ANLISIS DE SERIES DE TIEMPO

Cesar Humberto Antunez Irgoin

[email protected]
Resmen
En el presente artculo trataremos de
que en los ltimos aos han generado
e para la prediccin de las variables
ento en su entorno donde actan, para

analizar la riqueza de las series de tiempo,

la necesidad de su uso continuo, frecuentement
y de esta forma poder advertir el comportami
lo cual se hace uso de la econometra.

Pero muchas veces se comenten errores en los pronsticos, por no corregir los prob
lemas que usualmente ostentan las series de tiempo. En este artculo pretendemos a
bordar los problemas ms usuales de dichas series como son: La no estacionalidad,
la presencia de raz unitaria y cuando es significativa la autocorrelacin muestral
(PAC), seguidamente haremos una descripcin de la seria de tiempo (AR(p), MA(q), A
RMA(p,q) ARIMA(p,d,q)) y para pasar a abordar los problemas ms cotidianos de los
modelos en la econometra, como son: La no normalidad de los residuo, la no estabi
lidad de los parmetros y la presencia de un coeficiente de desigualdad de Theil c
ercano a uno, que nos genera prediccin erradas.
Tambin debo mencionar que unos de los objetivos principales es acercar al lector
al tratamiento de series de tiempo usando el programa informtico EViews.
Abstract
In the one it presents article we will try to frequently analyze the wealth of t
he series of time that you/they have generated the necessity of their continuous
use in the last years, for the prediction of the variables and this way to be a
ble to notice the behavior in their environment where they act, for that which u
se of the econometrics is made.
But many times errors are commented in the presage, for not correcting the probl
ems that usually show the series of time. In this article we seek to approach th
e most usual problems in this series like they are: The not seasonal, the presen
ce of unitary root and when it is significant the autocorrelacin muestral (PAC),
subsequently we will make a description of the serious one of time (AR(p), MA(q)
, ARMA(p,q) and ARIMA(p,d,q))) and to pass to approach the daily problems in the
models in the econometrics, like they are: The non normality of the residual, t
he non stability of the parameters and the presence of a coefficient of inequali
ty of near Theil to one that generates us missed prediction.
I should also mention that some of the main objectives are to bring near the rea
der to the treatment of series of time using the computer program EViews.
Key words: Estacionalidad, Unitary Root, Correlograma, Dickey Increased Fuller.
Para ver el artculo completo en formato pdf comprimido zip pulse aqu
Antunez Irgoin, C.H.: Anlisis de Series de Tiempo, en Contribuciones a la Economa,
febrero 2011, en http://www.eumed.net/ce/2011a/
Introduccin
Una serie de tiempo es aquel conjunto de observaciones sobre una variable, que g
eneralmente es espaciada en el tiempo.

Un ejemplo son las observaciones anuales del PBI de un pas, las ventas mensuales
de una compaa, el ndice de Precios al Consumidor mensual, etc. Una serie tambin pued
e mostrar irregularidad esta irregularidad espaciada en el tiempo, por lo que lo
s datos son de corte transversal.
El lector se preguntar Por qu usar series de tiempo en Economa?, como nuestro carcter
en la economa es explicar la evolucin, el comportamiento y el vaticinio de valore
s futuros, por estas razones es crucial para el anlisis el uso de series de tiemp
o.
Tanto como las empresas y los agentes econmicos, se trata de predecir el futuro c
omportamiento, ms en la economa que debe estar un paso adelante en los acontecimie
nto venideros, para de esta forma tomar las decisiones adecuadas tanto en poltica
monetaria como fiscal.
TIPOS DE SERIE
Estacionaria es una condicin (dbil) que requiere, que tanto la media y la varianza
de los datos analizados sea constantes en el tiempo. Por lo que es importante e
fectuar un anlisis de estacionalidad de la serie por analizar. Adelantndonos a las
siguientes lneas diremos que si la serie no es estacionaria (como la gran mayora
en las variables macroeconmicas) es necesario efectuar la diferenciacin (Yt - Yt-1
) de dicha serie tantas veces sea necesario para que sea estacionaria. Como anal
izaremos ms adelante solo se llega esta la segunda diferencia.
Tambin hay que mencionar que una muestra adecuada es de por lo menos cuarenta dat
os (T?40), por que los procesos autorregresivo que se analizan es texto document
o pierden grados de libertad cuando se autorregresiona la variable objetivo.
ESTACIONALIDAD
La estacionalidad es importante cuando tratamos de explicar un comportamiento de
una variable endgena, por que una parte de la fluctuaciones que manifiestas las
variables se debe a factores estacinales como por ejemplo: si analizamos el PBI m
ensual del PBI de cualquier pas veremos se incrementa en gran medida en le mes de
diciembre, da de la madre, da del padre, fiestas patrias o otras fechas. Por lo q
ue es necesario estacionalizar la serie para que aquellos perodos que tiene gran
fluctuacin.
IDENTIFICACIN DE LA ESTACIONALIDAD
Una de las formas de identificar la estacionalidad es mediante el grfico de barra
s, lneas apiladas, lneas separadas y correlograma que a continuacin se pasa a expli
car mediante EViews.
a) Grficos de Barras
En esta parte del anlisis nos interesamos en las observaciones picos de la serie,
que son descritas por la grafica y si estos picos se repiten en los meses poste
riores podemos decir que existen pruebas de estacionalidad.
b) Lneas Apiladas (Seasonal Stacked Line)
Ahora nos interesa examinar el comportamiento trimestral, bimestral, semestral o
mensual segn sea el caso, para lo cual se hace uso de las lneas apiladas, esta se
debe presentar un comportamiento diferente en los siguientes perodos para que se
diga que existe estacionalidad en la serie.
c) Lneas Separadas

Ahora nos interesa observa el comportamiento de cada mes trimestre o bimestre se

gn sea el caso. Si dicho comportamiento en la variable es diferente podemos decir
que existe estacionalidad en dicha serie.
d) Correlograma
Antes de describir el anlisis del correlograma pasaremos a explicar como se obtie
nen estos resultados.
Comenzaremos mencionando que la funcin de autocorrelacin nos da una medida de la c
orrelacin que existe entre las observaciones continuas.
1) Funcin de Autocorrelacin Simple (AC)
Estos coeficientes presentan una medida entre observaciones de series separadas
por k perodos en el tiempo.
Donde:
: Representa el nmero de rezagos.
: Representa la covarianza al rezago k.
: Representa la varianza.
En la practica solo se tiene muestras por lo que solo se puede calcular la funcin
de autocorrelacin muestral ( ).
Donde:
: Representa el tamao de a muestra.
Tambin en la practica a demostrado que el nmero de rezagos van solo hasta la terce
ra parte de la muestra.
2) Funcin de Autocorrelacin Parcial(PAC)
Esta funcin mide la correlacin que hay entre y quitando los efectos que son las ob
servaciones intermedias entre los perodos de separacin.
Donde:
: El termino error que representa el efecto sobre .
3) Correlograma
Un correlograma esta formado por dos columna una de ellas esta referida a la aut
ocorrelacin simple y la otra a la autocorrelacin parcial. El nmero de rezagos que r
ecomiendan muchos autores se debe considera por lo menos 24 retardos si la serie
analizada es mensual ,12 retados si es bimensual, 8 retardos sin la serie es tr
imestral, etc.
AJUSTE ESTACIONAL
EViews tiene incorporado ratios y factores estacinales, como pasaremos a explicar
.
Generate by Equation: Aun que este no es un filtro de estacionalidad, diremos qu
e esta opcin pide una serie para usar en la actualizacin de las series seleccionad

