ECONOMETRA II

UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE CIENCIAS ECONMICAS
Milena Hoyos G.
Primer semestre de 2009
1. MDULO: ANLISIS DE SERIES DE TIEMPO UNI-
VARIADAS
1.1. Procesos estocsticos y series de tiempo
Un proceso estocstico es una familia de variables aleatorias asociadas a un conjunto
de ndice de nmeros reales, que generalmente son el tiempo. Una serie de tiempo es
una realizacin de un proceso estocstico.
1.2. Uso de operadores y polinomios de retraso
Operador de retraso. Se dene mediante la relacin
1
k
7
t
= 7
tk
para / = 0, 1, . . . , y toda t
donde 1 es el operador de retraso y 7 es una variable aleatoria. La expresin
anterior signica que al aplicarse el operador de retraso 1
k
a 7
t
se obtiene la variable
retrasada / periodos.
Ejemplo: En el Cuadro 1 se presentan los datos mensuales del ndice de tasa de
cambio real de Colombia para el periodo enero de 2006 a julio de 2007, denotado por la
serie de tiempo 7
t
. Adicionalmente se muestran las nuevas series \
t
, A
t
y 1
t
denidas
como \
t
= 17
t
, A
t
= 1
2
7
t
y 1
t
= 1
12
7
t
.
1
Cuadro 1: Operador de retraso para la serie ITCR
Fecha 7
t
\
t
= 17
t
A
t
= 1
2
7
t
1
t
= 1
12
7
t
ene-06 103.73
feb-06 103.37 103.73
mar-06 102.96 103.37 103.73
abr-06 106.51 102.96 103.37
may-06 109.97 106.51 102.96
jun-06 113.91 109.97 106.51
jul-06 113.76 113.91 109.97
ago-06 108.41 113.76 113.91
sep-06 108.35 108.41 113.76
oct-06 107.51 108.35 108.41
nov-06 104.60 107.51 108.35
dic-06 103.87 104.60 107.51
ene-07 102.61 103.87 104.60 103.73
feb-07 101.78 102.61 103.87 103.37
mar-07 100.37 101.78 102.61 102.96
abr-07 97.61 100.37 101.78 106.51
may-07 92.47 97.61 100.37 109.97
jun-07 88.82 92.47 97.61 113.91
jul-07 91.01 88.82 92.47 113.76
Operador diferencia. Se dene como
\
k
7
t
= (1 1)
k
7
t
para / = 0, 1, . . . , y toda t
donde \ es el operador diferencia y 7 es una variable aleatoria.
Ejemplo: En el Cuadro 2 se presentan los datos mensuales del ndice de tasa de
cambio real de Colombia para el periodo enero de 2006 a julio de 2007, denotado por
la serie de tiempo 7
t
y la serie '
t
denida como '
t
= \7
t
.
Polinomio de retraso. Se expresa como
G(1)7
t
= 7
t
q
1
7
t1
q
2
7
t2
q
k
7
tk
para / = 0, 1, . . . y toda t
donde G(1) = (1q
1
1q
2
1
2
q
k
1
k
) es el polinomio de retraso, los coecientes
q
1
, ..., q
k
son constantes que ponderan la importancia de los retrasos con los que estn
asociados y 7 es una variable aleatoria.
2
Cuadro 2: Operador diferencia para la serie ITCR
Fecha 7
t
'
t
= 7
t
7
t1
ene-06 103.73
feb-06 103.37 -0.36
mar-06 102.96 -0.41
abr-06 106.51 3.55
may-06 109.97 3.46
jun-06 113.91 3.94
jul-06 113.76 -0.15
ago-06 108.41 -5.35
sep-06 108.35 -0.06
oct-06 107.51 -0.84
nov-06 104.60 -2.91
dic-06 103.87 -0.73
ene-07 102.61 -1.26
feb-07 101.78 -0.83
mar-07 100.37 -1.41
abr-07 97.61 -2.76
may-07 92.47 -5.14
jun-07 88.82 -3.65
jul-07 91.01 2.19
Ejemplos:
1. Promedios Mviles:
7
t
j = (1 0
1
1 0
2
1
2
0
q
1
q
)a
t
7
t
j = 0(1)a
t
2. Autorregresivos:
(1 c
1
1 c
2
1
2
c
p
1
p
)(7
t
j) = a
t
c(1)(7
t
j) = a
t
3. Autorregresivos de promedios mviles:
c(1)(7
t
j) = 0(1)a
t
4. Autorregresivos integrados y de promedios mviles:
c(1)\
d
7
t
= 0(1)a
t
3
1.3. Procesos estocsticos lineales
El proceso estocstico 7
t
es lineal si puede ser expresado en funcin del proceso
de ruido blanco a
t
mediante la relacin
7
t
= j +a
t
c
1
a
t1
c
2
a
t2

