Granger

UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE ECONOMA
DEPARTAMENTO ACADMICO DE ECONOMA
ECONOMETRIA
II
M. Sc. Eco. LUIS A. ROSALES GARCA
CASTILLA, JUNIO DEL 2010.
CAPITULO I
MODELOS MULTIECUACIONALES
1.
EVALUACIN DE MODELOS MULTIECUACIONALES
1.1.
EXOGENEIDAD
En trminos generales:
1
Variable Endgena es aquella cuyo comportamiento pretendemos estimar.
Variable exgena es aquella cuyos valores se toman como datos para analizar
el comportamiento de las endgenas.
Para seleccionar variables exgenas se considera el criterio siguiente:
DEPARTAMENTAL
Se consideran como exgenas aquellas que estn

total o parcialmente al margen del sistema (Clima,
poblacin, poltica, tecnologa)
CAUSAL
Se consideran exgenas aquellas que no estn

influidas por las endgenas.
Segn Koopmans (1950) la definicin estadstica de exogeneidad debe ser

ms estricta que la definicin terica.
DEFINICIN I:
En un sistema con variables retardadas se considera como

estadsticamente exgenas adems de las anteriores las que
cumplan las siguientes condiciones:
Que slo intervengan en las ecuaciones estructurales con algn nivel de

retardo.
Que an interviniendo sin ningn nivel de retardo, ests slo dependan de

variables estrictamente exgenas o de variables retardadas.
DEFINICIN ESTADSTICA: Partimos de la definicin de un sistema completo

como:
X 1t = 11 * X 1t + 21 * X 2 t +...+ rt * X rt + u1t
X it = 1i * X 1t + 2i * X 2 t +...+ ri * X rt + uit
X rt = 1r * X 1t + 2 r * X 2 t +...+ rr * X rt + urt
y presentando una funcin de distribucin conjunta de las perturbaciones aleatorias

independiente para cada periodo t, as:
f t (u1 ,L, ui Lur )

En un sistema sin variables retardadas se considera como estadsticamente
exgenas aquellas variables cuya funcin de distribucin es independiente de las
variables exgenas. Es decir:
1
El conjunto de variables endgenas no intervienen en las ecuaciones de las

endgenas.
Las funciones de distribucin de las perturbaciones aleatorias son

independientes.
El Jacobiano del conjunto de perturbaciones aleatorias con respecto al total de

variables presenta valores nulos en las perturbaciones correspondientes a las
variables exgenas con respecto a las variables endgenas.
Por lo general, se distinguen dos conceptos de exogeneidad:
Predeterminacin
Una variable es predeterminada en una ecuacin

especfica si es independiente de los errores
contemporneo y futuro en tal ecuacin. Es decir:
E ( X t ut + m ) = 0 ; E ( X t ut ) = 0 ; E ( X t ut n ) 0.
Exogeneidad Estricta
Una variable es estrictamente exgena si es

independiente de los contemporneo, futuro y
pasado en la ecuacin relevante. Es decir:
E ( X t u t + m ) = 0 ; E ( X t ut ) = 0 ; E ( X t ut n ) = 0.
Para explicar estos conceptos es preciso considerar un modelo con variables

rezagadas; as:
Yt = 1 X t + 11Yt 1 + 12 X t 1 + u1t
X t = 2Yt + 21Yt 1 + 22 X t 1 + u 2t
u1t y u2 t son mutua y serialmente independientes.

En la primera ecuacin, si 2 = 0 entonces X t est predeterminada para Yt .
Considerando la segunda ecuacin, si 2 = 0 y 21 = 0 entonces X t es
estrictamente exgena para Yt . Si 21 0 entonces X t depende de u1,t1 por medio
de Yt 1 .
En los modelos no dinmicos y sin correlacin serial en los errores, no es
necesario hacer esta distincin.
Engle, Hendry y Richard sugieren tres conceptos adicionales:
1
Exogeneidad dbil.- una variable X t es dbilmente exgena para estimar un

conjunto de parmetros si la inferencia sobre condicional
en X t no supone una prdida de informacin. Es una
condicin requerida para la estimacin eficiente.
Ejemplo:
Yt y X t tienen una distribucin normal bivariada, existen cinco
parmetros: u1 , u 2 , 11 , 22 , 12 . Es posible transformarlos

mediante una transformacin unvoca en ( , , 2 ) y (u 2 , 22 ) .
Ambos conjuntos son separados, por lo tanto, para estimar
( , , 2 ) no es necesario informacin de (u 2 , 22 ) .
2
Superexogeneidad.- Si X t es dbilmente exgena y los parmetros en la

distribucin conjunta de Yt y X t permanecen sin cambios
ante las variaciones en la distribucin marginal de X t . Es
una condicin requerida para propsitos de poltica.
Ejemplo:
Si modificamos u 22 y 22 (parmetros en la distribucin

marginal de X t se producen cambios en ( , , 2 ) , entonces no
es superexgena.
Exogeneidad fuerte.-
Ejemplo:
Si X t es dbilmente exgena y no est precedida

por ninguna de las variables endgenas del
sistema.
Se tiene el modelo:
Yt = X t + u1t
X t = 1 X t 1 + 2Yt 1 + u 2t
(u1t , u 2t ) se distribuye normal bivariada y son serialmente independientes,
Vat (u1t ) = 11 , Vat (u 2t ) = 22
y Covat (u1t u 2t ) = 12 .
Si 12 = 0 entonces X t es dbilmente exgena debido a que la

distribucin marginal de X t no involucra a ni a 11 .
Pero la segunda ecuacin demuestra que Yt precede a X t , es decir, X t
depende de Yt 1 ; por lo tanto, X t no es fuertemente exgena.

La definicin de Engle, Hendry y Richard es en trminos de un
concepto llamado causalidad de Granger. As:
"Si X t es dbilmente exgena y no es causada en el sentido de Granger por
ninguna de las variables endgenas del sistema, entonces se define como
fuertemente exgena".
1.2.
PRUEBA DE EXOGENEIDAD
El enfoque de la Fundacin Cowles para ecuaciones simultneas sostiene el
punto de vista de que no es posible probar la causalidad y la exogeneidad.
Tenemos un modelo de ecuaciones simultneas con tres variables endgenas
Y1 , Y2 , Y3 y tres variables exgenas Z 1 , Z 2 , Z 3 .
Supongamos que la primera ecuacin del modelo es:
Y1t = 2Y2t + 3Y3t + 1 Z 1t + u1t
se quiere probar si es posible tratar a Y2 y Y3 como exgenas para la estimacin de

esta ecuacin.
Para probar esta hiptesis seguimos el siguiente procedimiento:
1
Obtenemos los valores predichos de Y2 y Y3 , a partir de las ecuaciones en la

forma reducida para estas ltimas.
Luego se estima el modelo:
Y1t = 2Y2 t + 3Y3t + 1 Z 1t + 2Y2 t + 3Y3t + u1t

empleando mnimos cuadrados ordinarios.
3
Se realiza la prueba de Wald para probar la hiptesis:
H0 : 2 = 3 = 0
H1 : 2 3 0
si se acepta la hiptesis nula entonces Y2 y Y3 si pueden tratarse como

exgenas en la estimacin de la ecuacin; y si se rechaza la hiptesis nula
entonces Y2 y Y3 no pueden tratarse como exgenas en la estimacin de la
ecuacin.
Se tiene el modelo siguiente:
DDt = 1 + 2 I t + 3 ENCt + 4 DDt 1 + u1t
I t = 1 + 2 DDt + 3 INFt + u 2t
INFt = 1 + 2 DDt + 3 CIN t + u 3t
Verificaremos que las variables DD e INF se pueden tratar cono exgenas en
la segunda ecuacin, se tiene el procedimiento siguiente:
1
Estimamos la forma reducida de DD e INF y obtenemos los valores predichos

estticos de DD e INF, nos da:
Dependent Variable: DD
Method: Least Squares
Sample: 1992:02 1997:12
Included observations: 71
============================================================
Variable
Coefficient Std. Error t-Statistic Prob.
============================================================
C
37.82578
11.54381
3.276716
0.0017
DD(-1)
0.686693
0.087386
7.858146
0.0000
ENC
-0.400755
0.206661 -1.939190
0.0567
CIN
0.038788
0.010386
3.734700
0.0004
============================================================
R-squared
0.848166
Mean dependent var 207.9296
============================================================
DDF
================================================================================
Modified: 1992:02 1997:12 // frdd.fit ddf
1992:01
NA
144.7520
146.4577
147.9097
153.1752
151.2739
1992:07
155.2140
164.7869
156.9519
154.5775
156.8674
157.9472
1993:01
171.6747
164.1451
170.1863
164.5127
158.1686
153.1212
1993:07
164.9365
178.5399
164.1107
167.7566
173.7750
173.9148
1994:01
194.8023
180.7786
182.7720
188.9755
178.1305
179.3825
1994:07
185.6961
219.4566
196.9213
200.7219
201.4028
200.8673
1995:01
239.0520
215.7034
224.6584
236.4655
225.9911
219.8976
1995:07
225.4408
247.7038
230.3212
234.5356
234.8269
230.6908
1996:01
258.3213
233.7957
230.7273
237.7114
241.8207
242.2752
1996:07
236.4521
250.4778
238.3640
235.9629
235.6657
237.1514
1997:01
260.8767
241.0755
244.8116
257.7485
259.6422
261.2410
1997:07
253.4000
279.0850
267.5338
260.7541
266.3076
261.8484
================================================================================
Dependent Variable: INF
Sample: 1992:02 1997:12
============================================================
Variable
============================================================
C
5.239088
0.542312
9.660657
0.0000
DD(-1)
-0.019710
0.004105 -4.801078
0.0000
ENC
0.053570
0.009709
5.517762
0.0000
CIN
-0.001711
0.000488 -3.507769
0.0008
============================================================
R-squared
0.687070
============================================================
6
INFF
================================================================================
Modified: 1992:02 1997:12 // frinf.fit inff
1992:01
3.500000
4.008865
3.872067
3.424886
3.545896
3.490536
1992:07
2.875449
3.159742
3.740656
3.466783
3.676729
2.952576
1993:01
3.270704
2.953143
3.007627
3.047820
3.690561
3.643172
1993:07
2.353319
2.372938
2.984426
2.271774
2.434575
1.733955
1994:01
1.423582
1.805801
1.524053
1.334873
1.867048
1.901173
1994:07
2.005350
0.926592
1.317732
1.282110
1.420033
1.150795
1995:01
0.215221
0.944469
0.608405
0.371529
1.193807
1.102860
1995:07
1.269565
0.729651
1.096230
1.045941
1.129630
1.238353
1996:01
0.811535
1.334264
1.524015
0.831504
0.646067
0.558532
1996:07
1.241294
0.626075
1.364197
0.873296
1.130797
1.108127
1997:01
0.471394
1.091477
1.313852
0.135472
-0.091280
-0.022570
1997:07
0.575497
-0.462633
0.228249
0.256949
0.207520
0.663370
================================================================================
Se estima el modelo extendido, obtenindose:

Dependent Variable: I
Sample: 1992:02 1997:12
============================================================
Variable
============================================================
C
26.54475
15.14426
1.752793
0.0843
DD
0.003468
0.050426
0.068765
0.9454
INF
2.088850
1.073380
1.946050
0.0559
DDF
-0.042697
0.076812 -0.555866
0.5802
INFF
2.607720
2.241078
1.163601
0.2488
============================================================
R-squared
0.525173
============================================================
Realizamos la prueba de Wald para probar la hiptesis:
H0 : 4 = 5 = 0
H1 : 4 5 0
El Eviews da el resultado siguiente:

Wald Test:
Equation: MEI
====================================================
Null Hypothesis C(4)=0
C(5)=0
====================================================
F-statistic
2.252994
Probability
0.113108
Chi-square
4.505988
Probability
0.105084
====================================================
se realiza la comparacin:
F = 2.252994 < 3.1357193449 = F(0.95, 2 , 66 )
se acepta la hiptesis nula, es decir, las variables DD e INF pueden tratarse

como exgenas en la segunda ecuacin.
1.3.
CAUSALIDAD DE GRANGER
En algunas oportunidades es importante determinar si cambios en una variable
causa cambios en otra variable.
El test de causalidad de Granger nos ayuda a determinar si de acuerdo a los
datos (no la teora) existe una variable cuyos cambios anteceden cambios en otra
variable. Es importante que las series sean estacionarias para evitar el riesgo de
obtener relaciones espurias, y en caso de no cumplir con esta caracterstica es
necesario aplicar alguna transformacin para convertirlas en estacionarias,
asumiendo que al hacerlo se mantienen las relaciones de causalidad.
Granger se basa en la premisa de que el futuro no puede provocar el presente o
el pasado.
Si un evento A ocurre despus de un evento B, se sabe que A no puede
provocar a B. Al mismo tiempo, si A ocurre antes de B, esto no necesariamente
implica que A provoque a B.
Consideremos dos series de tiempo (Yt y X t ) , la serie X t fracasa en la
causalidad de Granger de Yt si en una regresin de Yt sobre las Y rezagadas y las X
rezagadas los coeficientes de esta ltima son cero. Es decir, la hiptesis es:
H 0 : i = 0(i = 1,2,..., k )
H1 : i 0
y se estima el siguiente modelo:

k
i =1
i =1
Yt = i Y t i + i X t i + u t
si se acepta la hiptesis nula, entonces X t fracasa en causar a Yt , siendo K arbitrario.
Si se rechaza la hiptesis nula, es decir X causa Y, entonces cambios en X deben
preceder en el tiempo a cambios en Y.
La prueba de causalidad de Granger asume que la informacin relevante para
la prediccin de las variables Yt y X t est contenida nicamente en los datos de
series de tiempo sobre estas variables.
El test depender de m (el # de rezagos) y este es arbitrario, es decir uno
puede especificar el nmero de rezagos. Y el resultado de pronto se vera afectado.
Entonces uno debera efectuar los tests con diferentes rezagos y asegurarse que la
conclusin del test no se afecte por el nmero de rezagos.
Para ver lo que hace la prueba de Granger, consideremos el siguiente modelo:
Yt = 1 X t + 11Yt 1 + 12 X t 1 + u1t
X t = 2Yt + 21Yt 1 + 22 X t 1 + u 2t
escribamos la forma reducida del modelo:
Yt = 11Yt 1 + 12 X t 1 + v1t
X t = 21Yt 1 + 22 X t 1 + v 2t
para la no causalidad de Granger se requiere que 21 = 0 . En cambio, para que X t

sea predeterminada de Yt debe cumplirse que 2 = 0 . Para que X t sea estrictamente
exgena para Yt se requiere que 2 = 0 y 21 = 0 .
Sabemos que:
21 =
2 11 + 21
1 1 2
entonces 21 = 0 no implica que 2 = 0 y 21 = 0 . Por lo tanto, la prueba de

causalidad de Granger no equivale a la prueba de predeterminacin ni a la prueba de
exogeneidad estricta.
1.4.
EVALUACIN
Mucho de lo establecido para modelos uniecuacionales es directamente
aplicable con la inmediata generalizacin que supone trabajar con g ecuaciones en
lugar de con una sola.
La diferencia conceptual al analizar los errores en modelos multiecuacionales,
respecto al caso de ecuacin nica, reside en que ahora los errores en la variable
endgena de una ecuacin no pueden asignarse directamente a un defectuoso
funcionamiento de la misma, sino que frecuentemente vendrn inducidos por errores
en otras ecuaciones conexas con la que estamos estudiando.
El proceso de evolucin se realiza ecuacin por ecuacin y siguiendo los
mismo criterios que en la evaluacin de un modelo multiecuacional; es decir, el
criterio econmico, criterio estadstico y criterio economtrico.
1.4.1. CRITERIO ECONMICO

Consiste en contrastar si los resultados de la estimacin cumplen con las
restricciones impuestas por la teora econmica.
La evaluacin consiste en verificar si las categoras de signo y tamao son los
que la teora exige. Por lo tanto, existen slo dos alternativas:
A.-
Los parmetros estimados tengan el tamao y el signo que la teora seala, o
B.-
los parmetros estimados no posean las caractersticas que la teora espera.

Tenemos el modelo de determinacin de la renta siguiente:
CPt = 0 + 1 PBI t + u1t
IBt = 0 + 1 (PBI t PBI t 1 ) + 2 TIBt + u 2t

PBI t = CPt + IBt + GGt
La teora econmica determina que:
0 < 1 < 1
1 > 0
2 < 0
Los resultados economtricos de la estimacin del modelo son:

Dependent Variable: CP
Method: Two-Stage Least Squares
Sample(adjusted): 1950:2 1985:4
Included observations: 143 after adjusting endpoints
Instrument list: C PBI(-1) TIB GG
============================================================
Variable
============================================================
C
-142.1103
10.13736 -14.01848
0.0000
PBI
0.673290
0.004185
160.8802
0.0000
============================================================
R-squared
0.994587
Adjusted R-squared
0.994549
S.D. dependent var 484.8804
S.E. of regression
35.79936
Sum squared resid 180704.8
F-statistic
25882.43
Durbin-Watson stat 0.165631
Prob(F-statistic)
0.000000
============================================================
Dependent Variable: IB
Method: Two-Stage Least Squares
Instrument list: C PBI(-1) TIB GG
============================================================
Variable
============================================================
C
61.22132
48.49890
1.262324
0.2089
PBI-PBI(-1)
7.496991
1.826459
4.104659
0.0001
TIB
35.78810
5.098588
7.019217
0.0000
============================================================
R-squared
-1.225633
Adjusted R-squared -1.257428
S.E. of regression
196.3126
Sum squared resid 5395412.
F-statistic
29.63298
Prob(F-statistic)
0.000000
============================================================
La funcin consumo personal presenta correcto el signo y tamao del

parmetro, mientras la funcin inversin bruta presenta un signo correcto y el otro
cambiado.
10
1.4.2. CRITERIO ESTADSTICO (CRITERIO DE PRIMER ORDEN)

Consiste en someter a los parmetros estimados a una serie de test o exmenes
para determinar su grado de confiabilidad o certeza.
La investigacin aplicada ha centrado todos estos exmenes en el uso del
siguiente procedimiento:
A.-
B.-
Test o Prueba de Hiptesis: Pueden ser pruebas individuales o conjuntas,

dentro de las cuales se encuentran las pruebas de significancia. La regla de
decisin es: Si el estadstico calculado supera al valor de la tabla se rechaza la
hiptesis nula, es decir, el estadstico calculado cae en la regin crtica.
Test de Bondad de Ajuste: de un modelo estimado a travs del coeficiente de
determinacin (R2): El coeficiente de determinacin nos indica la proporcin
o porcentaje de variacin total en la variable dependiente que ha sido
explicada por los cambios de las variables explicativas del modelo.
PRUEBA DE SIGNIFICANCIA INDIVIDUAL:

En la funcin de consumo personal, la propensin marginal a consumir es
significativa al 5% (0.0000); mientras que en la funcin de inversin bruta, el
acelerador y el coeficiente de la tasa de inters son significativos al 5 % (0.0001 y
0.0000 respectivamente).
PRUEBA DE SIGNIFICANCIA GLOBAL:
La funcin de consumo personal e inversin bruta en conjunto son estadsticamente
significativas al 5 % (0.000000 y 0.000000 respectivamente).
PRUEBA DE BONDAD DE AJUSTE:
En la funcin de consumo personal es aceptable y significa que el 99.4587 %
de la variancia del consumo personal es explicada por las variaciones del PBI y en la
funcin de inversin bruta no se puede interpretar el resultado porque nos sale
negativo.
TEST DE BONDAD DE AJUSTE DEL MODELO MULTIECUACIONAL
Conceptualmente, no es fcil disponer de una medida nica integradora de la
bondad de un modelo multiecuacional en su conjunto. Se ha propuesto el coeficiente
de Determinacin de Dhrymes, que se define:
G
R =R
2
h =1
2
h
y2
h =1
2
yh
11
La crtica a este coeficiente se sustenta en que un modelo multiecuacional no

es simplemente una unin de ecuaciones individuales, sino que cobra un carcter
unitario que exige una evaluacin tambin global.
Incluso aunque todas las ecuaciones individuales se ajusten bien a los datos y
sean estadsticamente significativos, no tendremos la garanta de que en su conjunto,
cuando sea simulado, reproduzca aquellas mismas series en forma ajustada.
En el ejemplo del modelo de determinacin de la renta, el coeficiente de
determinacin del modelo es positivo aunque el coeficiente de determinacin de la
funcin de inversin bruta es negativo, el coeficiente de determinacin de Dhrymes
se obtiene de la siguiente forma:
484.88042
130.6596 2
R = 0.994587
1
.
225633
+
2
2
484.8804 2 + 130.6596 2
484.8804 + 130.6596
R 2 = 0.844284
2
1.4.3. CRITERIO ECONOMTRICO (CRITERIO DE SEGUNDO ORDEN)

Corresponde a determinar si todos los supuestos del modelo se han cumplido
de manera satisfactoria. Hay que detectar si existe un alto grado de multicolinealidad,
heterocedasticidad, autocorrelacin, observaciones atpicas, normalidad y estabilidad
parametrica.
MULTICOLINEALIDAD:
La multicolinealidad es una cuestin de grado, no de existencia. La decisin
importante no es entre presencia y ausencia, sino entre los distintos grados de
multicolinealidad.
La regla de Klein en su versin de correlaciones indica que existe un alto
grado de multicolinealidad si:
rX i X j > RY
donde rX i X j es el coeficiente de correlacin simple entre dos regresores cualquiera y
RY es el coeficiente de correlacin mltiple de la ecuacin, o la raz cuadrada de su

coeficiente de determinacin. O en su versin ms empleada, si al menos una
correlacin entre regresores supera a una correlacin de uno de los regresores con la
endgena.
La matriz de correlaciones de las variables del modelo son:
12
Correlation Matrix
================================================
PBI-PBI(-1)
IB
TIB
================================================
PBI-PBI(-1) 1.000000
0.210195
-0.043968
IB
0.210195
1.000000
0.821177
TIB
-0.043968
0.821177
1.000000
================================================
La funcin de consumo personal no presenta multicolinealidad. La primera y

segunda versin de Klein no se puede aplicar para la funcin de inversin bruta por
tener un coeficiente de determinacin negativo. La tercera versin de Klein nos
indica que existe un bajo grado de multicolinealidad.
HETEROCEDASTICIDAD:
La hiptesis nula es la existencia de homocedasticidad, es decir no existencia
de heterocedasticidad. Esta hiptesis se verificar en los siguientes tests:
1
WHITE SIMPLIFICADO.- No requiere especificar la forma que puede

adoptar la heterocedasticidad. Abrimos la estimacin del modelo original
(para cada una de las ecuaciones), luego ejecutamos la siguiente instruccin:
View Residual Tests White Heteroskedasticity (no cross terms) y el
computador nos muestra el resultado.
En nuestro caso para la primera ecuacin es:
White Heteroskedasticity Test:
============================================================
F-statistic
4.476687
Probability
0.013045
Obs*R-squared
8.595526
Probability
0.013599
============================================================
Para la segunda ecuacin da:

============================================================
F-statistic
264.9849
Probability
0.000000
Obs*R-squared
126.5267
Probability
0.000000
============================================================
Segn la probabilidad del estadstico TR2 se acepta la hiptesis

alternativa en ambos casos a un nivel de significancia del 5 %; es decir, existe
heterocedasticidad en la funcin de consumo personal e inversin bruta.
2
WHITE GENERAL.- No requiere especificar la forma que puede adoptar la

heterocedasticidad. Se abre la estimacin del modelo original (para cada una
de las ecuaciones), luego ejecutamos la siguiente instruccin:
View Residual Tests White Heteroskedasticity (cross terms) y el
13
computador nos muestra para la primera ecuacin:

============================================================
F-statistic
4.476687
Probability
0.013045
Obs*R-squared
8.595526
Probability
0.013599
============================================================
Para la segunda ecuacin da:

============================================================
F-statistic
245.2174
Probability
0.000000
Obs*R-squared
128.6275
Probability
0.000000
============================================================
Observando la probabilidad del estadstico TR2 se acepta la hiptesis

heterocedasticidad en la funcin de consumo personal e inversin bruta.
3
HETEROCEDASTICIDAD CONDICIONAL AUTORREGRESIVA.- Se ha

elegido que el modelo autorregresivo de heterocedasticidad es de primer
orden. Despus de abrir la estimacin del modelo original ejecutamos la
siguiente instruccin:
View Residual Tests Arch LM Test 1 OK y se obtiene para la
primera ecuacin:
ARCH Test:
============================================================
F-statistic
334.3676
Probability
0.000000
Obs*R-squared
100.0916
Probability
0.000000
============================================================
El resultado de la segunda ecuacin es:

ARCH Test:
============================================================
F-statistic
2.054933
Probability
0.153943
Obs*R-squared
2.054138
Probability
0.151793
============================================================

alternativa en la primera ecuacin a un nivel de significancia del 1 %; es decir,
existe heterocedasticidad condicional autorregresiva de orden uno en la
funcin de consumo personal. En la funcin de inversin bruta existe
homocedatsicidad.
Ahora, se comprobar heterocedasticidad de segundo orden; siendo los
resultados de la primera ecuacin:
14
ARCH Test:
============================================================
F-statistic
179.5448
Probability
0.000000
Obs*R-squared
101.8561
Probability
0.000000
============================================================
En la segunda ecuacin se obtiene:

ARCH Test:
============================================================
F-statistic
6.139587
Probability
0.002790
Obs*R-squared
11.52098
Probability
0.003150
============================================================
De acuerdo a la probabilidad del estadstico TR2 se acepta la hiptesis

heterocedasticidad condicional autorregresiva de orden dos en ambas
funciones.
AUTOCORRELACION:
La hiptesis nula es la no existencia de autocorrelacin de orden p, es decir
ausencia de autocorrelacin de orden p. Esta hiptesis se comprobar en los
siguientes tests:
1
DURBIN - WATSON.- Comprobamos ausencia de autocorrelacin de primer

orden, por lo tanto, utilizamos el estadstico Durbin-Watson que se tiene en la
estimacin de la primera ecuacin, luego buscamos en la tabla de Durbin Watson a un nivel de significancia del 5 %, la cota superior e inferior para 143
observaciones y una variable explicativa (excluyendo el intercepto); a
continuacin aplicamos la regla correspondiente:
0 01
.4
165631
24
3
1{
.72
dL
DW
11
.2
73
46
dU
Como el DW es inferior a la cota inferior entonces se rechaza la

hiptesis nula, es decir, existe autocorrelacin positiva de primer orden.
Para la segunda ecuacin utilizamos el estadstico Durbin-Watson de la
estimacin, luego buscamos en la tabla de Durbin - Watson a un nivel de
significancia del 5 %, la cota superior e inferior para 143 observaciones y dos
variables explicativas; a continuacin aplicamos la regla correspondiente:
11
.4
342052
24
3
DW
11
.2
706
3
dL
1{
.76
dU
El valor del DW es inferior a la cota inferior entonces se rechaza la
15
hiptesis nula, es decir, existe autocorrelacin positiva de primer orden.