as.
Seasonal Adjustment: Esta opcin cera una serie de ajuste estacional. Usa cuatro mt
odos que son: La razn con el promedio mvil y diferencia del promedio mvil, el mtodo
multiplicativo X-11, el mtodo aditivo X-11 y el Census X-12.
Exponential Smoothing (Suavizacin Exponencial): Este Filtro crea una seria que ha
sido suavizada. En EViews se puede encontrar formas simple, dobles y Holt
Winte
rs de suavizacin exponencial.
Ratio de Promedio Mvil
El ratio de promedio mvil se calcula sea anual (12 meses), Trimestral (3 meses) o
semestral (6 meses).
Por lo que el ratio esta representado por:
Para el calculo del ndice de estacionalidad ( ), se calcula entre el promedio del
ratio mvil para meses, trimestre o semestres.
Por lo que el factor de ndice de estacionalidad esta definido por:
Hodrick-Prescott Filter: Mediante filtro de Hodrick y Prescott, podremos obtener
una primera aproximacin al componente de tendencia de la serie, entendido ste no
como un componente estrictamente lineal, sino como una tendencia polinmica determ
inista.
Frequency Filter(filtro de frecuencia): Estos filtros se usan para aislar el com
ponente cclico de una serie de tiempo especificando un rango para su duracin. Habl
ando aproximadamente, el filtro del banda paso es un filtro lineal que toma un p
romedio mudanza pesado dos-estado al lado de de los datos dnde ciclos en una vend
a, dado por un especific baje y el lmite superior, se atraviesa, o extrajo, y los
ciclos restantes se filtran fuera. Para emplear un filtro de banda paso, el usua
rio debe escoger el rango de duraciones primero (las periodicidades) para atrave
sar. El rango se describe por un par de nmeros, especificado en las unidades de l
a frecuencia.
DESCOMPOSICIN DE UN SERIE DE TIEMPO
Toda serie de tiempo se puede descomponer en al menos 3 elementos:
Estacionalidad
Tendencia
Ciclo
Usualmente estos tres componentes es difcil de cambiar, por lo que la estacionali
dad es la ms exgena, es el ms difcil de cambiar, como las costumbres y el clima, per
o en el caso de factores institucionales si se puede cambiar
a) Estacionalidad
Es un componente que se repite siempre en intervalos de tiempo similares, como p
or ejemplo tenemos: la venta de panteones que se incrementa siempre en 2 mese al
ao, la venta de helados que se incrementa en verano, etc.
Como mencionan muchos autores la estacionalidad se debe a razones estacinales (in
vierno, verano, otoo y primavera), factores institucionales o legales (gratificac
in de julio y diciembre), costumbres (consumo de ceviche en el da).

Por lo general esta estacionalidad no puede ir mas all de los 12 meses del ao, sin
embargo hay caso donde el perodo es mayor.
b) Tendencia
Es un componente que refleja el comportamiento de mediano y largo plazo de la va
riable. Los factores que explican la tendencia de la serie de tiempo son aquella
s variables importantes y relevantes que inciden de manera significativa en la s
erie de tiempo.
Existen dos tipos de tendencia esta son: Estocstica y determinstica.
La tendencia es aleatoria o estocstica cuando la pendiente de la misma cambia en
el tiempo. Y ser determinstica cuando la pendiente de la serie no vara
c) Ciclo
El ciclo nos muestra el comportamiento de corto plazo de la serie de tiempo, lo
que depender de los factores no estructurales que se pueden presentar en el merca
do.
En la economa existen dos tipos de ciclo:
? Regular cuyo comportamiento es uniforme y moderado, por lo que se puede predec
ir.
? Irregular cuyo comportamiento es totalmente errtico e impredecible, por lo que
es difcil de estimarlo.
FILTROS DE EVIEWS
EViews 7 tiene unos filtros que nos permiten eliminar algunos movimientos o quit
ar la tendencia. A continuacin los pasaremos a describirlos:
Hodrick - Prescott
Este filtro nos permite quitar la tendencia de la serie estudiada, pero sin emba
rgo puede tener deficiencias cuando analizamos los ltimos valores de la serie. Cu
ando esto ocurre es preferible utilizar otros filtros como el Fixed
Filtro de Baxter

King

Es un filtro lineal que elimina los movimientos muy lentos o de baja frecuencia
(tendencia) y los comportamientos de alta frecuencia (irregulares), mientras que
retiene los comportamientos intermedios (ciclo).
Este filtro nos permite extraer exactamente aquellas frecuencias que nos interes
a analizar, para lo cual es necesario establecer la peridiocidad mnima y mxima del
componente a extraer.
Filtro de Cristiano - Fitzgerald
Este filtro deriva una aproximacin ptima cuando la representacin de los datos tiene
raz unitaria o es estacionario alrededor de una tendencia.
Este filtro est basado en el proceso de generacin de daos, el cual suponen que sig
uen un paseo aleatorio.
PROCESOS ESTOCASTICOS ESTACIONARIOS

Se define un proceso estocstico a una sucesin de variables que se encuentran repre

sentadas por donde . Un ejemplo de esto puede ser la sucesin de las variables ale
atorias que puede ser un proceso estocstico.
Donde cada configura un proceso estocstico que tendr su funcin de distribucin con ju
nta, su funcin de distribucin marginal y su con sus correspondiente momento.
Para caracterizar un proceso estocstico solo basta especificar la media y la vari
anza, para cada y la covarianza para variables referidas al paso del tiempo (t).
En todos los tipos de procesos estocsticos posibles, nos interesan necesariamente
dos que son el ruido blanco Gaussiano, el primer y segundo momento, a los cuale
s la estadstica tiene reservado los siguientes nombres:
RUIDO BLANCO GAUSSIANO
Es una sucesin de variables aleatoria (procesos estocstico) con una esperanza (med
ia) cero y una varianza constante e independientes de cualquier valor de t (Cova
rianza nula).
En forma ms precisa definiremos que la serie , que generada por un ruido blanco G
aussiano si la serie es igual error.
Donde: ? independientes
Si esta formada por observaciones independientes de la esperanza (momento uno) c
omn 0 y varianza (momento dos) comn con distribucin Normal. Para un entendimiento m
as preciso generemos una serie de 100 observaciones de un proceso de ruido blanc
o Gaussiano con una esperanza 0 y una varianza 1.
ESTACIONALIDAD ESTRICTA
Decimos que un proceso estocstico discreto es estacionario en el sentido estricto
o fuerte si toda m y todo k vector de variables tienen la misma distribucin de p
robabilidad conjunta que el vector . Un ejemplo de esto es:
Donde: tm=1, k=5 y m=9
Donde: tm=3, k=2 y m=4
ESTACIONALIDAD DEBIL
Decimos que un proceso estocstico es estacionario en el sentido dbil o amplio si s
e cumple la estacionalidad estricta slo en el caso del primer y segundo momento.
Entonces decimos que el proceso estocstico es estacionario.
Las esperanzas matemticas (primer momento) de las variables aleatorias no depende
n del tiempo, por lo que son constante:
La varianza de la variable no depende del tiempo y son finitas:
Las covarianzas entre dos variables aleatorias del proceso con distintos perodos
solamente dependen del lapso del tiempo transcurrido entre ellas :
ANALISIS DEL TIPO BOX - JENKINS
Para explicar la raz unitaria que a continuacin expondremos necesitamos de la meto
dologa de Box
Jenkins (1970, 1976). La descripcin de los paso de esta metodologa no
se har mediante el esquema de etapas tan conocido, solo enunciaremos los pasos y

