ANALISIS DE SERIES DE TIEMPO

Una serie de tiempo es un conjunto de

informacin (datos) acerca de los valores
que asume una variable econmica en el
tiempo.
Toda serie de tiempo es generada por un
proceso estocstico, el cual ex ante no se
conoce.
El proceso estocstico (Proceso) da origen
a los datos observados (Realizacin) y
estos se pueden describir a travs de una
ecuacin (modelo) despus de un anlisis.
 ANALISIS DE SERIES DE TIEMPO

Los modelos utilizados para hallar el

proceso que genera la realizacin de una
series de tiempo son los modelos ARIMA.
Los modelos ARIMA significan Modelos
Autorregresivos Integrados de Promedios
Mviles.
Antes de iniciar con su modelacin, se
requiere introducir tres conceptos bsicos:
proceso estocstico, proceso estacionario
y proceso de caminatas aleatorias.
 ANALISIS DE SERIES DE TIEMPO

PROCESO ESTOCSTICO: sucesin de variables

aleatorias Yt ordenadas, pudiendo tomar t
cualquier valor en los reales.

Cada una de las variables Yt que configuran un

proceso estocstico tendrn su propia funcin de
distribucin con sus correspondientes momentos.

As mismo, cada par de esas variables tendrn su

correspondiente funcin de distribucin conjunta
y sus funciones de distribucin marginales.
 ANALISIS DE SERIES DE TIEMPO

PROCESO ESTACIONARIO:
Habitualmente, conocer esas
funciones de distribucin resulta
complejo.

Para caracterizar el proceso basta

con especificar la media y la varianza
para cada Yt y la covarianza para
variables referidas a distintos valores
de t.
 ANALISIS DE SERIES DE TIEMPO

Una serie de tiempo es estacionaria

(proceso estacionario / no cambia en el
tiempo) si cumple que:

E (Yt) = (1)

Var (Yt) = E (Yt - )2 = 2 (2)

Cov (Yt, Yt-k) = E ((Yt )( Yt-k )) (3)

ANALISIS DE SERIES DE TIEMPO

E (Yt) = (1)
4
3
2 El valor promedio
1 de la serie debe
0
tener una media
-1
constante a travs
-2
-3
de la historia, es
-4 decir, en la medida
-5 en que pasa el
10 20 30 40 50 60 70 80 90 00
tiempo, el valor
Y (serie hipotetica)
promedio de Yt no
debe depender de
l.
ANALISIS DE SERIES DE TIEMPO

4
Var (Yt) = 2
3

1 La varianza debe
0 mantenerse sin
-1 variacin en la
-2 medida en que
-3 pase el tiempo, es
10 20 30 40 50 60 70 80 90 00
decir, debe ser
Y (serie hipottica)
independiente del
mismo.
ANALISIS DE SERIES DE TIEMPO

4 Cov (Yt, Yt-k) = ((Yt )

3 ( Yt-k ))
2

1 Las variables Yt pueden

0 estar relacionadas
-1
linealmente entre si, pero
de forma que la relacin
-2
entre dos variables slo
-3
depende de la distancia
-4 temporal k transcurrida
10 20 30 40 50 60 70 80 90 00
entre ellas.
Y (serie hipotetica)
 ANALISIS DE SERIES DE TIEMPO
TCN
3,500

3,400 Para la mayora de

3,300
las series de tiempo,
estas condiciones no
3,200
se cumplen.
3,100

3,000 Por ejemplo, El TCN

2,900 en lo corrido del ao
2016
2,800
25 50 75 100 125 150 175 200 225 250
 ANALISIS DE SERIES DE TIEMPO

Para que una serie sea estacionaria

en varianza se debe utilizar la
transformacin Box-Cox.

