2009

APUNTES DE
I NTRODUCCI ON A LAS
SERI ES DE TI EMPO
Gua de estudio
NARCI SO GUARAMATO PARRA




2


























































3
INTRODUCCION

El presente trabajo tiene como objetivo principal, ayudar a todas aquellas
personas con conocimientos limitados de Estadstica y Economa, especialmente
a los alumnos involucrados en esta ctedra. Aportndoles una herramienta que les
proporcione un conocimiento bsico de la Econometra.

A lo largo de mi experiencia docente en la Escuela Nacional de
Administracin y Hacienda Pblica I.U.T, y en la Universidad Santa Mara, he
observado con preocupacin lo difcil y problemtico que le resulta al
estudiantado, el inicio del estudio de la Econometra.

Entre los factores que explican esta situacin, destacan la deficiencia que
traen algunos alumnos en materias imprescindibles para el estudio del tema, como
son la Estadstica y la Economa. La Econometra involucra todo un bagaje de
nuevo vocabulario que dificulta en una primera etapa su entendimiento.

Esta investigacin documental, ha aprovechado la claridad de algunos
autores para tratar algunos temas especficos y mi experiencia enseando la
materia, para lograr un texto donde se combinen los fundamentos tericos
bsicos de la Econometra con unos ejemplos prcticos, que permitan ver en una
forma sencilla sus aplicaciones, usando en varios de ellos el Software
economtrico Eviews 3.1..

Es importante sealar que este trabajo, de ninguna manera sustituye a un
libro de texto de la materia, debido a que en el mercado existen muchos de una
excelente calidad. Igualmente tampoco pretende que el alumno, mediante su
lectura, pueda prescindir de las clases presnciales.

Finalmente, quiero agradecerle a la Escuela Nacional de Administracin y
Hacienda Pblica I.U.T. por haberme invitado como profesor de la materia durante
los aos 2000 y 2001, y a la Universidad Santa Mara, lo cual me permiti ordenar
mis apuntes, fuente de este trabajo.












4
CONTENIDO


I INTRODUCCIN A LAS SERIES DE TIEMPO (TECNICAS CLASICAS)

1.. Caractersticas y anlisis de una serie de tiempo.
2. Tcnicas elementales de estimacin con tendencia.
3. Metodologa del filtro de HodrickPrescott.
4. Indicadores o medidas de error.

II MODELOS AR, MA, ARMA, ARIMA y FUNCION DE TRANSFERENCIA

1. Procesos Estocsticos.
2. Caminata Aleatoria,
3. Estacionariedad,
4. Races unitarias, operador diferencia y orden de integracin de una serie de
tiempo
5. Prueba de estacionariedad basada en el correlograma.
6. Prueba de raz unitaria sobre estacionariedad prueba DICKEY FULLER
(ADF).
7. Prueba de PHILLIPS-PERRON (test PP)
8. Estacionalidad.
9. Modelo Autorregresivo de orden p (AR(p)).
10. Modelo de promedio mvil de orden q (MA(q)).
11. Modelo Autorregresivo de promedio mvil (ARMA(p,q)).
12. Modelo Autorregresivo integrado de promedio mvil (ARIMA(p,d,q)).
13. Metodologa de Box-J enkis.
14. Modelos fe funcin de transferencia.

III. MODELOS DE VECTORES AUTORREGRESIVOS (VAR)
.
IV: COINTEGRACION Y MODELO DE VECTOR DE CORRECIN DEL ERROR
(VEC)

1. Cointegracin.
2. Modelo de vector de correccin del error (VEC).
3. Test de Cointegracin de J OHANSEN:

V: MODELOS AUTORREGRESIVOS CON HETEROCEDASTICIDAD
CONDICIONAL (ARCH)

BIBLIOGRAFIA



5
CAPITULO I
INTRODUCCIN A LAS SERIES DE TIEMPO
TECNICAS CLASICAS

Una serie de tiempo es un conjunto de datos estadsticos, recopilados, observados
o registrados a intervalos regulares y ordenados en el tiempo. Las tcnicas de
estimacin de series tienen como objetivo primordial el control y el pronstico de
las variables con periodicidad subanual

Esta tcnicas no se basan en ninguna teora econmica, a diferencia de los
modelos economtricos, sino que parten del supuesto de que una serie de tiempo
se puede descomponer en cuatro componentes:


a) La tendencia, el cual es un movimiento regular de la serie a largo plazo.

b) Las variaciones estacionales:, que son oscilaciones a corto plazo de
periodo regular, menor o igual a un ao.

c) Variaciones cclicas: movimientos a mediano plazo en torno a la
tendencia, cuyo perodo y amplitud presentan cierta regularidad.

d) Variaciones irregulares: recoge la influencia que ejercen sobre la serie
circunstancias aleatorias y accidentales.


Las tcnicas de estimacin se basan en descomponer una serie de tiempo, es
decir, en determinar los cuatro componentes bsicos.

A continuacin se presenta un cuadro
1
donde se hace una comparacin entre las
series de tiempo y los modelos economtricos, as como un cuadro sealando las
ventajas y desventajas de cada uno.









1
Tomado de: Blanco, Carlos. Convergencia de las Tcnicas de Series de Tiempo con los Mtodos
Economtricos. Mimeo. Banco Central de Venezuela,. Departamento de Apoyo Cuantitativo.
Caracas. 1997



6
SERIES DE TIEMPO MODELOS ECONOMETRICOS
Se basan exclusivamente en la
informacin muestral, por tanto no
impopnen restricciones. Tericamente
son menos eficientes que los modelos
economtricos.
Se basan tanto en la informacin
muestral como en la teora
econmica, la cual impone
restricciones que pueden ser
subjetivas
Se usan para Control, pronstico y el
anlaisis coyuntural dinmico
se usan para control, pronostico,
simulacin y e nanlisis estructural
esttico y dinmico. Para medir la
influencia de cada una de las
variables incluidas en el sistema.



VENTAJAS DESVENTAJAS
Son mas econmicos en trminos de informacin,
ya que las variables se expresan en funcin de si
misma
Requieren de informacin subanual,
aunque posran utilizarse en series anuales
Series de
Tiempo
Requieren menos dominio de la teora econmica No recogen los puntos de cambio
adecuadamente
Son eficientes en el pronstico a corto plazo Se pierde informacin de largo plazo
Tratamiento muy satisfactorio de los errores. Reqieren del juicio para determinar si un
proceso es o no integrado.
Los componentes del modelo son estocsaticos Anlisis parcial
Facilitan el anlisis de causalidad El pronstico de corto plazo no es ptimo
por lo complejo de la dinmica
Describen la estructura econmica y la relacin
entre dos o mas variables
Son mas complejos y exigen ms
conocimiento de la teora
Modelos
economtricos
Dan mayor coherrencia a los pronsticos de
mediano plazo
Implican un mayor volumen de informacin
Recogen bastante bien los puntos de cambio tratamiento insastifactorio de los errores
Anlisis global es posible Grado de intetfracin no concluyente



El mtodo ms utilizado en el estudio de una serie de tiempo es el Modelo
Multiplicativo, el cual supone que el valor de los datos originales es el producto de
los cuatro componentes como sigue:




7
Irregular Variacin I
cclica Variacin C
estacional Variacin E
Tendencia T
t f estudio en temporal Serie Y
I x C x E x T Y tivo Multiplica Modelo
t
t
t
t
t
t t t t t
=
=
=
=
=
=
) ( ,


El objetivo principal del estudio de una serie de tiempo es proporcionar buenos
pronsticos o predicciones de futuros valores de la serie a partir de valores
pasados

El mtodo clsico que se utiliza es primeramente estimar la tendencia a travs de
las medias mviles o el alisado exponencial para luego realizar la proyeccin de
tendencia ajustada por variaciones estacionales. Este mtodo se puede
esquematizar en los siguientes pasos:


a) Captar los componentes de tendencia y ciclo a travs del mtodo de las
medias mviles o otra metodologa.

b) Clculo de los factores estacionales y desestacionalizar la serie original.

c) Determinar la regresin lineal de tendencia travs del mtodo de los
mnimos cuadrados para describir el movimiento medio subyacente a
largo plazo de la serie de tiempo.

d) Bajo la suposicin de que dicha tendencia se mantendr en el futuro, se
utiliza la ecuacin anterior para obtener las proyecciones
desestacionalizadas deseadas y se obtienen las proyecciones finales al
multiplicar cada uno de los resultados obtenidos anteriormente a travs
de la lnea de regresin lineal por su respectivo factor estacional.


En el presente captulo se tratarn las tcnicas clsicas de estimacin de series de
tiempo, dejando para captulos posteriores las tcnicas avanzadas.










8
TECNICAS DE ESTIMACION DE SERIES DE TIEMPO
Medias Mviles
Alisado Exponencial
Clsi cas
Alisado con Tendenci a
Ajuste Estacional
Modelos AR, MA, ARMA y ARIMA
Avanzados Vectores Autorregresi vos (VAR)
Vector de Correccin del Error (VEC)



1. CARACTERISTICAS Y ANALISIS DE UNA SERIE DE TIEMPO
2


Una serie temporal es una sucesin de vectores observados de una variable en
momentos del tiempo diferentes. Los datos de la serie aparecen ordenados
cronolgicamente, esto supone distintas repercusiones entre X
t
y X
t-1
, de forma
que el comportamiento futuro de la serie se puede extrapolarse en funcin de sus
valores pasados. Tambin nos encontramos con determinados efectos, conocidos
como problemas de calendario, que se refiere a la diferente incidencia de
acontecimientos que pueden variar de fecha. Por ejemplo. Cuando trabajamos con
seriares de tiempo de frecuencia mensual podemos comprobar la repercusin que
tiene en el anlisis de la serie el hecho que la Semana Santa caiga en el mes de
marzo o en el mes de abril. Incluso la propia movilidad de los das, que conduce a
las fechas festivas puedan caer un da laborable o en fin de semana, tiene distinta
casustica, as como los festivos en lunes o martes pueden conllevar a los
llamados puentes. Otro criterio a considerar es la deflacin de los valores de la
serie, pues si realmente queremos analizar la evolucin de una serie, medida en
bolvares, es conveniente aislar el efecto de los precios y no siempre podemos
encontrar el deflactor ms apropiado para ello. Adicionalmente, debemos
considerar las posibles incidencias de los cambios en los criterios de
contabilizacin. Dado que el principal origen de los datos es la encuesta, un
cambio en la seleccin muestral afecta considerablemente los resultados,
provocando problemas de enlace de la serie.

Al plantearse el anlisis de series de tiempo, se pueden distinguir dos enfoques
diferentes, segn la informacin que se utilice:





2
Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p.166



9
a) Enfoque univariante, se refiere a los datos histricos de la serie de
tiempo, es decir, a la autoproyeccin. Supone que la informacin pasada
contenida en la serie es suficiente para realizar predicciones. Este
enfoque consiste en describir las pautas de regularidad que sigue cada
uno de los componentes de la serie.

b) Enfoque multivariante, se basa en las relaciones existentes entre dos o
mas series temporales.

Adems, se pueden distinguir varios componentes en una serie de tiempo:

Tendencia: es el movimiento regular a largo plazo. La tendencia se explica por
alguna funcin del tiempo. La tendencia se suele describir mediante alguna
funcin del tiempo. El tiempo en si no rs una variable que explique otra cosa
que la existencia d una evolucin regular, pero, si no hay motivos para pensar
que esa regularidad deje de mantenerse en el futuro, la funcin de tendencia
puede ser util para realizae predicciones.

Componente cclico: fluctuaciones a medio plazo en torno a la tendencia, Se
determina despus de eliminar tendencia y estacionalidad. No hay mtodos
fiables de aplicacin mecnica para proyectar el comportamiento cclico debido
a la relativa irregularidad de su comportamiento.

Componente estacional: oscilaciones a corto plazo de perodo regular, inferior
al ao y amplitud regular. Al tener carcter oscilatorio, queda determinado por
su periodo y amplitud. En la prctica sulen calcularse indices de estacionalidad
que se aplican a la tendencia, por lo general, en forma multiplicativa

Componente irregular: parte residual de la serie cuando se eliminan los
componentes anteriores.




















10
DESCOMPOSICIN DE LOS DATOS
DE SERIES DE TIEMPO



La descomposicin de la serie puede realizarse de tres formas diferentes.

Modelo aditivo:
t t t t t
I E C T X + + + =
Modelo Multiplicativo:
t t t t t
I E C T X * * * =
Modelo Mixto:
t t t t t
I E C T X + + + = ) 1 ( * ) 1 ( *

En la prctica, resulta difcil poder aislar adecuadamente los distintos
componentes de la serie; y en el caso de la descomposicin se realice con xito,
suele presentarse con mayor frecuencia el Modelo Multiplicativo.

Esta descomposicin de la serie nos conduce a la consideracin de dos enfoques
distintos en el anlisis de las series de tiempo, segn la importancia que se
conceda al componente irregular.

Enfoque Clsico o determinista: que establece que el componente irregular es
una desviacin de una pauta de comportamiento sistemtica.

Enfoque moderno o estocstico: que establece que e trmino irregular (azar)

no es una desviacin momentnea, sino que es una sucesin de impulsos que
cuentan en el futuro movimiento del sistema.

Aparte de las consideraciones diferentes sobre el trmino de error o pauta
irregular entre ambos enfoques, el moderno no presta tanta atencin como el
clsico a la diferenciacin de los cuatro componentes de las series de tiempo.



11

En la prctica, lo habitual es distinguir en una serie los componentes de tendencia
y estacionalidad, donde adems, se considera que esta ltima sigue un proceso
multiplicativo. Para analizar estas dos caractersticas. En una serie de tiempo, se
ha seleccionado los datos mensuales del ndice de ventas al comercio al menor a
precios constantes (1994=100) de la economa espaola para el perodo
comprendido entre enero de 1995 y diciembre de 1998.


INDICE DE VENTAS DEL COMERCIO
AL MENOR
1994=100
1995 1996 1997 1998
ENE 101.684 101.743 102.661 108.149
FEB 82.712 85.799 82.978 85.679
MAR 94.665 92.018 89.527 93.303
ABR 91.333 90.851 94.226 96.863
MAY 97.133 93.858 96.261 102.144
JUN 98.733 944.407 94.382 101.962
JUL 104.260 103.603 105.156 113.154
AGO 92.082 90.698 90.961 95.141
SEP 99.904 96.096 98.168 103.557
OCT 98.733 100.762 102.545 109.875
NOV 95.580 93.643 94.367 99.527
DIC 126.772 123.248 129.456 133.554
FUENTE: INE. Espaa.














12

.

Primeramente visualizamos el grfico de la serie de tiempo, lo cual nos permite
observar la evolucin temporal de la misma.






La observacin del grfico de la serie VENTAS nos permite apreciar la presencia
de un componente de estacionalidad clara en la serie, identificada en las subidas
que se presentan en los meses de diciembre respecto al comportamiento medio

de los meses restantes. Esto significa que en el ltimo mes del ao se comprueba
una mayor compra de bienes y servicios en comparacin con la que cabra



13
esperar en meses anteriores.. Por otra parte, la evolucin general de la serie, es
decir, a medio/largo plazo, nos muestra una tendencia creciente en torno ala cual
fluctan los valores de la serie.

Para la aplicacin de determinadas tcnicas de prediccin, en particular las
denominadas clsicas. Y en situaciones con historia (medias mviles y algunos
tipos de alisados exponenciales) debemos proceder, previamente, a la
transformacin de los datos de la serie, para aislar la tendencia y la
estacionalidad.

Dado que la serie presenta tendencia y estacionalidad, se procede a la
transformacin de la misma. En primer lugar, se comienza con la
desestacionalizacin de la serie, procedimiento que consiste en la obtencin de un
factor de estacionalidad propio para cada mes.

En general hay dos mtodos de ajuste estacional o desestacionalizacin:
multiplicativo y aditivo. Los mtodos multiplicativos son apropiados cuando la serie
puede descomponerse en el producto de un componente de tendencia y otro
estacional. Adems, los mtodos multiplicativos slo pueden aplicarse cuando la
serie presenta siempre valores positivos, es decir una serie con valores negativos

habra que optar por un procedimiento aditivo de desestacionalizacin

En nuestro caso, dado que todos los valores son positivos, supondremos un
planteamiento multiplicativo de descomposicin de la serie de tiempo..

De esta forma, la serie original (VENTAS) ser igual a una serie
desestacionalizada (SVENTAS) multiplicada por un factor estacional (FACTOR):


VENTAS =SVENTAS x FACTOR


Lo que significa que obtendremos la serie desestacionalizada (SVENTAS)
dividiendo los datos de la serie original entre un factor que contiene 12 datos
mensuales (uno diferente para cada mes).. Para realizar esta operacin, en el
men principal de Eviews, seleccionamos QUICK /SERIRES STATISTICS /
SEASONAL ADJ USMENT:











14



e indicamos que vamos a trabajara sobre la variable ventas



A continuacin, aparece el siguiente cuadro de dilogo, en el que seleccionamos
el mtdo de desestacionalizacin (Adjustment Method), indicamos el nombre para
la variable desestacionalizada (Adjusted Series) y para el factor (Factors).





Seleccionamos el mtodo de mediad mviles (Ratio to moving average-

Multiplicative). Nombramos a la serie desestecionalizada como SVENTAS, aunque
Eviews nos proporciona ppor defecto un nombre, que se corresponde con el de la



15
serie original seguido de las letras SA. Al factor que calcula el programa lo
llamamos, simplemente FACTOR.

Como rersultado se muestra una pantalla en la que podemos observar los datos
del factor estacional calculado, dfonde se aprecia que se trata de valores en torno
a la unidad, siendo el valor ms alto, el correspondiente al mes que presentaba
inicialmente estacionalidad (diciembre),




Dado que Eviews ha generado la nueva serie desestacionalizada (SVENTAS) se
puede visualizar un grfico de la misma.





El grfico de la serir SVENTAS mustra fluctuaciones que ya no se corresponden
con la estacionalidad, puesto aque ha sido corrergida, y como es lgicosigue
presentando tendencia. Una forma sencilla, y la mas empleada para corregir la



16
tendencia consiste en la aplicacin en primeras diferencias de la serie. Se basa en
calcular una serie
t
z obtenida como:

y y y z
t t t
A = =
1


Si al representar graficamente una serie,
t
z , comprobamos que oscila alrededor
del mismo valor, entonces tendramos que se trata de la serie original sin
tendencia. Si
t
z crece o decrece a largo plazo, entonces an presenta tendencia y
habra que volver a diferenciar, es decir, proseguiriamos calculando ahora la
segunda diferencia:

t t t t t t t t t t t t
y y y y y y y y y z z z
2
2 1 2 1 1 1
2 ) ( ) ( A = AA = + = = = A



y, en caso necesario, seguiriamos diferenciando, teniendo en cuenta que en cada
diferenciacin perdemos una observacin. En cualquier caso, lo habitual es que
con una primera diferencia la serie ya fluctue en torno al mismo valor, es decir, ya
no presente tendencia y, como mucho, se realizara una asegunda diferencia.

Para eliminar la tendencia de la serie SVENTAS, ya corregida de estacionalidad,
selecionamos en el men QUICK / GENERATE SERIES y escribimos la operacin
a realizar, generando una nueva serie DSVENTAS a partir de las primeras
diferencias de SVENTAS.










17



Se consigue el mismo resultado si escribimos directamente en la ventana de
comandos





podemos visualizar un grfico de la nueva serie DSVENTAS, serie sin
estacionalidad y sin tendencia. Para comprobar que los datos de la serie
transformada fluctan en torno a un mismo valor, calculamos la media de esta
serie generando (GENR) una variable media, tal que





En el grfico representamos la serie DSVENTASy su valor medio (MEDIA).








18























19












20



El grfico sugiere una oscilacin de los valores de la serie DSVENTAS en torno al
valor medio, por lo que podemos considerarla ya como una serie sin tendencia.

Finalmente, y a modo de comparacin, se ha desestacionalizado la serie original
VENTAS, con otro procedimiento de los disponibles en Eviews: el mtodo
CensusX11, mtodo estndar de desestacionalizacin del U.S. Bereau of the
Census, que puede aplicarse a serires mensuales y trimestrales con el requisito de
disponer como mnimo de cuatro aos completos de datos. Este mtodo presenta,
adicionlamente, una restriccin de volumen de informacin, pues el mximo de

datos para una serie mensual debe ser de veinte aos y de treinta si se trata de
una serie trimestral.