esto por que ms adelante en las siguientes hojas no encargaremos de exponer dich
a metodologa de forma ms concisa.
Paso 1: Un examen visual a la trayectoria de la series estudiada, para identifica
r si es o no estacionaria en media. Si es existe un valor en torno al cual la se
ria va oscilando sin alejarse de forma permanece de dicho valor se puede decir q
ue dicha serie presenta estacionalidad en media.
Paso 2: Si los coeficientes de la Autocorrelacin Simple (AC) no decaen o decrecen
rpidamente entonces hay indicios que la serie es no estacionaria.
Paso 3: Si el primer valor de la funcin de Autocorrelacin Parcial Muestra (PAC) es
significativo entonces existe indicios de no estacionalidad de la serie.
Todos estos paso nos ayudan ha saber si la serie es estacionaria. Si no lo fuera
ser es necesario aplicar la diferenciacin (general mente solo la d =1 y d =2) de
la seria para hacerla estacionaria en media.
PRUEBA DE RAZ UNITARIA
Como la mayora de series econmicas presentan un componente irregular por lo que se
analiza la raz unitaria, en esta parte presentaremos la raz unitaria que es un in
dicador de series no son estacionarias .En los ltimos aos se han realizado varios
trabajo para el diseos de series con raz unitaria, en este trabajo presentaremos l
a prueba de Dickey
Fuller GLS (ERS)
Fuller Aumentado (ADF), la Prueba Phillps
Pe
rron (PP) , la Prueba Kwiatkowski, Phillips, Smichdt y Shin (KPSS) y el contrast
e de Eliott, Rothenberg y Stock Point Optimal (ERS) que es alternativo a la prue
ba de Ng Perron.
Si consideramos el siguiente modelo:
Donde ? representa un trmino de error estocstico que presenta los supuestos clsicos
, esto quiere decir que tiene una media cero, varianza constante y no esta corre
lacionada (esto quiere decir que el termino error en ruido blanco ).
Como el coeficiente de es 1, nace la raz unitaria que presenta un escenario de no
estacionalidad. En la Econometra se denomina a una serie que presenta una raz uni
taria como un camino o paseo aleatorio Random Walks .
Si establecemos un parmetro para el coeficiente de la regresin estara representada
como:
Donde , entonces la variables estocstica presentara una raz unitaria, por no que s
er necesario diferenciarla una vez. Para esto restaremos ha ambos miembros de la
ecuacin anterior:
Si factorizamos en el lado derecho de la ecuacin y definimos , como el operado de
primera diferencia:
Ahora establecemos la hiptesis nula que sera , donde la serie estocstica presenta u
na raz unitaria.
Despus se estima la ecuacin (I), se divide el entre el error estndar apara calcular
el estadstico (tau) de Dickey Fuller, luego se consulta en la tabla de Dickey Fu
ller para ver si la probabilidad de rechazar la hiptesis nula (la no presencia de
raz unitaria en la serie).
Si la serie no es estacional hay que diferenciarla que regularmente es hasta dos
veces. Si la serie es diferenciada una vez y esta es estacional entonces se dic
e que la serie es integrada de orden uno y se representa por I(1), de igual mane

ra si la serie original (que representa un Random Walks ) es diferenciada dos vez y

esta es estacionaria se dice que es integrada de orden dos I(2).
LA PRUEBA DE DICKEY

FULLER GLS (ERS)

Despus de la publicacin de Nelson y Plosser (1982), que trata sobre las propiedade
s dinmicas de determinadas series temporales macroeconmicas y financieras, se comi
enza a desarrollar innumerables publicaciones como: El enfoque clsico considera q
ue los shocks corrientes como efectos temporales, en las series de tiempo y no i
nciden en el comportamiento a largo plazo de las mismas.
Nelson y Plosser (1982) cambian este punto de vista, al argumentar que si se uti
lizan las tcnicas estadsticas desarrolladas por Dickey y Fuller (1979, 1981) (DF),
se puede concluir que los shocks corrientes tienen efectos en el comportamiento
a largo plazo de la mayor parte de las series macroeconmicas y financieras.
Para saber como los shock tiene efectos de largo plazo en las series, debemos pl
antear la hiptesis nula, que seria el coeficiente de , que sigue un estadstico ? (
tau), que cuyos valores han sido trabajados por Dickey Fuller, pero que son limi
tados, por eso MacKinnon desarrollo tablas ms extensas que son incorporadas en EV
iews.
La pruebas de Dickey Fuller puede ser estimada de tres distintas formas, bajo tr
es hiptesis nulas distintas.
Si es un camino aleatorio (Random Walks).
, en este modelo no sea incorporado ni la tendencia ni el intercepto.
Si es un camino aleatorio (Random Walks) con intercepto (drift)
, en este modelo se incorpora el intercepto.
Si es un camino aleatorio (Random Walks) con intercepto (drift) y con tendencia.
, este es un modelo mas completo.
En cada uno de los casos la hiptesis nula es que existe una raz unitaria (serie no
estacionaria) y la hiptesis alternativa es ?< 0, que representa la estacionalida
d de la serie , con media distinta de cero y con una tendencia determinstica.
La serie de tiempo no es estacionaria (?=0) y presenta raz unitaria.
Por lo que ?=0, ?=0 y ?=0
La serie de tiempo es estacionaria (?<0) y no presenta raz unitaria.
Por lo que ?<0, ??0 y ??0.
El procedimiento a seguir es para calcular el Dickey
Fuller es: Primero calcular
el modelo por Mnimos Cuadrados Ordinarios (MCO), despus se divide el coeficiente
de entre su error estndar, para de esta manera calcular el estadstico de tau (?) y
despus consultando la tabla de MacKinnon nos dir si existe o no la raz unitaria.
I t-calculado (t-estadstico o tau) I > I t-crtico de la tabla de MacKinnon I
Esto quiere decir que si el t - calculado en valor absoluto es mayor que el t
cr
itico de la tabla de MacKinnon o de DF en valor absoluto, entonces diremos que a
series es estacionaria y no existe raz unitaria.

I t-calculado (t-estadstico o tau) I < I t-crtico de la tabla de MacKinnon I

Esto quiere decir que el valor absoluto de tau no excede el t
crtico al 1%, 5% o
10% de la tabal de DF o MacKinnon, diremos que la serie es estacionaria y que pr
esenta raz unitaria.
Hasta ahora hemos explicado la prueba de Dickey Fuller (DF) que explica todos lo
s manuales de econometra, pero incorporamos los trabajos de Elliott - Rothenberg
y Stock (1996) o ms conocido como (ERS), para obtener la prueba de GLS (ERS), est
a es una de las novedades de EViews 7.
En forma resumida mencionare que esta prueba DFGLS consiste extraer primero la t
endencia de la serie original, pero se trata de una casi diferencia (cuasidifere
ncia) dada por , donde toma el valor de uno en el caso de Dickey Fuller Aumentad
o. Por lo que el valor de representar un punto especifico contra el cual se contr
astar la hiptesis nula de un valor menor que uno.
= 1, la serie presenta raz unitaria (la serie no es estacionaria)
< 1, la serie no presenta raz unitaria (la serie es estacionaria)
Despus el procedimiento es el mismo que hemos mencionado lneas arriba, pero esta v
ez consultaremos la tabla de Elliott - Rothenberg y Stock (1996).
A continuacin expondremos la prueba con ms detalle:
TEST DICKEY-FULLER CON GLS TENDENCIALMENTE (DFGLS)
Usted habr notado anteriormente, que puede incluir una constante, o una constante
y una tendencia de tiempo lineal, en su ADF prueba regresin. Para estos dos caso
s, ERS (1996) propone una modificacin simple del ADF prueba la tendencia determins
tica para que las variables explicativas.
ERS definen una cuasi-diferencia donde a toma el valor de uno para ADF. Aqu el valo
r de a representa el punto especfico contra el cual contrastamos la hiptesis nula (v
alor menor de uno).
La serie es estacional en tendencia.
La serie es no presenta estacionalidad en tendencia.
Luego, considere una regresin de OLS (MCO) de los datos cuasi-diferenciado en los
cuasi-diferenciamos
Donde contiene una constante, una constante y tendencia, y permiti sea las estima
ciones de OLS (MCO) de esta regresin.
Todos que nosotros necesitamos ahora son un valor para
e , dnde:

a . ERS recomiendan el uso d

Nosotros definimos los GLS de datos de tendencias, ahora mientras usando las est
imaciones asociadas con el :
Entonces la prueba de DFGLS involucra estimando el ADF normal pruebe la ecuacin,
, despus de sustituir el dentencial de GLS para el original :
Note que en la ecuacin anterior nosotros no incluimos el en la DFGLS prueba ecuac
in. Como con la prueba de ADF, nosotros consideramos el t - ratio para proporcin p
ara de esta ecuacin de la prueba.