2
BREUSCH - GODFREY (LM).- Comprobaremos que no existe

autocorrelacin de primer orden. Abrimos la estimacin del modelo original y
se ejecuta la siguiente instruccin:
View Residual Tests Serial Correlation LM Test 1 OK y el
EVIEWS nos muestra el siguiente resultado de la primera ecuacin:
Breusch-Godfrey Serial Correlation LM Test:
============================================================
F-statistic
737.9106
Probability
0.000000
Obs*R-squared
115.9041
Probability
0.000000
============================================================
Y nos muestra el siguiente resultado para la segunda ecuacin:

============================================================
Obs*R-squared
15.37167
Probability
0.000088
============================================================
Segn la probabilidad del estadstico TR2 se acepta la hiptesis

alternativa en ambas funciones a un nivel de significancia del 1 %; es decir,
existe autocorrelacin de primer orden en la funcin de consumo personal y
en la funcin de inversin bruta.
A continuacin, se verificar autocorrelacin de segundo orden;
obtenindose para la primera ecuacin:
============================================================
F-statistic
379.6381
Probability
0.000000
Obs*R-squared
116.7076
Probability
0.000000
============================================================
Obtenemos para la segunda ecuacin:

============================================================
Obs*R-squared
15.39034
Probability
0.000455
============================================================

alternativa en ambas funciones a un nivel de significancia del 1 %; es decir,
existe autocorrelacin de segundo orden en las funciones de consumo e
inversin bruta.
3
BOX PIERCE.- Verificaremos que no existe autocorrelacin de primer

orden y segundo orden. Abrimos la estimacin del modelo original y se
ejecuta el siguiente comando:
16
View Residual Tests Correlogram Q- Statistics 2 OK y el

EVIEWS y el computador nos da el siguiente resultado para la primera
ecuacin:
Correlogram of Residuals
==============================================================
Sample: 1950:2 1985:4
==============================================================
Autocorrelation Partial Correlation AC
PAC Q-Stat Prob
==============================================================
.|*******|
.|*******| 1 0.899 0.899 118.09 0.000
.|****** |
*|.
| 2 0.778-0.160 207.14 0.000
==============================================================
Se tiene:
H 0 : 1 = 0
H 1 : 1 0
comparamos:
QBP = 143 * 0.899 2 = 115.572743 > 3.84 = (20.95,1)

Se rechaza la hiptesis nula al nivel de significancia del 5 %; es decir,
existe autocorrelacin de primer orden en la funcin de consumo personal.
Para verificar segundo orden, tenemos:
H 0 : 1 = 2 = 0
H 1 : 1 2 0
calculamos:
QBP = 143 * 0.899 2 + 0.778 2 = 202.128355 > 5.99 = (20.95, 2 )

existe autocorrelacin de segundo orden en la funcin de consumo personal.
A partir de la segunda ecuacin se obtiene:
==============================================================
Sample: 1950:2 1985:4
==============================================================
PAC Q-Stat Prob
==============================================================
.|**
|
.|**
| 1 0.327 0.327 15.655 0.000
.|*
|
.|.
| 2 0.117 0.011 17.665 0.000
==============================================================
17
Se tiene:
H 0 : 1 = 0
H 1 : 1 0
comparamos:
QBP = 143 * 0.327 2 = 15.290847 > 3.84 = (20.95,1)

existe autocorrelacin de primer orden en la funcin de inversin bruta.
Para verificar segundo orden, tenemos:
H 0 : 1 = 2 = 0
H 1 : 1 2 0
calculamos:
QBP = 143 * 0.327 2 + 0.117 2 = 17.248374 > 5.99 = (20.95, 2 )

existe autocorrelacin de segundo orden en la funcin de inversin bruta.
NORMALIDAD:
Se plantea la siguiente hiptesis:
H0 : u
H1 : u
se utiliza el estadstico Jarque - Bera, cuya frmula es:
JB =
NK 2 1
2
S + (K 3)
6
4
se tiene la siguiente regla de decisin:
JB < 5.99 = (20.95, 2 )

entonces, a un nivel de significancia del 5 % lo residuos se aproximan a una
distribucin normal.
El test de normalidad lo obtenemos de la siguiente forma para la primera
ecuacin:
Abris EQ1 View Residual Tests Histogram-Normality Test OK,
obtenindose el siguiente resultado:
18
14
Series: Residuals
Sample 1950:2 1985:4
Observations 143
12
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
8
6
4
2
Jarque-Bera
Probability
1.02E-12
-3.450644
101.6454
-73.31450
35.67308
0.333192
3.135286
2.754957
0.252214
0
-60
-40
-20
20
40
60
80
100
a un nivel de significancia del 5 % lo residuos se aproximan a una distribucin

normal.
El test de normalidad se obtiene de la siguiente forma para la segunda
ecuacin:
Abris EQ2 View Residual Tests Histogram-Normality Test OK,
obtenindose el resultado siguiente:
30
Series: Residuals
Sample 1950:2 1985:4
Observations 143
25
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
20
15
10
5
Jarque-Bera
Probability
4.84E-14
-9.054948
764.3070
-643.3132
194.9253
0.233754
5.681904
44.15825
0.000000
0
-600
-400
-200
200
400
600
800
entonces, a un nivel de significancia del 1 % lo residuos no se aproximan a una

distribucin normal.
PRUEBA DE ESTABILIDAD DE LOS PARAMETROS:
Asumimos en el test de Chow como punto de quiebre 1995:2 y en la funcin
consumo personal nos da:
Chow Breakpoint Test: 1975:2
============================================================
F-statistic
74.94903
Probability
0.000000
============================================================
Observando la probabilidad, concluimos que rechazanos la hiptesis nula; es

decir, existe cambio estructural.
19
Consideramos como punto de quiebre 1980:2, en la funcin inversin bruta

resulta:
============================================================
F-statistic
0.396361
Probability
0.755822
============================================================
Observando la probabilidad, concluimos que aceptamos la hiptesis nula; es

decir, no existe cambio estructural.
2.
SIMULACIN
Para simular los efectos de valores alternativos en diferentes variables o
parmetros, es preciso disponer de una cierta solucin del modelo que la haga
factible en un contexto de simultaneidad de las diferentes ecuaciones.
La simulacin ms habitual es la que supone cuantificar los efectos sobre las
endgenas de valores alternativos para las variables exgenas del modelo. Si los
datos de las variables exgenas son histricos se tiene una simulacin ex - post o
histrica; en cambio, si los datos de las variables exgenas son supuestos para el
futuro se trata de una simulacin ex - ante.
Es posible realizar otras simulaciones que correspondan a variaciones en los
trminos de error de cada ecuacin (factores adicionales) o incluso retoques en
algunos de los parmetros (ajuste y afinado).
2.1.
OBJETIVOS
Los objetivos de la simulacin pueden ser:
1
La evaluacin del modelo y la evaluacin de la capacidad predictiva del

modelo.
La prediccin, se trata de determinar los valores de las variables endgenas

del modelo en base a los valores de las variables exgenas.
La comparacin de polticas alternativas, en base a diferentes escenarios se

puede determinar los diferentes efectos de las polticas y poder elegir la ms
conveniente.
El anlisis de las condiciones dinmicas del modelo, consiste en determinar la

estabilidad del modelo.
20
2.2.
TIPOS
Se tienen los siguientes tipos de simulacin:
1
Simulacin Residual.- Para cada ecuacin en forma aislada, se da tanto a las

exgenas como a las endgenas explicativas sus valores reales y se
comprueban los errores de cada ecuacin y las identidades. Es til realizarla
para comprobar que no existen errores de transcripcin, redondeo en los
valores de los parmetros, etc., en el modelo definitivamente seleccionado. Es
decir:
y 1t = 1 + 2 y 2t + 3 y1t 1 + 4 x t
Simulacin Esttica.- Se consideran valores reales en las variables

explicativas, excepto las endgenas corrientes de cada ecuacin, que se
determinan por el propio modelo en forma conjunta. Sirve para un anlisis del
funcionamiento perodo a perodo del modelo, puede conseguirse trabajando
simultneamente con todas las ecuaciones, pero sin conexin dinmica.
Tenemos:
y1t = 1 + 2 y 2t + 3 y1t 1 + 4 xt
Resultados satisfactorios no garantizan el que el modelo no se

desestabilice o presente errores importantes despus de varios periodos de
funcionamiento, ya que en este tipo de simulacin, en cada nuevo periodo se
sustituyen las endgenas desplazadas por sus valores reales y no por los de
solucin del modelo para periodos anteriores.
3
Simulacin Dinmica.- La solucin es simultnea para todas las ecuaciones y

slo se suministra datos (reales del pasado o supuestos) para las exgenas y el
valor inicial de partida de las endgenas. Esta es la que permite contrastar la
estabilidad del modelo y la calidad de sus predicciones. Sera:
y1t = 1 + 2 y 2 t + 3 y1t 1 + 4 xt
2.3.
Simulacin Estocstica.- Se trabaja con las distribuciones de probabilidad

tanto de los parmetros como del trmino de error. Nos permite establecer el
grado de incertidumbre sobre los efectos estimados de una determinada
poltica.
SOLUCIN DEL MODELO

La mayor o menor complejidad en la solucin del modelo depender de la
propia forma en que la simultaneidad se manifieste, de la inclusin o no de
ecuaciones dinmicas, de la posible coexistencia de relaciones no lineales junto a
otras lineales y del tamao del modelo.
21
La existencia de variables endgenas desplazadas en el modelo, la forma

reducida ya no nos permite una solucin inmediata del modelo, dado que la
simultaneidad afecta tambin a las variables endgenas desplazadas y no de todas las
variables predeterminadas como se hace en la forma reducida.
Theil y Boot propusieron a estos efectos la denominada Forma Final del
modelo, donde las variables endgenas corrientes quedan expresadas en funcin de
slo las exgenas (corrientes y desplazadas), mediante un proceso de eliminacin
repetitiva de todas las variables endgenas desplazadas en la forma reducida.
La forma reducida del modelo es:
YY = X t + Vt
Descomponemos la forma reducida, considerando el desdoblamiento de de
la forma siguiente:
0
trmino independiente.
endgenas desplazadas.
exgenas corrientes.
exgenas desplazadas.
Asumimos que slo existen variables desplazadas un perodo, entonces la

forma reducida se expresa:
Yt = 0 + 1 Yt 1 + 2 Z t + 3 Z t 1 + Vt
donde Z t slo incluye las exgenas corrientes del modelo.
Si no existen variables desplazadas, es decir:
Yt = 0 + 2 Z t + Vt
entonces la forma final del modelo y la forma reducida del modelo coinciden.
Reemplazando Yt 1 en la forma reducida nos da:
Yt = 0 + 1 ( 0 + 1 Yt 2 + 2 Z t 1 + 3 Z t 2 + Vt 1 ) + 2 Z t + 3 Z t 1 + Vt
simplificando, tenemos:
Yt = 0 (I + 1 ) + 12 Yt 2 + 2 Z t + ( 2 1 + 3 )Z t 1 + 1 3 Z t 2 + (Vt + 1 Vt 1 )
Repitiendo el proceso s veces, resulta:
Yt = 0 I + 1 + 12 +... + 1s + 1s +1 Yt s 1 + 2 Z t + ( 2 1 + 3 )Z t 1 + ... +
( 2 1 + 3 ) 1s1 Z t s + 1s 3 Z t s1 + (Vt + 1 Vt 1 + 12 Vt 2 + ... + 1s Vt s )
22
Cuando s crece indefinidamente supondremos que 1s 0 . Luego se anula

los coeficientes de Z t s 1 e Yt s 1 .
La suma de matrices del trmino independiente es:
S = I + 1 + 12 +... + 1s
como se trata de una progresin geomtrica infinita, nos da igual:
lm
s
S=
I
1
= (I 1 )
I 1
La forma final del modelo puede resumirse:
Yt = 0 (I 1 ) + 2 Z t + ( 2 1 + 3 )
1
r =1
r 1
1
Z t r + 1r Vt r
r =1
Esta expresin recoge los siguientes efectos denominados:

1
Multiplicador de impacto.- recoge el efecto inmediato que cualquier cambio

en la variable exgena tiene sobre la variable endgena. En este modelo es
2.
.
Multiplicador dinmico.- recoge el efecto segn pasa uno, dos, ... , s perodos
que cualquier cambio en la variable exgena tienen sobre la variable
endgena. En este modelo son:
( 2 1 + 3 )
( 2 1 + 3 ) 1
( 2 1 + 3 ) 12
; ...
Multiplicador total a largo plazo.- viene a ser la suma de todos los

multiplicadores. Tenemos:
MLP = 2 +( 2 1 + 3 ) + ( 2 1 + 3 )1 +( 2 1 + 3 )12 +...
sacando factor comn, nos queda:
MLP = 2 + ( 2 1 + 3 ) I + 1 + 12 +...
reemplazando la suma del trmino independiente da:
MLP = 2 + ( 2 1 + 3 )(I 1 )
simplificando tenemos:
MLP = ( 2 + 3 )(I 1 )
23
En caso de trabajar con variaciones en porcentaje tanto de las variables

exgenas como de las variables endgenas, podemos hablar en forma equivalente de
elasticidad impacto, elasticidad dinmica y elasticidad total a largo plazo.
Si no existen variables rezagadas (endgenas y exgenas), los coeficientes de
la forma reducida son directamente los multiplicadores de impacto y son los nicos
multiplicadores en el tiempo y coinciden con los multiplicadores totales.
En modelos que incluyen relaciones no lineales o son de un tamao que
resulta incmodo seguir todo este proceso y se busca una solucin al modelo
mediante algn algoritmo de resolucin por tanteo de sistema de ecuaciones,
frecuentemente alguna variante del algoritmo de Gauss - Seidel.
2.4.
CONDICIONES DE ESTABILIDAD DE UN MODELO DINMICO

Para poder alcanzar la forma final es necesario que se cumplan ciertas
condiciones de convergencia en relacin con las matrices de parmetros de las
endgenas desplazadas.
La estabilidad del modelo la entendemos en el sentido de que tienda a una
nueva solucin de equilibrio despus de que se haya provocado un cambio inicial en
uno o varios de los valores de las exgenas.
Para el caso de un modelo de G ecuaciones simultneas con variables
endgenas retardadas hasta s periodos, podramos expresar el conjunto de ecuaciones
dinmicas fundamentales como una ecuacin en diferencias vectoriales con
coeficientes consistentes del tipo:
A0 YT + A1YT1 + A2 YT 2 + ..... + AS YT S = G (t )
donde,
Ytr
vector de las variables endgenas (1xG) que se han transpuesto a

efectos de post multiplicar la matriz de coeficientes.
Ar
matriz de los coeficientes de todas las variables endgenas (GxG) para

cada retardo establecido r ( r = 0, 1, .., s) en las diferentes ecuaciones
del modelo.
G (t )
incluye a todas las variables exgenas desplazadas, corrientes y

trmino de error para las G ecuaciones.
Dhrymes comprob que la ecuacin en diferencias vectoriales de orden s

puede reducirse a una de slo primer orden; por lo tanto:
Yt AYt 1 = 0
24
la solucin de prueba es:
Yt = ct
donde,
c vector de G componentes.
escalar.
Sustituyendo la solucin de prueba en la ecuacin en diferencias vectoriales

de primer orden, da:
ct Act 1 = 0
(I A)ct 1 = 0
La solucin trivial es:
t 1 = 0 Yt = 0
nos exige resolver:
(I A)c = 0
la resolucin de esta ecuacin supone el clculo del vector c y la raz caracterstica 8,

siendo precisamente I A = 0 la ecuacin caracterstica.
Para el conjunto de los G pares de races caractersticas y vectores
caractersticos asociados ( h , c h ) de A, puede establecerse la solucin general de la
parte homognea como:
G
Yt = d h c h th
H
h =1
donde,
dh
debe cumplir el conjunto de condiciones iniciales.
Tambin se puede expresar:
Yt H = CAd = [c1
c2
1t 0
0 t2
... cG ]
... ...
0 0
... 0 d1

... 0 d 2
... ... ...

... tG d G
25
Si la condicin inicial es Y0 = Y0 , reemplazando en la expresin anterior nos

da:
Y0 = CA 0 d = Cd
d = C 1Y0
si es que C es no singular.
La solucin particular se obtiene de sustituir el valor de d en la expresin
anterior, resultando:
Yt H = CA t C 1Y0
cuyo lmite, cuando t tiende a infinito, se anular siempre que las races
caractersticas sean en valor absoluto inferiores a la unidad; es decir:
h < 1
2.5.
h = 1,2,..., G
EJEMPLO
Consideremos el modelo de determinacin de la renta:
CPt = 0 + 1 PBI t + u1t
IBt = 0 + 1 (PBI t PBI t 1 ) + 2 TIBt + u 2t
PBI t = CPt + IBt + GGt

Calculemos la forma reducida del modelo:
1 0 0.673290
FR = 0 1 7.496991
1 1
1
0
0
0
142.1103
61.22132 7.496991 35.78810 0
0
0
0
1
la forma reducida nos da:
134.5148 0.703968 3.360504 0.093900

FR = 145.7960 0.341597 1.630667 1.045565
11.28115 1.045565 4.991170 1.039465
Derivemos la forma final de la funcin consumo personal, se parte de la forma
reducida siguiente:
CPt = 1 + 2 PBI t 1 + 3TIBt + 4 GGt + v1t
IBt = 5 + 6 PBI t 1 + 7TIBt + 8 GGt + v2t

PBI t = 9 + 10 PBI t 1 + 11TIBt + 12 GGt + v3t
26
en la funcin consumo personal sustituimos la variable endgena rezagada por su

correspondiente forma reducida, as:
CPt = 1 + 2 ( 9 + 10 PBI t 2 + 11TIBt 1 + 12 GGt 1 + v3t 1 ) + 3TIBt + 4 GGt + v1t

nos queda:
CPt = 1 + 2 9 + 2 10 PBI t 2 + 3TIBt + 2 11TIBt 1 + 4 GGt + 2 12 GGt 1 + v1t + 2 v3t 1

Realizamos la segunda sustitucin, resultando:
CPt = 1 + 2 9 + 2 10 ( 9 + 10 PBI t 3 + 11TIBt 2 + 12 GGt 2 + v3t 2 ) + 3TIBt

+ 2 11TIBt 1 + 4 GGt + 2 12 GGt 1 + v1t + 2 v3t 1
CPt = ( 1 + 2 9 + 2 10 9 ) + 2 102 PBI t 3 + 3TIBt + 2 11TIBt 1 + 2 10 11TIBt 2
+ 4 GGt + 2 12 GGt 1 + 2 10 12 GGt 2 + (v1t + 2 v3t 1 + 2 10 v3t 2 )
Generalizando a l sustituciones:
l
CPt = ( 1 + 2 9 10 ) + 2 PBI t l 1 + 3TIBt + 2 11 10i 1TIBt i + 4 GGt

i 1
i =1
l
10
i =1
i =1
i =1
+ 2 12 10i 1GGt i + (v1t + 2 10i 1v3t l )

Si 10 < 1 entonces la forma final de la funcin consumo personal es:
CPt = ( 1 +
2 9
) + 3TIBt + 2 11 i 1TIBt i + 4 GGt + 2 12 i 1GGt i + (v1t + 2 i 1v3t l )
1 10
i =1
i =1
i =1
10
10
para nuestro caso no se tiene forma final de la funcin de consumo personal porque
no se cumple la condicin.
Calculemos los multiplicadores de impacto:
MITIB = 3 = 3.360504
MIGG = 4 = 0.093900
Obtengamos los multiplicadores dinmicos:
MD1RIB = 2 11 = 0.703968(4.99117) = 3.513624
MD2 RIB = 2 11 10 = 0.703968(4.99117)(1.045565) = 3.673722

.......
MD1RGG = 2 12 = 0.703968(0.139465) = 0.098179
MD2 RGG = 2 12 10 = 0.703968(0.139465)(1.045565) = 0.102652
........
10
27
Por ltimo, calculamos lo multiplicadores totales, a saber:
MTIB = 3 + 2 11 + 2 11 10 + 2 11 102 + ... = 3 + 2 11 (1 + 10 + 102 + ...) =

MTGG = 4 + 2 12 + 2 12 10 + 2 12 102 + ... = 4 + 2 12 (1 + 10 + 102 + ...) =
Deduciremos la condicin de estabilidad del modelo:
1 0 0 CPt
0 1 0 IB
t
0 0 1 PBI
14243
I
0 0 2 CPt 1 1 + 3TIBt + 4 GGt + v1t

0 0 6 IBt 1 = 3 + 7TIBt + 8GGt + v2t

0 0 10 PBI t 1 1 + 11TIBt + 124 GGt + v3t
142
4 43
4
144444244444
3
0
aplicando la ecuacin caracterstica, tenemos:
1 0 0
0 0 2
0 1 0 0 0 = 0
6
0 0 1
0 0 10
=0
0 10
2 ( 10 ) = 0
se obtienen las races caractersticas siguientes:
2 = 0
10 = 0
1 = 2 = 0
3 = 10
para que el modelo sea estable debe cumplirse que i < 1 . En el modelo de la
determinacin de la renta no se cumple porque 10 > 1 , por lo tanto el modelo no es

estable.
El procedimiento para realizar simulacin en Eviews es el siguiente:
1
La estimacin del modelo tiene que realizarse mediante un sistema de

ecuaciones; es decir debe tener un icono con el nombre de SYS1.
Se tiene que crear un modelo siguiendo los siguientes pasos:

Abrir SYS1 Procs Make Model y el computador nos muestra el
modelo con el valor de los coeficientes estimados Name aparece
28
Model1 OK.
3
El Eviews realiza las siguientes simulaciones, a saber:

1.-
Estructural (Structural), considera el modelo original excluyendo los

trminos autoregresivos y de promedio mvil, si el modelo los tiene en
su especificacin.
2.-
Prediccin (Fit each equation), es una simulacin esttica y

considerando que cada ecuacin acta sola, es decir, como si se trata de
un modelo uniecuacional.
3.-
Simulacin Esttica (Static Solution), de acuerdo a la definicin que se

realiz antes.
4.-
Simulacin dinmica (Dynamic Solution), conforme al concepto

desarrollado anteriormente.
Las instrucciones que se siguen para realizar la simulacin son:

Abrir Model1 Procs Solve hay que elegir el tipo de simulacin y el
rango de la simulacin Name aparece en la ventana de trabajo un
icono con el nombre de la variables endgena agregndole la letra F.
Simularemos para le periodo 1997:07 1997:12 en el modelo siguiente:
DDt = 1 + 2 I t + 3 ENCt + 4 DDt 1 + u1t

I t = 1 + 2 DDt + 3 INFt + u 2t
INFt = 1 + 2 DDt + 3 CIN t + u 3t
se abre el sistema y se genera en eviews el modelo siguiente:

ASSIGN @ALL F1
DD=160.6313558-2.403032846*I+0.1805237945*ENC+0.4840412947*DD(-1)
I=30.60088905-0.05913999321*DD+4.50263825*INF
INF=7.828404177-0.03281394227*DD+0.0004975424753*CIN
solucionamos el modelo para el periodo 1997:07 1997:12 y el eviews nos da:

=================================================
obs
DDF1
IF1
INFF1
=================================================
1997:07
242.0579
20.00421
0.825882
1997:08
237.2451
21.15004
1.017152
1997:09
235.8924
21.34454
1.042580
1997:10
233.0783
21.96511
1.143442
1997:11
231.3531
22.30405
1.196059
1997:12
232.2516
22.21368
1.187791
=================================================
29
2.6.
CRITERIOS PARA EVALUAR LA CAPACIDAD PREDICTIVA DE UN

MODELO
El poder predictivo de un modelo se evala de distintas formas, a saber:

1
GRFICA
La ms simple es comparar los valores reales que se producen en el
futuro con los que fueron estimados con el modelo. De forma grfica se
presentan estas parejas de puntos
(Y$
, YF ) en el diagrama prediccin
realizacin.
f
f = Yf
Yf
Los puntos situados sobre la bisectriz de los cuadrantes 1 y 3

corresponden a predicciones perfectas; aquellos puntos del primer cuadrante
situados por debajo de esta recta corresponden a predicciones superiores a los
valores verdaderos, y los que aparecen encima, a predicciones por debajo de
los valores reales.
2
COEFICIENTE DE JANUS
Este coeficiente se define:
1 T+H
Yf Y$f
H
f = T +1
J2 =
1 T
2
Yt Y$t )
(
T t =1
S 2f
S e$2
comparando el poder predictivo del modelo con el ajuste, ya que el

denominador es la varianza residual. Si el poder predictivo se conserva como
2
2
2
en el pasado ser J = 1 , y si aumenta ser J < 1 ; un valor J > 1 ,
30
indica prdida de poder adquisitivo.

3
RAZ DEL ERROR CUADRTICO MEDIO (RECM)

Se define como:
1 T+ H 2
e$
H t = T +1 t
RECM =
Tiene las mismas unidades de medicin que las series reportadas. La

funcin de prdida implcita con el RCEM es cuadrtica, entonces la prdida
asociada con un error aumenta en proporcin con el cuadrado del error.
La desventaja de esta medida es que es una medicin absoluta, que
depende de las unidades de medida.
4
ERROR ABSOLUTO MEDIO (EMA)

Se define como:
T+ H
EMA =
e$t
t = T +1
Esta medida es apropiada siempre que la funcin de prdida es

lineal y simtrica
5
MEDIA DEL VALOR ABSOLUTO DEL ERROR PORCENTUAL (EPMA)

Se define como:
1 T + H e$t
EPMA =
H t = T +1 Yt
Es similar al EMA, excepto que es una medida relativa. Presenta un
sesgo que favorece a los pronsticos que se encuentran por debajo de los
valores reportados.
Indica qu proporcin del error verdadero estimado es error de
prediccin.
31
RAZ CUADRADA RELATIVA DEL ERROR MEDIO (RCREM)

Se define como:
RCREM =
1 T + H e$t2
H t = T +1 Yt
Es similar a RECM, excepto que es adimensional. Presenta un sesgo

que favorece a los pronsticos que se encuentran por debajo del valor
reportado. Considerar el resultado satisfactorio si tiene un valor inferior a tres.
7
COEFICIENTE DE DESIGUALDAD DE THEIL

Denominado U de Theil (1961), se define:
U=
1 T+H
(Yt Y$t ) 2
H t = T +1
1 T+ H $ 2
Y +
H t = T +1 t
1 T+H 2
Y
H t = T +1 t
no est influenciado por problemas de escala. U oscila entre 0 y 1.

Si U tiende a cero, el modelo puede ser utilizado para predecir dado
que sus pronsticos sern fiables.
Si U tiende a uno, el modelo no sirve para predecir sus pronsticos no
son reales.
El U de Theil se descompone:
SESGO + VARIANZA + COVARIANZA = 1
1
Sesgo (Bias Proportion)
indica la presencia de algn error

sistemtico. El sesgo debe ser cero,
en caso contrario el pronstico no es
el ms confiable.
Varianza(Variance Proportion)
indica la habilidad del pronstico

para replicar el comportamiento de
la variable real observada. Si esta
proporcin es grande significa que el
modelo posee menor capacidad para
replicar el comportamiento de la
32
serie.
3
Covarianza (Covariance Proportion)
si esta medida es alta significa

que el modelo predice bien,
pues el error de la prediccin
se hara pequeo.
Si alguna o varias ecuaciones estructurales no son identificables, y por lo tanto

no se estiman, para realizar predicciones de las G variables endgenas se sustituyen
las ecuaciones no identificables por las estimaciones de las correspondientes
ecuaciones reducidas.
Para la evaluacin de la capacidad predictiva del modelo tenemos:
GRFICA
300
23.0
22.5
280
22.0
21.5
260
21.0
20.5
240
20.0
220
97:07
97:08
97:09
DD
97:10
97:11
97:12
19.5
97:07
97:08
97:09
97:10
I
DDF1
97:11
97:12
IF1
300
1.4
1.2
280
DDF1
1.0
0.8
260
0.6
240
0.4
0.2
0.0
97:07
97:08
97:09
INF
97:10
INFF1
97:11
97:12
220
220
240
260
DD
280
300
33
23
1.2
1.0
22
INFF1
IF1
0.8
21
0.6
0.4
20
0.2
19
19
20
21
22
23
0.0
0.0
0.2
0.4
0.6
0.8
1.0
1.2
INF
Los grficos nos sugieren que hay mejor prediccin en la variable I, luego en la
variable DD y por ltimo en la variable INF.
ESTADSTICOS
En eviews se sigue las instrucciones siguientes:

1
COEFICIENTE DE JANUS.SMPL 1997:07 1997:12

SCALAR NDD = @SUMSQ(DD-DDF1)/6 = 1223.18519502
SCALAR NI = @SUMSQ(I-IF1)/6 = 0.191246394734
SCALAR NINF = @SUMSQ(INF-INFF1)/6 = 0.609459872245
SMPL 1992:02 1997:06
SCALAR DDD = @SUMSQ(DD-DDF)/65 = 2285.10304411
SCALAR DI = @SUMSQ(I-IF)/65 = 122.82160389
SCALAR DINF = @SUMSQ(INF-INFF)/65 = 2.49422475826
SCALAR J2DD = NDD/DDD = 0.535286668219
SCALAR J2I = NI/DI = 0.00155710712674
SCALAR J2INF = NINF/DINF = 0.24434841737
SMPL 1997:07 1997:12
El modelo predice bien porque los coeficientes Janus son menores a 1.
ERROR ABSOLUTO MEDIO.GENR EMADD = @SUM(ABS(DD-DDF1))/6 = 31.68694

GENR EMAI = @SUM(ABS(I-IF1))/6 = 0.367363
34
GENR EMAINF = @SUM(ABS(INF-INFF1))/6 = 0.702151

3
MEDIA DEL VALOR ABSOLUTO DEL ERROR PORCENTUAL.GENR EPMADD = @SUM(ABS(DD-DDF1)/DD)/6 = 0.116265
GENR EPMAI = @SUM(ABS(I-IF1)/I)/6 = 0.017210
GENR EPMAINF = @SUM(ABS(INF-INFF1)/I)/6 = 3.875138
El modelo para las variables DD e I predice bien porque los estadsticos son
pequeos.
RAIZ CUADRADA RELATIVA DEL ERROR MEDIO.GENR RCREMDD = SQR(@SUM((DD-DDF1)^2/DD)/6) = 2.091169

GENR RCREMI = SQR(@SUM((I-IF1)^2/I)/6) = 0.094746
GENR RCREMINF = SQR(@SUM((INF-INFF1)^2/I)/6) = 1.924288
El modelo predice bien porque los estadsticos son menores a 3.
RAIZ DEL ERROR CUADRATICO MEDIO

GENR RECMDD = SQR(@SUMSQ(DD-DDF1)/6) = 34.97406
GENR RECMI = SQR(@SUMSQ(I-IF1)/6) = 0.437317
GENR RECMINF = SQR(@SUMSQ(INF-INFF1)/6) = 0.780679

GENR UDD = SQR(@SUMSQ(DD-DDF1)/6) / (SQR(@SUMSQ(DD)/6) +
SQR(@SUMSQ(DDF1)/6)) = 0.069569
GENR UI = SQR(@SUMSQ(I-IF1)/6)
SQR(@SUMSQ(IF1)/6)) = 0.010225
(SQR(@SUMSQ(I)/6)
GENR UINF = SQR(@SUMSQ(INF-IINFF1)/6) / (SQR(@SUMSQ(INF)/6)

+ SQR(@SUMSQ(INFF1)/6)) = 0.513630
El modelo predice bien para las variables DD e I porque los estadsticos son
menores a 0.10.
CAPITULO II
SERIES DE TIEMPO
1
INTRODUCCIN
La mayora de las empresas y agentes econmicos precisan realizar
predicciones sobre el comportamiento de su evolucin y del entorno donde actan.
Estas predicciones se utilizan para tomar decisiones operativas y, a veces,
estratgicas.
El conocimiento de acontecimientos futuros estar obviamente afectado de un
alto grado de incertidumbre, lo que implica la utilizacin de probabilidades asociadas
al proceso de prediccin, y de modelos estadsticos y economtricos.
REGRESIN ESPURIA
Este problema surge porque si las dos series de tiempo involucradas presentan
tendencias fuertes (movimientos sostenidos hacia arriba o hacia abajo), el alto R2
observado se debe a la presencia de la tendencia y no a la verdadera relacin entre las
dos. Por consiguiente es muy importante averiguar si la relacin entre las variables
econmicas es verdadera o es espuria.
Como lo han sugerido Granger y Newbold : una buena regla prctica para
sospechar que la regresin estimada sufre de regresin espuria es que R2 > D-W.
Cuando las series de tiempo son no estacionarias, no se debe depender de los
valores "t" estimados. Si las series de tiempo estn cointegradas, entonces los
resultados de la regresin estimada pueden no ser espurios y las pruebas "t" y "F"
usuales son vlidas. Como lo afirma Granger: "Una prueba de cointegracin puede ser
considerada como una prueba previa para evitar situaciones de regresin espuria".
Por ejemplo: Se tiene las series anuales (1936-1972) del PNB nominal en
Estados Unidos (datos en miles de millones de dlares), y de la Incidencia del
melanoma en la poblacin masculina (datos ajustados de edad) en el estado de
800
Connecticut.
6
700
5
800
600
4
3
600
GNP
1.1.
500
400
300
400
1
0
200
200
100
0
0
1940
1945
1950
GNP
1955
1960
1965
1970
MELANOMA
MELANOMA
Observando los grficos, ambas series mantienen una relacin lineal.
Conceptualmente resulta absurdo relacionarlas.