Como ya se realiz anteriormente, se selecciona en el men principal QUICK /
SERIRES STATISTICS / SEASONAL ADJ USTMENT. La serie original que se va a
desestacionalizar es VENTAS y la serire desestacionalizada se llamar
CVENTAS. Siendo FACTORC el nombre elegido para el factor estacional con el
mtodo CensusX11 Multiplicativo.









21



Una vez obtenida la nueva serire CVENTAS, desestacionalizada con el
procedimiento Census X11, procedemos a representarla en un grpafico junto con
la serie SVENTAS.




La evolucin que presentan ambas serires es similar, aunque parece que la serie
SVENTAS suaviza mas las oscilaciones de los valores de las ventas del comercio
al por menor corregidas de estacionalidad. Posiblemente sea ms iloustrativo
comprobar conjuntamente los valores de los dos factores de estacionalidad que

han dado lugar a ambas series.




22
Comparacin de factores mensuales
de desestacionalizacin
Relacin de la media mvil Census X11
FACTOR FACTORC
ENE 106,03 104,68
FEB 86,21 85,00
MAR 93,02 92,62
ABR 95,21 93,57
MAY 98,47 98,08
JUN 97,81 97,69
JUL 106,90 107,33
AGO 93,36 92,60
SEP 100,30 99,63
OCT 102,93 104,32
NOV 96,51 95,88
DIC 128,96 128,36

La diferencia entre el factor calculado por el mtodo de relacin a la media mvil y
el del mtodo X11 es que en este segundo caso el factor puede variar ao a ao,
mientras que en el primer caso se asume un valor constante.

2. TECNICAS ELEMENTALES DE ESTIMACION CON TENEDENCIA

Despus de desestacionalizar la serie el siguiente paso es realizar las
predicciones a travs de un modelo simple que parata del supuesto de la
existencia de la tendencia en la serie. El modelo ms simple es el modelo de
tendencia lineal . Si creemos que una serie
t
y se incrementar en cantidades
absolutas constantes en cada perodo. Se puede predecir
t
y , ajustando la linea de
tendencia

t y
t 2 1
o o + =

Donde t es el tiempo y
t
y es el valor esperado de y en el tiempo t. Por lo general t
se elige igual a cero en el perodo base (primera observacin) y se incrementa en

1 durante cada perodo sucesivo.




23
El modelo de tendencia cuadrtica es una extensin simple del modelo de
tendencia lineal y consiste en agregar un trmino
2
t

2
3 2 1
t t y
t
u u u + + =

Si
2
u y
3
u son ambos positivos,
t
y siempre estar incrementndose, pero cada vez
ms rpido conforma pasa el tiempo. Si
2
u es negativo y
3
u ,
t
y disminuirprimero
pero despus se incrementar. Si ambos son negativos ,
t
y siempre disminuir.

Otros mtodos de estimacin, considerados como elementales, se basan en
modelos autorregresivos. Entre los mas simples se pueden sealar:

1.
t t
y y =
+1
; 2.
1 1

+
=
t t t t
y y y y

La ecuacin 1 utiliza como valor de prediccin del prximo perodo, el dato del
perodo actual. La ecuacin 2 supone la igualdad no de los valores, sino de los
incrementos. Dado la simplicidad de los modelos anteriormente descritos se debe
suponer que las estimaciones que se realicen debern tener un elevado error de
prediccin.

Una variante ligeramente ms elaborada es utilizar el valor medio de la serie, en
lugar de las ltimas observaciones

y y
t

=
+1


Este modelo parte del supuesto que la serie carece de tendencia y la misma oscila
alrededor de la media. En este caso el valor mas probable de estimacin, es el
valor medio de la serie.



.








Otro tipo de modelo utilizado para la estimacin en serie con tendencia es el

Modelo de Promedio movil. Como ejemplo, se supone que para estimar un valor
dada una serie de tiempo mensual, se utilizara el siguiente modelo:




24
( ) ( )
12 2 1
...
12
1

+ + + =
t t t
y y y x f

Entonces, el pronstico para el perodo ( ) 1 + t estar determinado por:

( )
12 2 1 1
...
12
1
+
+ + + =
t t t t
y y y y

El modelo de promedio mvil es til si se cree que un valor probable para el
prximo perodo es el valor promedio de la serie durante los ltimos 12 meses.

El modelo de promedio mvil tiene la virtud de proporcionar una base para
suavizar series de tiempo. Por ejemplo una de las formas ms simples de suavizar
una serie es tomar un promedio movil de n perodos:

( )
n t t t t
y y y
n
y
+
+ + + = ...
1
2 1 1

Mientras mayor sea nmas suave ser la curva

Ejemplo:
OBS Yt PM3 PM4 PM5 PM6
1 4
2 5
3 6 5,0
4 8 6,3 5,8
5 10 8,0 7,3 6,6
6 13 10,3 9,3 8,4 7,7
7 15 12,7 11,5 10,4 9,5
8 8 12,0 11,5 10,8 10,0
9 10 11,0 11,5 11,2 10,7
10 6 8,0 9,8 10,4 10,3
11 14 10,0 9,5 10,6 11,0
12 18 12,7 12,0 11,2 11,8
PM3 =promedio movil ltimos tres perodos
PM4 =promedio movil ltimos cuatro perodos
PM5 =promedio movil ltimos cinco perodos
PM6 =promedio movil ltimos seis perodos







25
0
5
10
15
20
1 2 3 4 5 6 7 8 9 10 11 12
OBSERVACIONES
Yt PM3 PM4 PM5 PM6


El alisado exponencial puede considerarse como aquel obtenido por una media
mvil con ponderaciones decreciente en forma de progresin geomtrica:

... ) 1 ( ) 1 (
2
2
1
+ + + =
t t t
y y y M o o o o o

donde el coeficiente o podr tomar valores entre 0 y 1. La suma de los
coeficientes siempre ser la unidad, ya que:

1
) 1 ( 1
) 1 (
0
=

=

=
o
o
o o
s
s


Por tanto, el nmero de trminos de la media mvil ser tanto ms reducido
cuanto mayor sea el valor de o . Para 1 = o , la media coincidir con el valor del
perodo. Para o cercano a cero, las ponderaciones de los valores sern todas
muy pequeas y, por tanto, el nmero de trminos ser elevado.

Como frmula de prediccin, la media deber calcularse inicindola en el ltimo
dato disponible, es decir,

( ) ( ) ... 1 1
2
2
1 1
+ + + =
+ t t t t
y y y y o o o o o

o en su forma ms resumida:

( )
t t t
y y y 1
1
o o + =
+


ya que, por sustituciones sucesivas, legaramos a la frmula anterior. Por tanto, la

prediccin de alisado pueda interpretarse como una media ponderada de los
valores previos anteriores, reales y de prediccin.




26
La expresin anterior exige disponer de los valores de
o
y de un valor inicial de .
Esta ltima cuestin es relativamente poco importante y puede resolverse
adoptando directamente
t t
y y =
o bien igualando este primer valor al promedio de
un pequeo nmero inicial de observaciones.

La eleccin del parmetro
o
debe acomodarse a cada serie en particular. Por ello
la mayor parte de los programas de computacin disponibles permiten el clculo
automtico del valor ptimo de
o
, en el sentido de selecciona aquel que minimiza
el error cuadrticos medio.

En general se considera que un
o
alto es indicativo de fuertes oscilaciones o de la
existencia de tendencia en la serie, lo que conlleva un reducido alisado para
ajustarse mejor a estos cambios continuos. Por el contrario, una serie con
pequeas oscilaciones irregulares aconsejar un
o
reducido (habitualmente
comprendido entre 0,01 y 0,4), que supondr un fuerte alisado de la serie al
considerar un elevado nmero de valores anteriores de sta.

Tanto el mtodo de los promedios mviles como el alisado exponencial tienden a
ser ad hoc, en particular cuando se usan para generar pronsticos. Un problema
es que no se tiene forma de determinar el nmero correcto de rezagos o el valor
correcto de o , as que la eleccin de estos parmetros es un tanto arbitraria. Si el
objetivo es tan slo la suavizacin de la serie para facilitar su anlisis, este no es
un problema, ya que se puede elegir los parmetros para obtener la serie
suavizada que se desea.

El Eviews nos permite obtener en forma rpida un alisado exponencial de la serie,
a tal fin seleccionamos en el men principal QUICK /SERIES STATISTICS /
EXPONENTIAL SMOOTHING e indicamos la serie a alisar (SVENTAS)
3






3
Es importante tener en cuenta que para que la serie con alisado exponencial incluya las
predicciones, antes de realizar el mismo hay que modificar el rango de la serie (range) para que
incluya el periodo a proyectar.



27






El men que se encuentra en la opcin EXPONENTIAL SMOOTHING nos permite
realizar distintos tipos de alisados exponensiales, en funcin de las caractersticas
que presente la serie. El primero de ellos, Simgle, es el alisado exponencial

simple, par el que Eviews proporcuiona un monbre a la serie que recoger los
valores alisados SVENTASM, que podemos midificar si queremos, Asimismo nos
da la opcin de calcular automticamente los valores de los parmetros, en este
caso solo o , o bien podemos iuntroducir arbitrariamente un valor comprendido
entre 0 y 1.

Al permitir que el propio programa calcule automticanmente el valor de o que
minimice la suma al cuadrado de los residuos, calculados estos como la diferencia
entre la serie original y la serie alisada, obtenemos los siguientes resultados:










28


A continuacin se presenta un grfico de la serie original y la serie con alisado
exponencial simple..





Es importante destacar que las proyecciones recogidas en SVENTASM no reflejan
las variaciones estacionales, par obtener las proyecciones deseadas creamos
multiplicamos las proyecciones obtenidas por los factores estacionales obtenidos.








29



En este caso se estimaron los primeros 3 meses del ao 1999.

Relacin de la media mvil PROYECCION
SVENTASM FACTOR VENTAS
ENE 103,8316 1,0603 110,093
FEB 103,8316 0,8621 89,513
MAR 103,8316 0,9302 96,584



Eviews, en el men de EXPONENTIAL SMOOTHING, trae adicionalmente los
mtodos de alisado exponencial: El doble alisado de Brown o de alisado
exponencial lineal con parmetro nico y el alisado exponencial lineal con doble
parmetro o tcnica de Holt-Winters.

Ambos mtodos se utilizan para eliminar el sesgo en la prediccin de series de
tiempo con tendencia aproximadamente lineal.

El mtodo adecuado (simple, doble y el de Holt-Winters) ser aquel que minimice
la sumatoria del cuadrado de los residuales (Sum os Squared Residuals)


3. METODOLOGIA DEL FILTRO DE HODRICKPRESCOTT .

Hodrick y Prescott en 1980, propusieron un filtro que descompone la series de
tiempo macroeconmicas en un componente tendencial no estacionario
4
y un


4
El concepto de serie estacionaria se tratar en el captulo II



30
residuo cclico estacionario. De esta manera es posible utilizar el filtro para estimar
la tendencia estocstica de una serie, si existen evidencias de que no la describe
correctamente una tendencia determinstica

De acuerdo con este mtodo es preciso encontrar la serie Y*
t
(tendencia) que
minimice :
t
N
=

1
( Y
t
- Y
t
* )
2
+
t
N
=

2
( AY
t
- AY
t
* )
2
la serie Y
t
* equivale a la
variable potencial y es el parmetro de suavizacin, en una serie estacionaria la
tendencia es casi paralela al eje X. El filtro de Hodrick Prescott es quiz el
mtodo mas frecuentemente utilizado para determinar la tendencia de una serie
estacionaria, sin embargo ha sido sujeto a criticas diversas. Entre ellas destaca el
hecho de que la determinacin ex ante del parmetro de suavizacin esta sujeta a
la discrecionalidad del investigador, que los extremos de la serie de tendencias
estn deficientemente definidos y que induce un comportamiento cclico espurio
en los datos. Sin embargo el mtodo representa un patrn contra el cual pueden
compararse otros mtodos de estimacin para series estacionarias. Bello y Ruiz
5

(2005) adicionalmente sealan que el filtro de Hodrick y Prescott est diseado
para tratar problemas de largo plazo por lo que presenta comportamientos
inusuales y es susceptible de alteraciones en los valores extremos, lo que trae
como consecuencia que si esta herramienta se utiliza para anlisis de corto plazo,
se puede incurrir en apreciaciones incorrectas

Para estimar el filtro de HodrickPrescott con Eviews, teniendo la serie activa,
seleccionamos en el men secundario PROCS / HODRICKPRESCOTT FILTER





Con lo cual aparece el siguiente cuadro de dilogo:









5
Bello, Omar D. Y Alexander Ruiz. El filtro de Hodrick y Prescott y el anlisis de corto plazo.
Banco Central de Venezuela. 2005. mimeo.



31




Donde en la parte superior izquierda se registra el nombre deseado o el que
Eviews coloca por defecto, de la serie suavizada . y en lado inferior observamos el
valor del parmetro de suavizacin.



4. INDICADORES O MEDIDAS DE ERROR
Como se ha sealado el objetivo principal de las series de tiempo, es el de poder
realizar estimacines futuras de la serie. Para lo cual se requiere elegir un mtodo
que nos garantice exactitud
6
, entendiendose por tal, que tan bien puede reproducir
el mdelo de prediccin los datos que ya se conocen.

En los modelos de serires de tiempo, es posible utilizar un subconjunto de los
datos conocidos para pronosticar lo que queda de los datos conocidos,
posibilitndose el anlisis de la precisin de los pronsticos ms directamente.
Para el usuario de los pronsticos, la exactitud ms importante es el de la

6
Makridakis Spyros y Esteven C. Wheelwrigth. Mtodos de Pronsticos. Editorial Limusa. Mxico.
2004. P.68



32
prediccines futuras; que tan bien un modelo se ha ajustado a los datos histricos
disponibles es de poco o ningun valor. Las preguntas que ms frecuentemente se
hacen son:

1. qu precisin adicional se puede lograr enuna situacin dada mediante
el uso de una tcnica formal de prediccin? (Qu tan inexacto sern
loss pronsticos si se basan en un enfoque muy simple o ingenuo ms
que una tcnica estadsticamente mas refinada?).
2. Para una situacin dada, Qu tanto mejoramiento se puede obtener en
la exactitud de la spredicciones?(Qu tan cerca se puede llegar a logro
de los pronsticos perfectos?).
3. Si se comprende la oportunidad para lograr una mayor exactitud. En
una situacin dada, cmo puede ayudar tal conocimiento para
seleccionar la tcnica de prediccin ms apropiada?.

A continuacin se presentan algunos indicadores que miden la fiabilidad de las
predicciones, en alguna medida todos ellos tratan de medir cuan alejado estn los
valores proyectados de los valores reles o observados, por ende mientras menor
sean estos indicadores, mayor ser la confiabilidad de los pronsticos realizados.

Sean
t
X =Valor observado real para el perodo t

t
F =Pronstico para el perodo
( ) ~ =
t t t
F X e Trmino de error.

a. Error medio

n
e
ME
n
t
t
=
=
1



b. Error cuadratico medio

n
e
MSE
n
t
t
=
=
1
2




c. Desviacion absoluta de la media

n
e
MAD
n
t
t
=
=
1




33

d. Error porcentual

( )
100 *
t
t t
t
X
F X
PE

=


e. Error porcentual medio

n
PE
MAPE
n
T
t
t

=
=
1


f. Error porcentual absoluto medio

n
PE
MAPE
n
T
t
t

=
=
1































34
CAPITULO II
MODELOS AR, MA, ARMA, ARIMA y FUNCION DE
TRANSFERENCIA

Segn J os Otero
7
, una serie de tiempo o serie cronolgica, es una sucesin de
valores observados de una variable referidos a momentos o a periodos de tiempo
diferentes, generalmente regulares. La caracterstica distintiva entre una serie de
tiempo , en contraposicin a las observaciones de corte transversal, es que los
datos aparecen ordenados cronolgicamente.

Una serie de tiempo est conformada por las siguientes partes
8
:

Y =sistemtica +determinista +aleatoria

La variable Y se dice ser estocstica por que su valor en cada momento del
tiempo est en funcin de una parte conocida bastante predecible y de una parte
desconocida o impredecible. La parte conocida, a su vez, contiene dos elementos:
uno sistemtico que recoge patrones de comportamiento del fenmeno de inters
(como la estacionalidad) y otro determinista que recoge caractersticas
predeterminados de la serie. La parte puramente aleatoria est formada de
eventos no explcitamente considerados en el modelo o factores estocsticos
(tendencia estocstica)

En este captulo describiremos la metodologa para la estimacin de un tipo de
modelos estocsticos especialmente tiles para la prediccin de series de tiempo,
los modelos ARIMA (Autoregressive Integrated Moving Average) a travs de la
metodologa desarrollada por Box y J enkins
9
(1976) para tratar modelos lineales
univariantes. Los cuales estn conformados por dos componentes, la parte
autorregresiva, a fin de recoger la parte determinista del modelo, y la partes de
promedios mviles, que pretende reflejar el componente estocstico.
1.PROCESOS ESTOCASTICOS

Un proceso estocstico| |
t
X , para t =1,2,3,..., se define como una coleccin de
variables aleatorias,
t
X , ordenadas de acuerdo con el parmetro discreto , que en



7
Otero, J os M. Modelos Economtricos y Prediccin de Series Temporales.Editorial AC.
Espaa. 1989. p1.
8
Blanco Odio, Carlos M. Aspectos Conceptuales Sobre Series de Tiempo. Banco Central de
Venezuela. Mimeo,1997 p.6.
9
Box, George y Gwilym J enkis. Time Series Analysis, Forecasting and Control. San Francisco,
Calif. Holden Day. 1976.



35
nuestro contexto es el tiempo. En otras palabras se asume que cada valor
t
X X X ,..., ,
2 1
en la serie es extrado al azar de una distribucin de probabilidad.

2. CAMINATA ALEATORIA

El ejemplo mas simple de una serie de tiempo estocstica es el proceso de
caminata aleatoria o Random Walk
10
. En el proceso ms simple de caminata
aleatoria cada cambio sucesivo en
t
y es extrado en forma independiente de una
distribucin de probabilidad con media 0. Por tanto,
t
y est determinado por:

t t t
y y c + =
1


con ( ) 0 =
t
E c , ( )
2 2
o c =
t
E y ( ) 0 =
s t
E c c para t= s. Dicho proceso puede ser
representado por los lanzamientos sucesivos de una moneda, donde una cara
recibe un valor de +1 y una cruz recibe un valor de 1.

A menudo, la caminata aleatoria es comparada con la caminata de una persona
ebria. Al dejar el bar, el ebrio se mueve a una distancia aleatoria
t
u en el tiempo t
si el o ella contina caminando indefinidamente, se alejarn cada vez ms del bar.
Lo mismo se dice acerca del precio de las acciones. El precio de las accin hoy es
igual al precio de la accin ayer ms un shock o innovacin aleatoria
11


Consideremos el caso en el que se requiere un pronstico para un proceso de
caminata aleatoria. El pronstico est dado por:

( ) ( )
t t t t t t
y E y y y y E y = + = =
+ + + 1 1 1 1
,..., / c

3. ESTACIONARIEDAD

Cuando se comienza a desarrollar modelos para series de tiempo, se desea saber
si es posible suponer que el proceso estocstico subyacente que gener la series
es invariable con respecto al tiempo. Si las caractersticas del proceso estocstico
cambian con el tiempo; es decir, si el proceso no es estacionario, en general ser
difcil representar la serie de tiempo durante intervalos de tiempo pasados y
futuros con un modelo algebraico simple. Por el contrario, si el proceso estocstico
est fijo en el tiempo; es decir, si es estacionario, entonces podemos modelar el
proceso a travs de una ecuacin con coeficientes fijos que pueden estimarse a
partir de datos pasados.