PRUEBA DE DICKEY

FULLER AUMENTADO (ADF)

En la prueba original de Dickey

Fuller (DF) se supone que el trmino error ( ) no
esta correlacionado. Por lo que Dickey Fuller, Said y Dickey (1984), Phillips (1
987) y Phillips- Perron (1988) modificaron la prueba original, con el fin de que
no es ruido blanco.
Para esto consideraron que la serie de tiempo puede se representa como un proces
o autoregresivo de orden p.
Cuando se extrae el trmino de nos da:
Donde:
El nmero de rezagos ptimo para el modelo se termina de manera emprica, siendo la id
ea de incluir los trminos suficientes para que el error del modelo no este seriam
ente relacionado.
De la ecuacin II, se despende tres modelos de serie de tiempo que son: El paseo a
leatorio (Random Walks) pero, el paseo aleatorio con intercepto (drift) y paseo
aleatorio con intercepto y tendencia (componente determinstico).
Paseo aleatorio puro:
Paseo aleatorio con drift:
Paseo aleatorio con drift y tendencia:
Si observamos la ltima ecuacin incorpora la sumatoria (que estaba presente en la e
cuacin II) hasta p rezagos de la primera diferencia de la variable. Esta est sumat
oria establece la representacin aumentada de la prueba de ADF, a su vez que corri
ge la presencia de correlacin serial en los residuo de la ecuacin, pero si la seri
e analizada presenta un orden de autorregresin superior a uno.
Entonces el element a tomar en cuenta son los valores de MacKinnon (que no evala l
a tpica prueba t, por que bajo la hiptesis nula, el estadstico , no presenta un dis
tribucin t conocida), que resultan ms generales que los valores de la tabla de Dic
key Fuller.
Si usamos el modelo general la hiptesis nula es , que nos dice de la presencia de
una raz unitaria en la serie. Si se rechaza la hiptesis nula se concluye que dich
a serie no presenta raz unitaria.
Pero si uno quiere ser ms riguroso en la determinacin de un componente determinstic
o tendramos que basarnos en Walter Enders (1995) que presenta un procedimiento ms
general que a continuacin presentaremos:
Procedimiento de Walter Enders para la Raz Unitaria (R.U)
? ? Estadstico asociado a la hiptesis , en la ecuacin completa.
? ? Estadstico asociado a la hiptesis ?=0 dado , en la ecuacin completa.
? Crit ? 2.79 (valor crtico para una confianza del 95%; 100 observaciones).
? ? Estadstico asociado a la hiptesis nula , en la ecuacin sin tendencia (slo interc
epto).
? ? Estadstico asociado a la hiptesis ?= 0 dado , en la ecuacin sin tendencia (solo
intercepto).

? ? 2.54 (valor crtico para una confianza del 95%; 100 observaciones).
? ? Estadstico asociado a la hiptesis , en la ecuacin sin componentes determinsticos
.
? MacK ? Estadstico de MacKinnon (5% de significancia) reportado en EViews en cad
a ventana del test.
PRUEBA DE PHILLIPS

PERRON (PP)

En esta prueba de raz unitaria fue desarrollada por Phillips y Perron, que al igu
al que ADF plantean la hiptesis nula ? = 1 en la ecuacin.
Pero la diferencia radica que la prueba ADF, no existe termino de diferencia ret
ardada, adems PP utilizan mtodos estadstico no paramtricos para evitar la correlacin
serial en los trminos del error, sin aadir trminos de diferencia rezagada en la ecu
acin(esta es la principal diferencia).
Segn Perron (1989), si se prescindiera de aquellos datos que representan un compor
tamiento anmalo en la evolucin de la serie, a travs de la inclusin de variables dumm
y, aquella presentara un comportamiento estacionario. As, Perron (1989) propone un
a modificacin del test de DF que permite, bajo la hiptesis nula (H0) de raz unitari
a, la hiptesis alternativa (H1) de estacionariedad alrededor de una funcin de la t
endencia determinista que presenta un cambio en su intercepto en 1929 (un crash)
y en su pendiente en 1973 (una disminucin en su crecimiento).
Phillips - Perron parte de la estimacin por Mnimos Cuadrados Ordinarios y luego el
t-estadstico del coeficiente ? es corregido.
H0: La trayectoria de la raz unitaria con tendencia en la serie.
H1: Estacionalidad con tendencia de la serie.
Si el t-student asociado al coeficiente de Yt-1 es mayor en valor absoluto al va
lor crtico de MacKinnon, entonces se rechaza la hiptesis nula de la existencia de
una raz unitaria con tendencia en la serie.
Primera diferencia de la serie
H0: ?PBI presenta una raz unitaria con tendencia (?PBI no es estacionaria)
H1: ?PBI no presenta una raz unitaria (?PBI es estacionaria)
PRUEBA DE KWIATKOWSKI, PHILLIPS, SMICHDT Y SHIN (KPSS)
Los autores proponen contrastar como hiptesis nula la hiptesis de estacionalidad e
n tendencias, he aqu la principal diferencia con los anteriores contrastes de race
s unitarias.
La prueba KPSS es tan utilizada como las otras pruebas de races unitarias. En la
actualidad es muy til en la investigacin, para saber si la serie es fraccionalment
e integrada.
La serie es estacional en tendencia.
La serie es no presenta estacionalidad en tendencia.
A continuacin se presenta la traduccin de EViews 7 User s Guide II (2010), para mayo
r informacin y una mejor traduccin dirigirse a la pgina 387.

El KPSS (1992) a prueba difiere de las otras pruebas de raz de unidad describi aqu
en que se asume que la serie es (la tendencia) estacionario bajo la hiptesis nula
. La estadstica de KPSS es basado en los residuos de la regresin de OLS (MCO) de e
n las variables exgenas .
La estadstica de LM es ser definida como:
Donde , es un estimador del espectro residual al cero de frecuencia y donde es u
na funcin residual acumulativa:
Basado en los residuos . Nosotros sealamos que el estimador de us en este clculo di
fiere del estimador para us por el de GLS desde que es basado en una regresin que
involucra los datos originales y no en los datos cuasi-diferenciados.
Especificar el KPSS prueba, usted debe especificar el juego de regresibidad exgen
as y un mtodo por estimar .
Los valores crticos informados para el LM prueban la estadstica es basado en los r
esultados del asintticamente presentados en KPSS.
CONTRASTE DE ELLIOT, ROTHENBERG Y STOCK POINT OPTIMAL (ERS)
A continuacin se presenta la traduccin de EViews 7 User s Guide II (2010), para mayo
r informacin y una mejor traduccin dirigirse a la pgina 387.
El ERS seala la prueba ptima es basado en la regresin cuasi-diferenciando definida
en la Ecuacin . En donde los residuos de
Como: y permiti sea la funcin de los residuos suma de cuadrada. El ERS (factible)
seala el estadstico de la prueba ptima de la hiptesis nula que contra la alternativa
que, se define entonces como:
La serie tiene una raz unitaria
La serie no tiene una raz unitaria.
Donde es un estimador del espectro residual al cero de frecuencia y donde es una
funcin residual acumulativa.
Computar el ERS prueba, que usted debe especificar el juego de regresibidades exg
enas y un mtodo por estimar .
PRUEBA Ng

PERRON (NP)

A continuacin se presenta la traduccin de EViews 7 User s Guide II (2010), para mayo

r informacin y una mejor traduccin dirigirse a la pgina 388.
Ng Perron (2001) construya cuatro estadsticas de la prueba que estn basadas en los
GLS de tendencia en los datos . Estas estadsticas de la prueba se modifican form
ularios de Phillips
Perron y la estadstica de Bhargava (1986) la estadstica R1, y
el ERS seala la estadstica ptima. Primero, defina el trmino:
La serie presenta una raz unitaria.
La serie no tiene una raz unitaria.
Si los valores de Ng Perron son menores en valor absoluto a los valores crticos a
l 1%, 5% y 10% de significancia. Se dice que la serie no presenta raz unitaria.