Dependent Variable: GNP
Simple: 1936 1972
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
MELAMONA
118.5659
118.9808
23.72897
7.814147
4.996675
15.22633
0.0000
0.0000
R-squared
Adjusted R-squared
Log likelihood
Durbin-Watson stat
0.868836
0.865088
-204.7517
0.879122
Mean dependent var

S.D. dependent var
F-statistic
Prob(F-statistic)
443.6730
171.4417
231.8413
0.000000
La estimacin de una regresin en donde el PNB acta como variable endgena

y la incidencia de melanoma como variable explicativa nos muestra que:
*
Todos los coeficientes son estadsticamente significativos, y el R2 (86.7%) es
muy elevado.
*
El coeficiente estimado implica que, si aumentara la incidencia de melanoma en
un caso, cabra esperar un aumento del PNB de 119.000 millones de dlares.
Si relacionamos las variables en primeras diferencias, la tendencia suele
desaparecer y, con ella, la relacin esprea.
60
60
40
40
20
2.0
1.5
-20
D(GNP)
20
-20
-40
1.0
-60
-40
0.5
-60
-0.5
0.0
0.0
-0.5
1940
1945
1950
1955
D(MELANOMA)
1960
1965
0.5
1.0
D(MELAMONA)
1970
D(GNP)
Dependent Variable: D(GNP)

Sample (adjusted): 1937 1972
Included observations: 36 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
D(MELAMONA)
16.56841
0.706295
3.179332
6.585765
5.211287
0.107246
0.0000
0.9152
R-squared
Log likelihood
Durbin-Watson stat
0.000338
-155.0594
1.262415
Mean dependent var

F-statistic
Prob(F-statistic)
16.65278
0.011502
0.915224
1.5
2.0
Consecuentemente, la relacin de regresin entre las variables transformadas no

resulta significativa
1.2.
TIPOS DE PREDICCIONES
Segn el horizonte de prediccin se clasifican:
1.3.
1.4.
Inmediato, hasta 3 mese, para decisiones operativas, control presupuestario. Por

ejemplo: gestin de inventarios en establecimientos detallistas.
Corto Plazo de 3 a 12 meses, para tomar las decisiones operativas, control

presupuestario o decisiones de compra. Por ejemplo: Compra de bienes de
temporada para venta al por menor.
Medio Plazo, comprendidas entre 1 y 3 aos, para las decisiones estratgicas.

Por ejemplo: Leasing de plantas y equipos, formacin de empleados para
nuevos procesos.
Largo Plazo, de 3 a 10 aos, para las decisiones estratgicas incluyendo las de

expansin. Por ejemplo: investigacin y desarrollo, compra de activos,
adquisiciones y absorciones.
Muy Largo Plazo, mayor a 10 aos, para las decisiones estratgicas incluyendo
aquellas de cambio de las caractersticas principales de la empresa. Por
ejemplo: prediccin tecnolgica en apoyo de investigacin y desarrollo y
planificacin estratgica.
CLASIFICACIN DE LAS TCNICAS DE PREVISIN

1
Histricas, la evolucin de una magnitud tiene inercia temporal, lo que permite

construir un modelo basado en el anlisis de series temporales.
Causales, se basa en la interrelacin entre varias variables; en un modelo

economtrico o en un modelo de variables latentes, algunas magnitudes son
causa de las variaciones de otras, y se pueden usar como predictores.
Otros, como las encuestas de opinin a expertos, mtodo Delphi, previsiones

por consumo y otras tcnicas subjetivas.
TIPO DE PREVISIN DE LOS MODELOS

Segn a las situaciones a las que se aplican tenemos:
1
Medios Escasos:
Corto Plazo.- La tcnica de alisado exponencial, Medias mviles, Modelos
Nave y Desestacionalizacin.
Medio Plazo.- Ajuste de tendencia.
Largo plazo.- Curva en S.

2
Medios Normales:
Corto Plazo.- ARIMA univariante, anlisis de intervencin, X-11 ARIMA y
Funciones de transferencia.
Medio Plazo.- Modelos economtricos uniecuacionales, modelos
economtricos de pequeo tamao y Modelos VAR.
Largo plazo.- Modelos con cambio estructural.
Medios Altamente Profesionalizados:

Corto Plazo.- Anlisis espectral, Modelos dinmicos y Filtros.
Medio Plazo.- Modelos multiecuacionales de gran tamao, Simulacin y
Input/Output.
Largo plazo.- Modelos con cambio estructural y Escenarios.
1.5.
ANLISIS DE SERIES TEMPORALES

Una serie temporal est formada por un conjunto de observaciones medidas a
lo largo del tiempo. Es frecuente que se observen varias magnitudes simultneamente,
en cuyo caso se tiene una serie temporal multivariante.
1.6.
OBJETIVO DEL ANLISIS DE UNA SERIE TEMPORAL

El objetivo bsico perseguido al realizar el anlisis de una serie temporal es la
prediccin, es decir, la extrapolacin de valores futuros de la serie a partir de los datos
disponibles.
Otro objetivo es la modelizacin, o conocimiento de la estructura temporal del
proceso generador de los datos.
Un ltimo objetivo es la actuacin externa o control, sobre el sistema a partir de
las predicciones sucesivas (ste es el caso tpico de un proceso de control de calidad
industrial o de servicios).
1.7.
FORMAS DE ANLISIS DE UNA SERIE TEMPORAL

Una serie temporal se puede analizar:
1
En el dominio del tiempo, consiste en construir un modelo economtrico

dependiente del tiempo.
En el dominio de las frecuencias, o anlisis espectral, trata sobre la deteccin

de posibles componentes cclicos y de la aportacin que realizan las distintas
frecuencias en la variabilidad de la serie. El anlisis espectral no persigue la
construccin de modelos de prediccin, sino simplemente investigar la
estructura interna del proceso estocstico generador de una serie.
1.8.
MTODOS USADOS EN EL DOMINIO DEL TIEMPO

El anlisis en el dominio temporal se realiza generalmente usando dos tipos de
tcnicas:
1.9.
Los mtodos clsicos, como los de regresin, alisado exponencial, o medias

mviles, empleados si el nmero de observaciones es pequeo (hasta 40).
Los mtodos de Box y Jenkins o utilizacin de modelos ARIMA, si se dispone

de suficiente material estadstico. Existen otros modelos derivados o
relacionados con esta metodologa.
TIPOS DE MODELOS DE SERIES TEMPORALES

En el enfoque inicialmente propuesto por Box y Jenkins, se suelen dividir cinco
clases de modelos con un grado creciente de complejidad y que pueden denominarse:
1
Univariante,
Se enlaza con la ms clsica tradicin de tratamiento aislado de una
serie temporal, cuya evolucin se explica por los valores pasados de dicha serie
y un cierto trmino de error. Es decir:
( )Yt = ( ) ut
2
Funcin de transferencia,
La funcin de transferencia del filtro es el cociente de los dos
polinomiales de retardos definidos,
, de la siguiente forma:
( )
( )
Yt =
( )
u
( ) t
Con los mismos polinomiales de retardos definidos, de orden p y q,

entonces puede definirse el modelo (simple) de funcin de transferencia, con
ruido, como:
Yt =
j ( )
( )
X
+
j =1 ( ) jt ( ) ut
j
K
donde Yt puede interpretarse, a su vez, como la salida de dos filtros lineales,

uno sobre la variable de input y otro sobre la componente de ruido.
Generalizando al caso de ms de una variable explicativa, con K

cocientes distintos de polinomiales de retardos, uno por cada input; es:
Yt =
( )
( )
Xt +
u
( ) t
( )
Intervencin,
Cuando en el modelo de funcin de transferencia las variables X jt son
ficticias.
Multivariantes,
Se trata de modelos de varias variables de salida, considerando que
todos los polinomiales pueden ser distintos (tanto en orden como en valor de
H ( ) Z t = F ( )U t
los parmetros) la expresin formal matricial condensada es:
representando m ecuaciones en retardos sobre las m series temporales con
retardos tambin en m variables de error.
Puede considerarse que los polinomiales en posiciones de diagonal
principal comienzan con la unidad, mientras que los restantes comienzan con
una potencia de ; entonces cada uno de las ecuaciones se entiende que
.
explica el comportamiento de cada una de las variables Z jt
5
Funciones de transferencia mutlivariante,

Obtenido como generalizacin del modelo de funcin de transferencia
para un output nico.
Una posible expresin consiste en definir, para K variables de input
(exgenas) y G variables output (endgenas), la matriz V ( ) de G x K
ij ( )
, as como las matrices m x n de polinomiales
ij ( )
( ) y ( ) para los trminos de error, con lo que:
polinomiales del tipo
Yt = V ( ) X t + ( ) ( )U t
1
ANLISIS BSICO DE UNA SERIE DE TIEMPO

Definimos una serie temporal como un conjunto de mediciones de un
determinado fenmeno repetidas de forma homognea con una frecuencia
determinada. De forma genrica podemos representar una serie temporal de T

observaciones como:
Yt = (Y1 , Y2 ,......, YT )
Una primera aproximacin al anlisis de las series se puede conseguir mediante
1 T
las medidas clsicas de posicin: la media, Yt = Yt y la desviacin tpica,
T t =1
DesYt =
1 T
(Yt Y )2 .
T t =1
Habitualmente las series econmicas presentan una evolucin generalmente

creciente en el tiempo que hace que la media sea un valor poco representativo como se
observa en el grfico.
2,800
2,400
2,000
1,600
1,200
800
400
1950
1955
1960
CP
1965
1970
1975
1980
1985
@MEAN(CP,"1950q1 1988q1")
En el contexto de las series econmicas es frecuente acudir al anlisis de su dinmica

temporal para obtener una descripcin ms adecuada del fenmeno.
El clculo de tasas de variacin suele ser el procedimiento ms habitual para

analizar la dinmica de las series econmicas. El planteamiento ms simple de una
tasa de variacin, expresada en % es el siguiente:
%Yt =
Yt Yt 1
*100 = t 1 *100
Yt 1
Yt 1
Cuando estamos analizando series temporales de frecuencia superior al ao

podemos calcular distintas tasas de crecimiento alternativas.
Mensual
Y
Sobre el periodo anterior 11Yt = t 1 *100

Yt 1
Trimestral
Y
11Yt = t 1 *100
Yt 1
Sobre el mismo periodo

Yt
4
12
1 *100
del
ao
anterior 1 Yt = t 1 *100 1Yt =
Yt 4
Yt 12
(interanuales)
Las tasas interanuales presentan un comportamiento mas suavizado y

representan el movimiento tendencial de la variable, mientras que las tasas sobre el
periodo anterior recogen la dinmica ms reciente y son ms voltiles.
8
6
4
-2
0
-2
-4
1950 1955 1960 1965 1970 1975 1980 1985
TPA
TPAA
Para muchas aplicaciones economtricas es frecuente utilizar la transformacin

logartmica. Esta transformacin no altera las propiedades dinmicas de la serie y
reduce la volatilidad de la misma.
8.0
3000
2500
CP
1493.913
528.3112
35.36 %
149
7.6
2000
7.2
1500
6.8
Mean
Std. Dev.
Ratio Des./Media
Observations
LOG(CP)
7.244159
0.366872
5.06 %
149
1000
6.4
500
1955
1960
1965
CP
1970
1975
1980
1985
LOG(CP)
Si calculamos las diferencias de una serie transformada en logaritmos

obtenemos un valor similar a la tasa de variacin.
3
2
1
0
-1
-2
-3
1955
1960
1965
1970
1975
(LOG(CP)-LOG(CP(-1)))*100
1980
1985
TPA
La transformacin de Box-Cox se define como:
Wt = B C (Yt ) = Yt
Se tiene los valores siguientes:
para 2 2
Yt2
=2
2
=
0,5
t
Ln(Yt ) para
=0
1
= 0,5
Wt = 2 Y
t
1
= 1
Yt
1
= 2
Yt
Graficando tenemos:
1/SQR(CP)
CP^2
SQR(CP)
.040
7000000
52
6000000
48
5000000
44
.032
4000000
40
.028
3000000
36
.024
2000000
32
1000000
28
24
.036
.020
.016
1955
1960
1965
1970
1975
1980
1985
1955
1955
1960
1965
LOG(CP)
1970
1975
1980
1960
1/CP
8.0
1965
1970
1975
1980
1985
1985
1/CP^2
.0014
.0000020
7.8
.0012
7.6
.0000016
7.4
.0010
7.2
.0008
.0000012
7.0
.0000008
.0006
6.8
.0004
6.6
6.4
.0000004
.0002
1955
1960
1965
1970
1975
1980
1985
1955
1960
1965
1970
1975
1980
1985
.0000000
1955
1960
1965
1970
1975
1980
1985
ANLISIS PRIMARIO DE UNA SERIE DE TIEMPO

Sobre una serie temporal Yt podemos identificar una serie de componentes
bsicos que se denominan respectivamente como:
1
TENDENCIA: Tt Movimientos de larga duracin que se mantienen durante

todo el periodo de observacin.
CICLO: Ct Oscilaciones alrededor de la tendencia producidos por perodos

alternativos de prosperidad y depresin.
ESTACIONALIDAD: St Movimiento que se produce, dentro de un periodo

anual, por motivos no estrictamente econmicos (climticos, sociales, etc.).
IRREGULARIDAD: It Movimientos errticos generados por causas ajenas al

fenmeno econmico y no repetidos en el tiempo.
Otra forma de agrupar los componentes es:
Deterministico
Tendencia, Estacionalidad.
Modelable
Es posible hacer un modelo para reproducir una estructura.

El componente modelable es estocstico.
Irregulares
Error, no se puede modelar ni deterministicamente ni

estocsticamente.
Podemos plantear diferentes esquemas alternativos de descomposicin de una

serie temporal:
1
ADITIVO:
Yt = Tt + Ct + St + I t
2
MULTIPLICATIVO:
Yt = Tt * Ct * St * I t
3
MIXTO:
Yt = Tt * (1 + Ct ) * (1 + St ) + I t
Generalmente, el proceso de descomposicin de una serie se realiza, en el
enfoque clsico, mediante un proceso secuencial de identificacin y separacin de
componentes.
Por regla general el orden en el que se van identificando los sucesivos
componentes es el siguiente (para estructura aditiva):
3.1.
Estacionalidad
St = f (Yt )
Yt1 = Yt St
Tendencia
Tt = f (Yt1 )
Yt 2 = Yt1 Tt
Ciclo
C t = f (Yt 2 )
Componente irregular
I t = Yt 2 C t
DESESTACIONALIZACIN
Es frecuente antes de aplicar un proceso de desestacionalizacin realizar un
anlisis de LABORALIDAD y efecto PASCUA (Semana Santa).
* LABORALIDAD: Correccin de los datos originales en funcin del nmero de das
laborables de cada mes. Por ejemplo, una serie mensual se puede
homogeneizar a meses de 30 das, multiplicando los datos de
enero por 30/31, los de febrero por 30/28 o por 30/29 si el ao es
bisiesto, etc. En este tratamiento previo, se aconseja realizar un
grfico temporal de la serie.
* Efecto PASCUA: Correccin que se aplica a los meses de Abril o Marzo en funcin
de las fechas de Semana Santa.
A las series de las que se han eliminado estos efectos se les denomina SERIES
CORREGIDAS DE CALENDARIO.
Las series temporales de datos econmicos presentan generalmente
caractersticas estacionales cuando se observan a una frecuencia inferior a la anual, ya
sea mediante datos trimestrales, mensuales, bimestrales o semanales.
Estas caractersticas se deben a que las decisiones tomadas por los agentes
econmicos en un determinado trimestre (bimestre, mes, o semana) del ao puede
estar correlacionado con las decisiones tomadas en el mismo trimestre (bimestre, mes
o semana) de otros aos.
La identificacin del elemento estacional es importante cuando el objetivo es
explicar el comportamiento de la variable endgena, dado que una parte de las
fluctuaciones de esta se manifiesta por el solo hecho de encontrarse en una poca del
ao.
Tambin es importante cuando el objetivo es predecir, puesto que las
diferencias estacionales motivan que aun siendo idnticos los valores de las variables
exgenas en cada parte del ao se deber predecir diferentes valores para la variable
endgena.
Este fenmeno se puede detectar:
1
GRFICO DE BARRAS.- Nos interesa observar los picos que se dan en la

serie y si estos picos se repiten todos los aos, podemos concluir que existe
estacionalidad.
Realizando el grfico del Producto Bruto Interno Agrcola y del
Consumo Personal Real:
PBIA
CP
70
820
60
800
780
50
760
40
740
30
720
20
92M01
92M07
93M01
93M07
94M01
700
1950
1951
1952
1953
Observando los grficos se concluye que el Producto Bruto Interno

Agrcola presenta indicios de estacionalidad porque presenta picos que se
repiten en enero y octubre de cada ao; en cambio, en el Consumo Personal
Real no presenta indicios de estacionalidad porque los picos no se repiten.
LINEAS APILADAS.- Nos interesa observar el comportamiento de cada mes

o trimestre, si el comportamiento es diferente, entonces existe estacionalidad.
CP by Season
PBIA by Season
2800
70
2400
60
2000
50
1600
40
1200
800
30
400
20
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Q1
Q2
Q3
Q4
Dec
CP
Means by Season
Means by Season
Observando los grficos se concluye que el Consumo Personal Real no

presenta estacionalidad y el Producto Bruto Interno agrcola si presenta
estacionalidad.
3
LINEAS SEPARADAS.- Nos interesa observar el comportamiento de cada

mes o trimestre, si el comportamiento es diferente, entonces existe
estacionalidad.
PBIA by Season
70
CP by Season
2800
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
60
50
40
30
20
1992
1993
1994
2400
2000
Q1
Q2
Q3
Q4
1600
1200
800
400
1950 1955 1960
1965
1970
1975 1980
1985
Observando los grficos se concluye que el Consumo Personal Real no

presenta estacionalidad y el Producto Bruto Interno agrcola si presenta
estacionalidad.
4
CORRELOGRAMA.Para analizar la estacionalidad de una serie introduciremos un concepto

de gran inters en el anlisis de series temporales: la funcin de
autocorrelacin.
La funcin de autocorrelacin mide la correlacin entre los valores de la
serie distanciados un lapso de tiempo k.
La funcin de autocorrelacin es el conjunto de coeficientes de

autocorrelacin rk desde 1 hasta un mximo que no puede exceder la mitad de
los valores observados, y es de gran importancia para estudiar la estacionalidad
de la serie, ya que si sta existe, los valores separados entre s por intervalos
iguales al periodo estacional deben estar correlacionados de alguna forma. Es
decir que el coeficiente de autocorrelacin para un retardo igual al periodo
estacional debe ser significativamente diferente de 0.
Debemos obtener el correlograma considerando 25 retardos si la serie es
mensual, 9 retardos si la serie es trimestral, etc.. Se tiene que observar los picos
que se dan en el correlograma y si estos picos se repiten en el mismo periodo
en los siguientes aos, podemos concluir que existe estacionalidad.
El correlograma del Producto Bruto Interno Agrcola se obtiene
siguiendo la instruccin siguiente:
Abrir el PBIA
25 lag
y se muestra el siguiente resultado para el PBIA:
OK
View
Correlogram...
se marca level y se escribe
Sample: 1992M01 1995M12

Autocorrelation
. |***** |
. |**. |
. *| . |
***| . |
***| . |
***| . |
***| . |
.**| . |
. | . |
. |**. |
. |*** |
. |**** |
. |*** |
. |* . |
. *| . |
.**| . |
.**| . |
.**| . |
. *| . |
. | . |
. | . |
. | . |
. | . |
. | . |
. | . |
Partial Correlation
. |***** |
***| . |
.**| . |
. *| . |
. *| . |
.**| . |
. *| . |
. *| . |
. |* . |
. |* . |
. |* . |
. | . |
. | . |
. | . |
. | . |
. | . |
. | . |
. | . |
. |* . |
. *| . |
.**| . |
. *| . |
. *| . |
. *| . |
. | . |
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
AC
PAC
Q-Stat
Prob
0.672
0.234
-0.150
-0.350
-0.408
-0.398
-0.330
-0.247
-0.024
0.246
0.458
0.484
0.330
0.095
-0.133
-0.245
-0.291
-0.264
-0.141
-0.027
0.017
0.047
0.041
0.000
0.000
0.672
-0.396
-0.222
-0.069
-0.141
-0.199
-0.127
-0.177
0.160
0.127
0.115
0.031
0.001
-0.000
-0.022
0.045
-0.023
0.030
0.164
-0.066
-0.216
-0.067
-0.186
-0.176
0.033
14.927
16.798
17.596
22.131
28.534
34.869
39.414
42.085
42.112
45.015
55.594
68.113
74.278
74.816
75.956
80.088
86.322
91.891
93.636
93.705
93.735
94.000
94.235
94.235
94.235
0.000
0.000
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Si observamos el correlograma del producto bruto interno agrcola se
visualiza que el pico del retardo 5 se repite en el retardo 17, por lo tanto,
podemos concluir que el producto bruto interno agrcola es estacional.
El correlograma del Consumo Personal Real se obtiene siguiendo la
instruccin siguiente:
Abrir el CP
lag
View
Correlogram...
se marca level y se escribe 9
OK y se muestra el siguiente resultado para el CP:
Sample: 1950Q1 1988Q1

Autocorrelation
.|*******|
.|*******|
.|*******|
.|****** |
.|****** |
.|****** |
.|***** |
.|***** |
.|***** |
Partial Correlation
.|*******|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
AC
1
2
3
4
5
6
7
8
9
0.955
0.911
0.868
0.825
0.786
0.747
0.711
0.677
0.645
PAC
Q-Stat
Prob
0.955
-0.014
-0.014
-0.012
0.008
-0.010
0.006
0.008
0.008
142.33
272.69
391.73
500.15
599.06
689.07
771.12
846.07
914.68
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
El comportamiento del coeficiente de autocorrelacin del consumo

personal real no presenta picos, por lo tanto, concluimos que el consumo
personal real no es estacional.
Los mtodos para cuantificar la estacionalidad y desestacionalizar la
serie son:
1
REGRESIN CON VARIABLES DUMMY.En el mtodo de regresin se utiliza una serie de variables mudas para
capturar los efectos estacionales:
Yt = 0 + 1 D1 + ..... + k Dk + Yt 1 + t
donde cada variable Di toma valores 1 en el perodo que sta representa (p. e.,
enero de cada ao) y cero en cualquier otro perodo. El modelo puede ser
extendido para incluir otras variables explicativas o un proceso ms complejo
(aunque estacionario) para el error (p. e., un ARMA).
En la medida en que los coeficientes i sean estadsticamente
significativos, habr componentes estacionales. Consecuentemente, la serie
desestacionalizada Yt SE se calcula como:
Yt SE = Yt 0 1 D1 ..... k Dk
donde i son los parmetros estimados para cada componente estacional que
resulten significativos.
Como es evidente, al modelar la estacionalidad de esta manera se asume
que el efecto estacional sea determinstico (o constante en valor esperado), es
decir, que en cada ao el cambio en la variable por razones estacionales sea
exactamente el mismo. Ello no es un supuesto adecuado para muchas de las
variables econmicas debido a que el comportamiento estacional se determina
por numerosas y muy heterogneas fuentes, lo que sugiere que ste sea
modelado como una variable aleatoria.
El uso de variables mudas para modelar estacionalidad en un anlisis de
regresin presenta el problema de inducir correlaciones espurias entre las
variables, en tanto que su uso para predecir variables en modelos de series de
tiempo (p.e., ARIMA, VAR) produce predicciones fuera de muestra que son de
peor calidad que las que se obtienen de otros mtodos (X-11 o la variacin en
x-perodos), en especial en modelos multivariados.
No obstante, este mtodo satisface algunas caractersticas que son
deseables en cualquier mtodo de remocin de estacionalidad: que se preserve
el promedio de la serie original, que los componentes estacionales sean
ortogonales entre s, y que al aplicar el mtodo a la serie desestacionalizada no
se obtengan nuevos factores estacionales (idempotencia).
Aplicando este mtodo a la serie Consumo personal real tenemos:
Sample (adjusted): 1950Q2 1988Q1
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
@SEAS(1)
@SEAS(2)
@SEAS(3)
CP(-1)
0.940573
2.577797
1.529906
4.609948
1.006017
3.380101
2.784144
2.784490
2.784212
0.001863
0.278268
0.925885
0.549438
1.655746
539.9100
0.7812
0.3560
0.5835
0.0999
0.0000
R-squared
0.999496
Mean dependent var
1479.040
En la regresin ninguna de las variables dummy son significativas, por

lo tanto el consumo personal real no presenta estacionalidad.
En GRETL se obtiene el mismo resultado:
Modelo 1: MCO, usando las observaciones 1950:2-1988:1 (T = 152)

Variable dependiente: CP
Coeficiente Desv. Tpica Estadstico t
Valor p
Const
0,940573
3,3801
0,2783
0,78120
dq1
2,5778
2,78414
0,9259
0,35602
dq2
1,52991
2,78449
0,5494
0,58354
dq3
4,60995
2,78421
1,6557
0,09991 *
CP_1
1,00602
0,0018633
539,9100
<0,00001 ***
Media de la vble. dep.
1479,040
D.T. de la vble. dep.
533,5063
Suma de cuad. residuos
21648,89
D.T. de la regresin
12,13554
R-cuadrado
0,999496
R-cuadrado corregido
0,999483
F(4, 147)
72922,06
Valor p (de F)
3,0e-241
Log-verosimilitud
-592,5497
Criterio de Akaike
1195,099
Criterio de Schwarz
1210,219
Crit. de Hannan-Quinn
1201,241
Rho
0,147941
h de Durbin
1,818406
Aplicndolo en Eviews para Producto bruto interno agrcola resulta:

Dependent Variable: PBIA
Sample (adjusted): 1992M02 1994M06
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
@SEAS(1)
@SEAS(2)
@SEAS(3)
@SEAS(4)
@SEAS(5)
@SEAS(6)
@SEAS(7)
@SEAS(8)
@SEAS(9)
@SEAS(10)
@SEAS(11)
PBIA(-1)
-11.66865
-3.149474
4.600756
1.089949
8.744458
5.446288
-4.584691
-8.288786
-21.88337
-9.241514
-4.739175
2.503367
1.402257
3.817922
1.741879
1.631591
1.591708
1.611761
2.162990
3.175343
3.077233
3.103516
1.983766
1.756342
1.757713
0.122378
-3.056282
-1.808090
2.819797
0.684767
5.425405
2.517944
-1.443841
-2.693585
-7.051155
-4.658570
-2.698321
1.424218
11.45837
0.0075
0.0894
0.0123
0.5033
0.0001
0.0228
0.1681
0.0160
0.0000
0.0003
0.0158
0.1736
0.0000
R-squared
0.986385
Mean dependent var
37.99448
En la regresin, siete de las variables dummy son significativas, por lo

tanto el Producto bruto interno agrcola presenta estacionalidad. Entonces se
aplica el mtodo aditivo para desestacionalizar.
2
MEDIA MVIL.- Se desestacionaliza transformando la serie original en la que

las nuevas observaciones para cada periodo son un promedio de las
observaciones originales. El orden de la media mvil indica el nmero de
observaciones a promediar.
Mensuales Orden 12
Sin centrar
MM 12Yt =
1 11
Yt r
12 r =0
MMc12Yt =
1 +6
Yt r
12 r = 6
Centrada
Con = 0.5 para r=-6 y

+6 y = 1 el resto.
Trimestrales Orden 4
MM 4Yt =
MMc 4Yt =
1 3
Yt r
4 r =0
1 +2
Yt r
4 r = 2
Con = 0,5 para r = -2 y +2

y = 1 el resto.
Aplicando la media mvil sin centrar al consumo personal real nos dara
los siguientes factores estacionales:
En el Eviews se sigue la instruccin siguiente:
Genr mvscp = @movav(cp,4) y se obtiene la serie desestacionalizada
empleando la media mvil sin centrar.
Genr mvccp = (0.5*cp(-2)+cp(-1)+cp+cp(+1)+0.5*cp(+2))/4 y se obtiene la
serie desestacionalizada empleando la media mvil central.
En Gretl se sigue la instruccin siguiente:
Variable Filtrar Media Mvil simple

serie suavizada Aceptar, para obtener la media mvil sin centrar.
Marcamos CP
Marcamos CP
Filtrar Media Mvil simple marcar

Aceptar, para obtener la media mvil centrada.
Variable
centrada y serie suavizada

3
marcar
RATIO DE MEDIO MVIL.- Los pasos para obtener el ratio de promedio

mvil son:
1)
Se calcula el promedio mvil central de Yt como:
0.5Yt + 6 + Yt + 5 + ...+ Yt + ...+ Yt 5 + 0.5Yt 6
X t = 0.5Y + Y + 12
Yt + Yt 1 + 0.5Yt 2
t+2
t +1
2)
Se considera el ratio:
rt =
Yt
Xt
mensual
trimestral
3)
( )
Calculamos el ndice estacional i m como el promedio del ratio de promedio

mvil para ese mes o trimestre en el periodo analizado.
1)
El factor estacional es el ratio entre el ndice estacional y la media

geomtrica de los ndices estacionales, as:
im
12 i i ...i
1 2 12
s=
im
4 i1i2 i3i4
mensuales
trimestres

Abrir el CP
Proc
average - Multiplicative
CP:
Seasonal Adjusment
OK
se marca Ratio to moving
y se muestra el siguiente resultado para el
Sample: 1950Q1 1988Q1

Ratio to Moving Average
Original Series: CP
Adjusted Series: CPSA
Scaling Factors:
1
2
3
4
1.000019
0.999470
1.000848
0.999663
DIFERENCIA DE PROMEDIO MVIL.- Los pasos para obtener la diferencia

de promedio mvil son:
1.-
Se calcula el promedio mvil central de Yt como:
0.5Yt + 6 + Yt + 5 + ...+ Yt + ...+ Yt 5 + 0.5Yt 6
X t = 0.5Y + Y + 12
Yt + Yt 1 + 0.5Yt 2
t+2
t +1
2.-
mensual
trimestral
Se considera la diferencia:
d t = Yt X t
3.-
Calculamos el ndice estacional
(i ) como el promedio de la diferencia

m
de promedio mvil para ese mes o trimestre en el periodo analizado.

