Estacionalidad

Series de tiempo

Estacionalidad

Qu es la estacionalidad?
La estacionalidad es una componente que se
presenta en series de frecuencia inferior a la anual
(mensual, trimestral,...), y supone oscilaciones a
corto plazo de perodo regular, inferior al ao y
amplitud regular. Se trata de la componente que
introduce los matices ms interesantes de cara a la
prediccin. En general, todas las series de
frecuencia inferior a la anual presentan en mayor o
menor medida estacionalidad.

Estacionalidad

Modelos economtricos
Una prctica relativamente frecuente en la modelizacin
economtrica consiste en la utilizacin del logaritmo en lugar
del valor directo de la variable observada. Esta transformacin
resulta habitual en econometra en distintos contextos:
1. permite la resolucin de algunos de los problemas que suelen
presentar los modelos economtricos como problemas simples
de heteroscedasticidad. Este tipo de transformacin tiene la
importante propiedad de mantener la evolucin temporal de la
variable original, reduciendo proporcionalmente la variacin
relativa entre los distintos valores de la serie.
2. Permite
la linealizacin de modelos originalmente
especificados en trminos no lineales. Ejemplo, estimar una
funcin de produccin de tipo Cobb-Douglas.

En el grfico se recoge la evolucin del ndice de Produccin industrial

de Espaa, desde enero de 1998 hasta junio de 2003. Son datos
mensuales, en base 2000=100, obtenidos del INE. Podramos discutir
si la serie presenta ntidamente tendencia o ciclo (realmente es un
perodo muy pequeo, 5 aos, para detectarlo grficamente), pero este
es un ejemplo de serie con estacionalidad. Obsrvese que ao tras ao,
la serie presenta un comportamiento en los distintos meses de cada
ao muy similar. Todos los aos la serie parece crecer en los primeros
meses, decae ligeramente en abril, y, sobre todo, sufre una drstica
cada de forma sistemtica en el mes de agosto. Y as ao tras ao. Se
detecta pues un patrn regular. Efectivamente, esa evolucin de la
serie responde a hechos sencillos. En los meses de agosto y de abril (si
en este mes cae la Semana Santa) las empresas notan el bajn en su
produccin debido a las vacaciones.

Modelos economtricos

Q= T K L
donde K, L representan las dotaciones de

factores productivos (capital y trabajo,

respectivamente);
Q el nivel de produccin, y
T es una medida de la eficiencia tcnica.
A partir de esta formulacin de la teora
econmica, podramos obtener un modelo
economtrico como:

Modelos economtricos
Obviamente este modelo no es lineal en los
parmetros, por lo cual no es estimable a
partir de los mtodos usuales.
Ahora bien si tomamos logaritmos a ambos
lados de la ecuacin anterior
Se obtiene:
lnQ = ln T + ln K + ln L
que podemos presentar como:
y* = T * + k * + l *

Modelos economtricos

Lo cual, como es conocido, puede ser

aproximado por la elasticidad parcial de
la variable Q con respecto a la variable
L.

Modelos economtricos

La transformacin logartmica, es til en otras

circunstancias. Por ejemplo, muchos modelos de
especificacin no lineal pueden ser fcilmente
linealizados mediante una transformacin
logartmica. Adems, cuando tomamos logaritmos
a ambos lado de una ecuacin, podemos tener una
aproximacin al concepto de elasticidad.

Modelos economtricos

Como se observa este modelo ya es lineal, y

puede ser estimado por mnimos cuadrados. La
simple transformacin de las variables lo permite.
Una ltima razn hace interesante esta
transformacin, y es que los parmetros
asociados a variables sobre las que previamente
se han tomado logaritmos pueden ser
interpretados directamente como elasticidades.

ln Q
=
ln L

Modelos economtricos

Los modelos economtricos exigen que las series a

utilizar sean estacionarias en media y varianza. Es
decir, que la serie no tenga tendencia, y que presente un
grado de dispersin similar. La eliminacin de la
tendencia se consigue con diferenciacin sucesiva,
mientras que para obtener una dispersin similar se
recurre a la transformacin logartmica.

Modelos economtricos

La metodologa de los modelos estructurales no ha

prestado gran atencin al problema de la
estacionalidad puesto que estos modelos suelen
trabajar con datos de frecuencia anual. De hecho,
cuando la estacionalidad de la variable endgena
es similar a la que presentan las variables
explicativas, no presenta especiales problemas ni
precisa de tratamiento diferenciado. Cuando tal
estacionalidad no coincide es preferible, frente a la
posibilidad de desestacionalizar la serie, la de
introducir variables ficticias estacionales.