Las estadsticas modificadas pueden escribirse entonces como:

Las pruebas de Ng Perron requieren una especificacin para y una opcin de mtodo por
estimar .
MODELOS UNIVARIANTES
Modelos Autorregresivos AR(p)
El proceso es una suma ponderada de sus valores pasados o valores rezagados y de
un trmino de error. Este modelo esta representado por la siguiente ecuacin:
Utilizando el operador en rezagos ( ) en la ecuacin:
Reemplazando: tenemos:
La ecuacin anterior ser siempre invertible y la condicin de estacionalidad ser, que
las races unitarias de caigan fuera del crculo unitario.
Donde todas las races deben estar fuera del crculo unitario.
La media del proceso es:
?
Ecuaciones en Diferencia
? Todas las races deben estar dentro del crculo unitario.
Pero si las races son imaginarias, entonces el modulo tienen que ser menor que un
o:
Debemos decir que el modelo AR(p) puede ser escrito tambin de forma de desviacion
es con respecto a la media.
Donde:
Para
Por estacionalidad dbil se sabe que:
Reemplazando la estacionalidad dbil en la ecuacin (I)
Podemos pasar tambin de un a un . Por lo que para cualquier proceso autorregresiv
o estacionario, sea de cualquier orden que sea, existe un proceso de media mvil d
e orden infinito equivalente.
Reemplazando el operador de rezagos y agrupando tenemos:
Si |?| < 1
La ecuacin anterior nos expresa el Teorema de Wold, que nos dice: Toda serie esta
cionaria puede descomponerse en una parte determinstica y una parte estocstica.
Efecto Impulso - Respuesta
Impulso Respuesta
Modelo AR(1)

Este modelo AR(1) esta definido como:

La ecuacin nos dice que el valor de la variable en tiempo t es veces el valor en
tiempo t-1, ms el valor de la constante y ms un componente aleatorio de ruido blan
co.
Reemplazando el operador de rezagos:
?
Es estacionaria e invertible
?
La Esperanza del Proceso es:
?
La Varianza es:
?
Los Correlogramas del proceso AR(1):
La funcin de Autocorrelacin Simple (AC)
?
? Generalizando el proceso
Reemplazando en AC
?
Siendo la condicin de estacionalidad
Dado que depende nicamente de su primer rezago, ningn otro sera significativo
Generalizando el proceso anterior obtenemos:
La funcin de Autocorrelacin Parcial (PAC)
Modelo AR(2)
Es el modelo cuyo comportamiento se define a travs de dos valores pasados o rezag
ados.
Dicho proceso ser estacionario si:
Aplicando esperanza a la ecuacin (III)
De la estacionalidad dbil sabemos:
Aplicando la varianza al proceso de AR(2) tenemos:
Del supuesto de invarianza:
La Funcin de Autocorrelacin Simple (AC):
Generalizando el proceso tenemos:

Esta funcin presenta un decrecimiento rpido de tipo geomtrico puro, con alteracin de
signos, sinusoidal o una mezcla de varios tipos.
La Funcin de Autocorrelacin Parcial (PAC):
Generalizando tenemos
Esto nos quiere decir que la funcin de autocorrelacin parcial se anula para valore
s superiores a p.
Modelos Estacinales de Medias Mviles MA(q)
Este proceso esta descrito por la suma ponderada de los errores actuales y pasad
os. Esto quiere decir que un proceso MA(q) esta formado por una media ponderada
de las perturbaciones aleatorias con un q perodos de retardos.
Utilizando los operadores en rezagos, podemos describir el proceso MA(q) como:
Donde:
: Es un proceso ruido blanco
:
Hay que decir que todos los proceso MA(q) son estacionarios, independientemente
del valor que toma , pero no todo proceso MA(q) son invertible esto es por que p
uede transformarse en un proceso autorregresivo.
Al igual que los modelos AR la condicin de invertibilidad esta relacionada con el
valor de las races del polinomio de rezagos . Por lo que el modelo MA solamente
ser invertible si las races del modelo caen fuera del crculo unitario.
Donde
Aplicando la esperanza (primer momento) matemtica al modelo:
Aplicando la varianza (segundo momento) al modelo:
Pero si yt es la realizacin de un proceso aleatorio estacionario, es preciso que
sea convergente a medida que q llega a ser infinitamente grande, por lo que los
valores de son cada vez ms pequeos a medida que aumenta k. Esta implicancia origin
a que la funcin de autocorrelacin decrece (memoria corta) a medida que aumenta k.
Modelo MA(1)
Este proceso es estacionario, lo que nos interesa saber si son invertibles
Expresndolo en su operador de rezagos:
La invertibilidad , donde la raz tiene que ser mayor que uno
La Esperanza del proceso es:
La Varianza del proceso es:
La Autocovarianza para el primer rezago es:
La funcin de Autocorrelacin Simple (AC)

Dado que depende nicamente de su primer rezago, ningn otro sera significativo
La funcin de Autocorrelacin Parcial (PAC)
Pulido, A y Prez Garca, J (2001), mencionan que un proceso MA(1) presenta las sigu
ientes caractersticas:
Caractersticas del proceso MA(1)
a) El modelo MA(q) siempre es estacionario.
b) Para que sea invertible dicho proceso debe cumplirse que |?1| < 1.
c) La funcin de autocorrelacin muestral se anula para retados superiores a uno. De
hay que el proceso MA(1) tenga una memoria de un perodo.
d) El correlograma es la representacin grafica de la funcin de autocorrelacin, tend
r un nico valor si ?1 > 0 el ?1 < 0, en cambio si ?1 < 0 el ?1 > 0 la funcin no se
anula.
e) La funcin de autocorrelacin parcial no se anula si ?1 < 0 su comportamiento es
negativo amortigundose lentamente hacia cero en lo sucesivos rezagos. Si ?1 > 0,
se altera el signo amortigundose hacia cero.
Modelo MA(2)
La notacin de un MA(2) esta dado por:
Expresndolo en su operador de rezagos:
La invertibilidad
Condiciones de invertibilidad
La Esperanza del proceso es:
La Varianza del proceso es:
La Autocovarianza para el primer rezago es:
La funcin de Autocorrelacin Simple (AC)
La funcin de Autocorrelacin Parcial (PAC)
Caractersticas del proceso MA(2)
a) Dicho modelo siempre es estacionario.
b) La condicin de invertibilidad que debe cumplirse es: ?1 +?2 < 1, ?2 -?1 < 1, |
?2! <1
c) La funcin de autocorrelacin simple se anula para rezagos superiores a dos, es d
ecir dicho proceso tiene memoria de dos perodos.
d) El correlograma en trminos grficos tendra dos valores distintos de cero, que cor
responde a l0os dos primeros rezagos. Si ambos con positivos el ? para ambos rez
agos resulta negativo, en cambio si los ? son negativos el ? correspondiente ten
dra valores positivos y si son signo contrario los ? en ? ser positivo el otro neg
ativo.