4.-
El factor estacional es la diferencia entre el ndice estacional y el

promedio de los ndices estacionales, as:
sj = ij i
Abrir el CP
Proc
average - Additive
Seasonal Adjusment
Difference from moving
OK y se muestra el siguiente resultado para el CP:
Sample: 1950Q1 1988Q1

Difference from Moving Average
Original Series: CP
Adjusted Series: CPSA1
Scaling Factors:
1
2
3
4
-0.132086
-0.941545
1.444906
-0.371275
ALISADO.- Las tcnicas de alisado exponencial se utilizan en situaciones en

las que existen pocos datos (muestra pequea), y si es necesario ir actualizando
el modelo empleado cada vez que se obtiene un nuevo dato. Son muy simples
en su aplicacin pero limitados.
El Modelo de Holt-Winters, para series con tendencia polinomial, ciclo
estacional y componente aleatoria, tanto para tipo aditivo como multiplicativo.
El Alisado exponencial estacional con triple parmetro (Holt-Winters
estacional-multiplicativo) es:
Y
Yt = * t + (1 )* Yt 1 + bt 1
st s
b = * Y Y + (1 )* b
st =
t 1
t 1
Yt
+ (1 )st s
Y
t
La prediccin es:
Yt + k = Yt + bt * k * st s + k
Vlido para series con tendencia lineal y estacionalidad. El factor
estacional no es fijo en el ajuste a periodo muestral.
Proc Exponential Smoothing Holt-Winters

OK y se muestra el siguiente resultado:
Abrir el PBIA
Multiplicativo
Sample: 1992M01 1994M06

Method: Holt-Winters Multiplicative Seasonal
Original Series: PBIA
Forecast Series: PBIASM
Parameters:
Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
0.8700
1.0000
0.0000
42.98890
1.197065
Mean
Trend
Seasonals: 1993M07
1993M08
1993M09
1993M10
1993M11
1993M12
1994M01
1994M02
1994M03
1994M04
1994M05
1994M06
49.38024
4.217104
1.406998
1.032589
0.865693
0.758299
0.807855
0.810340
0.735470
0.848620
0.874647
1.113844
1.338879
1.406765
El Alisado exponencial estacional con triple parmetro (Holt-Winters

estacional-aditivo) es:
Y = * (Y s ) + (1 )* Y + b
t
(
(
t s
t 1
bt = * Yt Yt 1 + (1 )* bt 1
s = * Y Y + (1 )s
t
t 1
t s
La prediccin es:
Yt + k = Yt + bt * k + st s + k
Vlido para series con tendencia lineal y estacionalidad. El factor
estacional no es fijo en el ajuste a periodo muestral.
Abrir el PBIA
Aditivo
Proc
Exponential Smoothing
Holt-Winters
Sample: 1992M01 1994M06

Method: Holt-Winters Additive Seasonal
Forecast Series: PBIASM1
Parameters:
Alpha
Beta
Gamma
0.9400
1.0000
0.0000
54.46170
1.347364
Mean
Trend
Seasonals: 1993M07
1993M08
1993M09
1993M10
1993M11
1993M12
1994M01
1994M02
1994M03
1994M04
1994M05
1994M06
54.92442
6.410787
14.64229
1.253542
-4.815208
-8.758958
-6.982708
-6.931458
-9.250208
-5.313958
-4.442708
4.013542
12.04479
14.54104
METODO X11.- Un procedimiento de estimacin de los componentes de una

serie temporal es el desarrollo por J. Siskin en la Oficina del Censo de los
Estados Unidos.
Este programa X11 se usa en numerosos organismos pblicos, as como
en el sector financiero, y permite ajustar series mensuales y trimestrales
mediante el mtodo aditivo, multiplicativo y mixto. Incluye numerosas
opciones para tener en cuenta las fiestas, los das no laborables, e incluso para
detectar y corregir automticamente los datos anormales.
Los resultados que muestra el mtodo son:
a.b.c.d.-
Estimacin de la tendencia.
Determinacin de unos coeficientes estacionales.
Estimacin de la componente aleatoria, y
Varios contrastes para detectar la estacionalidad.
Dispone de numerosas opciones, en las que se proporcionan muy

variadas y extensas tablas relativas a las componentes, en las distintas fases de
la estimacin, ya que el procedimiento realiza varias iteraciones antes de

estimar finalmente las componentes del modelo, incluido el modelo ARIMA
para la componente aleatoria.
En unas iteraciones iniciales, se estiman las componentes de la serie y se
corrigen los datos en funcin de los das laborables (si se elige esta opcin). Se
identifican las observaciones extremas o anormales, y as se llega a unas
estimaciones finales de las componentes.
En la primera iteracin, con una media mvil centrada de amplitud 12,
se obtiene una estimacin inicial de la tendencia y ciclo, eliminando variacin
estacional e irregular, que se estiman por diferencia o por cociente segn el tipo
de modelo.
En la segunda etapa, se aplican medias mviles a la serie que incluye las
componentes estacionales y la irregular, para estimar esta ltima, y se obtiene
tambin su desviacin tpica mensual. De esta forma se estiman y corrigen los
valores extremos, y con una nueva media mvil se estima la componente
estacional. Los ndices estacionales se usan para obtener una primera
aproximacin de la serie desestacionalizada, a partir de la cual, y mediante una
media mvil ponderada, se obtienen una segunda estimacin de las
componentes agregadas de tendencia y ciclo no estacional.
El mismo procedimiento se utiliza para obtener una segunda estimacin
de la serie desestacionalizada y de la componente irregular, que es de nuevo
corregida en sus valores extremos o anormales.
En una tercera y ltima iteracin, se estiman finalmente los ndices
estacionales, y las componentes irregular y tendencial.
En el Eviews se tiene:
T
S
I
representa la tendencia de la serie y los ciclos no estacionales.

componente estacional.
componente aleatoria o irregular.
Abrir el CP
Proc
Seasonal Adjusment
Census X11-Multiplicative y se escribe en Factor: FEM

7
X11 (Historical)
OK.
CENSUS X12-ARIMA.- es un programa de cdigo abierto creado por el U.S.

Census Bureau. Este es un programa de correccin estacional que incorpora
algunas mejoras con respecto al programa X11-ARIMA (Statistics Canada)
como el desarrollo de nuevas medidas de identificacin de modelos y de
diagnstico de ajustes.
Adems es un programa de reajuste estacional. Tambin el Census X12-
ARIMA es un mtodo basado en promedios mviles, los cuales se sustentan en

el dominio del tiempo o en el de frecuencias. Census X12-ARIMA logra el
ajuste estacional con el desarrollo de un sistema de los factores que explican la
variacin estacional en una serie.
En aos recientes, el Census X12-ARIMA ha adquirido relevancia en
vista de que entre sus innovaciones se encuentran procedimientos basados en
modelos (model based) como el Seats, el cual supone un modelo ARIMA
para cada uno de los componentes de la serie de tiempo de inters.
Especficamente, considera los modelos RegARIMA, los cuales son modelos
de regresin cuyos errores siguen un proceso ARIMA. Por lo anterior, este
programa es muy utilizado en varios bancos centrales, as como en varias
oficinas de estadstica como la de la Unin Europea (Eurostat) y la de Per.
Abrir el CP Proc Seasonal Adjusment Census X12 se
marca Multiplicative, Final seasonally adjusted serie y Final seasonal factors
OK.
TRAMO/SEATS.- las siglas de Tramo significan Time Series Regression with

ARIMA Noise, Missing Observations, and Outliers y las de Seats Signal
Extraction in ARIMA Time Series. Estos programas (que normalmente se
usan juntos) han sido desarrollados por Vctor Gmez y Agustn Maravall del
Banco de Espaa.
Tramo es un programa para estimar y pronosticar modelos de regresin
con errores posiblemente no estacionarios como los ARIMA (Autoregressive
Integrated Moving Average) y cualquier serie de observaciones ausentes,
tambin identifica y corrige observaciones atpicas como por ejemplo: el efecto
Pascua, Calendario y el relacionado a formas de variables de intervencin. El
programa es eficiente en el ajuste estacional de series, y ms en la extraccin de
seales estocsticas. El ajuste de la serie con el programa Tramo, corresponde
al procedimiento que realizaba SCA (Scientific Computing Associates).
Seats es un programa para la estimacin de los componentes no
observados en series temporales, siguiendo el mtodo basado en modelos
ARIMA. Se estima y se obtienen predicciones de la tendencia, el componente
estacional, el componente irregular y los componentes cclicos. Adems se
obtienen los estimadores con error cuadrtico medio mnimo (ECMM) de los
componentes, as como sus predicciones tambin. Seats puede usarse para un
anlisis profundo de series o para aplicaciones rutinarias masivas. La
estimacin que realiza Seats corresponde a la metodologa que llevaba a cabo
X11- ARIMA.
Citando la descripcin de Tramo/Seats dada en el sitio Web del Banco
de Espaa1, Los programas estn dirigidos fundamentalmente al anlisis de
series temporales econmicas y sociales, de frecuencia mensual o ms baja.
Aunque estn estructurados para satisfacer las necesidades de un analista

experto, pueden utilizarse tambin de forma totalmente automtica. Sus
principales aplicaciones son prediccin, ajuste estacional, deteccin y
correccin de observaciones atpicas, estimacin de efectos especiales, y
control de calidad de los datos.
En conjunto, Tramo/Seats realiza la estimacin ARIMA y la
descomposicin en componentes aditivos o multiplicativos; por lo que Tramo
hace la estimacin, mientras que Seats hace la descomposicin. Asimismo se
recomienda el uso de este programa para obtener un buen punto de partida al
ajustar alguna serie.
Abrir el CP
Proc
Seasonal Adjusment
marca Seasonally adjusted y seasonal factor

3.2.
OK.
Tramo/Seats
se
TENDENCIA
Es un movimiento de larga duracin que se mantiene durante el perodo de
observacin. Una primera idea sobre la presencia de tendencia en la serie la
obtendremos en su representacin grfica.
En general es difcil diferenciar entre el componente tendencial y el cclico y,
habitualmente, se obtienen de forma conjunta eliminando de la serie
desestacionalizada el componente irregular, obtenindose una nueva serie denominada
de CICLO-TENDENCIA.
Se tiene los mtodos siguientes:
1
MEDIA MVIL CENTRADA.- Una forma sencilla de eliminar el componente

irregular consiste en calcular una media mvil centrada de orden bajo (p.e. 3)
sobre la serie previamente desestacionalizada.
Yt CT =
1 +1 SE
Yt s
3 s = 1
El componente irregular se obtendra por diferencia (mtodo aditivo)

entre la serie desestacionalizada y la de Ciclo-Tendencia, as:
Yt I = Yt SE Yt CT
Genr mvc3cp = (cp(-1)+cp+cp(+1))/3 y se obtiene el ciclo-tendencia siguiente:
1950Q1
1951Q1
1952Q1
1953Q1
1954Q1
1955Q1
Modified: 1950Q1 1988Q1 // mvc3cp = (cp(-1)+cp+cp(+1))/3

NA
730.8333
740.3667
749.9000
745.0667
747.5000
746.8000
751.6000
758.3667
765.1667
776.9333
787.5000
797.8333
802.2000
803.3667
804.5000
808.2333
816.2333
827.9667
841.6333
855.5667
867.4667
879.9333
888.6000
FUNCIONES DE TIEMPO.- se obtiene la nueva serie de componente

tendencial ajustando los datos observados a una especificacin en funcin del
tiempo, calculndose los parmetros de la funcin de tiempo forma que se
minimicen las diferencias cuadrticas entre la serie original y la estimada. Es
decir:
Y = Y 2 = f (t , ) / Min(Y Y 2 ) 2
t
Se pueden plantear distintas especificaciones de la funcin:
Lineal
Yt = a + b * t
Lineal
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 1516 17 18 19 20
Parbola
Parbola
150
Yt = a + b * t + c * t 2
100
50
0
1 2 3 4 5 6 7 8 9 10 1112 13 1415 1617 18 1920
Exponencial
Yt = a * b t
Ln(Yt ) = c + d * t
Exponencial
200
150
100
50
0
1 2 3 4 5 6 7 8 9 1011 1213 1415 16 1718 1920
Potencial
200
Potencial
Yt = a * t b
Ln(Yt ) = c + d * Ln(t )
150
100
50
0
1 2 3 4 5 6 7 8 9 10 1112 1314 1516 1718 1920
En Eviews se escribe la instruccin siguiente:

LS CP C @TREND
LS CP C @TREND @TREND^2
LINEAL
PARBOLA
LS LOG(CP) C @TREND
LS LOG(CP) C LOG(@TREND)
EXPONENCIAL
POTENCIAL
Se obtiene el resultado siguiente:

Variable
CP
Included Observation 153
Yt = 551.89 +11.976*t
Equation
R-Squared
R-Square Adjusted
Sum Square Error
(SSE)
0.982551
0.999980
760146.960164
Yt = 689.46 +6.6505*t Yt = 716.86 *

+0.03458*t**2
(1.0085**t)
0.995333
0.993978
0.999990
0.961511
203307.057636
0.024479
Adicionalmente tenemos los modelos que incorporan un componente

cclico, como:
1.-
Modelo de tendencia senoidal simple.El modelo es:

2t
2t
2t
2t
Yt = 0 + 1t + 2 sen
+ 3 cos
+ 4 tsen
+ 5 t cos
+ ut
w
w
w
w
donde w es el nmero de observaciones en un ao.

En Eviews, primero hay que generar el ngulo, as:
GENR O = (2*3.14159*@TREND)/12
GENR O = (2*3.14159*@TREND)/4
y a continuacin se escribe la instruccin siguiente:
LS CP C @TREND @SIN(O) @COS(O) @TREND*@SIN(O) @TREND*@COS(O)
Resulta:
Sample: 1950Q1 1988Q1
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
@TREND
@SIN(O)
@COS(O)
@TREND*@SIN(O)
@TREND*@COS(O)
563.7933
11.97613
6.007610
2.679173
-0.080349
-0.020915
11.56697
0.131602
16.48854
16.22456
0.187892
0.184291
48.74167
91.00294
0.364351
0.165131
-0.427635
-0.113487
0.0000
0.0000
0.7161
0.8691
0.6695
0.9098
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
2.-
0.982576
0.981984
71.85795
759044.1
-868.0650
0.033761
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
1474.026
535.3530
11.42569
11.54453
1657.947
0.000000
Modelo de tendencia senoidal cuadrtico.El modelo es:
2t
2t
2t
Yt = 0 + 1t + 2 t 2 + 3 sen + 4 cos + 5tsen +
w
w
w
2t
2t
2t
6 t cos + 7 t 2 sen + 8 t 2 cos + ut
w
w
w
donde w es el nmero de observaciones en un ao.
LS
CP
En Eviews, primero hay que generar el ngulo, as:

GENR O = (2*3.14159*@TREND)/12
GENR O = (2*3.14159*@TREND)/4
y a continuacin se escribe la instruccin siguiente:
C @TREND @TREND^2 @SIN(O) @COS(O) @TREND*@SIN(O)
@TREND*@COS(O) @TREND^2*@SIN(O) @TREND^2*@COS(O)
Obteniendo:
Sample: 1950Q1 1988Q1
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
@TREND
@TREND^2
@SIN(O)
@COS(O)
@TREND*@SIN(O)
@TREND*@COS(O)
@TREND^2*@SIN(O)
@TREND^2*@COS(O)
696.2372
6.716405
0.034602
0.011491
-1.803156
0.018841
0.086830
-0.000200
-0.000709
9.007112
0.273801
0.001744
12.93618
12.52636
0.393081
0.380987
0.002504
0.002425
77.29860
24.53023
19.84635
0.000888
-0.143949
0.047933
0.227907
-0.079986
-0.292256
0.0000
0.0000
0.0000
0.9993
0.8857
0.9618
0.8200
0.9364
0.7705
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.995339
0.995080
37.55118
203053.1
-767.1926
0.104706
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
1474.026
535.3530
10.14631
10.32457
3843.774
0.000000
ALISADO.- Las tcnicas de alisado exponencial se utilizan en situaciones en

las que existen pocos datos, y si es necesario ir actualizando el modelo
empleado cada vez que se obtiene un nuevo dato. Son muy simples en su
aplicacin pero limitados.
Alisado exponencial simple:
Yt = * Yt + (1 )* Yt 1
N 1
s
Yt = * (1 ) Yt s
s =0
Prediccin:
Yt + k = Yt
k > 0
Vlido para series sin tendencia. La prediccin no aporta informacin

adicional.
Abrir el PBIA Proc Exponential Smoothing

muestra el siguiente resultado:
Single
OK y se
Sample: 1992M01 1994M06

Method: Single Exponential
Parameters: Alpha
0.9990
1345.407
6.696782
Mean
69.42131
Alisado exponencial doble (Brown):
( )
Yt1 = * Yt + (1 )* Yt1
Y = * Y 1 + (1 )* Y
t
t 1
Prediccin:
k 1
k
* Yt 1 +
* Yt =
Yt + k = 2 +
(
1
)
(
1
= 2 * Yt1 Yt +
Yt1 Yt k
(1 )
Vlido para series con tendencia lineal. La prediccin es una recta con
ordenada en el origen 2 * Yt1 Yt y pendiente Yt1 Yt (1 ).
Abrir el PBIA Proc Exponential Smoothing

Double
Sample: 1992M01 1994M06

Method: Double Exponential
Parameters: Alpha
0.8560
1320.795
6.635247
Mean
Trend
69.53286
10.11279
El Alisado exponencial lineal con doble parmetro (Holt-Winters) es:
Yt = * Yt + (1 )* Yt 1 + bt 1
b = * Y Y + (1 )* b
t 1
t 1
Los valores iniciales pueden ser:
Y1 = Y1 ; b1 = 0
Y2 = Y2 ; b2 = (Y2 Y1 )
La prediccin es:
Yt + k = Yt + bt * k
Vlido para series con tendencia lineal. La prediccin es una recta con
ordenada en el origen Yt1 y pendiente bt .
Abrir el PBIA
Seasonal
Proc
Exponential Smoothing
Holt-Winters-No
Sample: 1992M01 1994M06

Method: Holt-Winters No Seasonal
Parameters:
Alpha
Beta
1.0000
0.8100
1002.241
5.779969
Mean
Trend
69.43000
9.713274
FILTRADO DE SERIES.- los medios ms utilizados para detectar y eliminar la

tendencia de una serie se basan en la aplicacin de filtros a los datos. Un filtro
no es ms que una funcin matemtica que aplicada a los valores de la serie
produce una nueva serie con unas caractersticas determinadas.
Segn Baxter y King, un mtodo ptimo de extraccin de ciclos
econmicos debe cumplir con 6 objetivos:
El filtro debe extraer un rango especfico de periodicidades, sin variar sus
propiedades inherentes (la varianza, correlaciones y otras medidas
exploratorias de los datos).
No debe producir un movimiento de fase (es decir, que no altere las
relaciones temporales de las series a ninguna frecuencia). Este aspecto y el
anterior definen un promedio mvil ideal, con ponderaciones simtricas
para rezagos y adelantos.
El mtodo debe ser una aproximacin ptima de un filtro ideal. Esto se
puede determinar midiendo la diferencia de los resultados obtenidos con un
filtro ideal y uno aproximado.
La aplicacin de un filtro debe producir una serie de tiempo estacionaria
cuando se aplica a cifras que presentan tendencia.
El mtodo debe ser independiente de la longitud de la serie.
El mtodo debe ser operacional, esto es, de fcil aplicacin y uso.
Los requisitos para el filtro ideal conllevan el establecer un equilibrio
entre el estimar un filtro ptimo, lo cual implica agregar la mayor cantidad de
rezagos y adelantos como explicativos de una variable y el perder
observaciones al inicio y al final del perodo, lo cual reduce la cantidad de datos
para el anlisis. Los autores recomiendan utilizar como mnimo 6 aos cuando
se trabaja con datos trimestrales y anuales.
En la actualidad existen dos filtros:
1.-
HODRICK-PRESCOTT.- partiendo del supuesto de que la serie est

compuesta por un componente tendencial ms un componente cclico, se
obtiene la nueva serie de componente tendencial que sea lo mas suave
posible (penalizndose con el parmetro la volatilidad de la nueva
serie) y que minimize las diferencias cuadrticas frente a la serie
original. Tendramos:
Tt = Yt 2
((
) (
2
Min Yt1 Yt 2 + Yt+21 Yt 2 Yt 2 Yt 21
t =1
t =2
))
Los propios autores proponen unos valores de para cada tipo de

series: Anual = 100, Trimestral =:1600 y Mensual =14400.
En trminos matriciales podemos expresar el problema de
minimizacin como:
Min (Y Y 2 )' (Y Y 2 ) + ( AY 2 )( AY 2 )
t
Donde:
0
1 2 1
0 1 2 1
AYt 2 = 0 0
1 2
M
M
M M
0 0
0
0
0
0
1
M
0
L
L
L
O
L
0 0
0 0
0 0
M M
1 2
0 Y12

0 Y22
0 * Y32

M M
1 Yn2
Igualando a cero la primera derivada y despejando la serie Yt 2

obtenemos:
Yt 2 = ( I + AA) 1Yt1
Posee una serie de caractersticas ideales segn los criterios de
Baxter y King, por ejemplo:
Como el filtro es simtrico, no produce movimientos de fase.

Aproxima bien a un filtro ideal cuando se utiliza un = 1600 para
datos trimestrales.
Produce series estacionarias, cuando stas estn integradas hasta el
orden cuarto.
El mtodo es operacional.
Adolece de los problemas siguientes:
Las ponderaciones van a depender del tiempo, por lo que el filtro

dejar de ser independiente del largo de la serie.
Por construccin el filtro no perder ningn dato al inicio o al final
de la serie. Sin embargo, las propiedades de la serie filtrada en
puntos iniciales y finales es significativamente distinta de un filtro
ideal, no as en los valores intermedios de la misma.
Se relaciona con la eleccin un tanto arbitraria del parmetro .
Para datos con periodicidad anual es una mala aproximacin de un
filtro ideal, por cuanto incluye comportamientos cclicos que debera
omitir y viceversa. Para datos anuales no existe consenso y la
utilizacin del parmetro de suavizacin va desde = 10 hasta =
400.
Abrir CP Proc Hodrick-Prescott Filter
el siguiente resultado:
OK y se muestra
Hodrick-Prescott Filter (lambda=1600)

3000
2500
2000
1500
80
1000
40
500
0
-40
-80
1950 1955 1960 1965 1970 1975 1980 1985
CP
2.-
Trend
Cycle
BAXTER-KING.- su objetivo es encontrar un mtodo til para medir

ciclos econmicos y que ste sea ptimo, por ejemplo, que cumpla con
las especificaciones sobre ciclos asignadas por el investigador.
Su procedimiento se resume en dos pasos: primero se mide el
ciclo, para lo cual el investigador debe especificar ciertas caractersticas
del mismo y posteriormente se le asla, aplicando promedios mviles a
los datos.
Desarrolla 3 tipos de filtro lineal: low-pass, high-pass y
bandpass.
Un filtro de tipo low-pass slo retendr los componentes que se
mueven lento en los datos, esto es, que se producen con frecuencias muy
bajas. Entre menor sea la frecuencia mayor va a ser la cantidad de
perodos que abarca un ciclo.
Un filtro de tipo high-pass equivale a una frecuencia
relativamente alta, por lo que se espera que incluya elementos ms
frecuentes de la serie, como los irregulares o estacionales.
El filtro band-pass son los perodos mnimo y mximo a incluir en
el ciclo, es un tipo de construccin de promedios mviles que asla los
componentes peridicos de una serie de tiempo econmica que cae en
una banda de frecuencias especfica.
La cantidad de rezagos a incluir en el filtro es muy importante,
por cuanto estos definen la precisin de los ponderadores. Segn Baxter
y King, no existe un nmero ideal de rezagos, pero s ocurre que entre
ms rezagos se incorporen en el promedio mvil, mejor ser la
aproximacin con el filtro ideal, a costa de una mayor prdida de datos
por encima y por debajo del valor de inters, aspecto que cobra mayor
importancia al final de la serie. Por ello, la eleccin de k depender en
gran medida de la cantidad de datos disponibles y de lo necesario que
sea aproximar el filtro al ideal.
Este filtro cumple con la mayora de las caractersticas:
es simtrico, por lo que no produce movimientos de fase.

aproxima relativamente bien un filtro ideal.
produce series estacionarias.
es un mtodo operacional.
es superior a otros en la medida que permite introducir la definicin
del investigador del ciclo econmico y no produce variacin en las
propiedades de la variable al final de las series.
Habr una prdida de datos al inicio y al final de la serie igual a

dos veces la cantidad de rezagos que el investigador incluya.
Se recomienda utilizar los siguientes valores de parmetros:
Series anuales
upper =2
lower =8
nma =3
arpad =1
Series trimestrales upper =2
lower =32 nma =12
arpad =4
Series mensuales
upper =2
lower =96 nma =12
arpad=12
Donde:
Upper: nmero de perodos mnimos que se incluirn en el filtro,
correspondientes a frecuencias altas.
Lower: nmero de perodos mximos que se incluirn en el filtro,
correspondientes a frecuencias bajas.
Nma: nmero de promedios mviles (o rezagos ) del filtro.
Arpad: nmero de parmetros autorregresivos que se utilizarn para
sustituir los valores que se pierden al final de la serie, por la
aplicacin de un promedio mvil truncado.
Abrir CP
Proc
Frecuency Filter
(Baxter-King), lag = 12, low = 2, high = 32

siguiente resultado:
Fixed length symmetric (Baxter-King) filter
Fixed length symmetric
OK y se muestra el
Frequency Response Function

3000
1.2
2500
1.0
2000
0.8
80
1500
40
1000
500
0.4
0.2
-40
0.0
-80
1950
-0.2
1955
1960
CP
3.-
0.6
1965
1970
1975
Non-cyclical
1980
1985
Cycle
.0
.1
.2
Actual
.3
.4
.5
cycles/period
Ideal
CHRISTIANO Y FITZGERALD.- es una variante al filtro Baxter-King,

derivan una aproximacin ptima cuando la representacin de los datos
tiene raz unitaria o es estacionario alrededor de una tendencia.
Asimismo, desarrollan una variante cuyas ponderaciones son diferentes
para cada observacin (asimtricas), la cual puede usarse para toda la
muestra ya que no hay prdida de observaciones.
Este filtro de banda est basado en el proceso de generacin de

los datos, el cual suponen que sigue un paseo aleatorio o Random Walk
(RW). Aun el caso que esta representacin no sea verdadera, utilizando
datos macroeconmicos para EE.UU., los autores referidos encuentran
que el desempeo es satisfactorio.
Este filtro presenta ventajas cuando el inters es extraer
componentes para datos de baja frecuencias (donde la eleccin adecuada
de puede ser un problema) y estimar la tendencia y el ciclo en tiempo
real, o sea hasta la ltima observacin. No obstante y al igual que el
filtro Baster-King, la variante de Christiano-Fitzgerald no invalida el
filtro Hodrick-Prescott particularmente para el anlisis estadstico del
ciclo y los componentes de alta frecuencia para datos trimestrales.
Abrir CP Proc Frecuency Filter Fixed length symmetric

(Ghristiano-Fitzgerald), lag = 12, low = 2, high = 32, I(1)-random walk

Fixed length symmetric (Christiano-Fitzgerald) filter
Frequency Response Function

3000
2500
1.2
1.0
2000
0.8
80
1500
40
1000
500
0.0
1955
1960
1965
CP
3.3.
0.4
0.2
-40
-80
1950
0.6
1970
1975
Non-cyclical
1980
1985
.0
.1
.2
Cycle
.3
Actual
.4
.5
cycles/period
Ideal
CICLO
Para extraer y predecir el componente cclico se utiliza el ajuste de funciones
peridicas.
Una funcin peridica es aquella que repite sus valores en el tiempo cada p
periodos y puede venir expresada como:
2p
Yt = A * cos
+
N
1,5
1
A
0,5
0
-0,5 1
15 22 29 36 43 50 57 64 71 78 85 92 99
T
-1
-1,5
donde:
DESFASE = PI/2
1,5
1
A
P
amplitud de la oscilacin.
perodo.
desfase.
nmero total de observaciones.
0,5
0
-0,5 1
-1
-1,5
15 22 29 36 43 50 57 64 71 78 85 92 99
A efectos de ajustar y predecir series cclicas podemos utilizar la expresin

alternativa:
Yt = * cos(0 * p * t ) + * sen(0 * p * t )
0 es lo que se denomina frecuencia bsica y es igual a 2 * / N .
Paso 1: Identificar el nmero de mximos (mnimos) cclicos p y construir las series:
COSPt = cos(2 * 3.1416 / N * p * t )
SENPt = sen(2 * 3.1416 / N * p * t )
Paso 2: Ajustar mediante regresin el modelo:
Yt = 1 * COSPt + 2 * SENPt
Paso 3: Calcular los errores (residuos) y si tienen comportamiento cclico repetir el
proceso aadiendo nuevos trminos al modelo.
Para determinar el valor del periodo p, podramos utilizar, como primera
aproximacin, el nmero de mximos (o mnimos) locales que presenta la serie a
analizar.
4
ANLISIS EN EL DOMINIO DE FRECUENCIAS

Una funcin peridica se repite transcurrido T (perodo), por lo tanto presentar
la mxima correlacin con el retardo T y sus mltiplos enteros. Puede demostrarse que
la autocorrelacin de una funcin peridica es peridica, del mismo perodo que dicha
funcin. Veamos los grficos:
FUNCION DE AUTOCORRELACION
COS(2*PI*@TREND/(200/10))
1.5
1.5
1.0
1.0
0.5
0.5
0.0
0.0
-0.5
-0.5
-1.0
-1.0
-1.5
-1.5
20
40
60
80
100 120 140 160 180 200
-40
-20
20
40
Para visualizar la periodicidad de una serie, tenemos:

1.-
EL PERIODOGRAMA.- se asimila a un sintonizador de un receptor de

radio, as, la serie que observamos sera la seal emitida por una radio y el
periodograma no sera ms que el dial que busca en que frecuencia se oye
mejor la seal emitida.
Modelo que sigue la serie observada:
k
Yt = ( a p cos i t + bi sen i t ) + t
i =1
Asumimos que las frecuencias, i , denominadas Frecuencias de Fourier

son:
i =
2pi
N
pi = 1,..., k
N si N es par
k = (N 1)2
si N es impar
Los parmetros, a y b, se pueden estimar por MCO o bien, de forma

directa como:
2
a p =
N
Yt
t =1 N
Y cos p t
t =1
2
b p =
N
a 0 =
Y sen p t
t =1
Se calcula el periodograma I(w):
I ( p ) =
(a 2p + b p2 )
2 0
El periodograma mide aportaciones a la varianza total de la serie de

componentes peridicos de una frecuencia determinada (w). Si el periodograma
presenta un pico en una frecuencia, indica que dicha frecuencia tiene mayor
importancia en la serie que el resto.
De izquierda. a derecha. aumenta la frecuencia (disminuye el perodo):
1.5
0.0
1.5
1.0
-0.2
1.0
0.5
0.5
-0.4
0.0
0.0
-0.6
-0.5
-0.5
-0.8
-1.0
-1.0
-1.5
-1.0
20
40
60
80
100 120 140 160 180 200
-1.5
20
40
60
80
100 120 140 160 180 200
Ciclo Estacionalidad (Ciclo anual) Irregular
Tendencia
4
0
0
50
100
150
El periodograma est basado en una herramienta matemtica

denominada Transformada de Fourier, segn la cual una serie, que cumpla
determinados requisitos, puede descomponerse como suma de un nmero finito
o infinito de frecuencias. Del mismo modo, a partir de la representacin
frecuencial puede recuperarse la serie original a travs de la Transformada
Inversa de Fourier.
Las series peridicas presenta un periodograma discreto, es decir, solo
existe "masa" espectral en aquellas frecuencias contenidas en la serie, siendo
stas un nmero discreto.
20
1.5
1.0
15
PERDG
0.5
0.0
10
-0.5
5
-1.0
0
-1.5
20
40
60
80
100 120 140 160 180 200
50
100
150
FREC
Las series aperidicas presentan un periodograma contino, es decir,

existe "masa" en un "infinito" nmero de frecuencias.
100
12000
10000
80
8000
PERDG
60
40
6000
4000
20
2000
0
0
20
40
60
80
100 120 140 160 180 200
50
100
150
FREC
Las series estocsticas presentan densidad espectral en un rango

contino de frecuencias.
3
1.4
1.2
1.0
PERDG
1
0
0.8
0.6
-1
0.4
-2
0.2
0.0
-3
20
40
60
80
100
120
140
160
180
200
50
100
150
FREC
2.-
EL ESPECTRO.- o densidad espectral se define para procesos estocsticos

estacionarios como la transformada de Fourier de la funcin de autocovarianza
(teorema de Wiener-Khintchine). Su estimador natural es el periodograma,
antes visto. Como hemos comprobado es un instrumento adecuado para la
deteccin de procesos peridicos puros, sin embargo en el caso de procesos
estocsticos presenta serias limitaciones, las ms importantes son la
inconsistencia y la correlacin asintticamente nula entre ordenadas del
periodograma. Esto implica que no converja al verdadero espectro cuando la
muestra se amplia y que el periodograma muestre un comportamiento errtico.
Los mtodos paramtricos, parten de suponer conocido el PGD, y

modelizado en general a travs de un proceso ARMA, a partir del cual se puede
recuperar una estimacin del espectro.
Si la serie observada responde a un modelo ARMA (p,q):
Yt + a1Yt 1 + a 2Yt 2 + ... + a p Yt p = t + b1 t 1 + b2 t 2 + ... + bq t q

El espectro equivale a:
hY ( ) =
1 + b1e i + b2 e i 2 + ... + bq e iq
1 + a1e i + a 2 e i 2 + ... + a p e ip
2
2
PROCESO ESTOCSTICO
Siempre que estudiamos el comportamiento de una variable aleatoria a lo largo
del tiempo, estamos ante un proceso estocstico. En general, trabajamos con procesos
estocsticos en cualquier caso en que intentamos ajustar un modelo terico que nos
permita hacer predicciones del comportamiento futuro de un proceso.
Si podemos encontrar patrones de regularidad en diferentes secciones de una
serie temporal, podremos tambin describirlas mediante modelos basados en
distribuciones de probabilidad.
1.2.3.-
Tenemos las definiciones siguientes:

La secuencia ordenada de variables aleatorias X(t) y su distribucin de
probabilidad asociada.
Es el modelo matemtico para una serie temporal.
Es una coleccin {Yt; t = 1, 2, , T} de variables aleatorias ordenadas en el
tiempo. {Yt; t T} es un proceso continuo si < t < . Si T is finito, {Yt}
es un proceso discreto.
Cualquier serie de tiempo puede ser generada por un proceso estocstico o

aleatorio; y un conjunto concreto de informacin, puede ser considerado como una
realizacin (particular) del proceso estocstico subyacente. La distincin entre un
proceso estocstico y su realizacin es semejante o la distincin entre la informacin
de corte transversal poblacional y muestral.
PROCESO ESTOCSTICO ESTACIONARIO
Un Proceso Estocstico Discreto (PED) es una sucesin de variables aleatorias
{yt} , donde t= -4, ..., -2, -1, 0, 1, 2, ... 4. Dos ejemplos de PED podran ser: El ruido
blanco y el camino aleatorio.
Consideremos el PED {y-4, ...y1,...yT,...,y4} y centrmonos en dos de sus
miembros: yt y yt-k. Este PED se denomina estacionario de un tipo particular si
determinadas propiedades estocsticas de yt y yt-k no dependen de t y t-k (su ubicacin
absoluta en la secuencia) pero dependen slo de k (su separacin relativa en la

secuencia).
Se tiene los tipos de estacionariedad siguiente:
1.- Estricta: Se verifica si las distribuciones de yt y yt-k (conjunta y marginal) no
dependen de t pero slo de k.
Un proceso estocstico es estacionario en sentido estricto
cuando su funcin de distribucin conjunta es invariante respecto a un
desplazamiento en el tiempo.
Considerando que t1; t2; .... ; tk corresponden a periodos
sucesivos de tiempo que denominamos como t; t + 1;.. ; t + k, entonces:
f ( y t ; yt +1 ;...; yt + k ) = f ( y t + m ; yt +1+ m ;...; yt + k + m )

2.-Dbil:
Se verifica cuando los dos primeros momentos de yt y yt-k dependen

posiblemente de k pero no de t, i.e. E(yt) = E(yt-k) y Var(yt) = Var(yt-k)
y Cov(ytyt-k) depende posiblemente de k pero no de t.
E [Yt ] = Y
Var (Yt ) = Y2
COV Yt1 , Yt2 = E Yt1 Y
)(Y
t2
Y = ( t1 t2
En el caso que las series sean estacionarias en el sentido dbil, se podrn

modelar a travs de un conjunto de especificaciones conocidas como los modelos AR,
MA y ARMA. El objetivo de los mismos es explicar el componente cclico de la serie
(o su componente estacionario) a travs de su pasado por medio de diferentes tipos de
relaciones.
Una serie de tiempo es estacionaria si su distribucin es constante a lo largo del
tiempo; para muchas aplicaciones prcticas es suficiente considerar la llamada
estacionariedad dbil, esto es, cuando la media y la varianza de la serie son constantes
a lo largo del tiempo. Muchas de las series de tiempo que se analizan en Econometra
no cumplen con esta condicin, cuando tienen una tendencia.
5
PRUEBA DE ESTACIONARIEDAD
Existen varias pruebas para verificar estacionariedad y se clasifican en los tipos
siguiente:
5.1.
MTODO DE BOX - JENKINS
El procedimiento para verificar estacionariedad de la serie es:

El examen visual de la trayectoria de la serie a lo largo del tiempo puede dar
una idea de si es o no estacionaria en media. Si existe algn valor en torno al
2
3
cual la serie va oscilando pero sin alejarse de forma permanente de dicho valor,
entonces se puede considerar que la serie es estacionaria en media.
Si los coeficientes de AC no decaen rpidamente sera un indicio claro de que
la serie es no estacionaria.
El primer coeficiente de PAC es significativo (es decir, mayor o igual a 0.9)
entonces la serie es no estacionaria.
Si la serie es no estacionaria, la serie debera someterse a la primera diferencia,

y se volvera a analizar siguiendo los pasos anteriores. De esta forma se continuara
hasta obtener una serie diferenciada de orden d. En la prctica, es suficiente con tomar
d = 1 o d = 2 para obtener una serie estacionaria en media.
EJEMPLO
1
Si observamos el ploteo del consumo personal agregado real se visualiza que no

oscila alrededor de su media, por lo tanto es no estacionaria.
2800
2400
2000
1600
1200
800
400
1950
1955
1960
CP
1965 1970
1975
1980
1985
@MEAN(CP,"1950q1 1988q1")
Segn el correlograma del consumo personal agregado real cae lentamente, por
lo tanto no es estacionaria.
Abrir la serie
12 lag
OK
View
Correlogram...
se marca nivel y se escribe
y se muestra el siguiente resultado:
Sample: 1950Q1 1988Q1

Autocorrelation
.|*******|
.|*******|
.|*******|
.|****** |
.|****** |
.|****** |
.|***** |
.|***** |
.|***** |
.|***** |
.|**** |
.|**** |
Partial Correlation
.|*******|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
AC
1
2
3
4
5
6
7
8
9
10
11
12
0.955
0.911
0.868
0.825
0.786
0.747
0.711
0.677
0.645
0.616
0.590
0.565
PAC
Q-Stat
Prob
0.955
-0.014
-0.014
-0.012
0.008
-0.010
0.006
0.008
0.008
0.011
0.012
0.010
142.33
272.69
391.73
500.15
599.06
689.07
771.12
846.07
914.68
977.69
1035.8
1089.5
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Examinando el primer coeficiente de autocorrelacin parcial del consumo
personal agregado real es significativo (0.955 > 0.9), entonces el ingreso

personal disponible no es estacionario.
Como el consumo personal agregado real no es estacionario, tenemos que
examinar la primera diferencia de la serie y repetir el procedimiento de Box-Jenkins.
1
Si observamos el ploteo de la primera diferencia del consumo personal

agregado real se visualiza que oscila alrededor de su media, por lo tanto es
estacionaria.
60
40
20
0
-20
-40
-60
1950
1955 1960
D(CP)
1965 1970
1975
1980
1985
@MEAN(D(CP),"1950q1 1988q1")
Obtenemos el correlograma de la primera diferencia del consumo personal

agregado real se obtiene siguiendo la instruccin siguiente:
View Correlogram... se marca 1st difference

escribe 12 lag OK y se muestra el siguiente resultado:
Abrir la serie
y se
Sample: 1950Q1 1988Q1

Autocorrelation
.|**
.|**
.|**
.|*
.|.
.|*
.|.
*|.
.|.
.|.
.|.
*|.
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
.|**
.|*
.|*
.|*
*|.
.|.
.|.
**|.
.|.
.|.
.|.
.|.
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
12
AC
PAC
Q-Stat
Prob
0.204
0.223
0.217
0.165
0.021
0.077
0.049
-0.151
0.018
-0.011
-0.023
-0.072
0.204
0.189
0.153
0.075
-0.089
0.013
0.010
-0.193
0.058
0.023
0.021
-0.046
6.4803
14.251
21.681
26.010
26.082
27.021
27.408
31.104
31.156
31.176
31.267
32.134
0.011
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001
De la observacin del grfico podemos deducir que la primera diferencia del

consumo personal agregado real es estacionaria.
3
Examinando el primer coeficiente de autocorrelacin parcial de la primera

diferencia del consumo personal agregado real no es significativo (0.204 < 0.9),
entonces la primera diferencia del consumo personal agregado real es
estacionaria.
Por lo tanto, la primera diferencia del consumo personal agregado real es

estacionaria.
5.2.
PRUEBA DE RAZ UNITARIA

Las series de tiempo no estacionarias que presentan races unitarias son un caso
muy especial de las series no estacionarias, tanto por su frecuencia en economa como
por lo que se conoce de sus propiedades estadsticas; en los ltimos aos se ha
realizado una gran cantidad de trabajos para el diseo de pruebas de hiptesis de que
una serie tiene races unitarias.
Consideremos el siguiente modelo:
donde u es el trmino de error estocstico que sigue los supuestos clsicos, a saber:
Yt = Yt 1 + ut
(1)
tiene media cero, varianza constante (

) y no est autocorrelacionada; es decir, el
trmino de error es ruido blanco.
Si el coeficiente de t 1 es en realidad igual a 1, surge lo que se conoce como

el problema de raz unitaria, o sea, una situacin de no estacionariedad. En
econometra, una serie de tiempo que tiene una raz unitaria se conoce como un
camino aleatorio. Por lo tanto, se estima la regresin:
Yt = Yt 1 + ut
y se encuentra que
raz unitaria.
=1
(2)
, entonces se dice que la variable estocstica
Yt
tiene una
5.2.1. DICKEY FULLER NORMAL

De modo que podemos contrastar la hiptesis de no estacionareidad probando
la hiptesis nula = 1 contra la alternativa || < 1 o simplemente < 1.
Si restamos
Yt 1
en ambos miembros de la ecuacin (2), queda:
Yt Yt 1 = Yt 1 Yt 1 + ut
y sacando factor comn, resulta:
Yt = ( 1)Yt 1 + ut
Yt = Yt 1 + ut
Entonces, tendramos la siguiente implicacin con la prueba de hiptesis:
H0 : = 1 H0 : = 0
H0 : < 1 H0 : < 0
Cuando las series en una regresin no son estacionarias, el uso del estadstico t
para contrastar hiptesis = 0 es inadecuado pues este no sigue la distribucin t
Student. Esta tabla es limitada, pero Mac Kinnon prepar tablas ms extensas, que
estn incorporadas en el Eviews.
Adems de probar si una serie es una caminata aleatoria, Dickey y Fuller
desarrollaron tambin valores crticos para la presencia de una caminata aleatoria con
desplazamiento y con tendencia determinstica, es decir bajo tres distintas hiptesis
nulas:
Yt = Yt 1 + t
Yt = 0 + Yt 1 + t
Yt = 0 + Yt 1 + 2 t + t
Series como Yt , las cuales se convierten en estacionarias despus de tomar la
primera diferencia, se conocen como integradas de orden 1 y se designa como I(1).
Las series estacionarias son series integradas de orden 0, I(0).
En general, si una serie debe ser diferenciada d veces para alcanzar
estacionaridad se dice que es integrada de orden d o I(d).
5.2.2. DICKEY FULLER AUMENTADO
Al realizar la prueba de DF se supuso que el trmino de error t no estaba
correlacionado.
Dickey y Fuller, Said y Dickey (1984), Phillips y Perron (1988) y otros,
desarrollaron modificaciones de las pruebas de Dickey y Fuller cuando t , no es

ruido blanco. Se conocen con el nombre de pruebas aumentadas de Dickey y
Fuller.
No todos los procesos de series de tiempo pueden ser representadas por un
proceso autoregresivo de primer orden. Considerando un proceso autoregresivo de
orden p, como:
yt = 0 + 1 yt 1 + 2 yt 2 +....+ p yt p + t
adicionando y sustrayendo el trmino
p yt p +1
, nos resulta:
yt = 0 + yt 1 + i yt i +1 + t
i =2
donde,
Donde
i =1
= 1 i
y i = j .
j =i
t es un trmino de error puro con ruido blanco. El nmero de trminos de
diferencia rezagados que se debe incluir, con frecuencia se determina de manera

emprica, siendo la idea incluir los trminos suficientes para que el trmino de error
no est serialmente relacionado.
Considerando las tres posibilidades tenemos:
p
yt = yt 1 + i yt i +1 + t
i =2
p
yt = 0 + yt 1 + i yt i +1 + t
i =2
p
yt = 0 + yt 1 + i yt i +1 + 2 t + t
i =2
En la DFA se sigue probando = 0 y adems esta prueba sigue la misma

distribucin asinttica que el estadstico DF, por lo que se puede utilizar los mismos
valores crticos.
Para elegir p se tiene los siguientes criterios:
1)
2)
3)
Incluir retardos de Yt hasta que el error sea ruido blanco.

Incluir retardos de Yt significativos.
Utilizar AIC, SBC, etc. (information criteria), para elegir p.
Sin embargo, la prueba de Dickey-Fuller es frgil siempre hay que utilizar

informacin adicional (inspeccin visual de la serie, sentido comn, historia, teora)
antes de aceptar o rechazar lo que sugiere la prueba de Dickey-Fuller
Si hay variables innecesarias en la regresin, es ms difcil rechazar la hiptesis
nula (existencia de raz unitaria) cuando en realidad es < 0 . Por consiguiente,
existen tres pruebas:
1)
2)
3)
5.2.3.
Sin la constante y sin el trmino de tendencia.

Con la constante pero sin el trmino de tendencia.
Con la constante y el trmino de tendencia.
PRUEBA DE PHILLIPS - PERRON

Phillips y Perron (1988) proponen una alternativa (no paramtrico) mtodo de
control de la correlacin serial cuando se realiza la prueba de raz unitaria. Al igual
= 1 en la
que la prueba ADF, la prueba PP es una prueba de hiptesis sobre
ecuacin:
Yt = + Yt 1 + t + t
y modifica el t del coeficiente de modo que la correlacin serial no afecta la

distribucin asinttica de la prueba estadstica. La prueba PP se basa en la
estadstica:
( ( ))
2 T ( f 0 0 ) se
~
t = t 0
1
f0
2 f0 2 s
1
()
donde se es el error estndar de coeficiente , s es el error estndar de la

regresin de la prueba, 0 es una estimacin consistente de la varianza del error
(calculado como (T k )s 2 / T , donde k es el nmero de regresores) y f 0 es un
estimador del espectro residual en la frecuencia cero.
Hay dos opciones que usted tendr que hacer para realizar la prueba PP. En
primer lugar, debe decidir si incluir una constante, una constante y una tendencia en
el tiempo lineal, o ninguno, en la regresin de la prueba. En segundo lugar, usted
tendr que elegir un mtodo para estimar f 0 . Eviews apoya estimadores para f 0
basados en el ncleo basado en suma-de-covarianzas, o sobre estimacin de la
densidad espectral autorregresivos.
La distribucin asinttica de la relacin de PP es la misma que la de la
estadstica de ADF.
La hiptesis nula del test de Phillips-Perron es la trayectoria de raz unitaria con
tendencia y la alternativa la estacionariedad con tendencia, si el valor t-Student
asociado al coeficiente de Yt 1 es mayor en valor absoluto al valor crtico de
MacKinnon, se rechaza la hiptesis de existencia de raz. La distribucin asinttica
de la prueba PP es la misma que la prueba DFA.
5.2.4.
PRUEBA
DE DICKEY FULLER CON ELIMINACION DE LA
TENDENCIA (DFGLS)
En los test anteriores, se puede optar por incluir una constante, o una constante
y una tendencia en el tiempo lineal, en la prueba de regresin ADF. Para estos dos
casos, el ERS (1996) proponen una simple modificacin de las pruebas de ADF en el
que los datos son sin tendencias a fin de que las variables explicativas son "sacadas"
de los datos antes de ejecutar la prueba de regresin.
ERS define una cuasi-diferencia de Yt que depende del valor que representa la
alternativa punto concreto contra el que deseamos probar la hiptesis nula:
Yt
D (Yt a ) =
Yt aYt 1
if t = 1
if t > 1
Se considera una regresin de MCO de la cuasi-diferenciada de datos D(Yt a )
sobre la cuasi-diferenciados D (X t a ), es decir:

D (Yt a ) = D ( X t a ) (a ) + t
que X t contiene ya sea una constante, o una constante y la tendencia, y (a ) son las
estimaciones de MCO de esta regresin.
Todo lo que necesitamos ahora es un valor para a . ERS recomienda el uso de
a = a , cuando:
1 7
if X t = {1}
T
a=
1 13.5 T if X t = {1, t}
Definimos ahora el GLS sin tendencia de datos Yt d , utilizando las estimaciones
relacionadas con a :
Yt d = Yt X t (a )
Entonces la prueba DFGLS consiste en calcular la ecuacin siguiente:
Yt d = Yt d1 + 1 Yt d1 + ..... + p Yt d p + t
Si bien el DFGLS que es el ratio t sigue una distribucin de Dickey-Fuller, en
el caso de nica constante, la distribucin asinttica es diferente cuando se incluyen
tanto una constante y tendencia. ERS simula los valores crticos de la estadstica de
prueba en este escenario para T = {50,100,200, }. La hiptesis nula es rechazada por
los valores que caen por debajo de estos valores crticos.
5.2.5.
PRUEBA DE KWIATKOWSKI, PHILLIPS, SCHMIDT, Y SHIN (KPSS)

La prueba KPSS (1992) difiere de las otras pruebas de raz unitaria, en que la
serie se supone que es estacionaria bajo la hiptesis nula. La estadstica KPSS se
basa en el los residuos de la regresin de MCO de Yt en las variables exgenas X t :
Yt = X t + ut
El estadstico LM es definido como:
T
LM = S (t ) / T 2 f 0
2
t =1
donde f 0 , es un estimador del espectro residual en la frecuencia cero y en caso de

S (t ) es una funcin residual acumulativa:
t
S (t ) = ur
r =1
sobre la base de los residuos ut = Yt X t(0) . Se seala que el estimador de

utilizado en este clculo difiere del estimador utilizado para GLS con eliminacin
de la tendencia, ya que se basa en una regresin con los datos originales y no en la

cuasi-datos diferenciados.
Para especificar la prueba KPSS, debe especificar el conjunto de regresores
exgenos X t y un mtodo para la estimacin de f 0 . Los valores reportados crtico
para la estadstica de prueba LM se basan en los resultados presentados en KPSS
asinttica.
5.2.6.
PRUEBA DE ELLIOT, ROTHENBERG, AND STOCK POINT OPTIMAL

(ERS)
El estudio del punto ptimo de ERS se basa en la cuasi-regresin de
diferenciacin que se define:
D (Yt a ) = D (X t a ) (a ) + t
Definir los residuos de la ecuacin como t (a ) = D (Yt a ) D (X t a ) (a ) , y dejar

T
que SSR(a ) = t2 (a ) sea la suma de los residuos al cuadrado. El ERS (posible) el

t =1
punto ptimo de la estadstica de prueba de la hiptesis nula que a = 1 frente a la

alternativa que a = a , es definido como:
PT = (SSR(a ) a SSR(1))
f0
donde f 0 , es un estimador del espectro residual en la frecuencia cero.
Para calcular la prueba de ERS, debe especificar el conjunto de regresores
exgenos X t y un mtodo para estimar f 0 . Los valores crticos para la estadstica de
prueba ERS se calculan por interpolacin de los resultados de la simulacin prevista
por el ERS para T = {50,100,200, }.
5.2.7.
PRUEBA DE NG Y PERRON (NP)

Ng y Perron (2001) construye cuatro pruebas estadsticas que se basan en los
datos del GLS sin tendencia Yt d . Estas pruebas estadsticas modifican las formas del
estadstico Phillips y Perron Z a y Z t , el estadstico Bhargava (1986) R1 y el
estadstico ERS punto ptimo. En primer lugar, definimos el trmino:
= (Yt d1 ) / T 2
T
t =2
Las estadsticas modificadas puede escribirse como:
( )
MZ ad = T 1 YTd
f 0 / (2 )
MZ = MZ a MSB
d
t
MSB = ( / f 0 )
( ))
( ))
c 2 c T 1 YTd 2 / f 0
MP = 2
2
c + (1 c )T 1 YTd / f 0
d
T
donde:
if X t = {1}
if X t = {1, t}
if X t = {1}
7
c =
13.5 if X t = {1, t }
Las pruebas NP requieren una especificacin para X t y la eleccin de un

mtodo para la estimacin de f 0 .
5.2.8.
CRTICAS DE LAS PRUEBAS DE RAZ UNITARIA

Existen varias pruebas de raz unitaria porque difieren en el tamao y potencia
de dichas pruebas.
Por tamao de la prueba se quiere entender el nivel de significancia (es decir, la
probabilidad de cometer error de tipo I) y por potencia de una prueba se entiende la
probabilidad de rechazar la hiptesis nula cuando es falsa.
La potencia de una prueba se calcula restando la probabilidad de un error de
tipo II de uno.
La mayora de las pruebas del tipo DF tienen poco poder; es decir, tienden
aceptar la nulidad de la raz unitaria con ms frecuencia de la que se garantiza. En
otras palabras, estas pruebas pudieran encontrar una raz unitaria, aunque sta no
exista.
Perron (1989) sostuvo que los tradicionales test de raz unitaria (Dickey-Fuller,
Dickey-Fuller Aumentado y Phillips-Perron) tenan poco poder para diferenciar una
trayectoria de raz unitaria de una estacionaria cuando haba cambio estructural. En
consecuencia, como estos test estaban sesgados hacia el no rechazo de la hiptesis
nula de raz unitaria, a menudo se rechazaba incorrectamente la hiptesis alternativa
de estacionariedad. Perron encontr, por ejemplo, que las series de agregados
macroeconmicos y financieros utilizados por Nelson y Plosser (1982) eran en su
mayora estacionarias con cambio estructural, en oposicin a lo que los citados
autores sealaban.
5.2.9.
EJERCICIO
Considerando el consumo personal agregado real y observando su ploteo con la
media, deducimos que tiene tendencia e intercepto, adems consideramos cuatro
rezagos y el criterio Schwarz para elegir el retardo ptimo.
Se obtiene los resultados siguientes:
Tipo de Test
Estadstico
t
Valor crtico
1%/5%
NIVELES
Hiptesis Nula: Existe raz unitaria (no estacionaria)
Dickey-Fuller Aumentado (ADF)
-1.117406 -4.019561 / -3.439658
Elliott-Rothenberg-Stock (DF-GLS)
-0.809523
-3.520000 / -2.980000
Phillips-Perron (PP)
-1.451289
-4.019561 / -3.439658
Elliott-Rothenberg-Stock punto ptimo.
94.95858
4.148700 / 5.650600
Hiptesis Nula: No existe raz unitaria (estacionaria)
Kwiatkowski-Phillips-Schmidt-Shin
0.289358
0.216000 / 0.146000
Existe Raz
Unitaria?
Nivel de significancia
1%
5%
SI
SI
SI
NO
SI
SI
SI
NO
SI
SI
Por lo tanto, el consumo personal agregado real es no estacionaria, es decir,

tiene raz unitaria. Ahora debemos seguir el mismo procedimiento con la primera
diferencia.
Observando el ploteo de la primera diferencia del consumo personal agregado
real con su media, concluimos que no tiene tendencia y si tiene intercepto
(t=11.78070 > 2), adems consideramos cuatro rezagos y el criterio Schwarz para
elegir el retardo ptimo.
Obtenemos los siguientes resultados:
Tipo de Test
Estadstico
t
Valor crtico
1%/5%
PRIMERA DIFERENCIA
Hiptesis Nula: Existe raz unitaria (no estacionaria)
Dickey-Fuller Aumentado (ADF)
-4.625715 -3.474567 / -2.880853
Elliott-Rothenberg-Stock (DF-GLS)
-4.546566
-2.580574 / -1.942982
Phillips-Perron (PP)
-10.75407
-3.473967 / -2.880591
Elliott-Rothenberg-Stock punto ptimo.
0.935116
1.929200 / 3.141200
Hiptesis Nula: No existe raz unitaria (estacionaria)
Kwiatkowski-Phillips-Schmidt-Shin
0.496796
0.739000 / 0.463000
Existe Raz
Unitaria?
Nivel de significancia
1%
5%
NO
NO
NO
SI
NO
NO
NO
SI
NO
NO
Por lo tanto, la primera diferencia del consumo personal agregado real es

estacionaria, es decir, el consumo personal agregado real es integrado de orden uno.
6
CAMBIO ESTRUCTURAL
Nos interesa evaluar la presencia de un cambio en alguno de los elementos
determinsticos que caracterizan a la serie: el intercepto, y/o la tendencia. Es decir,
tenemos los modelos siguientes:
Yt = 0 + 1 Dt + u t
Yt = 0 + 1t + 2 Dt t + u t
Yt = .0 + 1 Dt + 2 t + 3 Dt t + u t
Zivot y Andrews (1992) elaboraron un test en la que la fecha del punto de
quiebre era determinada endgenamente. Con esta finalidad se desarrollo un programa

preparado para E-Views , correspondiente al test de Z&A, realizado de manera
secuencial, esto ltimo se refiere a que el programa evala la posible presencia de
quiebre estructural en cada observacin de la serie analizada (genera variables
Dummy a partir de la 75ava observacin y termina en la observacin N-75).
Zivot & Andrews elaboraron un test en el que se diferencia una trayectoria de
raz unitaria de una estacionaria cuando haba cambio estructural, debido a que los
tradicionales test ADF y PP estaban sesgados hacia el no rechazo de la hiptesis nula
de raz unitaria, puesto que a menudo se rechazaba incorrectamente la hiptesis
alternativa de estacionariedad. La hiptesis nula es la presencia de raz unitaria con
tendencia y la alternativa, la de estacionariedad con tendencia y cambio estructural (en
el nivel y/o pendiente).
Zivot y Andrews presentan un grfico F con tres lneas: La lnea roja (FT)
muestra el resultado del test F aplicado secuencialmente, para posibles quiebres en
tendencia, la lnea verde (FM), muestra el mismo test, pero para posibles quiebres en
media, la lnea azul (F) es el test F, para ambos casos; se observa la lnea que alcanza
valores ms altos, por lo que podemos concluir que existe evidencia de un POSIBLE
quiebre (en tendencia, media o ambos), o dicho de otra forma, si existe quiebre en la
serie (y no raz unitaria), este sera quiebre (en tendencia, media o ambos) y estara
alrededor de tal observacin.
Asimismo, se presentan tres grficos en la que se plotean por un lado, la
trayecoria de la distribucin t o ts de Zivot, y por el otro los valores de la distribucin
t crtico; si el valor t-Zivot cruza los valores crticos (VCRIT), existe suficiente
evidencia estadstica para rechazar la hiptesis nula de raz unitaria, por lo que la(s)
serie(s) evaluadas muestra una trayectoria de raz unitaria. Contrariamente, si la
distribucin de valores t Zivot no cruza el t crtico, no existe evidencia para rechazar la
hiptesis nula de raz unitaria (no estacionariedad).
6.1.
EJERCICIO
Considerando el consumo personal agregado real y aplicando el programa de
Zivot y Andrews, nos da el resultado siguiente:
GRFICO N01
GRFICO N02
18000
-1
16000
-2
14000
12000
-3
10000
8000
-4
6000
4000
-5
25
50
75
100
FT
125
150
30
40
50
FM
70
80
ZIVOTM
GRFICO N03
-1.5
60
90 100 110 120 130

VCRITM
GRFICO N04
-2.0
-2.4
-2.0
-2.8
-2.5
-3.2
-3.0
-3.6
-4.0
-3.5
-4.4
-4.0
-4.8
-5.2
-4.5
30
40
50
60
70
ZIVOTT
80
90 100 110 120 130

VCRITT
30
40
50
60
70
ZIVOT
80
90 100 110 120 130

VCRIT
Como se aprecia en el grfico N 01, existe un posible quiebre estructural en

tendencia y en los otros tres grficos, los valores t Zivot no cruzan el t crtico, no existe
evidencia para rechazar la hiptesis nula de raz unitaria (no estacionariedad).

7
MODELOS UNIVARIANTES DE SERIES DE TIEMPO

La serie temporal es explicada por los valores pasados de dicha serie y un
cierto trmino de error y su pasado.
Se asume que la perturbacin es generada por un proceso de ruido blanco, es
decir:
E ( t ) = 0 , Var ( t ) = 2 , Cov ( t t k ) = 0
k 0.
Tenemos los siguientes modelos:

1
Modelo de Media Mvil de orden q.-
El proceso t queda descrito completamente por una suma ponderada de

los errores actuales y pasados. Es decir, cada observacin de la serie es
generada por una media ponderada de perturbaciones aleatorias con un retardo
de q periodos. Escribimos el modelo MA(q) as:
Yt = u + t 1 t 1 2 t 2 ..... q t q
en forma simplificada es:
Yt = u + ( B) t
donde B es un operador de cambio hacia atrs (impone un retardo temporal de
un periodo cada vez que se aplica a una variable).
Este proceso seala que la influencia sobre la variable
esencialmente por errores.
La media del proceso es el intercepto (
Yt
es
E (Yt ) = u ) y la varianza es:
Var (Yt ) = 2 (1 + 12 + 22 +.....+ q2 )

Si
Yt
es la realizacin de un proceso aleatorio estacionario, es preciso
que la
i =1
2
i
sea convergente a medida que q llega a ser infinitamente grande,
entonces los i son cada vez menores a medida que aumenta i. Esto implica
que si el proceso es estacionario su funcin de autocorrelacin

medida que aumenta k.
1.1.
k decrece a
MA(1)
Yt = u + t 1 t 1
las caractersticas del proceso son:
E(Yt ) = u
0 = 2 (1 + 12 )
1 = 1 2
K = 0 K > 1.
siendo la condicin de invertibilidad

autocorrelacin es:
1 =
1
1 + 12
1 < 1
. La funcin de
K = 0 K
> 1.
y la funcin de autocorrelacin parcial es:
( ) (1 )
=
K
presenta
un
*
K
decrecimiento
2
1
1 2 K+ 2
exponencial
porque
. Los
1 < 1
correlogramas
elogramas de un proceso de promedio mvil de primer orden son:
1.2.
MA(2)
1-1 2-22
E(Yt ) = u
0 = 2 (1 + 12 + 22 )
1 = 1 (1 2 ) 2
K = 0
2 = 2 2
K > 2.
siendo la condicin de invertibilidad:
2 + 1 < 1
2 1 < 1
2 < 1
La funcin de autocorrelacin es:
1 (1 2 )
2
2 =
2
2
1+ 1 + 2
1+ 12 + 22
K = 0
K > 2.
1 =
Los correlogramas de un proceso de promedio mvil de segundo

orden son:
La funcin de autocorrelacin se anula para retardos superiores a

q, mientras que la funcin de autocorrelacin parcial presenta un
decrecimiento rpido de tipo exponencial y / o sinusoidal.
Modelo de Autoregresivo de orden p.El proceso
Yt
depende de una suma ponderada de sus valores pasados y
de un trmino de error. Es decir, la observacin actual ( t ) es generada por

una media ponderada de observaciones anteriores que se remontan p periodos
en el pasado, junto con una perturbacin aleatoria correspondiente al periodo
actual. El modelo AR(p) sera:
Yt = + 1Yt 1 + 2Yt 2 +.....+ pYt

( B)Yt = + t
Los valores anteriores, pueden estar incluyendo
tendenciales, cclicos, y / o estacionales de la serie.
los
factores
La media del proceso es:
u = E (Yt ) =
1 1 2 ..... p
p
Para que la media del proceso sea finita es necesario que la

diferente a uno.
2.1.
i =1
sea
AR(1)
Yt = + 1Yt 1 + t
u=
1 1
2
0 =
1 12
1 = 1 0
2 = 12 0
......... K = 1K 0
siendo la condicin de estacionariedad

autocorrelacin es:
k = 1K
1 < 1
. La funcin de
1* = 1
K* = 0
K = 2, 3,
Los correlogramas de un proceso autorregresivo de primer orden

son:
2.2.
AR(2):
Yt = + 1Yt 1 + 2 Yt 2 + t
u=
0 = 1 1 + 2 2 + 2
1 1 2
1 = 1 K1+ 2 K 2
K > 0
siendo la condicin de estacionariedad:

2 + 1 < 1
2 1 < 1
2 < 1
La funccin de autocorrelacin es:

1 =
1
1 2
K = 1 K 1 + 2 K 2
K >1

1* =
1
1 2
*2 = 2
*K = 0
K>2
La funcin de autocorrelacin presenta un decrecimiento rpido

de tipo geomtrico puro, y geomtrico con alteracin de signos,
sinusoidal o mezcla de varios tipos, mientras que la funcin de
autocorrelacin parcial se anula para retardos superiores a dos.
Los correlogramas de un proceso autorregresivo de segundo
orden son:
El proceso tiene una memoria infinita, es decir, el valor actual del

proceso ( Yt ) depende de todos los valores pasados, aunque el grado de
esta dependencia disminuye con el tiempo.
Para cualquier proceso autoregresivo estacionario, sea del orden

que sea, existe un proceso de media mvil de orden infinito equivalente.
3
Modelo de Autoregresivo de Media Mvil de orden (p,q).En estos modelos el proceso Yt es una funcin tanto de los errores
pasados como de sus valores pasados, as como de un trmino de error
correspondiente al periodo presente. Es decir, la observacin actual ( Yt ) es
generada por una media ponderada de observaciones anteriores que se
remontan p periodos en el pasado y una media ponderada de perturbaciones
aleatorias con un retardo de q periodos, junto con una perturbacin aleatoria
correspondiente al periodo actual. El modelo ARMA(p,q) se escribe:
Yt = + 1Yt 1 + 2Yt 2 + .....+ pYt p + t 1 t 1 2 t 2 ..... q t q
( B)Yt = + ( B) t

La media del proceso es:
u = E (Yt ) =
1 1 2 ..... p
P
Para que la media del proceso sea finita es necesario que la
i =1
sea
diferente a uno.
ARMA(1,1)
Yt = + 1Yt 1 + t 1 t 1
u=
1 1
1 + 12 2 1 1 2
0 =
1 12
1 = 1 0 - 1 2
K = 1 k 1
K >1
siendo la condicin de estacionariedad 1 < 1 y 1 < 1 . La funcin de

autocorrelacin es:
(1 1 1 )( 1 1 )
1 =
K = 1 K1 K > 1
1 + 12 2 1 1
Tanto la funcin de autocorrelacin y la funcin de autocorrelacin
parcial presenta a los primeros valores iniciales que no tienen un patrn fijo y
van seguidos de una mezcla de oscilaciones sinusoidales y / o exponenciales

amortiguadas.
El proceso tiene una memoria infinita, es decir, el valor actual del
proceso ( Yt ) depende hasta el periodo q de ambos procesos (media mvil y
autoregresivo) y despus del retardo q solamente depende del proceso
autoregresivo.
4
PROCESO ESTOCSTICO NO ESTACIONARIO

En la prctica, muchas de las series temporales con las que trabajamos
son no estacionarias, de forma que las caractersticas del error se modifican con
el transcurso del tiempo. Recordemos que la serie no estacionaria se puede
transformar en estacionaria diferencindola una o varias veces.
4.1. MODELOS ARIMA

Un proceso integrado es aquel que puede convertirse en estacionario
aplicando diferencias. As, por ejemplo, un camino aleatorio sera un proceso
integrado de orden 1 (I(1)), ya que puede convertirse en estacionario tomando
primeras diferencias.
Definimos el orden de integracin de un proceso como el nmero de
diferencias que debemos aplicarle para convertirlo en estacionario.
En el contexto de las series econmicas los rdenes de integracin ms
frecuentes son 1 2 I(1) I(2). En algunas ocasiones las diferencias deben
aplicarse sobre el valor estacional.
Tenemos los siguientes modelos:
1
Modelo Integrado de Media Mvil de orden (0,d,q).El proceso d Yt queda descrito completamente por una suma
ponderada de los errores actuales y pasados. Es decir, cada observacin
de la serie diferenciada es generada por una media ponderada de
perturbaciones aleatorias con un retardo de q periodos.
Escribimos el modelo IMA(0,d,q) as:
d Yt = u + t 1 t 1 2 t 2 ..... q t q
d Yt = u + ( B) t
donde B es un operador de cambio hacia atrs (impone un retardo

temporal de un periodo cada vez que se aplica a una variable).
Modelo de Autoregresivo Integrado de orden (p,d,0).El proceso d Yt depende de una suma ponderada de sus valores
pasados y de un trmino de error. Es decir, la observacin actual ( d Yt )
es generada por una media ponderada de observaciones anteriores que se
remontan p periodos en el pasado, junto con una perturbacin aleatoria
correspondiente al periodo actual.
El modelo ARI(p,d,0) sera:
d Yt = + 1 d Yt 1 + 2 d Yt 2 + .....+ p d Yt p + t
( B) d Yt = + t
3
Modelo de Autoregresivo Integrado de Media Mvil de orden (p,d,q).En estos modelos el proceso d Yt es una funcin tanto de los
errores pasados como de sus valores pasados, as como de un trmino de
error correspondiente al periodo presente. Es decir, la observacin actual
( d Yt ) es generada por una media ponderada de observaciones anteriores
que se remontan p periodos en el pasado y una media ponderada de
perturbaciones aleatorias con un retardo de q periodos, junto con una
perturbacin aleatoria correspondiente al periodo actual.
El modelo ARIMA(p,d,q) se escribe:
d
Yt = + 1 Yt 1 + 2 Yt 2 + . . . . .+ p Yt p + t 1 t 1 2 t 2 . . . . . q t q
( B) d Yt = + ( B) t
Lo que se hace cuando se posee una serie no estacionaria, es
trabajar con la serie diferenciada (modificada a estacionaria),
identificando un modelo para esta serie. Si se ha llevado un anlisis de
prediccin para las series diferenciadas, es sencillo traducir las
predicciones obtenidas para estas series en predicciones para las series
originales.
METODOLOGA DE BOX JENKINS
8.1.
IDENTIFICACIN
I.-
Serleccionar d
1
Ploteo de la serie con respecto a su media.Cuando la serie muestra una tendencia persistente o bien deambula hacia
arriba o hacia abajo sin mostrar afinidad hacia un nivel determinado, ser una
serie no estacionaria en media.
Correlograma de la serie.Si los coeficientes de la funcin de autocorrelacin no decaen

rpidamente sera un indicio claro de que la serie es no estacionaria.
Primer Coeficiente Autocorrelacin Parcial.Si el primer coeficiente de autocorrelacin parcial es significativo ( 0.9 )
entonces la serie es no estacionaria.
Si la serie es no estacionaria sera necesario en general tomar alguna
diferencia.
Las consecuencias de aplicar un nmero de diferencias mayor que el
necesario han sido que el modelo sea no invertible y con una varianza mayor que
si se hubiera aplicado un nmero de diferencias correcto. Sin embargo, siempre
ser estacionario.
Si al estimar un modelo, en la parte de medias mviles se obtiene alguna
o algunas races cercanas a uno sera indicativo de que ha existido
sobreidentificacin de la serie.
Para elegir la diferenciacin adecuada se calcula la varianza de la serie
original y de la serie sometida a diferentes diferenciaciones, tomndose la
diferencia para la cual la varianza es mnima.
EJEMPLO:
Para identificar el modelo se considerar la serie Indice de Precio al Consumidor
(IPC) y la informacin que se tiene es de enero de 1986 a diciembre de 1997.
Esta informacin se dividir de la siguiente manera:
Perodo de retardo
1986:01 - 1989:12
Perodo de estimacin
1990:01 - 1996:12
Perodo de prediccin
1997:01 - 1997:12
Lo primero que tenemos que hacer es cambiar la muestra al perodo de
estimacin, con la instruccin siguiente: SMPL 1990:01 1996:12
y se empieza el anlisis:
1
El ploteo del indice de precio al consumidor es:

130
120
110
100
90
80
90
91
IPC
92
93
94
95
96
@MEAN(IPC,"1990:01 1996:12")
Oteando el grfico se puede concluir que el IPC no es estacionario.

2
En el Eview se obtiene el correlograma del indice de precio al consumidos y nos

da:
Correlogram of IPC
==============================================================
Sample: 1990:01 1996:12
==============================================================
Autocorrelation Partial Correlation
AC PAC
Q-Stat
Prob
==============================================================
. |*******|
. |*******|
1
0.966 0.966
81.167
0.000
. |*******|
.|.
|
2
0.932 -0.014
157.63
0.000
. |*******|
.|.
|
3
0.897 -0.027
229.36
0.000
. |*******|
.|.
|
4
0.861 -0.030
296.35
0.000
. |****** |
.|.
|
5
0.825 -0.034
358.55
0.000
. |****** |
.|.
|
6
0.788 -0.022
416.07
0.000
. |****** |
.|.
|
7
0.752 -0.004
469.18
0.000
. |****** |
.|.
|
8
0.716 -0.033
517.90
0.000
. |***** |
.|.
|
9
0.681 -0.002
562.54
0.000
. |***** |
.|.
|
10
0.647 0.005
603.44
0.000
. |***** |
.|.
|
11
0.613 -0.031
640.64
0.000
. |****
|
.|.
|
12
0.579 -0.027
674.23
0.000
. |****
|
.|.
|
13
0.546 0.002
704.53
0.000
. |****
|
.|.
|
14
0.512 -0.037
731.58
0.000
. |****
|
.|.
|
15
0.478 -0.023
755.51
0.000
. |***
|
.|.
|
16
0.444 -0.030
776.42
0.000
. |***
|
.|.
|
17
0.409 -0.025
794.48
0.000
. |***
|
.|.
|
18
0.375 -0.024
809.85
0.000
. |***
|
.|.
|
19
0.341 -0.007
822.79
0.000
. |**
|
.|.
|
20
0.308 -0.032
833.47
0.000
==============================================================
De la observacin del grfico podemos deducir que el IPC no es

estacionaria.
3
Examinando el primer coeficiente de autocorrelacin parcial del indice de precio

al consumidor es significativo (0.966 > 0.9), entonces el IPC no es estacionario.
Como el indice de precio al consumidor no es estacionario, tenemos que

examinar la primera diferencia de la serie y repetir el procedimiento de Box - Jenkins.
1
Si observamos el ploteo de la primera diferencia del IPC se visualiza que oscila

alrededor de su media, por lo tanto es estacionaria.
2.0
1.5
1.0
0.5
0.0
-0.5
90
91
92
93
94
95
96
D(IPC)
@MEAN(D(IPC),"1990:01 1996:12")
Obtenemos el correlograma de la primera diferencia del IPC siguiendo la

instruccin siguiente:
Abrir la serie View Correlogram... se marca 1st difference y se
escribe 20 lag OK
y se muestra el siguiente resultado:
Correlogram of D(IPC)
==============================================================
Sample: 1990:01 1996:12
==============================================================
AC
PAC
Q-Stat
Prob
==============================================================
. | .
|
. | .
|
1
0.046
0.046
0.1826
0.669
**| .
|
**| .
|
2
-0.198 -0.200
3.6207
0.164
.*| .
|
. | .
|
3
-0.066 -0.048
4.0047
0.261
. | .
|
.*| .
|
4
-0.046 -0.084
4.1997
0.380
.*| .
|
**| .
|
5
-0.184 -0.212
7.2953
0.200
. |*.
|
. |*.
|
6
0.178
0.178
10.235
0.115
. | .
|
.*| .
|
7
-0.001 -0.122
10.235
0.176
. | .
|
. | .
|
8
0.001
0.061
10.235
0.249
.*| .
|
**| .
|
9
-0.186 -0.242
13.581
0.138
.*| .
|
.*| .
| 10
-0.153 -0.169
15.860
0.104
. | .
|
.*| .
| 11
-0.048 -0.062
16.090
0.138
. |**** |
. |**** | 12
0.541
0.492
45.419
0.000
. | .
|
.*| .
| 13
0.018
-0.121
45.452
0.000
.*| .
|
. | .
| 14
-0.104
0.004
46.574
0.000
. | .
|
. | .
| 15
-0.018 -0.027
46.607
0.000
. |*.
|
. |*.
| 16
0.068
0.184
47.093
0.000
.*| .
|
. |**
| 17
-0.069
0.202
47.611
0.000
. |*.
|
.*| .
| 18
0.094
-0.127
48.574
0.000
. | .
|
. | .
| 19
0.029
0.016
48.665
0.000
. | .
|
.*| .
| 20
0.003
-0.068
48.666
0.000
==============================================================
De la observacin del grfico podemos deducir que la primera diferencia

del IPC es estacionaria.
Examinando el primer coeficiente de autocorrelacin parcial de la primera

diferencia del IPC no es significativo (0.046 < 0.9), entonces la primera
diferencia del IPC es estacionaria.
Por lo tanto, el valor de d es igual uno.
II.-
Elegir
La diferencia de un determinado orden es suficiente en muchos casos para

obtener series estacionarias en media y varianza.
En series econmicas que se extienden a lo largo de un perodo dilatado de
tiempo y que estn afectados por una fuerte tendencia, suele ser necesario efectuar
adems alguna transformacin instantnea del tipo Box - Cox, para obtener una serie
estacionaria en varianza y que al mismo tiempo tenga una distribucin normal.
Cuando:
=1
=0
0< < 1
no se transforma la serie
se aplica logaritmos neperianos a la serie
se eleva la serie a un exponente fraccionario
en la prctica, las alternativas que se utilizan son las dos primeras.

Los instrumentos que usan para detectar si la serie es estacionaria o no en
varianza son:
1
Ploteo de la serie.Es relativamente frecuente que a medida que aumenta el nivel, aumente
tambin la dispersin, siendo en ese caso = 0 .
Grfico rango - media.Si los datos son de carcter estacional, se suele tomar la longitud del
intervalo igual a la del perodo estacional; as para datos mensuales cada uno de
los intervalos tendr una longitud de doce datos. En el grfico rango - media se
tiene las alternativas siguientes:
Si los correspondientes puntos estn ms o menos alineados en torno a
una lnea recta con pendiente ascendente sera indicativo de que las serie es no
estacionaria en varianza.
Puede ocurrir que los datos no sean sensibles a la eleccin de , en este
caso el grfico rango - media de la serie y el correspondiente de la serie
transformada seran muy similares; por lo tanto, la serie es estacionaria en
varianza.
Cuando la serie es no estacionaria en varianza entonces la transformacin
apropiada es aplicar logaritmos neperianos a la serie.
EJEMPLO:
Observando el grfico de la primera diferencia del Indice de Precio al
Consumidor podemos concluir que la primera diferencia del IPC es estacionaria en
varianza porque no presenta una tendencia definida.
2.0
1.5
1.0
0.5
0.0
-0.5
90
91
92
93
94
95
96
D(IPC)
Para construir el grfico rango - media, vamos a trabajar con intervalos de un ao

para determinar su media y desviacin estndar, estos resultados son:
================================
PERIODO
MEDIA
DS
================================
1990:01-1990:12
1991:01-1991:12
1992:01-1992:12
1993:01-1993:12
1994:01-1994:12
1995:01-1995:12
1995:01-1996:12
0.470917
0.423583
0.432417
0.419583
0.387667
0.402833
0.312333
0.398476
0.400780
0.476136
0.239348
0.284007
0.319041
0.237868
================================
Se realiza un grfico de dispersin de la media y la desviacin estndar de la
primera diferencia del indice de precio al consumidor y se deduce que la primera
diferencia del indice de precio al consumidor es estacionaria en varianza porque se
puede aproximar a una lnea horizontal.
0.5
0.4
DS
0.3
0.2
0.1
0.0
0.0
0.1
0.2
0.3
0.4
0.5
MEDIA
por lo tanto, el valor de

III.-
igual a uno.
Identificar p y q
La identificacin del proceso estocstico consiste en comparar el comportamiento
de las funciones de autococrrelacin muestral con las funciones de autocorrelacin
tericas correspondientes a distintos modelos tericos con los que puede guardar
similitud, teniendo en cuenta que nunca cabe esperar una similitud perfecta debido a
errores de muestreo.
Las caractersticas de las funciones de autocorrelacin de los modelos tericos
son:
F. A.
AC
PAC
MODELO
AR(p)
Decrecimiento rpido de tipo

geomtrico puro, y
Se anula por
geomtrico con alteracin de
superiores a p.
signos, sinusoidal o mezcla
de varios de tipos.
MA(q)
Se anula para
superiores a q.
retardos
retardos Decrecimiento rpido de tipo

exponencial y / o sinusoidal.
Los primeros valores

iniciales no tienen patrn fijo
y van seguidos de una
ARMA(p,q)
mezcla de oscilaciones
sinusoidales y / o
exponenciales amortiguadas.
Los primeros valores

iniciales no tienen patrn fijo
y van seguidos de una
mezcla de oscilaciones
sinusoidales y / o
exponenciales amortiguadas.
Por lo tanto, para identificar p se observa la funcin de autocorrelacin parcial

(PAC) y para identificar q se observa la funcin de autocorrelacin simple (AC).
EJEMPLO: El correlograma de la primera diferencia del IPC con 36 retardos es:
Correlogram of D(IPC)
==============================================================
Sample: 1990:01 1996:12
==============================================================
AC
PAC
Q-Stat
Prob
==============================================================
. | .
|
. | .
|
1
0.046
0.046
0.1826
0.669
**| .
|
**| .
|
2
-0.198 -0.200
3.6207
0.164
.*| .
|
. | .
|
3
-0.066 -0.048
4.0047
0.261
. | .
|
.*| .
|
4
-0.046 -0.084
4.1997
0.380
.*| .
|
**| .
|
5
-0.184 -0.212
7.2953
0.200
. |*.
|
. |*.
|
6
0.178
0.178
10.235
0.115
. | .
|
.*| .
|
7
-0.001 -0.122
10.235
0.176
. | .
|
. | .
|
8
0.001
0.061
10.235
0.249
.*| .
|
**| .
|
9
-0.186 -0.242
13.581
0.138
.*| .
|
.*| .
| 10
-0.153 -0.169
15.860
0.104
. | .
|
.*| .
| 11
-0.048 -0.062
16.090
0.138
. |**** |
. |**** | 12
0.541
0.492
45.419
0.000
. | .
|
.*| .
| 13
0.018
-0.121
45.452
0.000
.*| .
|
. | .
| 14
-0.104
0.004
46.574
0.000
. | .
|
. | .
| 15
-0.018 -0.027
46.607
0.000
. |*.
|
. |*.
| 16
0.068
0.184
47.093
0.000
.*| .
|
. |**
| 17
-0.069
0.202
47.611
0.000
. |*.
|
.*| .
| 18
0.094
-0.127
48.574
0.000
. | .
|
. | .
| 19
0.029
0.016
48.665
0.000
. | .
|
.*| .
| 20
0.003
-0.068
48.666
0.000
**| .
|
. | .
| 21
-0.269 -0.013
56.948
0.000
**| .
|
.*| .
| 22
-0.192 -0.152
61.245
0.000
. | .
|
. |*.
| 23
0.054
0.115
61.597
0.000
. |*** |
. |*.
| 24
0.386
0.067
79.508
0.000
. | .
|
. | .
| 25
-0.022 -0.008
79.566
0.000
.*| .
|
. | .
| 26
-0.075 -0.048
80.274
0.000
. | .
|
. | .
| 27
-0.009 -0.032
80.283
0.000
. | .
|
. | .
| 28
-0.038 -0.027
80.468
0.000
.*| .
|
. | .
| 29
-0.058
0.002
80.910
0.000
. |*.
|
. | .
| 30
0.143
0.038
83.656
0.000
. | .
|
.*| .
| 31
0.052
-0.121
84.028
0.000
. | .
|
.*| .
| 32
-0.032 -0.068
84.169
0.000
.*| .
|
. |*.
| 33
-0.163
0.068
87.923
0.000
.*| .
|
. | .
| 34
-0.173
0.001
92.222
0.000
. | .
|
.*| .
| 35
-0.014 -0.082
92.252
0.000
. |**
|
. | .
| 36
0.266
-0.029
102.88
0.000
==============================================================
Del correlograma parcial deducimos que los coeficientes de autocorrelacin

parcial significativos son: el segundo, quinto, nueve, doce y diecisiete; por lo tanto el
orden del proceso autoregresivo es diecisiete.
Apreciando el correlograma simple concluimos que los coeficientes de
autocorrelacin simple significativos son: el segundo, doce, veintiuno, veinticuatro y
treintiseis; por lo tanto el orden del proceso de media mvil es de orden treintiseis. Por
lo tanto, hemos identificado un modelo ARIMA(17,1,36).
IV.-
Determinar el trmino independiente

Si los datos de una serie proceden de un muestreo aleatorio simple sobre una
poblacin normal, es decir, si los datos constituyen una realizacin de un proceso de
ruido blanco con media distinta de cero; entonce el contraste es:
La hiptesis es:
H0 : u = 0
H1: u 0
el estadstico es:
t=
Y
SY2
T1
t0.05( T 1)
si el estadstico es menor que el de la tabla entonces se acepta la hiptesis nula, o

viceversa.
Cuando los datos estn autocorrelacionados, como ocurre en un proceso ARIMA,
dicho estimador no resulta vlido por ser inconsistente. En este caso, el estimador de la
varianza de la media muestral puede aproximarse mediante la siguiente expresin:
SY2
(1 + 2 p1 + 2 p2 + .....+ 2 pk )
T
seleccionando k de forma que se incluyan los coeficientes que sean significativos.
Cuando se obtiene un resultados negativo no es aplicable.
EJEMPLO:
Aplicando en el Eview la instruccin siguiente:
Show D(IPC) View Tests for Descriptive Stats Simple Hypothesis Tests
se escribe cero en Mean OK
el software nos muestra el resultado siguiente:
Hypothesis Testing for D(IPC)
Sample: 1990:01 1996:12
==============================================
Test of Hypothesis: Mean = 0.000000
==============================================
Sample Mean
= 0.407048
Sample Std. Dev.
= 0.337263
Method
Value
Probability
t-statistic
11.06157
0.0000
==============================================
La hiptesis es:
H0 : u = 0
H1: u 0
el estadstico es:
t = 1106157
.
<
t 0.05(83) = 198895978
.
por lo tanto, se rechaza la hiptesis nula. Es decir, el modelo tiene intercepto.

8.2.
ESTIMACIN
El
objetivo
= ( 1 , 2 ,..., p )
es
hallar un vector de parmetros autoregresivos

y un vector de parmetros de media mvil
= ( 1 , 2 ,..., q ) que minimicen la suma de los cuadrados de los errores:
S ( , ) =
t =1
2
t
Los modelos los podemos agrupar en dos:

1
El modelo autoregresivo de orden p y el modelo integrado autoregresivo de

orden (p,d,0) que se pueden expresar de la siguiente forma:
t = ( B)Yt
t = ( B) d Yt
ARI(p,d,0)
AR(p)
tenemos que existe linealidad en parmetros y en variables, por lo tanto, el

mtodo de estimacin adecuado es mnimos cuadrados ordinarios.
2
Los modelos de media mvil de orden q, autoregresivo de media mvil de orden

(p,q), integrado de media mvil de orden (0,d,q) y el modelo autoregresivo
integrado de media mvil de orden (p,d,q) que se pueden expresar de la forma
siguiente:
t = ( B) 1 (Yt )
t = ( B) 1 ( d Yt )
IMA(0,d,q)
t = ( B) 1 ( ( B)Yt )
ARMA(p,q)
MA(q)
t = ( B) 1 ( ( B) d Yt ) ARIMA(p,d,q)
esta estimacin es difcil, puesto que:
1
existe no linealidad respecto a los parmetros, entonces hay que usar un

mtodo iterativo de estimacin no lineal; como por ejemplo, mnimos
cuadrados no lineales.
el primer trmino de error en la serie depende de los valores pasados y no

observados tanto de la serie como de los residuos, entonces hay que usar
algn mtodo para "iniciar" la serie antes de aplicar el proceso de
estimacin no lineal.
EJEMPLO:
Vamos a estimar el modelo identificado en la primera etapa, entonces en el
Eview la instruccin ser:
LS D(IPC) C AR(2) AR(5) AR(9) AR(12) AR(17) MA(2) MA(12)
MA(21) MA(24) MA(36)
Dependent Variable: D(IPC)
Sample: 1990:01 1996:12
Convergence achieved after 12 iterations
Backcast: 1987:01 1989:12
===================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
===================================================
C
0.391999
0.030395
12.89674
0.0000
AR(2)
-0.111367
0.077757
-1.432242
0.1563
AR(5)
-0.241520
0.090560
-2.666954
0.0094
AR(9)
-0.142188
0.061791
-2.301134
0.0242
AR(12)
0.727170
0.076908
9.454997
0.0000
AR(17)
0.100439
0.091284
1.100285
0.2748
MA(2)
0.052647
0.110208
0.477701
0.6343
MA(12)
-0.439483
0.136380
-3.222487
0.0019
MA(21)
-0.182570
0.110103
-1.658166
0.1016
MA(24)
0.329299
0.124243
2.650444
0.0099
MA(36)
0.204430
0.146489
1.395533
0.1671
===================================================
R-squared
0.682469
Adjusted R-squared 0.638972
S.D. dependent var
0.337263
S.E. of regression
0.202646
Akaike info criter
-0.233161
Sum squared resid
2.997785
Schwarz criterion
0.085160
Log likelihood
20.79278
F-statistic
15.68989
Prob(F-statistic)
0.000000
===================================================
Inverted AR Roots
.95
.85+.49i
.85 -.49
.54+.40i
.54 -.4
.49+.85i
.49 -.85
-.03 -.98i
-.03+.98 -.21+.65i -.21 -.65
-.47+.84i
-.47 -.8
-.66
-.83+.50i
-.83 -.50i
-.99
Inverted MA Roots
.97+.08 .97 -.08
.89 -.25
.89+.25i
.88 -.4
.88+.41i
.81 -.56
.81+.56i
.64 -.6
.64+.65i
.57+.80i
.57 -.80i
.41+.90
.41 -.90
.24+.87i
.24 -.87i
.08+.99
.08 -.99 -.09+.97i
-.09 -.97i
-.23 -.8
-.23+.89i -.42 -.88
-.42+.88i
-.55+.81 -.55 -.81 -.66 -.65
-.66+.65i
-.79+.56 -.79 -.56 -.88+.23i
-.88 -.23i
-.89+.42 -.89 -.42 -.98+.09i
-.98 -.09i
===================================================
8.3.
VALIDACIN
Si el modelo estimado superase satisfactoriamente las etapas del proceso de
validacin, se estara en condiciones de utilizarlo en la prediccin de valores futuros de
la variable.
1
Anlisis de los residuos
1.1.
Anlisis de los coeficientes de autocorrelacin simple

(A)
ANDERSON
Segn ha demostrado Anderson (1942) los coeficientes de
autocorrelacin muestrales procedentes de un proceso de ruido blanco se
distribuyen, en muestras grandes, de la siguiente forma:
k N (0, 1T )
entonces bajo la hiptesis:
H0 : t es ruido blanco
H1: t no es ruido blanco
si tenemos que:
k T < 196
.
k <
196
.
T
Por lo tanto, se acepta la hiptesis nula.

