Tema 8

2004 Bernard Cabrer
Econometra Empresarial II Tema 8
ECONOMETRA EMPRESARIAL II
ADE
TEMA 8
MODELOS LINEALES SIN ESTACIONALIDAD I
( Modelos regulares)
2004 Bernard Cabrer
8. MODELOS LINEALES SIN ESTACIONALIDAD (I).

8.1. Modelos autorregresivos (AR): especificacin, hiptesis y caracterizacin
(normalidad, fac, facp, races del polinmio de retardos)
8.2. Modelos de medias moviles (MA): especificacin, hiptesis y caracterizacin
(normalidad, fac, facp, races del polinmio de retardos).
8.3. Modelos mixtos autorregresivos y de medias moviles (ARMA). especificacin,
hiptesis y caracterizacin (normalidad, fac, facp, races del polinmio de
retardos).
2004 Bernard Cabrer
TEMA 9
MODELOS LINEALES SIN ESTACIONALIDAD (I)
Introduccin.
Los modelos lineales de las series temporales se pueden considerar como un mtodo
sofisticado de extrapolacin de series temporales. Dicha extrapolacin es diferente de la
extrapolacin simple, ya que este enfoque de modelizacin asume que dichas series
temporales son una realizacin de un proceso estocstico estacionario. La descripcin de la
serie temporal as concebida no es una ecuacin de comportamiento causa-efecto, sino mas
bien una concepcin estadstica en trminos probabilsticos para describir la forma de
aleatoriedad que est presente en la serie temporal.
En efecto, cuando intentamos modelizar una serie temporal, lo que estamos
infiriendo es la modelizacin de un proceso estocstico, y en definitiva, lo que se esta
intentando es describir las caractersticas aleatorias del proceso en cuestin.
El objetivo de este mtodo de anlisis es la especificacin de modelos que expliquen
los movimientos de una serie temporal Yt . Pero as como en los modelos de regresin se
utiliza una variable endgena o regresando y variables explicativas o regresores, en este
tipo de enfoque se utilizan como variables explicativas la propia variable endgena
defasada y una suma ponderada de variables aleatorias actuales y defasadas.
Los modelos propuestos suponen las siguientes hiptesis sobre la especificacin de
los modelos:
1. La serie o variable objeto de estudio es discreta y estacionaria (en media
y en varianza), o bien ha sido transformada de forma adecuada para
lograr su estacionariedad.
2. La ecuacin que relaciona el regresando con los regresores es lineal.
3. El modelo especificado es de estructura fija, es decir, los parmetros
(coeficientes) no cambian en el transcurso temporal.
Es de resaltar que en este enfoque de modelizacin de las series temporales se
requiere que la variable objeto del estudio sea estacionaria (en media y en varianza).
En este contexto, adems, se entiende por invertir un proceso la transformacin de
un modelo AR en su modelo MA equivalente. La generalizacin de este concepto permite
transformar un modelo MA en su modelo AR equivalente.
Con el fin de sistematizar la exposicin se va a estudiar en primer lugar los modelos
autorregresivos (AR), en segundo lugar los modelos de medias mviles (MA) y, por ltimo
los modelos mixtos autorregresivos y de medias mviles (ARMA). En todos los casos se
van a estudiar los modelos ms comunes y simples. En concreto, para el caso de los
modelos AR se van a analizar el modelo AR(1) y el modelo AR(2). Mientras que para los
2
2004 Bernard Cabrer
modelos MA se van a estudiar los modelos MA(1) y MA(2). En el caso de los modelos
mixtos ARMA tan slo se estudiar el modelo ARMA(1,1).
8.1. MODELOS AUTORREGRESIVOS (AR).
Se dice que una serie temporal Yt admite una representacin autoregresiva (AR) de
orden p , y se denota por AR( p ), si es susceptible de ser modelizada a travs de la
ecuacin:
Yt = + 1 Yt 1 + 2 Yt 2 + 3 Yt 3 + ... + p Yt p + t
(8.1)
donde:
Yt , Yt 1 , Yt 2 , ... son variables aleatorias concebidas como realizaciones de un

proceso estocstico en los momentos del tiempo t , t-1 , t-2, ... , que se
caracterizan por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...
, 1 , 2 , 3 , ... , p junto con la varianza del proceso 2 son los parmetros

que definen el modelo (que deben ser estimados)
t es un proceso constituido por variables aleatorias independientes e igualmente

distribuidas que cumplen:
la esperanza de t es nula; E( t )= 0
la varianza de t es constante; E( t t + s ) = 2
s = 0
las autocovarianzas de t son nulas; E( t t + s ) = 0
s 0
adems la variable t se distribuye segn una funcin normal y en

este caso t
N(0, 2 )
la variable aleatoria que rene estas caractersticas se denomina, en este

contexto, variable aleatoria ruido blanco.
Dado que en la realidad los modelos ms usuales son los ms simples se va a
proceder a estudiarlos. En concreto, se van a analizar el modelo AR(1) y el modelo AR(2).
Modelo autorregresivo de primer orden: Modelo AR (1).
2004 Bernard Cabrer
primer orden, y se denota por AR(1), si es susceptible de ser modelizada a travs de la
ecuacin:
Yt = + 1 Yt 1 + t
(8.2)
donde:
Yt , Yt 1 , son variables aleatorias concebidas como realizaciones de un proceso
estocstico en los momentos del tiempo t , t-1 , t-2 , ... , que se caracterizan
por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...nmero finito
, 1 , junto con la varianza del proceso 2 , son los parmetros que definen el
modelo (que deben ser estimados)
s = 0
s 0
adems la variable t se distribuye segn una normal

Condicin de estacionariedad.
La modelizacin de una serie a travs de un modelo AR exige que el modelo sea
estacionario en media y varianza. La condicin de estacionariedad en media exige que la
E( Yt ) no sea funcin del tiempo y, adems, la E( Yt ) debe ser finita y determinada. En el
caso presente se tiene:
Yt = + 1 Yt 1 + t
o bien sustituyendo de forma reiterada se obtiene:

Yt = + 1 + 12 + 13 + .... + t + 1 t 1 + 12 t 2 + 13 t 3 + .... + 1t Y0
si se supone que Y0 es igual a cero se tiene que la esperanza de Yt es:
E( Yt ) = + 1 + 12 + 13 + ....
dado que E( t )=0 As pues la condicin de estacionariedad en media exige que la E( Yt )
no sea funcin del tiempo y, adems, la E( Yt ) debe ser finita y determinada. En este caso
2004 Bernard Cabrer
como la esperanza de Yt es igual a una progresin geomtrica de razn 1 La suma de la

progresin ser finita si se cumple la condicin de que | 1 | < 1 y en este caso se tiene:
E( Yt ) =
1 1
As, en el modelo de objeto de estudio, se tiene E( Yt ) =
1 - 1
)1
, pudiendo
comprobar que el parmetro esta relacionado con la esperanza de Yt En el caso de que

se suponga que sea igual a cero entonces E( Yt )=0. En lo sucesivo de la explicacin se
va suponer que =0.
El requisito de estacionariedad en varianza para un modelo AR es que la varianza
sea finita e independiente del tiempo. Con el fin de comprobar que el modelo AR(1) es
estacionario en varianza se parte:
Yt = + 1 + 12 + 13 + .... + t + 1 t 1 + 12 t 2 + 13 t 3 + ....
adems sabemos que:
E( Yt )= + 1 + 12 + 13 + ....
aplicando la definicin de la varianza se tiene:

Var( Yt ) = E (Yt E (Yt )) 2 = E (Yt ) 2 =
= E ( t + 1 t 1 + 12 t 2 + 13 t 3 + .... ) 2 =
= 2 + 12 2 + 14 2 + 16 2 + 18 2 + .... =
= 2 (1+ 12 + 14 + 16 + 18 + ....
)=
para que la suma de la progresin geomtrica sea finita se debe cumplir que la razn 12
debe ser inferior a la unidad hecho que tan solo se cumple si | 1 |<1 y en este caso se tiene:
Var( Yt ) = 2
1
1 12
Una forma alternativa de comprobar que el modelo Yt = + 1 Yt 1 + t es

estacionario en varianza es comprobando que las races del polinomio caracterstico, en
mdulo, sean menores que la unidad. Con el fin de comprobar si el modelo es estacionario
en varianza se van a calcular las races del polinomio caracterstico del modelo, para ello
se iguala a cero la parte autorregresiva del modelo:
2004 Bernard Cabrer
Yt - 1 Yt 1 = 0
si ahora, se sustituye Yt por t se obtiene la ecuacin:
t - 1 t 1 = 0
dividiendo por t 1 se tiene:
- 1 = 0
la solucin de la ecuacin o raz del monomio es:
1 = 1
Como la raz del monomio es real, se debe cumplir que el valor absoluto de la raz debe ser
menor que la unidad:
| 1 | < 1
| 1 | < 1
o bien
As pues, si el modelo especificado para representar la serie Yt = 1 Yt 1 + t

cumple la condicin
| 1 |<1, el modelo es estacionario en media y varianza.
Condicin de invertibilidad.
Invertir un modelo AR consiste en transformarlo en su modelo MA equivalente. En

el caso de un modelo AR(1) se tiene:
Yt = 1 Yt 1 + t
o bien
Yt - 1 Yt 1 = t
utilizando el operador retardo
Yt - 1 L Yt = t
sacando factor comn Yt se tiene:
(1 - 1 L ) Yt = t
despejando Yt se obtiene:
Yt =
1 - 1 L
)1 t =
= ( 1 + 1 L + 12 L2 + 13 L3 + 14 L4 + ... ) t =
= t + 1 t 1 + 12 t 2 + 13 t 3 + 14 t 4 + ...
As pues, el modelo AR(1) estacionario se ha transformado en un modelo de medias
mviles de orden infinito MA( ). La condicin de invertibilidad en los modelos
autorregresivos de un nmero finito de trminos se cumple siempre de forma automtica.
2004 Bernard Cabrer
Caracterizacin del modelo AR(1).
La caracterizacin de un modelo AR se efectua a travs de la funcin de

autocovarianza, la funcin de autocorrelacin (AC) y la funcin de autocorrelacin parcial
(PAC). En primer lugar se va a estudiar la funcin de autocovarianza, en segundo lugar la
AC y por ltimo la PAC.
Funcin de autocovarianza.
Se entiende por funcin de autocovarianza a las sucesivas covarianzas de distintos
rdenes de una variable con ella misma desfasada diferentes rdenes o perodos. La funcin
de autocovarianza se define como:
= cov( Yt Yt ) = E[( Yt -E( Yt ))( Yt -E( Yt ))]

En el caso presente, dado que E( Yt ) = E( Yt ) = 0, la funcin de autocovarianza se puede
expresar como:
= cov( Yt Yt ) = E( Yt Yt )
Para el valor =0 , la autocovarianza de orden cero es realmente la varianza.
Autocovarianza de orden cero (varianza):
0 = E( Yt Yt ) = E ( 1 Yt 1 + t
)2
= E( 12 Yt 21 + t2 + 2 1 Yt 1 t ) =
= 12 E( Yt 21 ) + E( t2 ) + 2 1 E( Yt 1 t ) =
= 12 0 + 2
Despejando la varianza se obtiene:
0 =
1
2
2
1
Autocovarianza de orden uno:
1 = E( Yt Yt 1 ) = E(( 1 Yt 1 + t ) Yt 1 ) = 1 E( Yt 1 Yt 1 ) + E( t Yt 1 ) = 1 0
Autocovarianza de orden dos:
2 = E( Yt Yt 2 ) = E(( 1 Yt 1 + t ) Yt 2 ) = 1 E( Yt 1 Yt 2 ) + E( t Yt 2 ) = 1 1 = 12 0
Autocovarianza de orden tres:
3 = E( Yt Yt 3 ) = E(( 1 Yt 1 + t ) Yt 3 ) = 1 E( Yt 1 Yt 3 ) + E( t Yt 3 ) = 1 2 = 13 0
2004 Bernard Cabrer
Procediendo de forma anloga, se deduce la funcin de autocovarianza para un

modelo AR(1), que es:
para todo > 1
1 1 = 1 0
La limitacin principal de la funcin de autocovarianza es que depende de las

unidades de medida de las distintas series objeto del anlisis. Con el fin de superar esta
limitacin se utiliza en su lugar la funcin de autocorrelacin.
Funcin de autocorrelacin (AC).

Se entiende por AC a los sucesivos coeficientes de correlacin de distintos rdenes
de una variable con ella misma desfasada diferentes rdenes o perodos. La AC se define
como:
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2
La AC proporciona informacin sobre la relacin lineal entre la misma serie separadas por
unidades temporales.
La AC de orden uno:
1 =
E (Yt Yt 1 ) 1 0
=
= 1
E (Yt ) 2
0
2 =
2
E (Yt Yt 2 ) 1 0
=
= 12
2
0
E (Yt )
3 =
E (Yt Yt 3 ) 1 0
=
= 13
2
0
E (Yt )
La AC de orden dos:
La AC de orden tres:
3
Procediendo de forma anloga, se deduce la AC para un modelo AR(1), que es:
= 1
para todo > 1
Funcin de autocorrelacin parcial (PAC).

Definicin: se entiende por la PAC de una serie temporal a la sucesin
formada por: 11 22 33 44 ....... ....... En donde cada uno de los valores de
la PAC por ejemplo el de orden , es decir, se define como la interrelacin
2004 Bernard Cabrer
entre las variables Yt e Yt , eliminando los efectos lineales de las variables1:
Yt 1 ; Yt 2 ; Yt 3 ; ... ; Yt +1
= corr ( Yt Yt . Yt 1 Yt 2 Yt 3 ... Yt +1 )
As pues, se entiende por PAC a los sucesivos coeficientes de correlacin parcial
de los distintos rdenes de una variable con ella misma desfasada diferentes
rdenes o perodos2.
En el caso particular de un modelo AR(1) el nico modelo autoregresivo que tiene

sentido especificar es:
Yt = 11 Yt 1 + t
1
El concepto de autocorrelacin parcial es anlogo al concepto de coeficiente de regresin parcial. En el
modelo de regresin (autorregresivo de orden
) mltiple con
variables, el coeficiente de regresin
mide la tasa de cambio en el valor medio de la variable regresada ante un cambio unitario en el -simo
regresor, manteniendo constante la influencia de todos los dems regresores. De forma similar, el coeficiente
de correlacin parcial mide la correlacin entre observaciones separadas perodos, manteniendo
constantes las correlaciones en los defases intermedios, es decir, los defases menores de
2
Una de las formas de calcular los coeficientes de la funcin de autocorrelacin parcial es la que se describe a
continuacin. El coeficiente de autocorrelacin parcial del modelo
11 = corr ( Yt . Yt 1 ) =
1
1
Yt = 11 Yt 1 + t es:
que coincide con el coeficiente de autocorrelacin de primer orden.
El coeficiente de autocorrelacin parcial del modelo Yt = 21 Yt 1 + 22 Yt 2 + t
1
2
22 = corr ( Yt Yt 2 . Yt 1 ) =
El coeficiente de autocorrelacin parcial del modelo
33 = corr ( Yt Yt 3 . Yt 1 Yt 2 ) =
es:
Yt = 31 Yt 1 + 32 Yt 2 + 33 Yt 3 + t
1
2
1
2
2
1
es:
1
2
3
2004 Bernard Cabrer
En este caso, la funcin de autocorrelacin parcial tiene el primer valor distinto de cero y el
resto de valores son iguales a cero. As se tiene:
= 11 = 1 = 1
para =1
= 0
para >1
Correlograma.
Es la representacin grfica de la funcin de autocorrelacin y de la funcin de
autocorrelacin parcial, que se acostumbra representar por las iniciales en ingls AC y PAC
respectivamente. En el Grfico 8.1 se representa el correlograma (AC y PAC) del modelo
Yt = 0,7 Yt 1 + t
Correlograma del modelo Yt = 0,7 Yt 1 + t
Grfico 8.1
Autocorrelation
.|*****
.|****
.|***
.|**
.|*
.|*
.|
.|
.|
.|
Partial Correlation
.|*****
.|
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.700
0.490
0.343
0.240
0.168
0.118
0.082
0.058
0.040
0.028
PAC
0.700
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
En el Grfico 8.2 se representa el correlograma (AC y PAC) del modelo Yt =

-0,7 Yt 1 + t
Grfico 8.2
Correlograma del modelo Yt = - 0,7 Yt 1 + t
Autocorrelation
*****|
.|****
***|
.|**
*|
.|*
.|
.|
.|
.|
Partial Correlation
*****|
.|
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
- 0.700
0.490
-0.343
0.240
-0.168
0.118
-0.082
0.058
-0.040
0.028
PAC
- 0.700
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
10
2004 Bernard Cabrer
En el Grfico 8.3 se representa el correlograma (AC y PAC) del modelo Yt = Yt 1 +
t ; se trata de un modelo no estacionario y la particularidad es que todos los valores de la

funcin de autocorrelacin son iguales a la unidad.
11
2004 Bernard Cabrer
Grfico 8.3
Autocorrelation
|*******
.|*******
|*******
.|*******
|*******
.|*******
.|*******
.|*******
.|*******
.|*******
Correlograma del modelo Yt = Yt 1 + t