7
t
= j +c(1)a
t
donde j es el parmetro que determina el nivel del proceso 7
t
y c(1) es el
polinomio de retraso.
Un proceso estocstico independiente e idnticamente distribuido (iid), cuya media
es constante (usualmente cero) y cuya varianza es o
2
a
se conoce como proceso de ruido
blanco
a
t
~ iid(j, o
2
a
)
1.4. Procesos estacionarios
Un proceso es estacionario en sentido dbil si sus momentos de primer y segundo
orden, es decir su media, varianza y covarianzas, no dependen del tiempo. Un proceso
estocstico es estrictamente estacionario si la funcin de densidad para un conjunto
arbitrario de variables aleatorias es invariante respecto a desplazamientos en el tiempo.
Estacionariedad estricta = Estacionariedad dbil
Estacionariedad dbil ; Estacionariedad estricta
Estac. dbil + Gaussianidad = Estacionariedad estricta
Para el anlisis de series de tiempo es suciente estudiar la estacionariedad en
sentido dbil. Lo anterior signica que para caracterizar completamente una serie esta-
cionaria se requiere conocer su media, varianza y covarianzas; sin embargo, para evitar
la inuencia de las unidades de medida tambin se acostumbra calcular las autocor-
relaciones.
1.5. Modelos para series de tiempo estacionarias
1.5.1. Modelos autorregresivos (AR):
El proceso estocstico 7
t
se llama un proceso AR(j), si 7
t
es estacionario y
para cada t
7
t
= c +c
1
7
t1
+c
2
7
t2
+ +c
p
7
tp
+a
t
4
o
(1 c
1
1 c
2
1
2
c
p
1
p
)7
t
= c +a
t
donde j es un entero no negativo, c y c = (1 c
1
c
2
c
p
)j son parmetros, 1
es el operador de retraso y a
t
~ 11(0, o
2
a
).
Estacionariedad. Un proceso AR es estacionario si y slo si las races de la ecuacin
caracterstica c(r) = (1 c
1
r c
2
r
2
c
p
r
p
) = 0 se encuentran fuera del crculo
unitario. Otra forma de vericar el supuesto de estacionariedad es mediante las auto-
correlaciones, las cuales decaen rpidamente a cero cuando el proceso es estacionario.
1.5.2. Modelos de promedios mviles (MA):
El proceso estocstico 7
t
se llama un proceso MA(), si 7
t
obedece a la ecuacin
7
t
= c +a
t
0
1
a
t1
0
2
a
t2
0
q
a
tq
o
7
t
= c + (1 0
1
1 0
q
1
q
)a
t
donde es un entero no negativo, 0 y c son parmetros, 1 es el operador de retraso
y a
t
~ 11(0, o
2
a
).
Invertibilidad. Un proceso MA es invertible si y slo si las races de la ecuacin
caracterstica 0(r) = (1 0
1
r 0
2
r
2
0
q
r
q
) = 0 se encuentran fuera del crculo
unitario.
1.5.3. Modelos autorregresivos de promedios mviles (ARMA):
El proceso estocstico 7
t
se llama un proceso ARMA(j, ), si 7
t
es estacionario
y para cada t
7
t
= c +c
1
7
t1
+c
2
7
t2
+ +c
p
7
tp
+a
t
0
1
a
t1
0
2
a
t2
0
q
a
tq
o
(1 c
1
1 c
p
1
p
)7
t
= c + (1 0
1
1 0
q
1
q
)a
t
donde j y son enteros no negativos, c, c y 0 son parmetros, 1 es el operador de
retraso y a
t
~ 11(0, o
2
a
).
5
Estacionariedad e invertibilidad. Un proceso ARMA es estacionario si y slo si
las races de la ecuacin caracterstica c(r) = (1 c
1
r c
2
r
2
c
p
r
p
) = 0 se
encuentran fuera del crculo unitario. Un proceso ARMA es invertible si y slo si las
races de la ecuacin caracterstica 0(r) = (10
1
r0
2
r
2
0
q
r
q
) = 0 se encuentran
fuera del crculo unitario.
Si el proceso es estacionario admite la representacin
7
t
j =
0(1)
c(1)
a
t
7
t
j = c(1)a
t
Si el proceso es invertible admite la representacin
c(1)
0(1)
(7
t
j) = a
t
(1)(7
t
j) = a
t
con
1

i=1
[c
i
[ < y
1

i=1
[
i
[ < , donde los coecientes c
i
y
i
, i = 1, 2, . . . se obtienen
al igualar coecientes de potencias del operador 1 en las ecuaciones
(1 c
1
1 c
2
1
2
)(1 c
1
1 c
p
1
p
) = 1 0
1
1 0
q
1
q
(1
1
1
2
1
2
)(1 0
1
1 0
q
1
q
) = 1 c
1
1 c
p
1
p
Funcin de autocovarianza. Para / la funcin de autocovarianza es

k
= c
1

k1
+c
2

k2
+ +c
p

kp
mientras que para / _ , la funcin adems involucra los parmetros 0
k
, 0
k+1
, . . . , 0
q
.
Funcin de autocorrelacin. Para / la funcin de aucorrelacin corresponde
a
j
k
= c
1
j
k1
+c
2
j
k2
+ +c
p
j
kp
mientras que para / _ , la funcin adems involucra los parmetros 0
k
, 0
k+1
, . . . , 0
q
.
6
1.6. Modelos para series de tiempo no estacionarias
1.6.1. Modelos autorregresivos integrados y de promedios mviles (ARI-
MA):
El proceso estocstico 7
t
obedece a un modelo ARIMA(j, d, ) si
_
1
t
= (1 1)
d
7
t
_
~
ARMA(j, ). El modelo ARIMA puede ser escrito como
(1 c
1
1 c
p
1
p
)(1 1)
d
7
t
= c + (1 0
1
1 0
q
1
q
)a
t
donde j, d y son enteros no negativos, c, c y 0 son parmetros, 1 es el operador de
retraso y a
t
~ 11(0, o
2
a
).
Estacionariedad e invertibilidad. Un proceso ARIMA es estacionario si y slo si
las races de la ecuacin caracterstica c(r) = (1 c
1
r c
2
r
2
c
p
r
p
) = 0 se
encuentran fuera del crculo unitario. Un proceso ARIMA es invertible si y slo si las
races de la ecuacin caracterstica 0(r) = (10
1
r0
2
r
2
0
q
r
q
) = 0 se encuentran
fuera del crculo unitario.
1.7. Construccin de modelos para series univariadas
Box y Jenkins (1970) disearon una estrategia para la construccin de modelos de
series de tiempo, que consta de cuatro etapas: identicacin, estimacin, vericacin,
validacin y uso del modelo. La estrategia se puede representar grcamente mediante
el proceso iterativo de la Figura 1.
Figura 1: Estrategia de Box-Jenkins para construir modelos
7
1.7.1. Identicacin:
Consiste en:
a. Determinacin de una serie estacionaria en funcin de la serie original para la
cual se pueda tener una representacin ARMA.
Si la serie no tiene varianza constante se debe aplicar alguna transformacin como
las que se presentan a continuacin:
Transformacin potencia: T(7
t
) =
_
Z

