ANALISIS DE SERIES DE TIEMPO
El anlisis de series de tiempo tiene como objetivo descubrir,
estudiar y utilizar para tomar medidas de poltica econmica y para
prediccin, el mecanismo de generacin de las series de tiempo o
proceso estocstico.
Datos de Series de Tiempo
Es una secuencia de datos empricos ordenados en funcin del
tiempo.
Para qu? Analizar el comportamiento de la Serie de Tiempo.
Determinar sus propiedades estadsticas y probabilsticas. Para
adivinar el movimiento futuro de la serie a partir de su propio
pasado.
Origen de los datos de Series de Tiempo:Cortes transversales vs
Datos de Series de Tiempo
1. Cortes transversales:
Muestra AleatoriaPoblacin
Tiene como propsito hacer inferencia sobre la poblacin.
2. Datos de series de tiempo
Serie de Tiempo(Realizacin)Ensamblaje
D.G.P.
D.G.P.: Proceso Generador de Datos (proceso estocstico) Proceso
estocstico {Xt}
Un proceso estocstico o aleatorio es una secuencia de variables
aleatorias ordenadas en el tiempo. {Xt} = {x1,x2,}. Es como un
experimento aleatorio que consiste en asignar valores a
La serie de tiempo es una realizacin de las tantas posibles del
proceso estocstico. En el anlisis de series de tiempo se pretende
hacer inferencia sobre el proceso estocstico a partir de la serie
de tiempo.
El problema es que no podemos repetir el experimento, sino que
disponemos solo de los datos que provee el sistema.
Componentes de una serie de tiempo
Una serie de tiempo tiene 4 componentes bsicos: tendencia,
ciclo, estacional y aleatorio.
a. Tendencia:Es el componente de largo plazo de la serie.
Responde a la pregunta Hacia dnde se dirige la serie?
b. Ciclos:Es una oscilacin de largo plazo de la serie. Por la
naturaleza estocstica de las series econmicas, los ciclos nunca
estn claramente demarcados, ni en amplitud ni en frecuencia.
Los ciclos econmicos son un tipo de fluctuacin que se encuentra
en la actividad econmica agregada de las economas que organizan su
trabajo principalmente mediante empresas. Un ciclo consta de
expansiones que ocurren aproximadamente al mismo tiempo en muchas
actividades econmicas, seguidas de recesiones igualmente generales.
La secuencia de las fases es recurrente pero no peridica. (Burns y
Mitchell, 1946[footnoteRef:1]). [1: "MEASURING BUSINESS CYCLES"
Burns, A. F., y W. C. Mitchell. National bureau of Economic
Research. 1946]
Las series macroeconmicas pueden verse como la suma de dos
componentes: la componente permanente (tendencia), caracterizada
por factores de oferta de la economa (cambios tecnolgicos, los
cambios demogrficos, la productividad de los factores, el entorno
institucional), y la componente cclica, caracterizada
principalmente por factores de demanda.
El ciclo y la tendencia no deben separarse artificialmente
porque forman parte de un proceso integrado, que obedece a las
leyes generales que rigen las economas de mercado.
c. Estacionalidad
Es un movimiento similar de la serie de tiempo en la misma poca
o periodo (menor a un ao). P. ej. Las ventas que se elevan todos
los diciembres, los precios de los alimentos que en el periodo de
cosecha.
El efecto estacional es causado por las variaciones climticas
(temporada de lluvias, sequia, heladas), normas tributarias
(cierres contables, pago de impuestos) o costumbres sociales
(calendario escolar, vacaciones).
d. Ruido
Si en una serie las observaciones pasadas no proveen ninguna
informacin sobre el movimiento de la serie en el futuro, dicha
serie ser imposible de predecir utilizando informacin de su propio
pasado y se denomina ruido.
COMPONENTES DE LA SERIE DE TIEMPO
Estacionariedad
Un proceso estocstico es estacionario si sus propiedades
estadsticas y probabilsticas no cambian con el tiempo. Es decir, si
su funcin de distribucin acumulativa (que resume todas sus
propiedades estadsticas y probabilsticas) no cambia con el
tiempo.
Estacionariedad dbil o de segundo orden:
Un proceso estocstico es estacionario dbil 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
esos dos perodos de tiempo y no del momento en el cual se ha
calculado la covarianza.
Si una serie de tiempo es generada por un proceso estacionario,
su futuro va a ser similar a su pasado; en otras palabras, podemos
utilizar informacin pasada de una serie de tiempo para proyectar o
predecir su futuro.
a. Un proceso estacionario dbil es tambin estrictamente
estacionariob. La apariencia visual de una serie generada por un
proceso estacionario es ms o menos la misma a lo largo del
tiempo.c. Una serie de este tipo tender a regresar a la media
(reversin media)
La mayora de las series econmicas son no estacionarias
Naturaleza determinsticaCausas de la no estacionariedad: Naturaleza
estocstica
Tendencia determinstica: Caminata aleatoria: Caminata aleatoria
con deriva:
MTODO DE AJUSTE ANALTICO PARA ESTIMAR LA TENDENCIA EN SERIES
TEMPORALES
Consiste simplemente en realizar un ajuste por regresin de los
valores de la serie, utilizando una funcin del tiempo que sea
sencilla, y que recoja de manera satisfactoria el comportamiento
general del fenmeno representado por la serie temporal.