Para que una serie de residuos se asemeje a una serie de ruido
blanco, los coeficientes de autocorrelacin simple muestral (AC) y los
coeficientes de autocorrelacin parcial muestral (PAC) no deben ser
significativamente distintos de cero. El problema es que no conocemos
t , entonces utilizamos $ t ; si el comportamiento de los residuos se

asemeja al de una serie de ruido blanco, existir una adecuacin entre el
modelo identificado y los datos.
(B)
PANKRATZ
En la prctica, se construyen bandas de confianza utilizando la
distribucin de una variable ruido blanco cuya varianza aproximada,
viene dada por 1/T. Sin embargo, este valor no constituye una buena
aproximacin ya que la distribucin no es aplicable a los coeficientes de
autocorrelacin de una serie de residuos, especialmente en los retardos de
orden bajo.
Pankratz (1983) considera que bajo la hiptesis:
H0 : t es ruido blanco
H1: t no es ruido blanco
si tenemos que:
125
.
T
160
.
k T < 160
.
o
k <
T
Por lo tanto, se acepta la hiptesis nula.
k T < 125
.
k <
para k = 1, 2, 3.
para k 4.
EJEMPLO:
En el Eviews se obtiene para 20 retardos el Correlograma de los residuos
siguiente:
==============================================================
Sample: 1990:01 1996:12
Q-statistic probabilities adjusted for 10 ARMA term(s)
==============================================================
PAC
Q-Stat
Prob
==============================================================
. |*. |
. |*. |
1
0.075 0.075
0.4874
. | . |
. | . |
2
-0.002 -0.007
0.4876
. | . |
. | . |
3
0.001 0.002
0.4877
.*| . |
.*| . |
4
-0.101 -0.102
1.4147
.*| . |
. | . |
5
-0.063 -0.048
1.7756
. | . |
. | . |
6
-0.034 -0.028
1.8853
. |*. |
. |*. |
7
0.130
0.138
3.4733
. | . |
. | . |
8
0.054
0.026
3.7486
.*| . |
.*| . |
9
-0.125 -0.146
5.2643
. | . |
. | . |
10
0.013
0.021
5.2820
.*| . |
.*| . |
11
-0.103 -0.087
6.3296
0.012
.*| . |
. | . |
12
-0.060 -0.021
6.6939
0.035
. | . |
. | . |
13
-0.026 -0.034
6.7630
0.080
. |*. |
. | . |
14
0.074
0.059
7.3290
0.119
. |** |
. |*. |
15
0.200
0.166
11.500
0.042
. |*. |
. |*. |
16
0.103
0.103
12.627
0.049
. | . |
. | . |
17
0.040
0.015
12.801
0.077
.*| . | **| . |
18
-0.179 -0.204
16.289
0.038
. | . |
. | . |
19
-0.018
0.065
16.324
0.060
.*| . |
. | . |
20
-0.058 -0.036
16.707
0.081
==============================================================
Segn Anderson ninguno de los coeficientes de autocorrelacin estimados

96
supera 1.84
= 0.213853 ;por lo tanto, los residuos del modelo estimado son ruido
blanco.
De acuerdo a Pankratz los tres primeros coeficientes de autocorrelacin
25
estimados son menores a 1.84
y el resto de coeficientes de
= 0136386
.
60
autocorrelacin estimados son menores a 1.84
, excepto el quince y
= 0174574
.
el dieciocho; por lo tanto, los residuos del modelo estimado no son ruido blanco.
1.2.
Contraste Global
Se utiliza el estadstico propuesto por Box y Pierce (1970). La hiptesis
es:
H0 : 1 = 2 = .... = k = 0
Residuos independientes
H1: 1 2 .... k 0
Residuos no independientes
el estadstico es:
k
QBP = T i2
i =1
2k p q
si el estadstico es menor al de la tabla se acepta la hiptesis nula, o viceversa.

EJEMPLO:
Tenemos:
H0 : 1 = 2 = .... = 20 = 0
Residuos independientes
H1: 1 2 .... 20 0
Residuos no independientes
comparamos:
20
QBP = T i2 = 13.84866 < (20.05,2010) = 18.307038

i =1
Por lo tanto, se acepta la hiptesis nula; es decir, los residuos son

independientes o estn incorrelacionados.
1.3.
Homocedasticidad
Hay que examinar el grfico de los residuos (ploteo). Si se advierte una
tendencia creciente (o decreciente) en la evolucin de dicha dispersin ser
indicativo de una posible heterocedasticidad.
EJEMPLO: Aplicando en el Eview la instruccin siguiente:
Abrir ecuacin
View Actual, Fitted, Residual
Residual Graph

0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
90
91
92
93
94
95
96
D(IPC) Residuals
observando el grfico podemos concluir que los residuos son homocedsticos.

1.4.
Outliers
Las observaciones atpicas o anormales (outliers) son las que
corresponden a los residuos que superan en gran medida las bandas de confianza
establecidas para los residuos.
Un residuo estimado ( $ t ) que:
$ t
>4
$ $
es indicativo de que puede existir un factor exgeno puntual que haya provocado
tal anomala.
Aplicando en el Eview la instruccin siguiente:
GENR RESEST = RESID01 / @STDEV(RESID01)
RESEST
===========================================================
Modified: 1990:01 1996:12 => resest=resid01/@stdev(resid01,"1990:01 1996:12")
1990:01 -0.028842 1.711757 -0.244963 0.027134 -0.943363 0.133010
1990:07 0.288664 0.617152 0.500510 1.761804 -1.301174 0.374262
1991:01 1.088281 -2.304535
0.402286 -0.224269 0.260251 0.648487
1991:07 0.497480 -0.675497 0.317640
1.125439 0.028977 -0.374204
1992:01 3.391173 1.725747 0.778428 -1.180744 -0.252166 -0.268761
1992:07 -2.012688 1.596481 0.291139 -1.217187 -0.812523 -0.073519
1993:01 -0.150577 -1.478190 -0.149380
1.406387
0.275401 0.977900
1993:07 -1.656446 -0.338241 -0.401184
1.157007
0.265700 1.023573
1994:01 -0.212584 -1.314290 -0.023986
0.388462
0.304340 0.240305
1994:07 -0.496509 -0.274766 -1.277560
0.401143 -0.630639 0.530943
===========================================================
Podemos obtener un grfico de los residuos estandarizados en el Eview
con la instruccin siguiente:

Abrir RESEST View
Line Graph
4
3
2
1
0
-1
-2
-3
90
91
92
93
94
95
96
RESEST
De la observacin del cuadro o del grfico de los residuos estandarizados

se concluye que no existe ninguna observacin atpica.
1.5.
Normalidad
Se plantea la siguiente hiptesis:
H0 : u se aproxima a una distribucin normal
H1 : u no se aproxima a una distribucin normal
se utiliza el estadstico Jarque - Bera, cuya frmula es:
JB =
Nk 2 1
( S + 4 ( K 3) 2 )
6
se tiene la siguiente regla de decisin:

JB <
2
( 0.05, 2 )
= 5.99

distribucin normal.
El test de normalidad lo obtenemos de la siguiente forma para la ecuacin
estimada:
Abrir EQ1 View Residual Tests Histogram - Normality Test
OK, obtenindose el siguiente resultado:
16
Series: Residuals
Sample 1990:01 1996:12
Observations 84
12
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
Probability
-0.002458
-0.002510
0.644428
-0.437933
0.190031
0.217930
3.717076
2.464605
0.291620
0
-0.4
-0.2
0.0
0.2
0.4
0.6

distribucin normal.
Anlisis de los coeficientes
2.1.
Condicin de Estacionariedad e Invertibilidad

Una cuestin importante en el anlisis de los coeficientes es el examen de
si se cumplen las condiciones de estacionariedad y de invertibilidad.
Se tiene dos casos:
1
Si no se cumple la condicin de estacionariedad, entonces es un indicio

de que el modelo no es estacionario, siendo aconsejable en este caso
tomar una diferencia adicional.
Si no se cumple la condicin de invertibilidad, entonces este problema se

ha podido producir como consecuencia de una sobrediferenciacin.
EJEMPLO:
Al final de la estimacin observamos las races caractersticas de los
procesos autoregresivo y de media mvil, asimismo el Eview nos muestra un
comentario si la condicin no se cumple. En este caso no existe ningn
comentario, por lo tanto, las condiciones de estacionariedad y de invertibilidad
se cumplen.
2.2.
Significancia de los coeficientes

Los modelos ARIMA se aplican en general a muestras grandes, entonces
se puede utilizar los niveles de significacin de la normal. Se tiene:
H0 : i = 0
H1: i 0
i no es significativo
i si es significativo
el estadstico es:
$ i
ti =
$ $
t (0.05,T-p-q- ) = 2
si el estadstico es menor al de la tabla se acepta la hiptesis nula, o viceversa.

EJEMPLO:
De los resultados obtenidos de la estimacin del modelo concluimos que
5 , 9 , 12 , 12 y 24 son significativos porque son mayores a 2; mientras que los
coeficientes 2 , 17 , 2 , 21 y 36 son no significativos porque son menores a 2.
2.3.
Examen de la matriz de correlaciones entre los coeficientes

El objetivo es detectar si existe un problema de mutlticolinealidad.
Cuando la correlacin entre dos coeficientes estimados est prximo a uno

(ejemplo: 0.9) sera indicio suficiente para considerar que existe un problema
grave de multicolinealidad. Si esto ocurre, los coeficientes estimados seran de
carcter muy inestables con lo que podran cambiar mucho de una realizacin a
otra.
As, el modelo estimado para el perodo muestral puede diferir del que se
obtendra para los periodos de prediccin. Para evitar este problema puede ser
conveniente eliminar algn parmetro del modelo con objeto de conseguir unos
estimadores ms estables aun a coste de que el grado de ajuste sea ms pequeo.
Si todos los coeficientes son significativos a pesar de que la
multicolinealidad sea elevada, tampoco sera aconsejable eliminar coeficientes
del modelo. En todo caso, la eliminacin de parmetros no debe hacerse a
expensas de que se pierda la independencia entre los residuos.
EJEMPLO:
El coeficiente de correlacin entre dos coeficientes se define:
r$ $ =
i
$ $
cov($ i $ j )
i j
=
var($ i ) var($ j ) $ i $ j
la informacin requerida para calcular estos coeficientes se encuentra en la

estimacin del modelo.
Tenemos que calcular 45 coeficientes de correlacin entre coeficientes,
vamos a calcular algunos de ellos de la siguiente forma:
$2$5
0.000321
r$ $ =
=
= 0.04558575
2 5
$2 $5 0.077757(0.09056)
r$ $ =
2 9
r$ $ =
2 12
r$ $ =
2 17
r$ $ =
2 2
$2$9
$2 $9
$2$12
$2 $12
$2$17
$2 $17
$ $
=
=
0.01389
= 0.23226899
0.077757(0.076908)
0.00000903
= 0.00127219
0.077757(0.091284)
2 2
$2 $
0.000725
= 015089445
.
0.077757(0.061791)
0.004984
= 0.58160136
0.077757(0110208
.
)
r$ $ =
2 12
$ $
2 12
$2 $
0.002169
= 0.20453581
0.077757(013638
.
)
12
si todos los coeficientes de correlacin de los coeficientes son no significativos,

entonces no existe multicolinealidad grave.
2.4.
Anlisis de Estabilidad
Se puede aplicar el test de Chow punto de quiebre y se aconseja tomar
como el tamao de la segunda submuestra entre la tercera y la mitad del tamao
de la muestra, de manera que pueda contrastarse si el ltimo tramo muestral (ms
pequeo) ha estado generado por la misma estructura que el resto de las
observaciones.
EJEMPLO:
La tercera parte de la muestra es 28 observaciones y la mitad de la muestra
es 42 observaciones, entonces vamos a considerar 37 observaciones y aplicamos
la prueba de Chow en el Eview nos muestra el resultado siguiente:
=============================================
F-statistic
1.175141
Probability
0.322633
Log likelihood ratio 15.90742
Probability
0.144603
=============================================
La hiptesis es:
H0 : Existe estabilidad de coeficientes

H1: No existe estabilidad de coeficientes
el estadstico es:
Fc = 1175141
.
< F( 0.05,11,62 ) = 194679
.
por lo tanto, se acepta la hiptesis nula. Es decir, la estabilidad de los

coeficientes.
8.4.
PREDICCIN
La prediccin es un estimado cuantitativo acerca de la verosimilitud de eventos
futuros basados en informacin pasada y actual.
Se tienen muchas pruebas de que un modelo que se ajuste bien a los datos
histricos, no necesariamente pronostica bien.
Se supone evaluar un modelo en funcin de su capacidad para pronosticar bien
en una situacin de muestreo a posteriori.
Una manera sensata de proceder a una evaluacin de muestreo a posteriori es
dividir los datos en dos conjuntos:
1
El primer conjunto denominado: datos de estimacin, se emplea para estimar los

coeficientes del modelo.
Los puntos de los datos restantes, denominados datos de prediccin, se emplea

para medir la exactitud del pronstico del modelo.
Las predicciones de la serie estacionaria Yt son fciles de obtener como veremos

con varios modelos ARMA sencillos, teniendo en cuenta que el valor esperado del ruido
blanco es:
= u$t
E ( ut ) =
=0
si t T
si t > T
Sea Yt AR(1) , o sea Yt = 1Yt 1 + ut . Las previsiones son:
Y$T +1 = 1YT + E (uT +1 ) = 1YT

Y$T + 2 = 1YT +1 = 12 YT
y en general
Y$T + i = 1i YT
Se considera ahora un modelo Yt MA(1) , o sea Yt = ut 1ut 1 ; las primeras
predicciones son:
Y$T +1 = E (uT +1 ) 1 E (uT ) = 1u$T
Y$T + 2 = E (uT + 2 ) 1 E (uT +1 ) = 0 = Y$T + 3 = .....

o sea que la estructura d medias mviles de orden 1 slo influir en la primera
prediccin.
Con el modelo AR(2), se tienen las predicciones:
Y$T +1 = 1YT + 2 YT 1 + E (uT +1 ) = 1YT + 2 YT 1

Y$T + 2 = 1Y$T +1 + 2 YT
Y$ = Y$ + Y$
T+3
1 T+2
2 T +1
Y$T + 4 = 1Y$T + 3 + 2 Y$T + 2

y as sucesivamente.
Se considera ahora un modelo Yt MA( 2) , es:
Y$T +1 = E (uT +1 ) 1 E (uT ) 2 E (uT 1 ) = 1u$T 2 u$T 1
Y$T + 2 = E (uT + 2 ) 1 E (uT +1 ) 2 E (uT ) = 2 u$T
Y$T + 3 = .0 = Y$T + 4 = ....
o sea que las predicciones se anulan despus de dos unidades temporales.
Sea el modelo Yt ARMA(11

, ) , es:
Y$T +1 = 1YT + E (uT +1 ) 1 E (uT ) = 1YT 1u$T

Y$T + 2 = 1Y$T +1
Y$ = Y$
T+3
1 T+2
as sucesivamente se obtendran las dems predicciones, o sea que la parte de media

mvil slo influye directamente sobre la primera prediccin y a partir de la segunda,
stas se obtienen como en un modelo AR(1).
En el modelo ARIMA, es necesario deshacer las transformaciones en diferencias
y de Box - Cox para obtener las previsiones de la variable Yt .
El error de prediccin se obtiene a partir de la expresin:
eT + i = YT +1 Y$T + i
En el modelo AR(1), la varianza de prediccin es:
( )
Var ( e) = E e 2T +i = (1 + 12 + 14 + ...+ 12i 2 ) 2
es decir, aumenta (en forma no lineal) a medida que crece i.

En un proceso MA(1) la varianza es:
Var (eT +1 ) = 2
Var (eT + i ) = (1 + 12 ) 2
i > 1
es idntica para la prediccin para el periodo segundo, tercero, etc.

I.-
II.-
TIPOS DE PRONSTICO
1
Puntual
se trata de la prediccin de los valores futuros de la variable

endgena en trminos de un nico valor o nmero.
Por intervalo
cuando el valor futuro predicho de la variable endgena se

expresa dentro de un intervalo determinado.
CLASIFICACIN DE PRONSTICO
1
Predicciones incondicionales
cuando se conocen con certeza los valores de

las variables.
Predicciones condicionales
cuando uno o ms variables independientes

no se conocen con certeza y deben ser
estimados.
Predicciones ex ante
predicciones ms all del perodo de

estimacin y son hechos usando variables
explicativas que pueden o no ser conocidas
con certeza.
Predicciones ex post
cuando las observaciones, tanto de la variable

dependiente como de las independientes, son
conocidas con certeza.
III.- CRITERIOS PARA EVALUAR LA CAPACIDAD PREDICTIVA DE UN

MODELO
1
RAZ DEL ERROR CUADRTICO MEDIO (RECM)

Se define como:
RECM =
1 T+H 2
e$
H t = T +1 t
Tiene las mismas unidades de medicin que las series reportadas. La

funcin de prdida implcita con el RCEM es cuadrtica, entonces la prdida
asociada con un error aumenta en proporcin con el cuadrado del error.
La desventaja de esta medida es que es una medicin absoluta, que
depende de las unidades de medida.
2
ERROR ABSOLUTO MEDIO (EMA)

Se define como:
T+H
e$
EMA =
t = T +1
Esta medida es apropiada siempre que la funcin de prdida es lineal y

simtrica.
3
MEDIA DEL VALOR ABSOLUTO DEL ERROR PORCENTUAL (EPMA)

Se define como:
1 T + H e$t
EPMA =
H t = T +1 Yt
Es similar al EMA, excepto que es una medida relativa. Presenta un sesgo
que favorece a los pronsticos que se encuentran por debajo de los valores
reportados.
Indica qu proporcin del error verdadero estimado es error de prediccin.

4
RAZ CUADRADA RELATIVA DEL ERROR MEDIO (RCREM)

Se define como:
RCREM =
1 T + H e$t2
H t = T +1 Yt
Es similar a RECM, excepto que es adimensional. Presenta un sesgo que

favorece a los pronsticos que se encuentran por debajo del valor reportado.
Considerar el resultado satisfactorio si tiene un valor inferior a tres.
5

Denominado U de Theil (1961), se define:
U=
1 T+ H
(Yt Y$t ) 2
H t = T +1
1 T+ H $2
Y +
H t = T +1 t
1 T+H 2
Y
H t = T +1 t
no est influenciado por problemas de escala. U oscila entre 0 y 1.

Si U tiende a cero, el modelo puede ser utilizado para predecir dado que
sus pronsticos sern fiables.
Si U tiende a uno, el modelo no sirve para predecir sus pronsticos no son
reales.
El U de Theil se descompone:
SESGO + VARIANZA + COVARIANZA = 1
1
Sesgo (Bias Proportion)
indica la presencia de algn

error sistemtico. El sesgo
debe ser cero, en caso
contrario el pronstico no es el
ms confiable.
Varianza(Variance Proportion)
indica la habilidad del

pronstico para replicar el
comportamiento de la variable
real observada. Si esta
proporcin es grande significa
que el modelo posee menor
capacidad para replicar el
comportamiento de la serie.
V.-
Covarianza (Covariance Proportion)
si esta medida es alta significa

que el modelo predice bien,
pues el error de la prediccin
se hara pequeo.
EJEMPLO
Para el anlisis consideraremos el modelo siguiente:
D ( IPC ) t = + 2 D ( IPC ) t 2 + 5 D ( IPC ) t 5 + 12 D ( IPC ) t 12 + 17 D ( IPC ) t 17 + t 2 t 2
12 t 12 21 t 21 24 t 24 36 t 36
que se estimo para la informacin 1990:01 - 1996:12 en el Eview, y para la evaluacin

de la capacidad predictiva se considera la informacin correspondiente al ao 1997.
Para realizar la prediccin se sigue la siguiente instruccin:
Abrir ecuacin Procs Forecast... Se cambia el sample a 1997:01 1997:12
OK
127
Forecast: IPCF
Actual: IPC
Forecast sample: 1997:01 1997:
126
125

0.807782
Mean Absolute Error
0.698349
Mean Abs. Percent Error0.571336
Theil Inequality Coefficient
0.003281
Bias Proportion
0.747406
Variance Proportion 0.068465
Covariance Proportion
0.184129
124
123
122
121
120
97:01
97:03
97:05
IPCF
97:07
97:09
97:11
2 S.E.
siendo los valores de las predicciones:

IPCF
===================================
Modified: 1997:01 1997:12 // eq01.forecast(f=actual) ipcf
1997:01
121.2153
1997:02
121.6202
1997:03
122.2216
1997;04
123.0145
1997:05
123.3729
1997:06
123.4762
1997:07
123.6436
1997:08
124.0138
1997:09
124.2941
1997:10
124.5423
1997:11
124.7990
1997:12
125.2210
==================================
tambin se puede graficar a travs del tiempo el IPC con su respectiva prediccin, tanto
para todo el periodo como para el periodo de prediccin, los grficos son:
130
126
125
120
124
110
123
100
122
90
121
80
90
91
92
93
94
IPC
95
96
120
97:01
97
IPCF
97:03
97:05
IPC
97:07
97:09
97:11
IPCF
Por ltimo, se puede obtener una nube de puntos del IPC y su prediccin, as:
126
IPC
124
122
120
120
122
124
126
IPCF
El U de Theil es cercano a cero, entonces nos indicara que es una buena

prediccin, pero si analizamos los componentes del Theil se tiene: que el sesgo no
tiende a cero, la varianza es pequea y la covarianza no es muy alta; por lo tanto, se
concluye que el modelo no predice bien.
Como los puntos en el ltimo grfico se encuentran debajo de la bisectriz,
entonces la prediccin es mayor al valor verdadero. Lo mismo se puede apreciar en el
segundo y tercer grfico.
ANLISIS DE COINTEGRACIN
La teora de cointegracin, desarrollada en Granger (1981) y ampliada en
Engle y Granger (1987), maneja el problema de integrar la dinmica a corto plazo con
el equilibrio a largo plazo.
La especificacin completa del modelo de regresin:
Yt = X t + ut
Se asume que la perturbacin es una serie estacionaria (ruido blanco), pero

probablemente esto no es cierto cuando X t e Yt sean series integradas.
Generalmente, si dos series son integradas para diferentes ordenes, las
combinaciones lineales de ambas estarn integradas para el ms alto de los dos
ordenes.
Si
o
Yt
Yt ~ I (1)
Zt = Yt + ut es
es integrada de orden 1 o
ut ~ I (0) ,
entonces
y u t es integrada de orden cero

integrada de orden uno o
Zt = Yt + ut ~ I(1) .
Supongamos que
Yt ~ I (1)
X t ~ I (1) (ambas
variables
tendenciales), entonces normalmente esperamos que: Yt X t ~ I(1) sea cual sea

el valor de
Si
Yt
, no I(0) (no estacionaria).

y
Xt
se mueven ambas hacia arriba con su propia tendencia, entonces
a menos que haya alguna relacin entre esas tendencias, la diferencia entre ellas
debera estar creciendo, con otra tendencia adicional.
Si las dos series son ambas I (1) puede existir un tal que:
ut = Yt X t I ( 0)
esta diferencia entre ellas tiene que ser estable alrededor de una media fija. O que las
series crecen simultneamente aproximadamente a la misma tasa. Si dos series
satisfacen estos requisitos, entonces estn cointegradas.
El vector 1 (o mltiplo de l) es un vector de cointegracin. Se puede

distinguir:
1
Entre una relacin de largo plazo entre Yt y X t , es decir, la forma en la cual

las dos variables crecen.
La dinmica a corto plazo, es decir, las relaciones entre las desviaciones de Yt

respecto de su tendencia a corto plazo y las deviaciones de X t respecto de su
tendencia a corto plazo.
Esto significa que la ecuacin de regresin:
tiene sentido, pues
Yt
Yt = X t + u t
X t no se desvan mucho entre s con el paso del tiempo;
por lo tanto, existe una relacin de equilibrio a largo plazo entre ellos. Es decir, estn
sobre la misma longitud de onda.

Si
Yt
Xt
no son cointegradas, es decir, si
Yt X t = u t
tambin
es I(1), stos se desviarn entre s cada vez ms con el paso del tiempo; por lo tanto,
no existe una relacin de equilibrio a largo plazo entre ellas. Aqu la relacin que se
obtiene entre
Yt
Xt
En general, si
por medio de la regresin
Yt ~ I(d)
Yt
sobre
Xt
es "espuria".
I (d ) , donde d es el mismo
y X es tambin
valor, estas dos series pueden estar cointegradas. Si ste es el caso, la regresin de las
dos variables en niveles es significativa (es decir, no es espuria); y no se pierde
informacin valiosa de largo plazo, lo cual sucedera si se utilizaran sus primeras
diferencias.
Siempre y cuando se verifique que los residuales de la regresin son
I (0)
o estacionarios, la metodologa tradicional de regresin (incluyendo las pruebas t y

F ) son aplicables a las series de tiempo.
En el lenguaje de la teora de la cointegracin, la regresin
se conoce como regresin cointegrada y el parmetro
Yt = X t + ut
es conocido como parmetro
cointegrado.
Cabe mencionar que en economa es la CI(1,1) la que interesa, es decir, cuando
el componente tendencial estocstico de dos o ms variables no estacionarias se
compensan exactamente para dar una combinacin lineal estacionaria. De esta forma,
la existencia de cointegracin entre series econmicas no hace sino evidenciar la
presencia de una relacin de equilibrio de largo plazo: an cuando presenten un
comportamiento no estacionario o tendencial, la relacin (o combinacin lineal) entre
ellas es estable; por tanto, podemos hablar de una relacin observada que puede, en
promedio, ser mantenida en un largo perodo de tiempo.
Existen tres mtodos para comprobar la cointegracin, a saber:
1
2
9.1.
El Durbin Watson de la ecuacin de cointegracin (Sargan y Bhargava, 1983).

Mtodo de Engle y Granger (1987), se basa en evaluar si los errores de
ecuaciones en equilibrio estimados uniecuacionalmente parecen ser
estacionarios.
Mtodo de Johansen (1988) y Stock y Watson (1988), est basado en el
mtodoVAR.
PRUEBA DURBIN-WATSON
COINTEGRACION (DWRC)
SOBRE
LA
REGRESION
DE
Un mtodo alternativo y ms rpido es la prueba DWRC, cuyos valores crticos

fueron suministrados inicialmente por Sargan y Bhargava. En DWRC se utiliza el
valor d de Durbin Watson obtenido de la regresin de cointegracin.

Ahora la hiptesis nula es que d = 0 , con base en 10,000 simulaciones, cada
una de ellas conformada por 100 observaciones, los valores crticos resultantes al 1
%, 5 % y 10 % para probar la hiptesis nula es verdadera ( d = 0 ) fueron 0.511,
0.386 y 0.322, respectivamente.
A partir de la ecuacin de cointegracin:
Yt = X t + ut
se prueba la H 0 : DW = 0 , lo que equivale a testear que H 0 : = 1 en:
ut = ut 1 + t
es decir, se estara verificando la presencia de una raz unitaria en la ecuacin

autorregresiva de ut . De esta forma, si no se pudiera rechazar la hiptesis nula, se
estara aceptando que el error es no estacionario y no se podra aceptar la presencia
de cointegracin entre X t Yt .
Una regla prctica vinculada con este test de cointegracin suguiere que un
buen R2 y un DW por encima de 0.5 son un indicativo de la presencia de
cointegracin.
EJEMPLO:
Para el anlisis consideraremos el modelo de demanda de gelatina siguiente:
Q1t = 0 + 1 P1t + 2 R1t + 3 M 1t + ut

el resultado de la estimacin en el Eview es:
Dependent Variable: Q1
Sample: 1985:1 1990:4
============================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
C
457.3535
98.29010
4.653098
0.0002
P1
0.143280
1.680297
0.085270
0.9329
M1
3.893653
0.158921
24.50052
0.0000
R1
0.612120
0.108625
5.635158
0.0000
============================================================
R-squared
0.969154
Mean dependent var
2071.042
S.E. of regression
25.42701
Akaike info criteri
9.460512
Sum squared resid
12930.65
Schwarz criterion
9.656855
Log likelihood
-109.5261
F-statistic
209.4601
Prob(F-statistic)
0.000000
============================================================
observando el valor del Durbin - Watson (1.831586) es superior a 0.5, entonces es

indicativo de presencia de cointegracin.
Aplicando la forma alternativamente tenemos que marcar los residuos de la

regresin cointegrada y estimar un modelo autoregresivo de primer orden, stos
clculos en Eviews son:
Dependent Variable: RESID01
============================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
RESID01(-1)
0.060950
0.216631
0.281352
0.7811
============================================================
R-squared
0.003210
Adjusted R-squared 0.003210
S.E. of regression
24.09599
Akaike info criteri
9.244473
Sum squared resid
12773.57
Schwarz criterion
9.293842
Log likelihood
-105.3114
============================================================
En la estimacin anterior View Coefficients Tests Wald Coefficient Restrictions ... se escribe C(1) = 0 OK
Wald Test:
Equation: Untitled
====================================================
Null Hypothesis
C(1) = 1
====================================================
F-statistic
18.79043
Probability
0.000266
Chi-square
18.79043
Probability
0.000015
====================================================
La hiptesis es:
H0 : = 1
H 1: 1
el estadstico es:
Fc = 18.79043 < F( 0.05,1,22 ) = 4.3009495

por lo tanto, se rechaza la hiptesis nula. Es decir, el error es estacionario y se puede
aceptar la cointegracin.
9.2.
PRUEBA DE ENGLE - GRANGER ( EG )

Se estima la regresin:
Yt = X t + ut
( )
se obtiene los residuales u$ t y se utiliza la prueba DF o ADF . Como u$t est basada
en el parmetro , los valores crticos de significancia DF y ADF no son del todo
apropiados. Engle y Granger han calculado estos valores crticos de tau (al 1%, 5%
y 10 % son -2.5899, -1.9439 y -1.6177).
EJEMPLO:
Considerando el modelo de demanda de gelatina, se debe seguir los pasos
siguientes:
1
DETERMINACIN DEL GRADO DE INTEGRACIN DE CADA

VARIABLE DEL MODELO
1.1.
Q1:
se considera tendencia e intercepto.

