2004 Bernard Cabrer Econometra Empresarial II Tema 7

ECONOMETRA EMPRESARIAL II

ADE


TEMA 7
SERIES TEMPORALES: INTRODUCCIN
(VERSIN PRELIMINAR)




Valencia, Marzo 2005

Bernard Cabrer Borrs
(Anlisis Econmico)
2003 Bernard Cabrer Econometra Empresarial II Tema 7
2

SERIES TEMPORALES INTRODUCCIN.
7.1. Prediccin y series temporales.
7.2. Concepto de serie temporal.
7.3. Componentes no observables de una serie temporal.
Prctica. Anlisis descriptivo de una serie: representacin grfica, diferenciacin,
representacin grfica de la serie diferenciada, test de normalidad, funcin de
autocorrelacin, contraste de significabilidad de la funcin de autocorrelacin.
2003 Bernard Cabrer Econometra Empresarial II Tema 7
3

7.1 Prediccin y serie temporal.
La mayora de agentes econmicos (administracin pblica, corporaciones,
empresas, etc.) precisan realizar predicciones sobre las condiciones del entorno en que
actan. Estas predicciones sirven para tomar decisiones estratgicas de los agentes
econmicos. En particular, la toma de decisiones es una de las tareas ms importantes en el
mundo de la empresa. Para ello, es necesario enmarcarlas dentro del contexto de
incertidumbre que existe respecto al futuro: tanto en los aspectos macroeconmicos, que
condicionan el propio proceso de decisin, como en los aspectos microeconmicos de la
empresa, que confieren una cierta problemtica a la toma de decisiones.
En efecto, el conocimiento de acontecimientos futuros est afectado por un grado de
incertidumbre, lo que requiere la asignacin de una probabilidad al proceso de prediccin a
travs de modelos estadsticos y economtricos.
As, la finalidad de la prediccin econmica es obtener las pautas de una medida
sobre el comportamiento futuro de las variables econmicas y, por lo tanto, est
ntimamente ligada al problema de la toma de decisiones. En la prctica, las decisiones de
los agentes econmicos estn asociadas a un proceso de prediccin ms o menos
fundamentado en modelos econmicos. La econometra, y ms concretamente la
modelizacin economtrica, proporciona una herramienta de ayuda a la toma de decisiones,
estudiando el pasado y extrayendo pautas de comportamiento para el futuro.
No obstante, los mtodos y tcnicas actuales de prediccin estn lejos de resolver de
forma mecnica los problemas planteados. En este sentido, se puede afirmar que la
prediccin es un arte y que las tcnicas y mtodos estadsticos son herramientas que pueden
ayudar a fijar los valores de la extrapolacin.
No es de extraar, pues, que cuando la prediccin se realiza mediante un modelo
economtrico se conciba a sta como un marco de referencia o de trabajo, en donde las
tcnicas y mtodos estadsticos se consideran instrumentos o herramientas (con mayor o
menor uso de aplicaciones informticas debido a que se tratan de mtodos intensivos
clculo). As pues, la prediccin a travs de los modelos economtricos se debe entender
como una dialctica entre los resultados obtenidos a travs del modelo y la realidad.
En este contexto, se considera que una prediccin econmica es adecuada o
satisfactoria si contribuye a dar una respuesta coherente sobre las pautas de comportamiento
futuro de la economa. La prediccin no es un fin en s mismo, sino que est inmersa en el
proceso ms complejo de toma de decisiones.
Las tcnicas de prediccin se pueden clasificar segn su objetividad y segn la
informacin utilizada:

2003 Bernard Cabrer Econometra Empresarial II Tema 7
4
Segn el grado de objetividad se pueden distinguir entre:
Mtodos objetivos: Basados en una reflexin terica y fundamentados por
algn tipo de modelo bsico que explica el proceso de la toma de decisiones.
Mtodos subjetivos: Basados en la intuicin y experiencia de algn agente.
Segn la informacin utilizada se puede diferenciar entre:
Mtodos de prediccin cuantitativos: Basados en la informacin estadstica
que proporcionan los datos, los cuales necesitan un mecanismo ms o menos
sofisticado de manipulacin. Los resultados que proporciona son,
fundamentalmente, cuantitativos. Esta exposicin se centra en aquellos algoritmos
de toma de decisiones que impliquen, en cierta forma, procesos cuantitativos. El
proceso de tratamiento de la informacin en estos tipos de modelos hace que su
elaboracin los convierta en modelos caros o baratos, as como ms o menos
sofisticados en su proceso de aplicacin.
Mtodos de prediccin cualitativos: basados en la informacin proveniente u
obtenida a travs de encuestas de opinin. Por ejemplo, si se encuesta a una
poblacin analizando comparativamente la situacin econmica a travs de
cuestiones o preguntas cuya respuesta sea: mejor, igual o peor.
Adems, dentro de los mtodos objetivos se puede distinguir a su vez entre los
modelos causales y no causales (tambin conocidos por mtodos estadsticos o histricos):
Modelos causales: Son aquellos que estn basados en el conocimiento de las
selecciones estructurales de las variables en el pasado, con el fin de predecir el
comportamiento futuro de las variables objetivo. Es decir, se fundamentan en la
interrelacin entre variables a travs de un modelo economtrico. Adems, en su
especificacin algunas variables son causa de las variaciones de otras que se pueden
utilizar como predictores. En este contexto, los Modelos Economtricos se pueden
concebir como un sistema de ecuaciones con variables interdependientes que
describen el sistema econmico a estudiar, representan la idea de causalidad y son
una representacin simplificada de la estructura econmica. La especificacin del
modelo economtrico a utilizar estar condicionada por las caractersticas
especficas del proyecto que se ha de realizar, por el entorno de incertidumbre en el
que est envuelto y por los objetivos concretos que se quiera establecer.
Modelos estadsticos (no causales o histricos): Son los utilizados en la
prediccin basada en la modelizacin de las observaciones histricas y actuales de
las variables. La informacin pasada o histrica junto con la actual permite construir
una serie con soporte temporal, que es la base del anlisis de las predicciones
futuras. Dentro de las tcnicas de estudio de las series temporales se pueden
distinguir esencialmente dos grandes grupos: los mtodos clsicos o de
descomposicin (mtodos no paramtricos) y los modelos Autorregresivos
Integrados con Medias Mviles (ARIMA) de series temporales (mtodos
paramtricos) propuestos por Box y Jenkins (1976). Un enfoque alternativo, y en
2003 Bernard Cabrer Econometra Empresarial II Tema 7
5
cierta forma complementario, de anlisis de series temporales es el propuesto por
A. Maravall y V. Gomez (1996) que tiene como objetivo identificar el modelo
ARIMA de la serie que cumpla las hiptesis tericas de partida.
En la actualidad, el anlisis de series temporales no slo abarca el tratamiento de
una serie aislada, sino que tambin contempla tcnicas multivariantes que analizan y
estudian conjuntamente ms de una serie. Tradicionalmente las tcnicas de prediccin
mediante series temporales se utilizan para efectuar previsiones a corto plazo, mientras que
para efectuar predicciones a largo medio y plazo se recurre a modelos causales.
Finalmente, hay que sealar que la dinmica compleja inherente en los procesos de
eleccin de los agentes econmicos provoca que los procedimientos de prediccin que se
apliquen sea una combinacin de mtodos, ms que a la utilizacin de una sola tcnica o
mtodo de forma individual. Esto supone un valor aadido dentro del proceso de decisin,
as como una complejidad superior en el tratamiento de toda la informacin.

7.2 Concepto de serie temporal
Granger y Newbold definen las series temporales "como una secuencia de valores
ordenados por un parmetro temporal". Es, por consiguiente, un conjunto de observaciones de
una variable
t
Y medidas en orden cronolgico (por ejemplo, las ventas de una empresa
mensuales a lo largo de tres aos). La ordenacin de los elementos de este conjunto es no
accidental
(*)
, ya que el tiempo es una variable que implica un orden natural. Las observaciones
de las variables se toman siguiendo este orden, de ah proviene la denominacin de serie. El
mantenimiento de este orden es esencial para poder analizar los fenmenos econmicos desde
la perspectiva temporal.
Las series temporales pueden ser continuas o discretas. Son continuas aqullas en las
que se pueden considerar infinitas medidas de la variable. Sin embargo, y dada la
disponibilidad de la informacin estadstica, con una periodicidad determinada, en el campo
econmico histricamente ha tenido mayor inters el estudio de las series en el campo
discreto. Las series temporales discretas, estn definidas en puntos equidistantes en el tiempo.
El estudio de este tipo de series es mucho ms asequible y ms aplicable en el campo de la
economa. Una vez que se ha elegido el intervalo de tiempo entre dos observaciones, es
conveniente que todos ellos sean iguales para que puedan proporcionar una secuencia
homognea y cronolgicamente ordenada de la variable.
El objetivo del anlisis de las series temporales es, en definitiva, llegar a un
conocimiento ms profundo del mecanismo que las genera con fines descriptivos y/o
predictivos.