Partial Correlation
.|*******
.|
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
PAC
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
En el Grfico 8.4 se representa el correlograma (AC y PAC) del modelo Yt = t . Se

trata de un modelo puramente aleatorio. En este caso todos los coeficientes de
autocorrelacin tienen un valor prximo a cero.
Grfico 8.4
Correlograma del modelo Yt = t
Autocorrelation
|
.|
|
.|
|
.|
.|
.|
.|
.|
Partial Correlation
.|
.|
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
PAC
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Sntesis.
La caracterstica ms importante de una serie temporal estacionaria susceptible
de ser modelizada a travs de un modelo AR(1) es que la funcin de autocorrelacin
decrece exponencialmente, mientras que la funcin de autocorrelacin parcial tan slo
presenta el primer valor distinto de cero. El resto de valores de la funcin de
autocorrelacin parcial son nulos.
El caso en que todos los valores de la funcin de autocorrelacin estn prximos
a la unidad es indicativo de que la serie es no estacionaria, mientras que el caso en que
todos los valores de la funcin de autocorrelacin estn prximos a cero es indicativo de
que la serie es puramente aleatoria.
PROBLEMAS PROPUESTOS SOBRE EL MODELO AR(1)
PROBLEMA 1.
Dada la serie temporal susceptible de ser representada a travs del modelo
12
2004 Bernard Cabrer
Yt = 0,4 Yt 1 + t
1. Comprobar si el modelo es estacionario.
2. En el caso de que el modelo sea estacionario calcule la funcin de autocorrelacin y la
funcin de autocorrelacin parcial.
PROBLEMA 2.
Yt = - 0,5 Yt 1 + t
PROBLEMA 3.
Dada la funcin de autocorrelacin (AC) y la funcin de autocorrelacin parcial (PAC)
siguiente:
1 = 0.8
11 = 0,8
2 = 0.64
22 = 0
3 = 0.512
33 = 0
4 = 0.410
44 = 0
5 = 0.328
55 = 0
6 = 0.262
66 = 0
proponga el modelo de la serie temporal que ha generado estos estadsticos (identifique el

modelo).
PROBLEMA 4.
siguiente:
1 = 0.99 2 = 0.98
11 = 0.99 22 = 0
3 = 0.98
33 = 0
4 = 0.97
44 = 0
5 = 0.96
55 = 0
6 = 0.95
66 = 0

modelo).
PROBLEMA 5.
siguiente:
1 = 0,02 2 = 0,03
3 = 0,02
4 = 0,05
5 = 0,05
6 = 0,03
11 = 0,02 22 = 0
33 = 0
44 = 0
55 = 0
66 = 0

modelo).
13
2004 Bernard Cabrer
Modelo autorregresivo de segundo orden: Modelo AR (2).
segundo orden, y se denota por AR(2), si es susceptible de ser modelizada a travs de la
ecuacin:
Yt = + 1 Yt 1 + 2 Yt 2 + t
(8.3)
donde:
Yt , Yt 1 , Yt 2 son variables aleatorias concebidas como realizaciones de un proceso
estocstico en los momentos del tiempo t , t-1 , t-2 , ... , que se caracterizan
por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...nmero finito
, 1 , 2 junto con la varianza del proceso 2 son los parmetros que definen el
modelo (que deben ser estimados) .

s = 0
s 0
adems la variable t se distribuye segn una funcin normal

La modelizacin de una serie a travs de un modelo AR exige que el modelo sea

Yt = + 1 Yt 1 + 2 Yt 2 + t
o bien
Yt - 1 Yt 1 - 2 Yt 2 = + t
Yt - 1 L Yt - 2 L2 Yt = + t
(1 - 1 L - 2 L2 ) Yt = + t
Yt =
1 - 1 L - 2 L2
)1
( + t )
14
2004 Bernard Cabrer
la esperanza de Yt es:
E( Yt ) = E ( 1 - 1 L - 2 L2
= ( 1- 1 - 2
)1 + (
)1
( + t )=
1 - 1 L - 2 L2
)1
E( t )
Dado que E( t )=0 , la condicin de estacionariedad en media exige que la E( Yt )

no sea funcin del tiempo y, adems, la E( Yt ) debe ser finita y determinada. Para ello se
debe cumplir que (1- 1 - 2 ) debe ser distinto de cero. En el presente caso se cumple la
condicin de estacionario en media siempre y cuando que 1 + 2 1.
As, en el modelo de objeto de estudio se tiene E( Yt ) =
1 - 1 - 2
)1 ,
pudiendo comprobar que el parmetro esta relacionado con la esperanza de Yt . En el

caso de que se suponga que sea igual a cero , entonces E( Yt )=0. En lo sucesivo de la
explicacin se va suponer que =0.
El requisito de estacionariedad en varianza para un modelo AR es que las raices del
polinomio caracterstico, en mdulo, sean menores que la unidad. Con el fin de comprobar
si el modelo es estacionario en varianza se van a calcular las races del polinomio
caracterstico del modelo, para ello se iguala a cero la parte autorregresiva del modelo:
Yt - 1 Yt 1 - 2 Yt 2 = 0
t - 1 t 1 - 2 t 2 = 0
2 - 1
2 = 0
la solucin de la ecuacun o races del polinomio de segundo grado son:
1 ; 2 =
1 12 + 4 2
2
Si el mdulo de las races del polinomio caracterstico es menor que 1, el modelo ser
estacionario en varianza.
As pues, si el modelo especificado para representar la serie Yt = 1 Yt 1 + 2 Yt 2 + t
cumple las condiciones:
1 + 2 1
|| 1 || < 1
|| 2 || < 1
el modelo ser estacionario en media y varianza.
15
2004 Bernard Cabrer
Invertir un modelo AR consiste en transformarlo en su modelo MA equivalente. En

el caso de un modelo AR(1) se tiene:
Yt = 1 Yt 1 + 2 Yt 2 + t
o bien
Yt - 1 Yt 1 - 2 Yt 2 = t
Yt - 1 L Yt - 2 L2 Yt = t
(1 - 1 L - 2 L2 ) Yt = t
Yt =
1 - 1 L - 2 L2
)1 t =
= ( 1 + 1 L + 2 L2 + 3 L3 + 4 L4 + ... ) t =
= t + 1 t 1 + 2 t 2 + 3 t 3 + 4 t 4 + ...
As pues, el modelo AR(2) estacionario se ha transformado en un modelo de medias
mviles de orden infinito MA( ). La condicin de invertibilidad en los modelos
autorregresivos de un nmero finito de trminos se cumple siempre de forma automtica.
Caracterizacin del modelo AR(2).
La caracterizacin de un modelo AR se efectua a travs de la funcin de

rdenes de una variable con ella misma, desfasada diferentes rdenes o perodos. La
funcin de autocovarianza se define como:

En el caso presente, dado que E( Yt ) = E( Yt ) = 0 , la funcin de autocovarianza se puede
expresar como:
16
2004 Bernard Cabrer
0 = E( Yt Yt ) = E(( 1 Yt 1 + 2 Yt 2 + t ) Yt ) =
= E( 1 Yt 1 Yt + 2 Yt 2 Yt + t Yt ) =
= 1 E( Yt 1 Yt ) + 2 E( Yt 2 Yt ) + E( t Yt ) =
= 1 1 + 2 2 + 2
1 = E( Yt Yt 1 ) = E(( 1 Yt 1 + 2 Yt 2 + t ) Yt 1 ) =
= 1 E( Yt 1 Yt 1 )+ 2 E( Yt 2 Yt 1 )+ E( t Yt 1 ) = 1 0 + 2 1
2 = E( Yt Yt 2 ) = E(( 1 Yt 1 + 2 Yt 2 + t ) Yt 2 ) =
= 1 E( Yt 1 Yt 2 ) + 2 E( Yt 2 Yt 2 ) + E( t Yt 2 ) = 1 1 + 2 0
3 = E( Yt Yt 3 )
= E(( 1 Yt 1 + 2 Yt 2 + t ) Yt 3 ) =
= 1 E( Yt 1 Yt 3 ) + 2 E( Yt 2 Yt 3 ) + E( t Yt 3 ) = 1 2 + 2 1
AR(2):
Procediendo anlogamente se deduce la funcin de autocovarianza para un modelo
1 1 + 2 2
para todo > 1


como:
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2
La AC proporciona informacin sobre la relacin lineal entre dos observaciones de la

misma serie separadas por unidades temporales.
17
2004 Bernard Cabrer
La AC de orden uno:
1 =
E (Yt Yt 1 ) 1 0 + 2 1
=
= 1 + 2 1
0
E (Yt ) 2
La AC de orden dos:
2 =
E (Yt Yt 2 ) 1 1 + 2 0
=
= 1 1 + 2
E (Yt ) 2
0
3 =
E (Yt Yt 3 ) 1 2 + 2 1
=
= 1 2 + 2 1
E (Yt ) 2
0
Procediendo de forma anloga se concluye que la AC para un modelo AR(2) es:
= 1 1 + 2 2
para todo > 1

