Apuntes de Econometra II

Nota del autor. Este documento es un resumen del libro de texto de la asignatura Econometra II de la licenciatura de Economa en la UNED. Como tal, es mi visin de la asignatura, que no tiene por qu coincidir con la de los dems. No he sido capaz de seguir las mismas pautas en todo el documento, sobre todo en lo que hace referencia a los globos de resalte. Para las ecuaciones he usado el editor de ecuaciones de Word 2010, que est mucho mejor que sus hermanos anteriores. Ya hemos pasados de Neanderthal a Cromagnon. Aun as, en ocasiones es complicado y muy costoso en tiempo pasar todo el formalismo matemtico a formato electrnico, por lo que he decidido hacerlo a mano, mtodo tradicional, y pegar las imgenes escaneadas. Esto le da un aspecto en extremo cutre al trabajo, pero la finalidad no es cuidar el aspecto. He decidido, en la medida de lo posible, construir las frases siguiendo el orden tradicional de sujeto-verbo-predicado, evitando adems separar el sujeto con una coma. He evitado el uso de condicionales (sobre todo si no se dice qu condicin aplica), he cambiado algunas palabras modernas (tipo criticismo) por su versin clsica (crtica) y alguna cosilla por el estilo. Si alguien quiere usar estos apuntes, por m, encantado. Eso s, bajo su responsabilidad. El que los reciba es libre de hacer lo que considere: editarlos, cambiarlos, copiarlos, distribuirlos y quemarlos (o borrarlos del disco duro; tambin se puede quemar el disco duro, pero me parece muy radical). Suerte a todos los que se examinen. Fdo. J. Mayo de 2013

Presentacin del Programa de Econometra II

El objeto de esta parte del programa son los modelos economtricos de series de tiempo. Toda la Econometra trabaja con datos de series histricas. La economa cuantitativa se dedica a la medicin de las regularidades; esta medicin se particulariza en la determinacin de los valores de las constantes econmicas, supuesto que estas existan. Las series histricas se interpertan como muestras seleccionadas en forma representativa (aleatoria) a partir de una poblacin denominada proceso estocstico. Aleatorio significa representativo. Tal representatividad se supone conseguida si las observaciones de la muestra fueran seleccionadas de forma independiente del seleccionador de la muestra. El programa pretende realizar aplicaciones orientadas a definir la lnea de trabajo del economista. El anlisis de series temporales prolonga la aplicacin de la inferencia clsica atemporal a una inferencia pensada para series de tiempo. Tras un proceso de generalizaciones formales, se pretende llegar a formular modelos de series de tiempo, con significado y forma, similares a los utilizados en los modelos estructurales. El programa se inicia con el estudio de los procesos estocsticos univariantes estacionarios en el dominio del tiempo (ARMA) y en el de las frecuencias ( Anlisis Espectral), para terminar en cuestiones de no estacionaridad (tendencias). El anlisis univariante de series de tiempo se generaliza a dominios no univariantes como la cointegracin, series planteadas en el dominio del tiempo, as como modelos de funciones de transferencia, en el dominio de las frecuencias o periodicidades. El anlisis de los ciclos puede verse como antecedente del estudio de series de tiempo, si bien bajo presupuestos metodolgicos diferentes. Los primeros estudios de ciclos son empiricistas, no estocsticos, y adoptan la idea de modelo. La omisin de variables se interpreta como un problema de especificacin. Se parte de la hiptesis de pluralidad de causas. Se impone gradualmente la idea de modelo economtrico. El modelo pasa a ser la unidad de anlisis, frente a la idea de la medicin de teoras econmicas cualitativas, que pareca esperar como un resultado lgico. No se cuestiona el fundamento de la validez de un modelo, sino que ste se acepta sin ser cuestionado.

La medicin de teoras cualitativas hubiera obligado a plantearse problemas como el tratmiento de las dems causas (condicin ceteris paribus). La condicin de ceteris paribus se subsuma en las discrepancias de la regresin, reinterpretadas (de forma forzada) como perturbaciones aleatorias. En los modelos de regresin mltiple los planteamientos cambian: la regresin mltiple y la condicin de ceteris paribus son visiones contradictorias. En una regresin mltiple, algunas de las dems causas son susceptibles de ser especificadas explcitamente en el modelo, quedando el resto subsumidas en las discrepancias de la regresin, interpretadas como perturbaciones aleatorias. Tinbergen es empiricista por cuanto otorga la primaca a los datos. La experiencia de las cuantificaciones economtricas ha registrado coeficientes con valores diferentes, y a veces, con signos contrarios a los esperados de acuerdo a las consideraciones tericas.

Los mtodos estadsticos

Los modelos de series de tiempo se apoyan en la aplicacin de los mtodos estadsticos. El objeto de la econometra ha sido el desarrollo de mtodos de inferencia estocstica y de la especificacin y estimacin de modelos estocsticos (modelos de series de tiempo). Esto se desarrolla en un marco de formalizacin creciente. Histricamente, se podan haber intentado medir las elasticidades sin recurrir a la regresin. Los datos principales en economa son series histricas. La cuestin estriba en si la estadstica atemporal es trasladable al estudio de la economa medida con series histricas.

El desarrollo de los mtodos estadsticos en el dominio atemporal

La estadstica descriptiva trata de someter los datos a un proceso de reduccin, cuyas caractersticas pasan a ser reinterpretadas dentro de la inferencia estocstica, en un principio atemporal. El problema de la econometra se convierte en un problema de inferencia estocstica. En el avance, el trnsito de la interpretacin de las discrepancias (desde errores de medida hasta variables omitidas) se realiza de forma poco convincente. El probabilismo en Econometra no es el resultado de una paciente generalizacin inductiva, sino de una introduccin apriorstica como hiptesis mantenida. Los mtodos estadsticos asociados a la medicin han sido interpretados como una rama de la matemtica aplicada. Lo novedoso de la Political Arithmetic deriva de la pretensin de la aplicacin de los mtodos estadsticos a conceptos econmicos. Con el tiempo, los datos se llevan a tabla de doble entrada, permitiendo la comparacin de diferentes entidades administrativas. En un principio, prevalece una visin esttica. Los procedimientos grficos son medios de presentacin de resultados numricos, para pasar posteriormente a ser medios de investigacin. Se produce gradualmente una cierta evolucin metodolgica. En la escuela inglesa, Pearson aade la idea de ley (ley de frecuencias, de los grandes nmeros, de la mortalidad). La agregacin de individuos lleva a reconocer los fenmenos sociales de masa. Las poblaciones podran representarse mediante parmetros. El objetivo fundamental es la descripcin, la reduccin de datos. La escuela histrica alemana propone utilizar historia cualitativa y numrica (datos estadsticos). Hay una escuela continental (francesa). En ella, la estadstica se identifica

con la informacin numrica sobre la sociedad. Se desarrollan dos sistemas:

Tablas descriptivas destinadas a informar. Los estados informativos para los administradores.

En determinado momento irrumpen las probabilidades, que conducen a distintos tipos de certeza: La matemtica (equiprobabilismo). La fsica (frecuencias observadas). La moral, basada en el testimonio y la conjetura de ndole subjetiva.

Dentro de la escuela francesa se instaura la idea del hombre medio: la media representa los ideales de la sociedad. La ley de probabilidad binomial (atemporal) se complica cuando hay que calcular la probabilidad de un suceso para un nmero elevado de lanzamientos. El descubrimiento de la ley normal permite aplicar la probabilidad a un nmero prcticamente infinito de sucesos independientes. Aunque el nmero de pruebas sea atemporal, se realiza en el tiempo. Por eso, a veces, se considera como natural la correspondencia entre el nmero de pruebas y el tiempo. Los errores de medida son accidentales e inevitables. Son ms probables los ms pequeos, dependiendo su magnitud de los instrumentos de medida. No hay sesgos (errores sistemticos). La generalizacin de la probabilidad de los juegos de azar a los errores de medida mantiene el principio de que en ambos campos se prescinde de la dimensin temporal de las observaciones. Cuando se relacionan inductivamente los nmeros referidos a dos o ms fenmenos, el instrumento utilizado es la correlacin. La correlacin aparece y se contempla como un esquema conceptual opuesto al de la causalidad propia del razonamiento deductivo. K. Pearson asume la idea de que la correlacin es una categora opuesta a la causacin. Las razones para su escepticismo sobre la causalidad derivan de su teora del conocimiento, influenciada por Ernst Mach. Mach se apoya ms en la fsica que en la biologa. La categora de causalidad pasa a ser substituida por el concepto matemtico de funcin, concepto que define una relacin de dependencia de los fenmenos entre s. Pearson interpreta las leyes como frmulas abreviadas que sintetizan las percepciones. Las leyes funcionales nunca se cumpliran estrictamente. La idea metafsica de causa cedera su lugar a la idea de correlacin entre hechos observados. Qu significa correlacin? Alguna relacin de causa-efecto entre las cosas. Valores de la correlacin inferiores a 1 (correlacin perfecta) significaran que causas y efectos no han sido asilados perfectamente.

El desarrollo histrico de los mtodos estadsticos en el dominio del

tiempo. La aplicacin de los mtodos estadsticos atemporales a series de tiempo puede verse como un intento de convertir las fluctuaciones temporales en desviaciones atemporales. El procedimiento seguido para trasladar los conceptos atemporales al tiempo se asocia a la transformacin de las series de tiempo en estacionarias. Con ello se pretenda descubrir leyes estadsticas. Existan razones para explicar y comprender el salto lgico de lo atemporal a lo temporal. La evolucin puede entenderse como un desplazamiento de la media de la distribucin de cada generacin, lo que hace aparecer de modo natural el desplazamiento en el tiempo. Cuando las

variaciones de las series histricas se traducen a una distribucin de frecuencias atemporal, rara vez adoptan la forma de la campana de Gauss. Antes bien, aparecen como distribuciones asimtricas, dejando la media de ser constante. Los investigadores de modelos de series de tiempo se han decantado por la probabilidad y la correlacin. La aceptacin de este esquema requiere que las series de tiempo puedan ser consideradas la imagen emprica de sucesos aleatorios, es decir, conseguir que las series de tiempo sean estacionarias. Para Wold, si los procesos temporales fuesen estacionarios cabra aplicar la regresin y el anlisis espectral. El problema principal radica en la caracterstica de dependencia de las observaciones sucesivas de las series de tiempo. Las observaciones no son consideradas independientes de las anteriores. Yule subraya las dificultades de investigar relaciones causales mediante la correlacin de fenmenos econmicos. La investigacin de relaciones causales entre fenmenos econmicos presenta muchos problemas de dificultad peculiar, y presenta muchas oportunidades para establecer conclusiones falaces. En lugar de hablar de relacin causal, cantidades relacionadas causalmente, se usa correlacin, cantidades correlacionadas. Un coeficiente de correlacin elevado no es prueba de relacin cuasal. Una de las razones de la dificultad de las inferencias econmicas se debera a la pluralidad de causas, que condicionara la interpretacin de los coeficientes de correlacin, pudiendo estar enmascarados los efectos de las diferentes causas. Hooker propone correlacionar las desviaciones respecto a una media instantnea (idea aproximada a la tendencia). Este procedimiento sera aplicable cuando las oscilaciones son peridicas. En una primera etapa, los datos se presentan en forma de tablas; luego se representan grficamente en el tiempo. En la poca de Pearson los diagramas temporales y las formas geomtricas son tan importantes como las ecuaciones.