MTODO DE SUAVIZACIN PARA ESTIMAR LA TENDENCIA EN SERIES
TEMPORALES
Los mtodos de suavizado remueven el ruido y las fluctuaciones de
corto plazo de la serie, con el propsito de obtener una lnea
suavizada (), que sea una seal clara, libre de variaciones
estacionales, que se pueda utilizar en prediccin.
1. Suavizado por medias mviles.
Se utiliza cuando no hay tendencia clara ni estacionalidad en la
serie original. Cada observacin de es la media de observaciones
consecutivas.
Promedio aritmtico rezagado:
Cuanto menor es , ms peso se le da a los periodos ms recientes y
viceversa. Es ms deseable un pequeo cuando existen cambios
repentinos en el nivel de la serie.
2. Promedio mvil doble
Es til cuando la serie de tiempo presenta una tendencia lineal.
Pasos para obtener el pronstico:
1.
2.
3.
4.
5.
3. Mtodos de suavizado exponencial
Mientras que el mtodo de promedio mvil toma en cuenta solo las
observaciones ms recientes, la suavizacin exponencial simple ofrece
un promedio mvil con peso exponencial para todos los valores
previos observados. El mtodo es adecuado para datos que no
presentan tendencia.
Con .
Las iteraciones pueden inicializarse haciendo y empezando en
t=2.
La rapidez con la cual las observaciones pasadas pierden su
efecto depende del valor de .
Si se desea que las predicciones sean estables y que la serie de
pronostico sea una serie suavizada, se requiere un valor pequeo de
.
Si se desea una respuesta rpida a un cambio real en el patrn de
observaciones, un valor grande de ser lo apropiado.
Pronstico periodos hacia adelante:
a. Suavizacin exponencial ajustada a la tendencia: Mtodo de
Holt
Se utiliza cuando los datos observados tienen una tendencia
clara que permite anticipar movimientos futuros ascendentes. Cuando
se anticipa una tendencia clara en una serie de tiempo, se requiere
un estimado de la pendiente actual, as como del nivel actual.
Pasos:
1. Nivel actual estimado:
2. El estimado de la tendencia:
3. Pronstico para periodos hacia adelante:
La iteracin puede inicializarse en t=3 haciendo y
b. Suavizacin exponencial ajustada a la tendencia y a la
variacin estacional: Mtodo Winters (Multiplicativo)
Cuando se presenta un patrn estacional, el mtodo de Winters
puede representar mejor los datos y reducir el error de
pronstico.
Pasos:
1. Nivel actual estimado:
2. El estimado de la tendencia:
3. Estimado de la estacionalidad:
4. Pronstico para periodos hacia adelante:
Para seleccionar los parmetros , y se puede minimizar una medida
de error de pronstico como el error cuadrado medio (MSE).
PROCEDIMIENTO DE DESESTACIONALIZACIN DEL NDICE ESTACIONAL
0. Obtener una tendencia de la serie que se desea
desestacionalizar mediante el mtodo de medias mviles (utilizando el
promedio aritmtico centrado) con suficientes trminos para cubrir un
periodo de un ao.
P. ej. Si la serie es mensual
1. Se elimina la tendencia y la variacin cclica:
Caso aditivo:
Caso multiplicativo:
2. Promediar estas diferencias para cada periodo. Si la serie es
mensual se promedian todos los eneros, todos los febreros etc.
Estos promedios, despus la normalizacin, se conocen como factores
estacionales , donde el subndice i indica el subperiodo del ao. Los
factores representan los movimientos estacionales tpicos de cada
periodo.
La normalizacin tiene como propsito no cambiar sustancialmente
el efecto neto anual de la serie tras la Desestacionalizacin.
Los factores estacionales se normalizan para que tengan media
cero en el caso aditivo, o producto unitario en el caso
multiplicativo. Esto se hace restando la media de los factores a
cada uno de los factores en el caso aditivo, o dividiendo cada
factor por el promedio geomtrico de los factores en el caso
multiplicativo.
3. Calcular la serie desestacionalizada :
Caso aditivo:
Caso multiplicativo: FUNCIN DE AUTOCOVARIANZA
Un objetivo importante en el anlisis de series de tiempo
consiste en establecer la relacin entre una observacin en tiempo t
y otras observaciones cercanas (tiempo t-).
La autocovarianza de retardo de un proceso estocstico, denotada
R(), se define como:
Para =0,1,2.
La funcin de autocovarianza de un proceso estocstico
estacionario dbil ser:
Para =0,1,2.
Dado que:
Clculo de la funcin de autocovarianza en la prctica:
FUNCIN DE AUTOCORRELACIN
La funcin de autocorrelacin (ACF) de un proceso estocstico
estacionario dbil se define como la serie de autocovarianza
dividida por la varianza:
En la prctica:
Las funciones de autocovarianza y autocorrelacin son simtricas
alrededor de .
En la prctica, se conoce comnmente como correlograma
1. Solo se muestra el eje positivo de debido a la simetra
2. Se omite el dato para ya que se sabe que vale 1.
3. Se ponen lneas punteadas a 2 desviaciones estndar de , es
decir en , bajo la hiptesis nula de que la serie es ruido blanco
()
RUIDO BLANCO
Es la serie estocstica ms aleatoria posible. El ruido blanco es
un proceso estocstico independiente e idnticamente distribuido
(iid):
Usualmente, pero no necesariamente =0.
El ruido blanco es estacionario El ruido blanco no es
pronosticable a partir de su propio pasado, porque por definicin
cada xt es independiente de los dems.
FUNCIN DE AUTOCORRELACIN PARA RUIDO BLANCO GAUSSIANO
Recordando que:
Entonces: