Академический Документы
Профессиональный Документы
Культура Документы
Econometría Aplicada
Series de Tiempo
Víctor Medina
Econometría Aplicada
Series de Tiempo
Series de Tiempo
Econometría Aplicada
Series de Tiempo
Introducción
Introducción
Ejemplos
Econometría Aplicada
Ejemplos
600
dolar_obs
400
200
50
dif_dolar
Inflación Chile
600
400
IPC
200
PIB Chile
40
35
PIB_MM
30
25
2
dif_PIB
−1
5000
4000
IPSA
3000
2000
200
100
dif_IPSA
−100
−200
−300
12−2005 12−2007 12−2009 12−2011 12−2013 12−2015
Fecha
Econometría Aplicada
Ejemplos
Acción Google
800
600
Google
400
200
50
dif_Google
∆yt = yt − yt−1
Notamos que hay algunas series que al restarle a cada observación el valor
del periodo anterior, la serie resultante tiende a estar acotada entre dos
valores, sin embargo para otras no parece tan claro.
I ¿Qué serie representa variables estacionarias y cuales son no
estacionarias?
Se dice que yt es estacionario si su esperanza y varianza son constante a lo
largo del tiempo, y además si la covarianza entre dos valores de la serie
depende sólo del largo de tiempo que separa esos dos valores (y no del
momento que es evaluado)
I En otras palabras, la serie de tiempo yt es estacionaria si para todo t
I E(yt ) = µ (media constante)
I var(yt ) = σ 2 (varianza constante)
I cov(yt , yt+s ) = cov(yt , yt−s ) = γs (covarianza depende de s, no de t)
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Donde los errores vt son independientes, con media cero y varianza σv2 .
I Veremos que |ρ| < 1 implica que yt es estacionario.
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
yt = ρyt−1 + vt
= ρ(ρyt−2 + vt−1 ) + vt
t−1
X
= ρt y0 + ρi vt−i
i=0
I Esperanza
t−1
X
E(yt ) = E(ρt y0 + ρi vt−i )
i=0
t−1
X
= ρt y0 + ρi E(vt−i )
i=0
= ρt y0 = 0
si t es suficientemente grande (o pensar que la serie no tiene un t = 0,
sino que sigue infinitamente a t = −∞)
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
I Varianza
t−1
X
var(yt ) = var(ρt y0 + ρi vt−i )
i=0
t−1
X
= ρ2i var(vt−i )
i=0
t−1
X
= σv2 ρ2i
i=0
1−αt
Pt−1 i
y si recordamos que i=0
α = 1−α
, luego
1 − ρ2t 1
var(yt ) = σv2 = σv2
1 − ρ2 1 − ρ2
si t es suficientemente grande y |ρ| < 1 (sino no converge)
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
cov(yt , yt+s )
r(yt , yt+s ) = p
var(yt )var(yt+s )
yt − µ = ρ(yt−1 − µ) + vt
con α = µ(1 − ρ)
I Extendiendo la serie, tenemos
yt = α + ρyt−1 + vt
= α + ρ(α + ρyt−2 + vt−1 ) + vt
t−1 t−1
X X
= ρt y0 + α ρi + ρi vt−i
i=0 i=0
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
I Autocovarianza
ρs
cov(yt , yt+s ) = σv2 = γ(s)
1 − ρ2
I Autocorrelación (ACF)
γ(s)
r(s) = = ρs
γ(0)
Obs. La ACF debiera ir decayendo a medida que aumentamos el lag s
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
yt = α + λt + ρyt−1 + vt
yt = yt−1 + vt
I Esperanza
E(yt ) = y0
I Varianza
var(yt ) = tσv2
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
yt = α + yt−1 + vt
yt = α + δt + yt−1 + vt
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Gráficamente
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Regresiones espúreas
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Regresiones espúreas
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Regresiones espúreas
Test de estacionariedad
yt = ρyt−1 + vt
yt = α + ρyt−1 + vt
yt = α + λt + ρyt−1 + vt
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
yt = ρyt−1 + vt
o alternativamente
H0 : ρ = 1 ⇔ H0 : β = 0
H1 : ρ < 1 ⇔ H1 : β < 0
yt = α + ρyt−1 + vt
o alternativamente
H0 : ρ = 1 ⇔ H0 : β = 0
H1 : ρ < 1 ⇔ H1 : β < 0
yt = α + λt + ρyt−1 + vt
o alternativamente
H0 : ρ = 1 ⇔ H0 : β = 0
H1 : ρ < 1 ⇔ H1 : β < 0
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Modelo 1% 5% 10%
∆yt = βyt−1 + vt -2.56 -1.94 -1.62
∆yt = α + βyt−1 + vt -3.43 -2.86 -2.57
∆yt = α + λt + βyt−1 + vt -3.96 -3.41 -3.13
Normal estándar -2.33 -1.65 -1.28
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Dickey-Fuller aumentado
7.5
5.0
IPC
2.5
0.0
−2.5
12−1994 12−1999 12−2004 12−2009 12−2014
fecha
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
1. ∆IP Ct = β · IP Ct−1 + vt
2. ∆IP Ct = α + β · IP Ct−1 + vt
3. ∆IP Ct = α + λt + β · IP Ct−1 + vt
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
2. ∆IP Ct = α + β · IP Ct−1 + vt
3. ∆IP Ct = α + λt + β · IP Ct−1 + vt
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Orden de integración
∆yt = yt − yt−1 = vt
es estacionaria.