El mtodo de las diferencias variantes y el significado de la correlacin

El origen del mtodo de diferencias se encuentra en los algoritmos monetarios utilizados por los comerciantes, los financieros y los especuladores, derivados de la observacin de los movimientos de precios y cantidades. El empleo de diferencias y tasas obedece a razones econmicas, antes que a formales. Se considera desde un principio que la dificultad principal de llevar los mtodos atemporales a series histricas estara en la no estacionaridad, entendida como indicador de la existencia de causas inalteradas. Para eliminar su influencia se recurre a la transformacin de las series histricas observadas en estacionarias, lo que conllevara la eliminacin de la dimensin histrica (temporal). Para Hooker, las medias mviles seran tiles en caso de movimientos peridicos. La aplicacin de la transformacin de diferencias sera til para tratar movimientos cortos, fueran o no peridicos, siendo su principal ventaja la sencillez de aplicacin. A largo plazo, lo adecuado para medir la interdependencia podra ser utilizar desviaciones respecto a la media aritmtica. Las primeras diferencias revelaran los movimientos a corto plazo. Las variaciones sistemticas estaran representadas en los movimientos a largo plazo; las irregulares, en los movimientos a corto. Student proporciona una regla para decidir el orden de diferenciacin (el valor en el que se estabiliza la varianza) como procedimiento para descubrir la correlacin verdadera. Permitira sustituir una correlacin espuria por otra considerada verdadera. El criterio sera el valor en el que se estabilizara la varianza. Inconveniente: a veces la varianza no se estabiliza.

A Yule le preocupa la autocorrelacin de cada serie. Las series autocorrelacionadas generaran correlaciones espurias. Persons: Las caractersticas de series de tiempo anuales pueden concebirse constituidas por los siguientes elementos : tendencia secular, fluctuaciones cclicas, fluctuaciones irregulares. Parece ser adverso al empleo del mtodo de las diferencias, prefiriendo correlacionar desviaciones a la tendencia. La transformacin de las series en estacionarias se va asociando a razones formales tales como que la tendencia secular impedira la percepcin de los movimientos peridicos o aleatorios. Los primeros se eliminan con desviaciones a la tendencia, y los segundos mediante diferencias. Las regularidades que se descubran a partir del estudio de tales transformaciones consistan en movimientos similares a oscilaciones en torno a una media constante, dentro de un rango de amplitud constante. La serie resultante es estacionaria. La aplicacin de primeras diferencia a varias series de tiempo permitiran determinar empricamente leyes econmicas correlacionando las series diferenciadas, descubriendo con ello relaciones a corto plazo, y reduciendo (atenuando) la amplitud de las tendencias o cambios seculares.

El anlisis espectral
La hiptesis contraria a la aleatoriedad es la regularidad (en sentido estricto, la periodicidad), cuya medicin se instrumenta mediante el anlisis del periodograma. Partiendo de la aceptacin de la hiptesis de la probabilidad, se ha rechazado el periodograma, pues las series de tiempo no se caracterizan por oscilaciones de amplitud fija. Se ha pretendido reinterpretar el anlisis peridico en trminos de probabilidades manteniendo la hiptesis de aleatoriedad. Se espera que este anlisis permita tratar ciclos con amplitudes variables. El periodograma pasa a ser concebido como un estimador del espectro poblacional. Hasta 1936 (Wald), no se resolvi el problema de la separacin de los diferentes componentes reconocidos en las series de tiempo (anlisis espectral). A juicio de Morgenstern, han existido pocos intentos de aplicar el anlisis de Fourier, debido a las dificultades del clculo al haber muchos coeficientes a calcular. Los mtodos considerados dentro del anlisis espectral se basan en los resultados matemticos de Kolmogorov, Wiener y Cramer, pudiendo verse como generalizaciones del anlisis de Fourier. El espectro se concibe como una descomposicin de la varianza mediante el anlisis armnico:

Proporciona simplicidad conceptual a la interpretacin terica de un comportamiento que vara en el tiempo. Tiene propiedades simples en el muestreo.

El anlisis espectral se relaciona con la causalidad. Ha sido aplicado a la determinacin de ciclos estacionales y a la estimacin de modelos con retardos distribuidos, dentro de la econometra formal.

 Anlisis de la causalidad Consideraciones previas

Se ha reemplazado la palabra causar por otras como determinacin, influencia, correlacin o dependencia funcional. El planteamiento causal se traslada a la medicin: Las curvas de demanda de la teora econmica convencional son relaciones causales. Si en nuestros anlisis estadsticos no partimos de aceptar las relaciones causales entre precios y cantidades, no aproximamos las curvas tericas de demanda. El progreso analtico derivado del principio causal deriva de que una vez conocido el movimiento de la causa, se sigue de modo necesario el del efecto. Consideraciones:

La relacin causal se establece entre una sola causa A y un solo efecto B. Slo cabe hablar de una relacin necesaria si se abstrae la relacin entre un efecto y una sola causa, lo que excluye la pluralidad de cusas. La causalidad es una idea lgica, formulada como una proposicin simple, relacionando un solo efecto (variable endgena) con una sola causa (variable exgena). Adems, se establece deductiva y racionalmente con carcter necesario y general. El concepto de relacin funcional, de dependencia o interdependencia, no excluye la idea de cusa. Ante un desconocimiento de la direccin de la influencia entre A y B se opta por emplear otro trmino: dependencia.

Crticas atemporales del principio causal

En el orden atemporal, existe un gran progreso analtico derivado de hacer abstraccin del tiempo. Un progreso similar ocurre tambin en la causalidad y en la doctrina de las probabilidades. La econometra ha tratado de evitar el recurso al principio causal, sin proponer un sustituto adecuado ni llegar a invalidarlo. La dualidad entre establecer una o varias causas es utilizada para explicar la diferencia entre la causalidad aplicada a los fenmenos fsicos y a los sociales. En los primeros, se considera posible atribuir un determinado efecto a una sola causa, mientras en las ciencias sociales habr que aceptar una pluralidad de causas. Como, de hecho, no se conocen todas las causas, es preciso recurrir a esquemas alternativos, como los basados en las probabilidades, o la regresin. La regresin no es independiente de la correlacin: inferir causalidad a partir de los coeficientes de regresin implicara inferir causalidad a partir de correlacin. El determinismo causal es contradictorio con la probabilidad. En el esquema causal, puesta la causa el efecto se sigue necesariamente, y no con una determinada probabilidad. La causalidad choca con los planteamientos derivados de los mtodos estadsticos. Causalidad lgica y correlacin estadstica obedecen a esquemas opuestos. La econometra procede a sustituir la terminologa de causa y efecto por la de variables exgenas y endgenas. Segn el positivismo lgico moderno, la relacin entre una causa y un efecto sera un principio lgico, aplicable tan solo a ciencias de observacin (no experimentales) como la economa, aceptada la condicin de ceteris paribus. Para el positivismo, toda proposicin cientfica ha de estar dotada de contenido emprico. McLelland pretende aunar causalidad y probabilidad. En economa, las relaciones tienden a ser

vlidas en promedio o en su mayor parte. Asume la pluralidad de causas determinantes de un nico efecto, para argumentar que el trmino conexin necesaria entre cusa y efecto debe remplazarse por el de probabilidad. La econometra posterior a los aos 30 asume la multiplicidad de causas (mltiples regresores). La aceptacin de la nocin de correlacin, atemporal, favorecera medir cuantitativamente una relacin entre una sola variable endgena (efecto) y mltiples variables exgenas (regresores).

La causalidad en el tiempo
Si la causalidad se analizase en el tiempo debera ser, adems de una relacin necesaria, permanente. En los modelos dinmicos se acostumbra a incluir entre los regresores la propia variable endgena retardada (una garanta para mejorar o conseguir un buen ajuste), formulacin contradictoria con el principio causal. Nada se puede causar a s mismo. En cambio, Hicks se concentra en un doble tipo de causalidad: dbil y fuerte. Causalidad dbil significa que A es una de las causas de B, y la fuerte, que A es la nica causa de B. Incluir el tiempo implica perder la caracterstica de necesidad propia de una relacin causal lgica, incompatible con el carcter contingente de las sucesiones en el tiempo. Ignorar la direccin de la influencia es ignorar la propia causalidad. Los intentos de fundamentar la causalidad en regresiones dinmicas no resuelve el problema clsico de sustituir causalidad por correlacin. Hooker seala que el problema de la causalidad no puede inferirse a partir de series de tiempo, dado que al tratarse de datos no experimentales, no cabe consdierar por separado una sola causa. Propone correlacionar las desviaciones a la tendencia, entendida como media instantnea. Para Yule: la dificultad esencial del problema de la correlacin en el tiempo es la dificultad de aislar para el estudio diferentes componentes dentro del movimiento observado de cada variable. Hubo un momento en que el carcter cientfico de un artculo se evaluaba por los valores de los coeficientes de correlacin. La letra ha cambiado, pero el espritu subsiste. La causalidad lgica se establece deductivamente, sin apelacin a la experiencia (datos), poseyendo carcter necesario. La prelacin temporal no tendra validez con independencia de todo tiempo y lugar, no posee carcter necesario. Slo es un resultado emprico que relaciona variables o diferentes retardos, siendo establecida a posteriori.

Anlisis univariante de series temporales estacionarias. Fundamentos metodolgicos.

Consideraciones previas
Los modelos, hiptesis y teoras econmicas trabajan con variables tericas. Que, en la mayor parte de los casos, los datos sean del tipo de series histricas ( temporales) no quiere decir que haya correspondencia necesaria entre las variables tericas y los datos. Las variables consideradas en los modelos estructurales no consideran explcitamente la dimensin temporal de los datos. Los parmetros estimados no variaran aunque se alterase el orden de las observaciones. La distribucin atemporal sigue siendo la misma. Sin embargo, si se produjera un cambio en el orden de las observaciones, afectara a las tendencias y ciclos subyacentes.

El planteamiento en la inferencia clsica es considerar la serie histrica como si fuese atemporal. En la teora de los procesos estocsticos se supone que las variables son intrnsecamente aleatorias (de las Xi y la Yi). En los modelos estructurales se introduca una perturbacin aleatoria; adems, se interpretaban las discrepancias de la regresin como la imagen emprica de una variable aleatoria normal e inobservable (perturbacin aleatoria). La hiptesis bsica de la teora de los procesos estocsticos postula que la historia pasada de una variable Z contendra informacin suficiente para predecir su futuro. Se designa con la letra Z para remarcar su naturaleza estocstica. Los modelos de series de tiempo no mantienen correspondencia de modo necesario con la teora econmica. El criterio de especificacin (seleccin de regresores) del modelo es emprico, estando basado en el examen de los datos. Un modelo univariante de series de tiempo ignora cualquier tipo de relacin entre Z y otra variable. Relaciona los valores actuales del proceso con su historia pasada o con otro proceso equivalente a las perturbaciones. Analticamente: Zt = f(Zt-1,,Zt-p,t, ,t-1, ,t-q) Los modelos de series de tiempo se califican como medicin sin teora, tiles, aparentemente, para la prediccin a corto plazo. En los modelos de series temporales, las series histricas se consideran muestras aleatorias temporales. La idea de un modelo de series de tiempo puede introducirse a partir de la nocin ya conocida de la autocorrelacin de las perturbaciones aleatorias. Para Kuznets hay dos posibles tipos de anlisis: (a) histrico, propio de la hisotria econmica cuantitativa, y (b) inferencial, de naturaleza formal, con la determinacin de las recurrencias temporales. Una hiptesis, probabilstica o no, tendra que explicar las regularidades observadas. La ms usada en la de movimientos puramente aleatorios, sometidos a transformaciones de medias mviles, que generaran ciclos regulares, lo que implica aceptar la hiptesis de Slutzky. Kuznets critica que los anlisis de series de tiempo se centrasen en los ciclos y olvidasen la tendencia. Propone emplear coeficientes de correlacin de medias mviles. Por ltimo, el supuesto de varianza constante est pensado para una poblacin atemporal constante, siendo difcil admitir su validez en series de tiempo. Kuznets se adhiere al efecto Slutzky, del que comenta que, mientras las series de partida estn constituidas por observaciones sin correlacin, la serie de medias mviles sucesivas contendra, en parte, observaciones comunes, de manera que estaran correlacionadas. Esto dara lugar a que el movimiento fuese gradual. Kuznets denomina fluctuaciones cclicas a las desviacioens repecto a la tendencia (primaria) suavizadas mediante medias mviles centradas. Reconoce la dificultad de determinar el tamao de una media mvil (que puede llevar a restos de tendencia o desviaciones en anlisis de series de tiempo). En una visin ms formal, la estimacin de las leyes de comportamiento macroeconmico se efecta a menudo mediante observaciones realizadas sobre perodos sucesivos. El concepto de proceso estocstico representa el conjunto de posibles realizaciones de los fenmenos, estando cada uno de ellos representado por una posible serie histrica susceptible de haber sido observada.