(*) Si bien es cierto que no figura el factor tiempo de forma explcita no es menos cierto que el tiempo tiene
una gran importancia de cara a la ordenacin de las observaciones.
2003 Bernard Cabrer Econometra Empresarial II Tema 7
6
El estudio de las series temporales propuesto parte de la observacin grfica de una
serie temporal que permite distinguir diferentes componentes o fuentes de variacin, ver
Grfico 7.1.
Grfico 7.1
REPRESENTACIN DE UNA SERIE TEMPORAL






En efecto, histricamente el anlisis de las series temporales se fundamenta en la concepcin
de la serie temporal
t
Y como la composicin de cinco componentes distintos, que son:

t
P Son las variaciones a largo plazo o tendencia. Las series pueden
presentar un crecimiento o decrecimiento sostenido a lo largo del tiempo. Es un
movimiento especfico, es decir, no repetitivo que incluye los efectos a largo plazo
de la serie temporal.

t
C Son las variaciones o fluctuaciones cclicas que se presentan con una
frecuencia de 3 a 11 aos. Son movimientos libres y rtmicos, medidos entre dos
momentos cresta
(1)
.

t
S Son las variaciones o fluctuaciones estacionales recurrentes con una
periodicidad igual o inferior al ao, generalmente la recurrenca o repeticin del
acontecimiento se produce cada s periodos, es decir, el acontecimiento se va a
producir en los momentos temporales siguientes: t , s t , s t 2 , , 3s t ....
Generalmente s va a tomar el valor doce para datos mensuales y el valor cuatro
para datos trimestrales. El factor estacional surge por factores climatolgicos,
institucionales o convencionales. Ejemplo sera la demanda de productos
estacionales como bebidas refrescantes, helados, turrones, juguetes, etc.

t
I Es un factor sistemtico no peridico o irregular, que vendra
determinado por fenmenos ocasionales que provocan observaciones anmalas y

(1) (o momentos de auge) o entre dos momentos de depresin. Un ejemplo sera la representacin de los
ciclos de los negocios. Factores que causarn un efecto cclico seran, por ejemplo, las ventas de una
determinada prenda de ropa, que marcara los estilos de moda y diseos cclicos de sta.
0
20
40
60
80
100
80 82 84 86 88 90 92 94 96 98
2003 Bernard Cabrer Econometra Empresarial II Tema 7
7
valores atpicos en la serie temporal. Hechos causados por: catstrofes, huelgas,
fiestas, la Pascua, etc.

t
u Es una variable aleatoria con esperanza matemtica igual a cero,
varianza igual a
u
2

y covarianza nula.

Grfico 7.2 Grfico 7.3
REPRESENTACIN DE LA TENDENCIA REPRESENTACIN DEL CICLO





Grfico 7.4 Grfico 7.5
REPRESENTACIN DE LA REPRESENTACIN DE LA
ESTACIONALIDAD C. IRREGULAR






Estas componentes descritas permiten desagregar la serie temporal en una parte
sistemtica y otra no sistemtica. La parte sistemtica est formada por la tendencia, el ciclo,
la estacionalidad y el factor sistemtico no peridico.
El esquema de composicin de estas componentes puede adoptar distintas
expresiones, siendo la ms usual el aditivo:

t
Y =
t
P +
t
C +
t
S +
t
I +
t
u (7.1)
0
20
40
60
80
100
80 82 84 86 88 90 92 94 96 98
-3
-2
-1
0
1
2
3
80 82 84 86 88 90 92 94 96 98
-3
-2
-1
0
1
2
3
4
80 82 84 86 88 90 92 94 96 98
0
2
4
6
8
80 82 84 86 88 90 92 94 96 98
2003 Bernard Cabrer Econometra Empresarial II Tema 7
8
o el multiplicativo:

t
Y =
t
P
t
C
t
S
t
I
t
u
donde, en este caso,
t
S es la estacionalidad del perodo.
Para las series que presentan un crecimiento exponencial, el esquema multiplicativo
parece ser ms adecuado, ver Grfico 7.6. Mientras que las que presentan un crecimiento
lineal se adecuan mejor al esquema aditivo, ver Grfico 7.1. Ahora bien, ambos esquemas
estn relacionados, ya que el aditivo se puede derivar del multiplicativo aplicando logaritmos.