I Series como yt , que pueden convertirse en estacionarias tomando su
primera diferencia, se les llama integradas de orden 1, denotadas por
I(1)
I Las series estacionarias, se les dice integradas de orden 0, I(0)
I En general, el orden de integración de una serie es el número mínimo de
veces que debe ser diferenciada para hacerla estacionaria.
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
7.5
5.0
valor
2.5
0.0
−2.5
1994 1999 2004 2009 2014 1994 1999 2004 2009 2014
fecha
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Orden de integración
Cointegración
Como regla general, series no estacionarias no deberían usarse en modelos de
regresión para evitar regresiones espúreas. Sin embargo, existe una excepción
a la regla.
I Si yt y xt son variables I(1) no estacionarias, entonces cualquier
combinación lineal de ellas et = yt − β1 − β2 xt también es I(1).
I En el caso particular en que et = yt − β1 − β2 xt es estacionaria I(0),
se dice que yt y xt están cointegradas
I Esto quiere decir que yt y xt comparten tendencias estocásticas similares
(nunca diverge una muy lejos de la otra).
I Una forma de testear si yt y xt están cointegradas es ver si los errores
et = yt − β1 − β2 xt son estacionarios.
I Como et son no observables, testeamos la estacionariedad de los residuos
de mínimos cuadrados êt = yt − β̂1 − β̂2 xt usando test de Dickey-Fuller.
Testear cointegración es efectivamente testear la estacionariedad de los
residuos. Si los residuos son estacionarios, entonces yt y xt están
cointegrados. Si por el contrario, los residuos no son estacionarios, entonces
las series no están cointegradas y la relación entre ellas es espúrea.
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Cointegración
∆êt = γêt−1 + vt
Modelo 1% 5% 10%
yt = βxt + et -3.39 -2.76 -2.45
yt = β1 + β2 xt + et -3.96 -3.37 -3.07
yt = β1 + δt + β2 xt + et -3.98 -3.42 -3.13
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Hasta el momento hemos aprendido que regresiones con variables I(1) son
aceptables si éstas están cointegradas (residuos estacionarios).
I ¿Qué pasa cuando no hay cointegración entre variables I(1)?
I Convertir las series no estacionarias en estacionarias.
I Depende de si las variables son estacionarias en diferencia o en
tendencia.
yt = α + yt−1 + vt
∆yt = yt − yt−1 = α + vt
∆yt = α + β0 ∆xt + et
I En general, si una serie yt es I(1), entonces ∆yt , ∆yt−1 = yt−1 − yt−2 ,
etc. son estacionarias. Luego, el modelo anterior se puede generalizar
incluyendo diferencias que se estimen relevantes, por ejemplo
Estacionario en tendencia
Consideremos ahora el siguiente modelo
yt = α + δt + vt
yt − α − δt = vt
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Estacionario en tendencia
I Si dos variables y y x son estacionarias en tendencia, un posible modelo
autorregresivo con tendencias sería
yt∗ = θyt−1
∗
+ β0 x∗t + β1 x∗t−1 + et
yt = α + δt + θyt−1 + β0 xt + β1 xt−1 + et
Pronóstico
Econometría Aplicada
Pronóstico
Pronóstico
ARIMA
MA(q)
Si {Zt } ∼ W N (0, σ 2 ) para t ∈ Z, entonces la serie {Xt } se dice que sigue un
proceso de promedios móviles de orden q si
Pero
σ2 t−s=t+k−r
E(Zt−s Zt+k−r ) =
0 sino
