Cap15 SeriesTiempoEstacionarias

CAPITULO 15
SERIES DE TIEMPO ESTACIONARIAS
15.1. INTRODUCCIN
Una serie de tiempo es una secuencia de datos numricos, cada uno de los cuales se asocia con un
instante especfico del tiempo. Podemos citar como ejemplos de series de tiempo al ndice mensual
de inflacin, al tipo de cambio diario, al producto bruto interno trimestral, al ndice de desempleo
anual, etc. Estas series poseen como caracterstica que los lapsos de tiempo, para cada una de ellas,
son homogneos; es decir, si se utiliza una serie con datos semanales, este mismo tipo de datos
(misma frecuencia)se deber mantener durante toda la serie.
El anlisis de una secuencia de datos se conoce como un anlisis de series de tiempo de una
variable. En caso que se est estudiando un conjunto de series para la misma secuencia de tiempo,
este anlisis es denominado anlisis mltiple de series de tiempo. El objetivo de este anlisis es
estudiar la dinmica o estructura temporal de la informacin. A travs del estudio y comprensin
del comportamiento de las series econmicas, se puede llegar a predecir utilizando la informacin
que se tiene hasta el momento utilizando extrapolacin.
En el captulo Modelos de Rezagos Distribuidos se introdujeron rezagos en el modelo. Estos

principalmente correspondan a las variables explicativas, aunque tambin se emplearon los
rezagos de la variable explicada. Sin embargo, el empleo de estas no se realiz de forma sistmica
ni se busc determinar la estructura temporal de la variable a explicar.
La importancia del estudio de las Series de Tiempo radica en que empricamente el empleo de
modelos estructurales (que incluyen valores presentes y pasados de varias variables exgenas y
algunos rezagos de las variables endgenas) no ha podido alcanzar la misma calidad de resultados
que se obtienen a partir del anlisis univariado. En este captulo nos abocaremos al estudio
10 Econometra Moderna
univariado de las series, utilizando para esto los rezagos de la variable (su componente
autorregresivo) junto con trminos estocsticos presentes y rezagados (componente de medias
mviles)1.
15.2. SERIES DE TIEMPO ESTACIONARIAS Y NO ESTACIONARIAS
Las series de tiempo econmicas generalmente estn compuestas por una tendencia, un
comportamiento estacional, uno cclico y un componente irregular, tal como lo muestra la figura
15.1.
Tal como se puede observar, el componente tendencial y el componente estacional2 son de ms

fcil clculo, aunque an as el investigador puede toparse con algunas dificultades ya que pueden
incorporar en ellos algn tipo de componente estocstico (tendencias estocsticas o bien
irregularidad en la frecuencia o amplitud de los ciclos). El componente estacional presenta un
comportamiento bastante predecible. Los ciclos se van repitiendo cada 17 unidades de tiempo,
lapso de tiempo en que se repiten los picos. La presencia de la tendencia provoca que la media de la
serie vaya cambiando constantemente. La ciclicidad de las series se marcan ms profundamente por
la considencia de puntos altos del componente irregular y de picos estacionales mientras que los
puntos de depresin son provocados por la considencia de puntos valle junto con puntos profundos
del componente estacional.
Los componentes de la serie ST pueden, por ejemplo estar descritos por las siguientes relaciones:
Tendencia: T = 1 + 0.07 x t
Estacionalidad: E = 0.6 x sin(t/6)
Componente Irregular: I = 0.6 x It-1 + t
donde t es el elemento que le introduce la estocasticidad al componente I. Es decir, el

comportamiento de este componente se ve continuamente afectado por shocks aleatorios.
Lo que ahora nos interesa es el estudio del componente irregular. Como se puede ver en la Figura
15.1, el comportamiento de este componente presenta puntos bajos seguidos por puntos bajos y
puntos altos continuados con puntos altos. La prediccin de corto plazo aprovecha este tipo de
relaciones. Sin embargo, si se quiere realizar una estimacin de largo plazo, los investigadores
tienen que limitarse con seguir la media que presenta este componente irregular ya que de esta
manera podemos tener la nica certidumbre que en promedio estamos obteniendo una buena
estimacin. Esto est condicionado a que la media de la serie permanezca ms o menos constante a
lo largo de la muestra porque si fuese muy inestable, entonces el investigador no tendra
certidumbre de su medicin.
1
Ambos componentes son denominados componente AR y componente MA, respectivamente.
2
Para los fines prcticos de este libro, no haremos diferenciacin entre comportamiento cclico y tendencial.
Generalmente el primero involucra el comportamiento de la serie para un mayor lapso de tiempo (de 32 a 6 trimestres),
mientras que el segundo representa un comportamiento recurrente en un menor plazo de tiempo (aprox. un ao). Una
crtica que se le hace al anlisis de covarianzas que se emplear en este captulo es que no permite determinar con
exactitud los movimientos de alta o baja frecuencia de la serie, impidiendo realizar una adecuada seleccin de los
componentes de la serie. Para este objetivo, el anlisis expectral presenta mejores resultados.
Captulo 15: Series de Tiempo Estacionarias 11
Tericamente una serie de tiempo puede ser vista como una coleccin de variables aleatorias Yt3. Es
por este motivo que una coleccin de este tipo de datos se le denomina proceso estocstico. Cada
una de estas observaciones es una realizacin del proceso estocstico subyacente. Es una tarea de la
teora econmica el desarrollar modelos que capturen el verdadero proceso generador de datos
(PGD).
10
0
30 40 50 60 70 80 90 00 10 20
ST
-2
-4
30 40 50 60 70 80 90 00 10 20
Tendencia Estacionalidad Irregular
Figura 15.1
Serie de Tiempo y sus componentes: Tendencia, estacionalidad y el
componente irregular
Una serie de tiempo puede ser continua o discreta. Un ejemplo de una serie continua vendra a estar
dado por el registro de un electrocardiograma. Series discretas pueden ser encontradas en grandes
cantidades si buscamos en cualquier compendio estadstico. Ejemplo de stas pueden ser el ndice
de desempleo, el PBI agrcola, la oferta monetaria, etc. Con el mejoramiento de la tecnologa y el
boom que se ha dado en el sector financiero, las series discreta de cotizacin de acciones que hace
unos aos eran publicadas semanal o diariamente, ahora son registradas en cada segundo por lo que
podemos decir que contamos con nuevas series continuas o sino fjense en la cotizacin de
3
Se dice que una variable es aleatoria si para cualquier numero real r, existe una probabilidad p(Y r) de que y tome
valores menores o iguales a r. Esto implica que al menos existe un valor de r por el cual se cumple que 0 < prob(Y=r) <1.
Si existiese alguna r para el cual p(Y=r)=1, y es determinstico antes que aleatorio. Ender Walter, Applied Econometric
Time Series, John Wiley & Sons, pp. 64
Microsoft en el Nasdaq (se asemeja mucho a un electrocardiograma ser el electrocardiograma de

Bill Gates?)4.
Estacionariedad Estricta y Dbil
Un proceso estocstico puede ser descrito de acuerdo a la distribucin conjunta de las variables Yt.
Sin embargo, y para evitar hacer tan complicado el anlisis, al momento de definir un proceso
bastar con determinar el primer y el segundo momento de las variables Yt. Estos son:
1. La media: t E (Yt )
2. La varianza: t2 Var (Yt )
3. Las autocovarianzas: (t1 , t 2 ) Cov(Yt1 , Yt 2 )
Una clase muy importante de procesos estocsticos son los estacionarios. Una serie se define como
estacionaria cuando no presenta tendencia y su desarrollo corriente se encuentra alrededor de su
media. Cualquier shock que sufra en cualquier momento en el tiempo no tendr efectos
permanentes y slo la alejar temporalmente de su equilibrio. En caso que la serie sea no
estacionaria, el camino que recorre a travs del tiempo est determinado por los shocks que percibe
durante su trayectoria y son estos los que determinan ntegramente su recorrido. No presentan una
media determinada.
Durante todos los captulos anteriores se haba estado trabajando bajo el supuesto que todas las
series eran estacionarias. De lo contrario, la comprobacin de las pruebas de hiptesis basada en el
empleo de las pruebas t, la F y la chi-cuadrado y otras pruebas similares, perdera su confiabilidad.
Esto ltimo se debe al hecho que la variable no responde a una media constante y por ende su
distribucin estara indefinida.
La estacionariedad puede ser definida de dos maneras: estacionariedad fuerte y estacionariedad

dbil.
Se define un proceso estocstico discreto (PED), en el sentido estricto, a aquel PED que, dada una
m-tupla (t1, t2, ..., tm) y nmero entero K, posee un vector de variables (Yt1, Yt2, Yt3,...,Ytm) que tiene
la misma distribucin de probabilidad conjunta que el vector (Yt1+k, Yt2+k, Yt3+k,...,Ytm+k). Esta
definicin es vlida para todos los valores de m. Si determinamos que el conjunto de variables
fuese 1 (m=1), obtenemos un (t)= constante y 2(t) = 2 constante para todo t (independiente del
tiempo). En el caso en que sustituyramos m=2, obtendramos una distribucin conjunta para Yt1 e
Yt5 igual a la distribucin de Yt1+k y Yt5+k. Es decir, la distribucin debe ser independiente del
tiempo. Por ende, las covarianzas y el coeficiente de correlacin no varan ante cambios del tiempo
si mantenemos el nmero de rezago (k) constante.
La definicin estricta de estacionariedad es demasiado rigurosa como para que realmente se pueda
comprobar en la prctica. La misma implica que la distribucin de Yt y de cualquier combinacin
de stas, involucrados todos sus momentos, es independiente del tiempo. Si se relaja un poco los
supuestos y se limita esta independencia al primer (media) y segundo momento (varianza y
4
En el anlisis de series de tiempo se emplean series discretas.
autocovarianza), entonces estamos definiendo dbilmente la estacionariedad. Este tipo de

estacionariedad tambin es denominado estacionariedad de segundo orden, estacionariedad en
sentido amplio, estacionariedad de covarianza.
No estacionariedad
En el prximo captulo se realizar el anlisis de series de tiempo no estacionarias. Estas se

diferencian de las estacionarias en que presentan una media que s depende del tiempo. Adems
puede ser que no mantengan constantes el resto de los momentos de su distribucin.
Serie Estacionaria Serie No Estacionaria
Serie No Estacionaria con tendencia determinstica.

20000
15000
10000
5000
0
50 55 60 65 70 75 80 85 90 95
Figura 15.2
Series estacionarias y no estacionarias - Consumo Privado en el Per (1950-1995)
En la Figura 15.2 se puede apreciar una serie estacionaria, una no estacionaria y una no estacionaria
con tendencia determinstica. La primera de ellas presenta un comportamiento irregular pero se
puede distinguir cierto patrn de comportamiento: las observaciones altas vienen acompaadas por
otras observaciones altas. Lo mismo sucede con las observaciones bajas. Adems, estas
oscilaciones se presentan alrededor de una media constante. La serie no estacionaria tambin
presenta un comportamiento irregular pero su media va cambiando conforme pasa el tiempo. En
este tipo de series los shocks mantienen su efecto permanentemente hasta que otro shock de mayor
magnitud produzca un cambio en su comportamiento5. Finalmente se cuenta con una serie no
estacionaria pero con tendencia determinstica. Esta serie, en comparacin a la anterior, presenta un
comportamiento relacionado con el tiempo. En este caso se ha graficado la serie del consumo
5
Este tipo de serie presentan races unitarias. Este concepto ser ampliamente discutido en el siguiente captulo.
privado en el Per de 1950 hasta 1995. Como la mayora de las series macroeconmicas, el factor
tiempo es bastante importante y determina el comportamiento de largo plazo de este tipo de series.
15.3. EL CRCULO UNITARIO Y LAS CONDICIONES DE ESTACIONARIEDAD
En esta seccin del captulo estableceremos cules son las caractersticas que deben presentar las
series de tiempo para determinar si son estacionarias o no. Para hacerlo utilizaremos la teora que
se encuentra detrs del desarrollo de ecuaciones en diferencia. Estas ltimas dejan de parecerse a
una serie de tiempo por el nico hecho de no incluir el trmino estocstico. Generalizando, una
serie de tiempo puede estar definida de la siguiente manera:
n
yt a0 a y
i 1
i t i Xt (15.1)
en donde Xt es conocido como el proceso generador y est compuesto por los valores presentes y
pasados de otras variables as como de variables estocsticas y del tiempo.
Si como ejemplo definimos que Xt sea igual a un trmino estocstico (t) y n=1, obtendremos la
siguiente expresin:
y t a0 a1 y t 1 t (15.2)
Al igual que en la resolucin de una ecuacin en diferencia, al trabajar con series de tiempo
necesitamos encontrar una expresin para Yt que no incluya a sus rezagos. Cul es la solucin para
la ecuacin anterior?. Para hallarla necesitamos| rezagar esta expresin varias veces:
y t 1 a 0 a1 y t 2 t 1
y t 2 a0 a1 y t 3 t 2

Si reemplazamos Yt-1 en Yt y luego Yt-2 en Yt y as sucesivamente, entonces obtendremos:
a
m
y t a 0 1 a1 a12 ... a1m i
1 t i a1m 1 y t m 1 (15.3)
i 0
Es esta la solucin?. No, porque an tenemos al lado derecho de la ecuacin la presencia de los
rezagos (en este caso un rezago) de la variable Yt.
Podemos seguir incrementando el valor de m (donde m representa el nmero de veces en que

rezago la variable y la vuelvo a reemplazar) y vamos a observar que contina la presencia de las Yt
en el lado derecho. Como al parecer, si seguimos rezagando las Yt no vamos a mejorar nuestro
resultado, asumiremos algunas condiciones o supuestos. El primero de ellos es asumir que el valor
absoluto de a1 es menor a 1 ( a1 1 ). Con esto estamos indicando que cada vez que rezaguemos
ms la expresin (15.3), el efecto marginal de los nuevos errores ser geomtricamente cada vez
menor. La segunda condicin para conseguir una solucin a la ecuacin (15.3) es suponer que se
rezaga infinitas veces. Con esta ltima condicin se lograr que el valor de Yt converja a algn
valor fijo en la medida que m va aumentando. Este valor es el siguiente:

a0
yt
a1i t i
1 a1 i 0
(15.4)
Esta expresin corresponde a la solucin de la expresin (15.2)6. Sin embargo, el valor que adopte
a1 va a producir diferentes resultados:
0.0
(a) Yt = 0.80Yt-1 + t (b) Yt = 1.25Yt-1 + t