Procesos estocsticos
Un nmero importante de fenmenos econmicos para los cuales necesitamos formular los

modelos probabilsticos aparecen como observaciones discretas sucesivas en el tiempo. El problema a abordar es extender el modelo probabilstico de forma que nos permita representar fenmenos dinmicos. La estructura de dependencia de lso valores de Z(t) es esencial en la definicin de un proceso estocstico. Un proceso estocstico debe representarse por la funcin de distribucin conjunta del proceso: F((Z(t1), , Z(tn)) P[Z(t1) Z1, , Z(tn) Zn) ] Al ser el tamao T del proceso tericamente infinito, la funcin de distribucin debera tener dimensin infinita. Kolomogorov ha demostrado que esto no es necesario si se cumplen las condiciones de regularidad: Que el proceso estocstico Zt dependa de t quiere decir que para cada t, Zt tiene una distribucin aleatoria diferente.

Procesos estocsticos estacionarios

Malinvaud califica los procesos estacionarios como aquellos cuyas propiedades son estables en el tiempo. El concepto de estacionario en sentido estricto no es operativo, pues requiere el conocimiento de la funcin de distribucin, concepto desconocido en la teora de los procesos estocsticos.

Si el proceso estocstico sigue una distribucin normal, coindicen los dos tipos de estacionaridad. Por otra parte, la exigencia de que un momento de un proceso estocstico estacionario sea constante e independiente de t se interpreta como ausencia de movimientos sistemticos, es decir, sin tendencias ni ciclos. La funcin de autocorrelacin generaliza la nocin atemporal de correlacin al tiempo considerando diferentes desfases. Se usa el prefijo auto para indicar correlacin entre valores de la misma serie, considerados para diferentes retardos (designados por u).

La funcin de autocorrelacin slo est definida para procesos estacionarios.

Si los valores del proceso estocstico estacionario no fueran independientes sino que estuvieran autocorrelacionados, lo razonable sera considerar que la correlacin entre valores sucesivos del proceso se fuese haciendo menor a medida que los valores estn ms alejados en el tiempo. As, habr menos correlacin entre Z t y Zt-k, que entre Zt y Zt-1 (k > 1). En consecuencia, la funcin de correlacin tomar valores decrecientes a medida que crece el valor de u: Valores autocorrelacionados u correlacin Funcin de autocorrelacin decreciente con los retardos crecientes: Ru si u La funcin de autocorrelacin se considera til para la identificacin del proceso al ser diferente segn los procesos a partir de los que ha sido calculada. La autocorrelacin de una variable con su misma historia (en el tiempo), toma el valor 1:

r0 = c(0)/c(0) = 1 ru 1 Es una funcin par del tamao del retardo: ru = r-u No unicidad

El anlisis de regresin basado en datos de series de tiempo asume implcitamente que las series de tiempo subyacentes son estacionarias. Los contrastes clsicos de la t, la F, etc, se basan en este supuesto. Estos contrastes han sido construidos para distribuciones atemporales, y su generalizacin a series de tiempo es una cuestin no resuelta. Toda distribucin probabilstica atemporal es estacionaria. La estacionaridad es una caracterstica esencial de las variables estocsticas. No basta imponer a las series temporales la condicin de estacionaridad para que el planteamiento sea probabilstico. Como el proceso estocstico estacionario es desconocido, lo son sus funciones de distribucin o densidad, supuesto que existan. La independencia asinttica postulada para los valores del proceso estocstico implica una restriccin de la memoria en el tiempo. Permite modelar la dependencia temporal mediante un nmero finito de parmetros. La dependencia entre valores sucesivos se hace ms dbil a medida que crece el desfase entre las observaciones.

Principales procesos estacionarios

Tres tipos de procesos estocsticos estacionarios: ruido blanco (RB), medias mviles (MA) y autorregresivos (AR).

Proceso estocstico estacionario puramente aleatorio (ruido blanco,

RB) Malinvaud define un proceso puramente aleatorio en el tiempo como una serie de variables aleatorias independientes con la misma distribucin de probabilidades. El proceso estocstico puramente aleatorio (Ruido Blanco, RB) es el ms simple de los procesos

estocsticos estacionarios. Es importante por ser el fundamento para la formulacin de otros procesos estacionarios ms complejos. Generaliza al dominio temporal el concepto de variable aleatoria atemporal. La no correlacin en el tiempo implica una restriccin de la memoria en el tiempo. Analticamente,

El concepto de RB implica la independencia de todos los valores sucesivos. La caracterstica de independencia (condicin establecida para que una muestra sea considerada representativa) se reemplaza por una menos estricta: autocorrelacin nula. Correlacin nula ms normalidad equivale a independencia; no obstante, en las aplicaciones nunca se descubren procesos con autocorrelacin nula. No es infrecuente que el problema se plantee como una cuestin de grado: la autocorrelacin r(t) es suficientemente pequea de modo que se puede suponer que los datos han sido seleccionados al azar. Si tenemos un proceso estacionario (media y varianza constantes en el tiempo), la expresin (4.3) representa su funcin de autocorrelacin. Si el proceso fuera RB seran nulos los valores de la funcin de autocorrelacin en todos sus retardos. Si se verifica que entonces Z t = Vt. Se suponen las hiptesis clsicas de varianza constante y correlacin nula, constituyendo una generalizacin al dominio temporal de los resultados probabilsticos atemporales. El problema debatido en el anlisis de series de tiempo no es distinguir entre la naturaleza uniforme y normal del proceso, sino determinar si se trata de RB o no, es decir, si las observaciones son o no independientes en el tiempo. A partir de la observacin de los valores no es posible discernir que hayan sido generados de acuerdo a una distribucin normal o uniforme. Ni siquiera que posean autocorrelacin nula. Un proceso RB no es un modelo adecuado para la mayora de series macroeconmicas porque no tiene su caracterstica ms comn: la persistencia. La persistencia se corresponde, en este caso, con la idea de un movimiento sistemtico, con una tendencia. De acuerdo a la definicin de RB, se tiene la hiptesis formal de que la funcin de autocorrelacin es nula con carcter general. Para que se pueda establecer con carcter necesario que la autocorrelacin se anula, dado que es prcticamente imposible obtener autocovarianzas nulas, se requerira en trminos cualitativos que la varianza del proceso RB fuera infinita. Se sigue de ello la imposibilidad del proceso puramente aleatorio en el tiempo. En el caso continuo:

El valor medio cuadrtico de un proceso puramente aleatorio en el tiempo toma un valor infinito, lo cual significa su inexistencia. La imposibilidad del proceso RB en el caso continuo es coherente con la evidencia obtenida en las simulaciones discretas. Todos los procesos discretos tienen correlaciones distintas de cero, pese a ser generadas por simulacin a partir de procesos pseudo-aleatorios, aparentemente RB. La nocin de persistencia ha de verse como contradictoria con la de independencia. El anlisis estocstico de series temporales atribuye las desviaciones entre la definicin terica de RB (correlacin nula) y la evidencia emprica (correlaciones no nulas) a errores de muestreo. La hiptesis probabilstica asume que las series histricas son muestras aleatorias.

Proceso de medias mviles (MA) Consideraciones previas

El fallo de la argumentacin en la que descansa la hiptesis de Slutzky est en asumir que la serie es aleatoria, cuando slo es irregular. La intuicin de una elevada irregularidad lleva a inferir en forma equivocada que una serie irregular es puramente aleatoria en el tiempo (o sea, que es RB). A juicio de Davis, los procesos MA tienen la ventaja de la simplicidad de clculo, as como su utilidad para suavizar fluctuaciones cortas, sin interferir con otras oscilaciones. El grado de suavizado crece con el tamao de la media mvil. Las medias mviles se usan para aproximar tendencias y suavizar movimientos estacionales; sin embargo, han sido cuestionadas en Econometra.

Caractersticas de un proceso de medias mviles (MA)

Como ambos momentos, media y varianza, no dependen del tiempo t, se considera demostrado que el proceso Zt es estacionario. Adems:

Esta condicin implica un nmero finito de parmetros con suma finita. De esta condicin de convergencia se sigue la convergencia a cero de la funcin de autocorrelacin, al depender su valor de los valores de los parmetros i. La forma de la funcin de autocorrelacin ser decreciente. En general, para los momentos de un proceso MA (q) tenemos:

Las funciones de autocovarianza y autocorrelacin dependen del desfase u, no del tiempo histrico. Con ello quedara establecida la estacionaridad en sentido amplio o en covarianza de un proceso MA. Sera estacionario en sentido estricto si adems Vt siguiera una distribucin normal.

 Invertibilidad de un proceso de medias mviles (MA)

Se propone determinar la naturaleza del proceso estocstico estacionario RB o MA a partir de su funcin de autocorrelacion. Dado que una misma funcin de autocorrelacin puede corresponder a ms de un proceso, se presenta una situacin de indeterminacin en esta identificacin. Ejemplo

La condicin de Invertibilidad pasa por transformar los procesos MA(1) en procesos AR, lo que significa expresar los procesos en funcin de las propias Z observadas en momentos anteriores.

 Caractersticas de un proceso de medias mviles MA(2)

La condicin de invertibilidad para un MA(2) viene dada por la exigencia de que caigan fuera del crculo unitario las races de la ecuacin

Los procesos de medias mviles y el efecto Slutzky

La hiptesis defendida en el manual es que los ciclos no pueden ser generados en la aleatoriedad. Es una hiptesis opuesta a la de Slutzky. Kuznets es favorable a la hiptesis de Slutzky, que revisa las crticas derivadas de aplicar la correlacin atemporal a series de tiempo: el coeficiente de correlacin, en cuanto medida de la relacin entre series de tiempo, ha estado sometido a una crtica considerable. Hay acuerdo en que la magnitud del coeficiente no indica la existencia o ausencia de una relacin funcional entre los fenmenos correlacionados. El coeficiente sera un promedio de una tendencia cambiante en covarianza, un promedio de reducido valor descriptivo, y menos inferencial. Concluye la no generalizacin a series de tiempo de los conceptos construidos para distribuciones de frecuencias atemporales. Slutzky afirma ser posible obtener regularidad a partir de irregularidad. El efecto se llama efecto Slutzky. Crtica 1. El argumento de Slutzky es experimental, no deductivo ni racional. Su conclusin sera, por tanto, de valor contingente y particular, establecida tan slo como una mera posibilidad que no cabra predicar de ningn ciclo concreto. [Malinvaud se lo cuestiona en el mismo sentido: acta sobre ciclos ya existentes, no creando nada nuevo] Crtica 2. El periodograma de un proceso RB debera registrar, por definicin, una contribucin constante en todas las periodicidades. Las evidencias difieren de esta definicin. La transformacin de medias mviles amplifica la contribucin de perodos medios y largos del proceso V, atenuando la contribucin de los ciclos cortos. La conclusin de Malinvaud: el clculo de medias mviles de una serie puramente aleatoria conduce a una serie oscilante. Este resultado tiene una gran importancia para el tratamiento estadstico de datos temporales. () Si se trata de estudiar las fluctuaciones cclicas, el ajuste de medias mviles hace aparecer, al lado de las oscilaciones de la componente sistemtica, oscilaciones artificiales debidas nicamente al tratamiento estadstico. Este fenmeno se llama efecto Slutzky.

Proceso autorregresivo

El proceso estocstico estacionario autorregresivo (AR) establece una dependencia de Z de su propia historia pasada.

Consideraciones generales
Frisch y Yule sugieren que los sistemas de ecuaciones lineales en diferencias podran ofrecer soluciones al problema de las oscilaciones amortiguadas. El modelo de periodicidad perturbada

se expresa mediante ecuaciones autorregresivas.

Caractersticas de un proceso autorregresivo

En notacin compacta:

Un proceso autorregresivo puede interpretarse como un modelo de regresin mltiple en el que el papel de los regresores corresponde a los valores retardados de la propia serie. Tambin puede considerarse como una ecuacin en diferencias. Dado que los valores retardados de la propia serie invalidan toda interpretacin con significado causal (nada se causa a s mismo), la estimacin de un AR se reduce a un problema de ajuste o de inferencia estocstica.