Grfico 7.6
REPRESENTACIN DE UNA SERIE TEMPORAL CON ESQUEMA
MULTIPLICATIVO








En efecto, tomando logaritmos en la expresin:

t
Y =
t
P
t
C
t
S
t
I
t
u
se obtiene:
ln
t
Y = ln
t
P + ln
t
C + ln
t
S + ln
t
I + ln
t
u
Los esquemas antes expuestos no son nicos ya que la combinacin de los
componentes puede ser mixta, incluyendo la adicin y la multiplicacin. Pero, adems, los
componentes antes descritos no necesariamente tienen que intervenir todos simultneamente.
As, se podran ir obteniendo distintos esquemas de las series temporales, dependiendo de los
componentes que intervienen en cada caso y de la forma en que se combinan.
0
4000
8000
12000
16000
80 82 84 86 88 90 92 94 96 98
2003 Bernard Cabrer Econometra Empresarial II Tema 7
9
Se podra realizar una clasificacin de las series temporales segn los componentes
que configuran la serie temporal, de forma que si se consideran nulos todos los componentes a
excepcin de la tendencia, entonces un primer esquema de la serie (7.1) quedara reducido a la
siguiente expresin:

t
Y =
t
P (7.2)
o bien:

t
Y =
t
P +
t
u (7.3)
dependiendo de si se tiene en cuenta o no la variable aleatoria
t
u o parte no sistemtica de la
serie temporal.
Un segundo esquema se podra obtener a partir del componente estacional y la
variable aleatoria. En este caso la ecuacin (7.1) se transforma en:

t
Y =
t
S +
t
u
dando origen a los modelos estacionales.
Un tercer esquema a considerar es cuando intervienen los componentes estacional y
tendencial. La ecuacin (7.1) quedara en este caso como:

t
Y =
t
P +
t
S +
t
u (7.4)
dando origen a los modelos de estacionalidad y tendencia.
Aznar y Trivez (1993) clasifican las series atendiendo a los componentes que
intervienen, es decir, tendencia-ciclo (
t
P
t
C ), estacionalidad
t
S y perturbacin aleatoria
t
u , en cuatro categoras o tipos que se resumen en el Cuadro 7.1.
2003 Bernard Cabrer Econometra Empresarial II Tema 7
10

Cuadro 7.1
CLASIFICACIN DE LAS SERIES SEGN AZNAR Y TRIVEZ

ESTACIONALIDAD

NO SI


NO

TIPO I
t
Y =
0
+
t
u

TIPO II
t
Y =
t
S +
t
u


T
E
N
D
E
N
C
I
A



SI


TIPO III
t
Y = (
t
P
t
C ) +
t
u

TIPO IV
t
Y = (
t
P
t
C ) +
t
S +
t
u
t
Y = (
t
P
t
C )
t
S
t
u


En este mismo sentido es de destacar la clasificacin de las series temporales
propuesta por Pagels, atendiendo a los posibles esquemas (aditivo o multiplicativo) y a los
componentes que intervienen, que se resume en el Cuadro 7.2.
Cuadro 7.2
CLASIFICACIN DE LAS SERIES TEMPORALES SEGN
PAGELS
ESTACIONALIDAD
NO ADITIVA
MULTIPLICATIVA

NO


t
Y =
0
+
t
u

t
Y =
t
S +
t
u

t
Y =
t
S
t
u

ADITIVA

t
Y = (
t
P +
t
C ) +
t
u


t
Y = (
t
P +
t
C )+
t
S +
t
u

t
Y = (
t
P +
t
C )
t
S
t
u


T
E
N
D
E
N
C
I
A

MULTI
PLICATIVA


t
Y = (
t
P
t
C ) +
t
u



t
Y = (
t
P
t
C ) +
t
S +
t
u


t
Y = (
t
P
t
C )
t
S
t
u


La mayora de los mtodos de anlisis de las series temporales utilizados en la prctica
son univariantes, ya que lo habitual es estudiar una serie de forma independiente de las otras.
2003 Bernard Cabrer Econometra Empresarial II Tema 7
11
La consideracin conjunta de series temporales o tratamiento multivariante es ms adecuada
para el anlisis de las series econmicas, puesto que los fenmenos econmicos aparecen
interrelacionados entre s. En el mundo empresarial, las aplicaciones de los modelos causales
son escasas, ya que aumenta considerablemente su complejidad y el coste de su realizacin.
Con el fin de simplificar esta exposicin nicamente se har referencia al contexto
univariante.

