You are on page 1of 15

Anlisis de las series temporales

Introduccin: En 1970, Box y Jenkins propusieron una rigurosa metodologa para la identificacin, estimacin y diagnstico de modelos Dinmicos para series temporales que, justificadamente, se ha convertido en una herramienta habitual en el anlisis de series econmicas. Son modelos en los que el comportamiento de una variable se explica slo utilizando su propio pasado, por lo que se los conocen como modelos univariantes. En el anlisis univariante, se pueden considerar tres grandes grupos: mtodos de descomposicin, mtodo de alisado exponencial y modelos ARIMA univariantes. Nosotros nos concentraremos por ser slo un enfoque de introduccin al estudio de las series de tiempo en el mtodo de Descomposicin. Segn dicho mtodo, el esquema de generacin de una serie temporal se puede descomponer en: tendencia, un factor cclico, estacionalidad y movimiento irregular. La Tendencia refleja las variaciones a largo plazo. El factor cclico consiste en variaciones superiores a un determinado lmite temporal que no son estrictamente peridicas. Los movimientos estacinales se caracterizan por tener una periodicidad de naturaleza fija, aunque la amplitud puede ser variable. Y el movimiento irregular seria el componente de la serie no sujeto a ninguna periodicidad en el tiempo. Yt =Tt. Ct. Et. It Donde: Yt: Serie observada por el estadstico. Tt: Tendencia Ct: Factor Cclico Et: Estacionalidad It: Movimiento irregular Este esquema de integracin de los cuatro componentes para formar la serie es multiplicativo. Aunque tambin podramos hacerlo mediante a la suma de los cuatro componentes: Yt = Tt + Ct + Et + It La Metodologa as dispuesta sobre la adicin de los componentes de la serie de tiempo refleja que una vez que hayamos trabajado sobre la deteccin de la tendencia y la estacionalidad de la serie descripta por el estadista, y evitando trabajar con el ciclo por una cuestin de simplificacin, obtendremos un residuo que es el componente irregular respecto de la serie con la que trabajbamos. Entonces obtuvimos:

It = Yt Tt Et Para aplicar la metodologa de Box-Jenkins sobre el componente irregular de la serie es necesario realizar los siguientes supuestos sobre el componente irregular: a) Estacionariedad (veremos ms adelante con profundidad los alcances de este concepto) b) Ergodicidad1 Una forma de abordar el anlisis estadstico de una serie temporal econmica consiste en considerar que la serie temporal correspondiente a una variable como el consumo agregado es la realizacin de un proceso estocstico. Bajo este punto de vista, cada dato de la serie es una realizacin (es decir, una muestra de tamao 1) de la variable Ct que compone el proceso estocstico de consumo (ct) t = 1. Los procesos estocsticos Las series histricas son sucesiones de variables aleatorias siendo su ndice el tiempo {Xt}. Son observaciones tomadas a intervalos iguales, con lo cual las aplicaciones usuales corresponden a datos observados cada ao, cada mes, cada hora, etc. Con los datos se analiza la estructura de correlacin que presenta la muestra, de aqu se propone y se estima un modelo basado en ecuaciones en diferencias, el cual busca capturar la dinmica de la serie, que de ser correcta la formulacin del modelo se valida y despus se pronostican las futuras observaciones. Estos les llamaremos procesos Auto regresivos Integrados de Media Mvil (ARIMA). Segn las propiedades que satisfagan las variables Yt, tendremos un proceso estocstico de uno u otro tipo: Procesos estacionarios Un proceso estocstico (Yt) es estacionario en sentido estricto si para toda m-tupla (t1, t2, tn) y todo entero k el vector de variables (y t1, y t2,..,y tn) tiene la misma distribucin de variables de probabilidad conjunta que el vector (y t1+k, y t2+k,..,y tn+k). Si m fuera igual a 1, sera lo mismo que decir que las variables estacionarias que componen un proceso estocstico estacionario estn idnticamente distribuidas. En particular, la esperanza y la varianza de las variables yt son independientes del tiempo. Si m = 2, la distribucin conjunta del par (y t, yt-s) en un proceso estacionario debe ser independiente del tiempo. Como consecuencia, la covarianza entre ellas, as como su coeficiente de correlacin, debe ser invariante en t, dependiendo nicamente del valor del retardo, s. El proceso..., Z0, Z2,..., ZT,... se llama dbilmente estacionario de orden m si todos sus momentos hasta orden m existen y no dependen del tiempo. Se trabajar solamente con procesos que son dbilmente estacionarios del segundo orden, tambin llamados procesos estacionarios en covarianza. Lo que implica que el proceso
1

