970 790 114 - 1

ESTADiSTICA ESPAOLA
nm. 1 14, 1987, pgs. 1 1 a S9
Descomposicin de series temparaies:

especificacin, estimacin e inferencia
(ôn una aplicacibn a la oferta monetaria en Espaa^
por
AGUSTIN MARAVALL
Servicio de Estudios Banco de Espaa
A Mara Teresa, mi generosa

y fiel hermana.
N4TA PRELIMINAR
Quiero aclarar que, aunque el articulo se centra en una metodologia concreta, no

pretende ser una descripcin completa de la misma. Los temas tratacios estn, sin duda,
sesgados en Ia direccin en la que mi trabaja personal se ha ido orientando, como
evidencia claramente la lisia de Referencias.
Puesto que el trabajo se refiere a un periodo de mi actividad profesional, quiero

agradecer a A. Espasa, D. Pea, D. A. Pierce, J. A. Carro, M. C. Sanz y A. Paredes 1a
relacin que, durante ese periodo mantuvieron conrnigo. Por motivos diversos, sin esas
relaciones el trabajo me habra resultado mucho ms arduo.
Un resumen en ingls de partes de este trabaj va a ser publicado en Maravall

(1987a). Finalmente, algunos de los cuadros de las Secciones 4.2 y 5 modifican ligera-
mente los presentados en Maravall y Salaverria { 1986).
ESTADISTIC'A ESPAOLA
RESUMEN
La descomposicin de series temporales en componentes no-observables, y en particu-

lar la desestacionalizacin, se ha enfocado en estos ltimos aos como un caso de
extraccin ptima de seales en modelos ARIMA. Este trabajo presenta un mtodo que
se est convirtiendo en una herramienta til en el anlisis aplicado de series temporales.
Se discute primero el problema de la especificacin de modeios para los componentes,
compatibles con el modelo para la serie observada. Se derivan los estimadores ptimos
y se estudian sus propiedades; stas conducen de forma natural a un diagnstico de los
resultados. Finalmente se analizan los errores de estimacin (final y de revisin).
La discusin se ilustra con la serie ALP, variable crucial en el control monetario. E1

anlisis permite contestar preguntas de inters prctico, tales como, por ejemplo, cual
debe ser la frecuencia con que se desestacionaliza, hasta cuando se debe seguir revisando
la serie desestacionalizada, o cual es la imprecisin asociada a la estimacin de la serie
desestacionalizada y, en consecuencia, a sus diversas tasas de crecimiento. A lo largo de
la aplicacin, se compara la tendencia con la serie desestacionalizada como indicadores
de la evoi ucin subyacente de la serie.
Dicho brevemente, en el trabajo se presenta un mtodo relativamente eficiente de

resolver un problema estadstico relevante (la descomposicin de una serie). E1 mtodo
se presta fcilmente a una interpretacin rigurosa de los datos y permite, en definitiva,
una fundamentacin ms slida de la toma de decisiones en poltica econmica.
DESCOMPOSIC'ION pE SERIES TEMPORALES: ESPECIFIC ACION. ESTIM.AC'lON E INFERENCIA 13
INDICE
INTRODUCCION
l. ESPECIFICACION DEL MODELO
i . I . Esquema General
1.2. Los Modelos para los Componentes
2. UN MODELO DE REFERENCIA Y UN EJEMPLO
. ESTIMACION
3.1. Estimadores con Error Cuadrtico Medio Mnimo
3.2. Los Modelos para los Estimadores
4. DIAGNOSTICO E INFERENCIA
4.1. Diagnstico
4.2. Inferencias
a) Error en la Estimacin Fnal
b) Error de Revisin
5. UN COMENTARIO FINAL: INTERVALOS DE CONFIANZA Y TASAS DE

CRECIMIENTO
APENDICE A: ESTIMADOR CON ERROR C'UADRATICO MEDIO MINIMO DE

r
UNA SENAL EN UNA SERIE TEMPORAL
A.1. Introduccin
A.2. Caso Estacionario
A.3. Caso No-estacionario
A.4. i.1n Ejemplo
APENDICE B: LINEARIZACION DE LAS TASAS INTERMENSUALES DE

CRECIMIENTO
REFERENCIAS
14 ESTADISTICA ESPAOI_A
INTRODÛCCION
Los estadsticos que trabajan sobre series econmicas se enfrentan con frecuencia a
dos actividades profesionales importantes, que resultan de una demanda real por parte
de las agentes de la politica econtmica y, en general, de los que siguen de cerca la
evolucin de Ia econorna. Estas actividades son la prediccin, sobre todo a corto plazo,
y la estimacin de componentes en las series, fundamentalmente la eliminacin del
componente estacional.
As como la prediccin ha sido objeto de considerable atencin por parte de la

"comunidad investigadara", la estimacin de componentes, principalmente la desesta-
cionalizacin, ha sido un tema rnarginal (aunque, por supuesto, existen contribuciones
importantes). Ello ha implicado que, en la prctica, la desestacionalizacin se realice de
manera abrumadora por rnedio de programas ms o menos "ad hoc", desarrollados de
un modo empiricista, cuyo fundamento no queda muy precisado. De estos programas el
ms conocido es el llamado X 1 1, desarrollado por Shiskin, Young y Musgrave (1967)
en el Bureau of the Census despus de un largo proceso de experimentacin. Reciente-
mente se ha popularizado una versin modificada del programa, X 1 1 ARIMA, desarro-
Ilada por E. ^. Dagum en Statistics Canada (ver Dagum, 1980).
A pesar del esfuerzo que hay detrs del desarrollo de estas programas, la falta de
inters de la comunidad investigadora y, posiblemente, la poca orientacin acadmica
de sus realizadores, ha motivado que la documentacin de dicho esfuerzo no resulte
fcilmente asequible. As, X l 1 (e incluso X 1 1 ARIMA) se emplea, en una enorme
pr^porcin de casos, en su opcin de defecto; X 1 1 suele operar entonces como una caja
negra, un tanto m isti fcante.
El tratamiento analtico deI tema de la desestacionalizacin se enfrenta a problemas

serios desde su mismo comienzo. Para empezar, no existe una definicin generalmente
aceptada de lo que es un componente estacional. (Un problema similar se plantea en la
estimacin de tendencias}. Para acabar, a diferencia de lo que sucede en la prediccin,
donde la serie finalmente se canoce, la estacionalidad nunca se observa y no es posible,
pues, conocer los errores con que se mide. Como consecuencia, estacionalidad viene a
ser, en la prctica, lo que estima como tal X 1 1 en su opcin de defecto.
Sin embargo, X 1 1 presenta varias insufciencias. En primer lugar, en la medida en la

que distintas series contienen estacionalidades distintas, que evolucionan de forma
tambin distinta, el f ltro a utilizar para capturar la estacionalidad debera depender de
la estructura de la rnisma. (En Ios dos casos extremos, par ejemplo, si la serie es ruido
blanco, el filtro debera ser cero, mientras que si se trata de una serie "puramente
estacional", el filtro debera ser uno}. X l 1 ofrece poca flexibilidad para adaptarse a
estructuras distintas y, de hecho, hay evidencia de series en las que resulta inadecuado
DESt't)MPOSIC'ION DE SERIES TEMPORALES: ESPECIFIC'AClQN, ESTIMAC'ION E INFERENC'IA 15
(dentro de las series que se desestacionalizan en el Servicio de Estudios del Banco de

Espaa ver, por ejemplo, Maravall (1986a), Artola y Espasa (1987} y Maravall (19$7b)
). Tiene, pues, inters buscar un mtoda que permita ajustarse a ta estructur de la serie
en cuestin.
En segundo lugar, la ausencia de un modelo detrs de X 1 1 dificulta el anlisis

sistemtico de los resultados y la realizacin de inferencias. La fundamentacin de un
mtodo de desestacionalizacin en modelos permitira realizar diagnsticos sobre si los
resultados obtenidos son aceptables o no y, en caso afirmativo, conocer las propiedades
de los estimadores y de los errores de estimacin. Este ltima punto presenta un inters
prctico grande y con frecuencia se ha recomendado que los organisrnos que proporcio-
nan datos desestacionalizados ofrezcan tambin intervalos de confianza alrededor de los
mismos que reflejen la imprecisin con que se estima la estacionalidad. Si, por poner un
ejemplo, el objetivo para el crecimiento de una variable dentro de un ao es del l0% y,
en un mes dado, la medicin del crecirniento (anualizado) de la serie desestacionalizada
es del 12%, tiene inters saber si la desviacin entre objetivo y crecimiento puede ser
explicada simplemente por los errores cometidos en la estimacin de la estacionalidad o
si, por el contrario, la serie est creciendo ms de lo deseado.
Volviendo a la prediccin, gracias a Ios trabajos de Box y Jenkins, la dcada de los

setenta presenci la proliferacin de modelas ARIMA ("Autoregressive Integrated
Moving Average"), que capturan bien la evolucin de muchas series. Puesto que esta
evolucin se relaciona con la presencia de movimientos tendenciales, ciclicos, estaciona-
les e irregulares, pronto se plante la posibiiidad de utilizar modelas ARIMA en el
contexto de la estimacin de componentes en series. Desde el trabajo inicial de Grether
y Nerlove (1970) sobre series estacionarias, varias aproximaciones han sido sugeridas.
Yo voy a centrarrne en una que se est convirtiendo, en mi opinin, en una herramien-
ta poderosa en el tratamiento aplicado de series temporales. (Las referencias funda-
mentales son Cleveland y Tiao (1976), Box, Hillmer y Tiao (1978), Burman (1980) y
Hillmer y Tiao (1982); referencias ms recientes son Bell y Hillmer (1984) y Maravall y
Pierce (1987) ). En el contexto de una aplicacin relacionada con el control monetario,
presentar una visin general del mtodo, y tratar el problema de la especificacin del
modelo, de la estimacin de las componentes, del diagnstico de los resultados y de la
realizacin de inferencias.
l. ESPECIFICACION DEL MODELO
l.l. ^sqt^c^ma Genc^ral
Sea ^, una serie observable y supangamos que es la suma de varios componentes

independientes (no-observables), una de ellos ruido blanco. Es decir,
1 f^ ESTADISTiCA ESPAOLA
^r = ^, ^,r + 1^r , (1 . 1)
donde :;r representa un componente y ur- niid (O,o;,). âsos particulares de (1.1) son la
deseomposicin en tendencia, estacionalidad e irregular, o la descomposicin en seal
ms ruido. Supondremos que los componentes siguen procesos lineales del tipo
^;r = ^;( B) a;r (1.2 )
donde `^;(B} representa una funcin racional en el operador de retardos B, que puede
expresarse como
^;(B) = p;(B) / ^; (B) , (1.3)
donde fI;{B) y^;(B) son polinomios en B de orden finito. Los a;r's son ruidos blancos
independientes, con varianza c.r. Las ecuaciones (1. l.), (1.2.) and (1.3.) implican que la
serie observada z, tambin sigue un proceso lineal, que representaremos por
^r = `^(B) af , (1.4)
donde a, es ruido btanco y^{B} puede expresarse como el eociente de dos polinomios
finitos en B,
^(B) = H(B) ! c^^ (B) . (1.5)
En resumen, suponemos que los componentes (y por tanto la serie suma) siguen
modelos ARIMA. Supuestos adicionales son los siguientes:
a) Los polinornios autorregresivos +^;(B) no comparten raices en comn.
h) Los ceros de ^(B), ^;(B) y ^;(B) estn fuera de o sobre el crculo unitario.
Tpicamente, estos polinomios contendrn races unitarias y, de hecho, la posibilidad de
incorporar races unitarias autorregresivas ha sido un factor fundamental en el inters
de la metodologa desde un punto de vista aplicado.
c^) Los ceros de H(B) estn fuera del crculo unitario; la serie zt sigue, pues, un proceso
invertible.
Teniendo en cuenta (1.1)-(1.3), z, puede expresarse como
^r = ^; [H^(B)1^;(B)^ a;r + u, .
Eliminando los denominadores y utilizando (1.4) y(1.5), se obtienen las dos relaciones
siguientes:
^(B) = n ^; (B) , (1.6)
8(B) a, _ ^; 8^(B) ^; ( B} a;, + c(B)u, , (1.7)

[)ESCÒMPOSI('!ON t7E SERiES TEMPORALES: ESPEC'IFIC'AC"ION, ESTIMAC'It^N E^ {NE=ERE^.N(ÎA I7
donde
cp^ ;'(B) _ ^(B) 1 ^^ ^(B} = n;,;^^ ^,(B) (1.8)
La expresin (1.6) nos dice que el polinomio autorregresivo para ^, es el producto de

los polinomios autorregresivos de los componentes. La expresin (1.7) establece una
identidad que deber cumplirse para las innovaciones de la serie ^, y de sus compo-
nentes.
.2. Lc^.^ 1%Ivêlns âra lo.^ C'^^nzpvnc^nt^s
Hernos supuesto que los componentes siguen modelos ARIMA. ^Cmo podemos
determinar estos modelos?
Una forma de hacerlo es especificar a priori modelos que recojan las propiedades que
se asocian a una tendencia, un componente estacional, etc. Esta es la llamada aproxi-
macin "estructural" y ejemplos de la misma se encuentran en Engle (1978), Harvey y
Todd (1983), Hausman y Watson (1985) y Harvey y Durbin (1986).
Puesto que solamente se dispone de observaciones sobre ^,, un mtodo alternativo es

comenzar por identificar (especificar} e modelo AR1MA para ^,, y derivar despus
modelos para los componentes que sean consistentes con el modelo agregado. Puesto
que, en este caso, la estructura se deriva a partir de la forrna redueida, este mtodo se
ha denominado el de la "forma reducida" y en este trabajo nos ceiremos a l. (Para
ver algunas de as difrencias y similitudes entre los dos mtodos ver Maravall, 1985 y
1986c).
Nos interesa, pues, analizar qu rnodelos para los componentes pueden derivarse de
modelos AR1MA. Este es un punto sobre el que existe cierta confusin y resultar til
considerar primero un ejemplo sencillo.
Sea una serie trmestraf que sigue el modelo
o,^ ^, _ ^,, (1.9 )
donde o^= 1- B`^. E 1 pseudoespectro de ^^, dado por

1
^^_ ( ^^') _ 2{ 1-c , c^s 4 ^1).
^^, (0 < >^ ^ ^ n^), (1.10)
aparece representado en la Figura 1(en las referencias posteriores eliminaremos el

prefijo "pseudo"). Es simtrico alrededor de ^t-n/2 y presenta tres picos, asociados con
as frecuencias ^ti*=0, n-n12 y ti1^=n. Supongamos que queremos descomponer la serie en
1$ ESTADISTICA ESPAOLA
componentes ortogonales de forma que cada uno capture uno de los picos. Queremos
pues expresar .^t como:
:t=^^t+z^t-f-Z^^+ ltt ^
donde u, es un residua ruido blanco.
Las raices del polinamio autorregresivo (AR) (1-B') son
V 4 = (1- B) (1 +B) { 1 +B^) . (1.12)
ESPECTRO DE V4 r.^ ^ a^
Fi,^^. 1
y puesto que, en general, un factor AR del tipo (1-^ ^) induce el factor (1 +^' -2^ cos
,j ^t^) en el denominador del espectro, es fcil comprobar que el pico espectral para ^^=0
esta inducido por ei factor AR (1-8) en { 1.12) y, anlogamente, los picos para K^=^ y
^1=nI2 estn inducidos por los factores AR (1 +B) y(1 +B^), respectivamente. Por lo
tanto, de (1 .9}, (1 .1 1) y( i.12), para que Ios componentes capturen los picos espectrales,
debern ser del tipo:
(1-B) z^t = ^r(B) art

(1 +B) z^,t = az($) azt (1.13)
( 1 B?) '3t - a3{B) Q^t
donde ^;(8) representa un polinomio en B, y a1^, a2t y a^t son ruidos blancos mutuamen-
te independientes y tarnbin independientes de u^.
Considerando (1 .1 1} y(1 .13), zt puede expresarse como

cz, ( B) cx, ( B) a3 ( B)
"t + I+B ^`' + 1+B`' ai` + u''
1-B ^^'
DESC'OMPOSICÌf)N DE SERIES TEMPORALES_ ESPECIFIC'AC.ÌON, ESTI^vtAC'lON E I^F EÎÊtit lA 1 9
y, eliminando los denominadores, esta expresin ser compatible con (1.9) cuando se
satisfaga la siguiente identidad (anloga a(1.7) ):
a^ =(1+B) (1+B`} a,(B} a,t+(1-B) (1+8`) a^,(B) a,, +