0.0
0.0 0.0
(c) Yt = -0.30Yt-1 + t (d) Yt = -1.25Yt-1 + t
Figura 15.3
Diferentes trayectorias que pude optar una serie que presenta un nico rezago y un
trmino estocstico.
La solucin de la expresin (15.2) ha sido sencilla; sin embargo, el investigador se topar con
expresiones (procesos estocsticos) un tanto ms complejos por lo que se requiere contar con una
metodologa de resolucin.
6
Es importante resaltar que ante la presencia de un valor inicial de Yt (Y0), la solucin para la expresin (15.2) se podra
calcular sin incorporar las dos restricciones ( a1 1 y m ):
t 1 t 1
yt a0
i 0
a1i a1t y 0 a
i 0
i
1 t i
Yt est expresado en funcin de constantes, de trminos aleatorios, del tiempo y de un valor conocido de Yt (Y0).
Tal como hemos indicado al inicio de esta seccin, las series de tiempo pueden ser tratadas como
ecuaciones en diferencia. Si el lector recuerda cmo desarrollarlas estar en mejor posicin para
asimilar la teora que impartiremos en esta seccin. Sin embargo, aqu se desarrollar los puntos
necesarios para hacer entendible esta teora y se destacar cul es su importancia para este y el
resto de los captulos.
Como se ha indicado, nos interesa conocer la solucin de Yt ya que de esta manera podemos
observar su comportamiento en el tiempo. La solucin representada por la expresin (15.4) nos
indica que la condicin para que esta serie sea estable es que, a1 1 , tal como lo observamos en
los grficos (15.3). Sin embargo, podemos caracterizar el comportamiento de cualquier proceso a
partir de sus races caractersticas. La condicin sobre la cual descansa la convergencia de
cualquier serie radica en el valor de sus races caractersticas. Todas ellas deben ser menores a 1 en
valor absoluto7.
Ahora surge la pregunta natural: cmo se calculan las races caractersticas? Su clculo est ligado
al clculo de las soluciones homogneas de las ecuaciones en diferencia. Con un ejemplo
trataremos de facilitar el entendimiento de estos puntos.
Si tuvisemos la expresin:
y t 0.30 y t 1 0.40 y t 2 2 (15.5)
Para calcular las soluciones homogneas (es decir, encontrar una expresin para Yt que haga que la
suma de los componentes de Yt de la expresin anterior sea nula) se procede a reemplazar
Yt A t y obtenemos8:
A t 0.30A t 1 0.40A t 2 0
si dividimos esta expresin por A t 2 obtendremos:
2 0.30 0.40 0
Esta expresin es denominada ecuacin caracterstica y su resolucin nos da los valores de las
races caractersticas:
1 0.80
2 0.50
Ambas races son menores a 1 en valor absoluto, por lo que la expresin (15.5) es estable y
converge a su valor medio. Cul es la trayectoria de convergencia?. Para el caso de la expresin
(15.2), las distintas formas de convergencias se limitaban a 2: o bien se acercaban suavemente a
la media o bien lo hacan oscilando (Figura 15.3 a y c).
7
La condicin de estabilidad para la expresin (15.2) era que a1 1 ya que este coeficiente era a su vez la nica raz
caracterstica. El nmero de races caractersticas depende del grado de la expresin.
8
Las constantes y variables diferentes a Yt son anuladas.
Sin embargo, para expresiones del tipo (15.5), la forma de convergencia (o no convergencia) es
mucho ms variable. Para conocerlas tenemos que generalizar la expresin (15.5):
yt a1 yt 1 a2 yt 2 0
(ya se ha eliminado el trmino constante y el trmino generador).
Luego se construye la ecuacin caracterstica:
2 a1 a 2 0
en donde las races caractersticas adoptan los valores de:
1 , 2 (a1 a12 4a2 ) / 2

(a1 d ) / 2
donde d es el discriminante. El comportamiento de la serie de tiempo (su convergencia o no

convergencia) va a depender del valor que adopte el discriminante. De tal forma que se pueden
presentar tres casos:
CASO 1: d > 0, entonces, a12 4a 2 0
Se puede ejemplificar este caso utilizando la expresin (15.5):
Yt 0.30Yt 1 0.40Yt 2 2
en donde los coeficientes eran a1 0.30 y a2 0.30 . El valor del discriminante es de:
d (0.30) 2 4(0.40) 1.69 0
La ecuacin caracterstica es igual a: 2 0.30 0.40 0 ; y sus races son: 1 0.80 y

2 0.50 .Ambas son menores a la unidad en valor absoluto por lo que su trayectoria ser
convergente a su valor medio9. Se puede observa en la Figura (15.4a ).
9
Con tan slo observar el valor del discriminante y el de las races caractersticas podemos generalizar la forma de
convergencia o no convergencia de la serie. Sin embargo, si construimos la solucin homognea vamos a determinar con
mayor exactitud esta trayectoria. Esta solucin tiene la siguiente estructura:
Yt h A1 (1 ) t A2 ( 2 ) t
Para calcular las constantes A1 y A2 es necesario contar dos condiciones adicionales (dos valores dados de Yt). La
trayectoria mostrada en la Figura (15.4a) es elaborada asumiendo que el valor que adoptan estos coeficientes es igual a la
unidad por lo que toma esta forma de comportamiento.
1.0 10
0.8 8
0.6 6
0.4 4
0.2 2
0.0 0
(a) (b)
Figura 15.4: Caso d>0

En la parte (a), el valor absoluto de las races unitarias no exceden a la unidad. En la
parte (b) no se cumple esto por lo que la serie no converge.
Como segundo ejemplo se emplea la siguiente expresin:
Yt 0.70Yt 1 0.60Yt 2 6
los coeficientes tienen los siguientes valores: a 1 0.70 y a 2 0.60 por lo que el discriminante es
mayor a cero (d=2.89). La ecuacin caracterstica es igual a: 2 0.70 0.60 0 , por lo que
sus races adoptan los siguientes valores: 1 1.20 y 2 0.50. Como se puede apreciar en la
Figura (15.4 b), el hecho de presentar races unitarias mayores a la unidad (en valor absoluto)
provoca que la serie no sea estacionaria.
CASO 2: d = 0, entonces, a12 4a 2 0
Si el valor del discriminante es cero, las races caractersticas son todas iguales a a 1 / 2 . Como ya
se ha dicho, la condicin de estabilidad considera que las races deben ser menores a 1, y para este
caso especfico, esta condicin equivale a decir que a1 2 .
Ejemplo: Yt 1.2Yt 1 0.36Yt 2 0.40
Rpidamente podemos comprobar que el discriminante es igual a cero y que ambas races
caractersticas adoptan el valor de 0.6010.
10
Para el caso en que el discriminante sea igual a cero, la solucin homognea en la mayora de los casos est
determinada por la siguiente estructura:
Yt h A1 (1 ) t A2 t ( 2 ) t
El segundo componente del lado derecho de esta expresin es quien provoca el comportamiento creciente y luego
decreciente de Yt.
4
3.0
2.5
2
2.0
0 1.5
1.0
-2
0.5
-4 0.0
5 10 15 20 25 30 35 40 45 50 55 60 5 10 15 20 25 30 35 40 45 50 55 60
r1,r2=-0.90 r1,r2=0.60 r1,r2=0.85
(a) (b)
Figura 15.5: Caso d = 0

Diferentes trayectorias que puede adoptar la serie dependiendo de los valores
que tomen las races caractersticas. En la parte (a), los valores de las mismas
son de 0.60 en un caso y de 0.85 en otro caso. En la parte (b), las races
adoptan un valor negativo (-0.90) por lo que la serie oscila hasta alcanzar la
convergencia.
CASO 3: d < 0, entonces, a 12 4a 2 0
En el caso que el discriminante sea inferior a cero, las races caractersticas tendrn un componente
imaginario:
1, 2 (a1 i d ) / 2
donde i 1 .
Ejemplo: Yt 1.2Yt 1 0.90Yt 2 0.22
En este caso, el discriminante es menor a cero por lo que las races sern complejas, las mismas que
se pueden comportar de la siguiente manera11:
6 40
4 20
2 0
0 -20
-2 -40
-4 -60
5 10 15 20 25 30 35 40 45 50 55 60 10 20 30 40 50 60 70 80
(a) (b)
Figura 15.6: Caso d<0
La presencia de races complejas provoca un trayectoria sinusoidal
decreciente o creciente segn sea el caso.
11
La trayectoria sinusoidal es propia de este caso (d<0). En los casos anteriores se ha visto que las series oscilan
aparentando una trayectoria sinusoide; sin embargo, esto slo era aparentemente.
La convergencia en este tipo de series est determinada por la siguiente condicin:
r a2 1
En la parte (a) de la figura esta condicin se cumple por lo que converge, mientras que en la parte
(b) esto no se cumple12.
El Crculo Unitario
Una vez que hemos visto las diferentes formas que pueden adoptar las races caractersticas,
procederemos a precisar qu es lo que se entiende por la condicin de estabilidad del crculo
unitario.
El circulo unitario es un crculo de radio igual a 1 cuyo eje horizontal est compuesto por un
segmento de la recta de nmero reales, mientras que el eje vertical est compuesto por los nmeros
imaginarios. El punto de interseccin de ambas rectas est dado en el punto (0,0).
Podemos fcilmente ubicar las races caractersticas para los casos 1 y 2 ya que en ambos casos
slo se est tomando posesin de un punto de la recta horizontal. Para ubicar a las races
caractersticas del caso 3 es necesario recordar:
a1 d
1, 2 i
2 2
Si a1 fuese positivo, entonces las races caractersticas estn ubicado en los cuadrantes I y IV de la
Figura (15.7). La abscisa va a ser la misma para ambas races (a1/2); mientras que la ordenada
d
adopta los valores de i .
2
12
La solucin homognea para un proceso de este tipo es la siguiente:
Yth A1r t cos(t A2 )
r a2

donde:
cos( ) a 1 / 2 a 2
La amplitud de las oscilaciones depende del trmino r. Otra vez, A1 y A2 son constantes.
Figura 15.7: El Crculo Unitario

El eje de las abscisas est constituido por los nmeros reales; mientras que el eje
de las ordenadas, por nmero imaginarios. El radio de este crculo es igual a la
unidad y en l se pueden representar los tres tipos de races caractersticas que
un proceso puede presentar.
Sin embargo, en ambos casos, la extensin del radio es igual a:
r (a1 / 2) 2 (i d / 2)
Si se desarrolla se va a llevar a que el radio es igual a: r a 2 , y de acuerdo con el caso #3,

r <1 para que exista la convergencia.
De esta manera, para que cualquier tipo de serie sea estacionaria, todas sus races caractersticas
deben situarse dentro de un crculo de radio igual a 1.
Generalizando: si tenemos procesos de mayor grado, tal como el siguiente:
n
Yt aiYt i
i 1
se tienen que calcular sus n races caractersticas procedentes de esta ecuacin:
n a1 n1 ... a n 0
la estabilidad de la serie Yt requiere que todas las races caigan dentro del crculo unitario. Para el
caso particular de contar con slo races reales, esta condicin se restringe a que las races sean en
valor absoluto menores a 1.
Al ser muy difcil calcular las races unitarias de grados mayores al cbico, especificaremos
algunas condiciones necesarias o suficientes que deben cumplir los coeficientes para que las serie
sea estacionaria.
n
Condicin necesaria: ai 1
i 1
n
Condicin suficiente: ai 1
i 1
n
En el caso que a i 1 , esto significa que existe una raz igual a 1 por lo que el proceso llevar el
i 1
nombre de proceso de raz unitaria13.
Antes de terminar esta seccin debemos advertirle a nuestros lectores que es necesario que
refresquen su memoria con respecto al uso del operador de rezagos. Si bien esta herramienta ya ha
sido empleada con anterioridad, es necesario conocer todas sus caractersticas y propiedades. Para
facilitarles la tarea, en el Apndice 15.1 se especifican algunas propiedades de este operador que
sern de bastante utilidad.
15.4. MODELOS DE SERIES DE TIEMPO
Durante el desarrollo de la econometra se han elaborado diferentes mtodos que buscaban dotar a
los investigadores de herramientas para poder realizar estimaciones acerca de los valores futuros de
las variables bajo anlisis. Uno de los primeros mtodos consista en el empleo de los modelos de
regresin uniecuacionales. Estos buscan recoger de la teora econmica las relaciones a establecer
entre las variables que van a conformar el modelo. Por ejemplo, la demanda por dinero debera
estar explicada por el nivel de ingreso de los agentes, la tasa de inters y la inflacin esperada.
Luego, con el empleo de las distintas series se estima cules son las variables significativas y sus
coeficientes. Una vez determinada las variables relevantes y todos los parmetros, el modelo puede
ser utilizado para predecir la demanda por dinero futuro. Sin embargo, el grado de ajuste de este
tipo de modelo se iba deteriorando marcadamente conforme se alejase en el futuro.
Otra tcnica bastante utilizada es el sistema de ecuaciones. Estas fueron empleadas con el objetivo
de predecir variables macroeconmicas a travs de una compleja gama de ecuaciones que buscaba
recoger toda relacin existente entre las variables bajo anlisis. Sin embargo, tras la psima
performancia que presentaron durante la crisis del petrleo y la crtica de Lucas, estos modelos
fueron dejados de lado. La crtica se centra principalmente en que los parmetros calculados por el
modelo dependen de la poltica prevaleciente en el momento en que se realiza la estimacin. Esto
implica que ante un cambio de la misma, la probabilidad de que los parmetros dejen de ser
significativos es alta.
13
Este tipo de procesos son denominados procesos con tendencias estocsticas, cmo ya se mencion en la seccin 15.2,
estos sern analizados en el prximo captulo.
A finales de la dcada de los setenta, Box y Jenkins desarrollaron una nueva herramienta de
prediccin denominado como modelo autorregresivo integrado de media mvil (ARIMA). Este
mtodo antes de tratar de realizar un anlisis econmico, se concentra en las propiedades
probabilsticas de las series de tiempo. En su forma ms general est representado de la siguiente
manera:
yt a 0 a1yt -1 .... a p yt -p t 1t -1 qt -q
Un modelo ARIMA estacionario es denominado ARMA. A continuacin vamos a ir explicando las