Permite calcular los tres momentos ( media, varianza y covarianza ) llevando cada valor a lo largo del tiempo a un mismo punto en el tiempo, lo cual nos permitira tener todas las observaciones para calcular la distribucin de la serie.

estocstico {ZT} tiene media constante, varianza constante, adems la covarianza no depende del tiempo sino de la distancia a la que se toman las observaciones: i) Tiene media constante no depende del punto de apoyo t, E[Z t] = m para toda t, su grfica oscila alrededor del valor fijo m . ii) Tiene varianza constante, no depende del punto de apoyo t, Var(Zt) = s2 para toda t, se puede proponer una banda, la cual debe contener a casi toda la serie. iii) g (k)=Cov( Zt, Zt-k ) no depende de t, solo depende de k. Las covarianzas tienden a ser irrelevantes conforme k crece, observe que la correlacin y la covarianza estn ligadas por una constante. La covariacin observada entre la variable y su propio pasado (z t , zt-k ), nos da una informacin vital para entender como la tendencia a moverse conjuntamente permite entender su desenvolvimiento. Repitiendo las ideas de modo indirecto. Hacer, si se necesita, una transformacin para que la serie a modelar presente una oscilacin alrededor de un nivel fijo y el patrn de co-movimiento de la variable con su pasado no se altere con el paso del tiempo, por lo tanto las covariaciones reveladas en su historia sern las covaraciones a presentarse en el futuro ya que la covarianza no depende del tiempo. Las covariaciones se capturan en una ecuacin en diferencias, llamada ARMA (p, q) que veremos mas adelante. Una modificacin til es tomar la costumbre de restar la media a las observaciones originales para hacerlas centradas, o sea si la serie estacionaria {Zt} tiene media mZ, es muy conveniente ajustar la serie original y formar la serie centrada: {Wt}, W t = Z t - mZ . centrados). E[Wt]=0. (En la prctica siempre es recomendable tomar datos

Estos procesos estacionarios del segundo orden llamados tambin estacionarios en covarianza, forman la familia que define el mbito de estudio, la cual tiene un miembro que lleva un lugar destacado en la teora y la prctica, es el ruido blanco {a t }. La serie {at }, o sea; a1,...,aT,...., se le llama ruido blanco si cumple las condiciones: E[at] = 0 media cero. Var(at) = s varianza constante. Cov( at, as) = 0 para t diferente de s. No hay co-movimiento entre la serie y sus retrasos. Si se tiene un proceso estocstico de media cero, varianza constante, donde los diferentes trminos no presentan co-movimiento (correlacin) entre s, esta serie se le llama ruido blanco. Si adems cada variable aleatoria esta distribuida bajo la normal se le llama un proceso de ruido blanco gaussiano. La importancia radica en que el ruido blanco al no depender de su pasado las nuevas observaciones son solo