+{ 1- B) { 1+B) a j( B) a j^ + o,, ur . (1.14 )
Puesto que el lado izquierdo de (1.14) es ruido blanco, la autocorrelacin de orden

cuatro del trmino 04 u^ debe cancelarse con la de los otros sumandos del lado derecho
de la ecuacin. En consecuencia, al(B) y/o a,(B) deben ser, por lo menos, de orden uno,
ylo a^(B) debe ser, por lo menos, de orden dos. Es razonable suponer, pues, que
a^(B) = 1-a^ f B
a^(B) = 1 -a,! B (1.15)
a^(B) = 1-cx^ j B-a;, B`'.
Considerando (1.13) y(1.15), se observa que los modelos para los cuatro componen-
tes dependen de ocho parmetros: los cuatro parmetros a y las cuatro varianzas (o; de
a;,, i=1 ,2,3, y oi,). Estos parmetros deben satisfacer las restricciones que resultan de
igualar las autocovarianzas del lado derecho y del lado izquierdo de (1.14). La varianza
y las cuatro primeras autocovarianzas producen el sistema de ecuaciones:
_ ^ 1+3 (1-a11)' + a^^ ^ J a^ + [ 1+3 {l+a,^)' + a',^ ^ c^^ +
+ 2(1 +a'^, + cz^fi, + a^ ^) rr_`'^ + 2 crr,
0 = 3(1-a^l)^ ^r - 3(1 +a, f)' _ a^f(1 _cx;,)' _i
0= 2(1 -a^ j)^ a^ + 2( l+a,l)'' ^, -[(l+a^,)`' + a^^
0=(1-ar^)`'c^-(l+a^^)â^^+a_^,(1-a_^^)^;
0=-aî cr^+a^^ o-^^+a_^ô'^-cr^,,
y para otros retardos las autocovarianzas de ambos lados de { 1.14} son cer.
Se obtiene as un sistenia de cinco ecuaciones con ocho incgnitas que tendr en

consecuencia infinitas soluciones. Habr por tanto un nmero inf nito de valores de los
parmetros en las modelos para los componentes que producirn la misma funcin de
autocovarianzas para la serie ^^. Se plantea pues un problema de identif^cacin similar
al que surge en los modelos economtricos clsicos. El modelo para la serie observada
es la forma reducida, mientras que los modelos para los componentes representan la
forma estructural. Para una forma reducida dada hay un nmero infinito de estructuras
que la pueden generar. Para poder aislar una es preciso introducir informacin adicio-
nal. La manera en que esta informacin se ha incarporado tradicionalmente en econo-
metra ha sido fijando a priori algunos parmetros igual a cero en la forma estructural
ESTAD^ ISTICA ESPA?ÔLA
(ver Fisher, 196b). Esto reflejara informacin derivada de la teoria econmica, como,
por ejemplo, que alguna variable afecta a la demanda pero no a la oferta, y viceversa.
Sin embargo, en nuestro caso de descomposicin de una serie no existe en general
informacin a priori de este tipo (aunque, en ocasiones, si puede existir; ver Maravall,
1978). Seguiremos un camino alternativo, originalmente propuesto par Box, Hillmer y
Tiao (1978} y Pierce (1978}, La informacin adicianal ser el requisito siguiente:
Sea ^;, cualquier componente (distinto de ur). Entonces ^;l no debe aceptar una
descomposicin del tipo.
^-^,*,+n,,
donde ^^, y n, son independientes, siendo este ltimo ruido blanco. {Si ^ aceptase esa
descomposicin, el componente deberia ser :*,, y n, deberia ser aadida a ir,}. Siguiendo
a Hillmer y Tiao (1982}, nos referiremos a este requisito como el requisito "cannico".
(Es atractivo, sin duda, intuitivamente pretender obtener una seal lo ms limpia de
ruido posible, a falta de otra informacin adicional. Sin embargo, la descomposicin
cannica puede tener sus desventajas, como por ejemplo, aurnentar el tamao de las
revisiones en las estimaciones de los componentes, revisiones que analizaremos en la
Seccin 4.2; ver Maravall, 19$4a).
Sea ^^^(ti1^) el espectro de ^,1 para ^< K^ < ^r. El requisito cannico implica que, para
algn ^1^ en ese rango, ^,rf(l^t^) debe ser cero. De ( l.13} y ( 1.15) es fcil ver que ^,^^,(^t^) es
monotonicamente decreciente en ^^^, de modo que ^ f, no estar contaminado por ruido
cuando ^,J,(n) = 0. Puesto que esta condicin implica la presencia del factor ( l+c^vs^ ^^^) en
el numerador de ,^^!(^ti), equivale {en el dominio temporal) a la presencia de! factor (1+B)
en a,(8). E1 modelo para ^ ,T viene dado pues por
(1- ^3)^ ^, _ (1 +B)a^, . (1.1 ba)
Anlogamente, de ( i.13) y ( I. 15), se observa que K,(^1^) es monotnicamente creciente

en el rango 0< K^ < n. E1 requisito cannico implica, por tanto, K,(0) = 0, es decir, la
presencia del factor ( i-cos K^) en el numerador de K^(x^). En consecuencia, a^,=1 y el
modelo para ^ ^, vendr dado por
( I +B).^ ^, _ { 1 - 8}a,t . (1.1 bb)
En cuanto al tercer componente, ^_;,, por razones de simetra, el cero en el espectro se

producir para x-0 y ^^}_^. Los dos factores (1-B) y(1 +B) estarn presentes en cz^(B), y
el modelo para ^^, ser
^ .3^ _ (1- B')u_;,

{ 1 +B` )^ (1.16c}
C onsiderando { 1.16} se observa que el requisito cannico ha identif^cado los par-

metros a de los modelc^s para los componentes. Esto permite identificar la estructura
DESCOMPOSIC'I(JN DE SER{ES TEMPORALES: ESPEC[FiCAC'lOti, ESTiMAC'IC)N E INFERFNC'1,4 2^
completa puesto que, sustituyendo los parmetros x por sus valores numricos en el
sistema de ecuaciones de autocovarianza, se obtiene una solucin nica para las cuatro
varianzas dada por
r^;'-az=rr/64, a^ =a/ lb, c^=3a/32. (1.17)
Las expresiones { 1.16) y{ 1.1 ?} especifican completamente los modelos para los
componentes. La Figura 2 presenta los espectros de los camponentes. El primero, 4^^,
obviamente representa una tendencia, y el ruido blanco u^ representa un componente
irregular. Los otros dos componentes, ^,r y ^^^, contienen la variacin de la serie para
las frecuencias K=n y r^^-n12, que representan las frecuencias estacionales de dos veces y
una vez al ao, respectivamente.
GOMP'ONENTES DE D4 zt ; ^t
PIJ4 PIi2 3P114 PI
2 2
ut
^..^r- f ^^ s o ^ ^ ---^---^
PI/4 PI/2 3Pf/4 PI 0 PI/4 PI/2 3P114 PI
Fi^. ^
E1 anlisis que hemos presentado proporeiona componentes elementales, cada uno de

ellos (salvo el irregular) asociado a un pico diferente en el espectro de la serie ^,. En una
ESTADISTICA ESPAOLA
segunda etapa, estos componentes pueden agregarse. En nuestro ejemplo, el componente

estacional ttal, sr, seria igual a
Sr ^ ^ ^ r + z3r
y, sustituyendo z2r y^.^r por sus modelos, se obtiene
{ 1 +B) (1 +B')s, _ ( 1 +B` ) (1- B)a^^ + (1 +B) (1- B^)Q3r (1.18 }
El lado derecho de (1.18) es un MA(3) que representaremos por j3(B)c, y que satisface
,/3( I}=4. Es decir j.^(B) contiene el factar (1-B) y el componente estacional s, seguir el
model
(1 B+B`'+B^)sr = (1- B) (1-,^3, B-^3^B`')cr (1.19)
con c, ruido blanco. Igualando las autocovarianzas del lado derecho de (1.18) y(1.19) y
utilizando ( 1.17), se obtiene jî,=-.819, ^3,=-.344 y c^r'.=.^27 cx^. E espectro de s, aparece
representado en la Figura 3. E1 modelo que se abtiene para s, es, en este cas, el mismo
que resultaria si se desestacionalizase la serie por el mtodo de Burman (1980} o el de
Hillmer y Tiao { 1982). Alternativamente, el modelo para la serie desestacionalizada, .û,
puede obtenerse sumando z^, y u,, Io que proporciona la ecuacin.
^7 z; _ (1 +B)a^, + (1-B)u, .
COMPONENTE ESTACIONAL TOTAL
î^. 3
DESCOMPOSICION DE SERIES TElviPORALES: ESQECiF1CAC'ION, FSTINIAC'ION E iNFFREN'lA 23
Igualando las autocovarianzas del lado derecho con las de un MA(1), la serie desestacio-
nalizada sigue el proceso
( 1-B)â ^ { I -.42B)d^, (1.20}
con d, ruido blanco y d^^.186 e.
La discusin anterior ilustra crno es posible, a partir de una forma reducida (el
modelo ( 1.9) ), que puede obtenerse a partir de las observaciones, derivar la estructura
subyacente. Si, en (1.9), ^74 se sustituye por ( i-^B^), con 0 c^^ l, y a, se sustituye
por una media mvil invertible H9{B) a,, con q^ 4, la discusin permanece bsicamente
inalterada. La tendencia, el componente estacional y el irregular seguirian los rnodelos:
(1-^ B) ^ ,, _ (1 +B) a i,
(1 +`P B+`^Y? B` +^Y; B^) s1 =^3^( B) c,

^ ^ ,
y u, ruido blanco, con ^=^^'^^, donde los parmetros ^ y las varianzas ^, a< y ^,
seran funcin de los parmetros ^ y f^.
Hemos utilizado un ejemplo con series trimestrales, pero el anlisis se extiende

fcilmente a datos con otras frecuencias de observacin. Esto nos lleva a un comentario
de inters: modelos del tipo
(1-^ BT)-s', = f^(B) a, (1?1)
donde r es el nmero de observaciones por ao, se han utilizado con frecuencia para
caracterizar el camponente estacional. Ejemplos pueden encontrarse en Nerlove,
Grether y Carvalho (1979), Pierce (1978), Pagan (1975), Engle (1978), Cleveland y Tiao
{ 197b), Granger (1978), Harvey (1981 }, Ansley (1983), Gourieroux y Monfort { 1983), y
Pierce, Cleveland y G rupe ( l 984), entre otros. Aunque en trabajos posteriores algunos
de estos autores han rectificado la especificacin del componente estacional, modelos
del tipo (1.21) todava siguen siendo utilizados con frecuencia y dos ejemplos recientes
importantes son Hausman y Watson (1985) y Hylleberg (198f^).
Puesto que no existe una def nicin generdlmente aceptada de lo que es un compo-
nente estacional, la especificacin de un modelo para dicho componente es, hasta cierto
punto, arbitraria. Con todo, en la descomposicin de ^, de acuerdo con (1.1 1), los
componentes :^, y ^^, estn claramente asociados con variacin estacional, pero es dit^cil
aceptar que ^,, + i^, -o, equivalentemente, ( I.20)- sea considerado tambin parte del
componente estacional.
Hausman y Watson (1985} afirman que, para las series que consideran, criterios de
verosimilitud les llevaron a escoger componentes con polinomio autorregresivo del tipo
{ 1- c^BT) en lugar de (1 +B+...+BT"! ). C`riterios de estimacin, sin embargo, no pueden
utilizarse para decidir entre un componente del tipo (1.9) o(1.19). Si, por ejemplo, se
EST A [?IST IC'.A ESPA oLA
_. _. _ __ _
estima el rnodelo (1.9}, siempre es posible descomponerlo de acuerdo con (1.19) y

( 1.20), y las dos representaciones son observacionalmente equivalentes. Como conse-
cuencia, la funcin de verosimilitud no puede ayudar a decidir cul de las dos represen-
taciones es ms adecuada. La decisin depende de la definicin implcita o expicita del
cornponente estacional, y es difcil aceptar una definicicn que incluye como parte del
cornponente estacional un pico en el espectro para r^=0, igual que sera difcil aceptar
carno parte de la tendencia un pico en el espectro para una frecuencia estacional.
En ltima instancia, aunque un modelo del tipo ( l.21) sea inadecuado para caracteri-
zar un componente estacional, Io que tiene importancia es conocer ei efecto de esa
especificacin incorrecta. Como primer ejemplo, el modelo
(1 - . $ B^)s, - a,
muy cercano a los utilizados por Hylleberg (198b} para caracterizar el companente
estacional de varias series, puede descomponerse siguiendo un razonamiento similar
al de las pginas anteriores en un componente puramente estacional y uno no-
estacional dada por la suma de una tendencia, de ecuacin
{1 -.95B)^,=( +B)h,
con cr;, _.037cr^^,, y un componente irregular ir, ruido blanco con varianza cr;, _ .1 1 bor;,. Es
fcil ver en este caso que ms de la mitad de la varianza de .^, est explicado por su
cornponente no estacional. En concreto, la desviacin tpica de este ltimo es igual al
72.6c'lo de la desviacin tipica de s,.
Como segundo ejernplo, el modelo mensual
{ 1 - .SB''}s, _ ( 1 - .bB)^r, ,
muy cercano a los que utilizan Hausman y Watson (1985} para el componente estacio-
nal, se descompone tambin en estacionalidad, tendencia y ruido blanco, donde la
tendencia viene dada por
{ 1 - .948)^, = (1 +B}h,
con r.r =.00095fi, y el ruido blanco tiene varianza r^, _.0325r,r,. Aunque en este caso la
mayor parte de la variacin de s, es estacional, la desviacin tpica de su componente
no-estacionai es iguai a 19.2% de la desviacin tpica de s',. Se trata, pues, de un
porcentaje pequeo pero no despreciable.
Hemos visto como es posible proceder para descomponer un modelo ARIMA en

cornponentes no-observables. Heursticamente, componentes tales como una tendencia o
un camponente estacional implican una media que evoluciona en el tiempo, y presen-
tan por tanto un comportamiento no-estacionario asociado con una determinada fre-
cuencia (y, posiblemente, sus armnicos}. Esta no-estacionariedad se captura por medio
DESC'UMPC7SIC"ION DE SERIES TEMPORALES: ESPEC'IFfC'A(.^lOti, ESTIMACÎC)h+ E: IN1-^F:RENCÎA 2S
de raices unitarias autorregresivas en el modelo ARIMA "ohservado", que determina-

rn los polinomios autorregresivos de los componentes. La parte de medias mvi les en
los modelos para los componentes reflejar, por un lado, los ceros en el espectro
asociado con el requisito de que los componentes no estn contaminados por ruido, y
por otro lado, la condicin de compatibilidad ( 1.7), que asegura que el modelo agregado
es la suma de los modelos para los componentes.
El esquerna puede aplicarse a companentes asociados con frecuencias que no son cero
ni estacionales. Por ejemplo, si una serie presentase un ciclo no-estacionario de peroda
T(mayor que un ao), uno de los componentes de la serie seguira el modelo
(1-^ B+B`') ';, _ ( 1 +B) { 1-^B) u;, , (1.22 )
donde ^=2c^^scc^ y cv=2n/T. Este modelo depende de dos parmetros, j^ y cr,'. La Figura
4 presenta el espectro de un componente cclico del tipo (1.22), de perodo dQS aos y
medio, en datos trimestrales, para ^3=^.5 y cr,'=1. Este ejemplo ilustra la relacin entre el
mtodo llamado estructural y el de la forma reducida, y componentes parecidos a(1.22)
han sido usuados por Harvey ( 1985) dentro de una aproximacin estructural. Quizs la
diferencia ms importante entre ambas mtodos radique en la utilizacin o no de la
informacin contenida en la serie observada para especificar el modelo.
^ ^ i
N O
N p
.^,r,^l. 4
26 ESTAC)1ST1CA ESPAOLA
Una vez obtenidas especifcaciones razonables para los cornponentes, es posible pasar
a la estimacin de los rnismos, al diagnstico de los resuitados y a la realizacin de
inferencias de una rnanera natural. Analizaremos estas cuestiones en el contexto de otro
ejemplo con un inters aplicado mayor que el considerado en esta seccin.
2. UN M4^ DEL(3 DE REFERENCiA Y UN EJEMPLrJ
Aunque sea posible tratar descomposiciones ms generales, en el resto del trabajo nos
centraremos en la descomposicin usual en componente tendencial (pr), estacional (.s,), e
irregular (t^,), de acuerdo con
^t=pt+sl+ u^ , (2.1.)
donde los tres componentes son independientes. Con frecuencia los dos componentes p,
y u, no se consideran separadamente, de manera que la serie se descompone en
=1=^^+sr, (2.2)
donde û = pf + u, = z^ - s, es la serie desestacionalizada. Puesto que puede producir

movimientos errticos a corto plazo que oscurecen la evolucin subyacente de la serie,
la estirnacin de la tendencia ha sido recomendada con frecuencia como sustituto 0
complemento de la desestacionalizacin {para aplicaciones dentro del Banco de Espaa,
ver Espasa (1984} y Espasa et al (1987) ). Nos interesar, por tanto, anaiizar las
estimaciones separadas de p, y de î , con objeto de poder cornparar sus virtudes
relativas.
En la prctica, en instituciones tales como el Banco de Espaa, un nmero muy

