Академический Документы
Профессиональный Документы
Культура Документы
de Tiempo
H.E. Sheriff
Tema 1
INF
7
-1
1955 1960 1965 1970 1975 1980 1985 1990
ING
920
910
900
890
880
870
860
1955 1960 1965 1970 1975 1980 1985 1990
Proceso Generador de Datos
Modelo matemático desconocido
Marginalización
Eliminación de variables
Ruido blanco
Condicionalización
Distinción entre variables exógenas y
endógenas
Innovación y exogeneidad débil
Ortogonalización
Representación parsimoniosa de los datos
Ruido Blanco e Innovación
Ruido blanco
E(ut\ut-1) = E(ut)
Ut es impredecible sobre la base de su propio pasado.
Innovación
E(ut\It-1) = E(ut)
I es todo el conjunto de información disponible.
U es impredecible por los datos disponibles.
El mínimo requerimiento es que It-1 = xt-1
Débil
Sólo para inferencia
Suficiente para estimación por MCO
Fuerte
Causalidad en el sentido Granger
Basada en VAR sirve para predicción
Super
Permite simulación de políticas
Refuta crítica de Lucas
Limitaciones del Análisis de
Series de Tiempo (ARIMA)
Una especificación tipo ARIMA utiliza exclusivamente la información
proporcionada por el análisis de las propiedades temporales de las
series.
Introduce el concepto de Proceso Generador de Datos de manera
explícita.
Las predicciones basadas en este tipo de modelos son de bajo
poder en horizontes de tiempo largos.
Dado que es un enfoque aplicado a la física y a experimentos
controlados, su aplicación a fenómenos económicos (no
experimentales) omite y no presta importancia a variables
explicativas que pueden mejorar las propiedades de un modelo.
Características generales de Eviews
• Ejemplo de datos estadísticos básicos
• Ejemplo de grafico simple
• Ejemplo de gráfico compuesto
• Gráficos avanzados
• Ejemplo de conversión simple de datos
La importancia del análisis gráfico
• Detección de tendencias
• Detección de movimiento estacional
• Detección de ciclos
• Detección de cambio estructural
• Detección de observaciones atípicas
Series de tiempo
1. Tendencia
2. Estacionalidad
3. Observaciones aberrantes
4. Heteroscedasticidad condicional
5. No linealidad
Series típicas
• Presentan al menos una de las características.
• Usualmente presentan 3 características.
Herramientas
• Modelos de regresión.
• Análisis gráfico
Construcción de modelos
• El valor de yt-1 se refleja en yt.
• Por lo tanto es necesario analizar los valores
pasados de y para poder efectuar predicciones de
y.
• Las series de tiempo pueden ser caracterizadas
por un conjunto de autocorrelaciones debido al
PGD.
• En los modelos causales, x no siempre es
observable.
Métodos estadísticos
• Análisis espectral
• Modelos Box Jenkins
Métodos estadísticos
Análisis de series de
Análisis espectral tiempo
yt t ut
yt ut
Aspectos salientes de la tendencia
• No hay una forma de representar la tendencia
• Ello tiene impacto en las predicciones.
• A veces existe una tendencia cambiante.
Tendencia negativa
Tasa de interés pasiva
20
16
12
0
88 90 92 94 96 98 00 02 04 06 08 10
Tendencia cambiante
LPRSUS
6.50
6.25
6.00
5.75
5.50
5.25
5.00
4.75
4.50
68 70 72 74 76 78 80 82 84 86 88 90 92 94
Estacionalidad
S 1
yt s Dst ut
s 1
1 si t (T 1)S s y s 1, 2,3,....S
Ddt
0 e.o.l.
Aspectos de la estacionalidad
• Casi siempre es notoria en una gráfica
• Puede haber cambios en la estacionalidad
Estacionalidad cambiante
Y
10.5
10.4
10.3
10.2
10.1
10.0
9.9
9.8
70 72 74 76 78 80 82 84 86 88 90 92
Observaciones aberrantes
• Después de confirmar que no son errores
humanos, la variedad de razones es amplia.
• Afecta la tendencia, la estacionalidad y la propia
correlación de las variables y sus rezagos.
• Intentar formas de identificar observaciones
aberrantes más allá del simple análisis gráfico.
Observaciones aberrantes
INF
120
100
80
60
40
20
-20
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
Dispersograma con aberrantes
120
1.2
80
0.8
40
0
0.4
-40
D2INF
D2INF
0.0
-80
-120 -0.4
-160
-0.8
-200
-240 -1.2
-120 -80 -40 0 40 80 120 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
DINF DINF
Heteroscedasticidad
• Las observaciones aberrantes se agrupan
(pánicos, corridas, etc.)
• Esos periodos de burbujas (altas varianzas) que
se agrupan.
• Esa volatilidad agrupada es la
heteroscedasticidad condicional.
• Si se la identifica ello puede ayudar a la
predicción.
Representación de la
heteroscedasticidad condicional
(yt ) (yt 1 ) ut
2 2
Differenced INFM
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-2.0
68 70 72 74 76 78 80 82 84 86 88 90 92 94
No linealidad
• Diferente a “todo lo que no es lineal”
• Asociada a cambios estructurales o dependencia
de estado.
• Usualmente existe alta asimetría
• Si se pretende predecir con un modelo no lineal
se tendrá mayor esfuerzo en la especificación y
estimación de sus parámetros.
• Por ello es mejor un diagnóstico previo.
LQ
7.11
7.10
7.09
7.08
7.07
7.06
1955 1960 1965 1970 1975 1980 1985 1990
Series con características comunes
• Aparentemente relacionadas.
• A veces se llaman variables de interés.
• A veces contienen relaciones de largo plazo.
• Otras veces la interrelación entre variables
ayuda a mejorar las predicciones.
7.11
7.10
7.09
6.82 7.08
7.07
6.80
7.06
6.78
6.76
6.74
1955 1960 1965 1970 1975 1980 1985 1990
LQ LCON LY
6.82 6.83
6.81 6.82
6.81
6.80
6.80
LY
LY
6.79
6.79
6.78 6.78
6.77
6.77
6.76
6.76 6.73 6.74 6.75 6.76 6.77 6.78 6.79 6.80 6.81 6.82
6.74 6.75 6.76 6.77 6.78 6.79 6.80
LCON
LCON
Modelos ARMA(p,q)
• Equivalentes a ARIMA(p,0,q)
• Aplicados a series que no tienen tendencia,
estacionalidad, observaciones aberrantes,
heteroscedasticidad condicional ni no
linealidades.
• Si I=0 entonces decimos que la serie es
estacionaria
Ruido blanco
E ( t / t j ) E( t )
E ( t ) 0
E ( )
t
2 2
E ( s t ) 0
Series Estacionarias
• Los supuestos principales de los modelos
econométricos tradicionales están basados en una
presunción de que la series económicas son
estacionarias.
• Sin embargo, es usual encontrar series no
estacionarias en el trabajo econométrico,
particularmente en finanzas.
• Gráficamente las series estacionarias no presentan
tendencias y ante un shock, éste tiende a
desaparecer en el tiempo.
Definición (débil) de Serie
Estacionaria
• Una serie estacionaria es aquella que tiene un
atractor, es decir, cuando converge a un valor finito.
• Ante un shock, las series estacionarias tienden a
volver a su atractor.
• En términos estadísticos, una serie estacionaria es
aquella que tiene media única, varianza finita y
memoria corta (es decir, correlaciones finitas y
rápidamente decrecientes.
• La definición fuerte implica que la distribución de
una serie estacionaria no cambia en el tiempo.
160
140
120
100
80
60
40
20
0
1 5 9 13 17 21 25 29 33 37Series2
41 45 49 53 57 61 65 69 73 77 81
Ejemplo 1
Proceso AR
• Se dice que un proceso estacionario es AR(p) si la
variable estacionaria y puede ser explicada por sus
valores pasados. P
yt φi yt i t
i 1
(1 L2 )(1 L2 ) 1 L4
Proceso AR(p)
P
yt φi yt i t
i 1
yt φ1 yt 1 φ2 yt 2 ... φp yt p t
yt φ1 yt 1 φ2 yt 2 ... φp yt p t
φp ( L) yt t
φp ( L) 1 φ1L φ2 L2 ... φp Lp
Inversión de Ar(p)
φp ( L) yt t
1
yt φp ( L) t
n 1
yt i t i y0
i 0
i 0
i
Inversión de AR(1)
φp ( L) yt t
yt φ1 yt 1 t
y1 φ1 y0 1
y2 φ1 φ1 y0 1 2 φ12 y0 φ11 2
y3 φ13 y0 φ121 φ1 2 3
t 1
yt φ1t y0 φ1i t 1
i 0
i 0
1
1 1
Proceso MA(q)
1 1
k 1k 1
Correlograma de AR(2)
1 10 2 1 0
1 (1 2 ) 11
2 (1 2 ) 1 2
1 2
k 1k 1 2 k 2
AR(1)
160.00000
155.00000
150.00000
145.00000
140.00000 Series1
135.00000
130.00000
125.00000
1
981
736
785
491
687
834
295
50
344
148
589
99
246
393
540
883
932
638
442
197
0.89
AR(2)
100.00000
90.00000
80.00000
70.00000
Series1
60.00000
50.00000
40.00000
1
209
261
729
521
937
313
885
365
781
573
105
625
833
989
469
677
417
157
53
-
15.00000
5.00000
25.00000
10.00000
20.00000
MA(1)
1
50
99
148
197
246
295
344
393
442
491
540
589
638
687
736
785
834
883
932
981
Series1
MA(2)
MA2
24
22
20
18
16
14
12
10
6
I II III IV I II III IV I II III IV
2001 2002 2003
P
Evaluación
Aspectos de la evaluación
• Residuo ruido blanco asegura 1 y 3.
• El análisis gráfico permite identificar 5, si existen
observaciones aberrantes, se debe considerar análisis de
intervención.
• 4 puede ser evaluada por el teste de Jarque Bera. Sin embargo,
se sabe que algún problema en la normalidad de los residuos
está ligada a que no se cumpla 1, 2 y 3. Dado que el método es
de máxima verosimilitud, se debe prestar mayor atención a
este aspecto.
• Admisibilidad implica también que las soluciones del
polinomio no entren dentro del círculo unitario. Para ello se
debe ser cuidadoso con los tests de raiz unitaria.
Normalidad de a
Estabilidad de la varianza
Estabilidad de Parámetros
• No implica hacer los
test de estabilidad
antes descritos.
Análisis del correlograma
Residuos
3
-1
-2
-3
75 80 85 90 95 00
J arque-Bera 34.73103
Probability 0.000000
0
-3 -2 -1 0 1 2
heteroscedasticidad