10
Pindyck, Robert. Ob.Cit. p.515.
11
Gujarati, Damodar. Ob.Cit. p.702



36
En sentido amplio, se dice que un proceso estocstico es estacionario (o
dbilmente estacionario) si su media y su varianza son constantes en el tiempo y
si el valor de la covarianza entre dos perodos depende solamente de la distancia
o rezago entre dos perodos de tiempo y no del tiempo en el cual se ha calculado
la covarianza. En otras palabras, una serie es estacionaria cuando su distribucin
de probabilidad no depende del tiempo. Esto implica que a pesar de sus
oscilaciones la serie tiende a converger a un valor medio fijo, y su varianza es
constante.

Las series no estacionarias son aquellas cuya media o varianza cambian con el
tiempo. Cuando slo la media depende del tiempo se dice que existe tendencia
determinstica y cuando es la varianza la que depende del tiempo, se habla de
tendencia estocstica. Es de resaltar que la mayora de las series econmicas
encontradas en la prctica son no estacionarias. Un aspecto importante a
considerar con respecto a las series estacionarias, tiene que ver con la
innovaciones, lo que significa que mientras un shock tiene carcter transitorio en
series estacionarias, su efecto es permanente sobre fenmenos no estacionarios.

Grfico N 1 Grfico N 2














En el grfico N 1
12
se puede observar una serie no estacionaria, en el mismo se
puede
observar claramente una tendencia, lo que es indicativo de que la media no es
constante para toda la serie. En el grfico N 2 se muestra una serie de tiempo
estacionaria

La definicin de estacionariedad en sentido estricto implica que las caractersticas
del proceso estocstico no sufren alteracin al considerar tiempos histricos
diferentes


12
El ejemplo es tomado de Pulido, Antonio y Ana Mara Lpez. Ob.Cit. y el mismo consiste en una
serie de tiempo que abarca el periodo 1980-1998, con periodicidad mensual de un indicador de
renta salarial real para la economa espaola.



37
A continuacin se presenta un cuadro resumiendo las caractersticas principales
de una serie estacionaria y de una no estacionaria:

ESTACIONARIA NO ESTACIONARIA
Tiene una media constante y hay una
tendencia de la serie a volver hacia esta
media cuando se ha desviado de ella. Por
tanto tiende a fluctuar alrededor de la media
Tiene un comportamiento divagante, en el
sentido de que no se manatiene sobre un
valor medio a lo largo de su historia.
Tiene autocorrelaciones que decrecen
rapidamente al alejernos en el tiempo
Las autocorrelaciones tienden a uno para
cualquier retardo
Tiene varianza finita e independiente del
tiempo
La varianza depende del tiempo.
Tiene memoria limitada de su
comportamiento pasado. Por tanto los
efectos de un Shock aleatorio son slo
transitorios y van decreciendo (perdiendo
fuerza) en el tiempo.
El proceso tiene memoria ilimitada y, por
tanto, un shock aleatorio tendr efectos
permanentes en el proceso.



Muy pocas series econmicas de tiempo son estacionarias. Los motivos de la falta
de estacionariedad suelen ser:

a) Se presenta una tendencia.
b) La varianza no es una constante.
c) Hay variaciones estacionales.

La presencia de variaciones estacionales se traduce en una variabilidad de la
media del proceso, lo que es contrario a la hiptesis de estacionariedad.
Afortunadamente, es posible transformar muchas series econmicas de tiempo en
otras estacionarias, sometindolas a operaciones algebraicas.


4. RAICES UNITARIAS, OPERADOR DIFERENCIA Y ORDEN DE
INTEGRACION DE UNA SERIE DE TIEMPO

es importante destacar la asociacin existente entre la nocin de serie no
estacionaria y raz unitaria, para ello consideramos la siguiente representacin
autorregresiva de la serie X
t:

t t t
a X X + =
1
|
donde
t
a es un ruido blanco







38
utilizando el operador de retardo ( )
j t t
j
X X B

= obtenemos la siguiente
representacin:
t t t t
BX a X X | | = + =
1


t t t
a BX X = |

( )
t t
a X B = | 1

( )
t t
a X B = | donde ( ) ( ) B B | | = 1

( )
t t
a X B = | es la representacin general de un modelo autorregresivo de orden 1

Obsrvese que ( ) B | es un polinomio de grado 1, cuya raz viene dada por
|

1
= :
( )
|
| = = = B B
1
0 1

Ahora bien, un resultado terico establece que un modelo como el anterior es
dbilmente estacionario si toda raz de ( ) B | cumple con las siguiente condicin:

1 >
(la raz est fuera del circulo unitario)

-1 0
1



1 1
1
< > |
|

-1 0
1


El caso de mayor inters es cuando , esto es, cuando existe raz unitaria, y se
puede probar que cuando esto ocurre, la varianza de X
t
no es finita, en otras





39
palabras, la serie es no estacionaria. De all que la relacin fundamental que
siempre se ha de tener en cuenta es: EXISTENCIA DE RAICES UNITARIAS
EQUIVALE A NO ESTACIONARIEDAD

NO ESTACIONARIEDAD

EXISTENCIA DE
RAICES
UNITARIAS

CRECIMIENTO EXPLOSIVO


SI 1 = |

t t t
a X X + =
1
|

t t t
a X X + =
1
=caminata aleatoria
proceso integrado
no estacionario

Saber que existen races unitarias provee de la transformacin necesaria para
superar el problema de la no estacionariedad. Considerando nuevamente una
representacin autorregresiva para X
t
, si existe raz unitaria se tiene que:

t t t
a X X + =
1
:

t t t
a X X =
1


denotando
1
= A
t t t
X X X y sustituyendo en la ecuacin anterior, resulta:

t t
a X = A

La primera diferencia de X
t
es estacionaria, de forma que la no estacionariedad se
supera diferenciando la serie tantas veces como races unitarias posea.

En general, diremos que una serie X
t
es integrable de orden d, si debe ser
diferenciada d veces para alcanzar estacionariedad y se denota:

X
t
~I(d)








40
5. PRUEBA DE ESTACIONARIEDAD BASADA EN EL
CORRELOGRAMA

Una prueba sencilla de estacionariedad est basada en la denominada funcin de
autocorrelacin (ACF). La ACF al rezago k, denotada por
k
, se define como:

ianza
k rezago al arianza
k
k
var
. . . cov
0
= =

Puesto que la covarianza y la varianza estn medidas en las mismas unidades,
k

es un nmero sin unidad de medida, o puro. Se encuentra entre 1 y +1, igual que
cualquier coeficiente de correlacin, Si se grafica
k
frente a k, la grfica obtenida
se conoce como correlograma.

Para obtener el correlograma en Eviews, seleccionamos
VIEWS/CORRELOGRAM.

La ACF de las series estacionarias disminuye sensiblemente a medida que
aumenta el desfase temporal K (grfico N 3). Esto no suele ocurrir con las series
estacionarias (grfico N 4).

Grfico N 3





41
En el grfico N 3 se aprecia como la funcin de autocorrelacin decrece
rpidamente, ya para la observacin 2, esta funcin es cercana a cero, lo cual es
indicativo de una serie estacionaria.


En el caso de un proceso estocstico puramente aleatorio, su autocorrelacin en
cualquier rezago mayor que cero es cero.


Grfico N 4


En el grfico N 4 se aprecia que la ACF decrece exponencialmente y de forma
lenta, mientras que la funcin de autocorrelacin parcial presenta un valor
significativo en el retardo uno, con un coeficiente de autocorrelacin cercano a la
unidad (0,941). Este grfico puede considerarse como indicativo de la no
estacionariedad.

6. PRUEBA DE RAIZ UNITARIA SOBRE ESTACIONARIEDAD
PRUEBA DICKEY FULLER (ADF).

Dado el siguiente modelo autorregresivo de primer orden
13
:
t t t
u Y Y + =
1
donde
t
u
es el trmino de error estocstico que sigue los supuestos del modelo clsico,
tiene media cero, varianza constante y no esta autocorrelacionado. Un trmino de
error con tales propiedades es conocido tambin como trmino de error de ruido
blanco (White noise). Ahora bien si el coeficiente de
1 t
Y es igual a 1, surge lo que


13
Gujarati, Damodar. Ob.Cit. p.702



42
se conoce como el problema de raz unitaria es decir, una situacin de no
estacionariedad. Por consiguiente al realizar la regresin
t t t
u Y Y + =
1
y se
encuentra que 1 = , entonces se dice que la variable estocstica
t
Y tiene una raz
unitaria.

Si a la ecuacin anterior se le resta
1 t
Y podemos hallar una forma alternativa de
expresarla de muy frecuente utilizacin:

t t t t t
u Y Y Y Y + =
1 1 1


( )
t t t
u Y Y + = A
1
1

t t t
u Y Y + = A
1
o

donde ( ) 1 = o y A se el operador de primera diferencia
1
= A
t t
T Y . Si se
cumple la hiptesis nula de 0 = o el modelo se puede escribir de la siguiente
forma:
t t
u Y = A , lo cual nos indica que la primera diferencia de una serie de tiempo
de caminata aleatoria es una serie de tiempo estacionaria porque por supuestos,
t
u es puramente aleatoria.

Lo anterior supone que una serie de tiempo no estacionaria, se puede convertir en
estacionaria diferencindola. Ahora bien, si una serie de tiempo ha sido
diferenciada una vez y la serie diferenciada resulta estacionaria, se dice que la
serie original (caminata aleatoria) es integrada de orden 1, y se denota por I(1). En
forma similar, si la serie original debe ser diferenciada dos veces (es decir, debe
tomarse la primera diferencia de la primera diferencia) para hacerla estacionaria,
se dice que la serie original es integrada de orden dos, o I(2). En general, si una
serie de tiempo debe ser diferenciada d veces, esta se dice que esta es integrada
de orden d, o I(d). En su gran mayora las series de tiempo econmicas son
integrada de orden uno, o I(1).

Para saber si una serie es estacionaria o no, se debe determinar si es
estadsticamente igual a uno ( ) 1 :
0
= H , o si o

es estadsticamente igual a cero

( ) 0

:
0
= o H . Lamentablemente, los estadsticos t que se obtengan no siguen una
distribucin t de Student aun en muestras grandes.

Bajo la hiptesis nula de 1 = , el estadstico t calculado se conoce como el
estadstico t (tau), cuyos valores crticos han sido tabulados por Dickey-Fuller
14
,
por lo que a esta prueba se conoce como la prueba de Dickey-Fuller (DF).


14
A. Dickey y W.A. Fuller. Distribution of the Estimators for Autoregressive Time Series with a Unit
Root. J ournal of the American Statistical Association. Vol. 4 1979.



43
Posteriormente, las tablas con los valores crticos, fueron ampliadas por
Mackinnon.

Por razones tericas y prcticas, la prueba de Dickey-Fuller se aplica a
regresiones efectuadas en las siguientes formas:


t t t
u Y Y + = A
1
o

t t t
u Y Y + + = A
1 1
o |

t t t
u Y t Y + + + = A
1 2 1
o | |

Donde t es la variable tiempo o tendencia. En cada caso, la hiptesis nula es que
0 = o , es decir que hay una raz unitaria, o lo que es lo mismo, la variable
estocstica no es estacionaria.

Si el trmino de error
t
u est correlacionado, se modifica la ecuacin
t t t
u Y t Y + + + = A
1 2 1
o | | de la siguiente forma:


t
m
i
i t t t
u Y Y t Y + A + + + = A

=

1
1 1 2 1
o o | |

donde, por ejemplo, ( )
2 1 1
= A
t t t
Y Y Y , ( )
3 2 2
= A
t t t
Y Y Y , etc., es decir se utilizan
trminos en diferencia rezagados. El nmero de trminos en diferencia rezagados
que deben incluirse con frecuencia se determina empricamente, siendo la idea
incluir suficientes trminos, de tal manera que el termino de error
t
u sea
serialmente. Independiente (ruido blanco). La hiptesis nula es la misma, es decir
que existe una raz unitaria en
t
Y (o lo que es igual,
t
Y es no estacionaria). Esta
prueba se llama Dickey-Fuller aumentada (ADF)

En el paquete Eviews, se puede obtener fcilmente la prueba de Dickey-Fuller,
para tal fin seleccionamos VIEWS/UNIT ROOT TEST, con lo cual obtenemos el
siguiente cuadro:













44





Como se puede observar, en el cuadro se pueden identificar cuatro reas: en la
superior izquierda, identificamos que prueba se utilizar, la de Dickey-Fuller
aumentada o la de Phillips-Perron (que se tratar mas adelante). En la inferior
izquierda, indicamos si la prueba se va a realizar sobre la serie en niveles,
primeras diferencias o segundas diferencias de la serie original. En el rea
superior derecha, especificamos la forma funcional del modelo a regresar: con
intercepto solamente, con tendencia e intercepto, o finalmente, sin tendencia ni
intercepto. Para esta parte resulta bastante importante ver el grfico de la serie.
Finalmente, en el rea inferior derecho, indicamos el nmero de rezagos de la
variable en diferencias que se va a utilizar.

Por ejemplo, seleccionando:




Se obtiene el siguiente cuadro



45




El estadstico del test ADF (-2,749934) coincide con el estadstico t de la variable
dependiente retardada IRENTA(-1), incluida como regresor en la ecuacin
estimada.

La hiptesis nula ( :
0
H existe una raz unitaria) se acepta si el estadstico t es
menor que los valores crticos de Mackinnon. En este ejemplo, comprobamos que
la hiptesis nula se acepta a cualquiera de las de los tres niveles de significacin
presentados (1%, 5% y 10%), es decir, la serie IRENTA, presenta una raz
unitaria, es decir, no es estacionaria. Adicionalmente, podemos ver que tanto la
tendencia como el intercepto son significativos a un 5%.

Es importante destacar que un requisito para que esta prueba sea vlida, es que
el trmino de perturbacin sea un ruido blanco, por lo cual, se hace necesario ver
el correlograma de los residuales







46


Para que sea ruido blanco, los residuales no deben estar autocorrelecionados. En
el correlograma se puede observar que los primeros 6 coeficientes de correlacin
no son significativos, con lo cual podramos interpretar que el trmino de
perturbacin
t
u es un ruido blanco, por lo tanto la prueba del Dickey-Fuller es
vlida En el caso de que no fuera un ruido blanco, se realiza una nueva prueba de
Dickey-Fuller aumentada, incluyendo rezagos de la variable en diferencias.


A continuacin se presenta un cuadro con el tipo de cambio promedio para
Venezuela para el perodo 1996-2002. Se pide determinar si la serie es
estacionaria o no.
















CUADRO N 1
VENEZUELA - TIPO DE CAMBIO PROMEDIO
(millones de US$)
1996 1997 1998 1999 2000 2001 2002
ENERO 290,00 476,84 507,29 568,84 652,15 699,70 761,55
FEBRERO 290,00 474,40 514,64 577,10 658,51 702,58 884,21
MARZO 290,00 478,40 520,90 579,40 666,12 705,52 947,22
ABRIL 360,47 479,25 530,08 587,29 672,01 709,64 876,54
MAYO 468,89 483,27 537,05 595,63 679,53 714,39 965,48
JUNIO 471,25 485,63 542,00 602,13 680,55 716,69 1196,74
JULIO 470,75 491,25 557,39 610,56 685,21 722,00 1328,98
AGOSTO 474,20 495,90 570,19 615,22 688,89 730,82 1373,93
SEPTIEMBRE 476,12 496,79 584,42 624,48 690,08 742,94 1457,20
OCTUBRE 470,01 498,62 571,25 630,19 692,46 743,07 1452,32
NOVIEMBRE 471,57 499,93 569,25 634,15 695,31 744,73 1366,60
DICIEMBRE 474,73 502,80 566,19 643,35 698,34 751,91 1320,67
FUENTE: B.C.V.
EJERCICIO N 1



47
En primer lugar debemos observar el grfico de la serie:

Grfico N 5



En el grfico N 5, se observa que la serie de tiempo muestra una clara tendencia
ascendente, por lo que la media no puede ser constante, lo que evidencia que la
serie no es estacionaria en niveles.

En segundo lugar vemos el correlograma:

Grfico N 6
Correlograma TCP


Observando el correlograma, vemos como la funcin de autocorrelacin decrece

exponencialmente y de forma lenta, mientras que la funcin de autocorrelacin
parcial presenta un valor significativo en el retardo uno, con un coeficiente de



48

autocorrelacin cercano a uno (0,93). Este grfico puede considerarse como
indicativo de la no estacionariedad de la serie, es decir, presenta raz unitaria.


Para comprobar de forma ms exhaustiva esta caracterstica de la serie,
procedemos a aplicar la prueba de races unitarias. Seleccionando en el cuadro de
dilogo de aplicacin de la prueba ADF (datos en niveles, tendencia, intercepto y
tres rezagos). Eviews nos presenta los siguientes resultados:















49
GRAFICO N 7
CORRELOGRAMA DE
LOS RESIDUOS





El estadstico ADF (-3,4181) es menor que el valor crtico de Mackinnon a un 5%
de significacin, por lo que se acepta la hiptesis nula, es decir, la serie TCP
presenta raz unitaria, no es estacionaria.

A continuacin se presenta la prueba de Dickey-Fuller para la primera diferencia
del tipo de cambio promedio y el correlograma de los residuales:










50



7. PRUEBA DE PHILLIPS-PERRON (test PP)

Phillips y Perron
15
propusieron en 1988 un mtodo no paramtrico para controlar
la correlacin serial de orden elevado en una serie. La prueba de regresin
contenida en el test PP es el proceso autorregresivo de primer orden AR(1):

t t t
Y Y c | o + + = A
1


Mientras que la prueba ADF corrige la correlacin serial de orden elevado
aadiendo ms retardos del trmino diferenciado de la serie original en el lado
derecho de la ecuacin, el test PP realiza una correccin del estadstico t sobre el
coeficiente en la regresin AR(1) para considerar la correlacin serial en el trmino
c .

La distribucin asinttica del estadstico t del test PP es la misma que la del
estadstico t de la prueba ADF y se contrastan los resultados del test con los
valores crticos de Mackinnon. Igual que en la prueba ADF tenemos que
especificar si incluimos una constante, constante mas trmino de tendencia o nada
en la regresin, para el test PP adems hay que especificar el numero de perodos
de correlacin serial a incluir.






15
Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p.271



51























8. ESTACIONALIDAD

La estacionalidad
16
es un comportamiento cclico que se apoya en un calendario
comn. Un ejemplo de una serie de tiempo muy estacional sera la venta de
juguetes, la cual exhibe un punto mximo en la temporada de navidad.

A menudo los puntos mximos o mnimos estacionales pueden identificarse
fcilmente mediante la observacin directa de la serie, pero en el caso en que la
serie de tiempo flucta en forma considerable, stos no pueden distinguirse de las
otras fluctuaciones. La identificacin de la estacional es importante, debido a que
proporciona informacin acerca de la regularidad en la serie que puede ayudarnos
a hacer un mejor pronstico.

A travs de la funcin de correlacin podemos identificar la posible estacionalidad
de la serie. Si una serie de tiempo mensual presenta estacionalidad anual, los
datos individuales en la serie mostraran algn grado de correlacin con los datos
individuales correspondientes que se rezagan por 12 meses.



A continuacin observamos el correlograma de la serie IRENTA en primeras
diferencias (la cual es estacionaria). En el mismo se puede ver los coeficientes de

16
Pindyck. Robert y Daniel L. Rubinfeld. Ob.Cit. p.530



52
correlacin para las observaciones 12 y 24 son significativos, indicando una
estacionalidad anual

GRAFICO N 8






















Si la estacionalidad fuera semestral, por ejemplo, los coeficientes de correlacin
para las observaciones 6,12,18,24.... seran significativos.

9. MODELO AUTORREGRESIVO DE ORDEN p (AR(p))

Un modelo autorregresivo de orden p la observacin actual
t
Y es funcin del
promedio ponderado de observaciones pasadas que se remontan p periodos,
junto con una perturbacin estocstica en el perodo actual. Denotamos este
proceso como AR(p) y escribimos su ecuacin de la siguiente forma:

t p t p t t t t
Y Y Y Y Y c | | | | o + + + + + + =

...
3 3 2 2 1 1


donde o es una constante y
t
c es un ruido blanco.


Se debe recordar que con un modelo autorregresivo de orden p, se pretende
recoger la parte determinista de la serie de tiempo, es decir, las caractersticas




53
predeterminadas y propias de la misma. En la prctica habitual lo mas frecuente
es trabajar con modelos autorregresivos de orden bajo, AR(1) o AR(2).