Ejemplo 7.1
EXPORTACIONES ANUALES DE BIENES DE LA
ECONOMA VALENCIANA







Ejemplo 7.2
PERNOCTACIONES MENSUALES EN ESTABLECIMIENTOS HOTELEROS DE
LA COMUNIDAD VALENCIANA








500
1000
1500
2000
2500
86 87 88 89 90 91 92 93 94 95 96 97 98 99
0
500
1000
1500
2000
2500
74 76 78 80 82 84 86 88 90 92 94 96 98
2003 Bernard Cabrer Econometra Empresarial II Tema 7
12
Como hemos apuntado antes, dentro del estudio de las series temporales destaca el
enfoque clsico que pretende, esencialmente, estimar cada uno de los componentes de la serie
temporal por separado con el fin de conocer mejor la estructura de la misma y con la finalidad
ltima de efectuar predicciones. As pues, el anlisis de las series a travs de este enfoque se
centra en el estudio de los distintos componentes que intervienen, as como la forma de
combinarlas, bien de forma aditiva o bien multiplicativa.
El anlisis clsico de las series temporales se caracteriza por:
1. Utilizar principalmente informacin histrica o del pasado de la propia serie.
2. Ser mtodos no paramtricos ya que, cuando se formula un predictor, se presta
poca atencin a la estructura estocstica de la poblacin a partir de la cual se supone que se
han extrado las observaciones de la serie temporal.
Las series temporales, desde el punto de vista estadstico, se pueden desagregar en dos
componentes: uno determinista (tendencia, ciclo, estacionalidad, irregular) y otro estocstico
(variable aleatoria). As, los modelos clsicos de series temporales dan preponderancia al
estudio del componente o componentes deterministas. Adems, los mtodos clsicos de
anlisis de las series temporales utilizan principalmente las tcnicas siguientes: regresin,
alisado exponencial y medias mviles. Dichas tcnicas, a su vez, se pueden agrupar en
mtodos de estructura fija (o tendencia global) y mtodos de estructura cambiante (o
tendencia local). Mientras que en los mtodos ms modernos se hace mayor hincapi en la
parte no sistemtica.
As pues, los dos posibles enfoques de modelizacin de una serie temporal, desde el
punto de vista clsico, son:
Modelos de estructura fija o global, donde la prediccin se realiza con una
funcin determinista que depende del tiempo. Se utilizan generalmente mtodos de
regresin lineal o no lineal para estimar el proceso generador de los datos.
Modelos basados en una estructura variable o local, donde se construye la
prediccin teniendo en cuenta la informacin histrica o pasada. Los coeficientes
del modelo van cambiando en cada momento del tiempo.
Las tcnicas de estructura fija definen el predictor a partir de toda la informacin
disponible de la serie temporal, mientras que las tcnicas de tendencia local lo definen
mediante un proceso iterativo dando entrada sucesivamente a cada una de las observaciones
de la serie.
Un hecho a tener en cuenta es que las tcnicas de estructura fija utilizan como criterio
de evaluacin del modelo la bondad del ajuste, mientras que en los mtodos de estructura
cambiante se utiliza generalmente como medida de bondad su capacidad predictiva.
Adems, al tratarse de mtodos no paramtricos, la evaluacin de las tcnicas para
obtener las predicciones hay que hacerla mediante el clculo de estadsticos que traten de
medir alguna propiedad deseable de la prediccin, pero sin que la valoracin requiera ninguna
2003 Bernard Cabrer Econometra Empresarial II Tema 7
13
caracterstica estocstica de la poblacin. Por su parte, el enfoque clsico de las series
temporales no exige un estudio o tratamiento previo de los componentes que intervienen y que
definen la serie o variable.
Desgraciadamente el estudio de las series temporales es algo ms complejo que una
simple agregacin (o composicin de algn otro modo) de los distintos componentes. Lo que
realmente se tiene en la prctica es precisamente el resultado de los componentes. El trabajo
consistir, por lo tanto, en aislar cada uno de estos factores. El problema as planteado es muy
difcil y tiene parte importante de arbitrariedad, empezando, precisamente, por la eleccin de
la especificacin que se considere.
Las ventajas de estos mtodos de prediccin, frente a otros ms sofisticados, radican
por su sencillez fundamentalmente en:
1. El coste de aplicacin es ms barato que otros mtodos o tcnicas ms sofisticadas.
2. El clculo de nuevas predicciones es generalmente mecnico (automtico).
3. La utilizacin de estos mtodos de prediccin no requiere para su aplicacin personal
especializado.
Las principales limitaciones de estas tcnicas de prediccin provienen del hecho de
que las estimaciones de las predicciones tan solo son adecuadas si la serie objeto del anlisis
viene definida por un esquema determinado, lo cual ha sido solucionado, en parte, por el
anlisis moderno de las series cronolgicas donde se concibe a la serie temporal como una
realizacin de un proceso estocstico.
En definitiva, se puede afirmar que el objetivo del anlisis clsico de las series temporales es
llegar al conocimiento profundo del mecanismo que las generan con fines descriptivos y/o
predictivos.

