estacionariedad y estacionalidad

Una serie es estacionaria si la media y la variabilidad se mantienen constantes a lo largo del tiempo. I Una
serie es no estacionaria si la media y/o la variabilidad cambian a lo largo del tiempo. I Series no estacionarias
pueden mostrar cambios de varianza. I Series no estacionarias pueden mostrar una tendencia, es decir que
la media crece o baja a lo largo del tiempo. Además, pueden presentar efectos estacionales, es decir que
el comportamiento de la serie es parecido en ciertos tiempos periódicos en el tiempo
¿Por qué es bueno que las series sean estacionarias?
Con series estacionarias podemos obtener predicciones fácilmente. Como la media es constante, podemos
estimarla con todos los datos, y utilizar este valor para predecir una nueva observación. También se pueden
obtener intervalos de predicción (confianza) para las predicciones asumiendo que Xt sigue una distribución
conocida, por ejemplo, normal
Alisados Exponenciales
Se emplean fundamentalmente para predecir nuevos valores de la serie. Se basan en modelos
paramétricos deterministas que se ajustan a la evolución de la serie. Las observaciones más recientes
tienen más peso en la predicción que las más alejadas. Se resuelven por métodos recursivos. Pueden ser
poco realistas para explicar la evolución de la serie.
Series de tiempo
Una serie tiempo es una secuencia de observaciones, medidos en determinados momentos del tiempo,
ordenados cronológicamente y, espaciados entre sí de manera uniforme, así los datos usualmente son
dependientes entre sí. El principal objetivo de una serie de tiempo , donde es su análisis para hacer
pronóstico.
Componentes de una serie temporal
El análisis clásico de las series temporales se basa en la suposición de que los valores que toma la variable
de observación es la consecuencia de tres componentes, cuya actuación conjunta da como resultado los
valores medidos, estos componentes son:
a.- Componente tendencia.- Se puede definir como un cambio a largo plazo que se produce en la relación
al nivel medio, o el cambio a largo plazo de la media. La tendencia se identifica con un movimiento suave
de la serie a largo plazo.
b.- Componente estacional.- Muchas series temporales presentan cierta periodicidad o dicho de otro
modo, variación de cierto período (semestral, mensual, etc.). Por ejemplo las Ventas al Detalle en Puerto
Rico aumentan por los meses de noviembre y diciembre por las festividades navideñas. Estos efectos son
fáciles de entender y se pueden medir explícitamente o incluso se pueden eliminar de la serie de datos, a
este proceso se le llama desestacionalización de la serie.
c.- Componente aleatoria.- Esta componente no responde a ningún patrón de comportamiento, sino que
es el resultado de factores fortuitos o aleatorios que inciden de forma aislada en una serie de tiempo.

El comportamiento dinámico de la serie dependerá del signo y magnitud de las raíces características
cuando estas son reales. Pero dependerán del módulo y el período de ciclos en caso de ser complejas._
Un modelo es dinamico en hecho cuando cambia de signo y maginitud , esto siempre y
Cuando el modelo no es muy complejo , pero cuando los modelos son muy complejos dependen de los
ciclos económicos y las fluctuaciones que este tiene en el tiempo y espacio
Para evaluar la capacidad predictiva del modelo se utiliza solamente el coeficiente de Theil.
Falso para poder evaluar la capacidad predictiva del modelo tembien existen otros coeficientes , asi como
graficos , el janos <1 , asi mismo tenemos el error absolut poder prdecir bien el modleo , el coeficente de
rcrem , cabe señalar que existen también coeficientes para comparar la capacidad predictiva del modelo
,como tbn el coeficiente de desigualdad de theil.
La simulación estocástica, estática y dinámica son predicciones ex - ante y sirven solamente para predecir los
valores futuros de las variables.
F ya que la simulación estatica considera valores reales en las variables explicativas sirve para el análisis
periodo a periodo del modelo.mientras q la simulación dinámica considera datos reales del pasado o
supuestos ,y permite contrastar la estabilidad del modelo,la simulación estocástica nos permite establecer
el grado de incertidumbre sbre los efectos de una determinada politica
La forma final del modelo siempre es diferente a la forma reducida del modelo, razón por la cual el modelo
es estable..
Cuando var endógena es coriente en función de la var exogea corriente y la var y otra var exógena
desplazada. Forma final=var endo cte=f(,var exog cte,vaexg rezag)
Forma reducida=var endo cte=f(var end cte, var end rezag,var exog cte,vaexg rezag)