Вы находитесь на странице: 1из 91

Econometría Aplicada

Econometría Aplicada
Series de Tiempo

Víctor Medina
Econometría Aplicada
Series de Tiempo

Series de Tiempo
Econometría Aplicada
Series de Tiempo

Introducción

En esta parte del curso veremos análisis de series de tiempo y procesos


estocásticos.
I Una serie de tiempo es un conjunto de observaciones xt , donde t
indica el tiempo de ocurrencia de la observación.
I Por ejemplo, observaciones de xt hechas en t = 1, 2, 3, . . . , N
I El tiempo puede ser medido en cualquier unidad (ej. minutos, días,
meses, años, etc.)
I Una serie de tiempo se dice discreta cuando el conjunto de
observaciones se hace en un conjunto discreto de periodos, por ejemplo,
en intervalos fijos de tiempo (diarias, mensuales, trimestrales, anuales,
etc.).
I Una serie de tiempo es continua cuando las observaciones se realizan
sobre un intervalo continuo de tiempo, por ejemplo, [0, T ]. Las
observaciones en sí pueden seguir siendo discretas.
I A nosotros nos interesará estudiar series de tiempo discretas con
tiempo equiespaciado.
Econometría Aplicada
Series de Tiempo

Introducción

I Las observaciones sucesivas en el tiempo son, en general, no


independientes.
I Esto significa que las observaciones pasadas pueden ser usadas para
predecir futuras observaciones.
I Si, dadas las obsevaciones x1 , ..., xt−1 , la observación xt se puede
predecir exactamente, la serie de tiempo se dice determinística.
I Si las observaciones futuras no se pueden predecir exactamente, entonces
se dice que la serie de tiempo es estocástica.
I En series estocásticas, las observaciones futuras tendrán una distribución
de probabilidad. Si las observaciones son dependientes, entonces esta
distribución de probabilidad será dependiente de las observaciones
pasadas.
Econometría Aplicada
Ejemplos

Ejemplos
Econometría Aplicada
Ejemplos

Tipo de Cambio USD-Peso Chileno

600
dolar_obs

400

200

12−1989 12−1999 12−2009


fecha
Econometría Aplicada
Ejemplos

Diferencia Tipo de Cambio USD-Peso Chileno

50
dif_dolar

12−1989 12−1999 12−2009


fecha
Econometría Aplicada
Ejemplos

Inflación Chile

600

400
IPC

200

12−1959 12−1979 12−1999


fecha
Econometría Aplicada
Ejemplos

PIB Chile

40

35
PIB_MM

30

25

12−2007 12−2009 12−2011 12−2013 12−2015


fecha
Econometría Aplicada
Ejemplos

Diferencia trimestral del PIB Chile

2
dif_PIB

−1

12−2009 12−2011 12−2013 12−2015


fecha
Econometría Aplicada
Ejemplos

IPSA Bolsa de Santiago

5000

4000
IPSA

3000

2000

12−2005 12−2007 12−2009 12−2011 12−2013 12−2015


Fecha
Econometría Aplicada
Ejemplos

Diferencia diaria IPSA Bolsa de Santiago

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

12−2004 12−2009 12−2014


Fecha
Econometría Aplicada
Ejemplos

Diferencia diaria Acción Google


100

50
dif_Google

12−2004 12−2009 12−2014


Fecha
Econometría Aplicada
Ejemplos

Objetivos de las series de tiempo

Entre los objetivos de la series de tiempo podemos mencionar


I Describir y resumir observaciones de series de tiempo
I Ajustar modelos con dimensiones reducidas
I Realizar predicciones
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Procesos Estacionarios y No Estacionarios


Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Variables estacionarias y no estacionarias


En los gráficos presentados además de la serie misma, vimos también la
diferencia en la variable, o el cambio de la variable de un periodo a otro

∆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

Modelo autorregresivo de orden 1 AR(1)