e) La funcin de autocorrelacin parcial tiene un comportamiento ha amortiguarse hac

ia cero, en el caso que la ecuacin de retardos (1-?1L-?2L2) tenga races reales y t
enga un comportamiento sinusoidal en el caso que tengan races complejas.
Modelo ARMA(p,q)
El proceso ARMA combina las propiedades de los procesos autorregresivos y los de
media mvil, por lo que se espera que este proceso sea muy flexible y que puedan
representar un gran nmero de series temporales. Por lo que se espera que la prime
ra q correlaciones sea cualquiera, mientras que el resto decrecer de manera simpl
e a lo largo del tiempo.
De manera simplificada tambin lo podemos expresar con sus operadores de retardo:
Donde
: Es el operador de rezagos del proceso AR(p).
: Es el operador de rezagos del proceso MA(q).
Condicin de Estacionalidad:
Condicin de Invertibilidad:
La Esperanza del proceso es:
Para que la media del proceso sea finita es necesario que
Varianza del proceso:
Modelo ARMA(1,1)
Este modelo esta representado por la adicin de un AR(1) y un MA(1), como se expre
sa en la siguiente serie:
La condicin de invertibilidad:
La condicin de estacionalidad:
La Esperanza del proceso es:
La Varianza del proceso es:
La Autocovarianza para el primer rezago es:
para j : Rezagos
J=0 ? (varianza de ARMA(1,1))
J=1 ?
J=2 ?
J=p ?
La funcin de Autocorrelacin Parcial (PAC)
Sabemos de la demostracin de la varianza que:
Reemplazamos en

Reemplazando las expresiones obtenidas:

?
Ejemplo de un ARMA (2,1)
Modelo ARIMA(p,d,q)
Son aquello modelos que aplicando d diferencias a la variable yt (o integrndole d v
eces a la variable yt), la variable transformada (?yt) se comporta como un model
o ARMA(p,q).
Este modelo tiene un proceso que es una funcin de valores pasados como del error
presente. Por lo que teste proceso genera una media ponderada de observaciones a
nteriores que remontan p perodos en el pasado y una media ponderada de perturbaci
ones aleatorias con un retardo de q perodos, junto con la perturbacin aleatoria ac
tual.
El modelo se describe como:
De forma simplificada el modelo se puede expresar como:
Donde
L: Representa el operador de cambio hacia atrs.
En modelo con tendencia secular y variaciones cclicas pueden representarse median
te los modelo ARIMA(p,d,q)(P,D,Q). Donde el primer parntesis se refiere a tendenc
ia secular de la serie y el segundo parntesis se refiere a las variaciones estacin
ales o parte cclica de la tendencia secular de la serie.
Ejemplo de ARIMA:
? Un modelo ARIMA(0,1,1)(0,0,1)12
? Un modelo ARIMA(0,1,1)(0,1,1)12
? Un modelo ARIMA(2,1,0)(1,0,0)12
? Un modelo ARIMA(1,1,1)(2,1,1)12
Caractersticas de las Series de Tiempo Estacionarias
PROCESOS
FAC
FAP
AR(1) Decrecimiento rpido de tipo geomtrico puro y geomtrico con signos, sinusoidal
o la mezcla de varios. Se anula para retardos superiores a p.
MA(1) Se anula para retardos superiores a q.
Decaimiento rpido de tipo sinusoidal o exponencial.
ARMA(1,1) Los valores iniciales no tienen un patrn fijo y van seguidos de una mez
cla de oscilaciones sinusoidales o exponenciales amortiguadas. Los valores inici
ales son tiene un patrn fijo y van seguidos de una mezcla de oscilaciones sinusoi

dales o exponenciales amortiguadas.

AR(p) Decrece rpidamente hasta cero, puede oscilar. Un pico en k = p
ARMA(p,q) Decrece rpidamente (puede oscilar) empezando en k = p Decrece rpidamente
(puede oscilar) empezando en k = p
ARIMA(p,d,q) Comportamiento irregular en los retardos (1,2, q) con q picos. Decrec
imiento para retardos superiores a q. Decrece (aproximadamente con exponenciales
atenuados y ondas sinusoidales). No cero pronto.
Identificacin de los Modelo ARIMA
La metodologa Box Jenkins permite identificar el proceso ms apropiado para la seri
e de tiempo , por lo que este proceso se puede resumir en cuatro pasos:
Paso 1: Transformar la serie hasta que el proceso se convierta en uno estacionar
io. Si la serie presenta tendencia entonces hay que deponerla (esto se logra dif
erenciando la serie tantas veces sea necesario para convertirla en estacionaria,
depuse se pasa a examinar la FAP y FAS de la serie transformada par ver si alca
nzado estacionalidad, en ambas funciones debe decrecer rpidamente hacia cero ) o
si presenta tendencia determinstica esta se remueve si estimamos un polinomio par
a de la forma:
Entonces con esta transformacin, los residuos de la regresin se les considera un p
roceso estacionario que buscaremos identificar.
Paso 2: Hacer un supuesto inicial que un modelo ARMA(p,q) que describa mejor la
serie.
Paso 3: Estimar los parmetros del polinomio de rezagos ?(L) y ?(L).
Paso 4: Realizar un diagnostico si el modelo utilizado es el ms consistente con l
os datos. Si nuestro modelo es acertado entonces los residuos no deberan presenta
r ninguna correlacin de ningn tipo, ser homocedstico, presentar normalidad y tener
media cero.
Si dicho modelo no presenta esta caractersticas deberamos regresar al paso 2 y rep
etir el proceso, adicionalmente se puede utilizar criterios de informacin para el
egir el modelo ms adecuado.
El modelo que minimice los menores criterios de informacin ser el utilizado. Dicho
s criterios pasaremos precisar las formulas.
El criterio de informacin de Akaike (AIC)
El criterio de informacin de Schwarz (SC)
Y el criterio de Hannan - Quinn (HC)
Diagrama de Flujo del Modelo Box - Jenkins
Etapa N1
Identificacin
Transformaciones de Box-Cox
Si la dispersin de los datos vara en funcin de su esperanza de acuerdo con una rela
cin del tipo:

La heteroscedasticidad puede eliminarse aplicando una transformacin de la familia

Box-Cox. En las series econmicas de largos perodos, estn afectadas por una fuerte
tendencia, por lo que es necesario hacer algunas transformaciones rpidas.
para ? = 1 ? no se transforma
para 0 < ? <1 ? se eleva la serie a un exponente neperiano
para ? = 0 ? se aplica logaritmo neperiano
En principio, ? puede tomar cualquier valor, y algunos autores, como Ansley, Spiv
ey y Wrobleski (1977), han propuestos procedimiento para estimar conjuntamente e
l valor de?. Sin embargo, los dos valores de ? ms habituales considerados son ?=0
y ?=1. Esta opcin se visto ratificada a partir de trabajos como el de Nelson y G
range (1979), quienes encuentran poca utilidad en el uso de las transformaciones
Box-Cox a efectos predicativos de la serie temporal.
Limitndonos, por tanto, a estos dos nicos valores de ?, asignar ?=1 consiste en no
modificar la serie temporal original; por el contrario, si se adopta el valor d
e ?=0, la serie temporal se transforma aplicando logaritmos neperianos a la mism
a. Estas transformacin de la serie original en logaritmos resulta til cuando la se
rie no es estacionaria en varianza.
Grfico de Media