innovaciones debidas puramente al azar. Ya que no hay covariacin entre a t con at-k. El enlace lineal que presenta la serie {Zt}, con su pasado, lo cual se medir por la covariacin ya normalizada que es la correlacin entre Zt con Zt-k. Usualmente las series econmicas no son estacionarias sino que son evolutivas, esto se debe a que presentan una tendencia al crecimiento. Hay dos tipos de series que nos van a ser especialmente tiles de estudiar. Las series estacionarias por tendencia son aquellas en las que un polinomio gua la tendencia de la serie por lo que estas presentan oscilaciones alrededor de su lnea determinista y cuando se presenta una perturbacin la trayectoria de la variable aunque momentneamente se altere, retoma su trayectoria de largo plazo la cual esta marcada por su tendencia determinista (o sea el polinomio).En este caso se hace una regresin, o sea se proyecta la serie contra el polinomio y los residuos son los datos ajustados por tendencia. La otra familia consiste de las series estacionarias en diferencias; ahora se trata de un proceso que su lnea de tendencia la controla el azar, por lo que no manifiesta ninguna tendencia a tomar alguna trayectoria fija, la lnea de tendencia es probabilista por lo que una perturbacin manda la variable a una nueva trayectoria. En este caso se aplican primeras o segundas diferencias y se llega a una serie estacionaria en covarianza. La diferencia es muy importante y se usa una prueba de races unitarias para hallar a que grupo pertenece. Esto ha mostrado ser vital no solo para especificar correctamente un modelo, sino que ms importante an, nos obliga a considerar el carcter que poseen las series con las que se trabaja cuando se formulan los modelos. Series con tendencia determinstica. En los mtodos tradicionales se acostumbra tomar la descomposicin de una serie en tres componentes la lnea de tendencia, una componente estacional y la ultima una parte irregular. Se utiliza una especificacin aditiva o multiplicativa:

Ejemplos de modelos usuales con tendencia determinista son:

Algunas veces estn con trminos retrasados de zt. En este contexto la nocin "ajustar por tendencia o remover la tendencia determinista" significa ejecutar la regresin de la variable Zt contra tiempo y guardar los residuos, ya que corresponden a la nueva serie con la tendencia ya removida. En el caso de un polinomio de grado n,

los estadsticos: la t-Student y la prueba F son instrumentos para determinar el grado del polinomio, con la t prueba se analiza si han es cero en cuyo caso se estima el polinomio de grado n-1 y se vuelve a hacer la prueba sobre la significacin del parmetro an-1. La prueba termina con el primer coeficiente significativo que es el grado del polinomio. No es correcto pensar que toda serie evolutiva, con ajustarle un polinomio y quedarse con los residuos ya se logra una adecuada serie estacionaria en covarianza, esto se logra solo con las series estacionarias en tendencia ( trend stationary) hay otra familia muy importante la cual se hace estacionaria utilizando diferencias (difference stationary). Series con tendencia estocstica. Estudios recientes afirman que el considerar la variable PIB como una serie de tendencia determinista es equivocado por lo que utilizar la regresin simple para estimar esta tendencia, se ha vuelto controvertida. Ya que implica un patrn de crecimiento determinstico fijo de largo plazo. Los adherentes al ciclo econmico real afirman que un avance tecnolgico tiene efectos de largo plazo por lo que no se acepta esta nocin de tendencia inmvil de largo plazo. Dado que el surgimiento de las innovaciones tecnolgicas es estocstico la lnea de tendencia debe mostrar este carcter de aleatoriedad, por lo que se tiene que considerar que la tendencia es inherentemente probabilstica y que un choque tiene efectos permanentes. Anlisis de los Modelos Autorregresivos y de los Modelos de Medias Moviles Fase de identificacin Un correlograma es una representacin grfica de la funcin de autocorrelacin (FAC) y de la funcin de autocorrelacin parcial (FACP). El proceso de identificacin consiste en comparar el comportamiento de stos estadsticos con funciones de autocorrelacin y autocorrelacin parcial tericas con los que pueden guardar alguna similitud. Para el caso de un AR (p), la FAC muestra un decrecimiento rpido de tipo geomtrico puro si el signo de P es mayor a cero, caso contrario ser un decrecimiento sinusoidad mientras que el FACP se anula para retardos superiores al p. En el caso de un MA (Q), la FAC se anula para retardos superiores a q, mientras que la FACP decrece rpido de tipo exponencial (si el signo de q es mayor que cero o sinusoidal en caso contrario. Si el modelo considerado fuera un ARMA (p, q), la FAC los primeros valores iniciales no tienen un patrn fijo y van seguidos de una mezcla de oscilaciones sinusoidales o exponenciales amortiguadas. En el mismo sentido, la FACP tiene los primeros valores iniciales que no poseen un patrn fijo y van seguidos de una mezcla de oscilaciones sinusoidales o exponenciales amortiguadas.