I Supongamos que la serie yt es una variable económica que observamos


en el tiempo. En línea con la mayoría de las variables económicas,
asumimos que yt tiene naturaleza estocástica porque no podemos
predecirla perfectamente.
I Las series de tiempo univariadas son ejemplos de procesos
estocásticos donde la variable y está relacionada con sus valores pasados
y valores actual y pasados del error (no tenemos variables explicativas
x’s)
I El modelo autorregresivo de orden 1, AR(1), es un modelo de series de
tiempo univariado útil para explicar la diferencia entre estacionario y
no estacionario. Viene dado por:

yt = ρyt−1 + vt , |ρ| < 1

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

Modelo autorregresivo de orden 1 AR(1)


Podemos expresar el modelo de la siguiente manera

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

Modelo autorregresivo de orden 1 AR(1)

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

Modelo autorregresivo de orden 1 AR(1)


I Autocovarianza
t−1
X t+s−1
X
cov(yt , yt+s ) = cov(ρt y0 + ρi vt−i , ρt+s y0 + ρj vt+s−j )
i=0 j=0
t−1 t+s−1
X X
= cov( ρi vt−i , ρj vt+s−j )
i=0 j=0
t−1 t−1
X X
= ρs cov( ρi vt−i , ρi vt−i )
i=0 i=−s
t−1 t−1
X X
= ρs cov( ρi vt−i , ρi vt−i )
i=0 i=0
t−1
X
s
= σv2 ρ ρ2i
i=0
ρs
= σv2
1 − ρ2
Obs. no depende de t, sino que de la distancia s.
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Modelo autorregresivo de orden 1 AR(1)

I Podemos definir la función de autocovarianzas

γ(yt , yt+s ) = cov(yt , yt+s )

en el caso donde sólo dependa de la distancia o lag s, γ(s) = γ(yt , yt+s )


(fijarse que γ(0) = var(yt ))
I Tambíen podemos definir la función de autocorrelación (ACF)

cov(yt , yt+s )
r(yt , yt+s ) = p
var(yt )var(yt+s )

y nuevamente, en el caso que sólo dependa de s,


γ(s)
r(s) = r(yt , yt+s ) =
γ(0)
γ(s)
Para AR(1), tenemos que r(s) = γ(0)
= ρs
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Modelo autorregresivo de orden 1 AR(1) con constante

I En la realidad es difícil encontrarse con procesos de media cero.


Podemos incluir un término µ de la siguiente manera

yt − µ = ρ(yt−1 − µ) + vt

o expresado de otra forma

yt = α + ρyt−1 + vt , |ρ| < 1

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

Modelo autorregresivo de orden 1 AR(1) con constante


I Esperanza. Si utilizamos la última expresión, rescatamos que
α
E(yt ) = =µ
1−ρ
I Varianza
t−1 t−1
X X 1
var(yt ) = var(ρt y0 + α ρi + ρi vt−i ) = σv2
1 − ρ2
i=0 i=0

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

Gráficamente modelo autorregresivo de orden 1 sin y con constante


Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Modelo autorregresivo de orden 1 AR(1) con constante y tendencia


temporal

I Otra extensión al modelo es considerar que AR(1) fluctua entorno a una


linea recta, es decir

yt − µ − δt = ρ(yt−1 − µ − δ(t − 1)) + vt , |ρ| < 1

que también puede ser expresado de la siguiente manera

yt = α + λt + ρyt−1 + vt

donde α = µ(1 − ρ) + ρδ y λ = δ(1 − ρ)


I Esperanza
E(yt ) = µ + δt
I Varianza
1
var(yt ) = σv2
1 − ρ2
I ¿Es estacionario?
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Modelos de caminata aleatoria (Random Walk)

Para el caso especial en que ρ = 1, tenemos que

yt = yt−1 + vt

al cual se le conoce como random walk. Su nombre proviene porque la


serie pareciera caminar para arriba o para abajo sin seguir ningún patrón
aparente.
I Expansión de la serie
t−1
X
yt = yt−1 + vt = yt−2 + vt−1 + vt = y0 + vt−i
i=0

I Esperanza
E(yt ) = y0
I Varianza
var(yt ) = tσv2
Econometría Aplicada
Procesos Estacionarios y No Estacionarios
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Caminata aleatoria con constante y tendencia temporal

I Otra extensión no estacionaria es la que resulta si se agrega un


término constante a la caminata aleatoria

yt = α + yt−1 + vt

modelo conocido como caminata aleatoria con constante


I Si además agregamos una tendencia temporal, tenemos

yt = α + δt + yt−1 + vt
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Gráficamente
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

I Series de tiempo interactivo


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

La principal razón de por qué es importante saber si una serie es estacionaria


o no estacionaria antes de realizar un análisis de regresión, es que cuando las
series usadas son no estacionarias existe la problemática de obtener
resultados aparentemente significativos sobre data que no tiene relación.
Estas regresiones se llaman espúreas.
I En otras palabras, cuando series de tiempo no estacionarias son usadas
en un análisis de regresión, el resultado puede indicar una relación
significativa cuando en realidad no existe.
I Estimadores de Mínimos Cuadrados (MC) pierden sus propiedades y los
estadísicos t no son confiables.
I Como muchas variables económicas son no estacionarias, es
importante tener presente cómo deben ser tratadas.
I ¿Cómo podemos testear si una serie es estacionaria o no?
I ¿Cómo podemos hacer regresiones cuando tenemos series no
estacionarias?
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Test de estacionariedad

Existen variados test para determinar si una serie es estacionaria o no.


Discutiremos uno de los más populares en econometría, test de
Dickey-Fuller.
1. Dickey-Fuller, sin constante y sin tendencia

yt = ρyt−1 + vt

2. Dickey-Fuller, con constante y sin tendencia

yt = α + ρyt−1 + vt

3. Dickey-Fuller, con constante y con tendencia

yt = α + λt + ρyt−1 + vt
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

1. Dickey-Fuller, sin constante y sin tendencia

yt = ρyt−1 + vt
o alternativamente

∆yt = (ρ − 1)yt−1 + vt = βyt−1 + vt

Luego, la hipótesis nula puede escribirse en términos de ρ o β

H0 : ρ = 1 ⇔ H0 : β = 0
H1 : ρ < 1 ⇔ H1 : β < 0

La hipótesis nula es que la serie es no estacionaria. En otras palabras, si


no rechazamos la nula, concluímos que no existe evidencia para rechazar que
el proceso es no estacionario. Y, por el contrario, si rechazamos la nula,
concluímos que la serie es estacionaria.
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

2. Dickey-Fuller, con constante y sin tendencia

yt = α + ρyt−1 + vt
o alternativamente

∆yt = α + (ρ − 1)yt−1 + vt = α + βyt−1 + vt

H0 : ρ = 1 ⇔ H0 : β = 0
H1 : ρ < 1 ⇔ H1 : β < 0

3. Dickey-Fuller, con constante y con tendencia

yt = α + λt + ρyt−1 + vt
o alternativamente

∆yt = α + λt + (ρ − 1)yt−1 + vt = α + λt + βyt−1 + vt

H0 : ρ = 1 ⇔ H0 : β = 0
H1 : ρ < 1 ⇔ H1 : β < 0
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Valores críticos del test Dickey-Fuller


Un camino lógico para testear la hipótesis de DF, sería realizar la regresión
por MC y luego construír el estadístico t = β̂/ŝe(β̂).
I Desgraciadamente, el estadístico t ya no distribuye bajo una distribución
t cuando la nula es cierta
I Problema: cuando la nula es cierta, yt es no estacionario y su varianza
incrementa a medida que la muestra crece. Este incremento altera la
distribución usual.
I Para reconocer este hecho, usualmente a este estadístico se le llama τ
(tau) y su valor debe ser comparado con valores especiales (los cuales
cambian dependiendo del tipo de test DF que apliquemos).

Table 1: Valores críticos Dickey-Fuller

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

Una importante extensión del test de Dickey-Fuller permite la inclusión de


modelos con el término del error autocorrelacionado. Esta autocorrelación es
probable que aparezca si nuestro modelo no incorporó términos anteriores de
la serie yt−s que capturen la dinámica de nuestro proceso.
I Usando la versión de DF con constante, una extensión sería
m
X
∆yt = α + βyt−1 + as ∆yt−s + vt
s=1

con ∆yt−s = yt−s − yt−s−1 . Se agregan tantos términos de retraso como


sea necesario para asegurar que los residuos no están
autocorrelacionados.
I Este test, con variaciones de constante y tendencia respectiva, se conoce
como Dickey-Fuller aumentado
I En la práctica siempre usamos el test DF aumentado
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Ejemplo test Dickey-Fuller


Considerando la serie
Inflación Chile
10.0

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

Ejemplo test Dickey-Fuller ¿cuál?

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

Ejemplo test Dickey-Fuller


Alternativamente comando Stata dfuller
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

Orden de integración

Hasta el momento hemos discutido si una serie es estacionaria o no.


Podemos llevar nuestro análisis un paso más allá incluyendo el concepto de
orden de integración
I Recordemos que si yt = yt−1 + vt es un camino aleatorio, entonces

∆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

Orden de integración ¿Es estacionaria?


IPC dif_IPC
10.0

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

Aplicando Dickey-Fuller (pareciera que fluctúa entorno a cero)

∆(∆IP C)t = β(∆IP C)t−1 + vt

donde ∆(∆IP C)t = ∆IP Ct − ∆IP Ct−1

Luego, podriamos afirmar que IPC es una serie I(1), ya que no es


estacionaria, pero su diferencia si lo es.
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

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

El test de estacionariedad de los residuos se basa entonces en la ecuación

∆êt = γêt−1 + vt

donde ∆êt = êt − êt−1 . Y tal como se explicó anteriormente, se examina el


estadístico t (o mejor dicho τ ) arrojado por la regresión.
I Como basamos este test en valores estimados del error, los valores
críticos para τ difieren de los que vimos anteriormente:

Table 2: Valores críticos Dickey-Fuller para test de cointegración

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

Regresión sin cointegración

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.

Estacionario en diferencia de orden 1


Consideremos nuevamente la caminata aleatoria

yt = α + yt−1 + vt

que puede transformarse en estacionaria tomando la primera diferencia (I(1))

∆yt = yt − yt−1 = α + vt

Supongamos que tenemos otra variable xt no estacionaria pero su primera


diferencia es estacionaria (I(1)). Sin embargo, no está cointegrada con yt .
Econometría Aplicada
Procesos Estacionarios y No Estacionarios

Estacionario en diferencia de orden 1


I Luego, si las dos series son I(1) pero no cointegradas, una regresión
adecuada entre ellas sería relacionar ∆yt y ∆xt (ambas estacionarias)

∆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

∆yt = α + θ∆yt−1 + β0 ∆xt + β1 ∆xt−1 + et

Estacionario en tendencia
Consideremos ahora el siguiente modelo

yt = α + δt + vt

A la variable se le dice que es estacionaria en tendencia porque se puede


estacionarizar restándole su tendencia, de la forma

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

donde yt∗ = yt − α1 − δ1 t y x∗t = xt − α2 − δ2 t (los coeficientes (α1 , δ1 ) y


(α2 , δ2 ) pueden ser estimados por MC)
I Alternativamente a la creación de yt∗ y x∗t , podemos estimar
directamente el modelo

yt = α + δt + θyt−1 + β0 xt + β1 xt−1 + et

que no es más que el desarrollo algebráico de la ecuación anterior con


α = α1 (1 − θ1 ) − α2 (β0 + β1 ) + θ1 δ1 + β1 δ2 y δ = δ1 (1 − θ1 ) − δ2 (β0 + β1 )
Econometría Aplicada
Pronóstico

Pronóstico
Econometría Aplicada
Pronóstico

Pronóstico

I Los métodos de pronóstico suponen que las series son estacionarias o


pueden ser transformadas en estacionarias.
I Los métodos más tradicionales son
1. Modelos ARIMA
2. Modelos VAR (Vector Autoregression)
3. Modelos de alisamiento exponencial
4. Modelos de regresión uniecuacional
5. Modelos de regresión de ecuaciones simultáneas
Nos concentraremos en los modelos ARIMA y supondremos que estamos
trabajando con series estacionarias, o series que podemos estacionarizar en
diferencia o tendencia.
Econometría Aplicada
Pronóstico

ARIMA

Los modelos ARIMA se construyen con modelos


I Promedios móviles de orden q, MA(q)
I Autorregresivos de orden p, AR(p)
I La combinación de estos últimos, AR(p) y MA(q) que se denominan
ARMA(p,q)
I Si tenemos además integración de orden d, entonces se denominan
ARIMA(p,d,q)
Partiremos analizando los modelos MA(q)
Econometría Aplicada
Pronóstico

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

Xt = Zt + θ1 Zt−1 + ... + θq Zt−q

donde θ1 , ..., θq son constantes.


I Esperanza

E(Xt ) = E(Zt + θ1 Zt−1 + ... + θq Zt−q ) = 0


I Autocovarianza (considerando θ0 = 1)

γ(k) = cov(Xt , Xt+k )


= E(Xt Xt+k ) − 0
= E[(θ0 Zt + ... + θq Zt−q )(θ0 Zt+k + ... + θq Zt+k−q )]
q q
X X
= θs θr E[Zt−s Zt+k−r ]
r=0 s=0
Econometría Aplicada
Pronóstico

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

y por lo tanto,  Pq−k


θr θr+k
s=0
k≤q
 P
q 2
r(k) = r=0
θr

0 k>q

Econometría Aplicada
Pronóstico

Xt = Zt − 0.8Zt−1
Econometría Aplicada
Pronóstico

Ejemplos de modelación de procesos MA

Sabemos que un proceso de promedios móviles es una suma ponderada de un


número fijo de eventos de ruido blanco. Algunos ejemplos de cuando un
modelo de este tipo puede adecuarse en la práctica son
I El efecto de las huelgas en alguna métrica económica, por ejemplo,
productividad. Las huelgas pueden ser consideradas eventos aleatorios.
La productividad en el tiempo puede verse afectada tanto por las
huelgas ocurridas en ese momento como también (en menor medida) por
huelgas que ocurrieron en periodos previos.
I Ventas de bienes durables, por ejemplo, lavadoras. La gente compra
nuevas lavadoras cuando la que tenían está defectuosa. La fluctuación
en el número de fallas en el tiempo puede ser considerada como ruido
blanco. El número de personas que compra una lavadora en un periodo
depende tanto del numero de fallas en ese periodo como también en los
anteriores (personas que aún no han reemplazado su lavadora).
Econometría Aplicada
Pronóstico

I MA interactivo
Econometría Aplicada
Pronóstico

Procesos Autorregresivos

Considerando {Zt } ∼ W N (0, σ 2 ) con t ∈ Z. La serie de tiempo {Xt } es un


proceso autorregresivo de orden p (AR(p)) si

Xt = α1 Xt−1 + α2 Xt−2 + ... + αp Xt−p + Zt

donde α1 , α2 , ..., αp son constantes.


Ejemplo: modelo AR(1)
Anteriormente habíamos visto que un modelo AR(1) tenía la forma

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

Ejemplo de modelación de procesos AR(1)

Los modelos autorregresivos asumen que el valor actual de una serie de


tiempo es la suma ponderada de un numero fijo de valores previos más ruido
blanco.
I Un ejemplo interesante de las ciencias forenses, es modelar las muestras
de cocaína en los fajos de billetes.
I La cocaína se transfiere de un billete a otro.
I Luego, la cantidad de cocaína en un billete está relacionada a la
cantidad de cocaína en los billetes previos más ruido (que puede ser
contaminación de otras fuentes).
I Notar que la posición del billete en el fajo es la que se utiliza como
tiempo.
Econometría Aplicada
Pronóstico

Ejemplo de modelación de procesos AR(1)

La serie de tiempo ilustra la contaminación de cocaína en 1065 billetes


incautados de alguien que posteriormente fue acusado de un crimen que
involucraba manipulación de esta droga.
Econometría Aplicada
Pronóstico

Ejemplo realizado en clases: AR(2)

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

Estimaciones mediante las observaciones

Supongamos que tenemos observaciones de la serie de tiempo {Xt } para los


periodos t = 1, 2, ..., N . Suponemos también que {Xt } es estacionario, luego
las estimaciones de µ̂, γ̂(k) y r̂(k) vienen dadas por
1. Estimamos µ con el promedio muestral
x1 + x2 + ... + xN
x̄ =
N
2. γ(k) es estimado, para el lag k, como
PN −k
t=1
(xt − x̄)(xt+k − x̄)
γ̂(k) =
N −k
obs Algunos textos prefieren el uso de N en el denominador en vez de
N − k.
Econometría Aplicada
Pronóstico

3. r(k) es estimado, para el lag k, como

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

Detección de un proceso MA(q)

I Como vimos anteriormente, para un proceso MA(q), r(k) = 0 para todo


k > q. Entonces cuando el número de observaciones es grande y la serie
{Xt } es un proceso MA(q), esperariamos
1. r̂(1), r̂(2), ..., r̂(q) estén cerca de r(1), r(2), ..., r(q) y, por lo tanto, sean
distintos de cero.
2. r̂(q + 1), r̂(q + 2), ... estén aleatoreamente distribuídos alrededor de cero.
I En particular, si |r̂(1)| es grande y r̂(2), r̂(3), ... son cercanos a cero,
esperaríamos poder ajustar un proceso MA(1).
Econometría Aplicada
Pronóstico

Ejemplo de detección de MA(q)

I Los siguientes dos correlogramas son de dos series de tiempo diferentes.


Usted decide ajustar un proceso de medias móviles a cada uno, ¿Por
qué?
I ¿Qué orden sugeriría para cada modelo?
Econometría Aplicada
Pronóstico

Detección de un proceso AR(p)

I Vimos que la función de autocorrelación para un proceso AR(1)


Xt = α1 Xt−1 + Zt está dada por
γ(k)
r(k) = = α1k
γ(0)
I Por lo tanto, esperaríamos que los coeficientes de la estimación muestral
de la función de autocorrelación r̂(k) sean cercados a α1k .
I Notar que, a diferencia del modelo MA(1), los valores r̂(k) no caen a
cero luego de haber superado el orden del proceso.
I Como r̂(1) se espera que sea cercano a α1 , el valor de r̂(1) puede ser
usado para obtener una estimación gruesa de α1 .
Econometría Aplicada
Pronóstico

Ejemplo de detección de AR(1)

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

Detección de un proceso AR(p)


I Detectar el orden de un proceso AR(p) sólo a través del correlograma
puede ser difícil, ya que los r̂(k) en general no caen a cero luego de
algún valor (como en el caso de MA(q)).
I Para el proceso general
p
X
Xt = αi Xt−i + Zt
i=1

donde Zt ∼ W N (0, σ 2 ), estimaciones de αi con i ∈ {1, 2, ..., p}, dada las


observaciones x1 , ..., xN , pueden ser obtenidas minimizando
N p
1 X X 2
xt − αi xt−i
N
t=p+1 i=1

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

I Para obtener los coeficientes de autocorrelación parcial de la muestra,


por ejemplo, en el rezago k, un proceso AR(k) se ajusta a la muestra
(ecuación anterior). Luego, la estimación α̂k es el coeficiente de
autocorrelación parcial de la muestra para el rezago k.
I El coeficiente de autocorrelación parcial para el rezago p, por ejemplo,
mide la autocorrelación en el rezago p que no está considerada por las
autocorrelaciones en los rezago 1, 2, ..., p − 1.
I Los coeficientes de autocorrelación parcial pueden ser graficados en
función del rezago, análogo al ACF (que grafica r̂(k) vs k). Este gráfico
se llama función de autocorrelación parcial (PACF).
I Para un proceso AR(p), los coeficientes α̂p+1 , α̂p+2 , ... deberían caer a
cero porque no son significativos. De esta forma, el PACF puede ser
usado para estimar el orden p del proceso AR(p) (de la misma manera
que el correlograma es usado para estimar el orden q del proceso
MA(q)).
Econometría Aplicada
Pronóstico

Ejemplo detección de un proceso AR(p)

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

Ejemplo: cocaína en billetes

Habíamos considerado que la serie era un proceso AR(1)

La serie de tiempo ilustra la contaminación de cocaína en 1065 billetes


incautados de alguien que posteriormente fue acusado de un crimen que
involucraba manipulación de esta droga.
Econometría Aplicada
Pronóstico

Ejemplo: cocaína en billetes

EL PACF y el ACF de la serie son

Por lo tanto, preferiríamos ajustar a la data una serie de un proceso AR(2)


en vez de uno AR(1).
Econometría Aplicada
Pronóstico

Procesos ARMA(p,q)

I Un proceso AR(p) junto con uno MA(q) se pueden combinar para


formar un modelo ARMA(p,q)
I La serie {Xt } se dice que es un proceso ARMA(p,q) si Xt viene dado por

Xt = α1 Xt−1 + α2 Xt−2 + ... + αp Xt−p + Zt + θ1 Zt−1 + ... + θq Zt−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

ARMA(p,q) con constante

I El proceso ARMA(p,q) recién visto puede ser generalizado a

Xt = c + α1 Xt−1 + α2 Xt−2 + ... + αp Xt−p + Zt + θ1 Zt−1 + ... + θq Zt−q

con c 6= 0. A este proceso lo llamaremos ARMA(p,q) con término


constante
I Si el proceso es estacionario, entonces la esperanza µ
c
µ=
1 − α1 − α2 − ... − αp
I Haciendo la misma transformación vista en clases pasadas

Yt = Xt − µ
Econometría Aplicada
Pronóstico

Yt = Xt − µ
entonces Yt ∼ ARMA(p,q), ya que

Xt = c + α1 Xt−1 + α2 Xt−2 + ... + αp Xt−p + Zt + θ1 Zt−1 + ... + θq Zt−q


= µ(1 − α1 − ... − αp ) + α1 Xt−1 + ... + αp Xt−p + Zt + θ1 Zt−1 + ... + θq Zt−
Xt − µ = α1 (Xt−1 − µ) + ... + αp (Xt−p − µ) + Zt + θ1 Zt−1 + ... + θq Zt−q
Yt = α1 Yt−1 + α2 Yt−2 + ... + αp Yt−p + Zt + θ1 Zt−1 + ... + θq Zt−q

I Luego tratamos Yt tal cual hemos visto hasta ahora y si queremos


rescatar una expresión para Xt , entonces usamos Xt = µ + Yt
I Notar que la función de autocorrelación r(k) es la misma tanto para Xt
como para Yt ya que γ(k) no depende de µ
Econometría Aplicada
Pronóstico

Pasos del proceso de ajuste del modelo

El modelo ARMA(p,q) con E(Xt ) = µ (ARMA(p,q) con constante) tiene


p + q + 2 parámetros:
α1 , α2 , ..., αp
θ1 , θ2 , ..., θq
µ, σ 2
y una muestra con N observaciones {x1 , x2 , ..., xN }. El proceso de ajuste
tiene las siguientes etapas:
1. Identificación de los modelos posibles. Esta etapa puede incluir el
preprocesamiento de la data para lograr la estacionariedad (por ejemplo,
diferenciar en el caso de series integradas - procesos ARIMA que
veremos a continuación). Los gráficos ACF y PACF pueden ser usados
como ayuda para identificar los modelos apropiados. Para comparar los
modelos seleccionados un criterio muy utilizado es el AIC.
Econometría Aplicada
Pronóstico