Recordemos que la PAC describe las interrelaciones entre las variables Yt e Yt ,
eliminando los efectos lineales de las variables: Yt 1 ; Yt 2 ; Yt 3 ; ... ; Yt +1
Asi pues, se entiende por PAC a los sucesivos coeficientes de correlacin parcial de los
distintos rdenes de una variable con ella misma desfasada diferentes rdenes o perodos.
En el caso de un modelo AR(2) los modelos autoregresivos que tiene sentido son:
Yt = 11 Yt 1 + t
Yt = 21 Yt 1 + 22 Yt 2 + t
En este caso, la funcin de autocorrelacin parcial tiene los dos primeros valores distintos
de cero y el resto de valores son iguales a cero. As se tiene:
para =1 ,2
= 0
para >2
Correlograma.
autocorrelacin parcial, que se acostumbran a representar por las iniciales en ingls AC y
PAC respectivamente. En el Grfico 8.5 se representa el correlograma (AC y PAC) del
modelo Yt = - 0,6 Yt 1 + 0,3 Yt 2 + t
18
2004 Bernard Cabrer
Grfico 8.5
Correlograma del modelo Yt = - 0,6 Yt 1 + 0,3 Yt 2 + t
Autocorrelation
******|
.|******
*****|
.|****
****|
.|****
***|
.|***
***|
.|***
Partial Correlation
******|
.|**
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
-0.857
0.814
- 0.746
0.692
-0.639
0.591
-0.546
0.505
- 0.467
0.431
PAC
-0.857
0.300
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
En el Grfico 8.6 se representa el correlograma (AC y PAC) del modelo Yt = 0,6
Yt 1 + 0,3 Yt 2 + t
Grfico 8.6
Correlograma del modelo Yt = 0,6 Yt 1 + 0,3 Yt 2 + t
Autocorrelation
|******
.|******
|*****
.|****
|****
.|****
.|***
.|***
.|***
.|***
Partial Correlation
.|******
.|**
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.857
0.814
0.746
0.692
0.639
0.591
0.546
0.505
0.467
0.431
PAC
0.857
0.300
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Sntesis.
de ser modelizada a travs de un modelo AR(2) es que la funcin de autocorrelacin
decrece a partir del segundo valor, mientras que la funcin de autocorrelacin parcial
tan slo presenta los dos primeros valores distintos de cero. El resto de valores de la
funcin de autocorrelacin parcial son nulos.
PROBLEMAS PROPUESTOS SOBRE EL MODELO AR(2)

PROBLEMA 6.
Dado el modelo autorregresivo Yt = 0,4 Yt 1 - 1,2 Yt 2 + t representativo de una
serie temporal comprobar:
1. Si es estacionario.
19
2004 Bernard Cabrer
2. Calcular el modelo de medias mviles (MA) equivalente si tiene sentido.

PROBLEMA 7.
Yt = - 0,6 Yt 1 + 0,3 Yt 2 + t
PROBLEMA 8.
siguiente:
1 = 0,625
11 = 0,625
2 = 0,513
22 = 0,2
3 = 0,381
4 = 0,293
5 = 0,223
6 = 0,170
33 = 0
44 = 0
55 = 0
66 = 0
modelo).
PROBLEMA 8.
siguiente:
1 = -0,46
11 = -0,46
2 = -0,023
22 = -0,300
3 = -0,104
33 = 0
4 = -0,056
44 = 0
5 = -0,049
55 = 0
6 = -0,036
66 = 0

modelo).
20
2004 Bernard Cabrer
8.2. MODELO DE MEDIAS MOVILES (MA).
Se dice que una serie temporal Yt admite una representacin de medias mviles
(MA) de orden q , y se denota por MA( q ) , si es susceptible de ser modelizada a travs de
la ecuacin:
Yt = + t - 1 t 1 - 2 t 2 - 3 t 3 - ... - q t q
(8.4)
Yt
proceso
donde:
es una variable aleatoria concebida como realizaciones de un
estocstico en los momentos del tiempo t , que se caracterizan por E( Yt ) =

E( Yt 1 ) = E( Yt 2 ) = ... = nmero finito
, 1 , 2 , 3 , ... , q junto con la varianza del proceso 2 , son los parmetros

que definen el modelo (que deben ser estimados),

s = 0
s 0

proceder a estudiarlos. En concreto, se van a analizar el modelo MA(1) y el modelo
MA(2).
Modelo de medias mviles de primer orden: Modelo MA(1).
Se dice que una serie temporal Yt admite una representacin a travs de medias
mviles (MA) de primer orden, y se denota por MA(1), si es susceptible de ser modelizada
a travs de la ecuacin:
Yt = + t - 1 t 1
(8.5)
donde:
Yt
es una variable aleatoria concebida como una realizacin de un proceso

estocstico en los momentos del tiempo t ; t-1 ; t-2; ...
21
2004 Bernard Cabrer
, 1 , junto con la varianza del proceso 2 , son los parmetros que definen el
modelo (que deben ser estimados),

s = 0
s 0

La modelizacin de una serie a travs de un modelo MA exige que el modelo sea

mientras que la esperanza de Yt es:
Yt = + t - 1 t 1
E( Yt ) = E ( + t - 1 t 1 ) =
= + (1 - 1 L) t =
= + (1 - 1 ) . 0
Dado que E( t )=0 , la condicin de estacionariedad en media exige que la E( Yt )

no sea funcin del tiempo y, adems, la E( Yt ) debe ser finita y determinada. En el
presente caso se cumple la condicin de estacionario en media siempre y cuando sea
finito y (1 - 1 ) sea distinto de cero. Es decir, que 1 1.
As, en el modelo de objeto de estudio se tiene E( Yt ) = , pudiendo comprobar
que el parmetro esta relacionado con la esperanza de Yt . En el caso de que se suponga
que sea igual a cero , entonces E( Yt )=0. En lo sucesivo sin perdida de la generalidad se
va suponer que =0.
El requisito de estacionariedad en varianza para un modelo MA finito se cumple
automticamente ya que la varianza de un MA finito ser siempre finita.
As pues, el modelo especificado para representar la serie Yt = t - 1 t 1 cumple
la condicin de estacionario en media y varianza si el valor de es finito y 1 1.
22
2004 Bernard Cabrer
Invertir un modelo MA consiste en transformarlo en su modelo AR equivalente. El

requisito para que se pueda invertir un modelo MA es que las races del polinomio
caracterstico, en mdulo, sean menores que la unidad. Con el fin de comprobar si el
modelo es invertible se van a calcular las races del polinomio caracterstico del modelo.
Para ello se iguala a cero la parte de medias mviles del modelo:
t - 1 t 1 = 0
si ahora, se sustituye t por t se obtiene la ecuacin:
t - 1 t 1 = 0
- 1 = 0
1 = 1
| 1 | < 1
o bien
|1 | < 1
As pues, si 1 , en valor absoluto, es menor que la unidad el modelo Yt = t 1 t 1 ser invertible.