Yt * (Yt 1) /

Si Lim 0, entonces Yt*= Ln (Yt)

 ANALISIS DE SERIES DE TIEMPO

TCN en niveles TCN en logaritmos

TCN LTCN
3,500
8.16

3,400
8.12

3,300
8.08
3,200
8.04
3,100

8.00
3,000

2,900 7.96

2,800 7.92
25 50 75 100 125 150 175 200 225 250 25 50 75 100 125 150 175 200 225 250
 ANALISIS DE SERIES DE TIEMPO

Para que una serie sea estacionaria en

media se debe estabilizarla a travs de
la diferenciacin.
Primera diferencia (d=1)
Yt (Yt Y )
*1 * *
t 1

Segunda diferencia (d=2)

Yt (Yt Y ) (Y Y )
*2 * *
t 1
*
t 1
*
t 2
ANALISIS DE SERIES DE TIEMPO

DLTCN
.03
Ejemplo1:
.02
Al LTCN se le
.01
aplica la primera
.00
diferencia .
-.01

-.02

-.03
El resultado es
una serie
-.04
25 50 75 100 125 150 175 200 225 250 estacionaria.
ANALISIS DE SERIES DE TIEMPO

CAMINATAS ALEATORIAS: Las caminatas

aleatorias (Random Walks) es un ejemplo
clsico de series no estacionarias.

Es un proceso estocstico que genera los

valores de una serie, a travs del siguiente
modelo parsimonioso:
Yt Yt 1 U t
Donde Ut es una variable aleatoria Ruido
Blanco (White Noise) o RB.
 ANALISIS DE SERIES DE TIEMPO

Si se comprueba (a travs de MCO) que

es igual (o muy cercano) a uno, surge
lo que se conoce como el problema de
raz unitaria.

Esto significa que la serie depende del

tiempo, ya que su media, y la varianza
se modifica con l.

Un choque aleatorio (shock)

desestabiliza la serie y no vuelve a su
senda de equilibrio a largo plazo.
 ANALISIS DE SERIES DE TIEMPO
En otras palabras, el proceso de Caminata
Aleatoria presenta memoria ilimitada, ya
que los valores actuales de la serie dependen
de los valores pasados de los shocks, sin que
su efecto se diluya rpidamente.

De otro lado, un proceso estacionario

presenta memoria limitada, ya que un
shock lo saca momentneamente de su
senda de equilibrio a largo plazo, pero
rpidamente retorna a l.
ANALISIS DE SERIES DE TIEMPO

Las caminatas aleatorias se convierten

en procesos estacionarios extrayendo
su primera diferencia:
Yt Yt 1 U t

despejando
Yt Yt 1 U t

Yt U t
se tiene entonces que:
 ANALISIS DE SERIES DE TIEMPO

Ahora la variable en diferencia es

estacionaria dado que es igual a Ut,
la cual es por definicin estacionaria
dado que es una variable RB.

Esto significa que los cambios de la

serie son totalmente aleatorios o
impredecibles (regidos por una RB).
 ANALISIS DE SERIES DE TIEMPO

Ejercicio
Presentan las variables COLCAP e
IGBC estabilidad en media y en
varianza?

Si su respuesta es negativa,
transfrmelas en estacionarias.
 ANALISIS DE SERIES DE TIEMPO

En conclusin, si la serie es no estacionaria, debe

aplicrsele logaritmos naturales, y luego
diferenciarla hasta que su media sea
independiente del tiempo.

Esta evaluacin generalmente se hace a travs del

mtodo grfico, aunque existen otros mtodos
ms rigurosos desde el punto de vista estadstico:

Prueba del Correlograma

Test Dickey - Fuller,
Test de Phillips Perron
Prueba KPSS, entre otras.
 ANALISIS DE SERIES DE TIEMPO

PRUEBA DEL CORRELOGRAMA

Funcin de Autocorrelacin (FAC): Es la
formula que permite calcular el grado de
asociacin lineal entre los valores actuales y
pasados que asume una misma variable en el
tiempo, aislando la influencia de rezagos
intermedios:
n
K (t 1 (Yt Yt * )(Yt * k Y * ) /( Yt * Yt * ) 2
nk *

t 1

Ejemplo
 ANALISIS DE SERIES DE TIEMPO

PRUEBA DEL CORRELOGRAMA

Funcin de Autocorrelacin Simple (FACS):
Es la formula que permite calcular el grado de
asociacin lineal entre los valores actuales y
pasados que asume una misma variable en el
tiempo, teniendo en cuenta la influencia de
rezagos intermedios:
k 1
k k 1, j
r
k j
kk j 1
k 1
1 k 1, j j
r

j 1

Ejemplo
 ANALISIS DE SERIES DE TIEMPO
Una serie estacionaria debe mostrar que
las autocorrelaciones (spikes) caen
rpidamente.

Una serie no estacionaria debe mostrar de

manera contara que las autocorrelaciones
(spikes) caen muy lentamente.