diferentes formas estructurales que un modelo ARIMA puede adoptar dependiendo de la inclusin
de los rezagos de la variable Y (componente autorregresivo-AR), de los rezagos de los errores
(componente de medias mviles-MA) o bien de ambos a la vez (modelos ARMA).
Sin embargo, antes de empezar a describir cada uno de los modelos es necesario explicar el
comportamiento del elemento bsico de los modelos estocsticos discretos de series de tiempo: el
proceso ruido blanco (white-noise process). Una serie {t} es denominada ruido blanco si su
media es igual a cero, su varianza es constante y los elementos de la serie no se correlacionan entre
s.
E ( t ) E ( t -1 ) .. ... 0
E ( 2 t ) E ( 2 t -1 ) ... 2 o bien var( )var(t t -1 ) ... 2
y para todo j
E ( t t -s ) E ( t - j t - j-s ) 0 para todo s o bien cov( t , t -s ) cov ( t - j , t - j-s ) 0
De la forma en que se ha definido el proceso ruido blanco es fcil determinar que este cumple con
las caractersticas de estacionariedad dbil ya que mantiene constante sus dos primeros momentos a
lo largo de la serie.
Otro proceso estocstico discreto es el denominado paseo aleatorio (random walk). Se caracteriza
porque presenta como series de primeras diferencia a valores aleatorios. Si suponemos que {t} es
una serie puramente aleatoria (white-noise) con media y varianza 2, definimos que la serie {Yt}
sigue un random walk si:
Yt Yt 1 t
Si suponemos que la primera observacin, Y0, es igual a cero, entonces el proceso estocstico sigue
el siguiente comportamiento:
Y1 1
Y2 Y1 2 1 2
en forma general:
t
Y1 i
i 1
De esta manera podemos definir a E(Yt) = t y var(Yt)= t 2. Esta serie al no presentar una media ni
una varianza constante, entonces no es estacionaria, aunque su primera diferencia s lo sea.
A continuacin presentamos los procesos estocsticos discretos (PED) que servirn como
estructuras a asociar con las series de data econmica que se est empleando en un estudio. Si
conocemos las caractersticas de los principales PED, entonces una vez hecha la asociacin con una
serie de datos, el investigador obtendr las caractersticas de esta ltima.
15.4.1. Modelos Autorregresivos (AR)
Si se vuelve a suponer que {t} es un proceso aleatorio con media 0 y varianza 2, entonces el
proceso {Yt}, definido de la siguiente manera:
Yt a 1Yt 1 a 2 Yt 2 ... a p Yt p t (15.6)
se lo denomina como un proceso autorregresivo de orden p y se le denota como AR(p). En

trminos del operador de rezagos L, la expresin anterior puede ser representada como
Yt (a 1L a 2 L2 .... a p Lp )Yt t
o bien
(1 - a 1L - a 2 L2 .... - a p Lp )Yt t (15.7)
despejando Yt obtenemos:
1
Yt t
(1 - a 1 L - a 2 L2 .... - a p Lp )
1
t
(1 - 1 L) ( 1 - 2 L)...( 1 - p L)
donde 1, 2, ..., p son las races de la ecuacin
( ) t a 1 ( ) t -1 a 2 ( ) t -2 ... - a p ( ) t -p 0
como ya se ha indicado en la seccin 15.3, la condicin para que la varianza de esta serie sea finita,
es decir, que sea estacionaria, implica que las races caractersticas sean menores a uno en valor
absoluto ( i <1 ) o bien que el trmino L sea mayor a 1 en valor absoluto14.
Podemos emplear otro mtodo ms intuitivo y operativo para determinar las condiciones para que
un proceso AR(1) sea estacionario15. Si definimos al proceso AR(1) de la siguiente forma:
Yt a0 a1Yt 1 t (15.8)
14
Que es lo mismo que decir que caigan dentro y fuera del crculo unitario, respectivamente: L i=1/i
15
Esto tambin se vio en la seccin anterior. En el caso que el lector no domine bien estos mtodos, les recomendamos
que efecte una rpida revisin.
donde {t} es un ruido blanco. Si suponemos que en el periodo de tiempo inicial, la serie {Yt}
adopta el valor y0, entonces la solucin de esta ecuacin sera:
t i t 1
Yt a0 a1i a1t y 0 a1i t i (15.9)
i 0 i 0
Tomando el valor esperado de la expresin (15.9), obtenemos:
t i
E (Yt ) a0 a1i a1t y 0 . (15.10)
i 0
el valor esperado de la serie k periodos despus ser igual a:
t k i
E (Yt k ) a0 a
i 0
i
1 a1t k y 0 (15.11)
Si comparamos las expresiones (15.10) y (15.11), es evidente que ambas nos estn presentando
diferentes medias. La media para un proceso AR(1) no es independiente del tiempo. Sin embargo,
si se tratase de un periodo de tiempo lo suficientemente prolongado y adems que a1 <1, entonces
la expresin (a1) t converger a cero y la sumatoria a0[1+a1+ (a1)2 + (a1)3+...] en el lmite ser igual
a a0/(1-a1). De esta manera, cuando t y a1 <1,

lim y t a 0 /(1 - a 1 ) a 1i t i (15.12)
i 0
y si ahora tomamos el valor esperado a la expresin (15.12) para valores de t lo suficientemente

grande, obtendremos que E( y t ) a 0 /(1 a 1 ) De esta manera el valor de la media de yt es finita e
independiente del tiempo: E(yt) = E(yt-s) = . En lo que se refiere al valor que la varianza alcanzar
en el lmite, este est dado por la siguiente expresin:

E ( yt ) 2 E ( t a1 t 1 (a1 ) 2 t 2 ....) 2

2 1 (a1 ) 2 (a1 ) 4 .... 2 / 1 (a1 ) 2
que al igual que la media es finito e independiente del tiempo. Finalmente, y para determinar si el
proceso AR(1) es estacionario o no, haremos referencia al comportamiento de los valores de la
autocovarianza. Estos son finitos e independientes del tiempo. Estos dependen de la extensin del
rezago k:

E( yt )( yt k ) E t a1 t 1 (a1 ) 2 t 2 .... t k a1 t k 1 (a1 ) 2 t k 2 ....

2 (a1 ) k 1 (a1 ) 2 (a1 ) 4 ....

2 (a1 ) k / 1 (a1 ) 2 (15.13)
De esta manera, el proceso AR(1) propuesto en la expresin (15.8) es estacionario si contamos con
un t lo suficientemente grande y que a1 <1. Sin embargo, si la muestra es generada por un proceso
que recin ha empezado, su realizacin no sera estacionaria.
Recordemos que es muy importante que un proceso sea estacionario en media ya que en caso que
esta caracterstica no se presentase, el investigador no podra realizar estimaciones confiables16
de la serie. Lo mismo sucedera si la varianza presentase un comportamiento heterocedstico. Lo
peor que pudiese pasar al no ser estacionaria una serie es que no existiese una distribucin detrs de
los datos que tenemos.
Si ahora quisiramos determinar cules son las condiciones que debe cumplir un proceso AR(2)
para que sea estacionario, el empleo del mtodo iterativo resultara muy engorroso por lo que se
emplea las soluciones homogneas. Si definimos el proceso estocstico AR(2) de la siguiente
manera:
Yt a1Yt 1 a2Yt 2 t (15.15)
para calcular sus races caractersticas lo tendramos que desarrollar aplicando el mtodo de
ecuaciones en diferencia, es decir, calcular las soluciones homogneas: Yht= A()t. Reemplazando
esta expresin en (15.15) obtendremos:
A( ) t a1 A( ) t 1 a2 A( ) t 2 0 (15.16)
dividiendo todo entre A()t-2, obtenemos la siguiente ecuacin:
2 - a 1 - a 2 0
de donde se puede inferir que para que los valores de las races caractersticas sean en valor
absoluto menores a 1 ( i <1) implica que:
a1 a12 4a 2
1
2
Esto nos da las condiciones que debe cumplir los coeficientes del modelo AR(2) para que sean
estacionarios:
a 2 a1 1
a 2 a1 1
a2 1
15.4.2. Modelos de Medias Mviles (MA)
Un ejemplo citado en muchos libros para indicar al lector cmo es que se producen procesos tipo
MA es empleando un juego de suma cero. Por ejemplo, aquel que involucra tirar una moneda y
16
Hemos visto en la Figura (15.1) que el comportamiento del componente irregular puede ser predicho siempre que las
series sean estacionarias.
ganar S./1 si sale cara o perder el mismo monto si sale sello. En promedio la ganancia a obtener
sera representada como un ruido blanco (t). Si lanzamos la moneda cuatro veces, tu ganancia (Yt)
sera igual a:
Yt 0 t 1 t 1 2 t 2 3 t 3
donde i son las probabilidades de ocurrencia. Para i 3, este coeficiente es igual a 0.25; para i > 3,
es igual a cero. Sin embargo, a pesar que el proceso MA(q) est integrado por puros t (no
incluiremos la constante), esto no significa que un proceso MA(q) tambin sea ruido blanco.
Generalizando, suponiendo que {t}es un proceso aleatorio con media 0 y varianza 2, entonces el
proceso {Yt}, definido de la siguiente manera
Yt t 1 t 1 ... q t q (15.17)
es conocido como proceso de medias mvil de orden q, y se denota como MA(q). La caracterstica
de este tipo de proceso es que es estacionario por definicin. La esperanza de Yt es igual a cero ya
que la esperanza de cada uno de los elementos de {t }es nula. Asimismo, la varianza de nuestro
proceso es determinada independientemente del tiempo. Esta depende del nmero de trminos que
posea Yt, es decir, de su rango, conjuntamente con el valor que adopten los coeficientes:
q

var(Yt ) 1 i2 2
i 1
El proceso MA(q) puede escribirse utilizando el operador de rezagos:
Yt (1 1 L 2 L2 .... q Lq ) t ( L) t (15.18)
Si bien sabemos que el proceso Yt es estacionario, la expresin (15.18) se parece mucho a la (15.7).
En esta ltima, la variable Yt estaba multiplicada por un polinomio de rezagos y nos importaba
contar con races caractersticas que caigan dentro del crculo unitario. Ahora la figura es la misma
pero la variable que se va a explicar es t. De esta manera, si las races caractersticas de la
ecuacin (15.18), que puede ser replanteada as,
Yt (1 1L )(1 - 2 L)...(1 - q L) t (15.19)
son menores a uno en valor absoluto (i<1), entonces el proceso MA es invertible. Esto implica

que se puede transformar un proceso MA(q) en un proceso AR(): t ( L) 1 Yt .
Podemos determinar con un ejemplo las condiciones de la invertibilidad. Para esto usaremos un
proceso MA(1):
Yt t 1 t 1
si despejamos el error de esta expresin y la vamos rezagando, obtenemos:

t Yt 1 t 1
t 1 Yt 1 1 t 2
t 2 Yt 2 1 t 3
Si se reemplaza t-1 y t-2 en la expresin de t, obtendremos como resultado:
t Yt 1 (Yt 1 1 t 2 ) Yt 1Yt 1 12 t 2
t Yt 1Yt 1 12 (Yt 2 1 t 3 )
Yt 1Yt 1 12Yt 2 3 t 3
luego, al despejar Yt:
Yt Yt 1 2Yt 2 3 t 3 t
En el caso que se hubiese continuado reemplazado los errores rezagados, se llegara a una
expresin como esta:

Yt 1k Yt k t
k 1
Para llevar a esta expresin se elimina siempre el error ms rezagado, lo cual da paso a un nuevo
rezago de la variable Yt. Este proceso puede ser extendido hasta el infinito. Para que esta
inversin de un proceso MA en un proceso AR sea finita y tenga sentido, el coeficiente 1 debe
cumplir con: 1 1 . Es finito porque en un punto de esta sumatoria va a empezar a presentarse
rezagos de Yt que al estar multiplicado por un coeficiente tan cercano a cero, dejarn de ser
significativos. Adems, es ms lgico pensar que los rezagos ms recientes tengan mayor
importancia (influyen ms) en el valor corriente de Yt. Por consiguiente, cuando 1 1 , entonces
un proceso MA(1) es invertible17.
Si tomamos como ejemplo un proceso MA de orden 2, Yt = (1+1L+ 2L2)t, las races

caractersticas vendran a estar dadas a partir de la ecuacin:
2 1 2 0
y para que se pueda dar la invertibilidad del proceso MA, se debe cumplir con esta relacin: i<1
por lo que el valor de los coeficientes est restringido a cumplir con:
1 12 4 2
1
2
desarrollando obtenemos:
17
La importancia de la invertibilidad de un proceso MA radica en que para hacer predicciones es necesario contar con
una estructura autorregresiva.
1 2 - 1
2 1 - 1
2 1
Procesos de media mvil puede tambin presentarse como resultado de la eliminacin de la

tendencia de una serie. Generalmente para limpiar una serie de su tendencia es necesario tomar
sucesivas diferencias a la misma. Si tuvisemos el siguiente modelo:
Yt a0 a1t a2 t 2 t (15.20)
y quisisemos eliminar su tendencia, entonces la expresin (15.20) tendra que ser rezaga y luego
restada del modelo original. El resultado obtenido ahora ha dejado de presentar una tendencia
cuadrtica y ahora presenta una tendencia lineal. Adems, el modelo resultante est compuesto por
un promedio mvil que podra indicar un ciclo.
15.4.3. Modelos Autorregresivos de promedio mvil (ARMA)
No es frecuente encontrar modelos que sean puramente AR o MA. Muchas series econmicas
presentan ambas estructuras. A este tipo de modelos, que cuentan con un componente
autorregresivo (AR) y uno de medias mvil (MA), se los conocen como ARMA (p,q) y se definen
de la siguiente manera:
Yt a1Yt 1 ... a pYt p t 1 t 1 ... q t q (15.21)
Un proceso ARMA (p,0) representa a un proceso AR(p); de igual forma, un proceso ARMA(0,q)
no es ms que un proceso MA(q) puro.
El ms sencillo proceso ARMA es el ARMA(1,1), y es representado de la siguiente manera:
Yt a1Yt 1 t 1 t 1 (15.22)
Si se empieza a rezagar a Yt y a la vez se reemplaza en la expresin (15.22), se llega a:

Yt (a1 1 ) a1i t i 1 t (15.23)
i 0
La esperanza de esta expresin es igual a cero y su varianza es:

var(Yt ) (a1 1 ) 2 a12i 2 2
i 0
(15.24)
( 1 2a1 1 ) 2
2
1

(1 a12 )
Tanto la expresin (15.23) como la (15.24) nos indican que la condicin necesaria para que la serie
Yt sea estacionaria es que el coeficiente a1 sea menor a 1 en valor absoluto. Para determinar la
condicin de invertibilidad emplearemos la misma forma que se utiliz con el MA:
La expresin (15.22) debe ser reordenada de la siguiente forma:
t Yt a1Yt 1 1 t 1
y si lo rezagamos continuamente podemos obtener:

t Yt (a1 1 ) 1i Yt i 1
i 0
por consiguiente, la condicin para su invertibilidad se centra en que i cumpla con: i 1 .
Un proceso ARMA tambin puede ser representado utilizando el operador de rezagos (L) y
obtener:
( L)Yt ( L) t
donde (L) y (L) son polinomios de rdenes p y q, respectivamente, y estn definidos de la

siguiente forma:
( L) 1 a1 L a 2 L2 ..... a p L p
(15.22)
( L) 1 1 L 2 L2 ..... q Lq
Un proceso ARMA(p,q) es estacionario si lo es su componente AR, y es invertible si lo es su

componente MA. Tcnicamente hablando, para que un proceso ARMA sea estacionario se requiere
que los valores que tomen los operadores de rezagos de (L)=0 queden fuera del crculo unitario18.
Similares requisitos son necesarios para que el componente MA sea invertible (claro est que se
debe emplear las races caractersticas del polinomio (L)). Si las races caractersticas de la
expresin (15.22) caen dentro del crculo unitario, entonces modelo es denominado autorregresivo
con promedio mvil. En caso en que una o ms races caractersticas no cumplan con las
restricciones anteriormente mencionadas, la serie {Yt} es un proceso integrado y recibe el nombre
de modelo autorregresivo intregrado de promedios mvil (ARIMA).
15.4.4. Modelos Autorregresivos de promedio mvil integrados (ARIMA)
La mayor parte de las series de tiempo presentan un importante factor tendencial en su

composicin. Con el paso del tiempo el consumo, el trfico, la demanda por trigo, la demanda por
dinero, etc. se incrementa y esto no responde a shocks temporales sino a la normal evolucin y
crecimiento de la poblacin. De esta manera las series pueden presentar una media cambiante con
el paso del tiempo y esto no implicara que este comportamiento se deba a alguna desviacin
producida por un shock. Para eliminar este comportamiento tendencial de las series es necesario
tomar las primeras diferencias y de esta manera obtener una serie estacionaria. Otro origen de no
estacionalidad se debe a que por la naturaleza de la serie, un shock produzca tenga un efecto
18
O bien que las races caractersticas de ese polinomio caigan dentro del crculo unitario.
permanente en el tiempo. A este proceso se le denomina raz unitaria y se analizar en el prximo

captulo. Otra vez, la solucin a este problema se obtiene diferenciando la serie.
Si observamos que para diferentes intervalos de tiempo, la serie a analizar presenta diferentes
patrones de inestabilidad (volatilidad), entonces podemos concluir que no es estacionaria. Esto se
debe a que la varianza de las observaciones cambia con el tiempo (presencia de
heterocedasticidad). Ante este fenmeno, el investigador podr aplicar logaritmos para estabilizar a
la serie. Es importante recalcar que la aplicacin de logaritmos no va a corregir el problema de
heterocedasticidad sino que representa un mtodo sencillo y efectivo para estabilizar a la serie.
Luego de su aplicacin, el investigador podr continuar con los procedimientos de identificacin y
tratamiento descritos en este captulo19.
Si, por ejemplo, analizramos la serie del consumo privado, es evidente que su composicin cuente
con un componente tendencial, de tal manera que podra ser representada de la siguiente manera:
Yt a 0 a 1 Yt -1 a 2 Yt -2 a 3 Yt -3 a 4 t t (15.23)
muy al margen de las condiciones que deben cumplir sus races caractersticas para que este
proceso autorregresivo sea estacionario, la presencia de la tendencia (t) alterara constantemente la
media de Yt. Para eliminar este componente es necesario aplicarle la primera diferencia:
Yt a 1 Yt -1 a 2 Yt -2 a 3 Yt -3 a 4 t t -1 (15.24)
En caso que la serie Yt tuviese una tendencia cuadrtica, sera necesario obtener la segunda
diferencia (2Yt). Generalizando, una serie que tenga que diferenciarse d veces para obtener una
serie estacionaria (dYt) es denominado un proceso ARIMA (p,d,q). Este tipo de series es
denominada integrada de orden (d). Un modelo integrado de orden 1, I(1), es aquel que luego de
una diferencia se convierte en estacionario. Si la serie es I(2), entonces ser necesario hasta dos
diferenciaciones para volverlo una serie I(0), es decir, estacionaria.
Antes del empleo de la metodologa Box-Jenkins20 se debe contar con la serie estacionaria. En el
caso que esta no lo fuese, se deber diferenciar cuantas veces sea necesario. Esta tcnica busca
establecer cual es el comportamiento de las series para de esta manera poder realizar sus
predicciones. Si las series son estacionarias se puede confiar que las caractersticas que ha
presentado hasta hoy se mantendrn durante el futuro.
15.5. FUNCIONES PARA ESPECIFICAR LOS MODELOS DE SERIES DE TIEMPO
Una vez que ya hemos revisado los distintos procesos estocsticos discretos que pueden adoptar las
series de tiempo, es necesario contar con alguna herramienta que nos indique qu modelo es el
adecuado para analizar la estacionariedad de las series bajo anlisis. Una vez determinado el
19
En el Captulo 17, Procesos de Heterocedasticidad Condicional Autorregresiva, se procede a determinar como modelar
la varianza de la serie.
20
Esta metodologa es la ms ampliamente utilizada en el anlisis de series de tiempo. La misma que ser tratada en la
seccin 15.6.
modelo, se procede de estimar los coeficientes y las races caractersticas para verificar si el
proceso es estacionario o no lo es.
Se han desarrollado algunos estadsticos de mucha utilidad que sirven de herramientas para
determinar el tipo de comportamiento que presentan las series. Dentro de estos estadsticos
contamos con la funcin de autocovarianza, la funcin de autocorrelacin simple y de
autocorrelacin parcial. Lo interesante de este tipo de funciones es que no dependen del tiempo
siempre que el proceso sea estacionario. Dicha invarianza nos permitir estimarlos muestralmente.
15.5.1. La Funcin de Autocovarianza (FAC)
La funcin de autocovarianza (FAC) antes de ser una herramienta directa para determinar el tipo de
proceso estocstico que persigue la serie, nos servir para construir las dos funciones restantes.
Estas dos (la funcin de autocorrelacin simple y de autocorrelacin parcial) pueden ser
representadas a travs del correlograma por lo que nos servirn de pruebas visuales.
La FAC est definida de la siguiente forma:
k cov(Yt , Yt -k ) (15.25)
Con el objeto de otorgarles a los lectores un marco comparativo de la aplicacin de estas funciones,
las mismas sern aplicadas a los siguientes procesos: AR(1), AR(2), MA(1), MA(2) y ARMA(1,1).
Modelo AR(1)
Como ya sabemos, este proceso est definido de la siguiente manera.
Yt a 1Yt 1 t (15.26)
donde a1 <1, {t} es un ruido blanco y se ha omitido la constante para simplificar el anlisis.
Si aplicamos el mtodo iterativo (es decir, ir rezagando Yt y reemplazndolo en la expresin 15.26),

obtendremos:

Yt a1i t i (15.27)
i 0
De acuerdo con esta ltima especificacin de Yt, los dos primeros momentos seran iguales a21:
E (Yt ) 0
21
Tambin se puede haber incorporado un trmino constante a la expresin (15.26): Yt a1Yt 1 t . Para este caso,
la expresin (15.27) hubiese sido: Y a i . La expresin de la varianza no se ve alterada con la

t
1 a1 i 0
1 t i
introduccin de la constante.

2
Var (Yt ) a12i 2 (15.28)
i 0 1 a12
Antes de proseguir con la derivacin de la funcin de autocovarianzas, es necesario determinar si

existe alguna relacin entre Yt y el trmino de perturbacin t. Para esto procedemos a calcular las
siguientes covarianzas:

E (Yt k , t ) E ( a1i t k i * t ) 0
i 0

E (Yt , t k ) E ( a1i t i * t k ) a1k 2
i 0
De acuerdo con lo observado, podemos concluir que Yt depende de los valores pasados y presente
del error pero nunca del valor futuro.
Una vez repasadas las caractersticas de un modelo AR(1), procederemos a calcular su funcin
FAC.
El primer valor de esta funcin (0) es igual a la varianza de la serie Yt:
2
0 y2
1 a12
los siguientes estadsticos son calculados de la siguiente manera:

1 E(Yt , Yt 1 ) E a 1Yt21 Yt 1 . t

a1 E Yt 21 EYt 1 . t
a1 y2
a1 0
2 E (Yt , Yt 2 ) Ea1Yt 1 .Yt 2 Yt 2 . t
a1 1 a12 0
3 E (Yt , Yt 3 ) Ea1Yt 1 .Yt 3 Yt 3 . t
a 1 2 a 13 0
el trmino k-simo de la funcin estar determinado como:
k a1k 0
La FAC para un modelo AR(1) nos indica que la covarianza entre la serie Yt y sus rezagos va
disminuyendo conforme pase el tiempo. Esto implica que los efectos de un shock en el periodo t-k
va a afectar cada vez menos a Yt. Este resultado es obtenido ya que el valor absoluto del parmetro
a1 es menor que uno.
Modelo AR(2)
Ahora procedemos a analizar el comportamiento de la FAC en un proceso AR(2). Este es

especificado de acuerdo con la siguiente estructura:
Yt a 1 Yt -1 a 2 Yt -2 t
como ya se defini en la seccin anterior, esta serie ser estacionario si los parmetros cumplen con
las restricciones:
a 2 a1 1
a 2 a1 1
a2 1
las mismas garantizan que la varianza de Yt ( 2y ) sea finita y no negativa. El clculo de la media es
calculado a continuacin:
E (Yt ) a1 E (Yt 1 ) a 2 E (Yt 2 ) E ( t )

E (Yt )1 a1 a 2 E ( t )
E (Yt ) 0
en este caso tambin estamos obviando la presencia de la constante por simplicidad.
La funcin FAC estara definida de la siguiente manera:
k E (Yt , Yt k )
E(a1Yt 1 a 2Yt 2 t ).Yt k

a1 E (Yt 1 , Yt k ) a 2 E (Yt 2 , Yt k ) E (Yt k , t )
Si k toma el valor de 0, entonces tenemos:
0 a1 1 a2 2 2
Para el resto de valores que adopte k, la estructura ser la siguiente:
k a1 k 1 a2 k 2 siempre que k>0
de esta manera podemos definir el siguiente sistema de ecuaciones:

1 a1 0 a 2 1

2 a1 1 a 2 0
Este tipo de ecuaciones es denominado ecuaciones de Yule Walker
Desarrollando estas ecuaciones, y tomando en cuenta que existe simetra entre los valores de la
FAC ( 2 2 ), obtenemos los siguientes resultados:
(1 a 2 ) 2
0

2
(1 a 2 ) (1 a 2 ) 2 a12
y
a1
1 0
1 a2
a 2 (1 a 2 ) a12
2 0
1 a2
Modelo MA(1)
El proceso de medias mvil analizado en la seccin anterior, con un q=1 es el siguiente:
Yt t 1 t 1
y como de costumbre calcularemos la media y la varianza de este proceso:
E(Yt ) 0
var(Yt ) 2 12 2 (1 12 ) 2
Un vez que hemos calculado los valores que alcanzan los dos primeros momentos de este modelo,
se procede a construir la funcin de autocovarianzas. El objetivo de calcular los dos o tres primeros
valores para esta funcin consiste en la derivacin de una expresin general.
0 1 12 2
1 E(Yt , Yt -1 ) E( t - 1 t -1 )( t -1 - 1 t -2 )
E(1 2t 1 )
1 2
2 E(Yt , Yt -2 ) E( t - 1 t -1 )( t -2 - 1 t -3 ) 0
Podemos generalizar: k 0 , para todo k >1.

A diferencia de la forma que han tomado los componentes de la FAC para los procesos AR(1) y
AR(2), la FAC para un proceso de medias mvil cuenta con pocos componentes. Estos estn
determinados por el tamao del orden (q), como a continuacin se presenta.
Modelo MA(2)
La particularizacin de la representacin general de un proceso MA, expresada en la ecuacin

(15.17), cuando el orden es 2 es:
Yt t 1 t 1 2 t 2 (15.29)
y sus primeros momentos son:
E(Yt ) 0
var(Yt ) 2 12 2 22 2 (1 12 22 ) 2
La construccin de la funcin de autocovarianzas es algo ms complicada que en un proceso

MA(1); sin embargo, esta cuenta con tan slo un trmino ms distinto de cero que su antecesora.
0 (1 12 22 ) 2
1 E(Yt , Yt -1 ) E( t - 1 t -1 - 2 t -2 )( t -1 - 1 t -2 - 2 t -3 )
1 2 1 2 2
(1 2 1 ) 2
2 E(Yt , Yt -2 ) E( t - 1 t -1 - 2 t -2 )( t -2 - 1 t -3 - 2 t -4 )
2 2
3 E(Yt , Yt -3 ) 0
Los trminos k>2 presentan el mismo estadstico: k 0 .
Modelo ARMA(1,1)
Hasta ahora el lector puede darse cuenta que cuando se trata de utilizar un proceso AR, la FAC
presentar un decrecimiento geomtrico; mientras que con un modelo del tipo MA, el valor del
estadstico va a terminar bruscamente en cero. Cmo ser el comportamiento de un proceso que
integre a ambos a la vez?
Para responder esta pregunta especificaremos el siguiente proceso ARMA(1,1):
Yt a 1 Yt 1 t 1 t 1 (15.30)
el cual ser estacionario si a 1 1 e invertible si el valor absoluto del coeficiente 1 es menor a 1

( 1 1 ). El clculo de la varianza es un tanto ms complejo:
E(Yt ) 0
var(Yt ) E(Yt ) 2
E (a12 Yt2-1 2 12 t21 2a1 Yt -1 t 2a1 1 Yt -1 t 1 2 1 t t 1 )
a12 0 2 12 2 2a1 1 2
La funcin de autocovarianzas guarda mucha similitud con la FAC de un AR(1), excepto en los dos
primeros componentes. Recin cuando el orden del rezago (k) supera al orden del componente MA
del proceso ARMA, es cuando se presenta la total similitud.
0 a12 0 2 12 2 2a1 1 2
(1 12 - 2a 1 1 ) 2

(1 - a12 )
1 E(Yt , Yt -1 ) E(a1Yt 1 t 1 t 1 )Yt 1
a1 0 1 2
(1 - a 1 1 )(a 1 1 ) 2

(1 a12 )
2 E(Yt , Yt -2 ) E(a1Yt 1 t 1 t 1 )Yt 2
a1 1
k a1 k 1 para todo k>1
Si en 1 no se tuviese el trmino 1 2 , la funcin de autocovarianza del ARMA(1,1) se

parecera a la de un AR(1), donde k a1k 0 . Por lo tanto, tenemos que el FAC de un ARMA(1,1)
se est comportando como un AR(1) ya que cuando k >q, la FAC converge a cero; por consiguiente
prima la parte AR.
15.5.2. La Funcin de Autocorrelacin Simple (FAS)
Esta funcin nos va a ser de mucha utilidad ya que la mayora de los paquetes estadsticos las
representan. Adems, como veremos ms adelante, esta funcin determina con bastante exactitud
cual es el orden adecuado de un proceso MA. Este estadstico est definido as:
cov(Yt , Yt -k )
k (15.31)
var(Yt ) var(Yt k )
o bien
k
k
0
covarianza del rezago k

var ianza
El valor de k se encuentra entre 1 y +1. En la prctica tan slo contamos con la realizacin
muestral del proceso estocstico discreto (PED). Por este motivo solamente se puede calcular la
funcin de autocorrelacin muestral, k . Para su estimacin primero se deber estimar cul es la
varianza y covarianza muestral al rezago k:
0
(Y t Y )2
n
k
(Yt Y )(Yt k Y )
n
donde n es el tamao de la muestra e Y es la media muestral. De esta manera, la funcin de

autocorrelacin muestral al rezago k estara definida como:
k
k (15.32)
0
Al igual que en el acpite anterior presentaremos la derivacin de los valores de esta funcin para
los diferentes PED.
Modelo AR(1)
cov(Yt , Yt -k ) k
k (15.33)
var(Yt ) var(Yt k ) 0
Como el proceso es estacionario entonces el valor de la varianza de Yt se mantendr constante a lo

largo del tiempo. Es por este motivo que podemos reemplazar el denominador por 0 .
Yt =0.8* Yt-1+t Yt = -0.8* Yt-1+t
1.0 1.5
0.8 1.0
0.6 0.5
0.4 0.0
0.2 -0.5
0.0 -1.0
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
FAS FAS
Figura 15.8
Funcin de Autocorrelacin Simple (FAS)
para un proceso AR(1)
La funcin de autocorrelacin simple (FAS) est determinada de la siguiente manera:
0 1
1
1 a1
0
2
2 a12
0
si continuamos con este mismo procedimiento:
k
k a1k
0
esta ltima expresin va a converger a cero conforme se calcule ms trminos ya que el valor de a 1
es menor a 1 en valor absoluto. Si toma un valor positivo, entonces los valores convergern
suavemente a cero. Si en cambio este coeficiente toma un valor negativo, entonces la funcin
converger a cero oscilando, como se puede apreciar en la Figura 15.8.
Modelo AR(2)
La derivacin de esta funcin se realiza sobre la base de las ecuaciones de Yule Walker obtenidas
para la funcin de autocovarianzas (FAC). Como sabemos que la FAC est determinada de la
siguiente manera:
k a1 k 1 a2 k 2 siempre que k 0
entonces, si dividimos la expresin anterior con 0, obtendremos:

k a1 k 1 a2 k 2
siempre que k >0. Esta ltima expresin sera la versin de Yule-Walker para la funcin de
autocorrelacin simple. De esta manera podemos calcular:
1 a1 0 a 2 1 2 a1 1 a 2 0
1 a1 a 2 1 a1
2 a1 a2
1
a1 1 a 2
1 a2
para comprender como es que se lleg a tales expresiones es necesario recordar dos puntos: 0 1 ,
y que existe simetra entre los trminos de estas funciones: 1 1 . Con el clculo muestral de
1, 2 y 2y y podemos estimar los valores de a1, a2 y 2 .
Yt=0.45*Yt-1+0.35*Yt-2+ t Yt=0.65*Yt-1-0.55*Yt-2+ t
1.0
1.2
0.8
0.5
0.4
0.0
0.0
-0.5
-0.4
-0.8 -1.0
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
FAS FAS
Figura 15.9
Funcin de Autocorrelacin Simple (FAS) para un proceso AR(2)
Como se puede observar en los grficos, cuando el coeficiente a2 es negativo, la trayectoria de la

funcin de autocorrelacin simple presenta una curva sinusoidal. Esto se debe a que las races
caractersticas de la ecuacin: 1- a1L a2L2 pueden ser complejas.
Se puede concluir que los grficos producidos por la FAS no permiten determinar el orden de los
procesos AR. Como veremos ms adelante, para una fcil determinacin se tiene que utilizar la
FAP.
Modelo MA(1) y MA(2)
Los modelos de medias mvil van a presentar una funcin de autocorrelacin de igual
comportamiento que la funcin de autocovarianza (FAC), por lo que nos servir de indicador del
orden de este proceso de la serie bajo anlisis.
0 1
1 1
1
0 1 12
2
2 0
0
Yt = t + 0.65*t-1 Yt = t + 0.65*t-1-0.55*t-2
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 2 3 4 5 6 7 1 2 3 4 5 6 7
FAS FAS
Figura 15.10
Funcin de Autocorrelacin Simple (FAS) para un proceso MA(1) y MA(2)
Esta serie adoptar el valor de cero cuando k >1. En cambio, si la serie presentase un
comportamiento tipo MA(2), entonces el valor de la FAS no caera a cero para 2 sino para 3. De
esta manera, el investigador deber de tener en cuenta a esta funcin para determinar si la serie se
comporta como un proceso MA, junto con el grado apropiado.
0 1
1 ( 1 2 1 )
1
0 (1 12 22 )
2 2
2
0 (1 12 22 )
3
3 0
0
Modelo ARMA(1,1)
En la seccin 15.5.1, en donde se estudio la FAC, para un proceso del tipo ARMA(1,1) se
determin que:
(1 12 2a 1 1 ) 2
0
(1 - a12 )
(1 a 1 1 )(a 1 1 ) 2
1
(1 a12 )
2 a1 1
y esta misma estructura para el resto
k a 1 k 1
De esta manera, los componente FAS son:
0 1
(1 a1 1 )(a1 1 )
1
(1 12 2a1 1 )
2 a1 1
k a1 k 1
La FAS para un proceso ARMA(1,1) hereda el comportamiento de su componente AR ya que va

decreciendo con el incremento de los rezagos. Es decir, el componente AR determina el
comportamiento de la FAS luego de que k>q. Tambin hereda la dificultad de poder determinar el
grado (p) de un proceso ARMA a travs de nicamente la funcin FAS
La Figura 15.11 no permite al investigador poder discernir con claridad entre un proceso AR(1) y
un proceso ARMA(1,1).
Ejemplo: Yt 0.8Yt 1 t 0.5 t 1
0.4
0.2
0.0
-0.2
-0.4
-0.6
2 4 6 8 10 12 14 16
Figura 15.11
FAS de un proceso ARMA(1,1).
15.5.3 La Funcin de Autocorrelacin Parcial (FAP)
Esta funcin trata de recoger cules son los efectos de determinado rezago sobre la variable
explicada, corregido por los rezagos medios. De esta manera, si quiero obtener cual es el efecto del
rezago k sobre Yt, entonces tengo que estimar la siguiente relacin:
Y~t a1Y~t 1 a2Y~t 2 ... ak Y~t k t
si definimos a Y como el promedio que esta variable alcanza durante toda la muestra22, entonces
Y~t Yt Y . El coeficiente de autocorrelacin parcial del rezago k cuando existe k rezagos ( kk )
es igual al estimado a k 23. Se emplean las desviaciones con respecto a su media de las variables
para eliminar la constante. En el caso que se quisiese obtener ( 22 ) , se tendra que estimar el
parmetro a2 de la siguiente relacin:
Y~t a1Y~t 1 a2Y~t 2 t
En general, parte de la correlacin existente entre Yt e Yt-2 estar producida por el hecho de que
ambas estn correlacionadas con Yt-1, y esto es lo que trata de corregir la FAP. Por ejemplo, la
correlacin parcial para el rezago 4 mide la mejora marginal del poder predictivo de Yt - 4 cuando
Yt -1 , Yt - 2 e Yt -3 estn ya incluidos en el modelo. Es decir, la funcin de autocorrelacin parcial 4
es el coeficiente de Yt-4 en una regresin en donde los tres primeros rezagos ya han sido utilizados.
La funcin de autocorrelacin parcial y la simple son iguales para el primer rezago:
Y~t a1Y~t 1 t
por lo que a1 11 1 .
Para un proceso AR(1), la funcin de autocorrelacin parcial se puede calcular de la siguiente

manera:
Y~t a1Y~t 1 t
en donde el primer valor de esta funcin sera igual a 11 a 1 . Para calcular el segundo elemento
de la FAS, se tendra que modificar la expresin anterior,
22
Al realizar esta operacin se est alterando la distribucin de la variable Yt , ya que no se le est restando una
constante sino termino variable. El valor de Yt se ver alterado conforme se vaya modificando el rango muestral. Sin
embargo, asintticamente este promedio no se alterar demasiado como para afectar las propiedades de la distribucin.
23
La nomenclatura ij nos indica que en la regresin en donde se incluyen los i primeros rezagos de la serie, se est
calculando la correlacin parcial del rezago j. Los elementos que conforman la funcin FAP son los coeficientes ii .
Los coeficientes ij van a ir acercndose asintticamente a su verdadero valor en la medida que se vaya incrementando
el nmero de rezagos, en especial, cuando se analiza procesos ARMA.
Y~t a1Y~t 1 a2Y~t 1 t
sin embargo, el valor que alcanza este es de 22 0
Es por este motivo que la grfica de la funcin FAP para los procesos AR(p) cuenta con un nmero
de elementos igual al orden de la serie. Esto la coloca como herramienta fundamental para
reconocer un proceso AR y su grado. Sino se puede observar los grficos para un proceso AR(1) y
AR(2).
Yt =0.8* Yt-1+t Yt = -0.8* Yt-1+t

1.0 1.0
0.5 0.5
0.0 0.0
-0.5 -0.5
-1.0 -1.0
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9
FAP FAP
Yt=0.45*Yt-1+0.35*Yt-2+ t Yt=0.65*Yt-1-0.55*Yt-2+ t
1.0 1.0
0.5 0.5
0.0 0.0
-0.5 -0.5
-1.0 -1.0
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9
FAP FAP
Figura 15.12
Funcin de Autocorrelacin Parcial (FAP)
para procesos autorregresivos de orden 1 y 2.
En el caso que se nos presente una serie de medias mviles para su anlisis, y tal como ya se haba
dicho en la seccin anterior, es la funcin FAS la funcin apropiada para determinar el orden de un
MA(q). La FAP para un modelo de medias mviles no nos permiten identificar fcilmente su
orden.
Un primer paso para estimar la FAP para un proceso MA(q) es invertirlo para determinar cuales
son los coeficientes del modelo en su forma autorregresiva. En la seccin 15.4.2 obtuvimos la
siguiente representacin para un proceso MA(1):

Yt 1k Yt k t
k 1
donde los valores que adopten los coeficientes de los componentes Yt k (k>0), siempre que
cumplan con las condiciones de estacionaridad, nos indicarn que la FAP decrece
geomtricamente. Estas son sus posibles formas de comportamiento:
Yt=t+ 0.65t-1 Yt= t - 0.65t-1

0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4 -0.6
-0.6
2 4 6 8 10 12 14 16 2 4 6 8 10 12 14 16
FAP FAP
Figura 15.13
Distintas formas que puede adoptar la FAP
para un proceso MA(1).
Al analizar una proceso ARMA(p,q) a travs de la FAP nos encontramos con las mismas
dificultades que existan al utilizar la funcin FAS para su identificacin.
Para realizar el clculo de los elementos de la FAP para cualquier proceso ARMA(p,q) es necesario
invertir esta funcin para obtener una notacin mayoritariamente autorregresiva. A la vez que se va
reemplazando los trminos t k por rezagos de la variable explicada, se va calculando el
coeficiente del ltimo rezago. Recin cuando k>p, los valores de los elementos de la FAP va a
empezar a decaer geomtricamente. Este se debe a que a partir de ese punto, la parte MA prima en
el comportamiento del proceso ARMA. Ilustraremos esta funcin con el mismo proceso
ARMA(1,1) utilizado en la seccin anterior:
Yt= -0.80Yt-1+ t + 0.50t-1
0.2
0.1
0.0
-0.1
-0.2
-0.3
-0.4
-0.5
1 2 3 4 5 6 7 8 9
FAP
Figura 15.14
La FAP para un proceso ARMA(1,1).
Los procesos AR(p) presentan como caracterstica una FAS que va decayendo geomtricamente
mientras que la representacin de su funcin de autocorrelacin parcial (FAP) cuenta con las
primeras p observaciones diferentes a cero mientras que a partir de la observacin p+1 el valor
de esta es nulo. En el caso de un proceso MA(q), el comportamiento de estas funciones es
contrario. La funcin FAS decae a cero a partir de las observaciones siguientes a las q primeras;
mientras que la representacin de la FAP presenta un decaimiento geomtrico. Es por este motivo
que la identificacin de un proceso AR(p) se logra utilizando la FAP mientras que para identificar
un proceso MA(q) se requiere de una representacin de la funcin FAS.
En el caso de un proceso ARMA(p,q), ninguna de las dos funciones puede identificar exactamente
su comportamiento. Sin embargo, el empleo de la funcin FAP como la funcin FAS puede dar
algunas luces en este sentido. El comportamiento de la funcin FAS recoge el efecto del
componente AR(p) cuando k > q; mientras que el comportamiento de la parte MA(q) de un proceso
ARMA(p,q) se pone de manifiesto en la FAP cuando k > p.
15.6. LA METODOLOGA BOX-JENKINS
En la seccin anterior hemos estudiado las funciones FAC, la funcin FAS y la funcin FAP
debido a su empleo representa una herramienta importante para identificar los posibles tipos de
procesos que estemos analizando. Sin embargo, la sola aplicacin de estas funciones no nos va a
garantizar que se llegue siempre a una nica modelacin de la serie bajo estudio. En este sentido,
Box y Jenkins24 desarrollaron una metodologa a seguir para poder determinar adecuadamente a los
modelos candidatos y finalmente, a elegir el modelo que mejor se ajuste a los datos disponibles.
24
Box, G. Y G. Jenkins, Time Series Analysis, Forecasting and Control. San Francisco, Calf. Holden Day, 1976.
El mtodo consiste en realizar los siguientes pasos:
1. Identificacin. Utilizando las funciones de autocorrelacin simple, parcial y la funcin de

autocovarianza se intenta identificar los valores p, q y d adecuados.
2. Estimacin. Una vez que se determin la estructura que sigue la serie, se procede a estimar los
parmetros de los trminos autorregresivos y de media mviles incluidos en el modelo. Para
esto se puede emplear el MCO si se presenta una estimacin lineal25. En caso que el modelo
sea no lineal, el investigador tendr que recurrir a un proceso iterativo, el cual est incluido en
la mayora de paquetes estadsticos.
3. Verificacin del diagnstico. Una vez que ya se ha estimado los parmetros del modelo
ARIMA, el siguiente paso es comprobar que tan bien ajusta nuestro modelo a la evidencia
muestral. Una prueba para verificar la bondad del modelo consiste en analizar las
caractersticas de los errores generados por la aplicacin del mismo dentro de la muestra. Si el
modelo empleado es el correcto, estos errores debern de comportarse como un ruido blanco.
Una vez que se haya efectuado estos pasos, y el modelo nos arroje residuos que no presenten
autocorrelacin o que no presenten algn tipo de patrn de comportamiento, el modelo puede ser
empleado con fines predictivos. En caso contrario, el investigador tendr que buscar modificar su
especificacin y de esta manera obtener mejores resultados. Por este motivo podemos decir que
esta metodologa presenta una resolucin iterativa.
15.6.1. Identificacin
Esta primera etapa de la metodologa Box-Jenkins puede ser dividida en dos partes. En una parte se
busca corregir los problemas propios de la serie, mientras que en una segunda se busca identificar
un modelo ARMA(p,q) que logre explicar adecuadamente la serie en estudio.
Con el grfico de la serie en estudio podemos determinar si esta presenta un comportamiento

estacionario o no estacionario. Hasta esta parte del libro, las nicas formas que conocemos para
poder corregir la no estacionariedad es: o bien diferenciando las series, en caso que la media de la
misma no se mantenga constante, o bien aplicando logaritmos para poder suavizar la varianza de la
serie.26
Adems de corregir la no estacionariedad, en esta parte del anlisis se debe corregir cualquier
defecto de la data como valores extremos (outlier) o falta de datos (missing values). Los valores
extremos se corrigen empleando variables dicotmicas (variables dummies), mientras que la falta
de datos puede ser corregida aplicando promedios mviles27.
25
Al utilizar varios rezagos de la variable dependiente estamos exponindonos a que nuestro modelo presente
multicolinealidad. Sin embargo, no debemos olvidarnos que el principal uso de estos modelos es la prediccin, por lo que
este defecto potencial no afectara a nuestros resultados.
26
Es importante destacar que si el mdulo de las races caractersticas de la parte MA de cualquier proceso ARIMA es
cercano a 1, esto es una seal que se ha sobrediferenciado la serie. En este caso, el proceso es de difcil estimacin y su
poder predictivo es bastante limitado.
27
El empleo de promedios mviles debe ser realizado teniendo en cuenta las caractersticas de la data. En este punto
juega un papel muy importante el criterio del investigador.
Una vez que se ha estacionarisado la serie de tiempo y corregido cualquier defecto de la data, se
procede a emplear la funcin de autocorrelacin simple (FAS) y la funcin de autocorrelacin
parcial (FAP). En la seccin 15.5 se present cuales eran el comportamiento de las funciones FAS
y FAP para distintos procesos. La naturaleza de la correlacin entre valores corrientes de los
residuos y los valores pasados de la misma variable nos sirven de gua para determinar el tipo de
modelo ARMA(p,q). Sin embargo, no es tan fcil determinar el grado correcto (p y/o q) ya que no
es usual que las series econmicas nos presenten procesos AR puros ni procesos MA puros.
En este sentido, el investigador emplear la funcin FAS y la funcin FAP para escoger diferentes
rdenes AR(p1, p2, p3, etc. ) y MA(q1, q2, q3, etc.), respectivamente. Cada uno de estos o cualquiera
de sus posibles combinaciones es candidato a salir como el modelo elegido. La eleccin del mismo
se realiza en la segunda etapa de esta metodologa.
Antes de pasar a la fase de estimacin, es necesario que el investigador conozca las dos
condiciones bsicas a tener en cuenta al momento de realizar la estimacin: la estacionariedad e
invertibilidad de la serie. La primera condicin es indispensable para poder obtener una correcta
especificacin del modelo ya que las pruebas Q y t descansan sobre este supuesto. Ms
importante an, las funciones FAS y FAP muestrales han sido elaboradas tomando como
supuesto28 que el verdadero proceso generador de Yt sea estacionario.
La condicin de invertibilidad es necesaria porque el uso de la funcin FAS o FAP asume que la
serie Yt puede ser aproximada a un modelo autorregresivo. En caso que no sea invertible (si alguna
de las races caractersticas cae fuera del crculo unitario), entonces no existe una forma precisa de
poder determinar el orden del proceso MA.
El investigador deber estar atento al comportamiento de las funciones FAS y FAP. Si estas decaen
muy lentamente o si sus trminos ms rezagados se salen de las bandas, esto puede ser evidencia de
que las series no son estacionarias.
Tambin puede ser que en una primera especificacin del modelo no logre recoger la estructura
real del proceso generador. As por ejemplo, este ltimo puede ser un proceso ARMA(2,2), y
nosotros slo hubisemos escogido un AR(2). Sin embargo, el anlisis de los residuos nos indicara
la presencia de un patrn MA(2). De esta manera, el investigador podra concluir que el verdadero
proceso es de un tipo ARMA(2,2).
Modelo no estacionario Modelo estacionario
Autocorrelation Partial Correlation Autocorrelation Partial Correlation
1 . |******* . |******* . |*** . |***

2 . |******* .|. .*| . **| .
3 . |******* .|. **| . .*| .
4 . |******* .|. .*| . .*| .
5 . |******* .|. .|. .|.
28
Como ya se ha mencionado, Box y Jenkins basa la elaboracin de la distribucin de los valores de muestrales de la
funcin de autocorrelacin, en que la serie Yt sea estacionaria y cuyos errores se distribuyan como una distribucin
normal.
6 . |****** .|. .|. .*| .

7 . |****** .|. .|. .|.
8 . |****** .|. .*| . .*| .
9 . |****** .|. .|. . |*.
10 . |***** .|. . |*. .|.
11 . |***** .|. . |*. .|.
12 . |***** .|. .|. .|.
13 . |***** .|. .|. . |*.
14 . |**** .|. .*| . .*| .
15 . |**** .|. .*| . .|.
16 . |**** .|. .|. .*| .
17 . |**** .|. .|. .|.
18 . |**** .|. .|. .*| .
19 . |*** .|. .|. .|.
20 . |*** .|. .|. .|.
21 . |*** .|. .|. .|.
22 . |*** .|. .|. .*| .
23 . |*** .|. .*| . .*| .
24 . |** .|. .|. .|.
Figura 15.16
Representacin de la FAS y la FAP muestrales para una
serie no estacionaria y estacionaria.
De acuerdo con la funcin FAS y la funcin FAP de la serie estacionaria podemos indicar que los
modelos candidatos por parte de la FAP son AR(1) y AR(2); mientras que por parte de la funcin
FAS son MA(1) y MA(3), aunque estos ltimos componentes pueden corresponder a la trayectoria
cclica y convergente de la funcin FAS ante la presencia de un modelo AR(2).
Estos modelos son elegidos como candidatos ya que resultaron ser significativamente diferentes de
cero. La significancia o no significancia de los mismos nos lo dan las bandas que observamos en la
grfica de la funcin FAS y de la funcin FAP. Aquellas observaciones de estas funciones que se
encuentren dentro de estas bandas son significativamente iguales a cero. Estas bandas corresponden
a dos desviaciones estndar de la varianza de la funcin de autocorrelacin muestral.
El clculo de la funcin de autocorrelacin muestral (rk) equivale asintticamente a:
(y t y )( y t k y )
rk t k 1
T
(y
t 1
t y) 2
mientras que su varianza se calcula de la siguiente manera:

Var (rk ) T 1 , en el caso que k 1

k -1
(1 2 r j2 ) / T , en el caso que k 1
j1
Es importante destacar que estas expresiones corresponden a una aproximacin de la verdadera

varianza (y desviacin de rk). Esta aproximacin tiende a sobreestimar el valor de la varianza por lo
que las bandas de confianza ( 2 T ) pueden indicar la no significancia de una estructura cuando
en realidad s la hay. Lo importante es comparar la forma de comportamiento de la funcin FAS y
la funcin FAP an cuando estas aparentemente no sean significativas.
CASO PRACTICO 15.1: Identificacin de un modelo de Series de Tiempo para el PBI peruano29
PARTE I
(a) (b)
20000 11
10
15000
9
10000
8
5000
7
0 6
1900 1920 1940 1960 1980 1900 1920 1940 1960 1980
PBI real Logaritmo PBI real (sin quiebre)

(c)
0.20
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
1900 1920 1940 1960 1980
Logaritmo PBI real estacionario

Figura 15.15
Grfico del PBI real peruano. Con presencia de imperfecciones en la
muestra (a), limpiado de quiebre estructural (b) y estacionalizado (c)
29
Seminario de Marzi, Bruno y Arlette Beltrn. Crecimiento econmico en el Per 1896-1995: nuevas evidencias
estadsticas. Centro de Investigacin de la Universidad del Pacfico, 1998.
En la parte (a) de la Figura 15.15 podemos observar el grfico del PBI real peruano para el periodo
1896-1995. En este grfico observamos que existe un valor extremo (correspondiente al ao 1916)
y que no se cuenta con datos para los aos 1950, 1951, 1958, 1959 y 196030.
El problema del valor extremo se soluciona empleando una variable dicotmica para ese ao31. Los
puntos en la muestra que no cuentan con data son completados utilizando promedios mviles que
incorpora las tres observaciones anteriores y las tres observaciones posteriores.
La parte (b) de la figura anterior muestra la serie del PBI real ya corregida de estos problemas y
adems se ha aplicado logaritmos. Otra correccin que es necesario efectuar en toda serie
econmica es la posible presencia de un quiebre estructural. En este caso se corrigi un quiebre en
tendencia en el ao 1980. Finalmente, para estacionalizar la serie graficada en la parte (b) se
procede a tomar primeras diferencias. La serie estacionaria resultante est representada en la parte
(c)32.
El segundo paso a realizar en esta etapa es el de estimar los modelos candidatos que representen
mejor la serie. Para esto utilizaremos las funciones FAS y FAP. Es necesario tener en cuenta que
estas funciones son calculadas muestralmente por lo que no necesariamente van a tener la misma
exactitud que presentamos en la seccin anterior (en esta se utilizaron representaciones tericas).
En la Figura 15.16 tenemos la funcin FAS y la funcin FAP muestral para las series representadas
en la parte (b) y (c) de la Figura 15.15. Como podemos observar, debido a que la primera de estas
no es estacionaria, la funcin FAS presenta un comportamiento decreciente pero bastante lento. En
cambio, la funcin FAS y la funcin FAP de la serie estacionaria decae rpidamente.
15.6.2. Estimacin
Una vez que se han elegido los modelos candidatos, se procede a estimar los coeficientes. Para esto
se puede aplicar MCO o bien procedimientos no lineales.
En lo que se refiere al empleo del estimador de mnimos cuadrados, cabe indicar que este
procedimiento estima parmetros consistentes siempre y cuando los errores t no estn
correlacionados con las variables explicativas Yt-k (k>0). Esta condicin es equivalente a decir que
el trmino de error no presente autocorrelacin33.
Dependiendo de la especificacin de la estructura del modelo, los paquetes estadsticos puede

utilizar otros procedimientos diferentes del MCO. Estos procedimientos son bsicamente
algoritmos que se resuelven iterativamente. Es necesario tener cuidado con las funciones que no
convergen rpidamente. Los paquetes estadsticos utilizan mtodos no lineales que logran cierta
convergencia pero a costa de una inestabilidad muy fuerte de los parmetros estimados. El nmero
30
Estas imperfecciones en la data han sido realizadas con el fin de ejemplificar los procedimientos a seguir. La verdadera
data no cuenta con estos problemas.
31
No olvidar que se debe de efectuar la regresin de la serie contra la variable dicotmica que corresponde al ao 1916,
pero tambin se debe aadir a la regresin la constante y la tendencia. De esta manera el coeficiente de la variable
dummy adopta un valor bastante cercano a la diferencia entre el verdadero valor y el valor extremo.
32
En el siguiente captulo se ver con ms detalle los procedimientos para estacionalizar una serie. En especial se
analizara el caso de la presencia de raz unitaria y de quiebre estructural.
33
La variable explicativa Yt-k (k>0) es estocstica y se encuentra relacionada directamente con t-k y con los valores
pasados de este ltimo. Sin embargo, la consistencia de la estimacin est condicionada a que no exista una relacin entre
Yt-k y t. La presencia de autocorrelacin rompe esta ltima condicin.
de iteraciones en algunos paquetes puede ser determinado por el usuario, sin embargo, el
incremento del mismo puede ser indicio de la ausencia de estacionariedad o invertibilidad.
La eleccin entre los modelos candidatos debe cumplir con algunos requisitos:
1. La significancia de los coeficientes. Los parmetros estimados deben de ser significativamente

diferentes de cero. Con el incumplimiento de este punto, el modelo prcticamente est
descartado para continuar con el anlisis.
2. Que presente la menor suma de errores al cuadrado. El modelo que arroje la menor suma de
residuos al cuadrado es aquel que presenta un mejor grado de ajuste. Sin embargo, la inclusin
de un nmero elevado de variables para lograr este fin acta en perjuicio del anlisis, tal como
se explica en el siguiente punto.
3. Se debe escoger un modelo parsimonioso.
La incorporacin de un mayor nmero de componentes a un modelo produce un incremento en el

ajuste del mismo (se incrementa el R2) a costa de reducir los grados de libertad. Esto trae como
consecuencia que el poder predictivo del modelo se vea daado ya que con la sobreparametrizacin
el modelo pierde su flexibilidad.
Con el fin de ejemplificar este ltimo punto, es obvio que con la utilizacin de un modelo AR(1),
Yt 0.7Yt -1 t , se puede alcanzar mejores resultados que con la estimacin de su equivalente
MA(), Yt t 0.7 t -1 0.49 t -2 0.343 t -3 ...
En el caso que se tenga que se tenga que decidir por modelos ARMA un tanto ms complejo en
donde la eleccin bajo el criterio de parsimonia no se puede hacer con facilidad, entonces se
emplean el criterio de Akaike (AIC) y el criterio de Schwartz (SBC). Generalmente este ltimo
seleccionar los modelos ms parsimoniosos que el AIC. Esto se debe a las buenas caractersticas
que posee en muestras grandes. El SBC es asintticamente consistente mientras que el AIC est
sesgado a la eleccin de modelos sobreparametrizados.
4. Otro criterio que tambin se utiliza para descartar o elegir un modelo candidato es que el
estadstico Ljung-Box de los residuos no sean significativamente diferentes de cero.
El estadstico Q(k) determina si existe autocorrelacin entre los k ms recientes residuos del
modelo que se est analizando. De esta manera, el investigador puede elegir tomar los valores de
Q(7), Q(14) y Q(21) y comprobar que todos cumplan con la hiptesis nula de la no presencia de
autocorrelacin. El modelo que rechace esta condicin queda descartado por lo que se debera
mejorar su especificacin.
Adems se tiene que tener cuidado de la presencia de factores comunes. Qu significa esto?
Bueno, que dado un modelo ARMA(p,q), se puede alcanzar una expresin parsimoniosa
equivalente, ARMA(p*, q*), en donde p > p* y q > q*, sin reducir el poder predictivo del mismo.
Podemos ejemplificarlo utilizando el siguiente modelo ARMA(3,2):
(1 a 1L a 2 L2 a 3 L3 )Yt (1 1L 2 L2 ) t
en donde (1 a1 L a2 L2 a3 L3 ) puede ser expresada como el siguiente producto

(1 cL)(1 1 L 2 L2 ) y (1 1 L 2 L2 ) como (1 cL)(1 b1 L b 2 L2 ) . Por lo que
eliminando el factor comn se podra llegar a un modelo ms parsimonioso. Una seal de la
presencia de un factor comn es la alta correlacin entre los coeficientes estimados, la cual provoca
la inestabilidad de los mismos.
CASO PRACTICO 15.1: Identificacin de un modelo de Series de Tiempo para el PBI peruano
PARTE II
Como se haba sealado en la primera parte de este caso prctico, los modelos candidatos que nos
indicaban el anlisis de las funciones de autocorrelacin eran modelos AR(1), AR(2), MA(1) y
MA(3).
Se estimaron los siguientes modelos:
Modelo I: Yt a1Yt 1 a2Yt 2 t
Modelo II: Yt a1Yt 1 a2Yt 2 t 1 t 1
Modelo III: Yt a1Yt 1 a2Yt 2 t 1 t 1 2 t 3
En la siguiente tabla podemos resumir los resultados obtenidos:
Modelo I Modelo II Modelo III

Coeficientes a1 = 0.410 (0.100) a1 = 1.044 (0.144) a1 = 0.990 (0.299)
estimados a2 = -0.254 (0.103) a2 = -0.476 (0.094) a2 = -0.443 (0.178)
(desviacin 1 = -0.728 (0.139) 1 = -0.676 (0.284)
estndar) 2 = -0.041 (0.191)
Suma de Residuos 0.189705 0.176665 0.176625
al Cuadrado
R-cuadrado 0.145305 0.195499 0.186937
ajustado
AIC -3.337263 -3.387862 -3.367468
SBC -3.257633 -3.281689 -3.234751
Q-Estadstico Q(7) = 9.501 (0.219) Q(7) = 3.571 (0.828) Q(7) =3.299 (0.856)
Ljung-Box (grado Q(14) = 14.951 (0.382) Q(14) = 8.922 (0.836) Q(14) = 8.574 (0.857)
de significancia) Q(21) = 16.869 (0.719) Q(21) = 11.960 (0.941) Q(21) = 11.552 (0.951)
Como podemos observar en la tabla, todos los modelos excepto el Modelo III poseen coeficientes
significativamente diferentes a cero. El coeficiente del componente MA(3) result ser no
significativo, por lo que este modelo deja de ser contado de entre los candidatos. Entre el modelo
AR(2) y el modelo ARMA(2,1), el segundo posee una menor suma de residuos al cuadrado y un
mayor R-cuadrado ajustado, por lo que este modelo presenta un mejor grado de ajuste.
En lo que respecta a los indicadores de parsimonia, el AIC y SBC favorece tambin al modelo
ARMA(2,1). Finalmente, el Q-Estadstico desarrollado por Ljunk-Box presenta valores menores
para este modelo, por lo que podemos decir que la mejor estructura que explica al logaritmo de la
serie PBI real es un modelo ARMA(2,1)34.
15.6.3. Comprobacin del diagnstico
En esta etapa de la metodologa se procede a determinar las caractersticas del modelo elegido.
Bsicamente el anlisis se centra en los errores que se obtienen de usar el modelo elegido en la
anterior etapa. En primer lugar, es necesario observar que los residuos del mismo no presenten
ningn tipo de patrn de comportamiento. La presencia del mismo nos indicara que el modelo
ARMA(p,q) puede ser especificado de una mejor manera. Es decir, no debe existir ningn tipo de
correlacin en la serie de residuos y para este fin podemos utilizar la funcin FAS y la funcin
FAP.
Otras herramientas que nos ayudan a determinar las caractersticas de los errores son los tests de
autocorrelacin y de heterocedasticidad. Tambin tenemos que comprobar que los errores se
distribuyan de acuerdo con una distribucin normal. Adems, estos residuos no deben contar con
ningn tipo de quiebre estructural. La presencia del mismo debi de haber sido tratada en la
seccin 15.6.1.
Una ltima prueba a realizar consistira en agregarle a nuestro modelo final, cualquier tipo de
elemento al azar (puede ser un componente AR o MA) de tal manera que necesariamente debera
brindarnos peores resultados predictivos ( una mayor suma de errores de prediccin al cuadrado)35.
En caso que esto no se de, entonces nuestro modelo anterior debera ser revisado.
CASO PRACTICO 15.1: Identificacin de un modelo de Series de Tiempo para el PBI peruano
PARTE III
El modelo elegido como el que mejor explica el logaritmo de la serie del PBI real peruano es un
modelo ARMA(2,1) o mejor dicho, un modelo ARIMA(2,1,1) porque a la esta serie fue
diferenciada una vez para lograr su estacionariedad. Para verificar que este modelo realmente
representa una buena estimacin de la serie de tiempo, vamos a revisar las caractersticas de sus
residuos.
Para esto utilizamos las funciones FAS y FAP:
Autocorrelation Partial
Q-Stat Prob
Correlation
.|. .|. 1 0.0012 0.973
.|. .|. 2 0.0392 0.981
.|. .|. 3 0.0422 0.998
34
En todos los modelos analizados se presentaron races caractersticas menor a la unidad por lo que todos los modelos
eran estacionarios e invertibles.
35
La sobreparametrizacin reduce la capacidad predictiva del modelo.Todo lo referido al empleo de los modelos de
series de tiempo con fines predictivos ser tratado en la seccin 15.8.
.*| . .*| . 4 0.8902 0.926

. |*. . |*. 5 2.2699 0.811
.|. .|. 6 2.3909 0.880
. |*. . |*. 7 3.5706 0.828
.*| . .*| . 8 6.3510 0.608
. |*. . |*. 9 7.7023 0.564
. |*. .|. 10 8.2949 0.600
.|. . |*. 11 8.4222 0.675
.|. .|. 12 8.4757 0.747
.|. .|. 13 8.5026 0.809
.*| . .*| . 14 8.9224 0.836
.|. .|. 15 9.0211 0.876
.|. .*| . 16 9.1178 0.908
.*| . .|. 17 9.5284 0.922
.*| . .*| . 18 9.9383 0.934
.*| . .*| . 19 11.891 0.890
.|. .|. 20 11.935 0.918
.|. .|. 21 11.960 0.941
.|. .*| . 22 11.984 0.958
.*| . .*| . 23 15.893 0.860
.|. .|. 24 15.916 0.891
Figura 15.17
Representacin de la funcin FAS y la funcin FAP muestral de los
residuos de la aplicacin de un modelo ARMA(2,1).
Como podemos observar, ningn valor result ser significativamente diferente de cero ni se
observa algn patrn de comportamiento. Tambin utilizamos un test de autocorrelacin (Test de
Breusch-Godfrey), el cul nos indic que no exista este tipo de perturbacin.
Para verificar que no exista heterocedasticidad en los errores no se pudo aplicar el test de White
debido a la estructura del modelo. El test no puede ser calculado cuando contamos con
componentes explicativos AR o MA. Sin embargo, el anlisis de la grfica de estos errores disipa
cualquier sospecha de su presencia.
0.10
0.05
0.00
-0.05
-0.10
-0.15
-0.20
1900 1920 1940 1960 1980
Figura 15.18
Serie de residuos resultante de la modelacin, a travs de un proceso
ARIMA (2,1,1), del logaritmo de la serie del PBI real corregida por
la presencia de un quiebre estructural en tendencia.
En lo que se refiere a la normalidad de esta serie de residuos, el test de normalidad de Jarque-Bera

nos indica que esta no se presenta. Sin embargo, amparndonos en el Teorema Central del Lmite,
podemos decir que el trabajar con series de tiempo (lo que implcitamente supone el uso de una
muestra grande), asegura que nuestros errores sean asintticamente normales.
De esta manera hemos concluido las tres etapas de la metodologa desarrollada por Box-Jenkins.
En la siguiente seccin se tratar una caracterstica muy comn de las series de tiempo conocida
como la estacionalidad. En la ltima seccin se revisa la forma de emplear con fines predictivos los
modelos de series de tiempo que se pueden obtener para una serie. Precisamente, la capacidad
predictiva de estos modelos son su principal atractivo y la razn por la que han sido arduamente
estudiados en estos ltimos aos.
15.7. ESTACIONALIDAD
Existen series de tiempo de datos como por ejemplo el flujo de turistas al Cuzco, la demanda de
dinero, el consumo de helados, etc. que presentan un comportamiento estacional, esto es, que su
consumo o demanda se incrementa en determinados lapsos de tiempo. Si contsemos con
observaciones mensuales de cualquiera de las series antes mencionadas, observaramos un
incremento del flujo de turistas para los meses de Julio-Agosto, el aumento en la demanda por
dinero a la mitad y al fin del ao y, obviamente, el consumo de los helados que experimenta un
incremento todos los aos durante los meses de verano. De esta manera, estas series presentan un
patrn de comportamiento que se repite cada ao para la misma "estacin".
Este tipo de comportamiento sistemtico debe ser incluido en la modelacin de cualquier proceso.
De lo contrario, la especificacin que se obtenga carecer de un adecuado grado de ajuste.
Un inconveniente que el investigador puede encontrar al momento de tratar de determinar una

especificacin a su modelo, es que generalmente la estacionalidad viene acompaada de no
estacionariedad, provocando sea tratado como tan slo una serie no estacionaria. Por este motivo es
necesario que utilicemos como herramientas la funcin FAS y la funcin FAP.
Para determinar el modelo estacionario de una serie se tiene que analizar el comportamiento de los
primeros valores de la funcin FAS y la funcin FAP. Cuando se analiza la estacionalidad tambin
debe de tomarse en cuenta los primeros valores de orden estacional. De esta manera, si
estuvisemos trabajando con una serie trimestral, el investigador deber de revisar los valores 1, 2,
3, 4 y 8 de ambas funciones. En el caso de una serie mensual deber de observar los valores 1, 2, 3,
4, 6, 12 y 24.
Si al momento de observar la funcin FAS de una serie observamos que sus componentes 6, 12,
18, etc., no decrecen siguiendo el patrn de sus consecutivos y aun ms, son significativamente
diferentes de cero, entonces podemos encontrarnos frente a una serie que presente un
comportamiento estacional con un ciclo de 6 meses. De esta manera, la forma de poder eliminar
este patrn de comportamiento consiste en diferenciar la serie.
A continuacin observaremos en la Figura 15.19, la serie de tiempo de la demanda por circulante36.

En ella se puede ver claramente que existe este comportamiento estacional y que a su vez no es
estacionaria.
6000
5000
4000
3000
2000
1000
1994 1995 1996 1997 1998
Figura 15.19
Demanda por circulante. Se puede observar que
claramente que existe una tendencia adems de un
comportamiento estacional.
La FAP nos indica que aproximadamente el comportamiento estacional se da cada 12 meses por lo
que habr que diferenciar la serie por ese lapso de tiempo. En realidad no existe un orden definido
entre volver estacionaria la serie y limpiar de estacionalidad. El resultado es el mismo aunque la
serie estacionaria pero con estacionalidad presenta una mayor volatilidad, tal como lo demuestra la
siguiente figura:
1200 200
800 100
400 0
0 -100
-400 -200
-800 -300
95:01 95:07 96:01 96:07 97:01 97:07 98:01 98:07 95:01 95:07 96:01 96:07 97:01 97:07 98:01 98:07
Serie estacional Serie no estacionaria Serie no estacional-estacionaria
36
Esta serie ha sido corregida de quiebre estructural en tendencia en el mes de marzo de 1995. Adems el test de Zivot
nos indic que exista presencia de raz unitaria. Si le sacamos la primera diferencia a esta serie entonces la volveramos
estacionaria.
Fuente: Coyuntura Econmica. Centro de Investigacin de la Universidad del Pacfico
Figura 15.20
En la parte (a) se puede observar dos series resultantes de haber corregido el problema o
bien de estacionalidad o bien no estacionariedad. En la parte (b) tenemos la serie
limpiada de ambos problemas.
Para limpiar a la serie de estacionariedad se ha tomado primeras diferencias a la serie: (1 - L)Yt ;

mientras que la estacionalidad se corrige de la siguiente manera: (1 - L12 )Yt . La parte (b) de la
Figura (15.20) corresponde a la siguiente serie estacionaria: (1 - L)(1- L12 )Yt . Recin a esta serie se
le va a buscar un proceso que tenga un buen grado de ajuste. Luego de observar la funcin FAS y
la funcin FAP, una vez determinados de entre los mejores candidatos cul de ellos tiene un mejor
grado de ajuste y de parsimonia, se determin que el mejor modelo para explicar estos residuos era
un MA(10). As mismo, los residuos de esta especificacin MA(10) se distribuyen segn una
normal y no presentan autocorrelacin, lo que nos indica que se ha determinado una correcta
especificacin.
En resumen, el modelo para la serie de demanda por circulante es el siguiente:
(1 L)(1 L12 )Yt (1 10 L10 ) t
15.8. PREDICCIN
El ms importante uso de los modelos de series de tiempo radica en su utilizacin para elaborar
predicciones. En la prctica se ha visto que este tipo de modelos presenta mejores estimaciones que
los modelos estructurales, por este motivo en los ltimos aos se ha escrito abundante literatura al
respecto.
Al elaborar procesos ARMA(p,q) que tratan de explicar el comportamiento de alguna serie,

estamos elaborando un modelo que incorpora valores pasados de la variable junto trminos de
medias mviles. Por este motivo, se puede aprovechar esta estructura y generar alguna funcin que
nos permita poder elaborar estimaciones del comportamiento de la serie en el futuro. Esta funcin
lleva el nombre de funcin de prediccin.
15.8.1. Funcin de Prediccin
Ahora calcularemos la funcin de prediccin de un modelo AR(1). Lo primero que debemos hacer
es calcular cual es el valor que tomar la serie Yt en el periodo t+1. Sin embargo, esta estimacin
est condicionada al conjunto de informacin que tenemos hasta el periodo t. La prediccin para el
periodo t +1 es la siguiente:
Et (Yt 1 ) Et ( ) Et (a1Yt ) Et ( t 1 )
Et (Yt 1 ) a1Yt
luego, la prediccin de la serie Yt para el periodo t +1 es:
Et (Yt 2 ) a1 Et (Yt 1 )
Et (Yt 2 ) (1 a1 ) a12Yt
Para estos clculos hemos tenido en cuenta los siguientes criterios:
a. La esperanza condicional Et (Yt ) es igual a Yt ya que en el conjunto de informacin

disponible en el instante T est tambin incluida esta variable y los valores pasados de la
misma. Por este motivo, podemos generalizar: Et (Yt k ) Yt k (donde k0).
b. La esperanza condicional de los ruidos blancos futuros, Ett+k (k>0), es igual a cero.
Si continuamos calculando los valores futuros de la serie Yt podemos derivar su funcin de

prediccin:
Et (Yt k ) (1 a1 a12 a13 ... a1k 1 ) a1k Yt (15.34)
Hay tres caractersticas que cabe resaltar en esta funcin de prediccin de un proceso AR. Primero,
a medida que se va ampliando el horizonte de prediccin, la(s) ltima(s) observacin(es) (Y t)
influye(n) cada vez menos en este estimado mientras que el peso de la esperanza incondicional se
va incrementando (esto depende del orden del proceso). Para una visualizar mejor esta
caracterstica podemos especificar la ecuacin (15.34) de la siguiente manera:
Et (Yt k ) (1 a1k ) EYt a1k Yt (15.35)
La segunda caracterstica, que es una derivacin de la primera, nos indica que el valor a que
converge el valor estimado de Yt en el futuro es igual a su esperanza incondicional:

Lim Et (Yt k ) EYt
k (1 a1 )
La tercera caracterstica de esta funcin de prediccin, y en general, para cualquier proceso AR(p)
es que incluye las p ltimas observaciones de la serie.
Las funciones de prediccin para un proceso MA(q) tambin presentan caractersticas particulares.
Tomemos como ejemplo un proceso MA(1), y estimemos su valor para los periodos t +1 y t +2:
Et (Yt 1 ) Et ( t 1 ) Et ( 1 t ) 0
Et (Yt 2 ) Et ( t 2 ) Et ( 1 t 1 ) 0
es fcil generalizar que la prediccin para Yt+k, donde k>1, siempre ser igual a cero para un
MA(1). Generalizando, la prediccin del trmino k (k>q), de un proceso MA(q), siempre ser cero.
Otro camino alternativo para poder realizar la prediccin del proceso MA(1) se tiene que invertir la
expresin general, proyectarla para el periodo t+1 y tomarle la esperanza condicional. Nuestro
lectores podrn comprobar que al realizar este procedimiento para estimar E t (Yt 2 ) , el resultado
ser cero.
La funcin de prediccin para un proceso ARMA(p,q) es bien parecido a la de un proceso

puramente AR. Tambin se cumple, como en todo tipo de proceso estacionario, que la prediccin
para valores muy alejados converge a la media incondicional de ese proceso.
15.8.2. Error de Prediccin
El error de prediccin est definido como la diferencia entre la realizacin de la serie y la

prediccin de la misma. Las caractersticas que pueden presentar estos errores dependen de la
especificacin de los modelos. Si se ha especificado el mejor modelo, entonces nuestra prediccin
ser la ptima y obtendremos por error de prediccin una serie de ruidos blancos. En el caso de una
especificacin incorrecta, estos errores contarn adicionalmente con un componente de mala
especificacin que afectar su varianza.
Si el modelo est bien especificado, entonces los errores de prediccin presentan una media igual a
cero. La varianza de estos errores depende de la especificacin del modelo. En el caso de haber
utilizado un proceso AR(1), contaremos con la siguiente serie de errores de prediccin:
et (1) Yt 1 Et (Yt 1 ) t 1
et (2) a1 t 1 t 2

et (k ) a1k 1 t 1 a1k 2 t 2 ... t k
La varianza de esta serie se va a ir incrementando conforme se ample el horizonte de prediccin,

aunque los incrementos cada vez sern menores ( a 1 1) .Finalmente, esta varianza va a converger
al valor de la varianza de la serie.
Var (et (1)) 2

Var (et (1)) 2 (a12 1)

Var (et (k )) 2 (a12( k 1) a12( k 2) ... 1)
En el caso que hubisemos empleado un proceso MA(q), la varianza de los errores de prediccin se
ir incrementando hasta que k = q. Luego, la varianza de esta serie se mantiene constante. Como
ejemplo observemos los errores de prediccin de un proceso MA(1):
et (1) t 1
et (2) t 2 1 t 1

et (k ) t k 1 t k 1
y su varianza se comportar de la siguiente forma:
Var (et (1)) 2

Var (et (2)) 2 (1 12 )

Var (et (k )) 2 (1 12 )
esto se cumple para k>q. Es decir, la varianza se va incrementando hasta que k = q, de ah en

adelante, sta se mantiene constante.
Se deja como ejercicio al lector la derivacin de la varianza para procesos del tipo ARMA(p,q).
Una vez que hemos determinado las formas que pueden adoptar la varianza de los distintos tipos de
procesos, podemos elaborar intervalos de confianza para nuestras estimaciones. Se puede indicar
que los intervalos de confianza para un modelo AR irn creciendo continuamente junto con el
horizonte de prediccin. En el caso de modelos MA, estos permanecern constantes a partir del
periodo q hacia el futuro.
De esta manera, la expresin para los intervalos de confianza ser la siguiente:
Et (Yt k ) et ( k )
el valor que adopta depende del grado de confianza que se quiera incorporar. Tericamente, estos
errores de prediccin siguen una distribucin Normal y se quiere obtener un intervalo de 95% de
confianza, entonces el valor tabular de a elegir es 1.96.
CASO PRACTICO 15.2: Prediccin de la Demanda por Circulante en el Per
En la seccin 15.7 haba determinado que el mejor modelo que explicaba al PBI no estacionario era
el siguiente:
(1 L)(1 L12 )Yt (1 10 L10 ) t
Los dos parntesis que multiplican a la serie Yt son diferenciaciones de distinto orden para volver
estacionaria la serie y quitarle la estacionalidad. Una vez aplicadas estas diferencias se estim que
el mejor modelo que la poda explicar era un MA(10). Ahora nuestro objetivo es elaborar una
prediccin de esta serie.
El horizonte de prediccin que se escogi fue de 20 meses. En la Figura 15.21.a podemos observar
la estimacin que el EVIEW 3.1 elabora, adems de los intervalos de confianza de 2 desviaciones
estndar. En la grfica se aprecia que la serie estimada presenta un primer periodo de oscilaciones
(10 meses) ya que este corresponde a las q primeras predicciones de un proceso MA(q) que son
diferentes a su media.
(a) (b)
200 7000
100 6000
0 5000
-100 4000
-200 3000
-300 2000
1995 1996 1997 1998 1999 2000 1995 1996 1997 1998 1999 2000
Dda por circulante estacionaria Prediccin Dda por circulante no estac. Prediccin
Figura 15.21: Prediccin del PBI peruano

En este punto la pregunta es cmo reconstruimos la serie no estacionaria y estacional. En primer

lugar, para convertir la serie no estacionaria en una estacionaria se aplic primeras diferencias, de
la siguiente manera:
Yt Yt 1 Z t
hasta ahora slo tenemos la prediccin de la serie Zt. La expresin anterior la podemos reordenar:
Yt Z t Yt 1
por lo que para reconstruir la serie Yt es necesario especificarla de la siguiente manera:
Yt 1 Z t 1 Yt
Yt 2 Z t 2 Z t 1 Yt

Yt k Z t k Z t k 1 ... Yt
Similar procedimiento se efecta para reconstruir la serie estacional. El resultado que obtenemos
puede ser apreciado en la parte (b) de la Figura (15.21).
Apndice 15.1: Operador de Rezagos
El operador de rezagos es un operador lineal definido de la siguiente manera:
LiYt Yt i
Ya ha sido utilizado en otros captulos como el de Perturbaciones no Esfricas y el de Modelos de

Rezagos Distribuidos y Autorregresivos. Sin embargo, su aplicacin en este captulo y en el resto
del libro es muy importante por lo que es necesario que los lectores revisen este breve apndice
para que conozcan las principales propiedades de este operador y de algunas expresiones que en
adelante sern utilizadas.
Propiedades del Operador de Rezagos
1. Cuando es aplicado en una constante (c), el operador de rezagos nos devuelve el mismo valor
de la variable:
L (c) = c
2. Propiedad distributiva y expotencial
(Li Lj )Yt Li Yt Lj Yt Yt -i Yt - j
(Li Lj )Yt Li Yt - j Yt -i- j
(L-i )Yt Yt i
3. Si definimos al coeficiente a como: a 1 , entonces se cumple lo siguiente:
(1 aL a 2 L2 a 3 L3 ...)Yt Yt (1 aL)
o bien
(aL) Y
i 0
i
t Yt (1 aL)
4. Ahora bien, si definimos la constante como: a 1 , entonces se cumple que:
1 (aL) 1

(aL) 2 (aL) 3 ...) Yt - aL Yt (1 aL)
o bien

Yt (1 aL) (aL) 1 (aL) i Yt
i 0
Otras Notaciones
Por ejemplo, la expresin (15.1) puede ser especificada de la siguiente manera:
p
Yt a0 ai Yt i t
i 1
(1 a1 L a2 L2 ... a p Lp )Yt a0 t
A( L)Yt a0 t
donde: A( L) 1 a1 L a2 L2 ... a p Lp
y por consiguiente, la siguiente expresin A(1) es igual a:
A(1) 1 a1 a2 ... a p
Se puede especificar el trmino denominado proceso generador de la expresin (15.1) como la

suma ponderada de los trminos aleatorios rezagados, de la siguiente forma:
Yt a0 a1Yt 1 ... a pYt p t 1 t 1 ... q t q
y si empleamos al operador de rezagos, la expresin anterior puede ser simplificada a:
A( L)Yt a0 B( L) t
donde A(L) y B(L) son polinomios de orden p y q, respectivamente.
Para el caso especfico de:
Yt a0 a1Yt 1 t 1 t 1
(1 a1 L)Yt a0 (1 1 L) t
a0 t
Yt 1 t 1
1 a1 L 1 a1 L 1 a1 L
el primer miembro del lado derecho de la ltima expresin tambin puede ser especificado como
a 0 1 a 1 , ya que a0 es una constante. Los dos miembros siguientes pueden ser expandidos a:
t
a1i t i
1 a1 L i 0
1 t 1
1 a1i t i 1
1 a1 L i 0
Condiciones de estabilizacin
En la seccin 15.2 se haba especificado como condicin necesaria y suficiente para que la serie
fuese estacionaria era que sus races caractersticas caigan dentro del circulo unitario. La ecuacin
caracterstica se obtena de modificar el parntesis de la siguiente expresin:
(1 a1 L a2 L2 ... a p Lp )Yt a0 t
por: ( p a1 p 1 ...a p ) 0
por consiguiente, si no deseamos hacer este reemplazo, y de frente calculamos los valores de L
convierten nulo a ese parntesis, la condicin de estabilizacin es otra. La expresin
1 a 1L a 2 L2 ... a p Lp 0 , es conocida como la inversa de la ecuacin caracterstica. Debido a
que el valor que adopte L es el recproco del valor que adopte las races caractersticas, la condicin
de estacionariedad nos indica que L debe caer fuera del crculo unitario.

Cap15 SeriesTiempoEstacionarias

Загружено:

Сведения о документе

Оригинальное название

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

Cap15 SeriesTiempoEstacionarias

Загружено:

Авторское право:

Доступные форматы

CAPITULO 15

SERIES DE TIEMPO ESTACIONARIAS

En el captulo Modelos de Rezagos Distribuidos se introdujeron rezagos en el modelo. Estos

15.2. SERIES DE TIEMPO ESTACIONARIAS Y NO ESTACIONARIAS

Tal como se puede observar, el componente tendencial y el componente estacional2 son de ms

Estacionalidad: E = 0.6 x sin(t/6)

Componente Irregular: I = 0.6 x It-1 + t

donde t es el elemento que le introduce la estocasticidad al componente I. Es decir, el

Tendencia Estacionalidad Irregular

Microsoft en el Nasdaq (se asemeja mucho a un electrocardiograma ser el electrocardiograma de

Estacionariedad Estricta y Dbil

2. La varianza: t2 Var (Yt )

3. Las autocovarianzas: (t1 , t 2 ) Cov(Yt1 , Yt 2 )

La estacionariedad puede ser definida de dos maneras: estacionariedad fuerte y estacionariedad

autocovarianza), entonces estamos definiendo dbilmente la estacionariedad. Este tipo de

En el prximo captulo se realizar el anlisis de series de tiempo no estacionarias. Estas se

Serie Estacionaria Serie No Estacionaria

Serie No Estacionaria con tendencia determinstica.

15.3. EL CRCULO UNITARIO Y LAS CONDICIONES DE ESTACIONARIEDAD

Si reemplazamos Yt-1 en Yt y luego Yt-2 en Yt y as sucesivamente, entonces obtendremos:

Podemos seguir incrementando el valor de m (donde m representa el nmero de veces en que

(a) Yt = 0.80Yt-1 + t (b) Yt = 1.25Yt-1 + t

(c) Yt = -0.30Yt-1 + t (d) Yt = -1.25Yt-1 + t

y t 0.30 y t 1 0.40 y t 2 2 (15.5)

si dividimos esta expresin por A t 2 obtendremos:

(ya se ha eliminado el trmino constante y el trmino generador).

Luego se construye la ecuacin caracterstica:

en donde las races caractersticas adoptan los valores de:

1 , 2 (a1 a12 4a2 ) / 2

donde d es el discriminante. El comportamiento de la serie de tiempo (su convergencia o no

CASO 1: d > 0, entonces, a12 4a 2 0

Se puede ejemplificar este caso utilizando la expresin (15.5):

d (0.30) 2 4(0.40) 1.69 0

La ecuacin caracterstica es igual a: 2 0.30 0.40 0 ; y sus races son: 1 0.80 y

Figura 15.4: Caso d>0

Como segundo ejemplo se emplea la siguiente expresin:

CASO 2: d = 0, entonces, a12 4a 2 0

Ejemplo: Yt 1.2Yt 1 0.36Yt 2 0.40

r1,r2=-0.90 r1,r2=0.60 r1,r2=0.85

Figura 15.5: Caso d = 0

CASO 3: d < 0, entonces, a 12 4a 2 0

Ejemplo: Yt 1.2Yt 1 0.90Yt 2 0.22

La convergencia en este tipo de series est determinada por la siguiente condicin:

Figura 15.7: El Crculo Unitario

Sin embargo, en ambos casos, la extensin del radio es igual a:

Si se desarrolla se va a llevar a que el radio es igual a: r a 2 , y de acuerdo con el caso #3,

Generalizando: si tenemos procesos de mayor grado, tal como el siguiente:

se tienen que calcular sus n races caractersticas procedentes de esta ecuacin:

15.4. MODELOS DE SERIES DE TIEMPO

Un modelo ARIMA estacionario es denominado ARMA. A continuacin vamos a ir explicando las

15.4.1. Modelos Autorregresivos (AR)

Yt a 1Yt 1 a 2 Yt 2 ... a p Yt p t (15.6)

se lo denomina como un proceso autorregresivo de orden p y se le denota como AR(p). En

(1 - a 1L - a 2 L2 .... - a p Lp )Yt t (15.7)

donde 1, 2, ..., p son las races de la ecuacin

Tomando el valor esperado de la expresin (15.9), obtenemos:

el valor esperado de la serie k periodos despus ser igual a:

y si ahora tomamos el valor esperado a la expresin (15.12) para valores de t lo suficientemente

Yt a1Yt 1 a2Yt 2 t (15.15)

dividiendo todo entre A()t-2, obtenemos la siguiente ecuacin:

15.4.2. Modelos de Medias Mviles (MA)

El proceso MA(q) puede escribirse utilizando el operador de rezagos:

Yt (1 1L )(1 - 2 L)...(1 - q L) t (15.19)