Series de Tiempo PDF

Econometría Aplicada
Series de Tiempo
Víctor Medina
Series de Tiempo
Series de Tiempo
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.
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.
Ejemplos
Ejemplos
Ejemplos
Tipo de Cambio USD-Peso Chileno
600
dolar_obs
400
200
12−1989 12−1999 12−2009

fecha
Ejemplos
Diferencia Tipo de Cambio USD-Peso Chileno
50
dif_dolar
12−1989 12−1999 12−2009

fecha
Ejemplos
Inflación Chile
600
400
IPC
200
12−1959 12−1979 12−1999

fecha
Ejemplos
PIB Chile
40
35
PIB_MM
30
25
12−2007 12−2009 12−2011 12−2013 12−2015

fecha
Ejemplos
Diferencia trimestral del PIB Chile
2
dif_PIB
−1
12−2009 12−2011 12−2013 12−2015

fecha
Ejemplos
IPSA Bolsa de Santiago
5000
4000
IPSA
3000
2000
12−2005 12−2007 12−2009 12−2011 12−2013 12−2015

Fecha
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
Ejemplos
Acción Google
800
600
Google
400
200
12−2004 12−2009 12−2014

Fecha
Ejemplos
Diferencia diaria Acción Google

100
50
dif_Google
12−2004 12−2009 12−2014

Fecha
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
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)
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.

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 = −∞)
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)

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.
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
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
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
Gráficamente modelo autorregresivo de orden 1 sin y con constante

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?
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
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
Gráficamente
I Series de tiempo interactivo

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?
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
3. Dickey-Fuller, con constante y con tendencia
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.
2. Dickey-Fuller, con constante y sin tendencia
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
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
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
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
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
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
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
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.
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
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.
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.
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
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 .
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
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 )
Pronóstico
Pronóstico
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.
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)
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
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

Pronóstico
Xt = Zt − 0.8Zt−1
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).
Pronóstico
I MA interactivo
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
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.
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.
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 )
Pronóstico
I AR interactivo
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.
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.
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)
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).
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?
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 .
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?
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.
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)).
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
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.
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).
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)
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
Pronóstico
I ARMA interactivo
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
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
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.
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)
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)
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)

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
Pronóstico
Pronóstico
La primera diferencia. . .
Se ve mejor, podriamos decir entonces que el modelo ARIMA(p,1,q) es

adecuado.
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)
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
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 .

Series de Tiempo PDF

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

Series de Tiempo PDF

Загружено:

Авторское право:

Доступные форматы

Econometría Aplicada

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

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

Tipo de Cambio USD-Peso Chileno

12−1989 12−1999 12−2009

Diferencia Tipo de Cambio USD-Peso Chileno

12−1989 12−1999 12−2009

12−1959 12−1979 12−1999

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

Diferencia trimestral del PIB Chile

12−2009 12−2011 12−2013 12−2015

IPSA Bolsa de Santiago

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

Diferencia diaria IPSA Bolsa de Santiago

12−2004 12−2009 12−2014

Diferencia diaria Acción Google

12−2004 12−2009 12−2014

Objetivos de las series de tiempo

Entre los objetivos de la series de tiempo podemos mencionar

Procesos Estacionarios y No Estacionarios

Variables estacionarias y no estacionarias

Modelo autorregresivo de orden 1 AR(1)

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

yt = ρyt−1 + vt , |ρ| < 1

Modelo autorregresivo de orden 1 AR(1)

Modelo autorregresivo de orden 1 AR(1)

Modelo autorregresivo de orden 1 AR(1)

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 )

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

Modelo autorregresivo de orden 1 AR(1) con constante

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

o expresado de otra forma

yt = α + ρyt−1 + vt , |ρ| < 1

Modelo autorregresivo de orden 1 AR(1) con constante

Gráficamente modelo autorregresivo de orden 1 sin y con constante

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

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

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

que también puede ser expresado de la siguiente manera

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

Modelos de caminata aleatoria (Random Walk)

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

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

Caminata aleatoria con constante y tendencia temporal

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

modelo conocido como caminata aleatoria con constante

I Series de tiempo interactivo

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

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

2. Dickey-Fuller, con constante y sin tendencia

3. Dickey-Fuller, con constante y con tendencia

1. Dickey-Fuller, sin constante y sin tendencia

∆yt = (ρ − 1)yt−1 + vt = βyt−1 + vt

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

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

2. Dickey-Fuller, con constante y sin tendencia

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

3. Dickey-Fuller, con constante y con tendencia

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

Valores críticos del test Dickey-Fuller