7.3. Componentes no observables de una serie temporal.
La idea actual de una serie temporal es que los movimientos observados (valores
observados de la serie temporal) medidos a travs de las series histricas son el resultado de
la superposicin de los movimientos tericos de diferente naturaleza, se denominan:
tendencia, ciclo, estacionalidad y componente irregular (outliers, observaciones anmalas,
efectos calendario, efecto Pascua, etc).
La idea subyacente es que el efecto temporal se pone de manifiesto a travs de un
desplazamiento de las funciones estticas que se corrigen mediante la eliminacin de la
tendencia. Ahora bien el desplazamiento de la funcin esttica en si mismo va a suponer un
desequilibrio entre las relaciones de las variables. As pues, en el caso de especificar una
relacin causal entre series libres de tendencia lo que realmente se pretende establecer es
una correspondencia entre los ciclos de ambas series. En este caso la relacin causal no se
2003 Bernard Cabrer Econometra Empresarial II Tema 7
14
contempla en toda su esencia ya que no se toman en consideracin los efectos que subyacen
en la tendencia.
Aunque lo habitual es distinguir cuatro movimientos o componentes de acuerdo a la
diferente duracin, este criterio no es riguroso muchas veces no se puede distinguir entre las
componentes y se opta por utilizar componentes conjuntas, por ejemplo ciclo-tendencia.
Por su parte, el criterio cualitativo que diferencia la tendencia del ciclo, es la recurrencia o
regularidad de los movimientos. As pues, el anlisis del ciclo va suponer el estudio de la
existencia de movimientos recurrentes a medio plazo en economa, mientras que el anlisis
de la tendencia consiste en el estudio de la inercia. En este caso hay que insistir que la
tendencia y el ciclo no necesariamente tienen que ser estables a lo largo de la historia ya que
al ampliar el horizonte temporal (introducir nuevas observaciones) de una serie la
componente tendencial y cclica pueden sufrir alteraciones significativas.
Adems del ciclo y la tendencia pueden existir otros movimientos y fenmenos que
pueden contribuir a la explicacin del comportamiento de los fenmenos econmicos. Entre
ellos destacan la estacionalidad y el efecto calendario. As, por ejemplo, el efecto calendario
laboral se manifiesta en una serie mensual a travs de la incidencia que tiene el distinto
nmero de das laborables de cada mes en la produccin. De esta forma el efecto calendario
se convierte en un elemento o factor explicativo adicional del comportamiento de algunas
series temporales. Un ejemplo concreto de este tipo de series es concreto es el Indice de
Produccin Industrial (IPI).
2003 Bernard Cabrer Econometra Empresarial II Tema 7
15
Practica 7. Anlisis descriptivo de una serie:
Representacin grfica
Diferenciacin y representacin grfica de la serie original y de las series
diferenciadas
Test de normalidad
Funcin de autocorrelacin y contraste de significatividad de la funcin de
autocorrelacin

El inters del anlisis de las series temporales es doble: por una parte describir la
evolucin de una variable y por otra proporcionar un instrumento capaz de ofrecer
predicciones con un nivel de precisin elevado, sin que para ello se recurra a otra
informacin adicional que la proporcionada por la serie temporal. As pues, el objetivo del
anlisis de las series temporales es, en definitiva, llegar a un conocimiento ms profundo
del mecanismo causal o generativo de la serie con el fin de obtener los valores estimados,
generalmente extramuestrales de las series.
Uno de los pasos primeros en el anlisis es la representacin grfica de la serie con
el fin de visualizar su comportamiento a lo largo del tiempo. En esta practica se va a
trabajar con la variable PERNOCTA del fichero PRACTICA7. Se trata de una serie de
datos mensuales de las pernoctaciones registradas en la Comunidad Valenciana en el
periodo 1986.01 a 2001.12. que se puede visualizar a travs de la Figura P.7.1.