Un AR(p) se caracteriza por el siguiente comportamiento: Una funcin de
correlacin
Con decaimiento exponencial o suave hacia cero y una funcin de autocorrelacin
parcial que se anula a partir del p-esimo rezago.

Por ejemplo en el correlograma del tipo de cambio promedio (grfico N 6),
observamos un posible AR(1) o AR(2)

En los modelos autorregresivos la estacionalidad se trata a travs de los modelos
SAR(s)

SAR(s) :
t s t t
Y Y c | | + + =
0


S =4 para datos trimestrales
S =12 para datos mensuales


10. MODELO DE PROMEDIO MOVIL DE ORDEN q (MA(q))

Este tipo de modelo establece que el valor actual de la serie es determinado por
movimientos no predecibles (aleatorios) de la misma en el pasado. Tales
fluctuaciones de carcter no determinstico son representadas a travs de
perturbaciones aleatorias del tipo ruido blanco.

Denotamos este modelo como MA(q) y escribimos su ecuacin como:


q t q t t t t t
Y

+ = c u c u c u c u c ...
3 3 2 2 1 1
blanco ruido
t
. = c

Se puede decir que un MA(q) es sencillamente una combinacin lineal de
trminos de error de ruido blanco.

con un modelo de promedio mvil de orden q, se pretende recoger la parte
puramente aleatoria de la serie de tiempo al igual que en los modelos
autorregresivos, los ordenes suelen ser pequeos.

Un modelo de promedio mvil de orden q se caracteriza por una funcin de
autocorrelacin que se anula a partir de q-esimo rezago y una funcin de

correlacin parcial con decaimiento exponencial o suave hacia cero.

En los modelos de promedio mvil la estacionalidad se trata a travs de los
modelos MAR(s)



54

MAR(s) :
s t t t
Y

+ + = uc c

S =4 para datos trimestrales
S =12 para datos mensuales


11. MODELO AUTORREGRESIVO DE PROMEDIO MOVIL
(ARMA(p,q))

La combinacin de los modelos anteriormente sealados, da a lugar lo que se
conoce como modelo autorregresivo de promedio mvil (ARMA), de gran poder
explicativo y que se aplica bsicamente a series de tiempo que no muestran
tendencia.

El caso mas simple y frecuente de orden (1,1), quedara definido como:

1 1 1 1
+ =
t t t t
Y Y c u c |



y en el caso mas general, un modelo ARMA(p,q) correspondera a la expresin:

q t q t t p t p t t
Y Y Y

+ + + = c u c u c | | ... ...
1 1 1 1


Resulta lgico pensar entonces que los modelos autorregresivos corresponden a
modelos ARMA(p,0) y los de promedios mviles a modelos ARMA(0,q).

Un modelo ARMA se caracteriza por que tanto la funcin de correlacin como la
de correlacin parcial decaen suavemente a cero..

12. MODELO AUTORREGRESIVO INTEGRADO DE PROMEDIO
MOVIL (ARMA(p,d,q))

Si se debe diferenciar una serie de tiempo d veces para hacerla estacionaria y
luego aplicar el modelo ARMA(p,q), se dice que la serie de tiempo original es
ARIMA(p,d,q), es decir una serie autorregresiva integrada de promedios mviles,
donde p denota el nmero de trminos autorregresivos, d el nmero de veces que
la serie debe ser diferenciada para hacerse estacionaria y q, el nmero de

trminos de promedio mvil.

En general, un modelo ARIMA(p,d,q) corresponder a la expresin
17
:

17
Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p.262



55

q t q t t p t
d
p t
d
t
d
Y Y Y

A + + A = A c u c u c | | ... ...
1 1 1 1


en la que se ha eliminado el trmino independiente, el cual frecuentemente es nulo
al trabajar con series en diferencias.

Otra forma de expresar el modelo es utilizando el operador de retardo B, el cual
aplicado al valor de una variable, desfasa esta en un perodo:

1
=
t t
Y BY
y aplicado en forma sucesivamente j veces, desfasa en j perodos:

j t t
j
Y Y B

=

Utilizando el operador de retardo, el modelo Arima puede expresarse de la
siguiente forma:

( )( ) ( )
t
q
q t
d
p
p
B B y B B B c u u | | = ... 1 1 ... 1
1



o en forma mas condensada:

( ) ( )
t q t
d
p
B Y B c u | = V


ejemplo de modelo ARIMA(1,1,1)
18


( )
t t
B Y B c u |
1
1
1
) ( = V

( )( )
t t
B Y B B c u | ) 1 ( 1 1
1 1
=

( )
1 1 2 1 1
) (

=
t t t t t t
Y Y Y Y c u c |





DECISIN SOBRE LOS ORDENES p Y q


18
Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p.263



56
Una gua
19
bastante aceptable para decidir sobre el orden de q y p en un modelo
ARIMA es observando las funciones de correlacin y correlacin parcial. Un
proceso autorregresivo se caracteriza por una funcin de autocorrelacin
decreciente (geomtricamente, con valores de igual signo, alternantes o incluso
ondulados) y una funcin de autocorrelacin parcial con uno o dos coeficientes
slo significativos segn que el modelo apropiado sea AR(1) o AR(2). Los modelos
MA() y MA(2) se caracterizan por un comportamiento similar a los procesos
autorregresivos pero cambiando las funciones, es decir, una funcin de
autocorrelacin parcial decreciente y una funcin de autocorrelacin con uno o dos
coeficientes slo significativos. Por ltimo un proceso ARMA(1,1) se caracteriza
por que ambas funciones de autocorrelacin muestran tendencias decrecientes
con todas las posibles combinaciones de cada tipo de decrecimiento
(geomtricamente, con o sin cambio de signos, y ello en cada una de las
funciones).




























13. METODOLOGA DE BOX - JENKIS


19
Pulido San Roman, Antonio y J ulin Prez Garca. Modelos Economtricos. Ediciones Pirmide
S.A.. Madrid. 2001. P.648
k

kk
|
ACF PACF
Ejemplo de un correlograma caracterstico
de un proceso AR(1)
k

kk
|
ACF PACF
Ejemplo de un correlograma caracterstico
de un proceso MA(1)
k

kk
|
ACF
PACF
Ejemplo de un correlograma caracterstico
de un proceso ARMA(1,1)



57
La metodologa de Box J enkis para la estimacin de un modelo ARIMA, est
conformado en forma general por cuatro etapas:

- Identificacin: Se apoya en dos instrumentos grficos que miden el grado
de correlacin serial en la serie de tiempo. Estas herramientas son: la
funcin de autocorrelacin (ACF) y la funcin de autocorrelacin parcial
(PACF). La idea central es cada modelo se asocia con un ACF y PACF
tericas.
- Estimacin: En esta etapa se obtienen estimaciones de los parmetros del
modelo elegido en la etapa de identificacin.
- Diagnstico-Chequeo: Se utilizan test estadsticos que permiten determinar
si el modelo es estadsticamente adecuado, es decir, si los residuos del
modelo son no correlacionados. Adems los test dan indicios de cmo
reformular en caso de ser necesario.
- Prediccin: Una de las caractersticas que hacen atractiva la utilizacin de
un modelo ARIMA, es su capacidad de prediccin. En muchos casos las
predicciones obtenidas por este mtodo son ms confiables que aquella
obtenidas de la elaboracin tradicional de modelos, particularmente para
predicciones a corto plazo.

En forma mas detallada, las etapas para construir un modelo ARIMA son
20
:

1. Recopilacin de los datos: Para aplicar esta tcnica se necesita un mnimo
de 20 datos o observaciones para series no estacionales y al menos 30-40
para series estacionales. Sin embargo, es conveniente de 50 o mas datos y
para el caso, muy frecuente, de series mensuales, es frecuente trabajar
entre seis y diez aos completos de informacin.
2. Representacin grfica de la serie: Para decidir sobre la estacionalidad de
la serie es de gran utilidad disponer de un grfico de la misma.
3. Transformacin previa de la serie: La transformacin logartmica es
necesaria en caso de heterocedasticidad. Sin embargo, es una
transformacin muy frecuente, incluso en series con dispersin
relativamente constantes en el tiempo. Una posibilidad prctica es ensayar
siempre con la serie original y en logaritmos y comparar resultados.
4. Estacionalidad: La observacin del grfico de la serie, conjuntamente con el
correlograma y la prueba de Dickey Fuller, nos indicar la estacionariedad
o no del modelo, Igualmente nos indicar si hay que aplicar diferencias o
no de la variable. Como se coment anteriormente, la mayora de las
variables econmicas son I(1), lo cual obliga a diferenciar una sola vez a la
variable, d=1.


5. Identificacin del modelo: El paso siguiente consiste en determinar el tipo
de modelo ms adecuado para la serie objeto de estudio, es decir, el orden
de los procesos autorregresivos y de promedios mviles de los

20
Ibd. P.285



58
componentes regular y estacional, (valores de p, q, P y Q). Tcnicamente,
esta decisin se tomar a partir de las funciones de autocorrelacin y
autocorrelacin parcial. Habitualmente se terminar eligiendo entre los
procesos mas simples: AR(1), AR(2), MA(1), MA(2) Y ARMA(1,1), tanto en
la parte regular como la estacional. En caso de duda pueden seleccionarse
varios modelos alternativos, que sern estimados y contrastados
posteriormente, para decidir el que se adoptar en definitiva.
6. Estimacin del modelo: Decidido el modelo, se procede a la estimacin del
mismo. El programa Eviews permite el calculo automtico del modelo
ARIMA.
7. Contraste de validez conjunta del modelo: Se utilizan diversos
procedimientos para valorar el modelo o modelos inicialmente
seleccionados: contraste de significacin de los parmetros, covarianza
entre estimadores, coeficientes de correlacin, etc.
8. Anlisis detallado de los residuales: Deber comprobarse un
comportamiento no sistemtico de los mismos, as como se debe analizar la
posible existencia de residuales especialmente significativos.
9. Seleccin del modelo definitivo: Con base en los resultados obtenidos en
las etapas precedentes, se deber escoger el modelo definitivo.
10. Prediccin: El modelo seleccionado servir como frmula inicial de
prediccin. Deber comprobarse la congruencia de las predicciones con los
valores ya conocidos y analizar a los errores que se vayan cometiendo. El
modelo podr reestimarse con la nueva informacin disponible o incluso
reiniciar todo el proceso en caso de resultados no satisfactorios.

Finalmente es importante mencionar y recalcar la importancia que tiene la
estacionariedad de la serie de tiempo despus de una o ms diferenciaciones para
la metodologa de Box J enkis. El objetivo de esta, es identificar y estimar un
modelo estadstico que pueda ser interpretado como generador de la informacin
muestral. Entonces, si este modelo estimado va a ser utilizado para prediccin, se
debe suponer que sus caractersticas son constantes a travs del tiempo y,
particularmente , en periodos de tiempo futuro. As la simple razn para requerir
informacin estacionaria es que cualquier modelo que sea inferido a partir de esta
informacin pueda ser interpretado como estacionario o estable, proporcionando,
por consiguiente, una base vlida para prediccin
21
.









21
Gujarati, Damodar. Ob.Cit. P. 721.



59
A continuacin se presenta una serie de tiempo para los precios reales de la
cesta petrolera venezolana para el periodo enero 1980 mayo 2001
22
.


Precio Petroleo de la cesta venezolana
en trminos reales de los precios IPC de los EE.UU.
USD de 1984
(USD/B)
1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991
ENERO 33,12 36,80 30,85 26,63 26,74 25,02 21,98 14,69 12,08 12,74 14,69 15,43
FEBRERO 32,79 36,89 29,58 26,51 26,15 24,74 16,18 13,81 11,35 12,06 13,19 11,98
MARZO 32,21 35,23 27,64 24,84 25,62 25,26 12,33 14,43 10,70 12,99 12,30 12,52
ABRIL 29,51 33,88 27,64 24,07 25,75 24,48 11,17 14,37 12,19 15,65 11,44 10,96
MAYO 30,13 33,61 28,63 25,15 25,89 24,25 10,96 15,08 12,48 15,17 11,50 11,57
JUNIO 31,23 31,71 28,75 24,62 25,98 25,03 10,60 14,22 12,32 13,81 11,18 10,79
JULIO 31,77 30,21 28,34 25,13 25,59 23,88 8,97 15,88 12,30 12,74 11,56 10,96
AGOSTO 31,45 30,65 27,92 25,61 25,57 22,90 10,07 15,25 11,67 11,91 18,28 11,54
SEPTIEMBRE 30,83 30,70 27,78 26,11 25,75 23,50 10,89 14,23 11,37 13,48 21,17 10,16
OCTUBRE 31,88 30,76 28,44 25,74 25,60 23,80 10,10 14,58 10,08 13,18 20,76 13,34
NOVIEMBRE 33,18 30,75 28,51 26,30 25,11 23,51 11,07 14,41 10,40 13,31 19,75 12,05
DICIEMBRE 34,25 31,19 28,15 25,35 24,70 23,10 11,03 11,59 10,46 15,92 17,32 11,59
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 9,12 10,13 7,77 9,43 9,84 13,56 8,63 5,61 13,99 13,24
FEBRERO 9,05 10,15 8,13 9,34 10,26 11,99 7,52 5,12 15,20 12,78
MARZO 8,70 10,52 7,78 9,72 11,33 10,99 7,05 6,67 15,48 11,47
ABRIL 10,50 10,40 8,81 11,04 11,96 10,20 7,42 8,24 12,86 12,60
MAYO 11,06 10,36 9,16 10,98 11,44 10,59 7,06 8,30 14,82 13,06
JUNIO 11,78 9,23 10,24 9,76 10,09 9,73 5,96 8,58 16,18
JULIO 11,51 8,38 9,78 9,17 10,98 9,72 6,08 10,20 15,21
AGOSTO 11,39 5,71 9,52 9,46 11,20 10,04 6,06 10,69 15,93
SEPTIEMBRE 12,00 9,56 8,32 9,38 12,53 10,80 7,03 12,10 17,27
OCTUBRE 11,50 9,46 8,66 8,39 13,61 10,24 6,70 12,04 16,90
NOVIEMBRE 10,99 8,37 9,29 9,30 12,60 10,12 5,77 13,37 17,00
DICIEMBRE 9,81 6,26 9,14 10,89 13,33 9,31 4,90 13,53 13,33




Se requiere mediante la estimacin de un modelo ARIMA, realizar la estimacin
para el precio del petrleo para los prximos 6 meses.





Solucin:


22
Ejercicio tomado de los apuntes de clase de la ctedra de Econometra II, de la Maestra en
Teora y Poltica Econmica de la Universidad Central de Venezuela. Febrero 2002.
EJERCICIO N 2



60
Inicialmente se realizar el estudio de la estacionariedad de la serie con los
valores expresados en logaritmos de tal manera que se pueda eliminar de cierta

forma cualquier posible problema de heterocedasticidad que pueda presentar la
serie, y en cierta medida que esta sea estacionaria en la varianza.

Seguidamente se presentan: le grfico en niveles de la serie, el correlograma del
mismo y los test de Dickey-Fuller y Phillips-Perron



En el grfico se observa que la serie no tiene una media constante al mostrar una
clara tendencia negativa, lo cual indica la no estacionariedad de la serie en
niveles.



En el correlograma se puede observar como la funcin d autocorrelacin (ACF)
decrece exponencialmente y de forma lenta, mientras que la funcin de
autocorrelacin parcial presenta un valor significativo en el retardo uno, con un



61
coeficiente de autocorrelacin cercano a uno (0,971). Este correlograma reafirma
la hiptesis de no estacionariedad de la serie.







Finalmente tanto el test de Dickey-Fuller como el de Phillips-Perron llevan a
aceptar la hiptesis nula de la existencia de raz unitaria en la serie. En conclusin,
la serie en niveles no es estacionaria




62
A continuacin se realizan las mismas pruebas para la serie en primera diferencia
1
= A
t t
PRECIOS PRECIOS PRECIOS



El grafico muestra como la media de la serie es constante, lo cual es indicativo de
que la serie es estacionaria





En el correlograma se observa como la funcin de autocorrelacin no es
significativo para ningn rezago, lo cual es indicativo de una serie estacionaria.





63




En el test de Dickey-Fuller se acepta la hiptesis alterna de la no existencia de raz
unitaria en la serie, es decir, la serie en primera diferencia es estacionaria. Es
importante resaltar, que se ha comprobado a travs del Correlograma de los
residuos, que estos sean un ruido blanco con el fin de validar los resultados del
test





64
.

El test de Phillips-Perron reafirma los resultados del test de Dickey-Fuller

Como se mencion anteriormente la serie LPRECIOS no es estacionaria en
niveles, por lo que es necesario trabajar con la serie en primera diferencia
(
1
= A
t t
PRECIOS PRECIOS PRECIOS ). Ahora es necesario analizar las funciones
de Autocorrelacin y Autocorrelacin parcial de DLPRECIOS con el propsito de
construir el modelo ARIMA que mejor explique su comportamiento. Para
determinar el orden ptimo de p y q se utilizar la aproximacin de Box-J enkis,
es decir, se estudiar la Funcin de Autocorrelacin, (cuyo estudio permite
encontrar el nivel de q ptimo) y la Funcin de Autocorrelacin Parcial (que
permite encontrar el nivel de p optimo), A continuacin se muestra el
correlograma











65




Como puede observarse en el correlograma ni la ACF Ni la PACF muestran un
comportamiento sistemtico, lo que si puede observarse claramente es que ambas
funciones se mueven en el mismo sentido, lo que puede indicar que el orden de
p y q son iguales.

De forma que el procedimiento de determinacin de p y q ptimos ser por
tanteo y de esta forma encontrar la especificacin que mejor se ajuste al
comportamiento de la serie.

Inicialmente estimaremos un modelo ARIMA (1,1,1)















66





Como se puede observar en los resultados obtenidos, los coeficientes son
individualmente significativos y los residuales son ruido blanco, lo que es indicativo
del buen ajuste del modelo, no obstante los valores de las races invertidas son
muy cercanos a uno
23
. Por lo que se desecha el modelo.







23
Es importante chequear la estacionariedad e invertibilidad del modelo ARIMA. La invertibilidad
define la capacidad de un modelo para representar adecuadamente el corto plazo, esto es, un
modelo invertible es aquel en el cual el valor corriente de la serie X
t
es fundamentalmente
determinado por el pasado mas reciente. Verificar la estacionariedad e invertibilidad, se lleva a
cabo mediante los polinomios ( ) B | y ( ) B u de la siguiente manera:
1) un modelo AR(p) es estacionario si la races del polinomio ( ) B | estn fuera del circuito
unitario, esto es, si es raz de ( ) B | debe cumplirse que 1 > lo que equivale que su raz
invertida sea menor que 1, 1 1
1
< > = |
|

2) un modelo MA(q) es invertible si la races del polinomio ( ) B u estn fuera del circuito unitario,
esto es, si es raz de ( ) B u debe cumplirse que , 1 > lo que equivale que su raz invertida
sea menor que 1, 1 1
1
< > = u
u

3) Un modelo ARMA(p,q) ser estacionario e invertible si las races de los polinomios
( ) B | y ( ) B u se encuentran fuera del circulo unitario.



67



A continuacin se procede a estimar un modelo ARIMA (2,1,2)





68

En el modelo resultante se puede ver que los coeficientes son individualmente
significativos
24
y las races invertidas son menores que uno (0,50 y 0,48). Igualmente
los valores de los criterios de Akaike y Schwarz son menores que en modelo ARIMA
(1,1,1). Finalmente se comprob a trabes del correlograma que los residuos son ruido
blanco.

Otra forma de chequear si los residuales son ruido blanco es utilizando el Serial
Correlation LM test



el cual determina la presencia o no de correlacin serial en el modelo a travs de la
estimacin de un modelo en el cual los residuales estn en funcin de las variables
explicativas del modelo original y de sus valores rezagados.





24
Tanto en el modelo ARMA(1,1,1) como en el ARMA(2,1,2), el intercepto no result significativo, motivo
por el cual se omiti en las salidas finales.