Luego, utilizando el cambio de variable j = r − k, tenemos
Pq−k
σ2 s=0
θr θr+k k≤q
γ(k) =
0 k>q
Entonces
q
X
var(Xt ) = γ(0) = σ 2 θr2
r=0
0 k>q
Econometría Aplicada
Pronóstico
Xt = Zt − 0.8Zt−1
Econometría Aplicada
Pronóstico
I MA interactivo
Econometría Aplicada
Pronóstico
Procesos Autorregresivos
Xt = α1 Xt−1 + Zt
y que además
I Esperanza E(Xt ) = 0
σ 2 αk
I Función de autocovarianzas, si |α1 | < 1, γ(k) = (1−α2
1
)
1
γ(k)
I Función de autocorrelación, si |α1 | < 1, r(k) = γ(0)
= α1k
Econometría Aplicada
Pronóstico
Xt = α1 Xt−1 + α2 Xt−2 + Zt
1. Calcular E(Xt )
2. Calcular γ(0) = var(Xt )
3. Calcular γ(1) = cov(Xt , Xt−1 )
4. Calcular γ(2) = cov(Xt , Xt−2 )
5. Calcular r(1) = cov(Xt , Xt−1 )/var(Xt )
6. Calcular r(2) = cov(Xt , Xt−2 )/var(Xt )
Econometría Aplicada
Pronóstico
I AR interactivo
Econometría Aplicada
Pronóstico
γ̂(k)
r̂(k) =
γ̂(0)
Las fórmulas, tanto para γ̂(k) como para r̂(k) deben ser usadas sólo
cuando k es considerablemente menor relativo a N , por ejemplo,
k < N/3.
Econometría Aplicada
Pronóstico
Correlogramas o ACF
Ya hemos visto e interpretado los correlogramas. En términos de nuestra
estimaciones, estos gráficos no son más que las estimaciones r̂(k) para
distintos valores de k y permiten la interpretación de los coeficientes de
correlación. Por ejemplo, las siguientes figuras. La de la izquierda es un
proceso AR(1) y la figura de la derecha un proceso MA(1)
Econometría Aplicada
Pronóstico
Los siguientes dos correlogramas fueron obtenidos de dos series que se saben
siguen un proceso AR(1).
I ¿Qué valores de α1 estimaría para cada proceso?
Econometría Aplicada
Pronóstico
Las estimaciones resultantes α̂1 , α̂2 , ..., α̂p son las estimaciones de
mínimos cuadrados.
I La estimación α̂p se le conoce como coeficiente de autocorrelación
parcial de la muestra para el rezago p.
Econometría Aplicada
Pronóstico
Los siguientes dos gráficos son dos PACF de dos procesos diferentes. El
primero es un proceso AR(1) con α1 = 0.8 y el segundo es un AR(2) con
α2 = −0.6
Econometría Aplicada
Pronóstico
Procesos ARMA(p,q)
donde Zt ∼ W N (0, σ 2 )
I Desde este punto de vista se puede observar que MA(q) y AR(p) son
casos particulares de procesos ARMA, obtenidos para p = 0 y q = 0,
respectivamente. Es decir
I MA(q)=ARMA(0,q)
I AR(p)=ARMA(p,0)
I Ruido blanco=ARMA(0,0)
Econometría Aplicada
Pronóstico
Ejemplo: ARMA(1,1)
Xt = α1 Xt−1 + Zt + θ1 Zt−1
I Esperanza
E(Xt ) = E(α1 Xt−1 + Zt + θ1 Zt−1 )
I Autocovarianza
cov(Xt , Xt+k ) = E(Xt Xt+k )
I Caso k = 0
I Caso k = 1
I Autocorrelación
I Caso k = 0
I Caso k = 1
Econometría Aplicada
Pronóstico
I ARMA interactivo
Econometría Aplicada
Pronóstico
Yt = Xt − µ
Econometría Aplicada
Pronóstico
Yt = Xt − µ
entonces Yt ∼ ARMA(p,q), ya que
Procesos ARIMA
Ejemplo: ARIMA(0,1,1)
Consideremos el modelo
Xt = Xt−1 + Zt − θZt−1
Wt = Xt − Xt−1 = Zt − θZt−1
Ejemplo: Box-Jenkins
Ejemplo: Box-Jenkins
Econometría Aplicada
Pronóstico
Ejemplo: Box-Jenkins
La primera diferencia. . .
Pronóstico de XN +1 en el periodo N
N
XN +1 = α1 XN + α2 XN −1 + ... + αp XN +1−p + θ1 ZN + ... + θq ZN +1−q
I Entonces
N
XN +1 = XN +1 − ZN +1
Econometría Aplicada
Pronóstico
Ejemplo: AR(1)
Xt = 0.5Xt−1 + Zt