t
; 6=0
ln Zt; =0
Transformacin Box-Cox: T(7
t
) =
_
Z

t
1

; >0
ln Zt; =0
Si la serie tiene una tendencia polinomial adaptiva se debe aplicar el operador
diferencia un nmero apropiado de veces para eliminar la tendencia. Las herramientas
usadas para determinar el nmero apropiado de diferencias son:
FAC simple: se grca la FAC muestral para las series T(7
t
) , \T(7
t
) y
_
\
2
T(7
t
)
_
y se escoge la primera que tenga un decaimiento rpido de las autocorrela-
ciones a cero.
Desviacin estndar: se calcula la desviacin estndar de la series T(7
t
) ,
\T(7
t
) y
_
\
2
T(7
t
)
_
y se escoge la que presenta menor desviacin estndar. Este
mtodo no siempre funciona y por tanto debe verse como una herramienta complemen-
taria de la FAC simple.
b. Identicacin de los rdenes j y
En esta etapa se intenta asociar la FAC simple y FACP muestral con un posible
proceso generador del tipo ARMA. El comportamiento de la FAC simple y FACP para
procesos AR, MA y ARMA se resume a continuacin:
AR(j): en la FAC simple todas autocorrelaciones son distintas de cero, aunque con
convergencia a cero, mientras que en la FACP solamente las primeras j autocorrela-
ciones parciales son distintas de cero.
MA(): en la FAC simple solo las primeras autocorrelaciones son distintas de cero,
mientras que en la FACP todas las autocorrelaciones parciales son distintas de cero,
aunque con convergencia a cero.
ARMA(j, ): en la FAC simple existe un comportamiento irregular de las primeras
autocorrelaciones y despus se observa una convergencia a cero. En la FACP la sucesin
innita de las autocorrelaciones parciales es convergente a cero.
8
Figura 1: FAC y FACP para AR(1)
Figura 2: FAC Y FACP para AR(2)
9
Figura 3: FAC y FACP para AR(2)
Figura 4: FAC y FACP para MA(1)
10
Criterios de informacin. Los criterios de informacin tambin pueden ser usados
para la identicacin de los modelos ARMA. La idea es esocoger los rdenes p y q que
minimicen
C1(j, ) = ln o
2
a
+ (j +)
C(:)
:
,
donde o
2
a
es el estimador de o
2
a
para el modelo 1'(j, ), : es el tamao de la mues-
tra y C(:) es una funcin de este ltimo. Entre los criterios ms usados se encuentran:
1C = ln( o
2
a
) +
2(p+q)
N
[Akaike (1973,1974)]
11C = ln( o
2
a
) + (j +)
ln(n)
n
[Schwarz (1978) y Rissanen (1978)]
HQ = ln( o
2
a
) + (j +)
2 ln ln(n)
n
[Hannan & Quinn (1979)]
1.7.2. Estimacin:
Una vez identicado el modelo
c(1)\
d
T(7
t
) = c +0(1)a
t
se deben estimar los parmetros desconocidos c, c
1
, . . . , c
p
, 0
1
, . . . , 0
q
, o
2
a
. El mtodo de
estimacin usado en este caso es el de mxima verosimilitud. Suponiendo distribucin
normal para el ruido blanco, la funcin de verosimilitud esta dada por
1(, , c, o
2
a
[Z) = (2)

(ndp)
2
o
(ndp)
a
exp
_

t=d+p+1
a
2
t
2o
2
a
_
1.7.3. Vericacin:
En esta etapa se debe vericar que los supuestos del modelo se cumplan. En caso de
encontrarse evidencia de violacin de alguno de estos, deber corregirse. La vericacin
se realiza analizando los residuos. Entre las pruebas ms usadas se encuentran:
Prueba de autocorrelacin. La no autocorrelacin puede vericarse calculando
la FAC muestral de los residuos, dada por
j
k
(a) =

n
t=k+1
a
t
a
tk

n
t=1
a
2
t
y comparndola con los lmites 2,
_
:,. Si [j
k
(a)[ 2,
_
: se concluir que la auto-
correlacin k-sima es signicativamente distinta de cero.
11
Prueba de Box-Pierce-Ljung. Box and Pierce (1970) propusieron un test para
realizar una prueba de signicacin conjunta de / autocorrelaciones simultneamente.
Ljung and Box (1978) realizaron una modicacin del estadstico de prueba y obtu-
vieron el siguiente
Q(/) = :(: + 2)
k

k=1
j
2
k
(a)
(: /)
con Q(/) ~
asint.