69
Como se puede observar ninguno de los coeficientes de los rezagos de los residuales
son significativos lo que indica la no autocorrelacin del modelo, por lo que se puede
afirmar que los residuales son ruido blanco.

Finalmente realizamos una estimacin con el modelo ARIMA (2,1,2) de los valores de
la serie para comprobar la calidad del ajuste. Para tal fin sealamos FORECAST en el
men secundario de Eviews, y seleccionamos la estimacin esttica.



Eviews proceder a realizar la estimacin de la variable que le indiquemos y la
almacenar en una variable creada por defecto para tal propsito, la cual tiene el
mismo nombre de la variable a estimar pero con la letra F al final de la misma.





70
Graficando las dos variables, la real, LPRECIOS, y la estimada LPRECIOSF, podemos
apreciar la calidad del ajuste de nuestro modelo ARIMA (2,1,2).



Finalmente, despus de aceptar el modelo ARIMA (2,1,2) como nuestro modelo
ptimo, procedemos a estimar los valores proyectados para los prximos 7 meses.
Antes de proceder a la estimacin es necesario cambiar los parmetros del rango y
sample de la serie para que estos incluyan el perodo a proyectar.




71
pulsando dos veces el botn derecho del ratn de la computadora sobre el rango, y
posteriormente en el sample, en la pantalla, aparecer los siguientes cuadros, donde
se definir los nuevos parmetros.








ya realizado el cambio en el rango y el sample, procedemos a realizar una estimacin
dinmica del modelo, igual que en el caso anterior sealamos en el men secundario
FORECAST e indicamos las caractersticas de la estimacin








72




y obtenemos los valores proyectados deseados





73


A continuacin se presenta datos para el indicador de valor de la industria
manufacturera
25
privada para el perodo enero 1992 mayo 2001



CUADRO N 2
INDUSTRIA MANUFACTURERA PRIVADA
NDICE DE VALOR DE LA PRODUCCIN
(BASE 1997=100)


1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 9,14 11,70 14,95 26,22 43,56 74,84 105,42 98,77 104,81 133,84
FEBRERO 10,83 13,59 17,29 30,06 52,26 81,93 117,13 113,21 131,36 145,18
MARZO 11,66 16,01 19,47 37,48 62,94 85,81 137,49 123,78 146,06 170,76
ABRIL 10,86 12,66 19,36 30,92 59,08 99,09 122,83 111,43 121,98 143,29
MAYO 12,10 14,43 22,11 40,30 72,53 97,36 125,06 118,93 147,96 170,00
JUNIO 12,63 13,80 22,55 39,79 71,69 99,18 121,26 119,50 144,44
JULIO 12,48 14,70 20,76 37,55 81,40 107,32 114,27 122,79 138,10
AGOSTO 12,50 16,19 23,63 42,51 80,94 106,24 117,59 127,32 154,03
SEPTIEMBRE 12,84 17,14 24,45 40,61 84,89 111,73 121,19 130,77 151,35
OCTUBRE 13,28 16,80 25,45 39,73 83,12 120,11 124,18 127,00 155,85
NOVIEMBRE 13,76 18,01 28,88 44,78 84,68 116,24 130,04 139,07 171,28
DICIEMBRE 11,10 14,75 24,59 37,05 67,17 100,13 100,32 112,28 140,54









25
Ejercicio tomado de: Benzaquen S. Moises y Manuel Delgado. Evaluacin del Comportamiento
Actual y Modelizacin del Comportamiento Futuro del Sector Manufacturero Privado Venezolano a
Travs del Indice Valor perodo( 1992-2000. Trabajo Especial de Grado para optar al Ttulo de
Economista (01-08-N). Universidad Santa Mara. Caracas. 2001
EJERCICIO N 3

74
Como primer paso, se presenta el grfico de la variable en estudio para determinar si
es estacionaria o no. Una variable estacionaria en su media no muestra tendencia ya
que por definicin su media es constante



GRAFICO N 9
ESTUDIO DE LA VARIABLE
EN NIVELES



En el grfico se ve claramente que la media no es constante, presenta una clara
tendencia, lo que seala la no estacionariedad en la varianza del modelo.

La variable se ha expresado en logaritmo para que la serie sea estacionaria en su
varianza.

Como segundo paso, se realiza el anlisis del correlograma. La condicin de
estacionariedad se caracteriza por una cada rpida en la autocorrelacin.











GRAFICO N 10

75
CORRELOGRAMA DE LA VARIABLE EN NIVELES





Se puede observar que la autocorrelacin desciende muy lentamente, lo que seala la
no estacionariedad en la media de la variable.

los estudios anteriores determinan que la variable en niveles no es estacionaria, por lo
tanto a continuacin se analiza con la misma metodologa la primera diferencia del
logaritmo de la variable.

Grfico N 11
ESTUDIO DE LA VARIABLE EN
PRIMERA DIFERENCIA




El grfico muestra medida y varianza constante, lo que indica que la variable es
dbilmente estacionaria.

76


Grfico N 12
CORRELOGRAMA DE LA VARIABLE
EN PRIMERA DIFERENCIA



La autocorrelacin desciende rpidamente, lo que indica o refuerza la estacionariedad
de la variable.

Adicionalmente se aprecia que el coeficiente de autocorrelacin es significativo para la
primera observacin lo que es indicativo de un modelo de medias mviles de orden 1,
MA(1). Igualmente en el coeficiente de correlacin parcial es significativo para las dos
primeras observaciones, lo que es representativo de un modelo auto regresivo de
orden 2, AR(2). Tambin es importante destacar que el correlograma indica un
comportamiento estacional aleatorio indicado por la significancia de las observaciones
12, 24. Motivo por el cual en el modelo a estimar incluir un proceso ARMA estacional
que defina retardos de 12 perodos.

Finalmente para reforzar el anlisis anterior se plantea el Test de Dickey Fuller
ampliado.






77



TEST DE DICKEY FULLER
PARA LA VARIABLE EN PRIMERA DIFERENCIA
Condiciones, no intercepto, no tendencia y cero rezagos


Donde IVAL97 =Indice de la produccin manufacturera

-13,03642 <-2.5643: por lo que se acepta la hiptesis alternativa de que no hay
existencia de raz unitaria, debido a que la variable es dbilmente estacionaria.

El test para que sea vlido, los residuos tienen que ser un ruido blanco, es decir, con
( ) 0 =
T
E c y varianza =o
2








78
Grfico N 13
CORRELOGRAMA DE LOS RESIDUOS
























Observando el correlograma de los residuos vemos que las tres primeras
autocorrelaciones no son significativas, indicando que los residuos son ruido blanco
por lo tanto el test de Dickey Fuller es vlido.

Acorde con el anlisis efectuado se puede decir que la variable es integrada de
orden 1, lo que significa que hay que diferenciarla una vez para que sea estacionaria;
por lo tanto el modelo ARIMA a estimar se basar en la variable en primera diferencia.

Es importante destacar que en el correlograma sigue apareciendo el comportamiento
estacional para las observaciones 12 y 24.

PLANTEAMIENTO DE LA ECUACIN DEL MODELO ARIMA

En concordancia con los resultados obtenidos, el modelo a estima est definido
por la ecuacin:

( ) ( ) ( ) ( )
t t
a B B IVAL B B
12 12 12
2 2
97 u u | | = VV


Cuadro N 3

79
ESTIMACIN DEL MODELO ARIMA


























Donde IVAL97 =Indice de la produccin manufacturera.


Anlisis de los Resultados

- Los parmetros son individualmente significativos a un 5% de significancia.

- La raz invertida del modelo autorregresivo es menor a uno.
( ) ( ) 1 42 , 0 27 , 0 87 , 0
2 2
< = + , lo que seala la estacionariedad del modelo.

- La raz invertida del modelo de promedios mviles es menor que uno 1 83 , 0 <
lo que indica la invertibilidad del modelo, es decir, tiene capacidad de prediccin en
el corto plazo

- Realizando la estimacin de la variable a travs del modelo ARIMA planteado
para el periodo en estudio se puede ver que el modelo se presta bastante bien a la



80
- serie en estudio; de manera especial en las ultimas observaciones, lo que
refuerza la idea de la capacidad predictiva del modelo planeado.

GRAFICO N 14
ESTIMACIN DEL NDICE DE VALOR DE LA
INDUSTRIA MANUFACTURERA A
TRAVS DEL MODELO ARIMA
(Millones de Bolvares)




En el grfico se tiene la estimacin de la data histrica del indicador de valor de la
produccin a travs del modelo especificado.










Grfico N 15
PROYECCIN DEL NDICEDE VALOR DE LA

81
INDUSTRIA MANUFACTURERA A
TRAVS DEL MODELO ARIMA
(Millones de Bolvares)







En el grfico se muestra conjuntamente la data histrica real estimada para
poder apreciar el ajuste que obtiene o a travs del modelo. Se puede observar que los
valores estimados se ajustan bastante bien a la data real, sobre todo en las ltimas
observaciones lo que refuerza la capacidad de la proyeccin del modelo.








Grfico N 16
CORRELOGRAMA RESIDUOS MODELO ARIMA

82
























El correlograma de los residuos para el modelo obtenido, se aprecia que los
residuos son ruido blanco lo cual indica que el modelo est bien planteado.

Anlisis del Modelo

Dado los elementos sealados, aceptamos el modelo ARIMA obtenido como
adecuado para realizar proyecciones de la variable en estudio.

Ecuacin resultante:

) ) 83 , 0 ( 1 ( 975 25 , 0 974 15 , 0 967 14 , 0 97 ) 35 , 0 ( 1 )( ) 36 , 0 ( ) 07 , 1 ( 1 (
12 2
B D D D DLIVAL B B B + = + +


Desarrollando:

a B D D D DLIVAL B B B ) 83 , 0 1 ( 975 25 , 0 974 15 , 0 967 14 , 0 97 ) 35 , 0 1 )( 36 , 0 07 , 1 1 (
12 2
= + + + + +

Quedando la ecuacin final:





83
) 1 ( 83 , 0 975 25 , 0
974 15 , 0 967 14 , 0 ) 14 ( 97 35 , 0 * 36 , 0 ) 13 ( 97 35 , 0 * 07 , 1
) 12 ( 97 35 , 0 ) 2 ( 97 36 , 0 ) 1 ( 97 07 , 1 97
+ +

=
a a D
D D DLIVAL DLIVAL
DLIVAL DLIVAL DLIVAL DLIVAL


Cuadro N 7
PROYECCIONES DEL NDICE DE
VALOR DE LA PRODUCCIN
AO MES IVAL97
2001 junio 169,84
2001 julio 162,96
2001 agosto 180,49


donde IVAL97 =ndice de valor de la produccin manufacturera

En el cuadro N 7 se tienen los valores proyectados del ndice de valor de la
produccin manufacturera del sector privado a travs del modelo ARIMA estimado.

14. MODELOS DE FUNCION DE TRANSFERENCIA (MARMA)

Un modelo de funcin de transferencia o modelo de promedio autorregresivo mvil
autovariado (MARMA) es aquel que relaciona una variable dependiente con valores
rezagados de si misma,, valores actuales y rezagados de una o ms variables
explicativas y un trmino de error que es explicado en forma parcial por un modelo de
series de tiempo
26
. Por ejemplo para una sola variable explicativa, la especificacin de
un modelo MARMA puede ser:

t k t k t t t t
u X X X X Y + + + + + =

| | | | ...
2 2 1 1 0


donde

q t q t t p t p t t
u u u

+ + + + + + = c u c u c | | ... ...
1 1 1 1





26
Pindyck, Robert. Ob.Cit. p.618

84
La utilidad que presenta un modelo de funcin de transferencia, es que proporciona
mejore pronsticos que un modelo de regresin mnimo cuadrtica solo o una serie de
tiempo sola dado que incluye tanto una explicacin estructural (econmica) de esa
parte de la varianza de la variable dependiente que puede explicarse desde el punto
de vista estructural como una explicacin de series de tiempo de esa parte de la
varianza de la variable dependiente que no puede explicarse estructuralmente.

El cuadro siguiente presenta un ejemplo de un modelo de funcin de transferencia
27
o
modelo de promedio autorregresivo mvil autovariado (MARMA).en el cual
relacionamos el Indice de precios al consumo (IPC) para un pas hipottico y el ndice
de precios al consumo de bienes no alimenticios (IPCNA)





t
u IPCNA DLOG IPC DLOG + = ) 12 , 2 , ( 86229 , 0 ) 12 , 2 , (


con

1 12
989948 , 0 530094 , 0

+ =
t t t t
u u c c




27
Tomado de Pulido Antonio y Ana Mara Lpez. Ob.Cit. p.365

85
CAPITULO III
MODELO DE VECTORES AUTORREGRESIVOS (VAR)

Los modelos de vectores autorregresivos
28
(VAR) fueron originalmente
propuestos como alternativa a la modelizacin economtrica convencional. El objetivo
fundamental de la propuesta era proporcionar una estrategia de modelizacin
alternativa a los modelos economtricos convencionales. Esta nueva modelizacin
evitara las imposiciones derivadas de la estimacin e identificacin de un modelo
economtrico, y permitira especificar modelos que reflejaran lo ms fielmente posible
las regularidades empricas
29
e interacciones entre las variables objetos de anlisis.

En forma aproximada, podramos considerar los modelos VAR como un hbrido entre
los modelos AR, pues en su modelizacin interviene la variable endgena retardada,
las funciones de transferencia y los modelos de ecuaciones simultaneas, dado que se
incorporan variables explicativas que a su vez son endgenas de otra ecuacin. Por lo
que, en definitiva, no especificamos un modelo uniecuacional, como los modelos
ARMA, sino, que, al menos, se especifican dos ecuaciones.

El enfoque VAR soluciona la necesidad de la especificacin estructural de los modelos
mediante la modelizacin de cada variable endgena en el sistema de ecuaciones
como funcin de los valores retardados de todas las variables endgenas del sistema.
La expresin matemtica de un modelo VAR es:

t t p t p t t t
x y y y y c | o o o + + + + + =

...
2 2 1 1


donde y
t
es un vector de g variables endgenas, x
t
es un vector de k variables
explicativas,
p
o o ...,
1
y | son matrices de coeficientes a estimar, y
t
c es un vector de
innovaciones que puede estar correlacionado contemporneamente con los dems,
pero nunca correlacionado con las variables ubicadas a la derecha de la ecuacin.

Dado que en la parte derecha de cada ecuacin slo aparecen valores retardados de
las variables endgenas, no hay problema de simulteanidad
30
, y el mtodo de
estimacin del modelo puede ser el de mnimos cuadrados ordinarios. La cuestin

28
Captulo tomado de: Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p375
29
Los modelos VAR centra su inters en la capacidad predictiva del modelo, sacrificando la base terica
del mismo.
30
La Simulteanidad o interdependencia es un problema que sucede en los sistemas de ecuaciones
simultaneas cuando existe relaciones de causalidad de doble sentido entre las ecuaciones del modelo.
Es decir
j i
y y , indicando por la flecha de doble direccin el sentido de causalidad de
i
y a
j
y , y
viceversa. Como es el caso del siguiente modelo:
t t t t
x y y
1 1 2 2 1 0 1
c o o o + + + =
t t t t
x y y
2 2 2 1 1 0 2
c | | | + + + =
donde existe relacin causal simultanea de la forma:
j i
y y

86

relativa a que las perturbaciones puedan estar serialmente correlacionadas, no es una
condicin restrictiva, porque en principio, cualquier correlacin serial puede ser
absorbida aadiendo mas retardos de las variables endgenas

El vector autorregresivo (VAR) se utiliza normalmente para plantear sistemas de
prediccin de series de tiempo interrelacionadas y para analizar el impacto dinmico
de posibles perturbaciones (shocs) aleatorias en el sistema de variables

De esta forma los modelos de vectores autorregresivos proporcionan una tcnica de
prediccin para series de tiempo interrelacionadas. Suelen utilizarse para analizar el
impacto dinmico de diferentes tipos de perturbaciones aleatorias y control sobre el
sistema de ecuaciones. Precisamente, una de las motivaciones fundamentales de la
aplicacin de modelos VAR reside en el estudio de las interacciones dinmicas
estimadas en el modelo. Estas implicaciones dependern de la estructura de de
correlaciones contemporneas reflejadas en la matriz de varianzas-covarianzas de las
perturbaciones.

Un ejemplo de un modelo VAR sencillo es:

t t t t
IMGS EXGS EXGS
, 1 1 2 1 1
c o o + + =


t t t t
EXGS IMGS IMGS
, 2 1 2 1 1
c | | + + =



donde se supone que la exportacin totales de bienes y servicios (EXGS) y las
importaciones totales de bienes y servicios (IMGS) estn determinadas conjuntamente
por un modelo VAR de dos ecuaciones.

En este modelo un cambio en
t , 1
c modificar inmediatamente el valor presente de
EXGS, pero tambin puede modificar valores futuros de EXGS y IMGS al incluir el
valor retardado de EXGS en ambas ecuaciones.

Si, en este ejemplo, las innovaciones
t , 1
c y
t , 2
c no estn correlacionadas, la
interpretacin es sencilla, pues
t , 1
c sera la innovacin para EXGS y
t , 2
c , la innovacin
para IMGS. La funcin de impulso-respuesta
31
para
t , 2
c mide el efecto de una
variacin en los errores sobre los valores actuales y futuro de las importaciones y el
valor futuro de las exportaciones.



Sin embargo, normalmente, los vectores de innovaciones estn correlacionados, en
forma que presentan un componente comn que no puede ser asociado a ninguna


31
La funcin de impulsos-respuesta muestra la respuesta (reaccin) de las variables endgenas en el
sistema ante cambio en los errores.

87
variable especfica. Un procedimiento arbitrario, pero de uso generalizado, para
resolver este problema consiste en atribuir todo el efecto de cualquier componente
comn a la variable que se especifica en primer lugar en el modelo VAR. En el
ejemplo, el componente comn de
t , 1
c y
t , 2
c se atribuye totalmente a
t , 1
c , porque
t , 1
c
precede a
t , 2
c . De esta forma,
t , 1
c es la innovacin de las exportaciones y
t , 2
c , la
innovaciones de la importaciones, se transforman para sustraer el componente comn.

Gujarati
32
plantea algunos problemas en la elaboracin de un modelo VAR, algunos de
ellos son:

1. Un modelo VAR a diferencia de un modelo de ecuaciones simultaneas es a-
terico dado que centra su inters en la capacidad predictiva, y no en la base
terica del modelo.
2. Debido a su nfasis en la prediccin, los modelo VAR son menos apropiados
para el anlisis de polticas.
3. Es importante la seleccin de la longitud de los rezagos. Por ejemplo si se tiene
un modelo VAR de tres variables y se decide incluir ocho rezagos de cada
variable e cada ecuacin. Se tendrn 24 parmetros rezagados en cada
ecuacin mas el trmino constante, para un total de 25 parmetros. A menos
que el tamao de la muestra sea grande, la estimacin de tantos parmetros
consumir muchos grados de libertad, con todos los problemas que ello
contrae.
4. Estrictamente hablando, en un modelo VAR de m variables, todas las m
variables deben ser estacionarias (en forma conjunta). Si este no es el caso, se
tendr que transformar la informacin en forma apropiada (por ejemplo,
mediante diferenciacin).
5. Puesto que los coeficientes individuales estimados en los modelos VAR son,
con frecuencia, difciles de interpretar, los practicantes de esta tcnica
usualmente centran su estudio en el anlisis de la funcin de impulso-
respuesta, anlisis que ha sido muy cuestionado por los investigadores.


EJERCICIO N 4

A continuacin se estimar un modelo VAR
33
de dos ecuaciones en el que el tipo de
inters y el ndice de precios al consumo estn determinados conjuntamente.
Especficamente, las variables IPC (ndice de precios al consumidor) y TIC (tipo de
inters) estn determinadas por los valores retardados de IPC y TIC, donde se han


elegido, para empezar dos retardos para cada variable, y por errores denominados
1
e y
2
e
1 2 4 1 3 2 2 1 1 0
e TIC TIC IPC IPC IPC
T t t t t
+ + + + + =

o o o o o

32
Gujarati, Damodar. Ob.Cit. p.730
33
Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p378

88

2 2 4 1 3 2 2 1 1 0
e IPC IPC TIC TIC TIC
t t t t t
+ + + + + =

| | | o |

Para estimar el modelo VAR se utilizaron datos con frecuencia mensual para el
perodo enero 1980 noviembre 1998.