Estacionariedad
Qu se entiende por estacionariedad de una serie?
Para definir la estacionariedad de una serie, se dispone de
dos posibilidades: por una parte se dice que un proceso es
estrictamente estacionario si sus propiedades, no se ven
afectadas por cambios de origen temporal, esto es, cuando
al realizar un mismo desplazamiento en el tiempo de todas
las variables de cualquier distribucin conjunta finita,
resulta que esta distribucin no vara.

La estacionariedad en la
practica

El grfico puede ser suficiente para comprobar el cumplimiento de la

homoscedasticidad. Cuando la serie es heteroscedstica, puede
solucionarse de forma satisfactoria tomando logaritmos en la serie
original. Efectivamente, la toma de logaritmos tiene la importante
propiedad de disminuir la variabilidad de la serie, manteniendo el
patrn de comportamiento. En la mayor parte de los casos, la toma de
logaritmos ha de ser suficiente para que la heteroscedasticidad deje de
ser un problema.
Para la eliminacin de la tendencia se utiliza, la diferenciacin
adecuada de la serie original. En la mayor parte de las series la toma de
una diferencia ser suficiente para eliminar la tendencia. En ese caso,
la representacin grfica nos mostrar una lnea oscilante sobre una
lnea horizontal al eje de abscisas. Si se mantiene la tendencia, se
puede tomar una segunda diferencia.

La estacionariedad en la
practica

La estacionariedad en la practica
A efectos prcticos :
1) que la media sea aproximadamente constante en el tiempo; y
2) que la varianza o dispersin sea igualmente constante.

Ello implica que si dividiramos la muestra en varios sub-perodos

(tericamente infinitos perodos) la media y la varianza deben ser
aproximadamente iguales. Un instrumento sencillo para detectar cuando la
serie cumple o no esta propiedad es mediante la representacin grfica de la
serie objeto de estudio. Efectivamente, una media constante implica la
ausencia de tendencia en la serie, por lo que su representacin debera arrojar
algo muy parecido a una lnea paralela al eje de abscisas.

Igualmente, una varianza constante supone que las oscilaciones alrededor de

tal media sean semejantes en cualquier momento del tiempo, lo cual
tcnicamente se conoce como homoscedasticidad, esto es, igual (homos)
dispersin (cedasticidad).

La estacionariedad en la
practica

Vemoslo con un ejemplo: en la figura, se puede

ver la evolucin mensual, durante algo ms de
ocho aos, del consumo de gasolina en Espaa
(variable CONGA, en trazo grueso). Esta misma
serie nos servir de ejemplo posteriormente.
Evidentemente, la serie no es estacionaria, dado
que muestra una clara tendencia al alza. Puesto
que la tendencia puede ser adecuadamente
recogida mediante una lnea recta, parece que
bastara con realizar una sola diferencia a la serie
original.

La estacionariedad en la
practica

Pero, por otra parte, da la impresin de que la serie

presenta algo ms de dispersin en los ltimos
aos, por lo que podra interesar trabajar, antes de
la diferenciacin, con la serie en logaritmos
(variable LCONGA, en trazo fino y representada
con la escala de la derecha del grfico). La nueva
serie transformada presenta, en general, una menor
dispersin y sta parece, adems, ms similar para
los diferentes aos en subperiodos en que pudiera
dividirse el grfico.

La estacionariedad en la
practica

Por supuesto que la toma de logaritmos no elimina

la tendencia, por lo que, a continuacin, ser
preciso calcular las primeras diferencias. En un
nuevo grfico, representamos la serie en
logaritmos (LCONGA, ahora en trazo grueso y
con la escala de la izquierda), as como la serie en
diferencias (DLCONGA=LCONGA-LCONGA(1), en trazo fino y con la escala de la derecha del
grfico).

La estacionariedad en la
practica

La estacionariedad en la
practica

La tendencia ha sido ahora eliminada

en DLCONGA, cuyos valores oscilan
alrededor de cero. Por tanto, esta
ltima serie, con transformacin
logartmica y en primeras diferencias,
ya es estacionaria en media y varianza.

Modelos ARIMA

La modelizacin ARIMA o Box-Jenkins parte de considerar que el valor

observado de una serie (un dato de una variable) en un momento
determinado de tiempo t es una realizacin de una variable aleatoria
definida en dicho momento de tiempo. Por tanto, una serie de t datos es
una muestra de un vector de t variables aleatorias ordenadas en el tiempo
al que denominamos proceso estocstico.