2
kpq
. La hiptesis nula de Ruido Blando es rechazada para valores
grandes de Q()
Prueba de Lomnicki-Jarque-Bera. Lomnicki (1961) y Jarque & Bera (1987)
propusieron una prueba para no-normalidad basada en el tercer y cuarto momento de
ldistribucin (sesgo y kurtosis). El estadstico de prueba se construye como sigue
1J1 =
:
6
_
:
1
n

t=1
(a
s
t
)
3
_
2
+
:
24
_
:
1
n

t=1
(a
s
t
)
4
3
_
2
donde a
s
t
son los residuales estandarizados. El estadstico 1J1 ~
asint.

2
2
. La hiptesis
nula de sesgo cero y kurtosis 3 es rechazada para valores grandes de 1J1().
1.7.4. Tendencia estocstica y determinstica
Es importante modelar la tendencia de una manera apropiada. Esto implica dis-
tinguir una tendencia determinstica de una estocstica. A continuacin se presentan
algunos ejemplos de ambos tipos de tendencia, as como grcas de series simuladas.
Ejemplos:
Tendencia determinstica
Lineal: 7
t
= c +,t +a
t
, t = 1, ..., :
Tendencia estocstica
Caminata aleatoria: 7
t
= 7
t1
+a
t
Caminata aleatoria con deriva: 7
t
= c +7
t1
+a
t
Para una serie con tendencia determinstica se puede estimar un modelo ARMA
que incluya la tendencia. Si esta es lineal el modelo ARMA es descrito por
c(1)T(7
t
) = c +,t +0(1)a
t
En el caso de una serie con tendencia estocstica se estima un modelo ARIMA.
12
Figura 5: Series generadas para el modelo Zt = +t +Zt1 +at; at RBN(0; 1); (1)
(; ; ) = (1; 0; 0;8); (2) (; ; ) = (1; 0;01; 0;8); (3) (; ; ) = (0; 0; 1)
1.7.5. Races unitarias:
Las pruebas conocidas como de races unitarias son una herramienta complemen-
taria de la grca de la serie, FAC simple muestral y varianza muestral para decidir
el grado de diferenciacion apropiado a n de volver estacionaria en nivel una serie. Si
se requieren d > 0 diferencias, se dice que sta es integrada de orden d y se escribe
7 ~ 1(d). Algunas pruebas son Dickey-Fuller y Phillips-Perron.
Prueba de Dickey Fuller. Partiendo del modelo 7
t
= c + ,t + c7
t1
+ a
t
y
restando 7
t1
a ambos lados de la ecuacin se llega a
\7
t
= c +,t +j7
t1
+a
t
donde j = c 1. La prueba de Dickey-Fuller considera tres ecuaciones de regresin
diferentes, c = , = 0, c ,= 0 y , = 0, y c = , ,= 0. El parmetro de inters en los tres
casos es j; si este es igual a cero la serie contiene una raz unitaria. Para el caso en el
que c ,= 0 y , = 0 la hiptesis nula corresponde a
H
o
: j = c = 0
y para c = , ,= 0 es
H
o
: j = c = , = 0
Note que probar la restriccin j = c = , = 0 es equivalente a probar la existencia
de una tendencia estocstica en la serie, y j < 0, , ,= 0 y c ,= 0, a probar una deter-
minstica. Cuando en la ecuacin de regresin se incluyen otros rezagos de \7
t
como
variable explicativas, la prueba recibe el nombre de prueba de Dickey-Fuller aumentada.
13
1.8. Pronsticos con modelos ARMA
Suponga que 1
t
es una serie de tiempo estacionaria denida como 1
t
= \
d
T(7
t
),
y que admite la representacin ARMA. Si a partir del periodo t se desea pronosticar
la observacin 1
t+h
, un pronstico cualquiera de esta observacin ser denodato por