Pasos del proceso de ajuste del modelo

2. Estimacion de los parámetros del modelo. En general existen 3


enfoques: métodos de los momentos, minimos cuadrados no lineales, y
máxima verosimilitud.
3. Verificación del modelo escogido. Esto puede hacerse revisando los
residuos {Ẑt }, los cuales deben ser ruido blanco. Graficar {Ẑt } versus el
tiempo (qué se deberia ver?) o realizar un correlograma (los residuos no
tienen que estar correlacionados)
(Más adelante veremos una aplicación de este estilo)
Econometría Aplicada
Pronóstico

Procesos ARIMA

I En la práctica, la serie {Xt } puede no ser estacionaria


I Para estacionarizar, debemos controlar por el efecto no estacionario de
la serie (tendencia, por ejemplo)
I Como vimos anteriormente si consideramos las diferencias de la serie a
veces podemos rescatar estacionariedad
I Orden 1: ∆Xt = Xt − Xt−1
I Orden 2: ∆(∆Xt ) = ∆2 Xt =?
I En general, si la serie {Xt } tiene una tendencia que sigue un polinomio
de grado ≤ d en el tiempo t, entonces consideramos el proceso en
diferencias de orden d
Wt = ∆d Xt
Luego, si {Wt } puede ser modelado usando un proceso ARMA(p,q)
entonces la serie {Xt } se dice que es un modelo ARIMA(p,d,q)
Econometría Aplicada
Pronóstico

Ejemplo: ARIMA(0,1,1)

Consideremos el modelo

Xt = Xt−1 + Zt − θZt−1

Luego, podemos expresar

Wt = Xt − Xt−1 = Zt − θZt−1

entonces {Wt } ∼ ARMA(0,1) y {Xt } ∼ ARIMA(0,1,1)


Econometría Aplicada
Pronóstico

Ejemplo: Box-Jenkins

I La data de Box-Jenkins consiste en el total mensual de pasajeros


internacionales en EEUU, de enero 1949 a diciembre 1960
I La serie ha sido log-transformada, y la periodicidad ha sido removida
I Un gráfico se muestra a continuación
I Podemos ver una clara tendencia, aproximadamente lineal
Econometría Aplicada
Pronóstico

Ejemplo: Box-Jenkins
Econometría Aplicada
Pronóstico

Ejemplo: Box-Jenkins
La primera diferencia. . .

Se ve mejor, podriamos decir entonces que el modelo ARIMA(p,1,q) es


adecuado.
Econometría Aplicada
Pronóstico

Pronóstico con un proceso ARMA (Box-Jenkins)


I Ahora queremos estimar valores futuros de una serie de valores
observados.
I Supongamos que tenemos las observaciones x1 , ..., xN . El problema es
estimar el valor XN +h para algún entero h.
I Para simplificar asumiremos que no hay término constante.
Notación
N
I Denotamos XN +h el pronóstico hecho en t = N para XN +h
N
I Ejemplo, cuando h = 1 tenemos XN +1 que es el pronóstico de XN +1
hecho en t = N
Idea general
I La idea general es reemplazar ZT = 0 para cualquier valor T > t (valor
futuro de t). Así, al periodo N , ZN +1 , ZN +2 , ... son reemplazados por
cero. Por otra parte, Xt es reemplazado por su pronóstico para valores
futuros de t. Por ejemplo, para un pronóstico hecho en N , XN +1 es
N
reemplazado por XN +1 . Es decir, el pronóstico se realiza utilizando la
forma del modelo (este enfoque se conoce como Box-Jenkins)
Econometría Aplicada
Pronóstico

Pronóstico de XN +1 en el periodo N

I De la definición de un proceso ARMA(p,q), sabemos que

XN +1 = α1 XN +α2 XN −1 +...+αp XN +1−p +ZN +1 +θ1 ZN +...+θq ZN +1−q


I Para obtener el pronóstico del periodo N + 1, hecho en el periodo N
N
(XN +1 ), reemplazamos ZN +1 = 0, luego

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)

Consideremos que las observaciones {x1 , ..., xN } siguen el proceso

Xt = 0.5Xt−1 + Zt

I Calcular el pronóstico para h = 1, en t = N


I Calcular el pronóstico para h = 2, en t = N
I Calcular el pronóstico para h, cualquier entero, en t = N .