Desviacin Estndar

En el grfico podemos notar, que los correspondientes puntos estn ms o menos alinead
os en torno a una lnea recta con pendiente ascendente, ser un indicativo que dicha
serie no es estacionaria en varianza.
La interpretacin de una serie transformada logartmica y diferenciada al menos una
vez, puede interpretarse como una forma aproximada, como una tasa de variacin por
centual ya que si entonces:
Por lo que la tasa logartmica equivalente, que es una tasa alternativa a la tasa
porcentual ordinaria, adems las buenas propiedades estadsticas (estacionalidad en
media, estacionalidad en varianza y normalidad) tienen la ventaja de ser aditiva
.
Determinacin del intercepto
Si los datos de la seria analizada proceden de un muestre aleatorio, sobre una p
oblacin normal, es decir que los datos constituye la realizacin de un proceso ruid
o blanco con media de cero entonces el contraste a realizar ser:
La hiptesis es:
(El modelo no tiene intercepto)
(El modelo presenta intercepto)
El estadstico de distribucin:
Si el estadstico obtenido es menor que el de tabla entonces no se rechaza la hipte
sis nula.
En los modelo ARIMA dicho estadstico no resultan vlido por ser inconsistente. En e
ste caso una buena aproximacin es:
Se seleccionar k de forma que se incluya los coeficientes significativos. Si se

obtiene resultado negativo no es aplicable.

Estimacin del Modelo
Siguiendo con la metodologa Box-Jenkins, no toca ahora estimar el modelo, que tie
ne como objetivo hallar un vector de parmetros de autoregresivos y el vector de p
armetros de media mvil , que minimice la suma de cuadrados de los errores del mode
lo.
Los modelo de autoregresivo de orden p, modelo integrado autoregresivo, modelos
de media mvil de orden q, integrados de media mvil de orden (0,d,q), y el modelo a
utoregresivo integrado de media movil de orden (p,d,q).
? Un modelo AR(p)
? Un modelo ARI(p,d,o)
? Un modelo MA(q)
? Un modelo IMA(0,d,q)
? Un modelo ARMA(p,q)
? Un modelo ARIMA(p,d,q)
Validacin del Modelo
Si el modelo supera las dos primeras etapas, pasaramos analizar la validacin y si
esta es superada entonces estaramos en condiciones de predecir los valores futuro
s.
1. Prueba de Anderson
Anderson (1942) propone una prueba para analizar los coeficientes de la autocorr
relacin mustrales (PAC) que provienen de un ruido blanco, con muestras grandes tie
ne una funcin de distribucin:
Entonces la hiptesis a plantear es la siguiente:
: es ruido blanco.
: no es ruido blanco.
Si tenemos que el coeficiente de autocorrelacin muestral en valor absoluto es men
or que el valor de 1.96 entre la raz cuadrada de la muestra, entonces no se recha
za la hiptesis nula.
No se rechaza la hiptesis nula
Como se conoce entonces se utiliza , para comprobar si estos se asemejan a un ru
ido blanco.
2. Prueba de Pankratz
Panzkratz(1983) analiza las bandas de confianza de los residuos, para esto utili
za la distribucin de una variable ruido, donde la varianza se aproxima mediante 1
/T.
La hiptesis planteada es:

: es ruido blanco.
: no es ruido blanco
Si tenemos que el coeficiente de autocorrelacin muestral hasta k=3 en valor absol
uto es menor que el valor de 1.25 entre la raz cuadrada de la muestra, entonces n
o se rechaza la hiptesis nula.
Para No se rechaza la hiptesis nula
Para No se rechaza la hiptesis nula
3. Contraste Global
Este Estadstico esta basado en la prueba de Box
coeficientes de autocorrelacin de los residuos.

Pierce (1970) que se basa en los

: ? Residuos independientes
: ? Residuos no es independientes.
Si entonces no se rechaza la hiptesis nula y se dice que los residuos estn incorre
lacionados.
4. Homoscedasticidad del Modelo
Para analizar la homoscedasticidad primero hay que examinar el grfico de los resi
duos. Si esta presenta una tendencia creciente o decreciente ser un indicativo de
una posible heterocedasticidad.
5. Normalidad de los residuos
Una de las formas ms fciles de examinar la normalidad de los residuos es mediante
la aplicacin del estadstico Jarque Bera que plantea la hiptesis:
: Se aproxima a una distribucin normal
: No se aproxima a una distribucin normal.
Estadstico Jarque

Bera se distribuye:

La regla de decisin es si , entonces no se rechaza la hiptesis nula, se dice que l

os residuos se aproximan a una distribucin normal.
6. Anlisis de Estabilidad
Un punto muy importante es el anlisis de los coeficientes, para examinar si se cu
mple las condiciones de estacionalidad e invertibilidad, para esto se tiene dos
casos.
a) Si no se cumpliera la condicin de estacionalidad es un indicio que el modelo n
o es estacionario, por lo que se aconseja tomar una diferencia.
b) Si no se cumpliera la condicin de invertibilidad, entonces tendramos indicios q
ue la serie podra estar sobrediferenciada.
Otro punto a tener en cuenta es la significancia de los coeficientes del modelo
ARIMA, la matriz de correlaciones para evitar problemas de correlacin y el anlisis
de estabilidad para analizar la estabilidad de los coeficientes.

6.1 Significancia de los coeficientes

En esta seccin se analiza los coeficientes del modelo ARIMA para muestra grandes,
basndose en la prueba t-student se analiza cada coeficiente para ver si es relev
ante para el modelo por eso se plante la siguiente hiptesis:
: ? No es significativo en el modelo
: ? Si es significativo en el modelo
El estadstico:
?
Si el estadstico es menor al de tabla, entonces no se rechaza la hiptesis nula o s
i la probabilidad es mayor que el 5%.
6.2 Matriz de correlaciones
Se analiza la matriz de correlaciones, con el objetivo de detectar si existe pro
blema de multicolinealidad.
Si la correlacin entre dos coeficientes es muy prxima a 0.9 o mayor al R-cuadrado
entonces tenemos indicio que existe un problema multicolinealidad y si esto ocur
re, los coeficientes son muy inestables.
Para evitar este problema serie conveniente eliminar algunos coeficientes no sig
nificativos, para conseguir estabilidad en los parmetros aun a costa de un grado
de ajuste mejor.
6.3 Estabilidad del modelo
Para realizar la prueba de punto de quiebre se necesita aplicar el test de Chow,
para esto es aconsejable dividir la muestra en tres partes
Muestra 1:5T/6
Muestra 2: T/2 ? la mitad seria T/4
Muestra 3: T/3 ? la mitad seria T/6
El perodo analizar es: Q > T/4+T/6
Ejemplo si la muestras es de 100 datos entonces:
Q >100/4 + 100/6 ? 42 ? el perodo analizar es el siguiente perodo que seria el pero
do 43.
? Si deseamos evaluar la estacionalidad de una serie existe un elemento adiciona
l, que es la posibilidad de la serie en cuestion exhiba un quiebre estructura en
tendencia y o intercepto.
La presencia de una algunos de estos componentes pede concluirse que la serie no
es estacionaria, es decir la presencia del quiebres quita potencia a la prueba
de raz unitaria. Por lo tanto es ms probable que se acepte la presencia de la raz u
nitaria cuando en realidad no existe.
6.4 Test de Zivot y Andrews
Este test trata de verificar la hiptesis nula de presencia de raz unitaria solamen