Para estimar el modelo en Eviews, seleccionamos en el men QUICK/ESTIMATE VAR
Y nos aparece la siguiente pantalla donde se ha incluido el trmino independiente en
la especificacin (exgenos) y el nmero de retardos seleccionados (dos)





En la aplicacin se han obtenido como resultado las siguientes salidas del programa,
operando en primer lugar con el ndice de precios (IPC) como variable dependiente; y
en segundo lugar, con la variable tipo de inters (TIC) como dependiente










89



Cada columna de esta tabla corrersponde a la ecuacin para cada una de las
variables endgenas en el modelo VAR. Por filas, tenemos las variables explicativas,
para las que se indica el valor de su coeficiente estimado, el error standar y el clculo
de t-Student. Por ejemplo, el coeficiente que acompaa a la variable IPC(-1) en la
ecuacin del IPC como variable endgena (primera columna) tiene un valor estimado
de 1,027 con un error estandar de 0,067, resultando entonces un valor significativo
para la prueba t (15,2).

Al final de esta tabla se muestran los resultados de la regresin para cada ecuacin
por separado:




90
As , en la primera ecuacin ( la que define el IPC como variable dependiente) se tiene
una bondad de ajuste de 0,9998. Que como se puede observar es ligeramente mayor
a la bondad de ajuste de la ecuacin del tipo de cambio ((0,9733). En la parte inferior
de esta salida aparecen los estadsticos del modelo VAR en su conjunto: el
Determinante de Covarianza Residual (Determinant Residual Covariance), El valor del
Logaritmo de Verosimilitud (log Likelihood), el Criterio de informacin de Arkaike y el
Criterio de Schwarz. Estos criterios de informacin pueden utilizarse para seleccionar
el modelo mas apropiado entre varios modelos VAR con distintos retardos
especificados. Aquel que presente menores valores en estos criterios, ser el modelo
mas adecuado.

Un vez estimado el modelo VAR, la principal utilizacin del modelo son las funciones
de impulso respuesta y la descomposicin de la varianza que Eviews proporciona
automticamente. En primer lugar, para obtener la funcin impulso respuesta, dentro
del men de la ventana creada para el modelo VAR, selecionamos IMPULSE



y en la nueva ventana marcamos las opciones de visualizacin de datos (table),
funcin de impulso respuesta (Impulse responses) y aceptamos, el nmero de
perodos que nos indica Eviews (10):



Una funcin de impulso respuesta muestra el efecto de un cambio en los errores sobre
las variables endgenas del sistema de ecuaciones. Eviews nos muestra nuestro



91
modelo con sus dos ecuaciones, de tres formas diferentes, seleccionando
VIEW/REPRESENTATIONS dentro del men de la ventana del modelo VAR estimado







se obtiene




En la asegunda expresin, el primer nmero que figura dentro de C(n, n) se refiere al
orden (nmero) de la ecuacin del modelo VAR, mientras que el sgundo nmero se
refiere al orden que ocupa la variable en cada ecuacin. Por ejemplo, C(2,3) es el
coeficiente del tercer regresor (TIC(-1)) en la ecuacin segunda (la de TIC). En la
tercera expresin, los coeficientes ya se sustituyen popr sus valores estimados.




92
Un cambio en e
1
modificar automaticamente el valor de la variable IPC, pero no slo
se aterar el valor de sta, tambin el de la variable TIC debido a la estructura
dinmica del sistema.

Un impulso respuesta separa los determinantes de las variables endgenas en
cambios o innovaciones identificadas con variables especficas. De esra forma, una
funcin de impulso respuesta para e
2
medir el efecto de una desviacin en TIC hoy
sobre el valor actual y futuro de IPC y TIC.




La funcin de impulso respuesta mide un cambio en los errores equivalente al valor de
su error estandar que es, precisamente, 0,320227, valor que aparece como respuesta
de IPC en el primer perodo. As un cambio en los errores de la ecuacin IPC, del
orden de una desviacin tpica del error de esta primera ecuacin, provoca un
incremento equivalente de 0,32 en el perodo inicial, aumentando a 0,33 despues de 2
y 3 perodos. A partir del cuarto perodo los efectos tienden a decrecer lentamente. Por
otra parte, el efecto sobre los tipos de inters es nulo en el primer perodo, incluso
negativo durante los perodos 2 y 3, pero va acumulando sus efectos hasta aadir 0,07
al cabo de 10 perodos.

Un cambio en TIC, equivalente a una desviacin tpica del error de esta segunda
ecuacin (0,69, segn resultados precedentes), apenas tiene efecto sobre precios en
el primer perodo como resultado de situar la variable IPC antes de TIC en el orden -
, y provoca una caida de -0,03 y 0,04 despues de 2 y 3 periodos de IPC. Sobre los
propios tipos de inters, el efecto va aumentando durante los tres primeros perodos
hasta transformar el cambio inicial de 0,69 en 0,90, para despus ir reducindose



93
progresivamente su impacto hasta alcanzar 0,45 al final del perodo considerado de 10
meses. Esto puede verse en el cuadro siguiente:



Podemos visualizar los efectos comentados en trminos grficos, si en lugar de
seleccionar tabla de resultados (table) en las opciones para obtener la funcin de
respuesta de impulso indicamos la opcin grfica (Combines response graphs),




y como resultado obtenemos:

94




En definitiva, y en este caso, comprobamos nuevamente que el efecto de un choque
sobre la variable tipo de inters no tiene apenas efecto sobre la variable ndice de
precios al consumo, mientras que los efectos sobre la propia variable son crecientes
hasta el cuarto perodo, donde empiezan a decrecer.


95
Para obtener el clculo de la descomposicin de la varianza seleccionamos esta
opcin (Variance decomposition) en la ventana de impulso respuesta del modelo VAR
que ya conocemos:



que nos proporciona las siguientes tablas de resultados:



La columna S:E. De la tabla puede interpretarse como el error de prediccin de la
variable IPC en diferentes perodos en el futuro. La fuente de este error de prediccin


96
es la variacin en los valores actuales y futuros de las innovaciones de cada variable
endgena en el modelo VAR, Vemos que se indica un error de prediccin de o,32 en
un primer perodo y de 0,46 en dos perodos hacia delante, y as sucesivamente.

Las otras dos columnas muestran el porcentaje de variacin debido a cada innovacin
especfica, donde cada fila suma la unidad. Un perodo hacia delante, toda la
innovacin de IPC es debida a cambios en IPC, y dos perodos hacia delante del
porcentaje de explicacin corresponde un 99,99 a IPC y el resto (0,01) a TIC.

La segunda parte de la tabla nos muestra que, de nuevo, la descomposicin de la
varianza depende del orden de las ecuaciones. As, si situamos TIC en primer lugar,
antes de IPC, obtenemos resultados diferentes.

Finalmente, suponiendo que los resultados obtenidos con la estimacin de este
modelo de vectores autorregresivos fuesen satisfactorios para el objetivo perseguido,
podramos realizar predicciones con el modelo VAR. Para ello , dentro del men de la
ventana del modelo VAR seleccionamos PROCS / MAKE MODEL:




Veremos entonces una ventana donde se especifica el modelo y en la que podemos
introducir los cambios que creamos convenientes:


97



Seleccionamos la opcin SOLVE en el men de esta ltima ventana del modelo y en el
cuadro de opciones que aparece a continuacin indicamos el perodo para el que
queremos obtener predicciones (hasta junio de 1999):




Es importante rceordar que como paso previo a la estiamacin hay que cambiar el
tamao del Range y del Sample para que incluyan el perodo a estimar.







98
Automticamente Eviews nos proporcionar predicciones para nuestras dos series
IPCF y TICF
34
en el perodo comprendido entre el mes de de diciembre de 1998 y
junio de 1999.






















34
Eviews le agrega automticamente la letra F al final del nombre de cada variable para tener
separados las serie original de la serie estimada.

99
CAPITULO IV
MODELOS DE VECTOR DE CORRECCION DEL ERROR (VEC)
Y COINTEGRACION

Los modelos de correccin de errores
35
han ganado popularidad en el anlisis
economtrico aplicado a series de tiempo en los ltimos aos. En su forma ms
general estos modelos se plantean en trminos de las variaciones (o tasas de cambio)
de las variables, incorporando uno o ms trminos de correccin de error (o salidas de
equilibrio) para incorporar restricciones dinmicas de largo plazo.

La preocupacin de este tipo de modelos tiene su origen en la constatacin de algunos
problemas de ocurrencia frecuente en econometra con datos de series temporales,
as como con la insuficiencia de algunas de las soluciones tradicionales.

La raz del problema radica en que la gran mayora de las series de datos econmicos
muestran tendencias bastante fuertes en el tiempo y, ya sea a causa de la inflacin o
el crecimiento real de la economa, dichas tendencias estn fuertemente
correlacionadas. En estas circunstancias se aprecia que muchos estudios
economtricos adolecen de serias limitaciones a causa de la colinealidad de las series
para las variables supuestamente independientes y, al mismo tiempo, se observa la
ocurrencia muy frecuente de problemas de autocorrelacin residual. Todo esto
redunda en estimaciones muy imprecisas y test de hiptesis muy dbiles o
francamente inapropiadas
36
.

Estos malos resultados no son de extraar, dado que no hacen ms que confirmar
algo que un estadstico habra advertido desde un comienzo ante la falta de control del
proceso generador de los datos (experimentos), los datos para distintas variables no
slo no son independientes entre s, sino que adems no corresponden a un proceso
estacionario
37
(muestran fuertes tendencias). En estas circunstancias, es altamente
probable que los errores de las regresiones no sean estacionarios, lo que se refleja en
bajos valores del estadstico de Durbin-Watson, as como en rechazos de la hiptesis
de homocedasticidad
38
. Como es bien sabido, si los residuos de una regresin no son
estacionarios, todas las pruebas estadsticas tradicionales pierden validez.

Enfrentados a este problema, muchos econometristas han optado por transformar sus
modelos, expresando las variables en primeras diferencias o en tasa de cambio, con el

35
Tomado de :Vial, J oaquin. Especificacin y Evaluacin de Modelos Economtricos. Serie Docente
N 3. Corporacin de Investigaciones Econmicas para Amrica Latina (CIEPLAN). Santiago de Chile.
1991. P 50
36
Este fenmeno se conoce como Regresin Espuria..
37
Recordemos que por estacionario o dbilmente estacionario caracterizamos a aquellas series que
tienen media y varianza constantes, es decir que son independientes del tiempo
38
La tradicin en la enseanza de la econometra ha enfatizado errneamente que la
heterocedasticidad es un fenmeno propio de los estudios con datos de corte transversal, por lo que
rara vez se realizan pruebas de esta hiptesis en estudios de series de tiempo.

100
objeto de eliminar tendencias y conseguir estacionariedad en las series y en los
residuos. Sin embargo, esta prctica no est exenta de problemas: uno de ocurrencia
muy frecuente es que al hacer este tipo de transformaciones se pierde, en la prctica,
la posibilidad de imponer ciertas condiciones de equilibrio o regularidades que se dan
entre variables en niveles. Un ejemplo caracterstico se da en modelos de inflacin,
donde se estiman ecuaciones para las tasas de cambio de los salarios nominales, los
precios y otras variables, y con ello se pierde la vinculacin entre salarios reales y
productividad, de manera que simulaciones con el modelo tienden a violar ciertas
condiciones de equilibrio de largo plazo en el mercado. Si bien existe la posibilidad de
imponer estas condiciones por la va de restringir los coeficientes de las distintas
ecuaciones, en muchos casos no son coherentes con los datos.

El modelo de vector de correccin del error (VEC) busca superar las limitaciones de
ambos enfoques con una aproximacin emprica: se estima un modelo en tasas de
cambio, pero se incluye adems un trmino de correccin de errores (TCE) para forzar
a que las tasas de cambio de las variables respondan a las desviaciones respecto a
las condiciones de equilibrio de largo plazo que se desea imponer.

Si expresamos todas las variables en logaritmos y usamos el operador A para
denotar primeras diferencias, un tpico modelo de correccin de errores toma la
siguiente forma:

( )
t t t t t T t
u X Y X X Y Y + + A + A + A + = A
1 1 1 1 0 1 1 0
| o o o

donde ( ) 0 = u E y el trmino ( )
1 1

t t
X Y | o se denomina trmino de correccin del
error

Si bien en sus orgenes este tipo de modelos se desarrollo en forma ad-hoc, sin
precisar las condiciones bajo las cuales este enfoque tiene validez, ni eventuales
pruebas de dicha hiptesis, hoy da si se cuenta con un marco formal apropiado
gracias a los desarrollos tericos en el campo de la teora de las series de tiempo y, en
particular, del desarrollo del concepto de cointegracin (Granger y Newbold, 1977;
Granger 1986; Engle y Granger, 1987).

La premisa fundamental para la validez de un modelo de correccin de errores es que
efectivamente la relacin de equilibrio ( ) 0 =
t
X o exista y se vea reflejada en los datos.
Una condicin suficiente para ello es que las variables en el vector X
t
sean co-
integradas (Granger, 1986).





1. COINTEGRACION


101
Supongamos que tenemos una serie de observaciones para una variable X
t
. Si dicha
serie es estacionaria; es decir, si su media, varianza y autocorrelaciones son
constantes, entonces se dice que X
t
es integrada de orden 0, ) 0 ( I X
t
~ .

Slo unas pocas variables econmicas cumplen con estas caractersticas,
generalmente requieren d diferenciaciones para llegar a una serie estacionaria. La
mayora de las series macroeconmicas son integradas de orden 1. ) 1 ( I X
t
~ .
Algunas caractersticas distintivas de estas series son las siguientes: Una serie I(0)
tiene una media y exhibir una tendencia a volver a dicha media, por lo que habrn
fluctuaciones en torno a ella. Las autocorrelaciones tienden a declinar rpido y el peso
de observaciones distantes ser muy bajo (memoria finita).


Series Integradas de orden 0 Series Integradas de orden 1
Caractersticas I(0) I(1)
Media Fluctan alrededor de la media
Oscilan ampliamente y no en torno
al valor medio
Varianza
Varianza finita e independiente del
tiempo
Varianza depende del tiempo y
tiende a infinito con el paso del
mismo
Autocorrelascin
La autocorrelacin disminuye
rapidamente a medida que se
incremente los retardos
La autocorrelacin tiende al valor 1
para cualquir orden de retardo
Efectos de innovaciones
Tienen memoria limitada, luego las
innovaciones no tienen efectos
permanentes
Cualquier innovacin afecta
permanentemente sus procesos


Supongamos que existen dos series
T
Y y
t
X ambas I(1). Supongamos tambin que
existe una constante | , la combinacin lineal de estas dos variables podra ser
estacionaria. Ms especficamente, si se escribe como:

t t t
X Y Z | =

y se encuentra que Z
t
(es decir la combinacin lineal
t t
X Y | ) es I(0) o estacionaria,
entonces se dice que las variables
t
Y y
t
X estn cointegradas es decir, estn sobre
la misma longitud de onda
39
. Intuitivamente se observa que cuando Z
t
es I(0), las
tendencias en
t
Y y
t
X se cancelan. As si una serie Y es I(1) y otra serie X es I(1),
ellas pueden estar cointegradas. En general, si Y es I(d) y X tambin es I(d) , donde d


es el mismo valor, estas dos series pueden estar cointegradas. Si se es el caso, la
regresin de las dos variables en niveles, es significativa (es decir, no es espuria); y no

39
Gujarati. Ob.Cit. p.709

102
se pierde informacin valiosa de largo plazo, lo cual sucedera si se utilizaran sus
primeras diferencias.. La combinacin lineal estacionaria (
t t
X Y | = ) se denomina
ecuacin de cointegracin y puede interpretarse como la relacin de equilibrio a largo
plazo entre las distintas variables que conforman la ecuacin. El parmetro | se
conoce como el parmetro de cointegracin y en un sistema bidimensional es nico,
cuando existe.

2. MODELO DE VECTOR DE CORRECCION DEL ERROR (VEC)

Si dos variables estn cointegradas, se dice que hay una relacin de equilibrio a largo
plazo entre las dos. Por supuesto en el corto plazo, puede haber desequilibrio. En
consecuencia, se puede tratar el trmino de error en
t t t
X Y Z | = como el error de
equilibrio y se puede utilizar este trmino de error para atar el comportamiento de
corto plazo de Y
t
con su valor de largo plazo. El mecanismo de correccin del error

popularizado por Engle y Granger corrige el desequilibrio.

Un modelo de vector de correccin del error (VEC) es un modelo VAR restringido
(habitualmente, con slo dos variables) que tiene restricciones de cointegracin
incluidas en su especificacin, por lo que se disea para ser utilizado con series que
no son estacionarias pero se sabe que son cointegradas. La especificacin de un VEC
restringe el comportamiento a largo plazo de las variables endgenas para que
converjan a sus relaciones de cointegracin mientras que permite un amplio espectro
de relaciones dinmicas a corto plazo. El concepto de cointegracin se interpreta
como una correccin del error, dado que la desviacin respecto al equilibrio a largo
plazo se corrige gradualmente a travs de ajustes parciales en el corto plazo.

Para ver un ejemplo de un VEC partamos del supuesto de que tenemos dos variable
(Y
t
y X
t
)
40
que son I(1) y no estn cointegradas, con los cuales se puede estimar un
modelo dinmico en primeras diferencias:

t t t t t
u X X Y Y + A + A + A + = A
1 1 0 1 1 0
o o


donde
t
u tiene media cero dadas
1 1
, ,

A A A
t t t
X Y X y rezagos adicionales.

Si Y
t
y X
t
estn cointegradas con parmetro | , tenemos variables adicionales I(0) que
se pueden incluir en la ecuacin anterior. Sea
t t t
X Y S | = de modo que
t
S es I(0) y
por simplicidad, tiene media cero. Ahora, incluimos en la ecuacin los rezagos de
t
S .
En el caso ms simple incluimos un rezago de
t
S :

t t t t t t
u S X X Y Y + + A + A + A + = A
1 1 1 0 1 1 0
o o o



40
Wooldigde, J effrey M. Introduccin a la Econometra. Thomson Learning. Mxico, 2001.p591.

103
( )
t t t t t t t
u X Y X X Y Y + + + A + A + A + = A
1 1 1 1 0 1 1 0
| o o o



donde ) (
t t
X Y | o es el trmino de correccin del error.

3. TEST DE COINTEGRACION DE JOHANSEN
41


J ohansen (1991) desarroll una metodologa para analizar las restricciones impuestas
por la cointegracin de las series incluidas en un modelo VAR restringido.

El planteamiento terico de la propuesta de J ohansen considera un modelo VAR de
orden p:

t t P T p T t
BX Y A AY Y c + + + + =

...
1

donde Y
t
es un vector de k variables no estacionarias I(1), X
t
es un vector de d
variables determinsticas, y
t
c es un vector de innovaciones.
En forma condensada podemos reescribir el modelo VAR como:

[

=

+ + A 9 + = A
1
1
1
p
i
T t i t i t t
BX Y Y Y c


donde

[
=
=
p
i
i
I A
1

+ =
= 9
p
i j
j i
A
1


El teorema de representacin de Granger afirma que si la matriz de coeficientes
[

tiene un orden reducido r <k, entonces existen k*r matrices o y | de orden r tal que
o| = P y
t
Y | es estacionaria, donde r es el nmero de relaciones de cointegracin (el
orden de cointegracin). Cada columna de | es el vector de cointegracin. Los
elementos de o son conocidos como los coeficientes de ajuste en el modelo del
vector de correccin del error. El mtodo de J ohansen estima la matriz
[
en forma
restringida, de modo que analiza si se pueden rechazar las restricciones implcitas por
el orden reducido de
[
.


Respecto al nmero de relaciones de cointegracin, si tenemos k variables
endgenas, cada una de las cuales con una raz unitaria, puede haber cero hasta k-1
relaciones de cointegracin. Si no hay ninguna relacin de cointegracin, cualquier

41
Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p.391

104
mtodo de anlisis de series temporales, cmo, por ejemplo, los modelos VAR sin
restricciones, puede aplicarse a las primeras diferencias de los datos.