En el caso de un modelo MA(1), la inversin del modelo, esto es, su conversin en
el modelo AR equivalente, da como resultado:
Yt = t - 1 t 1
Yt = t - 1 L t
sacando factor comn t se tiene:
Yt = (1 - 1 L ) t
despejando t se obtiene:
t =
1 - 1 L
)1
Yt =
= ( 1 + 1 L + 12 L2 + 13 L3 + 13 L4 + ... ) Yt =
= Yt + 1 Yt 1 + 12 Yt 2 + 13 Yt 3 + 13 Yt 4 + ...
As pues, el modelo MA(1) invertible se ha transformado en un modelo
autorregresivo de orden infinito AR( ). La condicin de invertibilidad en los modelos de
medias mviles requiere que las races del polinomio caracterstico, en mdulo, sean
menores que la unidad.
Caracterizacin del modelo MA(1).
La caracterizacin de un modelo MA se efecta a travs de la funcin de

23
2004 Bernard Cabrer



expresar como:
0 = E( Yt Yt ) = E ( t - 1 t 1
)2
= E( t2 + 12 t21 - 2 1 t t 1 ) =
= E( t2 ) + 12 E( t21 )- 2 1 E( t t 1 ) =
= 2 + 12 2
Despejando la varianza se obtiene:
0 = (1 + 12 ) 2
1 = E( Yt Yt 1 ) = E(( t - 1 t 1 )( t 1 - 1 t 2 )) =
= E( t t 1 ) - 1 E( t t 2 ) - 1 E( t 1 t 1 ) + 12 E( t 1 t 2 ) =
= 0 - 0 - 1 2 + 0 = - 1 2
2 = E( Yt Yt 2 ) = E(( t - 1 t 1 )( t 2 - 1 t 3 )) =
= E( t t 2 ) - 1 E( t t 3 ) - 1 E( t 1 t 2 ) + 12 E( t 1 t 3 ) = 0
3 = E( Yt Yt 3 ) = E(( t - 1 t 1 )( t 3 - 1 t 4 )) =
= E( t t 3 ) - 1 E( t t 4 ) - 1 E( t 1 t 3 ) + 12 E( t 1 t 4 ) = 0
Procediendo anlogamente, se deduce que la funcin de autocovarianza para un
modelo MA(1) es:
24
2004 Bernard Cabrer
para todo > 1
=0


como:
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2

La AC de orden uno:
1 =
E (Yt Yt 1 )
1 2
1
=
=
2
2
2
E (Yt )
(1 + 1 )
(1 + 12 )
2 =
E (Yt Yt 2 )
0
=
=0
2
(1 + 12 ) 2
E (Yt )
3 =
E (Yt Yt 3 )
0
=
=0
2
(1 + 12 ) 2
E (Yt )
La AC de orden dos:
Procediendo de forma anloga, se deduce la AC de un modelo MA(1), que es :
1 =
1
(1 + 12 )
= 0
para = 1
para todo > 1

Se entiende por PAC a los sucesivos coeficientes de correlacin parcial de los distintos
rdenes de una variable con ella misma desfasada diferentes rdenes o perodos.
25
2004 Bernard Cabrer
En el caso de un modelo MA(1) invertible (se puede obtener el modelo AR( )

equivalente) se pueden plantear infinitos modelos autoregresivos:
Yt = 11 Yt 1 + t
Yt = 21 Yt 1 + 22 Yt 2 + t
Yt = 31 Yt 1 + 32 Yt 2 + 33 Yt 3 + t
Yt = 41 Yt 1 + 42 Yt 2 + 43 Yt 3 + 44 Yt 4 + t
...
En este caso, la funcin de autocorrelacin parcial tiene infinitos valores distintos de cero y
van decreciendo exponencialmente a partir del primer valor.
11 = 1 =
1
(1 + 12 )
para = 1
para todo > 1
0
Correlograma.

autocorrelacin parcial , que se acostumbra a representar por las iniciales en ingls AC y
modelo Yt = t - 0,8 t 1
Correlograma del modelo Yt = t - 0,8 t 1
Grfico 8.7
Autocorrelation
****|
.|
.|
.|
.|
.|
.|
.|
.|
.|
Partial Correlation
*****|
****|
**|
**|
*|
*|
*|
*|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
-0.488
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.028
PAC
-0.488
-0.316
-0.221
-0.165
-0.127
-0.099
-0.078
-0.062
-0.049
-0.039
En el Grfico 8.8 se representa el correlograma (AC y PAC) del modelo Yt = t +

0,8 t 1
Grfico 8.8
Correlograma del modelo Yt = t + 0,8 t 1
Autocorrelation
|****
.|
.|
.|
Partial Correlation
****|
***|
|**
*|
1
2
3
4
AC
0.488
0.000
0.000
0.000
PAC
0.488
-0.316
0.221
-0.165
26
2004 Bernard Cabrer
.|
.|
.|
.|
.|
.|
|*
*|
.|
.|
.|
.|
5
6
7
8
9
10
0.000
0.000
0.000
0.000
0.000
0.028
0.127
-0.099
0.078
-0.062
0.049
-0.039
Sntesis.
de ser modelizada a travs de un modelo MA(1) es que la funcin de autocorrelacin tan
slo presenta el primer valor distinto de cero (y en valor absoluto menor que 0,5),
mientras que la funcin de autocorrelacin parcial decrece exponencialmente.
PROBLEMAS PROPUESTOS SOBRE EL MODELO MA(1)
PROBLEMA 10.
Dado el modelo de medias mviles (MA)
Yt = t - 0,6 t 1
Se pide:
PROBLEMA 9.
Dado el modelo de medias mviles (MA)
Yt = t + 0,9 t 1
Se pide:
PROBLEMA 12.
Dadas la funcin de autocorrelacin y la funcin de autocorrelacin parcial siguientes:
1 = -0,488 2 = 0
3 = 0
4 = 0
5 = 0
6 = 0
11 = -0,488
22 = -0,312
33 = -0,221
44 = -0,165
55 = 0,127
66 = -0,099
proponga el modelo de la serie temporal que ha generado los estadsticos (identifique el

modelo).
PROBLEMA 13.
Demostrar que el valor mximo que puede alcanzar el primer valor da la funcin de
autocorrelacin ( 1 ) de un modelo MA(1) estacionario es 0,5.
Modelo de medias mviles de segundo orden: Modelo MA(2).
27
2004 Bernard Cabrer
Se dice que una serie temporal Yt admite una representacin autoregresiva (MA)
de segundo orden, y se denota por MA(2), si es susceptible de ser modelizada a travs de la
ecuacin:
Yt = + t - 1 t 1 - 2 t 2
(8.6)
donde:
Yt
es una variable aleatoria concebida como una realizacin de un proceso
estocstico en los momentos del tiempo t , t-1 , t-2 , ...
, 1 , 2 , junto con la varianza del proceso 2 , son los parmetros que definen
el modelo (que deben ser estimados),
s = 0
s 0

La modelizacin de una serie a travs de un modelo MA exige que el modelo sea

mientras que la esperanza de Yt es:
Yt = + t - 1 t 1 - 2 t 2
E( Yt ) = E ( + t - 1 t 1 - 2 t 2 )=
= E( ) + E(1- 1 L t - 2 L2 t )=
= + (1- 1 L - 2 L2 )E( t ) =
= + (1- 1 - 2 ) 0
Dado que E( t ) = 0 , la condicin de estacionariedad en media exige que la E( Yt )

no sea funcin del tiempo y, adems, la E( Yt ) debe ser finita y determinada. En el
presente caso se cumple la condicin de estacionariedad en media siempre y cuando sea
finito y (1- 1 - 2 ) 0. Es decir que 1 + 2 1.
As, en el modelo de objeto de estudio se tiene E( Yt ) = , pudiendo comprobar
que el parmetro esta relacionado con la esperanza de Yt . En el caso de que se suponga
28
2004 Bernard Cabrer
que sea igual a cero, entonces E( Yt )=0. En lo sucesivo, sin perdida de la generalidad, se
va suponer que =0 .
El requisito de estacionariedad en varianza para un modelo MA finito se cumple
automticamente ya que la varianza de un MA finito ser siempre finita.
As pues, el modelo especificado para representar la serie Yt = t - 1 t 1 - 2 t 2
cumple la condicin de estacionario en media y varianza si el valor de es finito o
determinado y 1 + 2 1.
Invertir un modelo MA consiste en transformarlo en su modelo AR equivalente. El

requisito para que se pueda invertir un modelo MA es que las races del polinomio
caracterstico, en mdulo, sean menores que la unidad. Con el fin de comprobar si el
modelo es invertible se van a calcular las races del polinomio caracterstico del modelo.
Para ello se iguala a cero la parte de medias mviles del modelo:
t - 1 t 1 - 2 t 2 = 0
Si ahora, se sustituye t por t se obtiene la ecuacin:
t - 1 t 1 - 2 t 2 = 0
2 - 1 - 2 = 0
las races del polinomio de segundo grado son:
1 ; 2 =
1 12 + 4 2
2
Si el mdulo de las races del polinomio caracterstico es menor que la unidad, el modelo
MA (2) ser invertible.
En el caso de un modelo MA(2), la inversin del modelo, esto es, su conversin en

el modelo AR equivalente, da como resultado:
Yt = t - 1 t 1 - 2 t 2
Yt = t - 1 L t - 2 L2 t
sacando factor comn t se tiene:
Yt = (1 - 1 L - 2 L2 ) t
t =
1 - 1 L - 2 L2
)1
Yt =
= ( 1 + 1 L + 2 L2 + 3 L3 + 4 L4 + ... ) Yt =
= Yt + 1 Yt 1 + 2 Yt 2 + 3 Yt 3 + 4 Yt 4 + ...
As pues, el modelo MA(2) invertible se ha transformado en un modelo
autorregresivo de orden infinito AR( ). La condicin de invertibilidad en los modelos de
29
2004 Bernard Cabrer
medias mviles requiere que las races del polinomio caracterstico, en mdulo, sean
menores que la unidad.
Caracterizacin del modelo MA(2).
La caracterizacin de un modelo MA se efecta a travs de la funcin de


rdenes de una variable con ella misma desfasada diferentes rdenes o periodos. La funcin

expresar como:
0 = E( Yt Yt ) = E ( t - 1 t 1 - 2 t 2
)2
= E( t2 + 12 t21 + 22 t22 - 2 1 t t 1 -2 2 t t 2 +2 1 2 t 1 t 2 ) =
= E( t2 ) + 12 E( t21 )+ 22 E( t22 )- 2 1 E( t t 1 )-2 2 E( t t 2 )+2 1 2 E( t 1 t 2 )=
= 2 + 12 2 + 22 2
En definitiva:
0 = (1 + 12 + 22 ) 2
1 = E( Yt Yt 1 ) = E(( t - 1 t 1 - 2 t 2 )( t 1 - 1 t 2 - 2 t 3 )) =
= E( t t 1 )- 1 E( t t 2 )- 2 E( t t 3 )- 1 E( t21 )+ 12 E( t 1 t 2 )+ 1 2 E( t 1 t 3 )- 2 E( t 2 t 1 )+ 2 1 E( t22 )+ 22 E( t 2 t 3 ) =
= 0 - 1 0- 2 0 - 1 2 + 12 0 + 1 2 0 - 2 0+ 2 1 2 + 22 0 =
= - 1 2 + 2 1 2 = (- 1 + 2 1 ) 2
30
2004 Bernard Cabrer
2 = E( Yt Yt 2 ) = E(( t - 1 t 1 - 2 t 2 )( t 2 - 1 t 3 - 2 t 4 )) =
= E( t t 2 )- 1 E( t t 3 )- 2 E( t t 4 )- 1 E( t 1 t 2 )+ 12 E( t 1 t 3 )+
+ 1 2 E( t 1 t 4 )- 2 E( t22 )+ 2 1 E( t 2 t 3 )+ 22 E( t 2 t 4 ) = - 2 2
3 = E( Yt Yt 3 ) = E(( t - 1 t 1 - 2 t 2 )( t 3 - 1 t 4 - 2 t 5 )) =
= E( t t 3 )- 1 E( t t 4 )- 2 E( t t 5 )- 1 E( t 1 t 3 )+ 12 E( t 1 t 4 )+
+ 1 2 E( t 1 t 5 )- 2 E( t 2 t 3 )+ 2 1 E( t 2 t 4 )+ 22 E( t 2 t 5 ) = 0
Procediendo anlogamente, se deduce que la funcin de autocovarianza para un
modelo MA(2) es:
para todo > 2
=0


de una variable con ella misma desfasada diferentes rdenes o periodos. La AC se define
como:
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2

La AC de orden uno:
1 =
E (Yt Yt 1 ) ( 1 + 2 1 ) 2
( 1 + 2 1 )
=
=
2
2
2
2
(1 + 1 + 2 )
(1 + 12 + 22 )
E (Yt )
La AC de orden dos:
2 =
E (Yt Yt 2 )
2 2
2
=
=
2
2
2
2
E (Yt )
(1 + 1 + 2 )
(1 + 12 + 22 )
3 =
E (Yt Yt 3 )
0
=
=0
2
2
E (Yt )
(1 + 1 + 22 ) 2
Procediendo de forma anloga, se deduce la AC para un modelo MA(2):
31
2004 Bernard Cabrer
1 =
1 + 1 2
(1 + 12 + 22 )
para = 1
2 =
2
(1 + 12 + 22 )
para = 2
= 0
para todo > 2

rdenes de una variable con ella misma desfasadas diferentes rdenes o periodos.
En el caso de un modelo MA(2) invertible (se puede obtener el modelo AR( )
equivalente) se pueden plantear infinitos modelos autoregresivos:
Yt = 11 Yt 1 + t
Yt = 21 Yt 1 + 22 Yt 2 + t
Yt = 31 Yt 1 + 32 Yt 2 + 33 Yt 3 + t
Yt = 41 Yt 1 + 42 Yt 2 + 43 Yt 3 + 44 Yt 4 + t
...
...
van decreciendo exponencialmente a partir del segundo valor.
para todo >0
Correlograma.

autocorrelacin parcial, que se acostumbran a representar por las iniciales en ingls AC y
modelo Yt = t -0,3 t 1 -0,4 t 2
Grfico 8.9
Correlograma del modelo
Yt = t -0,3 t 1 -0,4 t 2
32
2004 Bernard Cabrer
Autocorrelation
**|
***|
|
|
|
|
.|
.|
.|
.|
Partial Correlation
**|
***|
**|
**|
*|
*|
*|
*|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
-0.144
-0.320
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
PAC
-0.144
-0.347
-0.130
-0.163
-0.094
-0.076
-0.063
-0.054
-0.041
-0.034
En el Grfico 8.10 se representa el correlograma (AC y PAC) del modelo Yt =
t +0,3 t 1 -0,4 t 2
Grfico 8.10
Autocorrelation
|**
***|
|
|
|
|
.|
.|
.|
.|
Correlograma del modelo Yt = t +0,3 t 1 -0,4 t 2

Partial Correlation
|**
***|
.|**
**|
.|*
*|
.|*
*|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.144
-0.320
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
PAC
0.144
-0.347
0.130
-0.163
0.094
-0.076
0.063
-0.054
0.041
-0.034
33
2004 Bernard Cabrer
Sntesis.
de ser modelizada a travs de un modelo MA(2) es que la funcin de autocorrelacin tan
slo presenta los dos primeros valores distintos de cero, mientras que la funcin de
autocorrelacin parcial decrece exponencialmente a partir del segundo valor.
PROBLEMAS PROPUESTOS SOBRE EL MODELO MA(2)

PROBLEMA 14.
Dado el modelo de medias mviles Yt = t - 0,4 t 1 + 1,2 t 2 comprobar:
2. Calcular el modelo autorregresivo (AR) equivalente si es posible.
PROBLEMA 15.
Dado el modelo de medias mviles Yt = t - 0,3 t 1 - 0,4 t 2 comprobar:
2. Calcular la funcin de autocorrelacin y autocorrelacinparcial si es posible.
PROBLEMA 16.
Dada la funcin de autocorrelacin (AC) y la funcin de autocorrelacin parcial
(PAC) siguiente:
1 = -0,144
11 = -0,144
2 = -0,320
22 = -0,347
3 = 0
33 = -0,130
4 = 0
44 = -0,163
5 = 0
55 = 0,094
6 = 0
66 = -0,076

modelo).
PROBLEMA 17.
(PAC) siguiente:
1 = -0,144
11 = -0,144
2 = -0,320
22 = -0,347
3 = 0
33 = -0,130
4 = 0
44 = -0,163
5 = 0
55 = 0,094
6 = 0
66 = -0,076

modelo).
34
2004 Bernard Cabrer
8.3 MODELOS MIXTOS AUTORREGRESIVOS Y MEDIAS MVILES (ARMA).
Se dice que una serie temporal Yt admite una representacin autorregresiva y de

medias mviles de orden p , q respectivamente, y se denota por ARMA( p , q ), si es
susceptible de ser modelizada a travs de la ecuacin:
Yt = + 1 Yt 1 + 2 Yt 2 + ... + p Yt p + t - 1 t 1 - 2 t 2 - ... - q t q
(8.7)
donde:
Yt , Yt 1 , ... , Yt p son una variables aleatorias concebidas como realizaciones de un
proceso estocstico en distintos momentos del tiempo t, t-1, t-2,... , que se
caracterizan por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...
, 1 , 2 , ... , p , 1 , 2 , 3 , ... , q junto con la varianza del proceso 2 son

los parmetros que definen el modelo (que deben ser estimados),
s = 0
s 0
adems, la variable t se distribuye segn una funcin normal