Augmented Dickey-Fuller Unit Root Test on Q1
============================================================
ADF Test Statistic
-3.009780
1 % Critical Value* -4.4167
5 % Critical Value
-3.6219
10 % Critical Value -3.2474
============================================================
Dependent Variable: D(Q1)
============================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
Q1(-1)
-0.576424
0.191517
-3.009780
0.0069
C
1123.533
364.0032
3.086601
0.0058
@TREND(1985:1)
7.446752
3.500047
2.127615
0.0460
============================================================
R-squared
0.312855
Mean dependent var
26.08696
============================================================
Q1 tiene raz unitaria, o es no estacionaria. Entonces hay que rebajar la
serie y realizar el mismo anlisis.
Hypothesis Testing for D(Q1)

Sample: 1985:1 1990:4
========================================================
========================================================
Sample Mean = 26.08696
Sample Std. Dev. = 84.08541
Method
Value
Probability
t-statistic
1.487876
0.1510
========================================================
sin intercepto y sin tendencia.

Augmented Dickey-Fuller Unit Root Test on D(Q1)
============================================================
ADF Test Statistic
-5.244312
5 % Critical Value
-1.9574
============================================================
Dependent Variable: D(Q1,2)
============================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
D(Q1(-1))
-1.223190
0.233241
-5.244312
0.0000
============================================================
R-squared
0.566333
Mean dependent var
5.227273
============================================================
La primera diferencia de Q1 no tiene raz unitaria, es estacionaria; por

lo tanto, Q1 es integrada de orden uno.
1.2.
P1:
con tendencia e intercepto.

Augmented Dickey-Fuller Unit Root Test on P1
============================================================
ADF Test Statistic
-1.609049
5 % Critical Value
-3.6219
============================================================
Dependent Variable: D(P1)
============================================================
Variable
Coefficient
Std. Error
t-Statistic Prob.
============================================================
P1(-1)
-0.250519
0.155694
-1.609049 0.1233
C
8.155757
4.756776
1.714556 0.1019
@TREND(1985:1)
-0.009787
0.084745
-0.115487 0.9092
============================================================
R-squared
0.133034
Mean dependent var
0.043478
============================================================
P1 tiene raz unitaria, o es no estacionaria. Entonces hay que rebajar la

Hypothesis Testing for D(P1)
Sample: 1985:1 1990:4
========================================================
========================================================
Method
Value
Probability
t-statistic
0.080134
0.9369
========================================================
sin tendencia y sin intercepto.

Augmented Dickey-Fuller Unit Root Test on D(P1)
============================================================
ADF Test Statistic
-3.771205
5 % Critical Value
-1.9574
10% Critical Value -1.6238
============================================================
Dependent Variable: D(P1,2)
============================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
D(P1(-1))
-0.797297
0.211417
-3.771205
0.0011
============================================================
R-squared
0.403665
Mean dependent var
-0.045455
============================================================
La primera diferencia de P1 no tiene raz unitaria, es estacionaria; por

lo tanto, P1 es integrada de orden uno.
1.3.
R1:
Augmented Dickey-Fuller Unit Root Test on R1

============================================================
ADF Test Statistic
-0.985078
5 % Critical Value
-3.6219
============================================================
Dependent Variable: D(R1)
============================================================
Variable
Coefficient
Std. Error
t-Statistic Prob.
============================================================
R1(-1)
-0.104758
0.106345
-0.985078 0.3364
C
115.6803
97.78317
1.183028 0.2507
@TREND(1985:1)
-1.770375
0.847999
-2.087710 0.0498
============================================================
R-squared
0.211674
Mean dependent var
-1.304348
============================================================
R1 tiene raz unitaria, o es no estacionaria. Entonces hay que rebajar la

Hypothesis Testing for D(R1)

Sample: 1985:1 1990:4
========================================================
========================================================
Sample Mean = -1.304348
Method
Value
Probability
t-statistic
-0.215945
0.8310
========================================================

Augmented Dickey-Fuller Unit Root Test on D(R1)
============================================================
ADF Test Statistic
-3.832772
5 % Critical Value
-1.9574
============================================================
Dependent Variable: D(R1,2)
============================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
D(R1(-1))
-0.823204
0.214780
-3.832772
0.0010
============================================================
La primera diferencia de R1 no tiene raz unitaria, es estacionaria; por

lo tanto, R1 es integrada de orden uno.
1.4.
M1:

Augmented Dickey-Fuller Unit Root Test on M1
============================================================
ADF Test Statistic
-3.066463
5 % Critical Value
-3.6219
============================================================
Dependent Variable: D(M1)
============================================================
Variable
Coefficient
Std. Error
t-Statistic Prob.
============================================================
M1(-1)
-0.688533
0.224536
-3.066463 0.0061
C
159.5472
50.93765
3.132206 0.0052
@TREND(1985:1)
2.552756
0.974969
2.618295 0.0165
============================================================
M1 tiene raz unitaria, o es no estacionaria. Entonces hay que rebajar

la serie y realizar el mismo anlisis.
Hypothesis Testing for D(M1)

Sample: 1985:1 1990:4
========================================================
========================================================
Method
Value
Probability
t-statistic
1.507384
0.1459
========================================================

Augmented Dickey-Fuller Unit Root Test on D(M1)
============================================================
ADF Test Statistic
-4.521066
5 % Critical Value
-1.9574
============================================================
Dependent Variable: D(M1,2)
============================================================
Variable
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
D(M1(-1))
-1.119497
0.247618
-4.521066
0.0002
============================================================
R-squared
0.491413
============================================================
La primera diferencia de M1 no tiene raz unitaria, es estacionaria; por

lo tanto, M1 es integrada de orden uno.
2
DETERMINACIN DEL GRADO DE INTEGRACIN DE LOS

RESIDUOS DEL MODELO
Se estima el modelo y se marcan los residuos (RESID01), a

continuacin se verifica la existencia de raz unitaria de la forma siguiente:

Augmented Dickey-Fuller Unit Root Test on RESID01
============================================================
ADF Test Statistic
-4.334793
5 % Critical Value
-1.9566
============================================================
Dependent Variable: D(RESID01)
============================================================
Variable
Coefficient
Std. Error
t-Statistic Prob.
============================================================
RESID01(-1)
-0.939050
0.216631
-4.334793 0.0003
============================================================
R-squared
0.459499
============================================================
Los residuos del modelo son estacionarios, es decir no tienen raz unitaria; por
lo tanto, los residuos estn integrados de orden cero.
En conclusin, todas las variables del modelo son integradas de orden uno y
los residuos estn integrados de orden cero, por lo tanto, Q1 est cointegrada con P1,
R1, M1.
9.3.
LA TCNICA DE JOHANSEN (COINTEGRACION MULTIVARIADA)

Existen una serie de problemas vinculados con la metodologa propuesta por
Engle y Granger, a saber:
1.-
La estimacin de la relacin de cointegracin requiere identificar previamente

cul de las variables debe colocarse a la derecha de la ecuacin. El resultado
del test debiera ser invariable a cualquier ordenamiento de las variables
utilizadas. Sin embargo, esto no se observa en el caso de la metodologa
propuesta.
2.-
Considera un slo vector de cointegracin.
3.-
La existencia de dos etapas sucesivas de estimacin (la relacin de largo plazo

y la de correccin de errores) implica una acumulacin de errores a lo largo de
las mismas que resta eficiencia a la estimacin de la relacin de largo plazo.
Por estas razones, surge una especificacin alternativa del problema, en la que
se incorpora la posibilidad de que exista mas de un vector de cointegracin entre un
mismo conjunto de variables.
Si el vector de variables X t tiene n componentes (n variables no
estacionarias), existe la posibilidad de que hayan, por lo menos, n-1 vectores de
cointegracin linealmente independientes. El nmero de vectores de cointegracin se
conoce como el rango cointegrante de X t .
La especificacin de la metodologa de Johansen se basa en una generalizacin
multivariada del Dickey Fuller. Si X t es un vector de n variables que siguen un
proceso VAR(1):
X t = AX t 1 + t
restando X t 1 en ambos lados de la ecuacin anterior se obtiene:
X t = AX t 1 X t 1 + t
X t = ( A I ) X t 1 + t
X t = X t 1 + t
Dado que existen n variables que constituyen el vector X t la dimensin de

es n x n y su rango no puede ser mayor que n. A partir del Teorema de Representacin
de Granger (Engle y Granger, Johansen) se afirma que:
1
Si el rango de la matriz es igual a n (el nmero total de variables explicadas

en el modelo VAR), el proceso vectorial X t es estacionario (todas las
variables en X t son integradas de orden cero).
Si el rango de la matriz es igual a r < n , existe no ms de r = n 1

vectores de cointegracin.
Si es una matriz de ceros de tal forma que su rango es igual a 0, entonces

todas las variables son procesos con raz unitaria y no hay combinaciones
lineales de X t , es decir, las variables no cointegran.
El test de cointegracin consiste en:
Dado que la determinacin del nmero de vectores de cointegracin depende

del rango de y, por lo tanto, del nmero de races caractersticas distintas de cero
de dicha matriz, se requiere utilizar un test para verificar dicho nmero.
Si se tienen las n races de la matriz , i , donde 1 > 2 > ... > n , se puede
plantear el siguiente test:
H0 : numero de vectores de cointegracion r

el estadstico es :
n
( r ) = T Ln 1 $i jj
i = r +1
donde $i es la raz caractersticas estimada. Cuanto mayor nmero de sean iguales

a cero menor ser el ( r ) .
Este contraste es considerado superior al mtodo uniecuacional desarrollado

por Engle y Granger. Las propiedades estadsticas del procedimiento de Johansen son
generalmente mejores y el poder de la prueba de cointegracin es ms elevado. Hay
que indicar que los procedimientos de Engle - Granger y Johansen se basan en
diferentes metodologas economtricas y por tanto no pueden ser comparadas
directamente.
EJEMPLO:
Considerando el modelo de demanda de gelatina, en el Eviews se sigue la
siguiente instruccin:
Quick Group Statistics Cointegration Test Q1 P1 M1 R1
OK OK.
el computador nos muestra el siguiente resultado:

Johansen Cointegration Test
=================================================================
Sample: 1985:1 1990:4
Test assumption: Linear deterministic trend in the data
Series: Q1 P1 M1 R1
Lags interval: 1 to 1
=================================================================
Likelihood
5 Percent 1 Percent Hypothesized
Eigenvalue
Ratio
Critical ValuCritical
ValuNo. of CE(s)
=================================================================
0.758424 50.16823
47.21
54.46
None *
0.402068 18.91567
29.68
35.65
At most 1
0.281854 7.601560
15.41
20.04
At most 2
0.014339 0.317750
3.76
6.65
At most 3
=================================================================
*(**) denotes rejection of the hypothesis at 5%(1%) significance level
L.R. test indicates 1 cointegrating equation(s) at 5% significance level
H 0 : numero de vectores de cointegracion r
tenemos:
LR = 5016823
.
> 47.21
por lo tanto, existe una regresin de cointegracin.
10
COINTEGRACIN Y MECANISMO DE CORRECCIN DE ERRORES

(ECM)
Si Yt y X t estn cointegradas entonces hay una relacin de equilibrio de largo
plazo entre las dos y por lo tanto, se puede tratar el trmino de error como el error
de equilibrio. Y se puede utilizar este trmino de error para atar el comportamiento
de corto plazo con su valor de largo plazo.
El mecanismo de correccin de errores (ECM) utilizado por primera vez por
Sargan y ms tarde por Engle y Granger, corrige el desequilibrio.
Se considera:
Yt = 1 X t 2 u$t 1 + ut
donde t N 0, 2 , u$t es la combinacin lineal de X t e Yt dos variables que se

supone son CI(1,1). 1 recoge el efecto impacto o la relacin de corto plazo entre
ellas y 2 recoge el efecto feedback o de ajuste a la relacin de largo plazo.
Si 2 es significativo estadsticamente entonces ste dice qu proporcin del
desequilibrio en Y en un periodo es corregida en el periodo siguiente.
Engle y Granger (1987) proponen el siguiente procedimiento para estimar este
tipo de modelos:
1
Verificar que X t e Yt sean integradas de orden 1.
Estimar por mnimos cuadrados ordinarios la ecuacin de cointegracin (o

relacin de largo plazo).
Verificar que los residuos de la ecuacin de cointegracin sea integrada de

orden 1, es decir, que X t e Yt cointegren.
Utilizar el error de la ecuacin de cointegracin rezagado un perodo, junto

con la primera diferencia de Y e X para estimar la ecuacin de correccin de
errores.
11
MODELO VAR
11.1. Introduccin
Fueron planteados inicialmente por C. Sims en un artculo publicado en 1980 en
ECONOMETRICA, bajo el ttulo de Macroeconoma y realidad
Surgen como una crtica a los mtodos tradicionales de elaboracin de modelos
economtricos al estilo de la Cowles Commision, y sobre todo a la forma en como se realiza
la identificacin.
Sims, retoma una antigua crtica de Liu (1960) en el sentido de que las restricciones
que se imponen en los modelos son ficticias y no se corresponden con la realidad en la que
todas las variables son dependientes.
Adicionalmente Sims se plantea el problema de la dinamicidad de las relaciones y la
escasa informacin que aporta la teora econmica
Presentacin clsica a la identificacin
Las relaciones que observamos son el resultado de la interaccin de muchas variables
por lo que debemos realizar un proceso de identificacin o separacin de los efectos de cada
variable.
En trminos de un modelo multiecuacional las relaciones que observamos son las
recogidas en la forma reducida, por lo que es necesario realizar el proceso de identificacin
(obtencin de la forma estructural).
La forma estructural es:
Yt = Yt + X t + U t
La forma reducida es:
Yt = X t + Vt
El sistema de ecuaciones es:
= ( I ) 1 = *
donde se tiene g x k ecuaciones y (g2 -g )+ (g x k) incgnitas. Existe un exceso de (g2 -g )
incgnitas que hay que eliminar, habitualmente por nulidad a priori. Por lo tanto, se tiene una
condicin necesaria en cada ecuacin siguiente:
R > G 1
Planteamiento:
Se pretende especificar un modelo que recoja de la mejor forma posible la evolucin
de un sistema econmico sin que sea necesario imponer demasiadas restricciones a priori. Se
busca un modelo dbilmente restringido.
nicamente se necesita especificar las variables que intervienen y el nmero de

retardos adecuado.
Se parte de la especificacin general del modelo en la forma reducida:
Yt = X t + Vt
Se genera un nuevo vector Z t que comprende el conjunto de variables:

Z t = (Yt , X t )
Tomando el nuevo vector Z t como una variable aleatoria multivariante podemos

utilizar el Teorema de la descomposicin de Wold (1938) segn el cual toda variable
aleatoria puede descomponerse en un componente determinista y un componente aleatorio.
Obviando por simplicidad el primero tenemos:
Z t = c( L) t
Z t = Dt + c( L) t
Descomponiendo la matriz de retardos c(L) en dos componentes a(L) y b(L), se

tiene:
a ( L ) Z t = b( L ) * t
Z t = a 1 ( L) * b( L) * t
a ( L) Z t = B t
Separando los valores contemporneos de a obtenemos la representacin

autorregresiva pura:
1
Z t = a0 (a1Z t 1 + a1Z t 2 + a1Z t 3 + + ar Z t r + B t )

11.2. Especificacin
Una vez determinadas las variables y los retardos adecuados, bastar con especificar
cada variable en funcin de sus propios valores retardados y de los valores retardados del
resto de variables. Se tiene:
m
Yi ,t = Di ,t + ijYi ,t j + ui ,t
i =1 j =1
Especificacin escalar de la ecuacin i-sima:
Yi ,t = Di ,t + 11,tY1,t 1 + 12,tY1,t 2 + 1r ,tY1,t r +

+ 21,tY2,t 1 + 22,tY2,t 2 + 2 r ,tY2,t r + +
+ m1,tYm ,t 1 + m 2,tYm ,t 2 + mr ,tYm ,t r + ui ,t
Las perturbaciones aleatorias de cada ecuacin son ruido blanco, es decir presentan
homocedasticidad y ausencia de autocorrelacin. Es decir:
Cov (u1 ) = E (u1u1 ) = 2 I

Las perturbaciones aleatorias de distintas ecuaciones presentan una matriz de
varianzas y covarianzas constante para cada observacin t. Tenemos:
Cov (ui , u j ) = E (ui u j ) =
o:
211 212 21m
2
2
2
21
22
2m
2
2
2
m1 m 2 mm
11.3. Estimacin
Teniendo en cuenta que las variables explicativas son todas retardadas y como
consecuencia de la ausencia de autocorrelacin no estn correlacionadas con las
perturbaciones aleatorias, podemos estimar el modelo de forma consistente por Mnimos
Cuadrados Ordinarios (MCO). Se tiene:
= (Yt jYt j ) 1Yt jYt

La existencia de correlaciones entre las distintas ecuaciones podra inducir la
necesidad de utilizar mtodos de estimacin con informacin completa. Ahora bien, al no
existir restricciones en la matriz de coeficientes (todas las variables aparecen incluidas en
todas las ecuaciones) los mtodos alternativos no sern ms eficientes que los de M.C.O.
Charezma (1992).
La determinacin del nmero ptimo de retardos debe realizarse de forma cuantitativa,
ya que no existen evidencias tericas al respecto.
Sims, en su artculo inicial propone la utilizacin de un Ratio de verosimilitud entre el
modelo restringido (el que tienen el menor nmero de retardos) y el modelo ampliado (el que
incluye todos los retardos deseados), de la forma siguiente:
(T c)[Log r Log a ] R2
con T nmero de observaciones, c nmero de variables de modelo ampliado, matrices de
productos cruzados de residuos, R nmero total de restricciones.
Otras medidas alternativas de seleccin de retardos son:
Akaike Information Criteria:
AIC = 2
k
+2
N
N
log( N )
+k
N
N
con = Nm (1 + 2 log 2 ) N log , m nmero de ecuaciones y c el nmero de variables.
2
2
Schwarz Criteria:
SC = 2
En trminos prcticos se recomienda utilizar la siguiente receta:

1
Limpiar cada una de las series de cualquier tipo de no estacionariedad. Es decir:

aplicar el ploteo, correlograma (AC y PAC), DFA y el Test de Zivot y Andrews (Test
de quiebre estructural).
El Test de Zivot y Andrews determina en que periodo se debe agregar una variable
dummy para corregir el quiebre que puede ser en: intercepto, tendencia o ambos.
2
Estimar por MCO cada ecuacin, individualmente.
Determinar el nmero de rezagos de las variables explicativas que deben permanecer

en cada ecuacin. Para ello se sugieren dos tipos de test:
El test F por bloques, para probar la hiptesis nula de que un nmero i de rezagos
deben incluirse como explicativas en cada ecuacin, versus la alternativa de que
dicho nmero es i+r>i. Este test tiene el problema de que debe ser aplicado
individualmente a cada ecuacin, pudiendo llegarse a la conclusin de que el
nmero de rezagos a incluirse en ellas es diferente en cada caso. Esto le restara
eficiencia al estimador de MCO.
El Test de Mxima Verosimilitud (Likelihood Ratio Statistic - LR) para el
conjunto de ecuaciones. Nos sirve para determinar el nmero de rezagos ptimo de
un VAR, SIMS (1980). La hiptesis nula de este test es que el sistema tiene un
nmero i de rezagos versus la alternativa de que este nmero es i+r. El estadstico
sera:
(T c)[Log r Log a ] R2
donde:
log |a| = logaritmo natural del determinante de la matriz de varianzas y
covarianzas para el modelo con a rezagos.
T = nmero de observaciones.
c = nmero de parmetros estimados en cada ecuacin del sistema no
restringido. Es decir: c = m(r+i).
q = grados de libertad, nmero de restricciones en todo el modelo. Es decir:
q = m2 r.
Este test se distribuye 2 con grados de libertad igual al nmero de
restricciones en el sistema (q=m2r). Este test tiene poco poder para rechazar test
sucesivos de restriccin de rezagos; por ello el rezago referencial debe ser el de
mayor valor en el sistema, es decir, cualquier hiptesis nula debe ser contrastada
contra el rezago (i+r). Si se acepta la hiptesis nula (H0), procedemos a verificar
con un rezago menor.
11.4. Identificacin
En los modelos VAR la etapa de identificacin se diferencia de la de estimacin y, al
contrario de los modelos clsicos, esta identificacin se realiza durante el periodo de
simulacin. (Determinacin de los efectos aislados de cada variable sobre el resto).
El proceso de identificacin se realiza sobre la Matriz de Varianzas y covarianzas de
las perturbaciones ya que se utilizan dichas perturbaciones para introducir las alteraciones
que nos conducen al anlisis de la simulacin.
Las simulaciones a realizar, denominadas ANALISIS DE IMPULSO RESPUESTA,
consistirn en introducir una alteracin en la perturbacin aleatoria de una ecuacin
(generalmente igual al valor de su desviacin tpica, y comprobar el resultado que esta
alteracin tiene sobre el conjunto del sistema.)
Teniendo en cuenta que existen correlaciones entre las perturbaciones de las distintas
ecuaciones no podremos diferenciar claramente los efectos individuales de cada perturbacin
a menos que se realice una transformacin previa.
El proceso de identificacin en un Modelo VAR se realiza mediante la
ortogonalizacin de las perturbaciones aleatorias; es decir debemos trasformar el modelo
original para que la Matriz de Varianzas y Covarianzas sea diagonal.
Toda matriz simtrica puede ser convertida en una matriz diagonal operando con
una nueva matriz triangular de acuerdo con la siguiente expresin:
D =
Premultiplicando las variables originales del modelo por la matriz triangular ,
obtendremos una nuevo modelo cuya matriz de varianzas y covarianzas de la perturbacin es
diagonal (independiente de unas ecuaciones a otras).
m
Yi ,t = Di ,t + ijYi ,t j + ui ,t
i =1 j =1
Cov(ui ,t , u j ,t ) = E (ui ,t , u j ,t ) = = D
La solucin inicial propuesta por Sims es la conocida como factorizacin de Cholesky,
donde la matriz es una matriz triangular inferior, cuya aplicacin a la matriz original
perturbaciones aleatorias, genera un efecto de cadena causal entre las distintas variables
(perturbaciones), por lo que previamente deberemos haber ordenado las variables del sistema
de mayor a menor exogeneidad relativa.
Esta factorizacin de Cholesky asume que toda la perturbacin aleatoria de la primera
ecuacin corresponde a la primera variable, es decir que no hay efecto adicional procedente
de las siguientes variables; la perturbacin de la segunda ecuacin proviene de la primera y
de la suya propia, y as sucesivamente a lo largo de una cadena causal.
El problema surge del hecho de que los resultados de la simulacin no son
independientes del orden de las variables por lo que ordenaciones distintas nos conducen a
alternativas diferentes en la simulacin.
Funciones Impulso-Respuesta
Constituyen la herramienta bsica de simulacin con modelos VAR, para el anlisis de
teoras o polticas econmicas. Constituyen una representacin de cmo los shocks inducidos
en una variable afectan al conjunto del sistema.
Parten de la representacin de medias mviles del sistema autorregresivo, que una vez
ortogonalizado, nos permite analizar los efectos individuales de cada una de las variables.
Partiendo del modelo autorregresivo general multivariante:
r
Yt = jYt j + ut
j =1
Utilizando el operador retardo:
Yt = B( L)Yt + ut = ( I B( L))Yt = ut
Y operando en la expresin anterior obtenemos:
Yt = [( I B( L))] ut = M ( L)ut = M s L ut = M s ut s
1
s =0
s =0
donde cada una de las variables se expresa en funcin de las perturbaciones aleatorias
acumuladas.
La segunda herramienta de simulacin que nos ofrecen los modelos VAR es la
Descomposicin de la varianza del error de prediccin, y consiste en determinar, para cada
horizonte de prediccin k, qu porcentaje de las variaciones de cada variable Yi,t+k es
explicado por cada perturbacin ui,t+k
Nuevamente parten de la representacin de medias mviles del modelo autorregresivo
multivariante y previamente ortogonalizado
Yi ,t + k = M i , s ui ,t s + k
s =0
La varianza del error de prediccin ser:
Pi = var(Yi ,t + k E (Yi ,t + k ) = M i , s M i, s
s =0
Pudiendo calcularse qu porcentaje del total de la varianza viene inducido por cada
perturbacin i
11
MODELO VEC (Modelos de Vectores de Correccin del Error).

Ciertas modelizaciones entre variables no estacionarias, pero que cumplen ciertas
condiciones denominadas de cointegracin, no slo no son espurias, sino que aportan gran
informacin sobre las relaciones de equilibrio a largo plazo de las variables econmicas.
Un modelo de vector de correccin del error (VEC) es un modelo VAR restringido
(habitualmente con slo dos variables) que tiene restricciones de cointegracin incluidas en
su especificacin, por lo que se disea para ser utilizado con series que no son estacionarias
pero de las que se sabe que son cointegradas.
El principio detrs de estos modelos es que existe una relacin de equilibrio a largo
plazo entre variables econmicas y que, sin embargo, en el corto plazo puede haber
desequilibrios. Con los modelos de correccin del error, una proporcin del desequilibrio de
un perodo (el error, interpretado como un alejamiento de la senda de equilibrio a largo
plazo) es corregido gradualmente a travs de ajustes parciales en el corto plazo.
Una de las claves de los modelos VEC es determinar si las series que modelizamos
son cointegradas y, si es as, determinar la ecuacin de cointegracin. Para ello utilizamos el
mtodo de Johansen.

Granger

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Granger

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL DE PIURA

M. Sc. Eco. LUIS A. ROSALES GARCA

CASTILLA, JUNIO DEL 2010.

EVALUACIN DE MODELOS MULTIECUACIONALES

Variable Endgena es aquella cuyo comportamiento pretendemos estimar.

Se consideran como exgenas aquellas que estn

Se consideran exgenas aquellas que no estn

Segn Koopmans (1950) la definicin estadstica de exogeneidad debe ser

En un sistema con variables retardadas se considera como

Que slo intervengan en las ecuaciones estructurales con algn nivel de

Que an interviniendo sin ningn nivel de retardo, ests slo dependan de

DEFINICIN ESTADSTICA: Partimos de la definicin de un sistema completo

y presentando una funcin de distribucin conjunta de las perturbaciones aleatorias

f t (u1 ,L, ui Lur )

El conjunto de variables endgenas no intervienen en las ecuaciones de las

Las funciones de distribucin de las perturbaciones aleatorias son

El Jacobiano del conjunto de perturbaciones aleatorias con respecto al total de

Una variable es predeterminada en una ecuacin

Una variable es estrictamente exgena si es

Para explicar estos conceptos es preciso considerar un modelo con variables

u1t y u2 t son mutua y serialmente independientes.

Exogeneidad dbil.- una variable X t es dbilmente exgena para estimar un

Yt y X t tienen una distribucin normal bivariada, existen cinco

parmetros: u1 , u 2 , 11 , 22 , 12 . Es posible transformarlos

Superexogeneidad.- Si X t es dbilmente exgena y los parmetros en la

Si modificamos u 22 y 22 (parmetros en la distribucin

Si X t es dbilmente exgena y no est precedida

(u1t , u 2t ) se distribuye normal bivariada y son serialmente independientes,

Vat (u1t ) = 11 , Vat (u 2t ) = 22

Si 12 = 0 entonces X t es dbilmente exgena debido a que la

depende de Yt 1 ; por lo tanto, X t no es fuertemente exgena.

Y1t = 2Y2t + 3Y3t + 1 Z 1t + u1t

se quiere probar si es posible tratar a Y2 y Y3 como exgenas para la estimacin de

Obtenemos los valores predichos de Y2 y Y3 , a partir de las ecuaciones en la

Luego se estima el modelo:

Y1t = 2Y2 t + 3Y3t + 1 Z 1t + 2Y2 t + 3Y3t + u1t

Se realiza la prueba de Wald para probar la hiptesis:

si se acepta la hiptesis nula entonces Y2 y Y3 si pueden tratarse como

DDt = 1 + 2 I t + 3 ENCt + 4 DDt 1 + u1t

Estimamos la forma reducida de DD e INF y obtenemos los valores predichos

Se estima el modelo extendido, obtenindose:

Realizamos la prueba de Wald para probar la hiptesis:

El Eviews da el resultado siguiente:

F = 2.252994 < 3.1357193449 = F(0.95, 2 , 66 )

se acepta la hiptesis nula, es decir, las variables DD e INF pueden tratarse

y se estima el siguiente modelo:

para la no causalidad de Granger se requiere que 21 = 0 . En cambio, para que X t

entonces 21 = 0 no implica que 2 = 0 y 21 = 0 . Por lo tanto, la prueba de

1.4.1. CRITERIO ECONMICO

Los parmetros estimados tengan el tamao y el signo que la teora seala, o

los parmetros estimados no posean las caractersticas que la teora espera.

CPt = 0 + 1 PBI t + u1t

IBt = 0 + 1 (PBI t PBI t 1 ) + 2 TIBt + u 2t

La teora econmica determina que:

Los resultados economtricos de la estimacin del modelo son:

La funcin consumo personal presenta correcto el signo y tamao del

1.4.2. CRITERIO ESTADSTICO (CRITERIO DE PRIMER ORDEN)

Test o Prueba de Hiptesis: Pueden ser pruebas individuales o conjuntas,

PRUEBA DE SIGNIFICANCIA INDIVIDUAL:

La crtica a este coeficiente se sustenta en que un modelo multiecuacional no

1.4.3. CRITERIO ECONOMTRICO (CRITERIO DE SEGUNDO ORDEN)

RY es el coeficiente de correlacin mltiple de la ecuacin, o la raz cuadrada de su

La funcin de consumo personal no presenta multicolinealidad. La primera y

WHITE SIMPLIFICADO.- No requiere especificar la forma que puede