Dado que hay k elementos integrados separados en las series, los niveles de las
series no aparecen en el modelo VAR en este caso. Por el contrario, si hay una
ecuacin de cointegracin en el sistema, entonces una combinacin lineal de los
niveles de las variables endgenas
1

t
Y | deber ser aadida en cada ecuacin del
modelo VAR. Cuando se multiplica una ecuacin por un coeficiente, el trmino
resultante
1

t
Y o| se refiere al trmino de correccin del error. Si existen ecuaciones
adicionales de cointegracin, cada una conllevar un trmino adicional de correccin
del error, que contenga una combinacin lineal diferente de los niveles de la serie.

Si existen, exactamente, k relaciones de cointegracin, es decir, tantas como variables
endgenas, es por que ninguna de las series contiene una raz unitaria, y el modelo
VAR puede expresarse en trminos de los niveles de todas las series. Ntese que en
algunos casos, el test individual de races unitarias puede indicar que algunas de las
series estn integradas ( tienen raz unitaria), pero el test de J ohansen puede, sin
embargo, indicar que el orden de cointegracin es k. Esta aparente contradiccin
puede ser el resultado del error de especificacin del modelo.

Por otra parte, cada columna de la matriz | proporciona una estimacin del vector de
cointegracin. El vector de cointegracin no se identifica a menos que se imponga
alguna normalizacin arbitraria. Por ejemplo Eviews adopta la normalizacin de que
las r relaciones de cointegracin se resuelven para los primeras r variables en el vector
Y
t
como funcin del resto de variables k-r. Sin embargo, una consecuencia de esta
normalizacin es que los vectores normalizados que proporciona Eviews no son, en
general, ortogonales, a pesar de la ortoganilidad de los coeficientes normalizados.

Por tanto, el test de cointegracin de J ohansen nos permitir confirmar que las
variables estn cointegradas y el nmero de ecuaciones de cointegracin. Para
acceder a el, abrimos un grupo de series con SHOW y el nombre de las series, y
seleccionamos VIEW / COINTEGRACION TEST, o bien, en el men principal QUICK /
GROUP STATISTICS / COINTEGRACION TEST










105






El primer paso es seleccionar una de las opciones que especifican el tipo de tendencia
presente en los datos. Las primeras opciones proporcionan alternativas particulares
acerca de la inclusin de una constante y un trmino de tendencia en la especificacin
de las ecuaciones de cointegracin. Hay que considerar, pues, que las series objeto
de estudio pueden tener medias distintas de cero, es decir, pueden tener tendencia o


106
no. Similarmente, las ecuaciones de cointegracin pueden tener un trmino
independiente y tendencia. La distribucin asinttica del test estadstico LR (likelihood
ratio) para el test de orden reducido no presenta la distribucin usual de la
2
_ y
depende de las hiptesis respecto a las tendencias determinsticas. Eviews
proporciona el test para las siguientes cinco posibilidades consideradas por J ohansen
(1995):

1. Las series Y no presentan tendencia y las ecuaciones de cointegracin no
tienen trmino independiente:

( )
[
= +
1 1 2
:
t t t
Y BX Y r H o|
2. Las series Y no presentan tendencia y las ecuaciones de cointegracin
incluyen trmino independiente:

( ) ) ( :
0 1 1
*
1
| o + = +
[ t t t
Y BX Y r H

3. Las series Y tienen tendencia y las ecuaciones de cointegracin slo
incluyen trmino independiente:

( )
0 0 1 1 1
) ( : o | o

+ + = +
[ t t t
Y BX Y r H

4. Tanto las series Y como las ecuaciones de cointegracin tienen tendencia
lineal:

( )
0 1 0 1 1
*
) ( : o | o

+ + + = +
[
t Y BX Y r H
t t t


5. Las series Y tienen tendencias cuadrticas y las ecuaciones de
cointegracin tienen tendencia lineal:

( ) ) ( ) ( :
1 0 1 0 1 1
*
t t Y BX Y r H
t t t
o | o + + + + = +
[


donde

o es la matriz (no nica) ( ) r k k * tal que 0 =

o o y el orden
( ) k =

o o /

Estos cinco casos se clasifican desde el ms hasta el menos restrictivo, dado un
particular orden de cointegracin r :

( ) ( ) ( ) ( ) ( ) r H r H r H r H r H c c c c
*
1
*
1 2


Para cada caso, Eviews tabula los valores crticos para el test de orden reducido de
Osterwal-Lenum (1992), no los tabulados en J ohansen y J uelius (1990).De estas cinco


107
opciones descritas Eviews utiliza, por defecto, la tercera. Esta seleccin se basa en
que las condiciones de equilibrio a largo plazo probablemente no tengan tendencia.
Para elegir el modelo ms apropiado habr que guiarse tanto por la interpretacin
econmica implcita en el mismo como por los criterios estadsticos.

Adicionalmente, podemos incluir variables exgenas, como, por ejemplo, Dummys
estacionales,, sin considerar aqu ni el trmino independiente, ni la tendencia..
Tambin hay que indicar el nmero de retardos del modelo VAR como pares de
intervalos. Los retardos se especifican como retardos de la primera diferencias de las
series, no como retardos para los datos en niveles. Por ejemplo, si sealamos 1,4, el
test VAR hace la regresin de
t
Y A sobre
4 3 2 1
, , ,

A A A A
t t t t
Y Y Y Y y sobre otras variables
exgenas que especifiquemos,


A continuacin se presenta la salida en Eviews del test de J ohansen:




En cada cada contraste de hiptesis, se proporcionan unos valores estadsticos de
contrate denomindos autovalores (Eigenvalues) ubicados en primer trmino, y en la
siguiente columna se propoeciona el estadstico LR (Likelihood ratio) que se calcula
como:



108
EJERCICIO N 5
( )

+ =
=
k
r i
i r
T Q
1
1 log


para r =0, 1, , k-1, donde
i
es el i-simo eigenvalue mayor.
r
Q se denomina
estadstico traza (trace statistic) y es el test de la hiptesis ( ) r H
1
frente a ( ) k H
1
.

El estadstico Q rechaza la primera hiptesis (no cointegracin) tanto al nivel de
significacin del 5 por 100 como al 1 por 100 si el valor calculado es superior al de lso
valores crticos. En el ejemplo podemos ver que 27,59743 es mayor que 15,41 y es
mayor que 20,04, por lo tanto se rechaza la hiptesis de no cointegracin tanto al nivel
de significacin del 5 por 100 como al de 1 por 100. Por su parte, la segunda hiptesis
(al menos una relacin de cointegracin) se aceptar si el valor calculado para el ratio
de verosimilitud (Likelihood ratio) es inferior a los valores crticos fijados para los
niveles de significacin del 5 por 100 y del 1 por 100 En el ejemplo podemos ver que
5,452656 es mayor que 3,76, por lo tanto se rechaza la hiptesis de al menos una
relacin de cointegracin al nivel de significacin del 5 por 100, pero 5,452656 es
menor que 6.65 por lo tanto se acepta la hiptesis de al menos una relacin de
cointegracin al nivel de significacin del 1 por 100.

Debajo de los resultados de los contrates de orden de cointegracin. Eviews
proporciona las estimaciones de los vectores o relaciones de cointegracin. El vector
de cointegracin no es identificado a menos que impongamos algun criterio arbitrario
de normalizacion. Eviews resuelve este problema adoptando una normalizacin tal
que la primera r serie en el vector Y
t
se normaliza a una matriz identidad.. en el
ejemplo la relacin de cointegracin normalizada aaaaasume una relacin de
cointegracin r =1, que puede ser escrita como:

TIC +0,028861 IPC -14,98822

Adicionalmente, hay que considerar que los valores crticos estn disponibles para un
mximo de diez series y pueden no ser apropiados para modelos que contengan otras
variables deterministas como regresores somo, por ejemplo variables Dummy.





Para aplicar el anlisis de cointegracin
42
se han tomado dos series de frecuencia
mensual, con un horizonte temporal desde 1980 (enero) hasta 1998 (noviembre). Las
series en cuestin son la oferta monetaria (M1) y los crditos internos concedidos a las



42
Ejercicio tomado de: Pulido, Antonio y Ana Mara Lpez. Ob.Cit. p.395

109
familias y empresas (CRED), ambas medidas en miles de millones de pesetas y
obtenidas del Banco de Espaa.

En primer lugar hay que comprobar que las series son no estacionarias, es decir, que
presentan una raz unitaria. Para comprobar esta condicin, utilizamos el test de
Dickey-Fuller aumentado disponible en Eviews, al que accederemos de dos formas
diferentes: en el men principal QUICK / SERIES STATISTICS / UNIT ROOT TEST, o
bie en le ventana de la serie (abierta con SHOW o con dos pulsaciones del botn
izquierdo del ratn sobre el nombre de la serie) seleccionamos VIEW / UNIT ROOT
TEST.



En este men de seleccin, elegimos, en primer lugar, el test de Dickey-Fuller
aumentado. En segundo lugaar hay que indicar ai queremos realizar el test sobre la
variable en niveles, primeras o segundas diferencias. Podemos utilizar esta opcin
para determinar el nmero de raices unitarias que contiene la serie. Si el test aplicado
sobre la serie en niveles acepta la hiptesis nula (existe una raz unitaria en la serie),
pero la rechaza trabajando con los datos en primeras diferencias, entonces la serie
presenta una araz unitaria y es integrada de orden 1: I(1). Por el contrario, si el test
acepta la hiptesis nula aplicado sobre la serie en niveles y tambin en primeras
diferencias, pero la rechaza en segundas diferencias, entonces la serie contiene dos
raices unitarias y es integrada de orden 2: I(2)

En tercer lugar, especificamos si queremos incluir una constante o trmino
independiente, una constante y una tendenciaaa lineal o, simsplemente, nada. La
seleccin es importante en el sentido en que la distribucin estadstica del test, bajo la
hiptesis nula., es diferente en cada uno de los tres casos. Por ltimo, seleccionamos
el orden de la correlacin serial o nmereo de retardos a incluir en la especificacin.a
fin de que los residuales sean ruido blanco.

Obtenemos, en primer trmino, el estadstico ADF para la variable CRED y, a
continuacin, para la variable M1



110







111
Para el test ADF, el valor que presenta (1,525537 en CRED y -0,822899 en M1) se
acepta la hiptesis nula de una raz unitaria en las series CRED y M1 en todos los
niveles de significacin.

Para modelizar conjuntamente el efecto de estas dos series utilizamos un modelo
VEC (vector de correccin del error), pues ya sabemos que un modelo VAR sin
restriccin no supone la presencia de cointegracin. Como la especificacin de un
modelo VEC solamente se aplica sobre series cointegradas, debemos previamente
chequear el test de cointegracin de J ohansen. Para acceder a el , abrimos un grupo
se series con SHOW de las series CRED y M1 y seleccionamos VIEW /
COINTEGRATION TEST o bien, en el men principal, QUICK / GROUP ESTATISTICS
/ CONTEGRATION TEST.






En la seleccin de las opciones, optamos por dejar el tipo de tendencia que tiene
Eviews por defecto (la tercera), no colocamos variables exgenas y especificamos 4
retardos para el modelo VAR.,







112




En los resultados del estadstico
r
Q podemos observar que se rechaza la hiptesis
nula (primera fila) de no cointegracin (24,955528 >15,41 y >20,04) tanto al nivel de
significacin del 5 por 100 como el de 1 por 100. Sin embargo se acepta la hiptesis
nulo (segunda fila) de al menos una relacin de cointegracin, tanto al nivel de
significacin del 5 por 100 como el de 1 por 100.

La relacin de cointegracin normalizada, asume una relacin de cointegracin r=1,
que puede ser escrita como:

CRED -9,188926 M1 14.166,62

El nmero entre parntesis debajo del coeficiente estimado para M1 es la desviacin
estndar asinttica. Los coeficientes que son normalizados al valor 1 aparecen sin el
valor de la desviacin estndar, como CRED, y tambin los que no son identificados.
La presentacin de las relaciones normalizadas de cointegracin dependen del orden
especificado para las variables VAR. Por ejemplo si queremos una relacin con un
coeficiente unitario en M1, tendremos que especificar esta variable como la primera en
el modelo VAR. Por supuesto, este cambio no afecta la esencia de las relaciones,
dado que cualquier combinacin lineal de las ecuaciones de cointegracin es tambin
una relacin de cointegracin.


113
Una vez comprobada que las series estn cointegradas de orden 1, podemos estimar
un modelo de correccin del error. Seleccionamos en el men principal de Eviews:
QUICK / ESTIMATE VAR. En la ventana de opciones marcamos Vector Error
Correction, las variables endgenas (CRED y M1), con retardos comprendido entre 1 y
4. Tambin hay que especificar el nmero de ecuaciones de cointegracin del modelo
VEC. Este nmero debe ser determinado por el test de cointegracin de J ohansen,
como se vio anteriormente. El mximo nmero de ecuaciones de cointegracin es uno
menos que el nmero de variables endgenas en el modelo VAR. Para el modelos que
estamos planteando, el nmero de ecuaciones de cointegracin es 1, y as lo
especificamos en la parte inferior de esta ventana (Number of CEs):







114




Naturalmente, el coeficiente 0,009588 que afecta a CointEq1 debe interpretarse a
partir de los resultados de la ecuacin de cointegracin, que en nuestro caso es :

CRED(-1) -9,188926 M1(-1) 14.166,62

Al final de esta tabla se muestran los resultados de la regresin para cada ecuacin
computndolos, por separado para cada variable:




115
En la primera ecuacin (la que define como variable dependiente CRED) se alcanza
una bondad de ajuste del 65,66%, siendo inferior (46,66%) en la ecuacin que explica
la oferta monetaria (M1). En la parte inferior de esta salida de resultados, aparecen los
estadsticos del modelo VEC en su conjunto, que se utilizan para elegir entre modelos
VEC alternativos. As podramos repetir el proceso especificando ahora un modelo
VEC con retardos de 1 a 2 y comparar los resultados hasta seleccionar aquel que
parezca apropiado.

Una vez especificado el modelo VEC, podemos trabajar con l en forma anloga a un
modelo VAR, aunque en este caso no disponemos de las funciones de impulso-
respuesta, ni del anlisis de descomposicin de varianza. Para ver las ecuaciones que
constituyen nuestro modelo VEC, seleccionamos en el men de la ventana del modelo
las opciones VIEW / REPRESENTATION:




El primer nmero que acompaa al coeficiente A es el nmero de la ecuacin del VEC.
Mientras que el segundo hace referencia al nmero de la ecuacin de cointegracin.
Por ejemplo A(2,1) es el coeficiente ajustado de la primera ecuacin de integracin (y
nica) en la segunda ecuacin del modelo VEC.

En el primer nmero que sigue al coeficiente B es el nmero de la ecuacin de
cointegracin, y el segundo es el nmero de la variable en la ecuacin de
cointegracin. Por ejemplo B(1,2) es el coeficiente de la segunda variable en la
primera ecuacin de cointegracin.

En el caso C, el primer nmero es el nmero de la ecuacin del VEC, y el segundo
trmino es el nmero de la variable del primer regresor diferenciado en el modelo
VEC. Por ejemplo C(2,1) es el coeficiente de la primera diferencia del primer regresor
en la segunda ecuacin del VEC.



116
Al igual que en el modelo VAR, podemos realizar predicciones con el modelo VEC
estimado. Para ello, dentro del men de la ventana del modelo VEC seleccionamos
PROCS / MAKE MODEL, y aparece la siguiente ventana en la que pulsamos SOLVE



Indicamos el perodo de prediccin, desde el mes de diciembre de 1998 hasta el mes
de junio de 1999, y automticamente tendremos predicciones con el modelo VEC para
las variables CRED y M1.










117


En el grafico siguiente se muestra la evolucin de la serie Crditos internos
concedidos a las empresas y familias (CRED) y la oferta monetaria (M1), incluyendo el
perodo histrico y el de prediccin con los datos en niveles. Se aprecia la evolucin
paralela que siguen ambas series en el tiempo, lo que nos ha hecho suponer la
presencia de una cointegracin de orden 1 entre ambas y que hemos corroborado en
este ejercicio.




118
CAPITULO V
MODELOS AUTORREGRESIVOS CON HETEROCEDASTICIDAD
CONDICIONAL (ARCH)


Los modelos autorregresivos con heterocedasticidad condicional (ARCH) se disean
especficamente para modelizar y predecir las varianzas condicionales, es decir, tienen
como objetivo principal el determinar un patrn de comportamiento estadstico para la
varianza. EL planteamiento bsico reside en modelizar la varianza de una variable
dependiente en funcin de los valores pasados de la propia variable y de las variables
independientes o exgenas que se incluyan en el modelo.

Este tipo de modelos fueron tratados por primera vez en un artculo publicado en 1982
por Robert Engle
43
en el que recoga una serie de situaciones en las que pareca
necesaria la consideracin explcita de una varianza dinmica para analizar
correctamente la evolucin de algunos fenmenos econmicos. Especficamente
Engle pretenda obtener una prediccin adecuada para la inflacin del Reino Unido,
sujeta a una fuerte volatilidad, con periodos de especial calma o, por el contrario, de
agitacin. Aunque su uso se ha extendido a diversas ramas de la econometra, la
principal aplicacin de estos modelos se encuentra en la serie de tiempo financieras.

En el artculo en referencia Engle cita tres situaciones que motivan o justifican la
Modelizacin de una modelo ARCH. Estas seran las siguientes.

1. La experiencia emprica nos lleva a contrastar perodos de amplia varianza
de error seguidos de otros de varianza ms pequea. Es decir, el valor de la
dispersin del error respecto a su media cambia en el pasado, por lo que es
lgico pensar que un modelo que atienda en la prediccin a los valores de
dicha varianza en el pasado servir para realizar estimaciones ms precisas.
2. En segundo lugar, Engle expone la validez de estos modelos para
determinar los criterios de mantenimiento o venta de activos financieros. Los
agentes econmicos deciden esta cuestin en funcin de la informacin
proveniente del pasado respecto al valor medio de su rentabilidad y la
volatilidad que sta ha tenido. Con los modelos ARCH se tendran en cuenta
estos dos condicionantes.
3. El modelo de regresin ARCH puede ser una aproximacin a un sistema
ms complejo en el que no haya factores de innovacin con heterocedaticida
condicional.



En definitiva, la clave de los modelos ARCH est en considerar la informacin pasada
de la variable y su volatilidad observada como factor que explica en alto grado el

43
Engle, R.F. (1982): Autorregresive Conditional Heterocedasticity with Estimastes of the Variance of
the U.K. Inflation. Econometrica. Num 50, pp. 987 1008.

119
comportamiento presente y, por extensin lgica, de su futuro predecible..
Estadsticamente, esta conclusin se refleja en tener en cuenta la esperanza
condicional del cuadrado de una variable (la cual es la expresin de la varianza si la
media es nula)

De los modelos ARCH se han surgido diversas variantes como son los modelos
GARCH (Genaralized ARCH) por Bollerslev (1986),, los modelos TARCH (Threhold
ARCH) introducido, independientemente por Zakoian (1990) y Glosten, J AGANATHAN
Y runkle (1993); los modelos EGARCH (Exponential GARCH) propuesto por Nelson
(1991).

1. MOMENTOS MARGINALES Y MOMENTOS CONDICIONALES
44
.

Antes de presentar la especificacin de los modelos ARCH, resulta pertinente realizar
un breve repaso sobre la diferencia existente entre los momentos marginales y los
momentos condicionales de una distribucin, ya que estos modelos, como su nombre
lo indica, estn centrados en e3l anlisis de la heterocedasticidad condicional.

La diferencia fundamental entre los momentos condicionales y los marginales de una
distribucin es que en los marginales no disponemos de informacin a priori, sobre las
realizaciones (observaciones) de dicha distribucin, mientras que en los momentos
condicionales disponemos de todas las realizaciones previas de la misma.

Para ilustrar esta diferencia, tenemos un ejemplo muy intuitivo en trminos
probabilsticos y que hace referencia a la media condicional y la media marginal.

Si consideramos la variable aleatoria definida por los sucesivos valores que se
obtienen al lanzar un dado al aire, en principio dicha distribucin es uniforme y la
esperanza marginal sera directamente el valor medio de los seis posibles resultados a
obtener (dado que todos presentan la misma probabilidad).