elevado de series se descomponen de forma rutinaria de acuerdo con (2.1 } a (2.2 }, y
resulta imposible realizar un anlisis previo de la estructura estocstica de cada serie. Es
necesario, por ello, disponer de un modelo de referencia, que se aplique "por defecto",
y que aproxime razonablemente bien muchas series. Adems de esta razn prctica,
cuando se analizan muchas series, hay tambin razones tericas para utilizar un modelo
comn de referencia dejando quizs libres dos o tres parmetros ( ver Sims, 1985). Para
series rnensuales, un candidato obvio dentro de los modelos ARIMA es el llamado "de
las lneas areas" ( ver Box y Jenkins, 1970), dado por
' a, ,
Fo, ^ z, _(1-f^l B) (1-d^, 13 `) (2.3)
que se adapta bien a muchas series que se encuentran en la prctica, y que contienen
variacin de tipo tendencial y estacianal. El modelo (2.3) incluye tres parmetros.
Puesto que f^=1 implica una tendencia determinstica y H^,=1 implica una estacionalidad
deterministica, f^, y f^,^ estn relacionados con la estabilidad de la tendencia y del
DESCOMPOSiC10N DE SERIES TEMPORALES: ESPEC'IFICAC[ON. ESTIMAC'lON E INFERENCIA Z7
componente estacional, respectivamente. El tercer parmetro, Qu, proporciona una me-

dida del error de prediccin a un mes. Hillmer y Tiao ( 1982) muestran como el modelo
admite una descomposicin del tipo ( 2.1) cuando -1 < f.^, < 1 y 0< f^1 ^< 1.
Centraremos la discusicn en un ejemplo concreto. Sea la serie ^ , el agregado maneta-

rio sobre el que se basa el control monetario en Espaa: la serie de Activos Lquidos en
Manos del Pblico {ALP). La estimacin de {2.3) para el log de la serie mensual, para eI
periodo 1978-1985 ( T=156), daba los valores f^,=-.1915 ( ES=.080), f^,^=.6228 ( ES=.069),
y o;=.138x 10' (el error estandard de la prediecin un periodo por delante es aproxima-
damente igual a .37 por ciento del nivel de la serie). La funcin de autocorrelacin
(FAC) de los residuos es razonablemente limpia y, por ejemplo, el estadstico Box-
Pierce-Ljung para las primeras 24 autocorrelaciones es igual a 20.b, muy inferior al
valor crtico ,^^,(.OS) = 33.9.
El espectro del modelo estimado para z1 aparece en la Figura 5, parte a}. Presenta
picos para las frecuencias cv^, asociada con la tendencia, y c.^=j^/b, j=1,..., , asociadas
con las frecuencias estacionales de 1 a 6 veces al ao. Puesto que
vv,, = v^^ s ,
donde S= 1+B+...+Bl1, el pico para cv=0 est inducido por el factor o`, y los picos para
cv=j^r/6, ,j=1,..., b, estn inducidos por las raices unitarias de S. (Ntese que S puede
expresarse como
S = (1-y'3 B+B`') { 1-B+B`') (1 +B`') (1 +B+B') (1 +ti'3 B+B') (1 +B) ,
donde los seis factores de la derecha se corresponden con las frecuencias estaeionales
mencionadas).
Los modelos para la tendencia, componente estacional e irregular sern del tipo:
Q ^p, = a( B) h,
Ss,=^3(B)c',
y it, ruido blanco, donde a(B) y^3(B) san polinomios en B de orden fnito. La ecuacin
(1.7), de consistencia entre componentes y agregados, se transforma ahora en
f^(B) a, = Sa(B) h, + V'^3(B)c^, + oo, ^ tr, , (2.4)
donde f^(B) - (1-f1, B) (1 -f^, ^ B^'). Puesto que el lado izquierdo de la ecuacin es un
MA(13}, podemos fijar el orden de a(B) en 2, y el de ^3(B) en 1 1, de manera que cada
uno de los tres sumandos a la derecha de la ecuacin sea un MA(13).^^
Igualando la varianza y las autocovarianzas de los dos lados de (2.4), se ohtiene un

sistema de 14 ecuaciones, que expresan la relacin entre los parmetros del modelo
28 EST.4DIST[t"A ESPAOLA
EÊCTRO DE LI1 ÊRIE Y DE ^03 G^DiNrONENTEB F iâ 5
u
d lEME d1 TEMDEMCIA
to
w
.^1
^, i ,
nâ În aÎâ
o) COÔItlENTE EETA,CIONAL r) IIiREiiULAp

20
^. r
..
,
-,
v
^
L l,l /l . Jl /.
rl/'2 ^^1/4 M 0 ^fJ2 ri
FiR. S
agregado y los de los modelos para los componentes. Puesto que el nmero de par-
metros a determinar es l6 (a^, cz,, f3^,..., ^311, cr^^ , cr y a;,), habr un nmero infinito de
estructuras del tipo
`' pl = (1-cr^ B - a^ B')^ (2. Sa)
S S1 = l 1-^1 B- ... - Nll B1 !}^^t (2.Sb)
i^,- ruido blanco (2.Sc)
que son compatibles con la misma forma reducida (2.3). Una manera de obtener la
solucin can^ nica es la siguiente:
Haciendo ar-^3=0, el sistema de 14 ecuaciones puecê resolverse para las 14 incg-

nitas que quedan. Esto proporciona una primera descomposicin. En el dominio de las
frecuencias, equivale a la descomposicin que se obtiene en la primera fase del rntodo
desarrollado por Burman (1980), que puede resumirse del modo siguiente. Sea _x=cr^srr^ y
representemos por U(x) 1 V(x) el espectro de ,z, en (2 . 3}, donde U(_^) y V(.^) se
corresponden con las partes MA y AR del modelo. Sea V(.^) = V^,(.^) V,.(_^r}, donde V^,(_ti)
[Ê^'OMPOSfCiON [Ê SER[ES TEMPORALES: ESPECIFICÀC'1C)N, ESTIMACIUN E 1NFERENCÌA 29
se asocia con Q' y V,(_v) con S. Utilizando una descomposicin en fracciones parciales,
resulta
U{x) 1 V(.^c) = Mr(.^) / V^,(-x) + IVis(x) / V,(x) + k, (2.6)
donde k=8, f^^, y M^(x) y M,.(_x) son polinomios en x de orden l y 10, respectivamente.
Sean h^{x) y h^ (x) los dos primeros trminos del lado derecho de (2.6), y sea k^,=min
h^,(.x) y k,. = min h^ (x) para -1 ^ x^ 1. Entonces los espectros de los componentes
cannicos vienen dados por
h,,(x) -- h,;(-v) - k,,

h,(x) = h;'( ^) - k,.
h(x) .- k + k^ + k,
A partir de estos espectros, las funciones generadoras de autocovarinza pueden

obtenerse y, factorizando estas funciones, resulta la expresi+n ARII^1A de las modelos
para los componentes.
Para la serie desestacionalizada, la identidad ^r-p,+u, implica
`' û =(1-a, B-a, B') h, + o' u, , (2.7)

donde el lado derecho es un MA(2). Por lo tanto, ^;' es un modelo IMA(2,2), que
representaremos como
^ : ;' - ( I -^.^ B-^,^ B`') d, , (2.8)

donde ^,, ^, ^ y cr^ son funciones de a^, a^, ar^ y^,, que pueden obtenerse igualanda
varianzas y covarianzas del lado derecho de (2.7) y{2.8}.
Con objeto de analizar la descomposicin del modelo {2.3) supondremos, sin prdida
de generalidad, a^,=1. Todas las varianzas vendrn pues expresadas en unidades de ^,.
Para f^, _-.19 I 5, (I, ^_ . 6228, los modelos que resultan para los componentes son:
o`' ^, _ (1 +.039 B-.961 B') h, {2,9a)

_ ( l +B) (1-.961 B) h, ,
o`' ^"^ -- (1-.779 B-.175 B') clf (2.9b)

_(1+. l 82 B) ( 1-.961 B} c^,
S.^^, _(1 +2 . 019 B+2 . 4 8 7 B^+2 . 619 B-^+2 . 4 81 B 4+

+ 2.182 B5+1.800 Bh+1.365 8^+.972 B`y^ +
+ .568 8^+.310 B^^'-.032 B^f ) c^, . (2.9c)
y las varianzas de las innovaciones toman los valores

EST,IDISTI^'A ESPAOLA
cr^,-..234;cr=.053,
{2, l 0)
rr, _ .108 ; a'`^ _ .70 .
As, por ejemplo, la varianz.a del componente irregular representa aproximadamente un

10lo de la varianza del error de prediccin a un perodo. En consecuencia, el carcter
aleatorio de ta tendencia y del componente estacional contribuye de forma importante a
la impredecibilidad de la serie.
Los espectros de los tres componentes, p,, .s, y ur aparecen representados en la Figura
5. Las FACs de ^7'p,, S.^, y i^, estn en el C'uadro 1. Cansiderando ( 2.9a}, la raz { 1+B) de
:z(B) induce un cero en el espectro de pf para cv=n. La segunda raz, (1-.961 B) est muy
prxima a ( 1-B) y por tanto casi se cancela con uno de los 's del lado derecho. La
tendencia sigue, pues, un modelo del tipo
Q p, _ (1 +B) h, a,
donde ^ vara muy lentamente en el tiempo. Anlogamente, la serie desestacionalizada,
teniendo en cuenta (2.9b), sigue un modelo del tipa
^ z=(1+.182 B) d,+S' ,
cercano a un paseo aleatorio con una deriva ^S' que evoluciona suavemente. E1 modelo
para el componente estacional es una expresin relativamente compleja. E1 cero en el
espectro se alcanza para t.u=.9175n, entre las frecuencias de cinco y seis veces al ao.
Aunque el modelo en su forma estructural depende de 16 parmetros, stos son a su

vez funcin sfllamente de d^ y f^l,. En general, diferentes valares de f^, y f^,, apenas
afectan a los parmetros cx, y tienen un efecto lmitado sobre los parmetros f3. La
Figura 6 cornpara la FAC de `'p, y de Ss, para el modelo que estamos discutiendo con
1as correspondientes al caso (drsticamente opuesto) f1,=.7, f^^ ^=.2. Cambias en los
valores de H, y H,, tienen, sin embargo, un fuerte efecto sobre las varianzas de las
innovaciones en los modelos para los eomponentes. Para f^ f=.7, ll,,=.2, por ejemplo, se
obtiene
ti=.007;a^ =.147;^,=.218
y comparando con (2.10), se observa que tendencias estables ( valores ms altos de tl,)
praducen valores pequeos de ^, y componentes estacionales ms estables ( valores de
f^, ^ ms elevados) producen valores pequeos de c^ . En trminos de los parmetros de la
forma estructural, los parmetros de la forma reducida afectan sobre todo a 1as varian-
zas de las innavaciones, y cuanto ms aleatorio sea un componente, mayor ser la
varianza de su innovacin. {Para una discusin del efecto de cambiar ei modelo en su
farma reducida, ver Maravall, 1983a).
DESC'OMPOSIC'lON DE SER[ES TEMPORALES: ESPEC'IFIC'AC'lON, ESTlMAC'ION E INFERENCIA Î
C'i.âd rt^ 1
FAC de los componentes
`7 z za
Retarda r 0 ^ ^r S sr ttr
1 -.39 .001 .95

2 -.1 1 -.499 .84
3 - - .70
4 - - .54
5 - - .39
6 - - .26
7 - -- .15
8 - - .08
9 - - .03
10 - - .01
1 1 -- - . 00
FAC OE ÔS COMPONENTES PARA DISTINTOS VALORES

DE ÔS PARAMETROS
1 s) TENDENCIA ^ r b ^ COMPONENTE ESTACIO1AL
0 .
-,^
_ - .1915; 8 ^ 2 = .6228
---- e, _ .^ ^ ^,z - .z
F 1 ^r. b
32 ESTADISTICA ESPAOLA
3. EST1V1A^`lON
3.1 ^stirrt^xc.ôrE^s c^vn ^rrvr Cuadrtiticc^ Mec^tU ^lnimc^
Volviendo al esquema general de la subseccin 1.1, cuando la informacin consiste en

una realizacin completa de z,, que representaremos por [z,], el estimador del compo-
nente z con error cuadrtica media mnimo {ECMM) viene dado por
`P^(B) `P;(F}
' = k, ^(B} ^(F) z, = v;(B^F) zr (3.l)
donde ^, =^rr; / cr- y F= B"!. Bajo nuestros supuestos, ^l, es tambin la media
condicional E(z;, ^[z,^). La derivacin de (3.1) para el caso estacianario y su extensin a
series na estacionarias figuran en el Apndice A.
Para modelos ARIMA, utilizandv (1.3), (1.5} y(1.8), el filtro v; resulta igual a
f^;(B) f^1(F) ^;`(B) ^*(F) .
v;(B,F) = k; (3.2)
^( B) . ^{ F)
Se trata, pues, de un filtro simtrico y centrado, y la invertibilidad de z, garantiza la

convergencia del filtro. Esta convergencia permite truncar el filtro y aplicarlo a una
serie finita.
Supongamos que el filtro truncado contiene (2m+1) coeficientes, de forma que

.. + ^^^T _ ^ v^ (z^ ^ + z^+^) (3.3)
^ rr ^^ z,
Para obtener ^,, par rnedio de {3.3) se necesitan las observaciones z,_,,,,..., z,+,,,. Como
consecuencia, en el momento T, cuanda la serie disponible es zi,,,., z I-, la estimacin de
z;, requiere para t< m, observaciones iniciales anteriores a z f, y para t> T-m, observa-
ciones posteriores a zT. Puesta que
E1^ z = Er E(zir j Cz^l) = Er z^^ , (3.4)
se sigue que el estimador de z;, calculado en T puede computarse aplicando (3.3) a una
serie en la que las observaciones no disponibles se reemplazan por sus estimaciones E^^
z,. Considerese, por ejemplo, la estimacin "contempornea" de z,, (es decir, cuando la
serie disponible llega hasta z,}, sin duda el caso de mayor importancia prctica. Supo-
niendo t> m, de (3.3) y(3.4), el estimadar contemporneo, ^;', puede computarse como
î', = v^, z, + ^;"_^ v^(zr-^ + z,(1) ), (3.5)
donde ^,^j) = E, z,+;. Es decir, z;', se obtiene aplicando (3.3) a la serie extendida con las
predicciones caiculadas en t. En consecuencia, en una aplicacin concreta, los finales de
DESC:OMPOSICION DE SERIES TEMPORALES: ESPEC[FIC'AC'ION, ESTIMAC'ION E INFERENCÌA 33
las series de estimadores de los componentes estarn contaminados por las errores de
prediccin. Ms adelante volveremos sobre esta cuestin; por el momento nos centrare-
mos en el fitra completo, es decir en el estimador f nal (3.3).
Para el modelo de las lneas areas y los modelos (2.5) para los componentes,
escribamos para simplificar notacin:
H = (1-8, B) ( 1-, , B1^)
a= 1- a^ B- a, B`'
^ = 1-î B-. . . -î ^ B! r ,
^. = 1-^, ^ B-^, ^ B ^ ,
y, si una barra representa el mismo polinomio con B sustituido por F, la expresin (3.2}
se convierte en
a S S
(3.6a}
Vn(S^F) ! ^h ^^ ^
para la tendencia, y en
xat7'Fz
v, ( B, F) - k^. ^ (3.6b)
f^ f^
para el componente estacional. Para el ejemplo que estamos considerando, los dos
f^ltros aparecen en la Figura 7.
E1 componente irregular se estima como el residuo, una vez que la tendencia y el

componente estacional estimados se han eliminado de la serie. Es decir
ir, - ^, - ^^, - ^,.
La linealidad del operador E(. ^[^]) implica que rr, estimado como el residuo ha de ser el
mismo que el que resultara de su estimacin directa:
it, = h^, [`P(B) `P(F)^-^ 't (3.6c)
En general, es irrelevante cules dos de los tres componentes se escogen para la

estimacin directa, dejando el tercero como residuo.
Volviendo al caso de la oferta monetaria en Espaa, los componentes fueron estima-

dos por medio de un programa desarrollado por Burman y se presentan en la Figura 8.
(Ntese que, una vez conocido el espectro del componente, las funciones de autoco-
varianza se derivan fcilmente y estas proporcionan directamente los tiltros ^^,. La
estimacin de los componentes no requiere, por tanto, la derivacin de sus modelos
ARIMA).
34 ESTADIST[CA ESPAIÔLA
FILTROS DE lOS ESTIMALÔRES
al TENDENCÂ
0.5
a4 ^.-
8.3
0.2
ao
- o. ^ t i
0 12 24 3d 48 d0
bl COMPONENTE ESTACIONAL
0.5
a4
0.3
0.2 r
0.
0.^
- o. ^ i ^ ^
0 2 24 3d 46 60 72
Fig. 7
C}ESC'OMPOSIC'ION DE SERIES TEMPORALES: ESPEC`1FICAC'IC)N, ES"TIM.AC'lo!Î E[NEERENC'IA ^S
COINFPONENTES ESTIMADOS
b) TAtA OE CRECIMIENTO DE Â TENDENCIA
a) TASA DE CRECIMlENTO DE LA SERIE DESESTACIONAL.I2AOA
20. Y
11.7
25
c) COMPONENTE ESTACIONAL d) COMPONENTE IRRECiUÂR
123 12.3 7
0. 5 0.5
- 11.3 - t1.3
3.2 1 os .ti1vdE^lc^s pura lc^.s ^:stimaclc^rc^s
Comparando el modelo para un componente con la expresin para su estimador se

observa que, tal como indicaron Grether y Nerlove ( l 970), el modelo para el compo-
nente difiere del modelo terico que sigue el estimador. Tiene inters ahondar en e^ ^ta
comparacin.
Una manera fcil de derivar el modelo terico para el estimador es la siguiente:

Haciendo ^, _`^(B) ut en (3.1), el estimador ^,, queda expresado en funcin de las
innovaciones [u,] de la serie observada. Simplificando, resulta
';r = `}^;( ^) y^^( F) ur ^ (^.7)
donde `F;(B) = f^;(B) / c^;(B), es el filtra correspondiente al componente terico en (1.?), y

^l;(F) ^; (F)
^1,(F) _ ^, . (3.8a)
(^(F)
Sea
^;(B^F) i ^;(B) ^l,(F) (3.8b)

El filira ^, es convergente en F y divergente en B. Su denominador implica que el

componente y el estimador requieren la misma transformacin estacionaria, y su nume-
rador implica que la estimacin conserva la propiedad cannica del componente. El
espectro del estimador, sin embargo, presenta ceras adiconales, que se corresponden
con las raices unitarias de ^*(F} en el denaminador de ^;. En general, en trminos de la
FAC y del perfil espectral, el estimador difiere del componente por la presencia de r^;(F)
en (3.7).
Para el caso del modelo de las lineas areas, las expresiones para el estimador de la
tendencia y del componente estacianal se convierten en:
o^ ^^ = a(g) n^(F) u, ^ (3.9a)
S ^ t = %3(B) ^1,(F) ^^ ^ (3.9b)
donde
a 5
^1^(B) ^h e (3. I Oa)
^ ^z
rl,^(B) _ ^^^ ^ , (3. I Ob)
Para el estimador del componente irregular,
_ ^1^,(F) Qr , (3.1 1)
donde
v v,^
^^^(B)= ^^, o , (3.12)
y por tanto , = k^, `l^(F)-J a,, es decir t^r, sigue el proceso "inverso" del de .^r. E1
estimador i;, es una funcin lineal de innovaciones futuras c^, ;, .j> 0; por ello, aunque
presenta autocorrelacin, esta no puede utilizarse para predecir t^,. El estimador c^, sigue
un proceso estacionaro, con varianza finita que siempre ser menor que la varianza
terica de u,. ( Una discusin ms completa de las propiedades de ir, f gura en Maravall,
19$7b).
Utilizando (3.9)-(3.12) se pueden calcular FACs y espectros de los estimadores. Para

el ejemplo que estamos considerando, aparecen representados en las Figuras 9 y 10,
donde se comparan con las de los cornponentes tericos. En lo que se reêre a la serie
desestacionalizada, la estimacin no afecta a las autocorrelaciones de orden bajo, pero
induce correlacin negativa para el retardo 12. En el caso de la tendencia afecta a p, y
tambin induce un valor negativo de p, ^. Para el componente irreguiar, las dos FACs
difieren mucho, y la estimacin induce valores negativos para ^^, y p, ^. ( El valor
negativo de p^, es --.19, el mismo en los tres casos).
DESCOMPOSICION DE SERIES TEMPORALES: ESPEC[FICAC[ON, ESTIMACION E INFERENCIA 37
FAC DE Ll'^ COMPt'^NENTES Y DE ^ ETIMADORE
^1 fER1E DEiEfTAC10NALIZAOA a) COIYÔNENTE EfTACfONAI.
1 .^. 4 r
1
1 1
i i i ^
^ ^ i ^
^ ^ ^ ^
^ ^
l ^ ^ i ^ ^
T
1
1 ^ ^ ^ '
13 _ 1
^ '
1 j ^ j
1 1 ^
^ ^
- 1 ^-- - 1 ^-
b) TENOENCIA d1 COMlONENTE IRREOUI.AR

1 r 1
f ^
0 0 ^
1
1
1 i
12 12
^..^^. COMlONENTE
^ - ^ ^ ^ ElTIMADOR
- ^ L
Fig. 9
Como ya se mencion anteriormente, los espectros de los estimadores presentan ceros
adicionales. Sean K^(cl^), ^,(cu) y^(c^) los espectros de los estimadores de la tendencia,
componente estacional y componente irregular. Los ceros de ^r(c^) y^(cv) para frecuen-
cias estacionales reflejan el hecho de que, para esas frecuencias, el cociente varianza de
la tendeneia o del irregular partido por varianza del componente estacional es cero, de
manera que esas frecuencias no contienen informacicn alguna para estimar p, o^r,, y
sern pues ignoradas. Anlogamente, el cero en ^,(c,^) y,^(r.^) para cv= refleja que, para
esa frecuencia, los ratios varianza del componente estacional/varianza de la tendencia y
varianza del irregular/varianza de la tendencia son cero.
La diferencia entre el espectro del componente y el del estimador resulta particular-

mente notable, de nuevo, para el componente irregular, cuyo estimador se encuentra
muy lejos de ofrecer un comportamiento de tipo ruido blanco. Su perfil ascendente
refleja la predominancia de la tendencia en la varianza de ^, a medida que la frecuencia
se acerca a cero.
Mirando la Figura 10 se observa que ei espectro del estimador siempre se encuentra

por debajo del espectro del componente. Del mismo modo, la varianza de la transfor-
38 ESTAiSTiCA ESPA140LA
ESPECTROS DE LOS COMRONENTES Y DE SUS ESTIMADflRES
al TENOENCIA
2.0
/
1.a
^ ^.,^ EE1' IMADOII
^' a ^ ^ ^ ^ ^ .. COiYMON ElIIT E

1.4 1
t.2 ^^
t.0 ^

ae ^^
oa ^^
^
a4 ^`
Q.2 ' ^+ ^^
i ` _
ao `
PI/4 PI/2 3Pf/4 PI
bi COMPONENTE EtTACiONAt
r
^
^
i^
I
:^
^
PI/4
l^-^S.J^ PIIZ ^1/4 PI
ci iRREUÂR
at2
I T -
O.t t C^ ^^ ^^^^ ^^ ^ ^ ^r^! ^ ^ ii^ f î ^ ^Ôl^ ^ ^^^^r^
ato
oeao
o.as
ao^
o.oe
o.os
o.oa
o.a3
0.02
o.ot
o.oo
PII4 PI/2 3 PI/4 PI
Fig. 10
C}ESCÒMPOSICION DE SERIES TEMPC)RA>.ÊS: ESPEC'1FIC'AC'10[v, ESTIMAC`1Oti E^. [NFE^RE:ti('IA i9
macin estacionaria del estimador es menor que ta correspondiente al compOnente, tal ^'
como se observa en el Cuadro 2. Puesto que la suma de los tres componentes es igual a
la suma de los tres estimadores, la diferencia en la suma de varianzas se explica por la
aparicin de covarianzas. Mientras que los componentes tericos no esin correlaciones,
(3.9) y(3.1 I) implican que los estimadores si lo estn. Las fûnciones de correlacin
cruzada entre los estimadores se obtienen fcilmente a partir de (3.9}-{3.1 1). Para el
ejemplo^ que estarnos considerando, resulta
^
Corr (o ` pt, S^,) -- .10
Corr (`'pr, lr^) - .06
C'orr ( S.^,, i^,) ^ .OS
Aunque distintas de cero, las correlaciones entre los estimadores son de todas formas
_
pequenas.
C^'tc u cl ro 2
Desviacin Tpica de los C'omponentes
v^^ ^^,u o`' p, S s, u,
Componente 1.45 .67 1.38 .33

Estimador .94 .48 .34 ,19
4. DIAGNOSTICO E INFERENCIA
4.1 f^rct,^^rtc^.^^ticv
Una importante vrtud de un mtodo de estimacin de componentes que se base en

modelos es que proporciona las bases para diagnosticar los resultados, al permitir
comparar los modelos tericos con los resultados de la estimacin. Como hemos visto,
el modelo terico a utlizar deber ser el del estimador, que puede dit ^ rir considerable-
mente del componente.
Para el ejemplo que consideramos, la Figura I 1 ofrece las FAC' de [as transfrma-
ciones estacionarias de los estimadores tericos (las correspondientes a(3.9) y(3.1 1) ), y^
las compara con las FAC obtenidas en la aplicacin emprica. Ahora, para la serie
desestacionalizada, la tendencia y el componente irreûlar, la FAC' terica y[a empirica
se parecen considerablemente. En el caso del componente estacional el parecido es
menor, y la FAC terica decrece ms lentamente.
4U ESTALIISTiCA ESPAtÔLA
FAC TEt1RICA Y EMrIRlCA DEL E8TIMADOR
b) TEMDENCII^ d) IRREOULAR
1 r ^
^ ^ ^
0
^,^,^ fA^3 EINr ^ RICA
^ ^^^.fA1C TE0111CA
-^ L
FC^; i!
Para que la comparacin de las dos FAC sea informativa, es preciso tener una idea de
lo cerca que podemos esperar que pueda estar un ^ estimado para un componente del p
del estimador terico. Trescientas series independientes fueron generadas con el modelo
de las lineas areas, con l^J =-.1915, y f^1^ _ .6228. Cada serie constaba de 156
observaciones. Se estim la tendencia, el componente estacional, la serie desestaciona-
lizada, y el componente irregular, y la varanza y la FAC de la transformacin esta-
conaria de cada componente. Como ya mencionamos, las estimaciones obtenidas estn
contaminadas en los extremos por el hecho de reemplazar observaciones previas y
futuras por sus esperanzas condicionales. Los resultados apenas variaban cuando se
eliminaban aos en ambos extremos, y los resuitados que mencionamos a continuacin
se ref eren a las series de estimaciones completas.
Los sesgos encontrados fueron pequeos, prcticamente cero para el estmador de n, y

de la varianza, y ligeramente en aumento para p^ a medida que k se hacia mayor. El
C'uadro 3 presenta los resultados de la simulacin para las estimacianes de ^^^, ^^, ^ y de
la desviacin tpica de la transformacin estacionaria del estimador terico. EI Cuadro 3
presenta tarnbin los correspondientes valores tericos y las estimaciones obtenidas para
el ejemplo de la serie ALP.
DESCOMPfJSICION DE SERfES TEMPORALES: ESPECIFICAC`14N, ESTIMACION E INFERENCIA 4^
C'ua^r^^ 3
Simulacin
a) Autocorrelacin de orden 1(p^)
Q ^ zpr ^7^pr ^^
Simulacin -. 39 .18 . 84 -. 59
(Error Estandard) (.07) (.06) (.02) (.O)
Estimador
Terico -.40 .18 .83 -.60
Valor Estimado -. 44 .21 .81 -.64
h) Autocorrelacin de orden 12 (p1z)
^^
v^^^ û
^ ^ ^ pr S ^, ^
Simulacin --.22 -.22 .52 -.22

{Error Estandard) (.O8) (.O8} (.16} (.08)
Estimador
Terico -.19 -.19 .62 -.19
Valor estimado -.19 -.2 7 .31 -.18
c) Desviacin Tpica
r v ^^^p,
Simulacin .96 .49 .33 .19

(Error Estandard) (.04) (.03) (.06) {.01)
Estimador
Terico .94 .48 .34 .19
Valor Estimado .90 .44 .22 .18

ESTAD1sTIC'A 1 SPAOI,A
La comparacin de las dos ltmas filas en a), b) y c) del C'uadro 3 af'rece un

diagnstico general de la adecuacin de las estimaciones obtenidas al madelo de partida.
T'enienda en cuenta los resultados de la simulacin, ias estimacianes de la serie deses-
tacionalizada, de la tendencia y del cmp+^nente irregular estn claramente en conso-
nancia con las propiedades de los estimadores tericos. Para el componente estaciona[,
sin ernbargo, tanto pl, como Q bordean ia zona de la no-aceptabilidad.
Una simulacin sirnilar se realiz para series con T=84, aproximadamente la mitad
del nmero de observacones consideradas en nuestro ejemplo. Las estimaciones de los
segundos momentos de las transformaciones estacionarias de los estimadores eran rela-
tivamente insesgadas y precisas. Por poner un ejemplo, pîra el componente irregular, la
media de las estimaciones de ,r^,, p, ^ y rr f'ueron, respectivamente, --.59 (desviaciC7n
estardar =.09), --.24 (desviacin estndar =.10), y .18 (desviacin estndar -.0?). La
comparacin, pues, de los segundos momentos tericos y empricos de los estimadores
de los componentes ofrece un instrumento fcil de computar, de inters a la hara de
evaluar los resultados. En el ejemplo que estamos considerando, la comparacin nos
lleva a una aceptacin (no entusiasta) de los resultados.
4.2 I^tferencias
Un tema de considerable inters aplicado (ver, por ejemplo, Bach et al, 1976 y Moore
et al, 198 l) es el error cometido al estirnar componentes. En el ejemplo de la serie ALP,
puesto que el seguimento de su evolucin dentro del ao se realiza utilizando la sere
desestacionalzada, para juzgar si el crecimiento es o no el deseado, es importante saber
cual es la precisin de nuestras mediciones. En definitiva, el error de medicin en la
serie desestacionalizada implica por fuerza un intervalo de tolerancia alrededor de
abjetivos futuros (implcitos a explcitos) intraanuales. (Un anlisis de la desestacio-
nalizacin en el contexto de la poltica monetaria se encuentra en Maravall, 1981 a y b).
Un mtodo de estimacin basado en modelos ofrece los fundamentos para poder
abordar el tema de una forma rigurosa (ver Pierce, i 979 y 1980, Hillmer, 1985 y
Burridge y Wallis, 1985).
Existen varios tipos de errores implicados en la estmacin de un componente.

Consideremos el estimador z;r dado por (3. l). Este es et estimador f nal de ^;,, te-
ricarnente disponble cuando se tiene una realizacin campleta de ^,. El error
.^ :, (4.1)
ir-ît-^rr
se denomina "error en la estmacin f"inal". El segundo tipa de error se relaciona con la

distorsin inducida en ambos extremos de la serie del estimador de un componente por
el hecha de que, tal y como ya se mencion en la subseccin 3.1, no se disponen de
observaciones prevas n de observaciones futuras. E[ perfii de los filtros v,, y v, que
DESCOMPOSICION llE SERIES TEMPORALES: ESPEC:IFIC'ACI(^N, ESTI}^1AC'1(^N E INFERENC.'IA 43
aparece en la Figura 7 indica a simple vista que el peso asignado a la observacin ^, en

la estimacin de p, o.s, es despreciable cuanto T y t estn separadas ms de 5 aos.
Teniendo en euenta la longitud de nuesira serie, la ausencia de observaciones previas
afectar tan solo a los primeros ya lejanos aos de la muestra. Nos centraremos en
el error inducido por la ausencia de observaciones futuras, que denominaremos "error
de revisin". (Estos dos tipos de error en la estimacin final y de revisin no son
los nicos existentes en las series de agregados monetarios, pero s los dominantes, ver
Pierce et al, 1981). Como muestra Pierce (1980), el error en la estimacin final y el
error de revisin son independientes, de manera que se analizarn los dos por separado.
u) ^rr^r ^n !a ^;stimaci^n F'inul.

Para el modelo de las lineas areas, consideremos el error en la estimacin final del
componente estacional
c5,,=s,-.^,. (4.2)
Operando, resulta {utilizamos la notacin simplificada de la Seccin 3.1):
^,.r ! s^ - v, ^r = (1-v,)s, - v, ^;' , (4,3}
donde v, viene dado por (3.6b}. La identidad (1.7), aplicada a la descomposcin ^, _û
+ s,, produce la ecuacin (en trminos de las innovaciones}
fâ,=S^.cl,+o`'^3c, (4.4)
Considerando que, en virtud de (3.6b}
f^f^ - ^^^l^^' ^'

{4.5)
igualando funciones de autocovarianza en ambos lados de (4.4}, es inrnediato que el

numerador del lado derecho de (4.5) es igual a S ^ ^.^,^^^. Teniendo en cuenta (2.5) y(2.8),
(4,3} puede fnalmente escribirse como
. _ 5^.^^ I^^^^ ^
^,^ ^^^ f)^ c'^ - ^^^ ^ ^, {4.b}
(^
es decir, ^S,f es la suma de medias mviles de las innovaciones en los componentes, que
se extienden hacia el infinito en los dos sentidos. Ntese que la invertibilidad de ^,
garantiza que ,., es estacionario. As, la diferencia de las dos series no-estacionarias s, y
^, produce una serie ^.,, estacionaria; el componente y el estimador estn pues, en
terminologa de ^ranger, co-integrados (si bien las raices unitarias en .s, y.ti, son
distintas de Bi 1 }.
Reescribiendo (4.6} como

^ ^3
(4.7)
`^'' T E1^ h' ^
donde h,=^^,^^c^,-k^.^'d,, la funcin generadora de autocovarianzas de ^5,, es igual a
^^.Q/^
FGAC(^5,,) = --f^-^-FGAC(h,)
, , (4.8}
y es fci [ ver que
FGAC(h,) _ ^^^ ^^ [ ^;f SS'.1+h^.^3%3^J'`' ] , (4.9)
n virtud de (4.4), el trmino entre parntesis en el lado derecho de (4.9) es igual a

f.^f^. Sustituyendo, pues, en (^.$), resulta
^^-^^
^
FGAC(r5) _ -^ -- ^^, k^.
de donde r^,, sigue un proceso ^. ^^: MA del tipo:
fiS,^ _ ^^^3^, , (4.10)
donde ^, es ruido blanco con varianza a^ _^^ c.r . En trminos de la representacin

general ( 1.1), el resultado (4. l U^ puede expresarse de la siguente forma. Supongamos
que (sin prdida de generalidad) nos interesa estimar el primer componente ^,, y
escribimos ( 1.1) ômo
_,=^f,+Zf,,
donde Z1, _^,,^f ^;, representa la suma de los dems componentes. Puesto que todos ellos
siguen modelos ARIMA, Z,, ser tambin un ARIMA del tipo
* .
^1Z1i=f^^k,,
donde ^, es ruido blanco, ^; ^^^, el polinomio autorregresivo dado en (1.8} y (^; es una
media mvil que se obtiene a partir de los modelos para los componentes. Si c^,,
representa el error en ia estimacin f nal de ^ ^,, entances sigue el modelo
f^ ^5^, = f,^^ f1; E, ,
donde E, es ruido bianco, con r^ _^ ar^ ^ o. Ntese que el error de estimacin final de
cualquier componente es un ARMA, con polinomio autorregresivo siempre igual al
polinomia de media mvil del modelo observado para z, y, por ser este invertible, el
error ser siempre estacionario.
DESCÒMPUSIC'ION DE SERIES TEMPORALES: ESPEC'IF1C'ACIt)ti. E.STIMACit)N E INFERENCÌA 4S
Aplicando el resultado al estimador final de la tend^ncia en el modelo de las lneas

areas, resulta
f^d^,^=cx8* n,,
donde * y ar se obtienen a partir de la representacin ARMA de (s, + u,), que ser la

solucin del sistema de ecuaciones de covarianza asociado con f^*n,-^3h, + Su,.
En consecuencia, tanto el error en el estimador final de la serie desestacionalizada

corno el errr en la estimacin de la tendencia siguen procesos ARMA (13,13), estacio-
narios, con polinomio autorregresivo (1-f^^B)(1-f^,,B''). S^,^ FAC` figuran en el Cùadro 4
y ambas resultan muy semejantes. Estas FAC son necesarias para caicular los errores de
medicin en las diversas tasas de crecimientos de los con^ponentes.
Ccrudro 4
FAC de los Errores de Estimacin
a) Serie Desestacionalizada
Retardo Error de Estimacin Final Error de Revisin
1 .67 .67
2 .28 ^ .32
3 -.03 .03
4 -. 2 5 -. 2 0
5 -. 3 9 -. 3 5
6 -.45 -.43
7 -.43 -,44
8 -. 3 4 -. 3 7
9 -.17 _, ^ ^
10 .06 .Ol
1i .36 .33
12 .63 .63
4b E.STAfîS'i IC',A E:SPA!V(^L.A
_ _
C'tûd r^^ 4
f= ^^' de lc^s rrores de Estimacin
h) Tendencia
Retarda Error de Estimacin Final Error de Revisin
1 .b8 .bl
2 .24 .35
3 -.01 .07
4 -. 2 0 -.13
5 -. 3 2 -. 2 8
6 -. 3 7 -. 3 b
7 -. 3 5 -. 3 8
8 -. 2 7 -. 3 4
9 -.13 -.22
10 .07 .04
11 .30 .24
12 .43 .47
E1 Cuadro 5 muestra las varianzas del error de estirnacin final de la tendencia y de

la sere desestacionalizada para el ejemplo que estamos analzando. Ambas son de un
orden de magnitud similar y la desviacin tpica del error viene a ser del orden del 50ro
de la desviacin tpica del error de prediccin de la serie ^, un perodo por delante.
Conviene resaltar que, a pesar de que el error en el estimador final de la serie
desestacionalizada es grande, la precisin de la estimacin no mejora nada si se utiliza,
en su lugar, la tendencia.
C'zûru 5
Varianza de los Errores de Estimacin
Error de Error en Error total

Revisin el estimador de
final estimacin
Tendencia ,231 .217 .448
Serie
Desestacionalzada .197 .184 .381
fÊSCOMPOSIt'lo^N DF SE:RIFS TE=MPORALES: ESPEt'IFIC'.AC'ION, F^TIMACION E I,JFE_REÎC'I,A 47
h) f^;rrur clc^ RE^^î.sî^^ri
C'omo vimos en la Seccin 3, con objeto de calcular ^^, por medio de (3.3), es preciso
disponer de una realizacin completa [^,]. Como consecuencia, en el mornento T,
cuando la ltima observacin disponible es ^ 7^, la estimacin de ^,, para t cercano a T
requiere observaciones futuras de ^. Cvmo ya mencionamos, un estimador prelimnar
puede obtenerse aplicando (3.3) a la serie extendida: ^,,...,^ ^^, ^ 7{ 1), ^^12),..., donde ^ r(j)
representa la prediccin de ^ T+; hecha en T. Se sigue que el estimador preliminar ser
objeto de revisiones ya que, a medida que se obtengan nuevas observaciones, las
predicciones se pondrn al da y, fnalmente, sern reemplazadas por observaciones. La
dit'erencia entre los estimadores preliminar y final representa un error de medida en la
estimacin preliminar que denominaremos error de revisin. Un estudio ernprico de las
revisiones en las series desestaconalizadas de agregados monetarios en EEUU y de su
efecto sobre el control monetario se encuentra en Maravall y Pierce (19$3) y(1986).
Consideremos primero la estimacin de ^ en t{la estimacin contempornea). La

revsin en el estimador, ^;',, es
^;, - =;', - ^^^_I t'i(-r+j ' -r^l) ) _ ^^ ^1 1'i ^'r^l) , ( )
donde c^,(j) representa el error de prediccin de ^,j perodos por delante. De ^ 1.4),
;-f
^'^^1) = Clr+ + ^^,! ^^ cl^+^-^
y, por tanto, (4.1 1} puede reescribirse como una media mvil de innovaciones fùturas
cr,+r, cr,+,,... Una manera ms directa, sin embargo, de obtener esta media mviE es a
travs del modelo que derivamos para el estimador, dado por (3.7) y(3.8):
^ ;, _ ^;; ( B, F) u r = ^;^' _ _ _, ^ ^; cr,+; . (4.12)
Puestc^ que E,cr,_,^=u, para,j.,>^0, y E,cr,^.,=0 para j>U, se sigue que
rt
^;^, - Er -î
^^^ cr^+, ,
y, restando (4. 1 3) de (4.1 ?), lî re^îsin es iûal a
^'; t = ^^ = ^ ^ ^; ^r ^+^ _ ^, t F ) cl ^+ i (-^. 14)
A partir de {4.14) es posihle derivar l^ls propiedades de los errores de revisic^n (^^c.^r
Maravall, ly8f^h).
4$ ESTADrST[CA ESPAOLA
De forma anloga, (4.12) puede utilizarse para derivar la revisin en cualyuier

estirnador prelimnar, no necesariamente el contemporneo. Si ^,", representa el esti rna-
dor de ^;, obtenido en t+n, (n ^ 4), entonces
êrf ` Et+n î^ _ î^,_ ^ î^ ^^^^ .
y la revisin en el estimador preliminar resulta
t^ + ^1 ^ Y^
^"^ ^ ^ ^ ^^ - ^ r t = , _,^+r ^<< ^t,+; . (4.15 )
Dado que el filtro ^,(B,F) es convergente en F, la revisin es pues un proceso

estacionario. La ecuacin (4.15) implica que el cambio en la revisin cuando el perodo
de estimacin pasa de T a T+n es una media mvil de orden (ri-1) (ver Pierce, l 980), t^
la puesta al da de una estimacin cuando una nueva obvservacin resulta disponible
equivale a sumar la ltima innovacin en ^ multiplicada por el correspondiente peso ^,.
Para el caso del modelo de las lneas areas, de (3.8b),
^(B) ^l,^(F) ^(B^ rl,(F)

^,^( P, F) _ ^_ ; ^, ( B, F) = S (4.1E^)
donde r^^,(F} y>>,(F} son los dados en (3.10). Para el ejemplo que estamos considerando.
el Cuadro 6 muestra las varianzas de la revisin en el estimador contemporneo ^^ dc
las revisiones despus de uno, dos, tres, cuatro y cinco aos adicionales de datos. Se
observa que, despus de cinco aos, las revisiones en la tendencia ^^ en la serie
desestacionalizada sn despreciables y los filtros pueden, pues, truncarse sin prohlcm^^.
De hecho, ms del 95% de la varianza de la revisin en el estimador contemporneo î^.^
ambos componentes se completa en los tres primeros aos.
C'trcrc^rcr 6
Varianza del Error de Revisin
r r^^ ^.^ rr^, r.^ r,r,r,

r r r ^ r r
Revisin en
la tendencia .231 .061 .024 .009 .004 .001
Revisin en
la serie
desestacionalizada .197 .077 .033 .012 .005 .00?
DESC'OMPOSICION UE SERIES TEMPORALES: ESPECIFICÀC'ION, ESTIMACIC^N E INFERENCÌA 49
EI C'uadro 5 indica que el error de revisin del estimador de la tendencia es liêra-

nlente ma}ôr que el correspondiente a la serie desestacionalizada. Para ambos compo-
ncntes, el error de revisin es liêramente mayor que el error en la estimacin final. C}e
todas formas, el orden de magnitud de1 error es, en todos los casos, similar: su
des^îaci^ n tpica viene a ser la mitad de la de la innovacin en la serie observada.
Una implicaein de los resultados anteriores es la siguiente. En relacin con la

conduccin de la poltica monetaria a corto plazo, Maravall y Pierce { 198b} reciente-
mente concluian: "... ^porqu tanto nfasis en desestacionalizar'? Quizs la atencin
debera desviarse hacia la estimacin de una seal ms suave y menos afectada por
re^îsiones (posiblemente algn tipo de tendencia)"'. Para el caso de [os ALP, la tenden-
cia ciertamente produce una seal ms suave, per ni est suêta a menores re^îtiiones,
ni se estima con ms precisin. De hecho, el estmador dc la tendencia es li^,er^^mcnte
peor en lo que se retiere a ambos tipos de errores.
Finalmente, la desestacionalizacin de los agregados monetarios en Espal^^^ s^ rr^^lil^l

una vez al ao {al comienzo) en lugar de una vez al rnes (es decir, de fornâ cc^nten^po-
rnea). sto implica el uso de factores estacionales proyectados para los êses ^j^1 ^^,^c^
entrante. Las varianzas de los errores de revisin para estos factores aparecrn c.^^l el
Cuadro 7. La desestacionalizacin contempornea supone una mejora equivrilcnt^^ a,
aproximadamente, una reduccin del 1 SC% en la varianza del error de estirlâcin tot<<1.
C ^l itl C!l'() /'
Varianza del Error de Revisin:
Serie Desestacionalizada
Revisin en la
proyeccin del Varianza
componente
Contemporneo .197
1 mes adelante .215
2 meses adelante .246
1 1 meses adelante .33I
50 ESTApISTICA ESPA^ !r1QLA
5, UN COMENTARIQ FINAL: INTERVALC3S DE CC^NFIANZA Y TASAS DE

CRECIMIENTO
Hemas analzado la descomposicin aditiva del logaritm de la serie ALP. El compo-

nente estacional obtenido es, por tanto, el log del facior estacional utilizado en la
prctica. E1 Cuadro 8 muestra los Intervalos de Confianza (I.C.), al 95% y al b7%, para
un factor estaconal estimado igual a 1 U0. Se observa que la anchura del I.C. ai 95l0
para el estimador contemporneo representa casi el 1 lo del nivel de la serie. En el otro
extremo, para el l.C. al 67% alrededor del estimador final, la anchura se reduce a.32%.
C'ttuulr^^ 8
Intervalo de confianza alrededor

de un factor estacional igual a l00
Nivei de Estimador Estimador

confianza conternporneo final
9 5% 99. 54 , 100.4b 99.b8 , 100.32
67 % 99.78 , 100.23 99.84 , I 00.1 b
Puesto que los objetivos y el seguimiento de ta oferta monetaria se realizan sobre

tasas de crecimienta, y no sobre niveles, tiene inters estudiar el efecto del error de
medicin en los niveles sobre dichas tasas de crecimiento. La tasa ms utilizada es la
tasa mensual de crecimiento de la serie mensual (anualizada y expresada en puntos
porcentuales de crecimiento); esta tasa se denomina T;. Linearizando T^ (ver Apndice
B) y utilizand los Cuadros 4 y 5, las varianzas de los errores de medicin pueden
calcularse, y el Cuadro 9 presenta el LC. al 95% para el estimador contemporneo y
fnal de la tasa T; de la serie desestacionalizada y de la tendencia. Aproximadamente, el
intervalo asociado con el estimador contemporneo es del orden de 5 puntos porcen-
tuales, que se reduce a3 puntos cuando se dispone del estimador final. Si, por
ejemplo, la tasa T, medida para el ltimo mes es del 12%, el error de medicin
implicito significa que esta medicin es compatible (al 95%^ de confianza) con un
erecimiento real subyacente entre el 7% y el 17%, apraximadamente. En otras palabras,
DESCOMPOStGON DE SERIES TEMPORALES: ESPECIFICÀCION, ESTIMACIO!^t E[NFERENCIA S1
si el abjetivo (explcito o implcito} para ei mes actual es del 12%, una medicin entre
el 7% y el 17+o podra considerarse compatible con el objetiva. La anchura de estos
intervalos es, sin duda, mayor que la de los intervalos de tolerancia que se utilizan
habitualmente en la prctica. Es obvio que operar con niveles de confianza menores
disminuye la anchura del I.C.: por ejemplo, los I.C. al 7% seran aproxirnadamente la
mitad de los que aparecen en el Cuadro 9.
C'ttuElrc^ y
Intervalo de confianza para la tasa mensual

de creci m iento T ^
(nivel de confianza del 95 %)
Estimador Estimador
contemporneo final
Serie
Desestaci ona i i zada -^- 4. 4 5 3. 09
Tendencia 5.0^ -^- 3 . 31
Puesto que la tasa T; de la serie desestacionalizada o de la tendencia est sujeta a

errores de medicin grandes, tiene inters disminuir la poca fiabilidad que estas tasas
presentan. La imprecisin en la medicin queremos insistir es fundamentalmente
resultado del carcter estocstico intrnseco de la serie, y no de insuficiencias en el
mtodo de estimacin (a este respecto, en Maravall, 1980, se muestra como, para una
serie del tipo de ia que aqu se analiza, el error de estimacin de la estacianalidad es
mayor que la diferencia producida por cambios ( razonables) en el mtodo de desestacio-
nalizacin). Una forma de atenuar la poca fiabilidad es promediar tasas T1 conse-
cutivas. Para la serie desestacionalizada, la Figura 12 muestra el nmero de meses
necesario para concluir que un objetivo no se est cumpliendo, en funcin de la
desviacin media con respecto al abjetivo. As, par ejempla, si la desviacin media es
1.5l0, al 67% de confianza debe haber sucedido a lo largo de un perodo de algo ms de
dos meses para concluir que el crecimiento real es significativamente distinto del
objetivo. Si el nivel de confianza se eleva al 95%, la desviacin media debe abarcar al
menos un perodo de 5 meses.
52 ESTADISTIC A ESPAI'ÔLA
EFECTO DE PAOMEDIAR TASAS T^
Almsô cie
n^ê:
1Z 12
1
i
1
1
t
^
t
1
1
8 1 ^
^
1
1
1
^
^ 6
6 ^
'i 1
i ^
^.. ^ .^ ^ ^ ^ .r ^ w ^ ^
`
NIVEL DE CQNFIANZA OEL E6 %
4 4
^^ 2
2
it ^
1 `'+^._

