18

St

79

2
y

lo que puede rescribirse, multiplicando numerador y denominador por , de forma que:

S t
S t
=
2
T y C t y

80

Con ello y recordando la expresin (76), se puede determinar que:

y2

T d N 0, 2

81

Obteniendo de esa forma que:

2
d N , 2
T
y

82

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)
c) MA
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:
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.
19

Teorema de Said y Dickey (1984): Un proceso ARMA (p,q) se puede aproximar por un ARMA(n,0),
donde n no debe ser mayor a T1/3.
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.
d) 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).

20

1.2.7. 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.
Etapa de Identificacin
Consiste en un anlisis visual del grfico de la serie y su correlograma. El primero permitir ubicar
uno de cualquiera de los siguientes problemas:
La presencia de outlayers (observaciones extremas) o missing values (valores perdidos), los
cuales deben ser corregidos antes de empezar el anlisis.10
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 (un anlisis ms exhaustivo al respecto se presentar ms adelante).
Corregidos todos estos problemas ser necesario inspeccionar el correlograma de la serie,
especficamente la FAS y la FAP. 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.
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 LjungBox (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:
Ho = un conjunto de k correlaciones es igual a cero (error no est correlacionado)
el estadstico es:
k

Q T T 2
j1

2j

T - j

2k

pq

83

Para aceptar la nula Q debe ser chico (y la probabilidad asociada a aceptar la nula mayor que 5%).
Se preferir entonces el modelo con menor Q.
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.
21

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 aceptable.
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.
Se prefieren los modelos con AIK y SBC ms bajo, ya que a medida que se incorporan regresores
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.
Etapa de Diagnstico
Someter el modelo elegido a todas las pruebas tradicionales; especialmente verificar si
todava se observa auto correlacin de errores o si estos han sido adecuadamente limpiados.

22