1
t
(/), mientras que el pronstico ptimo se escribira como

1
t
(/), con / el horizonte
de prediccin. El criterio usado para determinar la optimalidad del pronstico es el
error cuadrtico medio mnimo. As,

1
t
(/) para que sea el pronstico ptimo deber
satisfacer la condicin
1
t
_
1
t+h

1
t
(/)
_
2
= :i:
e
Yt(h)
1
t
_
1
t+h

1
t
(/)
_
2
en la cual 1
t
denota la esperanza condicional, dada toda la informacin hasta el mo-
mento t, es decir
1
t
_
1
t+h

1
t
(/)
_
2
= 1
_
_
1
t+h

1
t
(/)
_
2
[7
t
, 7
t1
, . . .
_
Se sabe que 1
t
(1
t+h
) proporciona el pronstico con error cuadrtico medio mnimo,
es decir

1
t
(/) = 1
t
(1
t+h
)
y que el error del pronstico viene dado por
c
t
(/) = 1
t+h

1
t+h
Una vez se han construido varios modelos para representar una serie de tiempo
resulta de inters analizar y comparar la capacidad de pronstico de cada uno de ellos,
con el objeto de escoger el modelo que suministra los mejores pronsticos. Una forma de
estudiar dicha capacidad es va contrastacin de pronsticos de valores ya observados
de la serie, con sus valores reales, para diferentes horizontes de pronstico. La forma
de proceder es cortar la serie en el instante t < T, donde T es el tamao de muestra,
construir un modelo con las primeras t observaciones y pronosticar los valores desde
el periodo t + 1 hasta el periodo T. Este anlisis se conoce con el nombre de anlisis
posmuestral.
Para evaluar la capacidad predictiva de un modelo en trminos de pronsticos
puntuales, en la literatura emprica comnmente se ha utilizado el criterio de error
cuadrtico medio (ECM). Recientemente, se han realizado varios estudios que incorpo-
ran pruebas formales, como la de Diebold and Mariano (1995), para probar diferencias
14
en medidas de evaluacin de pronsticos, como el ECM, entre dos modelos. Adicional-
mente, estudiosos del tema han sugerido otros mtodos de evaluacin en trminos de
intervalos de pronstico y densidades de pronsticos, vase Christoersen (1998) y
Diebold, Gunther and Tay (1998).
Para obtener pronsticos de la serie original 7
t
se puede aplicar la transformacin
inversa T
1
siempre y cuando la trasformacin que haya sido usada sea lineal. Pero
si sta fue la transformacin potencia o Box-Cox, es necesario corregir el sesgo que
intoduce la aplicacin de la transformacin inversa. Para detalles vase Guerrero (2003).
1.9. Anlisis de series de tiempo estacionales
1.9.1. Estacionalidad
Comportamiento que se repite anualmente, quiz con cambios graduales a travs de
los aos. A pesar de que usualmente se considera un fenmeno repetitivo anual, esto no
signica que no pueda existir otro tipo de comportamiento peridico de duracin menor
al ao; por ejemplo un perodo estacional semestral para series mensuales implicara
que los meses de diciembre mostraran un comportamiento similar a los meses de junio,
adems de que los junios seran similares entre s, al igual que los diciembres.
1.9.2. Operador diferencia estacional
Se dene mediante la relacin
\
k
E
7
t
= (1 1
E
)
k
7
t
para / = 0, 1, . . . y 1 = 1, 2, . . .
donde \
E
es el operador diferencia estacional y 7 es una variable aleatoria. El
periodo estacional comprende 1 observaciones contiguas.
Ejemplo: En el Cuadro 3 se presentan los datos mensuales del ndice de produccin
real de la industria manufacturera de Colombia para el periodo enero de 2006 a mayo
de 2007, denotado por la serie de tiempo 7
t
y la serie
t
denida como
t
= \
12
7
t
,
1 = 12 y / = 1.
15
Cuadro 3: Operador diferencia para la serie ITCR
Fecha 7
t