En ocasiones pretendemos predecir el comportamiento de una variable y

en un momento futuro t, a partir del comportamiento que la variable tuvo
en un momento pasado, por ejemplo, en el perodo anterior, Y(t-1)

Formalmente notaramos
Yt = f(y(t-1))

Modelos ARIMA

Puesto que en el comportamiento de

una variable influyen ms aspectos,
debemos incluir en la relacin anterior
un trmino de error, at , que es una
variable aleatoria a la que suponemos
ciertas
caractersticas
estadsticas
apropiadas. Es decir:

Es decir, que el valor de la variable y en el momento t es funcin del valor

tomado en el perodo t-1.

Modelos ARIMA

Ahora se debe elegir una forma

funcional concreta para esta expresin.
Por ejemplo, una forma lineal como

Modelos ARIMA

donde es un trmino independiente y es un

parmetro que multiplica al valor de la variable y
en el perodo t-1. Utilizando mtodos estadsticos
adecuados podemos estimar los parmetros de
forma que estos cumplan propiedades estadsticas
razonables y sean una buena (la mejor posible)
estimacin. Con ello obtendramos una expresin
como:

Modelos ARIMA

Esta es la esencia de los modelos autorregresivos

(o modelos AR). Se realiza una regresin de la
variable sobre s misma (auto-regresin) o,
mejor dicho, sobre los valores que la variable
tom en el perodo/s anterior/es.

que utilizaramos a efectos de prediccin.

Modelos ARIMA

Un aspecto importante es el orden del

modelo AR. Por ejemplo, el modelo

Modelos ARIMA

Modelos ARIMA

Modelos
que
explican
el
comportamiento
de
la
variable
endgena, a travs del propio pasado,
antes de incorporar el efecto de la
variable explicativa (ARIMA).

Dependencia de los datos

Cada observacin se modela en funcin de
datos anteriores.
Modelo explicito, conocidos como ARIMA
(Autoregresive Integrated Moving Average)
Permite describir un valor como una funcin
lineal de datos anteriores y errores debidos al
azar.

Modelos ARIMA

El principio bsico de los modelos ARIMA, es

que el efecto de un conjunto de variables
explicativas x sobre y, debe ser estimado
despus que se haya controlado por los
efectos pasados de la variable endgena.
Se intenta explicar, en que medida las
variables independientes explican la variacin
de la variable endgena, que no viene
explicado por la variacin de los valores
pasados de dicha variable.

Modelos ARIMA

La metodologa Box-Jenkins, intenta explicar

el proceso que autogenera (explica) la
variacin de la variable endgena a travs del
tiempo.
Requisito, es que todas las variables sean
estacionarias, es decir no existe cambio
sistemtico en la media y varianza de los
valores de dicha variable a lo largo del
tiempo.

Modelo Box-Jenkins

FASES:

Modelo Box-Jenkins

Modelo Box-Jenkins

3. Transformacin previa de la serie para la

estacionalidad,
las
transformaciones
logartmicas son necesarias en caso que
la varianza no sea constante.
4. Eliminacin
de
la
Tendencia,
la
observacin grafica indicar la existencia
o no de tendencia.

Modelo Box-Jenkins

FASES:
7. Contraste de validez conjunta del
modelo,
se
utilizaran
diversos
procedimientos para valorar el modelo
propuesto.
8. Anlisis detallado de los errores,
diferencias histricas entre valores reales
y estimados por el modelo constituyen
una fuente especial de inters para una
valorizacin final del modelo.

FASES:
1. Recogida de datos (Recomiendan un
mnimo de 50 observaciones), si es
mensual, trabajar con 6 10 aos
completos.
2. Representacin grfica de la serie, se
recomienda utilizar medias y desviaciones
tpicas por subperodos, para juzgar la
estacionalidad.

FASES:
5. Identificacin del modelo, Consiste en
determinar el tipo de modelo ms
adecuado para la serie objeto de estudio.
6. Estimacin de los coeficientes del
modelo, decidido el modelo, se procede a
la estimacin de sus parametros.

Modelo Box-Jenkins

FASES:
9. Seleccin del modelo, en base a los
resultados de las etapas anteriores, se
elige el modelo.
10. Prediccin, el modelo seleccionado
servir
como
frmula
inicial
de
prediccin.

Series de tiempo

Series de tiempo

Series de tiempo

Series de tiempo

Series de tiempo

Series de tiempo

Series de tiempo

Series de tiempo