Las series puramente aleatorias deben

mostrar que las autocorrelaciones (spikes)
no son estadsticamente significativas.
ANALISIS DE SERIES DE TIEMPO

Para el caso del LTCN la

FAC muestra que los
valores de la
autocorrelacin (Spikes)
decaen lentamente.

Esto sugiere que la

serie es no
estacionaria.

P-valor igual a cero.

ANALISIS DE SERIES DE TIEMPO

TEST DE DICKEY-FULLER
Yt Yt 1
Se parte de la siguiente regresin: Ut
Restando a ambos lados de la ecuacin Yt-1

Yt Yt 1 Yt 1 Yt 1 U t
Reorganizando y factorizando

Yt Yt 1 U t
Donde
( 1)
ANALISIS DE SERIES DE TIEMPO

TEST DE DICKEY- FULLER

Si efectivamente =1, entonces:

Yt U t
Por lo que su primera diferencia es
estacionaria, y por tanto, en nivel es NO
estacionaria. Presenta una raz unitaria.
ANALISIS DE SERIES DE TIEMPO

TEST DE DICKEY- FULLER

Ho: Raz Unitaria =0 (No
Estacionaridad,=1)
H1: No Raz Unitaria -1
(Estacionaridad,<1)
DFc: Estadstico Tau = T= (^- )/d.e(^)
DFt: Tabla DF (Simulacin de Montecarlo)
Rechazar Ho si DFc>DFt

EJEMPLO: LTCN
ANALISIS DE SERIES DE TIEMPO

TEST DE DICKEY- FULLER AUMENTADO

(ADF)
Es la misma prueba que la anterior pero
su diferencia radica en que el modelo
ahora incluye intercepto y tendencia.
Y adems los Ut estn generados por un
proceso AR(p)
m
Yt 1 2 t Yt 1 i Yt i t
i 1
ANALISIS DE SERIES DE TIEMPO

TEST DE DICKEY- FULLER AUMENTADO

Este ultimo modelo permite indagar si la
series bajo anlisis presenta una tendencia
determinstica o no.

Si tiene una raz unitaria presenta

tendencia aleatoria, de lo contrario
presentar tendencia determinstica,
(introduciendo de manera explicita t).

EJEMPLO: LTCN
 MODELOS ARIMA

Los modelos ARIMA son procesos estocsticos

que generan series de tiempo cuya
caracterstica fundamental es que no presentan
tendencia ni en media ni en varianza.
Por tanto, para aplicar la metodologa de los
modelos ARIMA la serie bajo anlisis debe ser
estacionaria por definicin.
Los modelos ARIMA: unin o suma de dos
submodelos, los AR(p) y los MA(q). La letra I(d)
hace referencia a la integracin de la serie.
 MODELOS ARIMA

MODELOS AR(p)
Un modelo AR(p), es un proceso
autorregresivo el cual plantea que el
valor de una series de tiempo en el
periodo actual est explicado por un
promedio ponderado de sus propios
valores rezagados en el tiempo hasta el
periodo (p), mas un termino aleatorio de
error del periodo actual.

Un C 1Yt AR(p)
Yt proceso 1 2Ytse ..... pentonces
2 denota Yt p U t
como:
 MODELOS ARIMA

PROPIEDADES
En un modelo AR(p), la suma (resta) de
los valores que asumen los k en valor
absoluto, deben ser menor que la
unidad.

Recordemos que en los modelos ARIMA

no
Chay
/(1 tendencia
... ) en (Ymedia,
Var ) 2
/(1 ni
2 en
)
1 p
varianza. Por tanto: t 1

Por lo que si IkI es uno o mayor, la

varianza y la media explotan. (no
estacionaridad-raz unitaria)
 MODELOS ARIMA

PROPIEDADES
Dado que la serie debe ser estacionaria,
entonces la FAC debe caer rpidamente
(memoria corta).

La FACS, dado que muestran la

correlacin entre rezagos teniendo en
cuenta los intermedios, mostrar cuales
rezagos son estadsticamente
significativos al 95%, en el modelo AR(p).