La forma de la funcin de autocorrelacin depende del valor del parmetro 1. Si fuera negativo, la funcin de autocorrelacin se comportara como una sinusoide amortiguada. Si fuese positivo, decrecera exponencialmente. En ambos casos, tendera a cero cuando crece el desafse u. Esto es una forma de caracterizar la estacionaridad. La funcin de autocorrelacin de un AR(1) no se anula a partir del primer retardo, dificultando con ello la identificacin del orden del proceso AR.

Funcin de autocorrelacin parcial

A la funcin de autocorrelacin usada hasta aqu se la denomina funcin de autocorrelacin total. La funcin de ACP permite identificar el orden de un proceso AR. La ecuacin de Yule-Walker generalizada al orden p es:

Entre las funciones de autocorrelacin total y parcial de un AR y un MA se mantiene la relacin de dualidad establecida entre los procesos. La funcin de ACP de un MA es anloga a la funcin de ACT de un AR, y la funcin de ACP de un AR es anloga a un MA. El orden del proceso en el MA viene determinado por la funcin de ACT, mientras que la funcin de ACP es la que determina el orden en un AR. Ejemplo pg 134 y ss: la forma decreciente en forma de sinusoide de la ACT indicara un AR. Los dos primeros retardos de la ACP, relativamente distintos de cero, indicaran un AR(2).

Procesos ARMA
Con los criterios expuestos, no hubiera sido posible identificar todos los procesos posibles generadores de las funciones de autocorrelacin, aun cuando fueren estacionarios. A veces no se anulan las funciones de ACT y ACP a partir de los primeros retardos. Cabe imaginar una situacin en la que ambas funciones decaen exponencialmente y, adems, la ACP registra alternancia de signos para los coeficientes sucesivos. En estos casos se considera que el proceso estocstico estacionario generador debe ser una combinacin de los componentes AR y MA. Se habla de procesos ARMA. La identificacin del proceso ARMA a partir de las funciones de ACT y ACP es ms compleja. Supuesto que |1|<1, un proceso MA puede expresarse como un AR de orden infinito, se puede expresar el ARMA(1,1) como

Es de notar que la varianza de un ARMA(1,1) viene expresada en funcin de la varianza de V y de los parmetros de los componentes autorregresivo y de medias mviles. La forma tpica de la funcin de autocorrelacin total de un ARMA(1,1) podra considerarse una exponencial decreciente. El decrecimiento es imputable a la parte AR y puede ser atenuado por el componente MA. Un proceso ARMA (p, q) con valores bajos de p y q (procesos ARMA parsimoniosos) permiten alcanzar buenas representaciones de series observadas, transformadas en estacionarias. Puede utilizarse en las aplicaciones como criterio prctico que el proceso identificado verifique la relacin p+q 2 A partir de un proceso dado AR(B)Zt = MA(B)Vt Se puede obtener, intercambiando los operadores AR y MA, la funcin de autocorrelacin inversa, que se ha propuesto como uno de los instrumentos prometedores para la identificacin: Funcin de ACI: MA(B)Zt = AR(B)Vt Esta funcin tiene propiedades similares a las de la funcin de ACP. Aplicada a un AR(p) se anulara para retardos mayores que p y tendera a cero lentamente para procesos MA o ARMA.

Siguiendo el criterio de parsimonia se recomienda iniciar el procedimiento especificando procesos de orden reducido. En la prctica se alcanzan representaciones adecuadas para muchas series estacionarias con modelos ARMA(p, q) con p + q 2.

Procesos estocsticos estacionales

Los modelos estacionales generalizan el anlisis anterior de los procesos estocsticos estacionarios con valores anuales a datos de periodicidad inferior al ao, como meses y trimestres. Se distingue entre estacionalidad determinstica y estocstica: aunque parte de las fluctuaciones estacionales pueden ser aproximadas en forma determinstica, debido a los efectos del tiempo y calendario una parte de las fluctuaciones estacionales puede ser causada por el comportamiento de los agentes econmicos. Se recomienda tratar la estacionalidad determinstica mediante variables cualitativas. En trminos intuitivos, la estacionalidad determinstica presentara una variabilidad constante, mientras la amplitud de las fluctuaciones estacionales sera variable para la estacionalidad estocstica. Un AR(2) estacional:

Para la eliminacin de la estacionalidad de orden s, se puede emplear una diferencia estacional del mismo orden, aadiendo previamente un logaritmo para eliminar la no estacionaridad en varianza.

Procesos ARIMA
Los procesos ARIMA (la I de Integrado indica que el proceso estocstico es considerado no estacionario, o integrado) se han formulado porque la mayora de las series histricas no verifican la condicin de estacionaridad. La notacin completa de un proceso ARIMA incluye (p, d, q) donde p indica el orden del proceso autorregresivo AR, d el orden de la transformacin de diferencias necesaria para alcanzar la estacionaridad y q el orden del proceso de medias mviles, MA. Se procede transformando en estacionaria la serie histrica observada. Una vez alcanzada la estacionaridad (significa convertir el proceso ARIMA en ARMA), se procede a la identificacin del proceso, esto es, determinar los valores de p y q. Un proceso no estacionario en trminos estocsticos supone movimientos sistemticos, como tendencias y ciclos, pudiendo expresarse un proceso no estacionario como aquel cuyos primeros momentos son dependientes del tiempo histrico.

Inferencia estocstica en series temporales

Introduccin
Se trata la inferencia estocstica aplicada a muestras supuestamente seleccionadas al azar a partir de supuestos procesos estocsticos estacionarios. El nexo lgico entre los procesos estocsticos (poblacionales) y las muestras se establece mediante los denominados teoremas de convergencia o teoremas lmite, que relacionan los estadsticos muestrales con los parmetros poblaciones. Para cada serie de tiempo en particular puede prevalecer el componente determinista o el indeterminista. La hiptesis probabilstica asume que prevalece el componente indeterminstico. Una condicin para que una muestra pueda ser considerada representativa es que las observaciones muestrales sean seleccionadas independientemente de la voluntad de quien toma la muestra. La independencia no es condicin suficiente. En el muestreo aleatorio, al suponer la inexistencia de movimientos sistemticos, puede considerarse que el orden de seleccin de las observaciones muestrales sera irrelevante. Es suficiente suponer que el conjunto total de las n observaciones puede considerarse como una observacin de n variables (o punto muestra) con una ley conjunta n dimensional de probabilidad. Haavelmo tan solo afirma que si se desea aplicar la probabilidad, las series histricas han de considerarse como muestras aleatorias. Bajo este supuesto, se considera que la teora de la inferencia asinttica desarrollada para datos atemporales puede ser aplicable a series de tiempo. En el contexto de una hiptesis determinstica puede hablarse de un muestreo en el tiempo, en vez de un muestreo aleatorio. Si las series histricas representasen movimientos de las variables econmicas en el tiempo, cabe hablar de movimientos continuos tericos, que estaran siendo medidos en forma discreta en las series histricas. La medicin de los movimientos tericos continuos puede verse como el resultado de un muestreo en el tiempo, espaciadas las observaciones histricas en intervalos de la misma duracin. No sera suficiente muestrear al azar imponiendo la condicin de independencia para reconstruir la trayectoria de la serie de ciclo-tendencia. La inferencia en procesos estocsticos estacionarios tiene dos aspectos: la identificacin del proceso y la estimacin. Se inicia la exposicin con una referencia a los estimados de los primeros momentos.

Estimadores de los primeros momentos de un proceso estocstico

estacionario. Un proceso estocstico poblacional se somete a la reduccin estadstica. La sucesin de valores est representada por los principales como media, varianza y funcin de autocorrelacin. Las mismas caractersticas referidas a series histricas se consideran estimadores. El sesgo podra reducirse si el proceso fuera estacionario, dado que la funcin de autocovarianza debera tender rpidamente a cero. En ocasiones, las funciones de autocovarianza y autocorrelacin muestrales no presentan un comportamiento amortiguado, tendiendo a cero. Debido a la correlacin entre valores sucesivos de la funcin de autocovarianza, la varianza en trminos relativos tendra a infinito.

Debido a la dificultad de trabajar con la distribucin en el muestreo de procesos autocorrelacionados, los contrastes de hiptesis habituales consideran nicamente el proceso puramente aleatorio en el tiempo (ruido blanco, RB), no los procesos autocorrelacionados. Se tienen en cuenta los siguientes resultados: E(ru) 0 var (ru) 1/T cov(ru,ru+h) 0 Un contraste de significatividad viene dado por Cuyo estadstico emprico se compara en valor absoluto con el estadstico tabulado. Si el valor calculado fuera inferior al nivel de referencia, no se rechazara la hiptesis nula (H 0: ru=0). Este procedimiento de contrastacin es generalizable a los coeficientes de autocorrelacin parcial, asumiendo que verifican supuestos del tipo: E(auu) 0 var (auu) 1/T cov(auu, auu) 0

Identificacin de procesos AR, MA y ARMA

Los valores de los estimadores permiten inferir los parmetros poblacionales e identificar la naturaleza del proceso ARMA. La identificacin de los procesos estocsticos estacionarios obedece al planteamiento de descubrir el proceso estocstico estacionario, generador de las muestras aleatorias. Por identificar se entiende especificar el proceso estocstico hipottico generador de la serie de tiempo observada. Supuesto un ARIMA (p, d, q), identificar significa determinar los valores de p, d y q. El instrumento analtico son las funciones de autocorrelacin muestrales (la total y la parcial) en la medida que se supone que infieren adecuadamente los parmetros poblacionales. Aunque, en teora, las funciones de autocorrelacin muestral, total y parcial, deberan permitir identificar por entero el proceso particular ARMA, no siempre es suficiente el conocimiento de stas para identificar el proceso generador de la serie observada.

Estimacin de procesos estocsticos estacionarios

Se trata un proceso ARIMA (p,d,q) (P,D,Q). En el caso MA no es aplicable el mtodo MCO.

Estimacin de un AR
Aunque formalmente cabe pensar en modelos AR(p), de hecho se trabaja con rdenes reducidos (AR(1) y AR(2)). Sea un proceso AR(1): Se dispone de una serie histrica de T observaciones. Ahora Z t-1 se considera una variable estocstica. Si las Vt no estuvieran autocorrelacionadas, ni correlacionadas con los valores

retardados de Zt-1, cabra considerar consistentes los estimadores MCO de AR(1). Siguiendo el criterio mnimo cuadrtico, es:

Estimacin de un MA
En la estimacin de un proceso MA no es posible aplicar MCO, dado que la suma cuadrtica de las discrepancias no es una funcin lineal de los parmetros de la ecuacin que expresa el proceso de medias mviles. Se puede ver esto si se transforma un MA(1) en un AR(); a la ausencia de linealidad se aade el desconocimiento del valor inicial de V 0.

Alternativa. Un procedimiento iterativo aplicado a un MA(1) con media no nula y signo positivo para el parmetro: Conocida la funcin de autocorrelacin para r 1, se podra usar en la solucin de la ecuacin cuadrtica dada por (obtenida de la definicin de r1) Con dos soluciones para b1, de la que es escoge la que cumple la condicin de invertibilidad, esto es |b1| < 1; al no considerar la informacin de otras soluciones, el estimador no sera eficiente. Sin embargo,

Ensayando nuevos valores para b1 se podra llegar a un valor mnimo para la suma cuadrtica de las discrepancias. No sera la solucin mnimo-cuadrtica, por la posibilidad de un mnimo local. Analticamente, no sera considerada una solucin adecuada. El procedimiento para alcanzar un mnimo para la suma cuadrtica de las discrepancias se complica cuando se consideran procesos de orden superior. Si el proceso fuera un MA(2), habra que considerar las ternas de valores (,b1,b2), lo que representa una gran necesidad de clculo. En los ejercicios prcticos, se debera inspeccionar la funcin de autocorrelacin de las discrepancias para comprobar que ninguno de los coeficientes es significativamente distinto de cero.