NI V EL DE tÔNF IANtA OEL 87 %
Media de Ias
0 _._I___.^..1 1 1 ^ desviaciones
i 3 4
Fi^. 12
De forma alternativa, tasas distintas a la T; tambin se utilizan. De todas ellas, la

ms irnportante es la tasa mensual de crecimiento de una media mvil de tres meses,
anualizada y expresada en tanto por cien. Esta es la tasa T; y, de nuevo, aproximndola
linealmente ( ver Apndice B) y utilizando los Cuadros 4 y 5, es posible estimar el error
de medicin asociado. El Cuadro 10 muestra los 1.+C. al 95% para las T! estimadas para
la serie desestacionalizada y la tendencia. La anchura de estos intervalos representa
entre el 551o y el 60% de la anchura de los intervalos para la tasa T;.
DESCC)MPOSICIUN DE SERIES TEMPORALES: ESPECIFICACIC^N, ESTIMACION E INFERENC'I,A S^
C,ttudrv 10
Intervalo de confianza para la tasa de crecimiento

de una media mvil de tres meses (T^)
(nivei de confianza del 95 %)
Estimador Estimador
contemporneo final
Serie
Desestacionalizada 2.58 1.82
Tendencia 2.76 1.9
Finalmente, hemos destacado el probtema que los errores de medicin producen en la

implementacin de la poltica r^nonetaria. Por supuesto, los errores de medicin tienen
tambin otro tipo de efectos, como por ejemplo, alterar la identificacin de relaciones
entre variables (ver, por ejemplo, Maravall, 1979). En trminos de las series histricas,
tiene inters sealar que la desviacin tpica del error de estimacin final de la serie
desestacionalizada o de la tendencia, estimacin disponible al cabo de 3-5 aos, repre-
senta aproximadamente un crecimiento anual del 1 %; un porcentaje pequeo, aunque
no despreciable.
54 ESTADISTIt'A ESPAnLA
A PEN DICE A
^
ESTIMADOR CON ERROR CUADRATICO MEDIO M1NIM0 DE UNA SENAL
EN UNA SERIE TEMPORAL.
A. l . Intrvduccin
En el comienzo de la seccin 3 se afirmaba que, si una serie z,, que puede expresarse
como el fiitro lineal (1.4), es la suma de un cvmponente ^;,, que puede expresarse cmo
e f ltro lineal (1.2}, y un resto ortogonal a dicho componente, el estimador con error
cuadrtico medio (ECM) mnimo de z,t (cuando el universo de informacn es una
realizacicn completa de z,) viene dado por la expresin (3. i). La derivacin original de
este resultado para series estacianarias se encuentra en Iôlgomorov (1941) y Weiner
(1949} y, a pesar de la importante aportacn de Whittle (1963), la prueba del resultado
no resulta de fcil acceso.
Por otra parte, el resultado (3.1) es atractivo debido a la sencillez del filtro (fcilmente
computable) y al hecho de que, tal como observaron Cleveland y Tiao (1976), su
optimalidad se mantena para realizaciones incompletas simplemente sustituyendo las
observaciones ausentes por sus predicciones (fcilmente calculables por medio de { 1.4} ).
Su gran lmitacin cara a la aplicacicin prctica resida en el supuesto de estacionarie-
dad, ya que la gran mayorâ de las series econmicas son no-estacionarias. La demostra-
cin de que el resultada {3.1) sigue siendo vlido para series no-estaconarias aparece en
densos artculos de Cieveland y Tiao (1976} y de Bell { 1984}.
En las pginas que siguen presentaremos una prueba sencilla de (3.1) para el caso
estacionario primero, y rnostraremos, con un ejemplo concreto, como la prueba se
extiende de forma casi inmediata al caso no-estacionario. En ambos casos, el modelo de
referencia es el siguiente (para eliminar subndices, la notacin vara ligeramente con
respecto a la usada anteriormente):
Una serie z, puede expresarse como la suma de dos componentes ortogonales:
z1=s,+n1, (A.)
donde .s, es la "seal" y n, el resto. La serie observada y la seal siguen los procesos
lineales
z, _ ^Y(B) a, (A.2)
s, _ ^.,(B) c, (A.3)
Dada una serie ternporal completa para z,, sea ^, cualquier estimador lineal, que
representaremos por
^,=vtB)z, (A.4)
DESCOMPOSICION DE SERIES TEMPORA,LES: ESPECIFÎC'A('IUN, Es"TÎMAt'ION E ItiFERFtit lA 55
Nos interesa el estimador ^, can el error cuadrtico medio E(s,-.^^,)' mnimo, dentro de la
clase de los estimadores lineales.
A.2. C'asc^ Estuci^^narrv
De (A.4) y (A.2),
^^
(s,-s,)` _ ,- v( B)^,l` _[s,- v( B)È ( B)a,]` -
;^ + [^(B)u,]`' - 2s,^(B)a, , (A.5)
donde
^.(B) = v(B)`N(B) . (A.6)
Tomando esperanzas en (A.5) ,
ECM=E(s,- ^,)'=V(s,)+E[^.{B)a,)'-2E[s,a^{B)a,]=
= V (s, ) + cr, ^; ^,; - 2 ^; ^,; E s, a,_;) . (A.7)
Sumando y restando E; [ E(s, u,_;) ]' / cf a la derecha de (A.7), los tres trminos
intermedios pueden expresarse como un cuadrado perfecto, y resulta:
EC M = V (.^,) + ^; [ cr^ ^., - E (s, a,_,) ]' 1 r^, -
^ ^
-^;[E(s^,u,-;))î^,.
Queremos minimizar esta expresin con respecto a v(B). EI primer y el tercer suman-
do no dependen de v(B); slo depende el segundo a travs de ^.(B). Por tanto, minimizar
ECM equivale a buscar
rrt i n E; [ c^, ^.; - E (.s, cz, _; ) ] ^ .
Puesto que se trata de una suma de nmeros no-negativos, el mnimo se alcanza para
^.; = E(s, â,_;) / c^ (A.8)
Dado que los u,'.^' no estn correlacionados, la expresin (A.$) indica que los a^; son
simplemente los coeficientes de regresin en la proyeccin .s, _^; ^,; u,_; .
Sea y,^,(B) la funcin generadora de covarianzas cruzadas entre s y a. Es decir
:',^^{ B) _ ^ _^ y, B' , (A.9)
donde ;^, = E(s, a,_,). La expresin (A.8}, para todo j, se transforma en
^.( B) = Y,u ( B) / o-w ,
y, considerando (A.), se obtiene

r û( }
i^( B) ^ ^ ( B) (A.10}
Dê {A.3), es inmediato que
y^( B) _`^, (B) Y^^^f( B) ^ (A.1 1)
donde y^.,,(B) es la funcin generadora de covarianzas entre c^ y a (similar a (A.9), con s,

sustituido por cr). Utilizando (A.1 1), (A.10) se convierte en
^,(B) ,^ {B
;^(B) _ ar È B ' ^^^^ ) (A.12)
u ()
De (A.1), {A.2 ) y(A. 3) se obtiene, despejando para a,
`^, ( B} 1
a, = y, ( B) c', + ^,, ( B) nl (A.13)
Sea
h{B) _ ^,(B) / ^(B) (A.14)
En (A.13), la ortogonalidad de n, y c,, y et hecho de que este ltimo sea ruido blanco,
implican que
yu^.( B) = h( B) cr . (A.15)
Como, por definicin de funcin generadora de covarianzas cruzadas, el coefieiente de

B' en yu^.(B) es el coeficiente de B"' en y^.^,(B), resulta yu^.(B) = y^.u(F}. Es decir, (A.15) puede
reescribirse
y^û(B) = h(F) c^ (A.l)

DESCOMPnSiCION DE SERIES TEMPORALES: ESPEC[FICACION, ESTIMA(_ÎON E INFERENCÎA 57
C'onsiderando (A.14) y utilizando (A.16) en (A.12), resulta finalmente
a^ `^.,{B) `P^(F)
^ (A. l 7}
y( ) - ^ ^(B) ^(F^ '
que es igual a(3.1) y, por tanto, el resultado que queramas demostrar. La optimalidad
de (A.17} est condicionada al supuesto de que el universo de informacin se limita a la
serie univariante, y, de hecho, en la prctica, la desestaconalizacin se realiza siempre
por mtodos univariantes. Para ver bajo que condiciones esto es apropiado en series
econmicas ver Maravall (1983b), donde se observa que la oferta monetaria cumple
estas condiciones.
A.3 C'asc^ N^r-estaci^nario
El filtro v(B) definido por (3.1) es sencillamente igual a la funcin generadora de

autocovarianzas de la seal dividida por la de la serie observada. La demostracin que
realizamos en la seccin anterior se basaba de hecho en el comportamiento de funciones
de covarianzas de series estacionarias. Como ya mencionamos, las pruebas existentes de
la extensin de (3.1) al caso no-estacionario son relativamente complicadas. En mi
opinin, hay un modo de ver el problema que simplifica la demostracin y que resulta
intuitivo.
Al gual que en la Seccin (3.1 }, para simplificar la notacin, representemas un

polinomio en B simplemente por la letra griega. Tarnbin, cuando B se sustituya por F,
la letra griega que representa al polinomio llevar una barra encima. As, por ejemplo,
Ì'=`^(B) y `^=^(F).
En el caso estacionario, los polinomios `^ y`P,. de (A.2) y(A.3) son convergentes.

Para nuestros efectos, en el caso no-estacionario, podemos suponer que ^, y s, estn
representados por los procesos
^ ^, _ Ì' a, (A. l 8)
b,s,=^,c,, (A.19)
donde a y^, contienen las raices no-estacionarias y los polinornios `P y`1J, son
convergentes. El filtro (A.17) se convierte en
^
(`P.,^^.,) (`P,/c^,)
v = k, (A.20)
(`1'/^S) (^/ ) .
Puesto que ^, = s, + nr, (A.18) y(A.19) implican que ^5,. es divisor de r^. Podernos
escribir, pues, ^= S, 5,,, y suponer que ^S, y rS no comparten raiees en comn
S$ ESTADlSTI['A ESPAOLA
(obviamente, no tendra sentido, por ejempfo, que el espectro de una serie desestaciona-
[izada presentase un pico inf nito para una frecuencia estacional). E1 filtro (A.20} se
transforma, por tanto, en
^
^s^n ^+an
V .- Ii^. ^_ _ _ , (A.21)
Ì,r
Puesto que (A.21) es la FAC de un modelo ARMA con polinomio autorregresivo `P,
teniendo en cuenta ( l.5), la invertibitidad de ^, garantiza la estacionariedad de ese
modelo. Por tanto, el ftltro (A.21) converger an cuando los procesos sean no-
estacionarios.
Las ecuaciones (A. t), (A.2) y {A.3} implican que n, sigue tambin un proceso
ARIMA, con polinomio autorregresivo ^5,,, y que representaremos por
Sn,=`^br, (A.22)
donde h, es ruido blanco, ortogonal a c,. Consideremos el estimador de la seal:
^,=v^,,
con v definido por (A.21). E1 ECM de ^, viene dado por
ECM = E(s, - ^,)`' - E{ (1 - v) s, - vn, }`' -
^ ^n ^
=E (1 -v) S c^f-v h, (A.23)
, n
Multiplicando los dos miembrfls de (A.1) por 8 y considerando (A.2}, (A.3) y fA.22),
se obtiene
^Ya,=^n`^Y,c,+cS,`Ph,.
Puesto que las funciones generadoras de autocovarianzas de los dos lados de esta
expresin han de ser iguales, resulta ( sin prdida de generalidad, suponemos rr, = 1),
, _
^^ - %c. ^^ ^n ^.^ Sn - kh ^n ^^ ^rr ^s +
y, teniendo en cuenta (A.21), se obtiene
^.^ ^n ^ s ^n
V ^c ^ ^^ . (A.24)
DESCOMPOSICION DE SERIES TEMPORALES: ESPECIFICACION, ESTIMAC'ION F INFERFNCÎA S9
Utilizando (A.2 l) y(A.24} en (A.23), resulta:

^ ^
^n^s ^nas ^^^n ^^^n
ECM=E k,, ^^-- r^-k^. ^^ h, '.
Las races no-estacionarias b.,, y bn de los denominadores de la derecha de (A.23) han

desaparecido y el ECM resulta ser la varianza de la diferencia de dos medias mviles
convergentes ortogonales. En consecuencia el ECM de ^, es finito.
Para simplificar, supongamos que slo existe una raz no-estacionaria, o, de modo
que ^S_, = o y^n = 1, y veamos la raiz o= 1- B coma el lmite de (1 -^ B) cuando ^-î,
1. Puesto que v, definido por (3.1) (o, equivalentemente, por (A.17} ), minimiza el
ECM cuando ^_.9, .99, .999, etc., es intuitivo que tambin lo minimice para ^= 1,
dado que tanto v como ECM son funciones continuas en ^= 1. Aunque la idea es
simple, la prueba general (que incluya cualquier conjunto de raices unitarias, tanto
reales como complejas) necesita una terminologa engorrosa. A continuacin, detalla-
mos la prueba para el ejemplo sencillo de la descomposicin de un AR(1) en seal ms
ruido.
A.4 Un Ejemplo
Supongamos que una serie observada, que sigue el modelo AR(1)
(1 - ^ B) z, = ar a,^ n i ^d (U,1) , ^ E [0,1 ] (A.25)
puede descomponerse en:
z,-s,+u, (A.2b)
donde s, y u, son independientes y ste ltimo es ruido blanco. La descamposicin

cannica viene dada por los modelos (ver Maravall, 1984)
(1 -^B)s,=(1 +B)b, u,`niid(O,cr,) (A.27)
a^ =^ / (1 +^)`' ; ^,= 1 1 (1 +^)' (A?g)
{Escogemos la descomposicin cannica simplemente para ilustrar la demostracin, que

permanece prcticamente invariable para cualquier otra descomposicin admisible que
se escoja). La Figura 13 muestra, en el dominio de las frecuencias, la descomposicin
cannica en seal ms ruido. Sea
.^, = v(B) z, ; v(B) _ ^ v; B' . (A.29)

ô FSTADIST^('A ^:SP^^!VOLA
DESCQMPOSICION CANC3N ICA DE UN AR t1 }
^^^ iEA 1 E
. ppMrpNENTEs
F'iK. 13
cualquier estimador lineal de s,. (En esta seccin, todos los sumatorios se extienden de
-^ a+^ ). El ECM de .^, es la funcin
1+B ,
ECM(^^,v) = E [ 1- v(B) ] ^ h, - v(B) u, (A.30)
donde v representa ahora un vector con elementos los coef cientes de v(B), De (A.30) se
desprende que el ECM es finito, incluso para el caso no-estacionario, cuando el filtro
v(B) cumple las dos condiciones
(A} v; < ^
(B) 1 - v(B) _ { 1 - ^B} c.^(B) , (A.31)
Sea H el conjunto de valores (^,v) tales que ^ E(0,1 ] y v(B) produce un ECM finito.
(Para cualquier valor de ^ en ese intervalo, H no es un conjunto vaco. Esto es obvio
para ^ E(0,1); para ^= 1, es fcil ver que el ECM asociado por ejemplo con el filtro
(A.17) es igual a a'/S y, por tanto, finito). La condicin (B) nos dice que (1 -ÛB) es
divisor de 1- v(B). Eliminando, pues, esa raz, el vector v, con elemento (v;), se sustituye
por w, con elemento (cv;}, En consecuencia,
DESC'C)MPOSIC'1C)N DE SERIES'CEMPORALES^ ESPEClFIC'ACiON, E.^STlMA('I()^+ F: 1tif=ERFti( IA fi ^
EC M (^, ^^f) = E { ^,( B )h, - v( B) u, ^`' = r^ ^ .^,' + ^, ^ ^^,^ {A.32)
donde los coeficientes en ^.(13) y v(B) vienen dados por
^^,= 1 - (w^^+cv_^)
^% ' W j + ^j-1 (i ^ 0^.
V=1-(C^^-^C.^_^)
v^ = ltJj -^ C.f^ j- l V^^^.
y son por tanto funciones continuas de (^,w^) en H. Puesto que ^ y o;', segn (A.28),
son tambin funciones continuas de ^, (A.32) implica el siguiente resultado:
(R 1): ECM(^,w) es una funcin continua de ^ y w.

Consideremos el f ltro ( A.17), que representa el filtro con ECM mnimo para el caso
c E[0,1). Para el modelo dado por las ecuaciones (A.25) -(A.28), el filtro se convierte
en
^
v^,(B)=af,(1 +B)(1 +F)= 1 + ^, (1 +B)(1 +F). (A.33}
( )
Es inmediato ver que v^,(B) satisface la condicin (A). Tomando diferencias en (A.2b) e
igualando las funciones generadoras de autocovarianzas del lado derecho e izquierdo se
obtiene la identidad
1 =(1 +B)(1 +F)^+(I -c>^B)(1 -d^F)a;',,
de donde resulta:
- v,^(B)=(1 -^B)(1 -^F)^r;,, (A^-^^)
y, por tanto, la condicin ( B) tambin se satisface, De (A.31 } y(A.34) se deduce que el

filtro c^(B) viene dado por
^
rv,^(B) _ (1 - ^F) ^, (A.35)
donde rr;, viene dado por (A.28). El vector ^^ contiene solamente dos elementos distintus
de cero, correspondientes a:
rc^_^--^/(1 ^-^)`';cu= 1 /(1 +^)^ (A.3f^)

F.STADISTKÂ ESPAiVOi.A
Reprc.^sentemos este vector por ^r(c^,}. Las expresiones en {A.36} implican el siguiente
^-ti^sultado:
(R2): K^^,(^) es una funcin continua en ^ E[o, l].
Nuestra intencin es demostrar que ^^(^^) sigue produciendo el ECM minimo para el
caso ^= t. Esto es lo que afirma el siguiente resultado:
(R3): ECM(1, ^^,, (1) )< ECM(1, ^1} para cualquier otro ^.
La demostracin de (R.3) es inmediata teniendo en cuenta (R.1) y(R.2): Supongamos

que (R.3) no es cierto. Existe pues un I1, ilammosle r^* {en N), tal que
MSE( [ , r ^,, (1) ) > MSE(1, ^t*) . (A.37)
Pero (R 1) }^ (R2) garantizan que, para un E positivo y suficientemente pequeo, (A.37)

implica
MSE(1 - E, ^ t (1 - E) ) > MSE(1 - E, ^1*). {A.38)
Puesto que, por construccin, ^ t(1 - E) minimiza el E^M para ^= 1- E, (< 1), (A.38)
no puede suceder, y por tanto ( R3) tiene que ser cierto.
DESCOMPOSICION DE SERIES TEMPORALES: ESPEClFICAC'ION, ESTIMACÌON E INFERENt'IA 63
APENDICE B
LINEARIZACION DE LAS TASAS 1NTERMENSUALES DE CRECIMIENTO
a) Tasa T ;
La tasa T^ mide la variacin mes a mes de una serie mensual, expresada como
porcentaje de aumento anual. Asi, si la serie es x^,
t t^
Tt=[(xr/xr-t)` - 1] 100. (B.1)
y, puesto que _^c, __x,_, + d_x,, ( B.1) puede expresarse como
T^=[(1 +^Xr1 -^^-t)t^- 1] 100.
Si la serie evoluciona de forma relativamente suave en el tiempo, Ox^ es relativamente

pequeo y T^ podr aproximarse linealmente por medio de
[ l + 12 (dx,/x,)- I] 100,
y, dado que c^x / x= ^ (lo^ _^c), el trmino entre parntesis se puede expresar aproxima-
damente como ^lo^ _xl. Se obtiene, pues, la conocida expresin:
T,' = 1200 0 la^ xr , (B.2)
que subvalora la anualizacin, pero resulta una aproximacin razonable para series
no-estacionarias.
Mediante ( B.2) es sencillo calcular el efecto de un error de medicin en la variable.