te. Esto contrasta con el test de Perron y Volgensang en que la nula es la prese
ncia de raz unitaria ms un quiebre estructural. Este test es ms general, dado que e
l anterior slo se refera a la presencia de raz unitaria o no, pero siempre con la p
resencia de un quiebre estructural.
As estos autores plantean los siguientes modelos a estimar para tres casos distin
tos de hiptesis alternativas que plantean quiebre en niveles (A), quiebres en ten
dencia (B) y quiebres en tendencia y niveles (C).
Para cada una de estas alternativas proponen calculas las siguientes regresiones
:
Test de Zivot y Andrews :
Hiptesis nula :
Modelo (A): Alternativa: quiebre en niveles
Ecuacin a estimar:
Modelo (B): Alternativa: quiebre en la tendencia
Ecuacin a estimar :
Modelo (C): Alternativa: quiebre en tendencia y niveles
Ecuacin a estimar:
En los tres casos: si y 0 de otro modo
si y 0 de otro modo
Para seleccionar Tb se selecciona aquel periodo que da el t de ? ms bajo. Esto eq
uivale a seleccionar el perodo que d el menor to lo que es lo mismo el valor t ms e
levado en valor absoluto. Deber notarse que en las tablas que presentan estos aut
ores tambin se consideran valores para Tb seleccionados a priori.
Para la seleccin de k se utiliza el mtodo 2 de Perron y Volgensang.
En ambos tests se acepta la nula si el t de ? del periodo Tb es mayor que el val
or de tablas (o menor en valor absoluto). La hiptesis nula se rechaza si es que e
l t de ? del perodo Tb es menor al de tablas (o mayor en valor absoluto).
Para el test de Zivot y Andrews se presentan los siguientes valores de tablas qu
e se refieren a la seleccin de k bajo el mtodo 2 de Perron y Volgensang.
Quiebres de significacia: 1% 2.5% 5% 10% 50% 90% 95% 97.5% 99%
Niveles -5.34 -5.02 -4.80 -4.58 -3.75 -2.99 -2.77 -2.56 -2.32
Tendencia -4.93 -4.67 -4.42 -4.11 -3.23 -2.48 -2.31 -2.17 -1.97
Ambos -5.57 -5.30 -5.08 -4.82 -3.98 -3.25 -3.06 -2.91 -2.72
Para valores referidos a Tb determinado exgenamente.
Los tests presentados y la discusin precedente son slo una parte de la discusin. En
la actualidad han aparecido otros tests que pretenden ser ms exactos. Sin embarg
o, estos dos ltimos tests resumen el estado del arte en cuanto a la verificacin de
presencias de races unitarias vs. las alternativas de series estacionarias con q

uiebres en tendencia. La ventaja del Test de Zivot y Andrews es que permite form
ular una alternativa en donde la serie es simplemente un random walk.
Si bien en la literatura no se han mostrado mucho estos tests, creemos que es re
levante su estudio, dado el carcter cambiante de la economa y los mercados financi
eros durante los ltimos aos.
Prediccin del Modelo
Si el modelo supera las dos primeras etapas, pasaramos analizar la validacin y si
esta es superada entonces:
Los pronsticos pueden ser de dos formas; puntuales o por intervalos. Para el prim
er caso se hace uso de un modelo ajustado en forma explicita, mientras que para
el segundo caso se agrega un valor t para la significancia estadstica (grado de c
onfianza) al cual se quiere trabajar. Y se recomienda graficar los datos reales
como los datos proyectados, para de esta manera observar el grado de ajuste de l
as proyecciones realizadas.
Si el modelo ARIMA explcito es:
(i) ? ARIMA (2,0,1)
(ii) Sustituir los subndices en trminos del perodo para el cual se desea construir
el pronstico.
Ejemplo:
(iii) Para determinar el estimao puntual sustituyendo las observaciones o errore
s correspondientes. Si estos no corresponden a valores histricos conocidos, susti
tuir por estimadores.
Para el AR (p) esto implica utilizar el pronstico puntual anterior y para la part
e MA (q) la esperanza matemtica de los errores E(?t) = 0.
Para el modelo MA(q), eventualmente el pronostico se mantendr constante.
(iv) Bajo el supuesto de ? i.i.d(0,?2), el intervalo de pronstico para k periodos
en el futuro es de la siguiente forma:
Donde:
: Representa el percentil 1, para la distribucin normal estndar.
La varianza esta representada por:
CRITERIS PARA EVALUAR LA PREDICCIN
I. Raz del error cuadrtico medio (RECM)
Esta definida como:
La funcin de perdida implica que RECM es cuadrtica, entonces la perdida asociada c
on un error aumenta en proporcin con el cuadrado el error.
II. Error absoluto medio (EMA)
Esta definida como:
Esta medida es apropiada siempre que la funcin de prdida lineal y simtrica. Brown m

uestra aproximada entre EMA y el RCEM tal como RCEM = 1.25EMA

III. Media del valor absoluto del error porcentual (EPMA)
Esta definida como:
Es una medida similar al EMA solo que es una medida relativa. Presenta un sesgo
que favorece a los pronsticos que se encuentra por debajo de los valores consegui
dos.
IV. Raz cuadrada relativa del error medio (RCREM)
Esta definida como:
Es similar a EPMA solo que es un valor adimensional y presenta un sesgo que favo
rece a los pronsticos que se encuentran por debajo del valor reportado. Se consid
era un resultado acertado si presenta un valor inferior a tres.
V. Coeficiente de Desigualdad de Theil
Theil (1961) propone un coeficiente que no est influenciado por problemas de esca
la y lo denomina U. Donde U oscila entre el intervalo de 0 y 1, si U se acerca c
ada vez ms a uno esto significa que el modelo no sirve para predecir sus pronstico
s no son reales.
Este coeficiente de U de Theil se puede descomponer como:
La media del cuadrado del error puede descomponerse:
Donde, es la media, sesgo y la desviacin estndar entre e , y es la correlacin entre
e .
Sesgo + Varianza + Covarianza = 1
Sesgo (Bias Proportion)
Indica la presencia de algn error sistemtico. El sesgo debera tender a cero para qu
e el pronstico sea confiable.
Varianza
(Variance Proportion)
Indica el comportamiento de la variable real. Si la proporcin es grande significa
que el modelo posee menor capacidad replicar el comportamiento real.
Covarianza
(Covariance Proportion)
Si este valor es alto significa que el modelo predice bien, pues el error de la
prediccin se hara pequeo.
REFERENCIAS
? Antunez Irgoin, Cesar. H (2010). Pruebas de Races Unitarias en EViews . Archivo Ac
robat en edicin gratuita en www.monografias.com
? Aznar, A (2003). Series de Tiempo . Editorial MP Prentice pp.157

? Badillo Amador-Rosa, Belaire Franch-Jorge y Contreras Bayarri-Dulce. Contrastes

de Raz Unitaria para Series Temporales en Presencia de Cambios Estructurales , Dir
eccin del Departamento de Anlisis Econmico. Universidad de Valencia. Archivo Acroba
t, DT 00-06.
? Casas. C Econometra Moderna

( versin preliminar )

? Hamilton, James (1994) Time Series Analysis

Modelando series de tiempo con cambio
s en regmenes. Princeton University Press. U.S.A
? Novales, Alfonso (1993). "Econometra". The Mc. Graw Hill /INTERAMERICA S.A. Esp
aa. Segunda edicin.
? Pulido, A y Prez Garca, J (2001). Modelos Economtricos . Editorial Pirmide, Madrid.
? Rafael de Arce y Ramn Maha (2007). MODELOS ARIMA Material del Programa Citius.- Tcn
icas de Previsin de variables financieras. Archivo Acrobat. Dpto. Economa Aplicada
. U.D.I. Econometra e Informtica.
? Rosales Garca, L (2010). Material de clase de Econometra II. Archivo Acrobat, ju
nio. Piura.
? Uriel, Ezequiel (1985). "Anlisis de series Temporales Modelos ARIMA". Coleccin A
baco, Parainfo - Madrid.