Econometra II

Anlisis de series temporales (II): Extensiones y metodologa Miguel Jerez y Sonia Sotoca Universidad Complutense de Madrid p

Marzo 2010 M
Ver. 24/03/2010, Pag. # 1

ndice
Propiedades tpicas de las series econmicas Transformaciones de datos Operadores retardo y diferencia Procesos generalizados Extensiones Metodologa

Ver. 24/03/2010, Pag. # 2

Propiedades tpicas de las series econmicas p p

700 600 Mile de personas es 500 400 300 200 100 0 1950 1952 1954 1956 1958 1960

Muchas series temporales econmicas presentan: t tendencia, estacionalidad estacionalidad, una variabilidad que crece con su nivel y componentes deterministas (valores atpicos, ...)

Pasajeros de lneas areas, total mensual

Sin embargo, los procesos ARMA describen variables puramente estocsticas, no estacionales, con media y varianza constantes. Por tanto, para modelizar series econmicas es necesario definir: Transformaciones de datos diseadas para estabilizar la media y la varianza de las series. Extensiones de la familia de procesos ARMA, para captar tendencias y fluctuaciones estacionales.
Ver. 24/03/2010, Pag. # 3

Transformaciones de datos (I): Box-Cox ()

Muchas series temporales muestran una variabilidad que cambia con su nivel. Para eliminar esta caracterstica se utiliza la transformacin de Box-Cox:
yt
,m

( y t + m ) 1 si 0 = ln( y + m ) si = 0 ( t

Cada transformacin se caracteriza por un valor del parmetro . Cuando la transformacin requiere valores positivos, puede aplicarse un cambio de origen (parmetro, m) Para elegir la transformacin adecuada puede usarse el grfico media-desviacin tpica muestral de varias submuestras. La figura muestra las configuraciones correspondientes a diversos valores de . Las series econmicas a menudo muestran una variabilidad que depende de forma aproximadamente lineal de la media. En ese caso, la transformacin adecuada caso es la logartmica (=0)
Ver. 24/03/2010, Pag. # 4

>0

=0 <0

=1

Transformaciones de datos (II.a): Ejemplo Box-Cox ( ) j p

700 600 500 400 300 200 100 0 en ne-49 en ne-50 en ne-51 en ne-52 en ne-53 en ne-54 en ne-55 en ne-56 en ne-57 en ne-58 en ne-59 en ne-60

Mes
7 6.5 65

6 5.5 5 4.5 4 ene-49 9 ene-50 0 2 ene-52 ene-53 3 ene-54 4 ene-55 5 ene-56 6 ene-57 7 ene-58 8 ene-59 9 ene-60 0 ene-51

La primera figura muestra la serie de pasajeros de lneas areas Esta serie muestra una dispersin que crece con su media, por lo que resulta difcil aplicarle tcnicas estadsticas estndar L segunda fi La d figura muestra el l t l logaritmo it neperiano los datos, que es la transformacin Box-Cox ms habitual; como puede verse la dispersin se ha estabilizado verse, en un valor independiente de la media La transformacin logartmica tiene distintas ventajas estadsticas ya que, a menudo: que independiza la varianza de la media induce normalidad en los datos, y li linealiza l relaciones li las l i Un ventaja conceptual es que al prever una variable a partir de su logaritmo, las previsiones pre isiones sern no negati as negativas
Ver. 24/03/2010, Pag. # 5

Pasaje eros/mes (log)

Pas sajeros/mes (miles)

Mes

Transformaciones de datos (II.b): Ejemplo Box-Cox ( ) j p

700 600 M Miles de personas 500

650

600

400 550 300 200 100 0 1950 1952 1954 1956 1958 1960 450 1950 1952 1954 1956 1958 1960 500

Pasajeros de lneas areas, total mensual

grfico rango-media de AIRLINE con ajuste mnimo-cuadrtico
240 220 200 180 160 rango 140 120 100 80 60 40 100 150 200 250 300 media 350 400 450 500

LAIR

Los grficos indican que: Hay una relacin aproximadamente lineal entre nivel y volatilidad, Que se reduce o elimina en la serie transformada logartmicamente
Ver. 24/03/2010, Pag. # 6

Transformaciones de datos (III): Diferencias ( )

