SERIES TEMPORALES

Una serie temporal o cronológica es una secuencia de datos, observaciones o

valores, medidos en determinados momentos y ordenados cronológicamente. Los
datos pueden estar espaciados a intervalos iguales o desiguales.
Para el análisis de las series temporales se usan métodos que ayudan a
interpretarlas y que permiten extraer información representativa sobre las relaciones
subyacentes entre los datos de la serie o de diversas series y que permiten en
diferente medida y con distinta confianza extrapolar o interpolar los datos y así
predecir el comportamiento de la serie en momentos no observados, sean en el
futuro (extrapolación pronóstica), en el pasado (extrapolación retrógrada) o en
momentos intermedios (interpolación).

 Características de las Series Temporales

 La mayoría de las Series tienen una tendencia. Su valor medio

cambia con el tiempo. Son las llamadas Series no estacionarias.
 Algunas Series describen “meandros”, es decir, suben y bajan sin
ninguna tendencia obvia o tendencia a revertir hacia algún punto
 Algunas series presentan “Shocks” persistentes. Los cambios
repentinos en estas series tardan mucho tiempo en desaparecer
 Algunas series se mueven conjuntamente, es decir tienen “co
movimientos positivos”, ejemplo: diferentes tasa de interés
 La “Volatilidad” de algunas Series varía en el tiempo. Muchas series
pueden ser más variables en una año que en otro.

PRUEBA DE RAÍCES UNITARIAS

Como la mayoría de series económicas presentan un componente irregular
por lo que se analiza la raíz unitaria, en esta parte presentaremos la raíz
unitaria que es un indicador de series no son estacionarias .En los últimos
años se han realizado varios trabajo para el diseños de series con raíz
unitaria, en este trabajo presentaremos la prueba de Dickey – Fuller GLS
(ERS) – Fuller Aumentado (ADF), la Prueba Phillps – Perron (PP)1, la Prueba
Kwiatkowski, Phillips, Smichdt y Shin (KPSS).

 PRUEBA DE DICKEY – FULLER

Si partimos del modelo Xt = rXt-1 + ut

Donde -1≤r ≤ 1
Si r=1 estamos en el caso de raíz unitaria

El test de Dickey-Fuller (DF) se basa en la siguiente regresión:

DXt = dXt-1 + ut

Donde d = (r-1)
La hipótesis testeada es:

H0: Xt no es I(0), contra H1: Xt es I(0).

Ho se rechaza si el estimador de d es negativo y significativamente diferente de cero.

Si d= 0 , entonces:

DXt = ut

Entonces las primeras diferencias son estacionarias; pero la serie no es estacionaria

(r=1)
Se estima la regresión y se hace un test sobre la significación del d.

La H0 es d=0

 PRUEBA DE DICKEY – FULLER AUMENTADO (ADF)

Para esto se considera que la serie de tiempo puede ser representada como
un proceso autoregresivo de orden p.

Yt    1Yt 1   2Yt 2     p Yt  p   t

Cuando se extrae el término de 𝛽𝑝 𝑌𝑡−𝑝+1nos da:

Donde:

El número de rezagos óptimo para el modelo se termina de manera empírica, siendo la

idea de incluir los términos suficientes para que el error del modelo no este seriamente
relacionado.

De la ecuación II, se despende tres modelos de serie de tiempo que son: El paseo
aleatorio (Random Walks) pero, el paseo aleatorio con intercepto (drift) y paseo aleatorio
con intercepto y tendencia (componente determinístico.)

o Paseo aleatorio puro

o Paseo aleatorio con drift:

 o Paseo aleatorio con drift y tendencia:

p
Yt    Yt 1   i Yt i 1   .t   t
i 2

Si observamos la última ecuación incorpora la sumatoria (que estaba presente en la

ecuación II) hasta p rezagos de la primera diferencia de la variable. Esta está sumatoria
establece la representación aumentada de la prueba de ADF, a su vez que corrige la
presencia de correlación serial en los residuo de la ecuación, pero si la serie analizada
presenta un orden de autorregresión superior a uno.

Entonces el elementó a tomar en cuenta son los valores de MacKinnon (que no

evalua la tipica prueba 𝑡, por debajo de la hipotesis nula , el estadistico ∅⁄𝜎, que
resultan mas generales que los valores de la tabla de Dickey – Fuller.

 PRUEBA DE PHILLIPS-PERRON

En esta prueba de raíz unitaria fue desarrollada por Phillips y Perron, que
al igual que ADF plantean la hipótesis nula  = 1 en la ecuación.
Yt    Yt 1   .t  t
Pero la diferencia radica que la prueba ADF, no existe termino de diferencia
retardada, además PP utilizan métodos estadístico no paramétricos para
evitar la correlación serial en los términos del error, sin añadir términos de
diferencia rezagada en la ecuación(esta es la principal diferencia).

Phillips - Perron parte de la estimación por Mínimos Cuadrados Ordinarios

y luego el t-estadístico del coeficiente  es corregido.

H0: La trayectoria de la raíz unitaria con tendencia en la serie.

H1: Estacionalidad con tendencia de la serie.

Si el t-student asociado al coeficiente de Yt-1 es mayor en valor absoluto al

valor crítico de MacKinnon, entonces se rechaza la hipótesis nula de la
existencia de una raíz unitaria con tendencia en la serie.

 PRUEBA KWIATKOWSKI, PHILLIPS, SMICHDT Y SHIN (KPSS)

Los autores proponen contrastar como hipótesis nula la hipótesis de
estacionalidad en tendencias, he aquí la principal diferencia con los
anteriores contrastes de raíces unitarias.

La prueba KPSS es tan utilizada como las otras pruebas de raíces unitarias.
En la actualidad es muy útil en la investigación, para saber si la serie es
 fraccionalmente integrada.

H 0 : La serie es estacional en tendencia.

H1 : La serie es no presenta estacionalidad en tendencia.

PRUEBAS DE INTEGRACIÓN DE JOHANSEN

El planteamiento teórico de la propuesta de Johansen considera un modelo
VAR de orden p:

donde yt es un vector de k variables no estacionarias, I(1), xt es un vector de d variables

deterministas, y t ε es un vector de innovaciones. En forma condensada, podemos
rescribir el modelo VAR como:

El teorema de representación de Granger afirma que si la matriz de coeficientes Π tiene

un orden reducido 𝑟 < 𝑘, entonces existen 𝑘 ∗ 𝑟matrices ∝ 𝑦 𝛽 de orden r, tal que 𝑃 =∝
𝛽 y 𝛽 ∝ es estacionaria, donde r es el numero de cointegraciones.