La representacin de los correlogramas en el programa E-Views cuenta con cuatro columnas. En las dos primeras se puede observar el signo de FAC Y LA FACP. En la tercera columna encontramos los valores del estadstico de Ljung-Box. Debemos recordar que el Test de Lunj-Box que sigue una distribucin Ji-Cuadrado con m grados de libertad, siendo m la longitud del rezago. La hiptesis nula es que la serie es ruido blanco. Y en la cuarta columna se puede encontrar el valor p-value a partir del cual si su probabilidad es mayor a 0.05, se aceptara la hiptesis nula, caso contrario se rechazara, y significara que la serie tiene estructura. Cuadro 1

En el cuadro 1, el contraste terico nos indicara que se puede hablar de un modelo AR por el rpido decrecimiento sinusoidal con signo negativo de la p. Para comprobar si es un AR (10) habra que realizar un test de Barlett. Se puede comprobar que el modelo es ruido blanco. Cuadro 2

En el cuadro 2, se podran sugerir varios modelos. Se podra indicar que es un MA (3) o quizs un ARMA (3,3). Para comprobarlo, se debera realizar el Test de BARLETT. Se puede comprobar al observar la cuarta columna que la serie no tiene estructura. Cuadro 3

En el cuadro 3 el decrecimiento sinusoidal de la FAC nos sugerira un AR 2, aunque tambin podramos entrar en la duda de sugerir un ARMA ( , ).

1. Inversibilidad
Todo proceso Autoregresivo estacionario es invertible en un modelo MA () que siempre es estacionario

Cuando la cantidad de reemplazos tiene a infinito se pasa de un modelo AR(1) a un MA() Lo mismo sucede si quisiramos ir del MA al AR

Se pasa en este caso de un modelo MA (1) a un AR()

2. Estudio de Media y Varianza en modelos AR


Media -Para modelo AR (1)

-Para modelo AR(p)

Obtenemos los mismos resultados que antes Varianza (trabajamos con variables centradas) -Para AR (1)

-Para AR (p)

Funciones de Autocovarianza (FAS) Hay una relacin entre la covarianza de dos periodos y la varianza de yt -Para modelo AR (1)

Las expresiones obtenidas al desarrollar las FAS son necesarias para poder expresar la funcin de autocorrelacin. Funcin de Autocorrelacin (FAC)

Si un proceso es estacionario los valores de su FAC irn disminuyendo a lo largo de los sucesivos periodos. Los shocks aleatorios disminuyen con el tiempo.

3. Estudio de Media y Varianza en modelos MA


Media -Para modelo MA (1)

Mismo resultado obtenemos para un proceso MA(q) Varianza (trabajamos con variables centradas) -Para MA (1)

Funcin de Autocorrelacin (FAC) -Para MA (1)

Obtenidas las FAS es fcil desarrollar las FAC

4. Estudio de Media y Varianza en modelos ARMA


Lo que vamos a hacer ahora es ver rpidamente el problema de la estacionariedad.

Media -Para modelo ARMA (1,1)

Varianza (trabajamos con variables centradas) -Para ARMA (1,1)

Siguiendo as el anlisis Funcin de Autocorrelacin (FAC) -Para ARMA (1,1)

No ser difcil a este punto calcular la FAC

Bibliografa: Gujarati, Damodar. Econometra, tercera edicin. Editorial McGraw-Hill. Novales Cinca, Alfonso. Econometra,Segunda Edicin. Editorial McGraw-Hill. Uriel, Ezequiel. Anlisis de Series Temporales. 1995. Editorial Paraninfo.

You might also like