Determinando ( ) n F
d
la funcin de distribucin que genera las distintas observaciones
(tiradas) n del dado, podramos afirmar que la esperanza marginal de dicha
distribucin es 3,5

( ) 5 , 3 ) 6 5 4 3 2 1 (
6
1
) ( = + + + + + = n F E
d


Ahora bien, si obtenemos una serie de valores muestrales de dicha distribucin
(tiramos el dado n veces), podramos obtener una muestra como la que figura

continuacin donde, para cada valor, se recoge el nmero de veces que ha aparecido
y su probabilidad observada,


44
Pulido San Roman, Antonio y J ulin Prez Garca. Modelos Economtricos. Ediciones Pirmide
S.A.. Madrid. 2001. P 741

120

Valor 1 2 3 4 5 6
Ocurrencia 157 230 150 155 156 152
% ocurrencia 0,157 0,230 0,150 0,155 0,156 0,152
Probabilidad esperada 0,167 0,167 0,167 0,167 0,167 0,167


A la vista de esta muestra parece demostrarse que el valor 2 tiene una probabilidad de
ocurrencia superior a la que le correspondera de acuerdo con la distribucin uniforme
supuesta a priori, por lo que se podra inferir que el dado est cargado.


Disponiendo de esta manera, si tuviramos que asignar un valor esperado a la
observacin 1 + n , la esperanza condicional a toda la informacin disponible hasta la
observacin n sera ligeramente inferior a la esperanza marginal, la que tenamos sin
conocer la muestra.


( ) ( ) 35 , 3 , 0 6 152 , 0 5 156 , 0 4 155 , 0 3 150 , 0 2 230 , 0 1 157 , 0 / ) 1 ( = + + + + + = + x x x x x x n n F E
d



Esta diferenciacin entre momentos marginales y condicionales no tendra mayor
importancia sino fuera porque pueden exis
tir procesos estocsticos cuya esperanza y varianza marginales fueran constantes,
mientras que su varianza condicional vara en cada punto muestral t
.
Tomemos como ejemplo un proceso estocstico definido como:

2 / 1 2
1
) (

+ =
t t t
y y o e c




donde
t
c es un ruido blanco, y en el que para cada momento condicional t la
informacin disponible 1 t es una realizacin concreta, no aleatoria.


Calculando los momentos de primer y segundo orden, marginales y condicionales de
dicho proceso, podemos comprobar que sera un proceso estacionario en media y
varianza marginal (sus valores no dependen del tiempo), y, sin embargo, es un


proceso no estacionario en su varianza condicional, pues este depende del perodo de
tiempo que consideremos.

Momentos marginales y condicionales del proceso

121

Marginal Condicional
Esperanza
( ) ( ) = + =

2 / 1 2
1
) (
t t t
y E y E o e c
0 ) ( ) (
2 / 1 2
1
= + -
t
y E E o e c
0 ) ( ) | ( ) | (
2 / 1 2
1 1 1
= + - =
t t t t t
y E y E o = c
Varianza
( ) ( )
( ) ( )
( )
2
2 2
2
1
2 2
1
)... 1 (
) (
t
t t
t t t
y E
y E y E
o
o
e
o e o
o e c

=
+ -
= + =



(1) Sustituciones sucesivas
( ) ( ) ( )
( )
2 2
1
1
2 2
1 1
2
| ) | (
c
o o e
c o e

+
= + =
t
t t t t t
y
E y y E


Donde la varianza condicional depende de las
realizaciones de la variable en el perodo
anterior


Sobre este proceso, as definido, se puede demostrar que la funcin de
autocovarianzas, y por tanto de autocorrelaciones, son nulas para la variable original
t
y ; mientras que presentan valores distintos de cero para el proceso elevado al
cuadrado
2
t
y , al menos en el primer retardo.

Es decir, el proceso analizado, aun presentando autocorrelaciones nulas en la forma
lineal, presenta autocorrelacin en sus cuadrados. Esta circunstancia se utiliza para la
identificacin de procesos autorregresivos de varianza condicional.


2. ESPECIFICACION DE LOS MODELO ARCH Y GARCH

Los modelo ARCH , como de coment anteriormente, tienen su origen en un artculo
de Engle (1982), en el que se pretenda obtener una prediccin adecuada para la
inflacin del Reino Unido, sujeta a una fuerte volatilidad y con perodos de especial
calma o de especial agitacin.

Para especificar un modelo ARCH, primeramente comenzaremos con la ecuacin:

t t t t
X X Y c | | | + + + =
3 3 2 2 1
(2.1)

donde se relaciona una variable dependiente con dos variables explicativas. Luego
escribiremos una segunda ecuacin relacionando la varianza del trmino de error con
la cantidad de volatilidad observada en perodos anteriores, la ms simple de estas
ecuaciones sera:


2
1 1 0
2

+ =
t t
c o o o (2.2)

La ecuacin (2.2) dice que la varianza de
t
c ,
2
t
o , tiene dos componentes: una
constante y las noticias respecto a la volatilidad del ltimo perodo, lo cual es

122
modelado como el residual al cuadrado del ltimo perodo (el trmino ARCH).
Obsrvese que en este modelo
t
c es heterocedstico, condicional en
1 t
c . Tomando
en cuenta esta informacin acerca de la heterocedasticidad condicional de
t
c , se
pueden obtener estimaciones ms eficientes de los parmetros
3 2 1
, | | | y .

La estimacin de las ecuaciones 2.1 y 2.2 con frecuencia se hace con mxima
verosimilitud. Dado el bajo costo del poder de clculo, esto no es muy difcil. Por
consiguiente, los paquetes de programas de econometra para computadoras mas
usados hacen posible estimar modelos ARCH de esta clase con mucha facilidad.

Dado que la varianza de
t
c en la ecuacin 2.2 slo depende de la volatilidad del ltimo
perodo, nos referimos a este modelo como ARCH(1). De forma ms general, la
varianza podra depender de cualquier cantidad de volatilidades rezagadas. Podemos
especificar un modelo ARCH(p), como:

2 2
2 2
2
1 1 0
2
...
p t p t t t
+ + + + = c o c o c o o o (2.3)

Ntese que en este caso los parmetros 1 + p del proceso de varianza deben
estimarse junto con los parmetros
3 2 1
, | | | y de la regresin, una ves ms usando
estimacin de mxima verosimilitud.

A menudo hay razn para esperar que la varianza de
t
c depender de volatilidades
pasadas que se remontan a una gran cantidad de perodos. (esto sucede en particular
en aplicaciones de finanzas que implican el uso de datos diarios o semanales) El
problema en este caso es que deben estimarse una gran cantidad de parmetros, y
esto puede ser difcil de hacer con alguna precisin. Sin embargo, si reconocemos que
la ecuacin 2.3 tan slo es un modelo de rezago distribuido para
2
t
o , vemos que
podemos remplazar muchos de estos valores rezagados de
2
t
c con slo uno o dos
valores rezagados de
2
t
o . Esto nos conduce al modelo autorregresivo de
heterocedaticidad condicional generalizado. (GARCH), el cual tambin puede
estimarse por mxima verosimilitud.

El modelo GARCH ms simple es el modelo GARCH(1,1):

2
1 1
2
1 1 0
2

+ + =
t t t
o c o o o



Ahora la varianza del trmino de error tiene tres componentes, una constante, la
volatilidad del ltimo perodo (el trmino ARCH) y la varianza del ltimo perodo (el
trmino GARCH). En general, se puede tener cualquier nmero de trmino ARCH y
cualquier nmero de trminos GARCH. El modelo GARCH(p,q) se refiere a la
siguiente ecuacin para
2
t
o :

123
EJERCICIO N 6

2 2
1 1
2 2
1 1 0
2
... ...
q t q t p t p t t
+ + + + + + = o o c o c o o o






En este ejercicio
45
se modelar en comportamiento de la tasa de un bono corporativo
AAA relacionndola con valores actuales y pasados de una tasa de inters libre de
riesgo a corto plazo (la tasa de bonos de tesorera a tres meses) al igual que con el
ndice de produccin industrial y la tasa de de inflacin de precios al por mayor.




La figura anterior muestra el bono corporativo AAA y la tasa de bonos de tesorera a
tres meses desde enero de 1960 hasta febrero de de 1996. Obsrvese que la tasa del

bono, por lo general, es mayor que la tasa de bonos de tesorera y tambin tiende a
suavizar las fluctuaciones a corto plazo en la tasa de bonos de tesorera. La tasa del
bono refleja expectativas de valores futuros de la tasa de tesorera (y por tanto, deber
ser menos voltil que esa tasa) y tambin incluye una pequea prima de riesgo que
refleja la probabilidad de incumplimiento.


-
45
Tomado de Pindiyck, Robert S. y Daniel L. Rubenfeld. Econometra, modelos y pronstico. Mc.
Graw Hill. Mxico. 2001. p.301


124
En primer lugar se realizar la regresin de la tasa del bono AAA contra valores
actuales y rezagados de la tasa de tesorera (R3), valores actuales y rezagados del
ndice de produccin industrial (IP), la tasa de crecimiento del ndice de precios al
productor para todas las mercancas (GPW) y el valor rezagado de la tasa del bono
AAA. (la inclusin de la variable dependiente rezagada impone una estructura de
rezago que declina geomtricamente, esta estructura suaviza las fluctuaciones a corto
plazo en las otras variables explicativas.) Despus de algunos ensayos se eligi la
siguiente ecuacin, estimada con mnimos cuadrados ordinarios. valores actuales y
rezagados del





Seguidamente se presenta el grfico de los residuos de la regresin en el cual se
puede observar el agrupamiento de la volatilidad. Hay perodos en la que la volatilidad
es bastante baja (1962-1967) y perodos en que la volatilidad es bastante alta (1980-
1988). Esto sugiere que el trmino del error es condicionalmente heterocedstico y,
por tanto, puede ser representado por un modelo ARCH o GARCH.




125



Para estimar un modelo tipo ARCH, o alguna de sus variantes metodolgicas con
Eviews, se comienza por contrastar la posible existencia de heterocedasticidad
condicional, mediante la observacin del correlograma de los residuos al cuadrado.
Para tal fin seleccionamos en el men VIEW/ RESIDUAL TEST / CORELOGRAM
SQUARED RESIDUAL, como se muestra en la figura.






Lo que se busca con el correlograma, es determinar en que retardos aparecen
coeficientes significativos analizando el correlograma en forma similar a cuando se


126
analiza el correlograma de los residuos para la estimacin de un modelo ARIMA, en
nuestro caso no se ve claro cual puede ser el proceso autorregresivo de la varianza,
por lo cual se hace necesario realizar el contraste del multiplicador de Lagrange.
Seleccionamos en el men VIEW / RESIDUAL TEST / ARCH LM TEST




E indicamos tres retardos








127



Este test ARCH LM proporciona el test del multiplicador de Lagrange para chequear si
los residuos estandarizados muestran un proceso ARCH adicional, que no existir si la
ecuacin de varianza est correctamente especificada.

En la salida del test se comprueba que las variables son significativas
estadsticamente, es decir, el contraste es claramente significativo de la relacin
cuadrtica entre el residuo y sus valores retardados. Parece entonces, conveniente
construir un modelo ARCH para identificar correctamente el proceso de formacin de
la varianza del trmino de error. Al tratarse de un modelo no lineal, el mtodo de
estimacin no puede ser el tradicional de mnimos cuadrados ordinarios.

Para realizar la estimacin seleccionamos en el men: QUICK / ESTIMATE
EQUATION.










128



Y seleccionamos la opcin ARCH que aparece como uno de los mtodos de
estimacin



En la nueva ventana de especificacin de modelos ARCH, se debe indicar, adems de
la formulacin genrica de la ecuacin bsica (Mean equation Specification), las
caractersticas propias del modelo ARCH a estimar.

Comenzando por la parte superior, debemos indicar si se desea incluir la varianza
condicional como explicativa del modelo bsico (ARCH-M term), pudindose optar por
su no inclusin (None), o por su inclusin en trminos de desviacin tpica (Std.Dev) o
de su cuadrado (Variance).

A continuaciones debe especificar el orden de los procesos a estimar, tanto para la
parte autorregresiva (ARCH) como para la parte de medias mviles (GARCH), para lo

cual inicialmente se utilizan los resultados obtenidos en el anlisis del correlograma de
residuos al cuadrado. En nuestro ejemplo al no observarse con claridad los posibles

129
procesos, se inicio la estimacin con un retardo, tanto para el ARCH como para el
GARCH





Como se puede observar en la imagen anterior, se puede optar por una especificacin
general (GARCH) o por alguna de las variantes metodolgicas alternativas (TARCH,
EGARCH, Component ARCH, o Asymetric Component ARCH)

Adicionalmente se puede incluir variables explicativas adicionales sobre la ecuacin de
la varianza condicional (Variante Regressors).

Inicialmente se estimar un modelo GARCH(1,1)












130


La salida de la estimacin del modelo ARCH est dividida en dos partes: la superior
que muestra los resultados de la ecuacin de la media, e inmediatamente debajo, en
la parte denominada Variante Equation, la correspondiente a la ecuacin de la
varianza.

Al observar la salida del Eviews, se puede determinar que el incluir esta
representacin GARCH de la varianza del error tuvo muy poco impacto en cualquiera
de las estimaciones de los coeficientes. Adems, slo uno de los coeficientes en la
ecuacin GARCH es estadsticamente significativo. Es importante tambin destacar
que el error estndar de la regresin se increment, al pasar de 0,001835 a 0,001841.
Esta variacin en el error estndar se explica por el hecho de que al estimar una
ecuacin con errores heterocedsticos con mnimos cuadrados ordinarios, loe errores
estndar estimados sern sesgados.

A continuacin se estimaron diferentes combinaciones del modelo GARCH:
GARCH(2,1), GARCH(2,2), etc. Concluyndose que el modelo que mejor se ajustaba
es el modelo GARH(1,1) a pesar de las limitaciones antes indicadas.




131
Pindiyck y Rubinfeld
46
sugieren a fin de explorar mas a fondo el patrn de la
heterocedasticidad, incluir una variable exgena a la ecuacin de la varianza. Estos
autores proponen incluir el cambio del valor rezagado de la tasa de bonos de tesorera
a tres meses. Para tal fin, activamos la ventana Equation Specification seleccionando
Estimate en el men secundario.




Y se aade en el espacio Variante Regressiors la variable indicada









46
Pindiyck, Robert S. y Daniel L. Rubinfeld. Ob.Cit. p.303

132



El cambio rezagado en la tasa de bonos de tesorera a tres meses se aade,
significativamente, a la explicacin de los cambios en la varianza del trmino del error
de la regresin. Adems, los coeficientes en los trminos ARCH y GARCH ahora son
altamente significativos desde el punto de vista estadstico. Por ltimo hay un cambio
pequeo pero notorio en la magnitud de algunos de los coeficientes en la ecuacin de
regresin, y varios de los estadsticos t se han incrementado.

Con este modelo final se puede realizar una razonable prediccin de los intervalos de
confianza en los que se moveran nuestros valores de prediccin, empleando
correctamente la varianza del error que se ha estimado. Para efectuar la proyeccin
activamos dentro de la ventana de la ecuacin, en el men secundario, Forecast y se
indica el perodo de prediccin


BIBLIOGRAFIA

133

1) BENZAQUEN S. MOISES Y MANUEL DELGADO. Evaluacin del
Comportamiento Actual y Modelizacin del Comportamiento Futuro del Sector
Manufacturero Privado Venezolano a Travs del Indice Valor perodo( 1992-
2000. Trabajo Especial de Grado para optar al Ttulo de Economista (01-08-N).
Universidad Santa Mara. Caracas. 2001.

2) BLANCO, CARLOS. Convergencia de las Tcnicas de Series de Tiempo con
los Mtodos Economtricos. Mimeo. Banco Central de Venezuela,.
Departamento de Apoyo Cuantitativo. Caracas. 1997

3) CARRASCAL A, URSICINO, YOLANDA GONZLEZ G. Y BEATRIZ
RODRGUEZ P. Anlisis Economtrico con Eviews. RA MA Editorial. Madrid.
2001.

4) CHAREMZA, WOJ CIECH W. Y DERECK F. DEADMNAN. New Directions in
Econometric Practice, General to Specific Modelling, Cointegration and Vector
Autoregression. Second Edition. Edward Elgar Publishing Limited. .1997.

5) CHIANG, ALPHA C. Mtodos Fundamentales de Economa Matemtica.
Tercera Edicin. McGraw-Hill. Mxico.1993.

6) DHRYMES, PHOEBUS J . Mathematics for Econometrics. Third Edition.
Springer - Verlag New York Inc. 2000.

7) ENDERS, WALTER. Applied Econometric Time Series. J ohn Wiley & Sons.
INC. USA. 1995.

8) GREENE, WILLIAM H. Anlisis Economtrico. Tercera edicin, Prentice Hall.
Madrid.1999.

9) GUERRA, J OS. Races Unitarias en las series de Tiempo. Temas de
Coyuntura N 31. Instituto de Investigaciones Econmicas y Sociales UCAB.
Caracas.1995.

10) GUERRA, J OS, GUSTAVO SNCHEZ Y BELKIS REYES.Modelos de Series
de Tiempo Para Predecir la Inflacin en Venezuela. Banco Central de
Venezuela. Serie Documentos de Trabajo, Gerencia de Investigaciones
Econmicas N 13. Caracas.1997

11) GUJ ARATI, DAMODAR N. Econometra.. cuarta edicin. Mc. Graw Hill.
Mexico. 2003.




134
12) HAMILTON, J AMES D. Times Series Analysys. Princenton University Press.
USA.1994.

13) HANS FRANCES Y DICK VAN DIJ K. Non-Linear Time Series Models in
Empirical Finances. Cambridge University Press. United Kingdom. 2000.

14) HARRIS, RICHARD L.D. Using Cointegration Anlisis in Eonometric Modelling.
Prentice Hall. Great Britain. 1995.

15) HARVEY, ANDREW C. Forecasting, Structural Time Series models and the
Kalman Filter. Cambridge University Press. Great Britain. 1991.

16) J OHNTON,, J ACK Y J OHN DINARDO. Econometric Methods. Fourth Edition.
McGraw Hill Internacional Editions. Economics Series.Singapore. 1997.

17) LPEZ BAZO. ENRIQUE, J ORDI SURIACH CARALT Y ANDREU SANS
ROSSELL. Anlisis de Integrabilidad de Variables Econmicas y Relaciones
de Largo Plazo. Una Aplicacin. Doc. 9204. Departamento de Economa,
Estadstica y Economa Espaola. Universidad de Barcelona. mimeo

18) MADDALA G.S. Y IN-MOO KIM. Unit Roots, Cointegration, and Structural
Change. Cambridge University Press. Great Britan. 2000

19) MAKRIDAKIS, SPYROS Y ESTEVEN C. WHEELWRIGTH. Mtodos de
Pronsticos.Editorial Limusa S.A.. Mxico. 2004.

20) MILLS, TERENCE C. The econometric Modelling of financial Time Series.
Second Edition. Cambridge University Press. Great Britan. 1999.

21) OTERO, J OS M. Modelos Economtricos y Prediccin de Series Temporales.
Editorial AC. Espaa 1989.

22) PINDIYCK, ROBERT S. Y DANIEL L. RUBENFELD. Econometra, modelos y
pronstico. Mc. Graw Hill. Mxico. 2001.

23) PULIDO, ANTONIO Y ANA MARA LPEZ. Prediccin y Simulacin Aplicada a
la Economa de Empresas. Ediciones Pirmide S.A.. Madrid. 1999.

24) PULIDO SAN ROMAN, ANTONIO Y J ULIN PREZ GARCA. Modelos
Economtricos. Ediciones Pirmide S.A.. Madrid. 2001

25) VIAL, J OAQUIN. Especificacin y Evaluacin de Modelos Economtricos.
Serie Docente N 3. Corporacin de Investigaciones Econmicas para Amrica
Latina (CIEPLAN). Santiago de Chile. 1991.

26) WOOLDIGDE, J EFFREY M. Introduccin a la Econometra. Thomson Learning.
Mxico, 2001

135