Sea, por ejemplo, 1^^,^ x, la serie desestacionalizada, z^. En la seccin 4 virnos que ^Q se
estima con un error, surna de un error en el estimador final y del error de revisin, que
depende del momento en que se realice la estimacin. Es decir
= z; + E, , (B.3)
donde el error, E, es ortogonal siempre al estimador, z! . La tasa estimada ser
^`; = 1200 0 ^,` ,
de donde se obtiene que el error inducido por E sobre ia T;, ,, es igual a
^S,=T^-^`;= 1200oF,. (B.4)

{^-^ FSTA[^tSTiC'A ESPAC)LA
â desviacin tipica de , ser pues
d(^,)= 1200[2(1 -^^)]''Q^, (B.5)
ti^ vendr expresada en puntos pôrcentuales de crecimiento anual.
En el ejemplo que hemos dscutdo, para los casos de1 estimador contemporneo y
tinal, ^r,; son los valores que fguran en el Cuadro S{multiplicados por ^ =.0037), y los
tiâlores de p, se deducen del Cuadro 4.
h ^ Tc1.û T ;
La tasa T^ mide la variacin mes a mes de una media mvi l de t res meses, ex pr^sad^^
en porcentaje de variacin anual. Es decir, s la serie es .t,,
T i - ^ (.^'r ^ !'^-1 > ! ^ - 1 ] 100 , (B.f^)
donde
i, = x, + .^^- ^ + .^,_ , . (B.7)
Es inmedato ver que (B.7) puede reescribirse como
^ , _ 3 .^-, - 2 ^ .^-, - 0 .t,. , ,
con lo que
G
1,^r ^^, = 1^^^^,^ ^.1,(1 - - ) , (B.g)
^.1 ^
donde G = 2^xr + Ox,_, y, si O.t, es suficientemente pequeo, {B.8) pucde aproximarse

por
lu^ t^, = lc^^^J 3+ Iu^,r .t, - G/3x, (B.y)
donde hemos utilizado la aproxmacin l^^ (1 + x) = x. Observando que, aproximada-

mente,
G/x, = 2^ x,/.^, + dx^-^^-t,-^
= 2^ lt^^^ -t, + ^1 ln.^ -t ^- ^,
despus de simplit^car, (B.9) se transf'orma en:
lu^r ^^, _(lr^^r .i, - 1^^,^J . r,__^) f 3 ( B. I())

DESC'OMPOSIt'ION [Ê SERIES T'EMPORALE:S: ESPEC'IFÎt'AC'IC}!^. E:STIMA( IC}ti [. ItiFf.Fll tit I-1 6S
Una expresin similar a ( B.2), aplicada a(B.b), produce la relacin:
, - T r - ^; - 1200(0 .^;` - o ^ ^ ) ,
donde ^,' = lu^ ,^^,, y anlogamente a(B.10), o l^^J t^, _(lk .v, -!vk .til__^) / 3.
De (B. t 1), una vez realizadas las sustituciones, se btiene
, = 4Q0(Er - ^,-_3).
donde ^, es el error en la medicin de 1a serie Ic^^^ .v, desestacionalizada. En consecuen-

cia, la desviacin tpica del error en la medicin de T, inducido por el error en la
medicin de la estacionalidad es igual, aproximadamente, a
^r(^,) = 400 [ 2(1 - P_^) ]^ ^ ^F , (B. l?l
donde los valores de a1, y p; se ealculan del mismo modo que para el caso de T;. En
Maravall (1981 b) se observa como las aproxi maciones { B.5 ) y( B.1 ?)---deri ^âda esta
ltima por un camino totalmente diferente eran vlidas para las series de agregados
monetarios espaoles durante la dcada de los aos setenta.
REFERENCIAS
Arvsê^'. C'. F. (1983): "Comment on `Forecasting Ecomic Time Series with Structural ^^nd E3o^-
Jenkins Models' ", Jcr^71L11 Uf I^ l/.1^lil(^.^.1 crnc! 1.'cOlllal,I,(^ .Sruî.^^tic.^. 1, 4, 3n7-30y.
ART^(^t_,1. C. y Est^nsn. A. ( l 987): "Un anlisis cuantitativo para el estudio de la ^ô^ûntura dc.^l p^^r^^
en la eeonoma espaola", 13n/c^trr^ 1:c^lliJf)/^J,Cc, del Banco de Espara (prxima puhlicacicn).
BAC^H. î. ^..., ^Â(;AN. P. D., FRIE:C^MAN. M.. HlLDRETH. ^V. G.. ÔDIGLI:^tiI. F. ^' ^^ kl ti. fi. ( 1y7fi^:
1,,,^^rc,tî,^,^,^ t/tc^ .1lu,tc^tar.t' .-^,^^,^^rc^,^ûtc^.^^: Rc^Cûrt c?/^ îrc^ .Î c! ^ î.^^c,^.^ C'^^,,tî^tc^ c> .11c,r,c^lcr ^ ^.r^ S^c^ti ^ti<^.^.
Washington, D. C.: Board of Governors ot^ the Federal Reserve System.
BEL.L.. W. R. (1984): "Signal Extraction f'or Nonstationary Time Series", I'hc^ .-1,,,,ul.^ ^^/^ Stcrî.^lic^^.
1 ?, ?, 646-bb4.
BF^^_. W. R. y HII.^__MER. S. C'. (1984): "lssues Involved with the Seasonîl Adjustment ot' Ecl^nOnli^
Time Series", Jtir^,crl c,/^13,,.^îc^.^.^ uncl l:c^c,ne,,,,ic^ S^c,î.^fic^.^. ?, 4, ?91-3?0.
Box, G. E. P., HILL.MER. S. C. y TlAO, G. C. (1978): "Analysis and Modeling of Seasona Time
Series", Seas^^na! :^rtalt.^'^s uJ' Ecûn^^mic 7in^c^ Sc^riE^s, ed. A. Zellner, Washington, D. C.: U. S.
Dept. of Commerce - Bureau of the Census, 309-334.
B(^x. C_;. E. P., y.IhNKINS. (;. M. ( I 970): 1'int^^ S'c+,ic^.^ . I,^c^l.^'.^î.^: 1'^>rc^c^ci.^^lrn,^= cr,rc! C'^^rrt,c^l, Hc^ld^^n
Day, San Hrancisco.
FSTADI^.TICÂ ESRA^vC)LA
Br Rti^:^ti. J. P. (1980): "Seasonal Adjustment by Signal Extraction", Jntcrna! t^J^thc^ Rr^âl Statisticu!
Sc^c'ic^r^'. A., 143, 32 I-337.
Bl RRl[XrE. P. y WALLIS. K. F. (1985): "Calculating the Variance of Seasonally Adjusted Series",
Jurlrnul v/^thc^ .amc^ricun Stutis^tic'u! .^.ti^sociutiun, 80, 391, 541-552.
Bl'RRID(Ê. P. y WALLIS. K. F. (1984): "Signal Extraction in Nonstatonary Series", Economic

Research Paper 234, University of Warwick.
CLEVEL.4^rJ. V1r`. P. y TÂO. G. C. (1976): "Decomposition of Seasonal Time Series: A Model for the
X- I I Program", Jucrrnal r^/^thc^ .amc^ric'arr Stattsticul :^^ssociatic^n, 71, 581 587.
D^c^^^!s^. E. B. (198U): "The ?C 1 1 ARIMA Seasonal Adjustment Method", Statistics Canada, Ca-
tafogue 1?-564E.
E`c;LE. R. F. (1978): "Estimating Strue(ural Models of Seasonalty", n S`câsc^nul Anultisis c^J^

1^'^'(^ Ill^/lllc' Tir^zc^ Sc^ricls, ed. A. Zellner, Washington, D. C.: U. S. Dept. of Commeree - Bureau
of the Census, ? 81 29 7.
EsP.as.^. A. ( I 984): "Tendencias y Ciclos: Metodologa y Estimaciones para la Economa Espao-

!a", f^'1 C'icl^^ I,lcllrstrinl en ^spua. Madrid; Ministerio de Industria y Energa.
EsP^^s.q. A,: M.AwzA:vo. M. C.; MATEA, M. LL. y CATASS, V. (1987): "La lnflaccin Subyacente en
la Economa Espaola: Estimacin y Metodologa", Bc^lc^tn Ecc^nc^micu, Marzo 1987, Madrid:
Banco de Espaa.
FISNER. F. M. (1966): Thc^ Iclc^ntiJicutic^n Prohlc^m irr Ecc^nc^rnc^tric's, New York: Mc. Graw Hill Book
Co
GR.-^^cÊR. C'. W. J. (1978): " Seasonality: Causation, Interpretation y Implications", Scûsc^nul

.^nul^.^î.ti u/^ F.'c'c^nufnrr Trmcj .Sc^ric^s^, ed. A. Zellner, Washington, D. C'.: U. S. Dept. of C'o-
mmerce Bureau of the Census, 33-4.
GR^THt<R. D. M. y NERLnvE. M. (1970): " Some Properties of Òptimal' Seasonai Adjustment",

f^^c'c^ ^ tnmcÎric'u, 38, 682-703.
GOl-RtERC)l'X. A. y MO?^JFnRT. A. (1983): C'ours de Series Tc^mûrellc^.^^, Paris: Economica.
HARVEY. A. C. (1985): "Trends and Cycies in Macroeconomic Time Series", Journal o,J' Business
and Economic Statistic.s, 3, 3, 216-227.
^-ÂRVEY, A. C. y J. DuRgitv (1986): "The Effects of Seat Belt Legislation on British Road Casual-
ties: A Case Study in Structural Time Series Modelling", Journal oJ^ the Royal Statistica!
Society, A. 149, 187-227,
HARVEY, A. C. y To^^, P. H. J. (1983): "Forecasting Economic Time Series with Structural and
Box-Jenkins Models: A Case Study", Journal c^f Business and E'conomic Statistics, 1, 4,
299-306.
HAE:SMAN. J. A. y WATSOtv, M. W. (1985): "Errors-in-Variables and Seasonal Adjustment Procedu-

res", Jc^trrnu! o%^the Americun .Statisticul A.^^sociutic^n, 80, 53 I-540.
HILLMER, S. C. (1985): " Measures of Variability for Model-based Seasonal Adjustment Procedures",
Journu! o^'Businc^ss^ uncl ^:evnomic .Stutistics, 3, 1, 0-68.
HILLMER, S. C. y G. C. TÂC^ (1982), "An ARIMA-Model Based Approach to Seasonal Adjust-

ment", Journul oi^the Arnc^ricun .Stutisticul ^^.ti^suciutir^n, 77, f^3-70.
HYLLEBERG, S. (1986): Seus^rjnulity in Rc^,t,rrc^ssiun, New York: Academic Press.

DESCQMPOSICION DE SERIES TEMPORALES: ESPEC'IFtCACÌON, ESTIMA['ION E INFFRE.tiC'IA fi7
KoLMOCOROV, A. (1941): "Interpolation und Extrapolation von Station^rem Zufalligen Folgen",

Boletin de la Acadernia de Ciencias, URSS, Series Mat. 5, 3-14.
MARAVALL, A. (1987a): "The Use of ARIMA Models in Unobserved Carnponents Estimation",
I^ynamic Econometric ModellinR, eds. W. Barnett, E. Berndt y H. White, Cambridge University
Press (en procesv).
11ÂRAVALL, A. (I987b): "Un Minimum Mean Squared Errar Estimation af the Noise in Unobser-
ved Component Models" Journal oJ`BusinPSS and Economic Statistic.s, 5, 1 15-120.
MARAVALL, A. (198a): "An Application of Model-Based Estimation of Unobserved Components",

International Journal c^f Forecastin^, 2, 305-318.
MARAVALL, A. (198bb): "Revisions in ARIMA Signal Extraction", Jottrnal caj^thc^ Amc^ricun Stutis-
ticul Assvciation, 81, 73-740.
MARAVALL, A, (1986c): "Discussion of a paper by Professors Harvey and Durbin", Jc^r^ ^-nul c^j thc^
Rv^âl Sratistical Societl^, A., 149, 223.
MARAVALL, A, (1985): "On Structural Time Series Models and the Characterization of Compo-
nents", Joerrnul ojBusirress anc! Ecc^nom^c Statistics. 3, 4, 350-355.
MARAVALL, A. (1984a): "Comment on a paper by Bell and Hillmer". Jotrrnal c^/^ Bêsinc^.s.^ uncl
Ecvnomic Statistics, 2, 337-339.
MARAYALL, A. (1984b}: " Sobre la Extraccin de una Seal en un Modelo AR1MA", Rc^ri.s^tu
Espaola de Econom^'a, 1, 1, 25-54.
MARAVALL, A. (1983a): " Depresin, Euforia y el Tratamiento de Series Maniaco-depresivas: el

Caso de las Exportaciones", InJvrmacivn Cc^mc,rcial F:spaj^c^lu, 604, b7-78. (Una versin en
ingls se encuentra en el libro C'ornputer Sciencc^ urrd Statistic.^^, Amsterdam: North-Holland Pu.
Co., 1984).
MARAVALL. A. ( l 983b): "Comment on `Modelling Cansiderations in the Seasonal Adjustment of

Economic Data' ", .Îpplied Trmc^ Series .9na1 ^ ^sis c^JÊcvnomic Data, proceedings of a Bureau of
the Census-NBER-ASA Conference, ed. A. Zellner, 1^Vashington, D. C.: Bureau of the Census.
MARAVALL, A. (1981 a}: Des^stacionaliâerc^n t^ Poltica Monetaria: la Sc^ric^ dc^ Dc^pcisitc^.ti^ clc^l
Sistema Bancario, Estudios Econmicos n. 19, Madrid, Banco de Espaa.
MARAVALL, A. (198 l b): Frrurc^s de ^1cîeivn dc^! Creeirrtic^ntc^ a C'ortn Pla.^v dc^ Sc^ric^s .11cie^lcccîc^.c
Iêsestacic^naliâdas, Estudios Econmicos n. 21, Madrid, Banco de Espaa.
MARAVALL, A. (1980): "Eiêcts of Alternative Seasonal Adjustment Procedures on Monetar}^