Una forma alternativa de expresar la ecuacin (8.7) es utilizando el operador retardo
obteniendo:
Yt - 1 Yt 1 - 2 Yt 2 - ... - p Yt p = t - 1 t 1 - 2 t 2 - ... - q t q
esto es:
Yt - 1 L Yt - 2 L2 Yt - ... - p L p Yt = t - 1 L t - 2 L2 t - ... - q L p t
o bien:
(1- 1 L - 2 L2 - ... - p L p ) Yt = (1- 1 L - 2 L2 - ... - q L p ) t
Adems, los polinomios de retardos se pueden descomponer, si las races son reales, en
productos de monomios:
(1- 1 L )(1- 2 L ) ... (1- p L ) Yt = (1- 1* L )(1- *2 L ) ... (1- *p L ) t
y en la mayora de los casos los polinomios tienen races comunes pudiendo simplificarse la
ecuacin quedando, en definitiva, un modelo mucho ms simple.
35
2004 Bernard Cabrer
Por ejemplo el modelo:

Yt = 1,8 Yt 1 - 0,8 Yt 2 + t - 1,6 t 1 + 0,6 t 2
que se puede escribir como
Yt - 1,8 Yt 1 + 0,8 Yt 2 = t - 1,6 t 1 + 0,6 t 2
o bien:
(1- 1,8 L + 0,8 L2 ) Yt = (1- 1,6 L + 0,6 L2 ) t
descomponiendo los polinomios en producto de monomios:
(1- 1,0 L ) (1- 0,8 L ) Yt = (1- 1,0 L ) (1- 0,6 L ) t
y simplificando:
(1- 0,8 L ) Yt = (1- 0,6 L ) t
que es en definitiva un modelo ARMA(1,1).

proceder a estudiarlos. En concreto, se va a analizar el modelo ARMA(1,1).
Modelo autorregresivo y de medias mviles de primer orden: Modelo ARMA(1,1).
Se dice que una serie temporal Yt admite una representacin autoregresiva y de

medias mviles de primer orden, y se denota por ARMA(1,1), si es susceptible de ser
modelizada a travs de la ecuacin:
Yt = 1 Yt 1 + t - 1 t 1
(8.8)
donde:
Yt , Yt 1 , son variables aleatorias concebidas como realizaciones de un proceso
estocstico en los momentos del tiempo t , t-1 , t-2 , ..., que se caracterizan
por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...
1 , 1
junto con la varianza del proceso 2 son los parmetros que definen el
modelo (que deben ser estimados),

distribuidos que cumplen:
s = 0
s 0
adems la variable t se distribuye segn normal
36
2004 Bernard Cabrer

La modelizacin de una serie a travs de un modelo ARMA exige que el modelo sea
estacionario en media y varianza. La condicin de estacionariedad viene impuesta por la
parte AR, ya que la parte MA es estacionaria siempre y cuando sea finita. La
estacionariedad en media exige que la E( Yt ) no sea funcin del tiempo y, adems, la
E( Yt ) debe ser finita y determinada. En el caso presente se tiene:
Yt = 1 Yt 1 + t - 1 t 1
o bien
Yt - 1 Yt 1 = t - 1 t 1
Yt - 1 L Yt = t - 1 L t
sacando factor comn Yt y t se tiene:
(1 - 1 L ) Yt = (1 - 1 L ) t
Yt =
la esperanza de Yt es:
1 - 1 L
E( Yt ) = E ( 1 - 1 L
=
1- 1 L
1- 1
)1
)1
(1 - 1 L ) t
(1- 1 L ) t
)1 (1- 1
)1 (1- 1 )
L ) E( t ) =
Dado que E( t ) = 0, la condicin de estacionariedad en media exige que la E( Yt )

no sea funcin del tiempo y, adems, la E( Yt ) debe ser finita y determinada. Para ello se
debe cumplir que (1 - 1 ) y que (1- 1 ) sean distintos de cero. En el presente caso, se
cumple la condicin de estacionariedad en media siempre y cuando 1 1 y que 1 1.
El requisito de estacionariedad en varianza para un modelo ARMA depende
nicamente de la parte AR, ya que la parte MA, si es finita, cumple automticamente la
condicin de estacionariedad en varianza. As pues, el requisito de estacionariedad en
varianza para la parte AR de un modelo es que las races del polinomio caracterstico, en
mdulo, sean menores que la unidad.
Con el fin de comprobar si el modelo es estacionario en varianza se van a calcular
las races del polinomio caracterstico del modelo de la parte AR. Para ello, se iguala a cero
la parte autorregresiva del modelo:
Yt - 1 Yt 1 = 0
t - 1 t 1 = 0
37
2004 Bernard Cabrer
- 1 = 0
1 = 1
Como la raz del monomio es real, se debe cumplir que el valor absoluto de la raz sea
| 1 | < 1
| 1 | < 1
o bien
As pues, si el modelo especificado para representar la serie:

Yt = 1 Yt 1 + t - 1 t 1
cumple las condiciones:
| 1 | < 1 y 1 1
Por tanto, el modelo es estacionario en media y varianza.

Invertir un modelo ARMA consiste en transformarlo en su modelo AR equivalente.

El requisito para que se pueda invertir un modelo ARMA es que las races del polinomio
caracterstico de la parte MA, en mdulo, sean menores que la unidad.
Con el fin de comprobar si el modelo es invertible se van a calcular las races del
polinomio caracterstico de la parte MA del modelo. Para ello se iguala a cero la parte de
medias mviles del modelo:
t - 1 t 1 = 0
si ahora, se sustituye t por t se obtiene la ecuacin:
t - 1 t 1 = 0
- 1 = 0
1 = 1
| 1 | < 1
o bien
|1 | < 1
As pues, si 1 , en valor absoluto, es menor de la unidad, el modelo Yt = 1 Yt 1 +

t - 1 t 1 ser invertible.
En el caso de un modelo ARMA(1,1), la inversin del modelo, esto es su conversin
en el modelo AR equivalente, se obtiene:
Yt = 1 Yt 1 + t - 1 t 1
utilizando el operador retardo y sacando factor comn Yt y t se tiene:

38
2004 Bernard Cabrer
(1 - 1 L ) Yt = (1 - 1 L ) t
t =
1 - 1 L
)1
(1 - 1 L ) Yt =
= ( 1 + 1 L + 12 L2 + 13 L3 + 13 L4 + ... ) (1 - 1 L ) Yt =
= Yt + 1 Yt 1 + 2 Yt 2 + 3 Yt 3 + 4 Yt 4 + ...
As pues, el modelo ARMA(1,1) estacionario e invertible se ha transformado en un
modelo autorregresivo de orden infinito AR( ). La condicin de invertibilidad en los
modelos ARMA requiere que las races del polinomio caracterstico de la parte MA, en
mdulo, sean menores que la unidad.
Caracterizacin del modelo ARMA(1,1).
La caracterizacin de un modelo ARMA se efecta a travs de la funcin de



En el caso presente, dado que E( Yt ) = 0, la funcin de autocovarianza se puede expresar
como:
0 = E( Yt Yt ) = E ( 1 Yt 1 + t - 1 t 1
)2
=E( 12 Yt 21 + t2 + 12 t21 + 2 1 Yt 1 t - 2 1 1 Yt 1 t 1 - 2 1 t t 1 ) =
= 12 E( Yt 21 )+E( t2 )+ 12 E( t21 ) + 2 1 E( Yt 1 t )- 2 1 1 E( Yt 1 t 1 )- 2 1 E( t t 1 ) =
= 12 0 + 2 + 12 2 + 2 1 0 - 2 1 1 2 - 2 1 0
Despejando la varianza 0 se tiene:
39
2004 Bernard Cabrer
0 =
1 + 12 2 1 1
2
2
1 1
1 = E( Yt Yt 1 ) = E(( 1 Yt 1 + t - 1 t 1 ) Yt 1 ) =
= 1 E( Yt 21 )+ E( t Yt 1 ) - 1 E( t 1 Yt 1 ) =
= 1 0 + 0 - 1 2 =
= 1 0 - 1 2
2 = E( Yt Yt 2 ) = E(( 1 Yt 1 + t - 1 t 1 ) Yt 2 ) =
= 1 E( Yt 1 Yt 2 )+ E( t Yt 2 ) - 1 E( t 1 Yt 2 ) =
= 1 1 + 0 + 1 0 = 1 1
3 = E( Yt Yt 3 ) = E(( 1 Yt 1 + t - 1 t 1 ) Yt 3 ) =
= 1 E( Yt 1 Yt 3 )+ E( t Yt 3 ) - 1 E( t 1 Yt 3 ) =
= 1 2 + 0 + 0 = 1 2
Sustituyendo 2 por su valor se obtiene:
3 = 12 1
Procediendo de forma anloga, se deduce la funcin de autocovarianza para un
modelo ARMA(1,1), que cumple:
= 1 1 1
para todo > 1

limitacin, se utiliza en su lugar la funcin de autocorrelacin.
Se entiende por AC a los sucesivos coeficientes de correlaciones de distintos

rdenes de una variable con ella misma desfasada diferentes rdenes o perodos. La AC se
define como:
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2
40
2004 Bernard Cabrer