Es decir, dir cuantos rezagos deben

incluirse en el modelo AR(p).
 MODELOS ARIMA

PROPIEDADES
En trminos generales:
La FAC debe caer rpidamente de
manera exponencial, alternante o de
ambas formas.
La FACS muestra que el(los) rezago(s)
significativo(s) se salen de las lneas
punteadas, y a partir del rezago (p),
todos los dems son cero.
I1I <1
1 + 2 <1
1 - 2 <1
La FAC y la FACS lucen para un AR(1) as:
MODELOS ARIMA
 MODELOS ARIMA

Hgamoslo en eviews!
 MODELOS ARIMA
MODELO MA(q)
Un modelo MA(q), es un proceso de
promedios mviles el cual se caracteriza
por plantear que la observacin de la
serie en el periodo actual Yt, es generada
por un promedio ponderado de
perturbaciones aleatorias que se
remontan a (q) periodos de la siguiente
forma:
Yt C t 1 t 1 2 t 2 ..... q t q
 MODELOS ARIMA

PROPIEDADES
En un modelo MA(q), la suma (resta) de
los valores que asumen los k, deben ser
menor que la unidad.
En los modelos MA(q) la media no
depende del tiempo, y la varianza
tampoco:
C Var (Yt ) 2 (1 2 )
1

La demostracin est en las guas.

Por lo que si k es uno o mayor, la
varianza explota. (No estacionaridad en
varianza)
 MODELOS ARIMA

PROPIEDADES
En trminos generales:
La FAC muestra el(los) rezago(s)
significativo(s) se salen de las lneas
punteadas, y a partir del rezago (q),
todos los dems son cero.
La FACS debe caer rpidamente de
manera exponencial, alternante o de
ambas formas.
I1I <1
1 + 2 <1
1 - 2 <1
La FAC y la FACS lucen para un MA(1) as:
MODELOS ARIMA
 MODELOS ARIMA

Hgamoslo en eviews!
 MODELOS ARIMA

Modelo ARMA(p,q)
Un modelo ARMA se define como un proceso aleatorio
estacionario, I(0).

El valor de una serie de tiempo en el periodo actual

est en funcin de un promedio ponderado de sus
propios valores rezagados en el tiempo hasta el
periodo (p), mas un termino aleatorio de error en
periodo actual y adems por un promedio ponderado
de perturbaciones aleatorias que se remontan a (q)
periodos.

En otras palabras, el modelo ARMA(p,q) es una

combinacin de los modelos AR(p) y MA(q).
 MODELOS ARIMA

Su representacin ser entonces

Yt C 1Yt 1..... pYt p t 1 t 1 ... q t q

Propiedades: la media y la varianza

no dependen del tiempo
(demostracin en guas)
C /(1 1 ... p )
1 12 211
Var (Yt ) ( ) 2
1 1 2
 MODELOS ARIMA

PROPIEDADES
En trminos generales:
La FAC y la FACS caen rpidamente hacia
cero. (memoria corta ya que es un
proceso estacionario).

I1I <1 y I1I <1

1 + 2 <1 y 1 + 2 <1
1 - 2 <1 y 1 - 2 <1

La FAC y la FACS lucen para un

ARMA(1,1) as:
MODELOS ARIMA
MODELOS ARIMA
 MODELOS ARIMA
MODELO ARIMA(p,d,q)
Los modelos ARIMA(p,d,q) se diferencian
nicamente de los modelos ARMA(p,q) en
que esos ltimos ya son estacionarios por
definicin, es decir no requieren que la serie
original se diferenciada. Sin embargo se
puede decir, que todo modelo ARMA es un
modelo ARIMA si el valor de d=0 (es decir,
el numero de veces que se requiere
diferenciar la serie es nulo)
Y Yt Yt 1 C 1Yt 1 1 t 1 t
1
 MODELOS ARIMA

PROPIEDADES
En trminos generales:

Las mismas de los ARMA (p,q), ya que los

ARIMA tienen diferenciada la serie para
ser estacionaria.

ARIMA(p,d,q)
 MODELOS ARIMA

Hgamoslo en eviews!
 MODELOS ARIMA

PREDICCION
Una vez conocida la estructura del
modelo ARIMA, solo resta para
predecir, despejar o desenvolver el
modelo para indagar por el
comportamiento futuro de la serie.

Por ejemplo si tiene el1 ARIMA(1,1,0)

Yt C 1Yt 1 U t
1

El modelo predictor ser:

Yt C (1 1 )Yt 1 1Yt 2 U t
 MODELOS ARIMA

Hgamoslo en eviews!