A menudo la tendencia de una serie puede eliminarse diferenciando los datos. Se dice que una serie es integrada de orden uno, o I(1), si su primera diferencia:

zt = y t y t 1
es estacionaria en media. La serie de la primera figura es una muestra del proceso estocstico y t = y t 1 + at ; at iid N(0 01) P tanto, zt = y t y t 1 ser estacionaria. N(0,.01) Por t t . t i i
1
.3 .2 .1 -1 .0 -2 2 -.1 -3 -.2 -.3 100 200 300 400 500 100 200 300 400 500

-4

Paseo aleatorio sin deriva

Primera diferencia

Algunas series necesitan una diferencia adicional p g para conseguir una media g incondicional estable. En ese caso se dice que son integradas de orden dos
Ver. 24/03/2010, Pag. # 7

Transformaciones de datos (IV): Interpretacin ( ) p

La primera diferencia del logaritmo de una serie es una tasa logartmica en tanto por uno, alternativa a la tasa porcentual, ya que si: y t = (1 + t )y t 1 , resulta: ln l y t l y t 1 = l (1 + t ) t Frente a la tasa de variacin convencional, la tasa ln ln( logartmica tiene la ventaja de ser aditiva, esto es:
ln y n ln y 0 = (ln y t ln y t 1 ) = ln(1 + t )
t =1 t =1 n n

En el cuadro se presentan varias transformaciones comunes y su interpretacin.

Serie transformada Interpretacin Cambio en el valor de yt. Es un indicador de crecimiento Tasa logartmica (en tanto por uno) de variacin entre un perodo y el siguiente. Es un indicador de crecimiento en trminos relativos Cambio en la tasa logartmica de variacin entre un perodo y el siguiente. E un i di d d i i t Es indicador de aceleracin en el crecimiento l i l i i t relativo Tasa logartmica de variacin acumulada en S perodos. Indicador de crecimiento acumulado en un ciclo estacional

zt = y t y t 1
zt = ln y t ln y t 1

w t = zt zt 1 ; zt = ln y t ln y t 1 zt = ln y t ln y t S

Ver. 24/03/2010, Pag. # 8

Transformaciones de datos (V.a): Ejemplo ( ) j p

7 6.5

Diferencias regulares y tendencia: p g g La primera figura muestra el logaritmo de la serie de pasajeros de lneas areas; esta serie tiene tendencia, por lo su media no es estable ni finita Si al dato en cada mes se le resta el dato del mes anterior queda una serie que flucta establemente en torno a un nivel finito (segunda figura) El cambio mes a mes del logaritmo de una serie es la tasa logartmica intermensual (tasa log) Esta serie se parece a la tasa de variacin en tanto por uno Aunque la tasa log ya no tenga tendencia sigue teniendo estacionalidad: en vez de una media ha doce medias na hay
Ver. 24/03/2010, Pag. # 9

Pa asajeros/mes (log) )

6 5.5 5 4.5 4 ene-49 ene-50 ene-51 ene-52 ene-53 ene-54 ene-55 ene-56 ene-57 ene-58 ene-59
ene-5 59

Mes
0.35 0.25

Tasa intermensual (log) )

0.15 0.05 -0.05 -0.15 -0.25 -0.35 ene-4 49 ene-5 50 ene-5 51 ene-5 52 ene-5 53 ene-5 54 ene-5 55 ene-5 56 ene-5 57 ene-5 58 ene-6 60

Mes

ene-60

Transformaciones de datos (V.b): Ejemplo ( ) j p

7 6.5

6 5.5 5 4.5 4 e ene-49 e ene-50 e ene-51 e ene-52 e ene-53 e ene-54 e ene-55 e ene-56 e ene-57 e ene-58 e ene-59 e ene-60

Mes
0.45 0.35

Tasa interanual (log)

0.25 0.15 0.05 -0.05 0.05 -0.15 -0.25 -0.35 ene-4 49 ene-5 50 ene-5 51 ene-5 52 ene-5 53 ene-5 54 ene-5 55 ene-5 56 ene-5 57 ene-5 58 ene-5 59 ene-6 60

Diferencias estacionales: La primera figura muestra nuevamente el logaritmo d l serie d pasajeros d l it de la i de j de lneas areas; esta serie tiene estacionalidad, por lo que su media cambia cclicamente Si al (log) del dato en cada mes se le resta el (log) del dato del mismo mes en el ao anterior, se obtiene una serie sin estacionalidad aparente pero con cambios locales en la media (segunda figura) El cambio ao a ao del logaritmo de una g serie es su tasa de variacin logartmica interanual Esta serie se parece a la correspondiente tasa de variacin en tanto por uno:

P Pasajeros/mes (lo og)

ln y t ln y t 12

yt 1 y t 12
Ver. 24/03/2010, Pag. # 10

Mes

Transformaciones de datos (V.c): Ejemplo ( ) j

700 600

Mensajes publicitarios: p Muchas series temporales: no tienen una media finita, o su media cambia en el tiempo y, a menudo, men do su variabilidad depende de su media
en ne-49 en ne-50 en ne-51 en ne-52 en ne-53 en ne-54 en ne-55 en ne-56 en ne-57 en ne-58 en ne-59 en ne-60

Pas sajeros/mes (miles)

500 400 300 200 100 0

Mes

Cambio mens sual en la tasa anu (log) ual

0.35 0.25 0.15 0.05 -0.05 -0.15 -0.25 -0.35 ene-4 49 ene-5 50 ene-5 51 ene-5 52 ene-5 53 ene-5 54 ene-5 55 ene-5 56 ene-5 57 ene-5 58 ene-5 59 ene-6 60

La mayora de las series temporales sobre temporales, todo las medidas en unidades monetarias, requieren: una transformacin logartmica logartmica, al menos una diferencia regular, y si hay estacionalidad, al menos una y diferencia estacional Las series transformadas resultantes p pueden interpretarse como cambios en las p tasas (log) de variacin
Ver. 24/03/2010, Pag. # 11

Mes

Operadores retardo y diferencia p

A menudo resulta prctico representar los procesos estocsticos utilizando el operador retardo, que se define de la siguiente manera:

B / i ) Bzt = zt 1 ii ) Bk = k ; k :constante iii ) B zt = zt +1 iv ) B zt = zt v ) zt = Bzt +1 = B 2 zt +2 = B 3 zt +3 = = B l zt +l (l > 0)

El operador diferencia se define a partir del operador retardo como:
0 1

/ y t = (1 B )y t = y t y t 1
En series estacionales de perodo S a menudo se utiliza una variante de este S, operador que se conoce como diferencia estacional:

S / S y t = (1 BS )y t = y t y t s

Ver. 24/03/2010, Pag. # 12

Procesos generalizados (I): ARMA(p,q) g () (p,q)

Los procesos definidos anteriormente pueden escribirse con rdenes generales: AR(p): zt = c + 1zt 1 + 2 zt 2 + + p zt p + at MA(q): zt = z + at 1at 1 2at 2 q at q ARMA(p,q): zt = c + 1zt 1 + 2 zt 2 + + p zt p + at 1at 1 2at 2 q at q ( ) ... y expresarse en trminos del operador retardo de la siguiente forma: AR(p): p (B ) zt = c + at MA(q): zt = z + q (B ) at ARMA(p,q): p (B ) zt = c + q (B ) at ... en donde los polinomios caractersticos de las partes AR y MA del modelo son: p (B ) = 1 1B 2B 2 pB p (polinomio AR) q (B ) = 1 1B 2B 2 q B q (polinomio MA)

Ver. 24/03/2010, Pag. # 13

Procesos generalizados (II): Estacionariedad g ( )

Estacionariedad: Se dice que un proceso estocstico es estacionario si todas las races de la ecuacin caracterstica 1 1B 2B 2 pB p = 0 estn fuera del crculo de radio unidad d l plano complejo. l d di id d del l l j La condicin de estacionariedad slo afecta a la componente AR del proceso ARIMA, ya que la componente MA siempre es estacionaria. Cuando el polinomio AR tiene alguna raz igual a uno, se dice que tiene races unitarias. Consecuencias del cumplimiento: El proceso tiene media y varianza incondicionales finitas y estables. El proceso puede escribirse en forma MA equivalente. Consecuencias del no cumplimiento (races unitarias): C i d l li i t ( it i ) La varianza incondicional diverge a infinito. Si tiene deriva, la media incondicional diverge a infinito. El factor AR puede factorizarse separando las races unitarias de las races estacionarias. Ejemplo. Ejemplo El proceso AR(2) no estacionario: (1 1.5B + .5B 2 )y t = at es equivalente al proceso ARIMA(1,1,0): (1 .5B )y t = at
Ver. 24/03/2010, Pag. # 14

Procesos generalizados (III): Invertibilidad g ( )