t
= 7
t
7
t12
ene-06 105.05
feb-06 110.55
mar-06 122.47
abr-06 111.64
may-06 124.18
jun-06 123.14
jul-06 125.96
ago-06 135.11
sep-06 137.05
oct-06 139.72
nov-06 140.94
dic-06 131.63
ene-07 120.76 15.71
feb-07 127.52 16.97
mar-07 140.24 17.77
abr-07 126.70 15.06
may-07 138.38 14.20
1.9.3. Modelos puramente estacionales
El proceso estocstico 7
t
obedece a un modelo SARIMA(1, 1, Q)
E
, si 7
t
obe-
dece a la ecuacin
(1
1
1
E

2
1
2E

P
1
PE
)(11
E
)
D
7
t
= c+(1
1
1
E

2
1
2E

Q
1
QE
)a
t
donde 1, 1 y Q son enteros no negativos, c, y son parmetros, (1 1
E
) es el
operador diferencia estacional y a
t
~ 11(0, o
2
a
).
1.9.4. Modelo multiplicativo estacional
El proceso estocstico 7
t
obedece a un modelo multiplicativo estacional SARIMA(j, d, )
(1, 1, Q)
E
, si 7
t
obedece a la ecuacin
c(1)(1
E
)\
d
\
D
E
7
t
= c +0(1)(1
E
)a
t
donde c(1) y (1
E
) son los polinomios autorregresivo y autorregresivo estacional,
respectivamente, 0(1) y (1
E
) son los polinomios de promedios mviles y de promedios
mviles estacional, respectivamente, \
d
y \
D
E
son los operadores diferencia y diferencia
estacional, y a
t
~ 11(0, o
2
a
).
16
1.9.5. Estacionariedad e invertibilidad
Un proceso multiplicativo estacional SARIMA es estacionario si y slo si las races
de las ecuaciones caractersticas c(r) = 0 y (r
E
) = 0 se encuentran fuera del crculo
unitario y es invertible si y slo si las races de las ecuaciones caractersticas 0(r) = 0
y (r
E
) = 0 se encuentran fuera del crculo unitario.
1.10. Anlisis de series inuencias por intervenciones
Una intervencin puede ser interpretada como la ocurrencia de un evento exgeno al
comportamiento histrico de la serie en estudio. Los efectos pueden ser: i) aquellos que
se dejan sentir como una elevacin o cada momentnea del nivel y que desaparecen sin
inuir sobre el comportamiento posterior de la serie, ii) los que ejercen una inuencia
sostenidad (no momentneamente) sobre el nivel de la serie, pero dejan intacta la
estructura bsica de su parte estocstica, y iii) los efectos que, independientemente de
inuir o no sobre la parte determinista, s alteran la estructura de la parte estocstica.
Un modelo para una serie 7
t
que contenga los efectos de una intervencin se expresa
como
T(7
t
) = -
I;t
+
t
donde
t
se asocia con un modelo ARIMA, estacionario e invertible, que representa la
parte estocstica de la serie, y -
I;t
es una funcin que permite representar los efectos
de la intervencin.
Con el n de lograr la especicacin de -
I;t
, es conveniente usar la funcin de pulso
denida por
1
I;t
=
_
1 si t = 1
0 si t ,= 1
_
donde 1 denota el momento en el que ocurri la intervencin. As -
I;t
satisface la
ecuacin
(1 c
1
1 c
2
1
2
c
r
1
r
)\
b
-
I;t
= (n
o
n
1
1 n
2
1
2
n
s
1
s
)1
I;t
cuya solucin especca depender de la condicin
-
I;t
= 0 para t < 1
17
2. BIBLIOGRAFA
Enders, W. Applied Econometrics Time Series. John Wiley & Sons, 2004.
Enders, W. RATS Handbook for Econometric Time Series. John Wiley & Sons.
Guerrero, V. M. Anlisis estadstico de series de tiempo econmicas. Universidad
Autnoma Metropolitana. Mxico, 2003.
Lutkepohl, H. and Kratzig, M. Applied Time Series Econometrics. Cambridge, 2004.
18