La AC de orden uno:
1 =
E (Yt Yt 1 ) 1 0 1 2
(1 1 1 )(1 1 )
=
=
2
0
1 + 12 21 1
E (Yt )
La AC de orden dos:
2 =
E (Yt Yt 2 ) 1 1
=
= 1 1
0
E (Yt ) 2
3 =
E (Yt Yt 3 ) 1 12
=
= 12 1
E (Yt ) 2
0
Procediendo de forma anloga, se deduce la AC para un modelo ARMA(1,1), que es:
= 1 1 1
para todo > 1
La PAC describe las interelaciones entre las variables Yt e Yt eliminando los

efectos lineales de las variables: Yt 1 ; Yt 2 ; Yt 3 ; ... ; Yt +1
rdenes de una variable con ella misma desfasada diferentes rdenes o perodos.
En el caso de un modelo ARMA(1) estacionario e invertible. se puede obtener el
modelo AR( ) equivalente. En este caso, se pueden plantear infinitos modelos
autoregresivos:
Yt = 11 Yt 1 + t
Yt = 21 Yt 1 + 22 Yt 2 + t
Yt = 31 Yt 1 + 32 Yt 2 + 33 Yt 3 + t
Yt = 41 Yt 1 + 42 Yt 2 + 43 Yt 3 + 44 Yt 4 + t
...
...
van decreciendo exponencialmente a partir del primer valor.
11 = 1 = 1 +
1 2
para = 1
41
2004 Bernard Cabrer
para todo >1
y en general
Correlograma.

autocorrelacin parcial que se acostumbra representar por las iniciales en ingls AC y PAC
respectivamente. En el Grfico 8.1 se representa el correlograma (AC y PAC) del modelo
Yt = 0,7 Yt 1 + t - 0,3 t 1
Grfico 8.1
Correlograma del modelo Yt = 0,7 Yt 1 + t - 0,3 t 1
Autocorrelation
|*****
|***
|**
|**
|*
|*
.|
.|
.|
.|
Partial Correlation
|*****
.|**
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.472
0.330
0.231
0.162
0.113
0.079
0.044
0.038
0.029
0.018
PAC
0.472
0.138
0.041
0.013
0.009
0.006
0.004
0.003
0.003
0.002
En el Grfico 8.2 se representa el correlograma (AC y PAC) del modelo

Yt = 0,7 Yt 1 + t + 0,3 t 1
Grfico 8.2
Autocorrelation
|*********
|******
|****
|***
|**
|*
.|
.|
.|
.|
Correlograma del modelo Yt = 0,7 Yt 1 + t + 0,3 t 1

Partial Correlation
|*********
**|
|*
**|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0,802
0,561
0,393
0,275
0,192
0,135
0,094
0,066
0,046
0,032
PAC
0,802
-0.225
0.067
-0.010
0.005
-0.002
0.004
-0.002
0.003
-0.001
Sntesis.
de ser modelizada a travs de un modelo ARMA(1,1) es que la funcin de
autocorrelacin presenta infinitos valores distintos de cero que decrecen de forma
42
2004 Bernard Cabrer
exponencial a partir del primer valor, mientras que la funcin de autocorrelacin

parcial tiene infinitos valores distintos de cero que decrecen de forma exponencial a
partir del primer valor.
PROBLEMAS PROPUESTOS SOBRE EL MODELO ARMA

PROBLEMA 18.
Dado el modelo mixto autorregresivo y de medias mviles (ARMA)
Yt = 1,8 Yt 1 - 0,8 Yt 2 + t - 1,6 t 1 + 0,6 t 2
Se pide: indicar el orden de la parte AR y de la parte MA (identificar) del modelo.
PROBLEMA 19.
Dado el modelo
Yt = 1,6 Yt 1 - 0,63 Yt 2 + t - 0,7 t 1

Se pide: calcular la funcin de autocorrelacin y la funcin de autocorrelacin parcial.
PROBLEMA 20.
Dado el modelo
Yt = 0,6 Yt 1 + t - 0,3 t 1
Se pide: calcular la funcin de autocorrelacin y la funcin de autocorrelacin parcial.
PROBLEMA 21.
(PAC) siguiente:
1 = 0,472
11 = 0,472
2 = 0,330
22 = 0,138
3 = 0,231
33 = 0,041
4 = 0,162
44 = 0,013
5 = 0,113
6 = 0,079
55 = 0,003
66 = 0,002

modelo).
PROBLEMA 22.
(PAC) siguiente:
1 = 0,801
11 = 0,801
2 = 0,561
22 =-0,225
3 = 0,393
33 = 0,067
4 = 0,275
44 =-0,021
5 = 0,192
55 = 0,005
6 = 0,135
66 =-0,002

modelo).
43

Tema 8

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tema 8

Uploaded by

Copyright:

Available Formats

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

8. MODELOS LINEALES SIN ESTACIONALIDAD (I).

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

Yt , Yt 1 , Yt 2 , ... son variables aleatorias concebidas como realizaciones de un

, 1 , 2 , 3 , ... , p junto con la varianza del proceso 2 son los parmetros

t es un proceso constituido por variables aleatorias independientes e igualmente

las autocovarianzas de t son nulas; E( t t + s ) = 0

adems la variable t se distribuye segn una funcin normal y en

la variable aleatoria que rene estas caractersticas se denomina, en este

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

las autocovarianzas de t son nulas; E( t t + s ) = 0

adems la variable t se distribuye segn una normal

o bien sustituyendo de forma reiterada se obtiene:

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

como la esperanza de Yt es igual a una progresin geomtrica de razn 1 La suma de la

As, en el modelo de objeto de estudio, se tiene E( Yt ) =

comprobar que el parmetro esta relacionado con la esperanza de Yt En el caso de que

adems sabemos que:

aplicando la definicin de la varianza se tiene:

Una forma alternativa de comprobar que el modelo Yt = + 1 Yt 1 + t es

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

si ahora, se sustituye Yt por t se obtiene la ecuacin:

dividiendo por t 1 se tiene:

la solucin de la ecuacin o raz del monomio es:

As pues, si el modelo especificado para representar la serie Yt = 1 Yt 1 + t

| 1 |<1, el modelo es estacionario en media y varianza.

Invertir un modelo AR consiste en transformarlo en su modelo MA equivalente. En

utilizando el operador retardo

sacando factor comn Yt se tiene:

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

Caracterizacin del modelo AR(1).

La caracterizacin de un modelo AR se efectua a travs de la funcin de

= cov( Yt Yt ) = E[( Yt -E( Yt ))( Yt -E( Yt ))]

Autocovarianza de orden cero (varianza):

Autocovarianza de orden uno:

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

Procediendo de forma anloga, se deduce la funcin de autocovarianza para un

para todo > 1

La limitacin principal de la funcin de autocovarianza es que depende de las

Funcin de autocorrelacin (AC).

Procediendo de forma anloga, se deduce la AC para un modelo AR(1), que es:

para todo > 1

Funcin de autocorrelacin parcial (PAC).

2004 Bernard Cabrer

Econometra Empresarial II Tema 8

entre las variables Yt e Yt , eliminando los efectos lineales de las variables1:

En el caso particular de un modelo AR(1) el nico modelo autoregresivo que tiene

El concepto de autocorrelacin parcial es anlogo al concepto de coeficiente de regresin parcial. En el

modelo de regresin (autorregresivo de orden

variables, el coeficiente de regresin

continuacin. El coeficiente de autocorrelacin parcial del modelo

que coincide con el coeficiente de autocorrelacin de primer orden.