Invertibilidad: Se dice que un proceso estocstico es invertible si todas las races de la ecuacin caracterstica 1 1B 2B 2 q B q = 0 estn fuera del crculo de radio unidad del plano complejo complejo. La condicin de invertibilidad slo afecta a la componente MA del proceso ARIMA, ya que la componente AR siempre es invertible. Consecuencias del cumplimiento: El proceso puede escribirse en forma AR equivalente. Consecuencias del no cumplimiento (races unitarias): El proceso podra simplificarse, bien eliminando una diferencia, bien representando la tendencia de forma determinista. determinista Ejemplos. p ( , , ) q El proceso ARIMA(2,2,1) no invertible: (1 .5B + .7B 2 )2 y t = (1 B )at es equivalente al proceso ARIMA(2,1,0): (1 .5B + .7B 2 )y t = at Diferenciando el proceso de tendencia determinista: y t = t + at se obtiene el proceso ARIMA(0 1 1) no invertible: y t = + (1 B )at ARIMA(0,1,1)
Ver. 24/03/2010, Pag. # 15

Procesos generalizados (IV) g ( )

Representaciones alternativas: Cuando un proceso estocstico no tiene races AR ni MA dentro del crculo de radio unidad, puede escribirse de forma equivalente como AR( ) o MA( ) i l t AR() MA(): Ejemplo 1. Un AR(1) no explosivo puede escribirse como: (1 B )zt = c + at o, alternativamente, como un proceso media mvil infinito:

zt =

c 1 at = z + (1 + B + 2B 2 + ) at + 1 1 B

Ejemplo 2. Un MA(1) con races en o fuera del crculo de radio unidad puede 2 escribirse como: zt = z + (1 B )at o, alternativamente, como:

1 zt = z + at ; (1 + B + 2B 2 + ) zt = c + at 1 B 1

Esto quiere decir que el proceso ARIMA es una aproximacin finita a los procesos estocsticos generales: Forma pi: zt = c + 1zt 1 + 2 zt 2 + + at Forma psi: zt = z + at + 1at 1 + 2at 2 +
Ver. 24/03/2010, Pag. # 16

Procesos generalizados (V): ARIMA(p,d,q) g ( ) (p, ,q)

La tendencia estocstica de las series econmicas puede captarse mediante races AR unitarias. Por ello tiene inters generalizar la formulacin del modelo ARMA admitiendo en l este tipo de factores. Esta idea da lugar al modelo ARIMA (p,d,q), que se define como: p (B ) d y t ,m = c + q (B ) at en donde: (B ) = 1 B B 2 B p [polinomio AR(p)] 1 2 p p q (B ) = 1 1B 2B 2 q B q [polinomio MA(q)] B / B k y t = y t k 1 B
y t ,m ( y t + m ) 1 si 0 = ln( y + m ) si = 0 t

[operadores retardo y diferencia] [transformacin de datos (Box-Cox)]

Si los polinomios AR y MA tienen sus races en o fuera del crculo de radio unidad unidad, el proceso ARIMA puede escribirse de las siguientes formas equivalentes: yt
d ,m

= z +

q (B ) p (B )

at

p (B ) q (B )

( y t
d

,m

z ) = at

p (B ) q (B )

d y t ,m = c + at
Ver. 24/03/2010, Pag. # 17

Extensiones (I): Estacionalidad ()

700 600
M Miles de personas

500 400 300 200 100 0 1950 1952 1954 1956 1958 1960

Las series econmicas a menudo muestran un comportamiento estacional, esto es, una pauta que se repite con una periodicidad fij a i i di id d fija, menudo anual. El perodo estacional (S) se define como el nmero d observaciones necesarias para de b i i recorrer todo el ciclo estacional. Por ejemplo, S=12 para datos mensuales, S=4 para datos trimestrales, etc. trimestrales etc

Pasajeros de lneas areas, total mensual

Para captar este comportamiento, se define el modelo ARIMA(p,d,q)x(P,D,Q)S:

D p (B ) P (B S )S d y t ,m = c + q (B ) Q (B S )at

... que incluye tres nuevos factores:

P (B S ) = 1 1B S 2B 2S P B PS
Q (B S ) = 1 1B S 2B 2S Q BQS S 1 B S

[polinomio AR(P)S] [polinomio MA(Q)S]

[operador diferencia estacional] Este modelo admite relaciones entre un dato y el de S perodos atrs.
Ver. 24/03/2010, Pag. # 18

Extensiones (II): Modelo RegARIMA ( ) g

Uniendo las ideas anteriores con el anlisis de regresin, resulta inmediato formular el modelo RegARIMA (modelo de regresin con errores ARIMA) como:

yt

y ,my

= (x

x ,m x T t

) + t ;

c o n

D p (B ) P (BS )S d t = q (B ) Q (B S )at

o bien:

,m m D p (B ) P (B S )S d y t y y ( x tx ,mx )T = q (B ) Q (BS )at

De manera que los valores de la serie temporal se ponen en relacin, no slo con su pasado sino tambin con los valores contemporneos de otras series pasado, series, que actan como variables explicativas o inputs. Las variables x t x x pueden ser series econmicas o variables deterministas diseadas para modelizar: Efectos calendario, causados por irregularidades en la unidad de tiempo como pueden ser: distinto nmero de das laborables y festivos o celebracin de la Semana Santa. Valores atpicos (outliers) debidos a fenmenos como, p.ej., el split del nominal de u a acc , ca b os e tipos impositivo o fenmenos co o inundaciones o una accin, cambios en pos pos o e e os como u dac o es terremotos. En este caso se dice que el modelo es de intervencin.
Ver. 24/03/2010, Pag. # 19
,m

Extensiones (III): Inputs de intervencin ( ) p

Impulsos. Producen un cambio en el nivel de una sola observacin de la serie. Pueden modelizarse mediante:

1 si t = t * i xt = 0 si t t *
Impulsos compensados. Producen un cambio en el nivel de una observacin, seguido por un cambio de nivel compensatorio en la observacin siguiente. Pueden modelizarse mediante:

1 si t = t * IC xt = 1 si t = t * + 1 i 0 si t t * , t * + 1
Escalones. Producen un cambio en el nivel de todas las observaciones p posteriores a una fecha dada. Pueden modelizarse mediante:

1 si t t * x = 0 si t < t *
E t

Ver. 24/03/2010, Pag. # 20

Metodologa (I) g ()
Definir los objetivos del anlisis, estudiar la informacin disponible

Identificacin: Seleccionar una especificacin tentativa

Los mtodos de anlisis de series temporales combinan los modelos e instrumentos anteriores en una metodologa sistemtica para construir y t d l i t ti t i probar modelos

Estimacin (Mtodos no lineales)

Diagnosis: Es vlido el modelo para los fines Previstos?

no

si

Utilizacin del modelo

Ver. 24/03/2010, Pag. # 21

Metodologa (II): Identificacin g ( )

Parmetro Instrumento de identificacin Observaciones Se trata de conseguir que la variabilidad de los datos sea independiente de su nivel. En series econmicas es habitual =0, lo que supone transformar logartmicamente los datos. Se trata de conseguir que los datos flucten en torno a una media aproximadamente estable Si la media de la serie transformada es significativa, el modelo debe incluir un trmino constante La PACF tiene p valores no nulos Un proceso AR finito y estacionario equivale a un MA() La ACF tiene q valores no nulos Un proceso MA finito e invertible equivale a un AR()

m,

Grfico media-desviacin tpica Grfico de la serie temporal Grfico de la serie temporal ACF (decrecimiento lento y lineal) Media muestral de la serie diferenciada Desviacin tpica de la media PACF de orden p ACF infinita

d, orden de diferenciacin

Trmino constante

p, orden del trmino AR

q, orden del trmino MA

ACF de orden q PACF infinita

Ver. 24/03/2010, Pag. # 22

Metodologa (III): Diagnosis g ( ) g

Parmetro Instrumento de identificacin Races de los polinomios AR y MA Grfico de la serie de residuos Trmino constante Media muestral de los residuos Desviacin tpica de la media Contrastes de significacin de los parmetros estimados ACF y PACF residuales Test Q pyq Correlaciones elevadas entre parmetros estimados Sobreaj ste Sobreajuste Observaciones Una raz prxima a uno en la parte AR indica que conviene aadir una diferencia Una raz prxima a uno en la parte MA indica que conviene quitar una diferencia Si muestra rachas largas de residuos positivos o t h l d id iti negativos, puede ser necesaria una diferencia adicional Si la media de los residuos es significativa debe significativa, aadirse un trmino constante Permiten eliminar parmetros irrelevantes Detectan pautas de autocorrelacin no modelizadas Contrasta la hiptesis conjunta de que todos los coeficientes de autocorrelacin son nulos Puede ser un sntoma de sobreparametrizacin Consiste en aadir parmetros AR y/o MA, para comprobar si resultan significativos y mejoran la res ltan significati os calidad estadstica del modelo
Ver. 24/03/2010, Pag. # 23

d, orden de diferenciacin