Estimacin de un proceso ARMA

La estimacin de un proceso ARMA(1,1) encierra los problemas de la estimacin de los componentes AR y MA. La minimizacin de la suma cuadrtica de las discrepancias depende de los valores iniciales de z0 y v0, que crecen con el orden del proceso (p+q): Hay una representacin emprica (ejemplo) para un ARMA(1,1) en pg 198 y ss.

Validacin
La validacin es un anlisis dentro de la metodologa Box-Jenkins que persigue:

La estimacin y contraste del modelo especificado Obtener informacin sobre la direccin a seguir en las modificaciones sucesivas de la identificacin del proceso. Es un anlisis de la bondad del ajuste planteada en trminos de inferencia estocstica.

Una primera aproximacin ad hoc podra ser el ir aumentando progresivamente loa valores de p y q. El proceso podra detenerse una vez que la varianza volviera a crecer. Las evidencias derivadas de la metodologa de la validacin en los procesos estocsticos

estaciones ARMA sugieren la direccin en que ha de modificarse la especificacin del proceso. A priori, unn incremento simultneo de los rdenes p y q podra ser contraproducente, pudiendo generar el efecto redundancia. La validacin se basa en el anlisis de la funcin de autocorrelacin total de las discrepancias (ajuste) de la regresin. Si las etapas de identificacin y de estimacin hubiesen sido adecuadas, las discrepancias de la regresin deberan comportarse como la imagen emprica de un proceso puramente aleatorio en el tiempo (RB). Con la funcin de autocorrelacin total se realiza un anlisis individual de la significatividad de cada uno de los coeficientes. Este criterio ha de considerarse con cautela. Adems del contraste individual, en la validacin se propone realizar un anlisis global. Este anlisis est basado en la significatividad conjunta de los coeficientes de la funcin de autocorrelacin total, mediante el estadstico de Box-Pierce: Donde k indica el nmero de coeficientes de autocorrelacin calculados, p y q son los rdenes de los componentes autorregresivos y de medias mviles. Para conocer el nivel de confianza del estadstico emprico se pueden utilizar las tablas de la Chi-cuadrado (muestras grandes). Para series de tamao moderado, los valores de su media y varianza pueden diferir apreciablemente de los de una Chi-cuadrado. Si k fuera pequeo, cabra la posibilidad de haber omitido retardos importantes. Si fuera elevado, Q podra diferir de la Chi-cuadrado. Para tamaos moderados se puede usar el estadstico de Ljung y Box: Ambos contrastes tiene potencia reducida. Una regla prctica de valor aproximado es comparar el valor de Q con el nmero de grados de libertad disponibles. Si el valor del Q emprico fuera mayor que el nmero de grados de libertad, se rechazara la hiptesis nula de aleatoriedad del proceso temporal.

Anlisis espectral

Introduccin
La idea bsica subyacente en el anlisis peridico consiste en imputar las regularidades observadas en los ciclos empricos a la superposicin de ciclos tericos (peridicos) de diferentes periodicidades. Para instrumentar analticamente el anlisis peridico se usa el anlisis de Fourier o armnico. La estabilidad no radica en los valores de los coeficientes de Fourier, sino en las periodicidades de cada ciclo terico. Por ello se calcula el periodograma, cuya formulacin analtica recoge formas diferentes. Se afirma que los ciclos econmicos observados registran recurrencias variables. Frente a la hiptesis formal de la regularidad, basada en las periodicidades, se propone la hiptesis de la no regularidad, es decir, la hiptesis formal basada en la probabilidad. El anlisis espectral adopta este segundo punto de partida. El anlisis espectral constituye una generalizacin del contexto probabilstico al anlisis peridico (armnico), de concepcin determinstica. La modificacin del anlisis armnico obliga a la definicin de conceptos nuevos como son el de espectro, hablndose de anlisis espectral. Todos

los procesos estocsticos estacionarios pueden representarse mediante la funcin de autocorrelacin, o mediante el espectro.

El concepto de ESPECTRO
Se parte de una serie estacionaria C t, que puede expresarse como la suma de k componentes cclicos peridicos y de un componente aleatorio (indeterminstico) equivalente a un proceso RB o un ruido autocorrelacionado (ARMA). Se reinterpreta Ct en trminos probabilistas considerando un nmero de armnicos k < T/2, introduciendo un componente estocstico V que representa el resto de armnicos, desde k+1 hasta T/2.

siendo Vt un proceso aleatorio en el tiempo con distribucin normal. Algunas definiciones:

La frecuencia angular: 0 = 2/T Perodo T = inversa de la frecuencia , vara entre T y 2 Armnico p: toma valores entre 1 y T/2. t = p0

En el anlisis armnico se han sealado los dos componentes: El determinstico, suma (superposicin) de k componentes peridicos El aleatorio (indeterminstico), que puede aproximarse por un proceso ARMA.

En trminos econmicos, significara el porcentaje explicativo de contribucin de cada ciclo terico a la varianza del ciclo emprico. El proceso Ct, al ser funcin de V t, sera considerado aleatorio en la interpretacin estocstica. Aceptar la interpretacin estocstica del anlisis peridico implica la negacin de la aplicabilidad del anlisis peridico a las series de tiempo. Como E(Ct), que es la esperanza de un ciclo emprico, vara sistemticamente con el tiempo, en el anlisis estocstico se considera que un ciclo peridico no es estacionario. En el enfoque determinstico lo esencial es el concepto de ciclo (oscilacin), que puede conciliarse con la idea de equilibrio en el tiempo una vez se acepte que esta propiedad terica estara representada grficamente por una recta paralela al eje de tiempos (la senda de equilibrio en el tiempo). La tendencia no fluctuara en torno a la senda, sino que se desviara. La tendencia representara la idea de desequilibrio econmico en el tiempo. Young define un modelo armnico de regresin dinmica, en el que el elemento dinmico representativo de una variacin en el tiempo se incorpora mediante el aadido de un subndice t a los coeficientes de Fourier (a y b).

 Relacin entre periodograma y funcin de autocovarianza

El espectro puede expresarse tanto en funcin del periodograma como de la funcin de atuocovarianza. Ct, indica el proceso estacionario (equivalente a W t), y Cu expresa la funcin de autocovarianza. Hay una relacin entre periodograma, I(wp), y la funcin de autocovarianza Cu:

El periodograma de un proceso RB sera constante para todo periodo, de modo que en un proceso RB todas las periodicidades contribuyen por igual a la varianza del ciclo emprico C t. En trminos grficos, la contribucin de cada ciclo peridico podra representarse mediante una recta paralela al eje de los perodos, es decir, un espectro plano. Como los periodogramas no son constantes sino que representan trayectorias fluctuantes en las diferentes periodicidades, se considera el periodograma como un estimador inadecuado del espectro plano correspondiente a un proceso de RB. Adems,

En las aplicaciones, una vez conocidas las contribuciones de cada armnico podra obtenerse la varianza total del proceso estacionario mediante suma. Puede expresarse la funcin de autocovarianza en trminos del espectro en forma continua: Es la representacin espectral del proceso y utiliza la integral de Sieltjes. Se llama tambin teormea de Wiener-Khintchine:el espectro de potencia, que es la transformada de Fourier de la funcin de autocovarianza, muestra cmo se distribuye la varianza del proceso estocstico segn las frecuencias.

La reinterpretacin estocstica del periodograma supone:

Generalizar la hiptesis probabilstica Perder informacin relativa a cada ciclo peridico en una periodicidad concreta

 Espectros de algunos procesos ARMA ms sencillos

Forma espectral tpica de las series econmicas.

Para Granger, las series de tiempo econmicas tienen una forma tpica, caracterizada por espectros elevados en las frecuencias bajas (ciclos largos). La ley general sera una concentracin de la potencia en las frecuencias bajas. Granger reconoce que los picos en frecuencias altas podran corresponder a ciclos estacionales. En el anlisis estocstico, la tendencia se interpreta como un movimiento de larga duracin, hacindole corresponder a frecuencias bajas. Granger enuncia la siguiente ley, en trminos no rigurosos: las fluctuaciones a largo plazo en las variables econmicas, una vez descompuestas en componentes de frecuencias, son tales que las amplitudes de los componentes decrecen de forma suave con el decrecimiento del perodo. Esos ciclos no son fluctuaciones estrictamente peridicas que correspondan a saltos en la funcin de densidad espectral, sino que deberan ser interpretados como bandas de frecuencia importantes.

Distribucin en el muestreo del periodograma

El espectro puede estimarse a partir del periodograma o de la funcin de autocovarianza (autocorrelacin). Puesto que el periodograma es un estimador alternativo del espector, es necesario establecer su distribucin en el muestreo. En trminos analticos, estimar f(w) a partir de I(wp). Partiendo de los coeficientes de Fourier para llegar a la I(w p), el periodograma en una periodicidad dada sigue una Chi-cuadrado: Conocida la distribucin en el muestreo, es posible realizar inferencias estocsticas.

La distribucin 2 permite considerar una F de Snedekor, que compara la varianza de un armnico de orden p con la varianza de un proceso de ruido blanco RB. La varianza de ste es:

El contraste para un valor emprico superior al crtico tomado de las tablas no rechazara la existencia de un ciclo determinstico.

Inconsistencia del periodograma

La inconsistencia significa que el periodograma es considerado un estimador inadecuado del espectro (significa negar la hiptesis basada en periodicidad).

Insesgadez asinttica. Resulta de E(I(w)) f(w) T

El periodograma, considerado como estimador, debera tender al espectro en cuanto parmetro poblacional, al tender T a infinito. Se comprueba slo para RB.

Inconsistencia. La varianza de una distribucin Chi-cuadrado viene dada por: Var()

Como la varianza del periodograma, en el caso particular de un proceso de RB no de pendera del tamao de la serie, no tendera a cero por mucho que aumentase dicho tamao. Estos resultados sugieren que el espectro muestral no es un estimador consistente del espectro en sentido de que su distribucin en el muestreo no tiende a concentrarse sobre el espectro verdadero cuando crece el tamao de la muestra. Si, por definicin, el espectro del proceso de RB es constante en todas las frecuencias, mientras que los periodogramas estimados fluctan errticamente, quedara justificada la inadecuacin del periodograma y su abandono en el anlisis de series de tiempo. La interpretacin literal del periodograma indica que hay picos, porque no todos los ciclos peridicos contribuyen por igual a la varianza del proceso estacionario. Sera constante si todos contribuyeran por igual. Puesto que los supuestos mencionados no estn probados, se considera fundamentada el uso del periodograma para la medicin de teoras econmicas. Otras crticas de naturaleza econmica:

Se niega la propia existencia de la periodicidad. El anlisis peridico afirma que los

ciclos empricos pueden aproximarse como resultado de la superposicin de ciclos de periodicidades fijas. No afirma que los ciclos observen periodicidades exactas. La periodicidad es un supuesto terico.

Se critica que el periodograma lleve a descubrir explicaciones econmicas [cuestin de grado].

Asumiendo el enfoque basado en la correlacin, se acepta la inconsistencia del periodograma, con lo cual, la teora estocstica de series de tiempo procede a obtener estimadores consistentes.

Estimacin consistente del espectro

Se propone ponderar I(w) mediante una sucesin de pesos ( ventanas espectrales) como alternativa a estimar consistentemente f(w). Se suele trabajar con un nmero reducido de ponderaciones (M<T), siendo M un valor de truncamiento. La eleccin de M y las ponderaciones es arbitraria. Si M fuese elevado, el espectro sera errtico; si M fuera pequeo, la varianza sera reducida, pero habra un sesgo mayor. La estimacin consistente del espectro se establece a partir de (a) la funcin de autocovarianza y (b) del periodograma. Las fluctuaciones del periodograma imputadas a la inconsistencia pueden eliminarse ponderando el periodograma. Una estimacin consistente de f(w) se basara en la propiedad muestral de insesgadez del periodograma. El periodograma, en cuanto estimador muestral del espectro de frecuencias armnicas, proporciona un estimador insesgado del espectro del proceso de RB.

Estimacin consistente del espectro basada en la funcin de autocovarianza

Con frecuencia se interpreta que la potencia (contribucin a la varianza) de seal en la frecuencia 0 represente la tendencia, lo que significa la dificultad de distinguir entre tendencia y ciclos largos. Si se asume la idea de tendencia estocstica, puede ser razonable atribuir a la frecuencia cero la idea de tendencia dado que es tendencia todo movimiento no sistemtico. Si la tendencia se interpreta como un movimiento no recurrente, no tendra sentido calcular el periodograma en dicha frecuencia.

Estimacin consistente del espectro basada en el periodograma

Viene dada por Al ser independientes los valores de I(w p), la varianza ser del orden (1/m), tendiendo con ello a 0 para m grande.

Conclusin
El anlisis espectral puede ser generalizado formalmente a varias series. Su utilidad para la ciencia econmica no se ha puesto de manifiesto en las aplicaciones. Obtenido el coeficiente de coherencia, puede tomar valores absolutos mayores que la unidad, lo cual carece de significado. La aplicacin de cualquier tipo de transformaciones a los valores de una serie histrica, como medias o sumas mviles (efecto Slutzky), no introducira ni eliminara ciclos, sino que nicamente amplificaran o atenuaran su amplitud. Las medias mviles amplifican los ciclos medios y largos, de ah su utilidad en el anlisis de la coyuntura; y las tasas o diferencias amplifican los ciclos cortos, generando la apariencia de irregularidad. De ah su importancia en las aproximaciones estocsticas.

El anlisis de la no estacionalidad y la regresin espuria

El camino aleatorio: un proceso estocstico no estacionario

Plantear los problemas de econometra como cuestiones de inferencia estocstica encuentra problemas, como la persistencia (no estacionaridad). Un proceso estacionario se supone que mimetiza en el tiempo el comportamiento de una variable aleatoria atemporal. En el anlisis univariante, la no estacionaridad de las series histricas observadas era contemplada como un obstculo para el anlisis de series de tiempo. La no estacionaridad pasa a ser objeto directo del anlisis de series temporales. Un proceso ARIMA (p,d,q), siendo d el orden de las diferencias necesarias para transformar una serie histrica en estacionaria, es no estacionario. Las series histricas observadas no suelen ser estacionarias, y para transformarse en estacionarias suelen ser objeto de una transformacin estacionaria. Un mtodo para hacerlo es aplicar primeras diferencias, que dan lugar a un proceso estocstico estacionario. El proceso al que se han aplicado es un camino aleatorio.

Concepto de tendencia estocstica

Las tendencias estocsticas, y la no estacionaridad, son de difcil definicin. Hatanaka relaciona tendencia estocstica con las relaciones econmicas a largo plazo, distinguiendo tres etapas:

Con Granger y Newbold, asociando el problema de la convergencia a las correlaciones sinsentido entre variables en niveles. Se recomendara el procedimiento de la diferenciacin para eliminar las tendencias estocsticas. Con Hendry y Mizon, la diferenciacin atenuara los movimientos a largo plazo; proponen el modelo de correccin de error. Con Engle y Granger; desarrollan la teora de la cointegracin, que proporciona un

sistema terico para distinguir entre correlaciones sin sentido y relaciones a largo plazo. Tipos de series de tiempo: tipo TS (Trend Stationary) y DS (Difference Stationary). La doctrina probabilstica actual afirma que a un proceso estocstico no estacionario no puede eliminrsele una tendencia determinista para transformarlo en estacionario porque, si bien lo transforma en estacionario, los errores no seran un proceso RB.

Con tendencias determinsticas sera recomendable eliminar una funcin polinmica de grado bajo. Se dice que los procesos determinsticos no tienen memoria, mientras que los integrados tienen memoria infinita. La transformacin de diferencias sera adecuada en el caso de tendencias estocsticas. Sea: Las V coinciden con el proceso de partida, que se supone RB: en el caso de una tendencia estocstica, el componente puramente aleatorio afecta (contribuye) directamente a la tendencia a largo plazo de la evolucin Zt. El concepto de proceso estocstico no estacionario es generalizable a series estacionales, donde la diferencia sera el tipo de estacionalidad: Z t = Zt-s + Vt [trimestrales: s = 4; mensual: s =12]. Se trata de una estacionalidad estocstica. Se recomienda aproximar la estacionalidad determinstica mediante variables cualitativas. En la transformacin de diferencias, el movimiento a medio y largo plazo es imperceptible, subsistiendo tan solo los movimientos a corto plazo. La informacin de los movimientos a medio y largo plazo puede ser relevante. Desde un punto de vista econmico, la transformacin de diferencias pudiera no ser adecuada.

Proceso de camino aleatorio: un proceso no estacionario

El proceso de camino aleatorio es el ejemplo ms utilizado de proceso no estacionario. La idea del proceso de camino aleatorio fue planteada en un principio en forma atemporal, siendo hoy objeto de estudio de series de tiempo. En trminos temporales: se ha sealado varias veces que las series de tiempo tienen, en muchos aspectos, las caractersticas de las series de sumas de nmeros aleatorios. Una formulacin simple de modelo de mercados eficientes, constrastable empricamente, es el modelo de juego limpio que puede expresarse como:

E(Pt+r/Pt-1,Pt-2,,Pt-n) = E(Pt+r/Pt) La informacin se limita a un conjunto de precios pasados. El modelo de camino aleatorio es una condicin suficiente, no necesaria. Bajo el concepto de comportamiento ergdigo se plantea la duda acerca de la existencia o no de una distribucin estacionaria. Un proceso de camino aleatorio tendra varianza infinita.

Caractersticas del proceso de Camino Aleatorio

Puede obtenerse una prediccin para valores sucesivos del proceso de camino aleatorio. La prediccin es siempre el mismo valor, aunque crezca la varianza, indicando que la prediccin por intervalos registrara una dispersin creciente con t. Si existe un trmino independiente se dice que el proceso tiene deriva (drift): La prediccin vendra dada por ZT+h = ZT + h

El proceso Zt dependera de las condiciones iniciales, no desapareciendo el efecto del proceso RB, sino ejerciendo un efecto permanente sobre Zt. Un proceso no estacionario de camino aleatorio se transforma en estacionario aplicando una primera diferencia. Si para convertirse en estacionario se requiere una diferencia de orden k, se denomina proceso integrado de orden k, I(k) . Para una serie I(1), en su forma original, crece constantemente. El hecho de que el coeficiente de Z t-1 asuma el valor uno da lugar a un proceso de races unitarias, que se asocian a un proceso no estacionario. El orden de las diferencias no es conocido a priori en las aplicaciones. Se puede diagnosticar aproximadamente a posteriori si una serie es estacionaria. Si la funcin de autocorrelacin decae lentamente, el proceso a partir del cual ha sido calculada se considera no estacionario. No hay una regla para determinar cuantitativamente el decrecimiento lento o rpido. La hiptesis de raz unitaria es relativa a la especificacin de las variables, si bien al asociar las variables en el tiempo justifica la eleccin de la especificacin, y no a la inversa. [Ver ejemplo en pgina 279 y ss]. Como alternativa al problema de estimar regresiones entre series no estacionarias, puede considerarse la posibilidad de que cada serie sea un camino aleatorio. Manteniendo el planteamiento de no estacionaridad estocstica, es posible hacer referencia a una descomposicin multivariante, tratada ms adelante dentro de la modelizacin de lo general a lo especfico, desarrollada en la London School of Economics (LSE). No siempre una correlacin elevada es perniciosa para la estimacin. Lo que importa es la

relacin lgica entre los regresores, no tanto la numrica. No obstante, el problema econmico es explicar, no slo ajustar. Una de las limitaciones de la argumentacin emprica, experimental, es la falta de validez general de las conclusiones. La presencia de tendencias tanto estocsticas como determinsticas lleva a regresiones, aparentemente espurias. Formalmente, el argumento puede basarse en el modelo de regresin lineal: Y = XB + V La regresin espuria se atribuye a que la matriz XX/T no convergera a un valor lmite.

Constrastes de races unitarias y cointegracin Introduccin

El problema de determinar la no estacionaridad de una serie de tiempo se replantea en trminos de inferencia y, en consecuencia, de un contraste llamado contraste de races unitarias. Como las series de tiempo son no estacionarias, las inferencias estocsticas no se consideran vlidas.

Contrates de races unitarias

La justificacin analtica de que la regresin sea espuria en el caso de series de tiempo con tendencias estocsticas se ha basado en simulaciones experimentales de distribuciones muestrales, no en desarrollos deductivos, racionales. La forma funcional de las distribuciones empricas en el caso de series con tendencias difera notablemente de la t de Student. Son hallazgos empricos. Si uno calcula una regresin y encuentra discrepancias fuertemente autocorrelacionadas, existen problemas serios para interpretar los coeficientes de la ecuacin. Hasta que se disponga de un procedimiento satisfactorio, se recomienda (Granger y Newbold) tomar primeras diferencias de

todas las variables autocorrelacionadas.

El contraste de la hiptesis nula de races unitarias de una regresin espuria no se refiere al valor del parmetro , sino a las inferencias que se le hacen (al parmetro). Se entiende que se considere no vlido contrastar la hiptesis = 1 utilizando la t de Student o la F de Snedekor, sin plantearse que se ha podido obtener mediante una regresin entre una serie estacionaria y otro no estacionaria. Si Zt-1 no fuera estacionaria, la estimacin por MCO debe considerarse incorrecta. Como la regresin incluye una serie no estacionaria, el valor del parmetro debera ser cuestionado. Una regresin de la variable del primer miembro respecto al regresor que aparece en el primer trmino del segundo y tercer miembro es, o al menos puede ser, una regresin de una variable estacionaria sobre una no estacionaria, convirtiendo en cuestionable el estimador de (y por ello el de ). El procedimiento de contraste debe ser empleado con un modelo que sea estacionario cuando se estima la hiptesis nula. Como la variable dependiente es estacionaria, no hay peligro de significacin espuria. El objeto de preocupacin para los partidarios de la no estacionaridad es la inferencia estocstica. As,

La distribucin probabilstica de series de tiempocon tendencias estocsticas no ha sido obtenida matemticamente como se obtuvieron en su da las distribucioens probabilsticas atemporales, sino por simulacin por Dickey y Fuller (DF), siendo extendiddas por McKinnon, hablndose de unos valores crticos . La distribucin en el muestreo de no sigue una t de Student, distribucin atemporal, siendo una conclusin fundad en las simulaciones empricas. Aunque todava es simtrica, su desviacin estndar es mucho mayor que la de la t de Student y el coeficiente de curtosis indica una desviacin sustancial en su forma respecto a la de la distribucin terica. Puede encontrarse una advertencia en un valor muy bajo del contraste de Durbin-Watson.

Lo expuesto asume que la tendencia es estocstica. Como se trata de una cuestin emprica, se aspira a discriminar si la tendencia es considerada determinstica o estocstica. Con el modelo Zt = + t + Zt-1 + Vt si = 1 y = 0, el modelo se reducira a un proceso estocstico de camino aleatorio, al que se aadira un trmino independiente. Si < 1 la serie es estacionaria, y no se dice nada para > 1. Cuando Zt sea no estacionaria, el contraste se obtiene siguiendo el mismo procedimiento, es decir, restando Zt-1 a ambos miembros:

Una vez estimado , se plantea contrastar su significativadad. En el caso en que se incluye el tercero de los regresores, se habla del contraste aumento de Dickey Fuller (supuesto Vt ruido autocorrelacionado). En ocasiones, se prescinde de la tendencia lineal: En la prctica, la eleccin de los elementos autorregresivos es de la mxima importancia. Debera emplearse una batera de contrastes para asegurar que las series Vt son independientes con distribucin idntica. El contraste Durbin-Watson no es suficiente. Puede comprobarse si la primera diferencia de Z es o no estacionaria:

[ver ejemplo en pg 311 y ss]

 Crticas al contraste de races unitarias

Se resumen aqu las principales crticas:

Suponer que a las series de tiempo les sea aplicable la inferencia estocstica atemporal Todos los contrastes de races unitarias suelen conducir a diagnsticos positivos de no estacionaridad, lo que se atribuye a la reducida potencia de los contrastes. La hiptesis nula ha sido colocada en un pedestal y slo es rechazada cuando hay una evidencia. Cochrane cuestiona de modo especfico el tamao del componente de camino aleatorio. No se define con claridad el significado de una tendencia estocstica. Si la presencia de races unitarias favoreciera la estimacin en diferencias, se atenan los movimientos a medio y largo plazo. Tampoco hay preocupacin por la consistencia del estimador de . Cointegracin

Introduccin
Granger propone la Cointegracin como un mtodo para compatibilizar el problema econmico de las relaciones a largo plazo y el estocstico formal de la inconsistencia. La Cointegracin se ocupa de relaciones entre variables econmicas, siendo estimadas con regresiones aplicadas a series histricas. La Cointegracin integrara la dinmica corto plazo con el equilibrio a largo plazo. Se supone la ausencia de componentes determinsticos o, de existir, habran sido eliminados previamente. La solucin propuesta por la Cointegracin consiste en aplicar regresiones a series histricas en niveles, siempre que tengan el mismo orden de integracin. La nocin de Cointegracin puede generalizarse, en principio, a series con tendencias o races autorregresivas o explosivas. Las tendencias deberan ser proporcionales y cualesquiera de las races explosivas deberan ser idnticas en todas las series.

La cointegracin en el contexto de la inferencia estocstica

El equilibrio se define en determinados escritos como un punto estacionario, y no tanto como un movimiento en torno a una recta paralela al eje de tiempos (senda hipottica). La aplicacin de una regresin clsica a series no estacionarias seguira siendo vlida formalmente, bajo el supuesto de Cointegracin, condicionada a la hiptesis del mismo orden de integracin. Los estimadores seguirn siendo consistentes y las discrepancias de la regresin son consideradas vlidas para contrastar la hiptesis del mismo grado de integracin, o cointegracin de las series histricas.

Contrastes de cointegracin
Un primer tipo de contraste: se puede proceder a contrastar el orden de integracin de cada serie por separado. Un segundo tipo se basa en el contraste de estacionaridad de las discrepancias de la regresin.

Sea el modelo:

[ver ejemplos en pg 329 y ss] El anlisis de la cointegracin no se ocupa de cuestiones relativas a los valores de las constantes, sino slo de los aspectos relativos a la inferencia estocstica.

Crticas a la cointegracin
Por una parte, suponer que es posible estimar una relacin esttica entre variables econmicas (por ejemplo, consumo y renta) con una regresin simple entre series histricas. Por otra parte, y derivada de la propia aproximacin estocstica:

La ausencia de cointegracin no permite rechazar una hiptesis econmica de equilibrio a largo plazo. A pesar de ello, el planteamiento estocstico formal de la cointegracin no proporciona una alternativa clara de cmo habra que proceder en el caso de que no existiera cointegracin. Incurre en ser medida sin teora. Supone que cada serie ha sido generada por un mecanismo univariante sin contrapartida en la ciencia econmica. Nada dice sobre la explicacin econmica que subyace en una serie integrada de orden uno. Como aproximacin empiricista, no explica cul es el mecanismo econmico que genera las series cointegradas. El acento puesto en la cointegracin lleva a pasar por alto cuestiones como las variables omitidas, posibles cambios estructurales manifestados en la inestabilidad de los parmetros, la multicolinealidad, considerada a veces irrelevante, o la posible heterocedasticidad.

La aportacin fundamental de la cointegracin se limita a ofrecer una solucin formal a un problema estadstico, asimismo formal, de las relaciones espurias, slo evitando la prdida de informacin que conlleva la diferenciacin.

Mecanismo de correccin de error

Los modelos basados en la correccin de error participan del propsito de tratar de establecer una cierta relacin entre la teora econmica, relativa a las relaciones a largo plazo, y los desequilibrios a corto plazo observables en las series de tiempo. Los errores de equilibrio son los desequilibrios que pueden existir a corto plazo.

Se establece una correspondencia entre el principio de cointegracin y la correccin del error. El trmino de correccin de error pasa a ser interpretado como un regresor ms y, en consecuencia, una variable explicativa ms. Una proporcin del desequilibrio registrado en un perodo es corregido en el siguiente. El procedimiento recomendado por Engle y Granger es estimar primero la regresin de cointegracin, para en una segunda etapa estimar la ecuacin dinmica de ajuste, utilizando como regresor las discrepancias de la regresin de cointegracin. Crticas:

Incurre en el problema de medida sin teora El tratamiento dado a conceptos como tendencia y equilibrio (como afirmar que dos series tienen tendencias similares o una tendencia comn) parece insuficiente desde un punto de vista formal. Las crticas de Guisan son trasladables a la cointegracin debido a la falta de significado causal de muchas relaciones cointegradas.

Aplicacin economtrica: la estimacin de la teora de consumo

respecto a la renta. Relaciones de cointegracin y de correccin de error [ver el ejemplo en la pg. 341 y ss]

Modelizacin de lo general a lo especfico

Introduccin
Hay dos crticas a la metodologa economtrica:

Se pone en entredicho el modelo (hiptesis) las denominadas relaciones estructurales que, de acuerdo al programa economtrico de Tinbergen, venan a sustituir a las teoras econmicas racionales como punto de partida de la econometra. Los modelos economtricos deberan expresar hiptesis contrastables empricamente. No tanto se pretende determinar los valores de las constantes como la contrastacin emprica de las hiptesis. Se cuestiona la inferencia estocstica, entendida en trminos atemporales.

En la metodologa de Hendry el acento se desplaza de la estimacin a la especificacin. La modelizacin de lo general a lo especfico, adoptando las ideas de cointegracin y correccin de error, utiliza el adjetivo general en el sentido de incluir a priori un nmero elevado de retardos, incluso en nmero mayor de los considerados necesarios. Se propone proceder desde un planteamiento general a lo particular.

La modelizacin de lo general a lo especfico: fundamentos

metodolgicos Hendry seala que la econometra tradicional se habra dedicado a estimar los componentes determinsticos, as como a interpretar la autocorrelacin como un problema a resolver, no como un factor a integrar en el desarrollo estructural del modelo. De la aproximacin de la Cowles Commission critica la falta de atencin prestada al modelo estadstico, dando por supuesto que se

conoce cualitativamente el modelo estructural. En la interpretacin alternativa de Hendry, la presencia de autocorrelacin en el proceso temporal, representado por las discrepancias de la regresin, indicara que el modelo especificado no se correspondera con el mecanismo generador de datos. El diagnstico sera, en consecuencia, no corregir la autocorrelacin, manteniendo la especificacin inicial del modelo estimado, sino ensayar la especificacin de un nuevo modelo.

La presencia de autocorrelacin implicara una especificacin incorrecta debida a la omisin de las variables retardadas xt-1 e yt-1. Si tras el anlisis de los estadsticos habituales como los de la t de Student o F de Snedekor se modificase la especificacin, introduciendo o eliminando regresores, surgiran problemas como el de desgaste de los datos. Significa que las sucesivas especificaciones no seran independientes de la especificacin inicial. No cabran inferencias probabilsticas. Los niveles de confianza y de significacin seran desconocidos, subestimando los errores de muestreo de los estimadores. La estrategia de los general a lo especfico adopta como punto de partida un modelo dinmico muy general, con ms retardos de los razonablemente necesarios. La generalidad concierne a los retardos, no a la especificacin de nuevas variables. La potencia del contraste representa la probabilidad de no rechazar la hiptesis nula siendo falta, no existiendo un valor fijo como nivel de significacin. La funcin de potencia de un contraste establece una correspondencia entre las probabilidades de rechazar la hiptesis nula cuando es falsa (en ordenadas) y los valores del estimador (en abscisas). Una funcin de potencia ideal sera aquella que registrara una probabilidad igual a uno para todos los valores del estimador. La modelizacin segn Hendry es la caracterizacin de las propiedades de los datos mediante relaciones paramtricas simples que puedan ser interpretadas a la luz de la teora econmica, razonablemente constantes en el tiempo, y que explique las contribuciones de los modelos previamente existentes. Un modelo terico es una formulacin matemtica de una hiptesis o teora. Un modelo emprico es un concepto derivado, que surge de la reduccin y transformacin de los datos. Un modelo estimable es un modelo terico que puede estimarse a la luz de los datos disponibles y su mecanismo generador. El mecanismo generador de datos es un proceso probabilstico que resume la informacin muestral. Un modelo estadstico es la formulacin probabilstica del modelo estimable. El modelo estadstico se compone de un modelo probabilstico dado por = (D(y;), ) y un modelo muestral dado por y = (y1, y2, , yT) que expresa una muestra aleatoria seleccionada a partir de una distribucin probabilstica D(y T,

Modelo estadstico. La especificacin de modelos estadsticos se basa en variables aleatorias observables que generan los datos observados y no en atribuir un error al modelo terico. Se propone introducir la aleatoriedad en el modelo, no aadiendo una variable adicional, sino considerando intrnsecamente aleatorias las variables. Un modelo economtrico emprico constituye una reformulacin del modelo estadstico. La no coincidencia de los parmetros estadsticos con los tericos exige una reformulacin del modelo estadstico; es la reparametrizacin. Se establecen una serie de etapas a lo largo del proceso de especificacin como la factorizacin (marginalizacin), el condicionamiento secuencial y simultneo, el truncamiento del nmero de retardos y la linealizacin. Las hiptesis aleatorias concernientes al modelo estadstico estn planteadas en trminos de las variables observables, a diferencia del enfoque tradicional que las predica de la perturbacin aleatoria inobservable. La imposicin de restricciones sobre los parmetros lo transformara en un modelo economtrico emprico.

Un cambio estructural es interpretado como un caso particular de dependencia temporal, instrumetnado mediante la estimacin de regresiones separadas, para perodos diferentes. Los principales crticas a la modelizacin tradicional por parte de los defensores de la modelizacin de los general a lo especfico son:

Los datos observados no corresponderan a las variables terica, con lo que el modelo estimable sera diferente del modelo terico. El modelo de muestras independientes parecera cuestionable a la vista de la trayectoria de los datos. Los valores elevados del R2 pueden deberse a que las series de datos muestren tendencias similares. Previamente a los contrastes de significacin, habran de aplicarse contrastes de especificacin. La predictividad con los modelos tradicionales suele ser insatisfactoria.

La crtica de la propia aproximacin de la LSE permite apuntar los siguientes aspectos: Supuesto que exista una especificacin correcta de un modelo dado, la inadecuacin basada en introducir retardos podra deberse a la omisin de otras variables, antes que a la falta de retardos. Si se estima una ecuacin dinmica, subsiste explicar cul hubiera sido la hiptesis inconsistente. La contrastacin de teoras econmicas se subordina al mecanismo generador de datos. No parece razonable que se reconozca, al mecanismo generador de los datos, existencia propia separada del comportamiento econmico. La afirmacin de que las series observadas de tiempo son el resultado de un proceso de desequilibrio, susceptibles de ser aproximadas mediante retardos, es un supuesto

introducido a priori. Dentro del esquema de Neyman Pearson habra de verse como una hiptesis compuesta, que debera incluir dos modelo, uno de equilibrio y otro de desequilibrio.

Si se aceptase la metodologa falsacionista, la aproxiamcin de la LSE habra de calificarse como verificacionista, limitndose la evidencia emprica a verificar la hiptesis. Es cuestionable la pretendida generalidad del modelo inicial. Que ciertas hiptesis se consideren consistentes con los resultados empricos no evita que la formulacin de lo general a lo especfico no sea medida sin teora. Las especificaciones tienen base emprica, sobre todo el nmero de retardos. Se establecen tan a priori como a posteriori.

Dentro de una lnea de elevado formalismo no se plantea si los valores de los parmetros estimados son o no vlidos. Se contrasta la constancia de los parmetros en el tiempo, sin ocuparse de cules sean tales valores de los paremtros cuya constancia preocupa. Aspectos positivos:

No est libre del desgaste de datos, pero advierte contra una prctica abusiva de los contrastes mediante la ordenacin del proceso de investigacin. Cuando las hiptesis se plantean en orden de restrictividad creciente, se puede conocer el nivel de significacin de cada contraste.

Un modelo dinmico de regresin lineal aplicado a la demanda de

dinero en el RU [ver el ejemplo en pg 357 y ss]

Modelos economtricos con variables retardadas

Consideraciones generales
Punto de partida: los datos econmicos son generados por sistemas de relaciones econmicas que son dinmicas, estocsticas y simultneas. La dificultad para poder disponer de variables exgenas explica recurrir a especificar retardos en las variables seleccionadas, de manera que una relacin bivariante se transforma en multivariante una vez que se consideran diferentes retardos de la misma variable. La principal diferencia de los modelos de series de tiempo con los planteamientos tradicionales deriva de que en los modelos con variables retardadas puede no postularse en forma explcita la hiptesis de estacionaridad de las series histricas. El empleo de regresores retardados da lugar a que se hable de modelos dinmicos (de ecuaciones en diferencias). Si los regresores fuesen variables exgenas, se habla de modelos autorregresivos. Dinmico se contrapone a esttico. Son dos formas diferentes de contemplar los fenmenos. En trminos estticos, se suele hablar de variacin; en trminos dinmicos, de movimiento. Al asociar la idea de esttico con la de ajuste instantneo, la teora econmica considera diferentes situaciones: esttica (sin tiempo), esttica comparativa, estados estacionarios (movimientos en el tiempo sin tendencias), equilibrio intertemporal o estados dinmicos (movimientos con o sin tendencias o ciclos). Las series histricas se denominan evolutivas; las

histricas sin tendencias, estacionarias. El concepto de equilibrio puede ser considerado tanto en forma esttica como dinmica. Dentro de los movimientos estacionarios cabe considerar, como caso particular, los movimientos cclicos, o movimientos susceptibles de repeticin temporal. No todos los movimientos (fenmenos considerados en forma dinmica) son estacionarios. Se define un modelo como esttico si se considera un solo instante; dinmico, si se considerase en diferentes momentos del tiempo. En el planteamiento habitual en econometra, se considera como modelo dinmico aquel que incluye variables retardadas entre los regresores. Se puede justificar la introduccin de retardos. Para ello, se invocan razones como la persistencia de hbitos, la existencia de expectativas, o diferentes factores de naturaleza tecnolgica o institucional. La persistencia de hbitos quiere decir que el comportamiento de los agentes econmicos en el momento presente estara determinado por patrones de comportamiento anteriores. Se trata de la estimacin de modelos en los que los regresores ya no verifican la hiptesis de que los regresores sean variables fijas, mantenida en los modelos estructurales.

Modelos con variables endgenas retardadas Introduccin: modelos economtricos con regresores
estocsticos En la teora formal de la regresin simple y mltiple se supona que los regresores X eran fijos para las diferentes muestras posibles. Dicho muestreo se converta en aleatorio con la introduccin axiomtica de una distribucin de probabilidades para el proceso V, cuya aleatoriedad determinaba la variable endgena Y. Este planteamiento es atemporal. El estimado MCO de B:

Si entre los regresores hubiera valores retardados, se incumplira la hiptesis de trabajo de la naturaleza fija de los regresores X. Con carcter general:

Si las X son estocsticas e independientes de las perturbaciones aleatorias, los estimadores MCO conservaran las propiedades de insesgadez y consistencia. Si los regresores estocsticos estuvieran incorrelacionados contemporneamente con las perturbaciones aleatorias, los estimadores MCO seran sesgados en muestras finitas, pero consistentes. Si los regresores estocsticos estuvieran correlacionados contemporneamente con las perturbaciones, los estimadores MCO seran sesgados e inconsistentes.

Si se asume la hiptesis de insesgadez [E(V x,Vt) = 0] los estimadores MCO poseeran carcter MV. Si se adopta el supuesto de independencia, as como la esperanza nula de V, se demuestra la insesgadez del vector de estimadores MCO. La esperanza del producto de dos variables aleatorias independientes es igual al producto de las

esperanzas. Este mismo resultado se aplicara al estimador de la varianza de las perturbaciones, *2, as como a la expresin *2(XX)-1. Si no se verificase la independencia entre X y V, E(B) , es decir, no se cumplira la insesgadez. Los estimadores MCO no verificaran tampoco la propiedad ELIO. El vector de coeficientes MCO ya no es una funcin lineal de Y. En un modelo de regresin lineal simple, la varianza de b vendra dada por Los estimadores MCO de modelos economtricos con regresores estocsticos siguen siendo consistentes, no eficientes. Probar la consistencia requiere aceptar la hiptesis de convergencia:

Modelos con variables endgenas retardadas

Se supone que los regresores retardados son un caso particular de regresores estocstico. Si la variable endgena retardada puede ser incluida entre los regresores, los resultados anteriores seran aplicables a estos modelos. El supuesto de independencia entre los regresores y las perturbaciones aleatorias puede resultar demasiado restrictivo. En su lugar, es posible postular que Yt-1 es independiente de Vt. Sea el modelo

El incumplimiento de la hiptesis de independencia significa que los estimadores MCO ya no son mximo verosmiles. La funcin de densidad conjunta de los valores de la variable endgena no sera el producto de las funciones de densidad marginales condicionadas, sino que tomara el valor: F(y0,y1,,yn) = f(y0)f(y1/y0)f(yn/yn-1) Se establece la propiedad de consistencia:

Modelos con retardos distribuidos

Los modelos con retardos distribuidos consideran una regresin entre una variable endgena en funcin de una exgena, que junto a los valores corrientes (en t) incorpora valores retardados (en t-h). Distribuido indica el supuesto de que el efecto de los regresores sobre la variable endgena se distribuira a lo largo del tiempo en la forma especfica en los desfases. Se introduce la idea de retardos como consecuencia de establecer desfases entre movimientos,

adoptando el trmino histresis de la fsica. El tpico de modelos con retardos distribuidos aparece en econometra asociado a la hiptesis de Koyck y a los desarrollos metodolgicos de Nerlove y Cagan, observando relacin con los multiplicadores dinmicos, as como con el acelerador flexible y con la persistencia de hbitos. El origen del problema metodolgico se encuentra en la aplicacin de la correlacin. Cuando se calcula la correlacin con series histricas libres de tendencia, entre ciclos, se descubre que estadsticos como los coeficientes de correlacin, adoptan una forma de la distribucin probabilstica que no se ajusta a una normal. Arroja dudas sobre la posibilidad de tratar mediante la inferencia basada en la distribucin normal estadsticos como la correlacin. La causalidad lgica, por esencia atemporal, recibira una reinterpretacin en el dominio temporal, asumiendo la existencia de momentos sucesivos del tiempo. Analticamente, un modelo economtrico con retardos distribuidos puede expresarse como: Yt = f(Xt, Xt-q,Xt-k,Ut) No sera posible, a priori, estimar un nmero infinito de retardos (se consideran slo k). Analticamente, el modelo econmico traduce en lenguaje matemtico la hiptesis econmica de una variable endgena ajustada a varios regresores exgenos, siendo X contemplada en diferentes momentos del tiempo. As:

Se pueden representar los coeficientes i mediante un histograma, midiendo en abscisas los desfases en el tiempo, y en ordenadas los valores de los coeficientes. La naturaleza estocstica de la perturbacin aleatoria implica adoptar los supuestos de esperanza nula, varianza constante, no autocorrelacin y normalidad. Pueden estimarse en principio por MCO. Del modelo estadstico cabe sealar dos inconvenientes:

No hay un criterio objetivo para determinar el nmero de retardos.

Es la estimacin es previsible que los regresores estn correlacionados, incurriendo en el problema de la multicolinealidad.

Ilustracin emprica de una estimacin de modelos con retardos

distribuidos [ver ejemplo en pg 387 y ss]

Estimacin de un modelo con retardos distribuidos

Para el modelo estadstico antes indicado, si k fuera grande, la estimacin podra ser inviable, ya que no se dispondra de un nmero suficiente de observaciones. Se adopta algn tipo de restricciones que reduzcan el nmero de parmetros a estimar. Para buscar solucin:

Se considera que los parmetros estn afectados por un sistema de ponderaciones que les asigna valores decrecientes. Cabe imaginar que decrezcan con los diferentes desfases, o que crezcan primero, para descender.

En la primera alternativa se encuadra el procedimiento de retardos geomtricos, segn el cual los coeficientes decreceran de acuerdo a una progresin geomtrica. Aproximacin de Almon

Caso particular. Un modelo de expectativas adaptables, o hiptesis de aprendizaje. Asume que el valor de Y en t estara determinado por el valor esperado de una variable exgena, X, en un periodo t+1.

Hiptesis de Koyck
Parte del modelo con retardos distribuidos:

La adopcin de la hiptesis de Koyck proporcionara la ventaja de sustituir los k+2 parmetros por slo 3: , y ; el inconveniente es la naturaleza de autocorrelacin del parmetro . El multiplicador de impacto total viene dado por: Representando la variacin en el valor de equilibrio de la variable Y ante una variacin marginal de X. La hiptesis de Koyck tendra a priori la ventaja de reducir la multicolinealidad, e incurrira en los inconvenientes relativos a la inferencia estocstica al incluir un regresor estocstico, dando lugar a estimadores MCO sesgagos, y adems, a la autocorrelacin en el nuevo proceso V, segn un MA(1).

Ilustracin emprica de estimacin de hiptesis de Koyck

[ver ejemplo en pag 398 y ss]

El contraste de causalidad en el sentido de Granger

El problema de la causalidad lo plantea Granger dentro de las relaciones economtricas con variables retardadas (dentro de las relaciones econmicas dinmicas). La terminologa es inapropiada porque causalidad es una relacin lgica, atemporal, y el planteamiento de Granger es temporal. La causalidad segn Granger puede interpretarse como predictividad, si bien es ms correcto significatividad estocstica. El concepto de causalidad es filosfico. Las teoras varan desde el extremo de que todo causa todo, hasta negar la existencia de cualquier tipo de causacin. En Econometra, la causalidad tiene un significado prximo a predecir. Caractersticas: (1) la causacin instantnea no existe; (2) no existe la causacin simultnea y (3) el futuro no puede causar el pasado. Si se considera que el objeto de la economa cuantitativa es determinar los valores de las posibles constantes econmicas contenidas en las relaciones econmicas causales, stas se establecen con anterioridad a la medicin. Su aceptacin o rechazo se debera alcanzar deductivamente.

Las consideracioens expuestas son trasladables a la idea de predictividad. El concepto de causalidad de Granger es una relacin basada en la predictividad. Se predecira un efecto, una vez conocido el movimiento o variacin de la causa. La prelacin temporal de X sobre Y debiera contribuir a mejorar la prediccin de Y. Granger admite que la direccin de la causalidad pueda tener lugar en ambas direcciones (causalidad bilateral), lo cual excluye la causalidad lgica. CONTRASTE DE GRANGER El contraste de Granger implica estimar las regresiones indicadas, donde slo se consideran regresores retardados, no simultneos. En estas condiciones, el contraste implica el propsito de descubrir una posible causalidad (significatividad) a partir de la inferencia estocstica relativa a los parmetros de regresiones. Existira, en terminologa de Granger:

Causalidad unidireccional de X a Y, si los coeficientes ALFA fuesen significativamente distintos de cero, mientras los LAMBDA no. Causalidad unidireccional de Y a X si los ALFA no son significativos, sindolo los LAMBDA. Causalidad bilateral, cuando resulten significativos ambos. Ausencia de causalidad, cuando ninguno es significativo.

La significatividad se evaluara a partir de los estadsticos t de Student. Tambin cabe considerar la significatividad conjunta, basada en la F. Se procede a construir la regresin irrestricta y la restringida. El contraste, basado en la F, asume como hiptesis nula que SUMA ALFA = 0 (no causalidad de X sobre Y). La regla de decisin es la habitual: si el valor emprico de F > F(terico), se rechaza la hiptesis nula, lo que quiere decir que se admite que X estara causando Y en el sentido de Granger de predictividad.

Ilustracin emprica del contraste de causalidad debido a Granger

[ver ejemplo en pg 410 y ss]