Figura P.7.1

2003 Bernard Cabrer Econometra Empresarial II Tema 7
16



Representacin grfica
La instruccin para representar grficamente la serie PERNOCTA es:

PLOT PERNOCTA

El resultado es el Grfico P.7.1 adjunto.
Grfico P.7.1


En el Grfico P.7.1 se puede comprobar que la serie presenta dientes de sierra que
son indicativos de la presencia de estacionalidad, pero adems se puede comprobar que la
serie PERNOCTA presenta una evolucin ascendente que es indicativa de la presencia de
tendencia.

Diferenciacin y representacin grfica de la serie original y de las series
diferenciadas.
Con el fin de eliminar la tendencia de una serie temporal se acostumbra tomar
diferencias ordinarias, mientras que para suavizar la estacional se aplican las diferencias
estacionales. Se entiende por diferencia ordinaria de la serie
t
Y a la operacin siguiente:
t
Y -
1 t
Y =
t
Y
en nuestro caso vamos a llamar a la serie diferenciada una vez de forma ordinaria Y1. La serie
transformada se puede obtener a travs de la siguiente instruccin:
GENR Y1= PERNOCTA-PERNOCTA(-1)
2003 Bernard Cabrer Econometra Empresarial II Tema 7
17

La diferencia estacional de una serie se obtiene a travs de la siguiente transformacin:
t
Y -
s t
Y

=
s

t
Y
que para el caso de datos mensuales s =12 se tiene:

t
Y -
12 t
Y =
12

t
Y
en nuestro caso vamos a llamar a la serie diferenciada Y12 que se puede obtener a travs de
la siguiente instruccin:

GENR Y12= PERNOCTA-PERNOCTA(-12)

La serie transformada a travs de una diferencia ordinaria y posteriormente una
diferencia estacional se puede obtener mediante la siguiente operacin:

GENR Y1_12= Y1 - Y1(-12)

La representacin grfica de las series obtenidas se pueden visualizar a travs de la
siguiente instruccin:

PLOT PERNOCTA Y1 Y1_12

El resultado es el Grfico P.7.2 adjunto.
Grfico P.7.2

Test de normalidad

- 1 0 0 0
- 5 0 0
0
5 0 0
1 0 0 0
1 5 0 0
2 0 0 0
2 5 0 0
3 0 0 0
1 9 8 6 1 9 8 8 1 9 9 0 1 9 9 2 1 9 9 4 1 9 9 6 1 9 9 8 2 0 0 0
P E R N O C T A Y 1 Y 1 _ 1 2
2003 Bernard Cabrer Econometra Empresarial II Tema 7
18
El test ms utilizado para contrastar la normalidad de una variable es el de Bera-
Jarque (Jarque-Bera), no obstante en el contexto de las series temporales frecuentemente se
utiliza la representacin grfica de la serie normalizada (esto es, normalizar una variable
consiste en transformarla restandole la media y dividiendola por la desviacin tpica). Dado
que la serie normalizada el valor de la media es cero y el de la desviacin tpica es uno lo
adecuado es que aproximadamente el 99% de las observaciones estn comprendidas entre
mas menos dos veces la desviacin tpica. ( 2 ).

La representacin grfica de la serie Y1_12 normalizada se puede obtener a travs
de la instruccin:

PLOT(N) Y1_12

El resultado es el Grfico P.7.3 adjunto.


Grfico P.7.3

A partir del Grfico P.7.3se puede observar que en la serie Y1_12 existen un
conjunto de observaciones que sobrepasan los limites marcados por 2 . Esencialmente
nos encontramos con la observacin correspondiente al mes de marzo del 2000 que sobre
- 4
- 3
- 2
- 1
0
1
2
3
1 9 8 8 1 9 9 0 1 9 9 2 1 9 9 4 1 9 9 6 1 9 9 8 2 0 0 0
Y1 _ 1 2


2003 Bernard Cabrer Econometra Empresarial II Tema 7
19
pasa el triple de la desviacin tpica, dicha observacin se le podra considerar un valor
atpico u outlier.

Si aplicamos ahora el test de Bera-Jarque a la serie Y1_12 a travs de la
instruccin:

HIST Y1_12

El resultado es el Grfico P.7.4 adjunto:




Grfico P.7.4





Los resultados del test de Jarque- Bera, ver Grfico P.7.4, indican que la variable
Y1_12 sigue el comportamiento de una normal. Recordemos que el estadstico de Jarque-
Bera (JB) se distribuye segn una
2
2
con dos grados de libertad.
Prob ( JB <
2
2
) = 1-
Que para nuestro caso, y para =0,05, se tiene:
0,947098 < 5,99
al cumplirse la desigualdad probabilistica se acepta la hiptesis de normalidad en la serie
Y1_12 con una probabilidad del 95%.
0
5
1 0
1 5
2 0
2 5
- 3 0 0 - 2 0 0 - 1 0 0 0 1 0 0 2 0 0
S e r i e s : Y 1 _ 1 2
S a m p l e 1 9 8 7 : 0 2 2 0 0 0 : 1 2
O b s e r v a t i o n s 1 6 7
M e a n 0 . 5 5 3 7 2 5
M e d i a n 2 . 0 7 0 0 0 0
M a xi m u m 2 3 0 . 9 8 0 0
M i n i m u m - 2 7 6 . 3 5 5 0
S t d . D e v . 8 9 . 6 0 7 8 4
S k e w n e s s 0 . 0 6 9 2 1 0
K u r t o s i s 3 . 3 4 1 9 7 8
J a r q u e - B e r a 0 . 9 4 7 0 9 6
P r o b a b i l i t y 0 . 6 2 2 7 8 9
2003 Bernard Cabrer Econometra Empresarial II Tema 7
20

No obstante, tal como se ha visto en el Grfico P.7.3, si se utiliza la serie Y1_12 la
observacin atpica correspondiente al mes de marzo del 2000 puede provocar distorsiones
en los resultados de la especificacin y estimacin del modelo de la serie

En el caso de que se estudie la normalidad de la serie Y1 se puede comprobar que
dicha variable no supera el test de normalidad de Jarque-Bera para una probabilidad del
95%., ver Grfico P.7.5.

Grfico P.7.5
Funcin de autocorrelacin y contraste de significatividad de la funcin de
autocorrelacin.
La funcin de autocorrelacin se define como:
k
=
k t t
Y Y
k t t
S S
Y Y

) cov(

t t
Y Y
k t t
S S
Y Y ) cov(

=
cov( )
var( )
Y Y
Y
t t k
t

=
( )( )
( )
Y Y Y Y
Y Y
t t k
t

2


Se sabe que el coeficiente de autocorrelacin est acotado entre (-1 y 1). El calculo de
la funcin de autocorrelacin de una serie en el Eviews se efecta mediante la instruccin
IDENT. As para obtener la funcin de autocorrelacin de la serie Y1_12 se debera escribir
la siguiente instruccin:
0
4
8
12
16
20
-400 -200 0 200 400 600
Series: Y1
Sample 1986:02 2000:12
Observations 179
Mean 2.421799
Median 43.48000
Maximum 553.6340
Minimum -531.5280
Std. Dev. 262.0307
Skewness -0.268218
Kurtosis 2.062576
Jarque-Bera 8.700346
Probability 0.012905
2003 Bernard Cabrer Econometra Empresarial II Tema 7
21
IDENT Y1_12
El resultado es el Grfico P.7.6 adjunto:
Grfico P.7.6

En el Grfico P.7.6 podemos observar que el valor del coeficiente de autocorrelacin
de primer orden es
1
= -0.526 , el de segundo orden es
2
=0,212, el de tercer orden es
3
=
-0,099, ....
Desde el punto de vista analtico se puede efectuar el contrastes probabilstico ya que
el estadstico:

se distribuye segn una normal tipificada. Adems una estimacin de
2003 Bernard Cabrer Econometra Empresarial II Tema 7
22
la desviacin tpica es: =
T
1
. Asi pues si queremos efectuar el contraste de
significabilidad para
1
, es decir la hiptesis nula H
0
1
=0 frente a la hiptesis alternativa
H
A
1
0; se debera establecer la siguiente desigualdad probabilstica:
Prob( -
2

N <

1 1

<
2

N ) = 1-
Para nuestro caso se tiene:
1
= -0.526, T =167 y el valor tabulado de
2

N para igual a
0,05 es 1,96; operando se obtiene la siguiente desigualdad:
-1.96 </
077 . 0
0 526 . 0
<1.96
-1.96 </
-6.83 < 1.96
al no cumplirse la desigualdad se rechaza la hiptesis nula, es decir que con una
probabilidad del 95% el coeficiente de autocorrelacin de primer orden es distinto de cero.
Anlogamente se pueden efectuar los contrastes del resto de coeficientes de
autocorrelacin.