Policy". Jotcrnal o/^^'cvnomc^trics, 14, 1, 1 15-136.
MARAVALL, A. (1979}: Idctnti/ieutic^n in Dtnurrrc^c Slcuc^-F_rrctr ^luclc^l.^^, Berlin: Springer-Verlag (lJn

resumen en espaol se eneuentra en C'tcadc^rr7c^.^^ ^-ê{^nc^rriec^s^ clc^l IC'^: (1983), ?4, 103- I 1^3).
MARAVALL, A. (1978): "Comment on Ànalysis and Modeling of Seasonal Time Series' hy Prc^fe-
ssors Box, Hillmer y Tiao", Scûsc^nal .Înul^^sis c^/^ F^cc^rtuj^ric Titc^ Sc^ricr.^, ed. A. Zellncr,
Washington, D. C.: Dept. of Commerce-Bureau of the Census.
MARAVALL, A. y PIERCE, D, A. (1987): "A Prototypical Seasonat Adjustment Modei", ,Ir^^rr^^^rl ^^1^
Timc^ Sc^ric^s Anal ^ ^si.ti, 8, 177-193.
MARAVALL, A. y Pt1^,RCF, D. A. (198b): "The Transmission of Data Noise into Policti_^ Noise in t). S.
Monetary Control", h:cc^nc^^rtc^triccl, 54, 9b 1-979.
ESTADISTICA E:SPAIÔLA
MARAY,at_.L. A. y PrERCÊ, D. A. (1983): "Preliminary-Data Error and Monetary Aggregate Targe-

ting", .Icûrittll c^/'Btrsi^tc^ss clnc! F'cvnomic Statistics, 1, 3, 179-186.
MARAVALL, A. y SAi.AVERRtA, J. (1986): " La Desestacionatizacin de las Series de Agregados
Monetarios", BÎE'tin ^'concmico. Banco de Espaa, Madrid, Junio 1986, 17-33.
MOÛRE. Ci. H., BQX. G. E. P., KAITZ. H. B., STHEPHENSON, J. A, y ZELLNER, A. (198 1): Seasonal
.^djerstment c^/^ t1iE^ .^lonetart^ AgRreâtes: Report vf the Committee o ^ Experts un S'E'as(^nal
.-1djt^sttnertt Technrquc^s Washington, D. C.: Board of Governors of the Federal Reserve System.
NERLVE, M., GRETHER, D. M. y CARVAL.HO, .I. L. (1979): ^nalysis of ECOnOmiC Timc^ SE'riE's: A
S^nthE^sis, New York: Academic Press.
P.ac^.4tv. A. (1975): "A Nate on the Extraciion of Components from Time Series", Ecunvmetrica,
43, 1, 163-168.
PIERCE. D. A. { 1980): " Data Revisions in IVioving Average Seasonal Adjustment Procedures",
J(^trrnal oi^ Ecc^rtc^ntc^tric^.^, 14, 1, 95-1 l 4.
PIERCE. D. A. (1979): " Sgnal Extracton Error in Nonstationary Time Series", ^nnuls oJ^Statistics,
7, 1303-20.
PiERCÈ. D. A. (1978): "Seasonal Adjustment When Both Deterrninistic and Stochastic Seasonality
are Present", Sc'c^s^c)nUl .-3nal^.tîs ^^/^ F_conumic Time Series, ed. A. Zellner, Washington, D. C.:
U. S. Dept. of Commerce - Bureau of the Census, 242-269.
PIERCE, D. A.; P.ARKE. D. W.; CLEVELAND, W. P. y A. MARAVALL. (I981): "Uncertainty in the
Monetary Aggregates: Sources, Measurement and Policy Effects", Jc)urnal oJ^ Finurrcc^, 3b,
507-515.
P[ERCE. D. A., GRL PE. M. R. y CLEVELANa. W. P. (1984): "Seasonal Adjustment of the Weekly
Monetary Aggregates: A Model-Based Approach", Journal oJ'Busincss anci Ecvnumic Stuti.^tics,
^, 3, ?b0-271.
SHISKIti. J.; Yo^^NC`,. A. H. y J. C. MusGRAVE (1967}: "The X 1 1 Varant of the Census Method
Seasonal Adjusrnent Program", Washington, D. C., Bureau of the C'ensus, Technical Paper 15.
S^n^s. C, A. (1985): " Comment on Ìssues Involved with the Seasonal Adjustment of Economic
Time Series' by W. R. Bell y S. C. Hillmer", Journal of Business and ^;cvnvmic Statistics, 3, 1,
92-94.
WEIÎER. N. (1949): E_^trapolation, Interpolution and SmovthinR ^f Stationary Timc SE'ric.s, New
York: J. Wley.
WHITTLE. P. (19b3): Prc^clictivn and ReKulatiun by Linear LEâst-SquarE^ ME'thods, London: Engiish
Universities Press.
DESC'OMP(:)SICIC3N DE SERIES TEMPORALES: ESPECIEIC'ACION. ESTIMAC'10N E 1NFE^FtE`^(^lA 69
SUMMARY
DECOMPQSITION oF TIME SERIES: SPECIFICATICJN, ESTIMA-

TIQN AND INFERENCE.
The decomposition of a time series into unobserved components has

been addressed, over recent years, as a particular case of optimal signal
extraction in ARIMA models. This paper presents a methodology that is
becoming a useful tool in applied time series work. First, the problem of
model specification for the components is discusszd and optimal estimators
are then derived, Their properties are seen to lead to a natural diagnostc
check for the results. Finally, estimation errors are analysed, in particular,
the revision error and the final estimation error.
The discussion is illustrated with the Spanish money supply series. The
analysis permits the answering of questions of practical interest, such as, for
example, how often should seasonal adjustment be performed; for how long
should the seasonally adjusted series be revised; or what is the precision of
the seasonally adjusted series estimator and how this precision translates
into errors of ineasurement in the difêrent rates of growth. Troughout the
application, a comparison is made between the trend component and the
seasonally adjusted series, as indicators of the underlying evolution of the
series.
Briefly, the paper deals with a relatively eiîcient method to solve a

relevant statistical problem (that of decomposing a time series.) The me-
thod provides a framework that allows for a rigourous interpretation of the
data and, ultimately, for a more solid foundation of economic decision-
making.
AMS 1980. Subject classification: 90A90.

..
ESTADISTICA ESPANOLA
nm. 1 14, 1987, p^gs. 71 a 106
Comentarios
ANTORII ESPASA
FRA[VCISCO MELIS
A R TH U R TR EA DWAY
ALFONSO NOVALES
Contestacin
AG USTI N MARAVALL
INDICE
1. Insuficiencia de la Desestacionalizacin Univariante en el Control Monetario.

2. Los Fundamentos de la Desestacionalizacin.
3. Descomposicin Cannica.
4. X 1 1 y la Descomposicin de la Varianza.
5. Limitaciones de los Modelos ARIMA.
6. Irregulardad de la Serie y Errores de Estimacicn.
7. Errores de Truncamiento y Revisiones.
8. Los Supuestos del Modelo.
9. Erraticidad de la Serie Original y de la Serie Desestacionalizada.
Tasa T^
Tasas Acumuladas
10. Comentarios Finales.
E^STAnISTK`.^ LSPA()LA
1. COCviENTARIO C)E ANTONI ESPASA (Banco de Espaa)
Agustn Maravall es uno de los investigadores de mayor relieve internacional en el

tema de ajuste estacional y extraccin de seales, y este artculo es un excelente trabajo
tanto por sus aspectos didcticos en la exposicin del tema como por los resultados nue-
vos que en l se presentan. La investigacin de Agustn Maravall se caracteriza por su
rigor cientfico y por su importancia prctica. En estas notas, vay a ceirme exclusiva-
mente a analizar ciertas implicaciones que este artculo tiene sobre la serie de activos l-
quidos en manos del pblico (ALP) de la economa espaola, y dejo para otra ocasin
los comentarios sobre los pracedimientos de extraccin de seales.
La variable ALP es el agregado monetario que controla el Banco de Espaa, y ste,

mes a mes e incluso decena a decena, necesita evaluar si dicho agregado est o no bajo
control. Dadas las oscilaciones estacionales y de corto plazo que contiene ALP, es im-
portante extraer una seal robusta de la evolucin de dicha variable, que est iibre de
tales oscilaciones evolucn subyacente-, y evaluar sobre la misma si el agregada
monetario sigue una evolucin compatible con los abjetivos. Una metodologa para rea-
lizar tal evaluacin se describe en Espasa et al (1987), y sta basada en la tendencia de
la serie econmica en cuestin. Por el contrario, el seguirniento mensual de ALP se rea-
liza sobre la serie a^ ustada de estacionalidad, en lo sucesivo, serie ajustada-, que no
es ms que la tendencia perturbada por un ruido blanco adicional. Emulando la termi-
nologa de extraccin de seales, podemos decir que la tendencia es una "seal canni-
ca", y la serie ajustada, no. Se me ocurren dos razones que nos pueden hacer preferir
una seal contaminada -serie ajustada a una seal cannica tendencia . Una es
que la serie ajustada se estima mejor, y otra, que el ruido que contiene la serie ajustada
canstituye tambin una seal en s mismo. Los cuadros 5 a 10 del artculo muestran
que las ventajas de estimar la serie ajustada de ALP en vez de su tendencia son peque-
as; asi, por ejemplo, los intervalos de confianza para las tasas T f difieren, a favor de la
serie ajustada, slo en 0,22 0,57, segn se trate de las estimaciones finales o con-
temporneas. Por el contrario, las tasas de crecimiento de la tendencia oscilan menos
que las de la serie ajustada, y para el perodo 1979-84, la media de las diferencias en
valor absoluto entre las T^ de la tendencia y la serie ajustada estimadores finaies
es de l, 5. En el grfico 1 se representan dichas tasas.
El seguimiento tendencial de ALP es de inters primario, pues es la seal que est re-
lacionada con las variables de gasto nominal de nuestra economa, pero ello no es sufi-
ciente. Se requiere tambin una seal sobre los movimientos de corto plazo de dicha va-
riable, ya que stos influyen de forma importante en la evotucin de los tipos de inters
de tos mercados monetarios y financieros. Es decir, la relacin entre liquidez y gasto es
estable y fundamentalmente de largo plazo, por 1o que se puede captar muy bien a tra-
vs de las tendencias; pero las oscilaciones no sistemticas de la liquidez tienen tambin
COMENTARI4S 73
una influencia en la economa, bsicamente en los precios de los mercados rnonetarios.

Tenemos, pues, que la tendencia y los movirnientos no sistemticos de ALP son seales
importantes, pero por rnotivos y con fines distintos, por lo que esto tampoco justificara
que los considersemos conjuntamente dentro de la serie ajustada. Esta serie, en cuanto
seal, puede ser confusa, tanto como indicador de la evolucin subyacente, como de un
companente no sistemtico. Si ambos componentes no observables son importantes, la
solucin debe consistir en estimarlos separadamente y en utilizar cada uno como seal
para lo que es adecuado.
lndagando ms sobre la importancia del elemento no sistemtico de ALP, podra de-

cirse que, en realidad, lo que se desea conocer son las innovaciones errores de predic-
cin con un perodo de antelacin de ALP, y, yendo ms all an, se puede apuntar
que la seal verdaderamente requerida son las sorpresas que la autoridad monetaria in-
troduce en cada momento en el sistema. En esta lnea, la seal importante sera la suce-
sin de innovaciones en la oferta de activos de caja del Banco de Espaa, que tiene un
papel importante en la variacin a corto plazo de los multiplicadores monetarios y de
los tipos de inters interbancarios, tal como se demuestra en Escriv y Espasa { 1986) y
Escriv et al (1986). N obstante, en situaciones de prdida de control por parte de la
autoridad monetaria, las innovaciones de ALP sern preferibies a las de los activos de
caja.
TASAi MEN3UALEi DE CRECIMIENTO
2s
-^, n
20
16
t!i
10
10
5
6
0 Î^ÎtÎI^tIt1^11tIt^ll^llÎtÎI^l1IJi+^jÎl^lllEl^ll,jj^11
1M0 iM1 1N3 1l^3 11^
ll^li^ll^ll ^rl,l1 ^,^ 0
1956 1 si^
^^ T^ TtNOlMCIA ALr IAOREOA001.
T^ NIIIE A^tJ^TADA DE E^TACIONAIIDAD (A011EOA001.
Grfico 1
74 ESTA[aIST1CÀ ESPAOLA
Conviene sealar tambin que la informacin contempornea no se explota plena-

mente si no se estiman las implicaciones que el presente impone en el futuro de una se-
rie temporal. As, la evolucin actual del crecimiento de la sere ajustada o de la ten-
dencia ---velocidad subyacente de avance de una serie temporal debe completarse con
su proyeccin a medio plazo inercia , para que de la camparacin de ambas se pue-
da deducir, respêcto a un crecimiento acelerado, desacelerado o constante de la corres-
pondiente seal, qu es ms probable que contne, que se estanque o que se trunque
C1)
Tngase en cuenta que con el crecimiento contempôrneo estamos comparando e1 va-

lor presente de una seal can sus valores pasados, mientras que la inercia nos da la tasa
con que dicha seal se proyecta a medio plazo. La inercia candensa la visin tendencial
del futuro que se tiene hoy, es decir, ia inercia es una medida --univariante de expec-
tativas de crecimiento.
La inercia o expectativa de crecimiento tiene Ia ventaja de que, conocido el modelo,

su medida en el mornento t no se revisa con el paso del tiempo, con lo que, en series
donde los errores de revisin de as seaies son importantes, puede ser aceptable desistir
de estimar el crecimiento tendencial contemporneo y sustituirlo por la estimacin de la
inercia. En cualquier caso, para comparar ei momento tendencial de series diferentes,
cuyas seales se estiman con errores de revisin muy distintos, puede ser preferible ha-
cer dicha comparacin a travs de las inercias.
Respecto al modelo mensual univariante de ALP, hay que sealar que, cuando se es-
tima incluyendo ios dos ltimos aos, el modelo de las lineas areas requiere una cons-
tante negativa. En una variable controlada, es de esperar que, euando los objetivos que
se pretende alcanzar sobre la misma suponen un forzamiento de su proyeccin natural,
nos encontremos con residuos ARIMA que tienen una media significativamente distinta
de cero. Esto indica que sirnplemente diferenciando no se consigue estacionariedad, es
decir, esta accin de control no cumpie, en general, las hiptesis que se requieren para
que un fenmeno pueda ser representado por un modelo Arima, por lo que se debe pen-
sar en incluir explcitamente en el modelo un factor de correccin, que tenga en cuenta
las desviaciones de la serie sobre los objetivos establecidos en el control de la misrna.
En cualquier caso la inclusin de este factor aumentar la eficiencia del modelo, ya que
incluye informacin adicional sobre factores que fuerzan la serie en cuestin al alza o a
la baja.
Dado que los objetivos mensuales para ALP se fijan sobre la serie ajustada de est.^cio-
nalidad, Salaverria y Espasa (1987) definen un mecanismo de correccin como la dife-
( 1) Vase cuadre^ 3 en Espaâ c^^ ul. (1987). Sobre ta importancia de la predicrin del crecimiento teneienrial a nêdio plazo. vase
Rox y Pierce ( t 98 I) y Hox c^r c^l. (1987).
C'OMENTARIOS 7s
rencia entre la tasa anualizada de crecimiento acumulado en el mes t(la cifra ajustada
de estacionalidad) respecto al diciembre anterior y el objetivo de crecimiento anual para
el ao en curso. Adems, las reacciones de las autoridades ante desviaciones respecto a
los objetivos pueden ser distintas, segn se est a principios, a mediados o a f nales de
ao; as Salaverra y Espasa (1987) encuentran que el mecanismo de correccin acta
con coeficientes distintos, segn el cuatrimestre del ao.
El modelo que estiman Salaverra y Espasa (1987), actualizado, es el siguiente:
e0,^ lo^ ALP, _-0'0396 MCE;_, -0'0906 MCE;', -0'0625 MCE^'; -

(2'7) (3'b) (1 ' 1)
-0'01 e,, DDIC82, +{0'004 + 0'009L) oe,, DMA^85f + 0'008 00, ^

(3'9) (1'9) (3'9} (3'8)
DJUN86, + (1 + 0'20L) (1 - 0'60L/2) at ,

{ 1'8) (7'2)
muestra inicial: En 19^9 a ab. 1987,

nmero efectivo de residuos: 86,
varianza residual 0'0000091
,^ (14) (2b) = 5'S y 20'4
correlograrna residual: ningn valor significativamente distinto de cero.
En este modelo MCE^`) es el mecanismo de correccin de la desviacin sobre el

objetivo en los meses del cuatrimestre ( i) de cada ao natural; y DFECHA es una
variable impulso en la fecha correspondiente. Para este modelo, 1a media de los residuos
es cero. En l, los efectos del mecanismo corrector son distintos por cuatrimestres, pero
las diferencias no son estadsticamente significativas.
REFEREI`îCIAS
Box, G. E. P. y D. A. PIERCE, 1981: "Estimating Current Trend and Growth Rates in Seasonal
Time Series", Special Studies Paper, Federal Reserve Board, VWashingthon.
Box, G. E. P., D. A. PiERCE y P. NEwBO^^, 1987: "Estimating Trend and Growth Rates in Seasonal
Time Series", Jûr. oJ^the Ame. Stat. Assvc., marzo, pg. 276-82.
ESCRIV^, J. L. y A. ESPASA, 1986: "An Econometric Model for the Determination of Banking
System Excess Reserves", ponencia presentada en la Conferencia sobre "Economic Modelling
in the OECD economies: current developments and future challenges", en Londres, 24-27 de
marzo. De prxima publicacin en Economic ModellinR of the l?ECD Economies, editado por
H. Motamen, Chapman and Hall, Londres.
ESCRIV, ^ . L., A. ESPASA, ^ . PREZ y J, SAIÂVERRÂ, 1986: "A Short-Term Econometric Model for
Spanish Monetary Palicy", ponencia presentada en la Conferencia sobre "Modles Montaires
et Financers", organzada por la Association d'Economtrie Applique, en Ginebra, 22-23 de
enero de 1987.
A. EspasA, M. C. MANZANO, M. LL. MATEA y V. CATAS ^ S, 1987: "La inflacin subyacente en la
economa espaola: estimacin y metodologa", Boletn Econcmico, marzo, pg. 32-52, Banco
de Espaa.
.I. SALAVERRjA y A. ESPASA, 198^: "Un modelo Arima con mecanismo de correccin de la
desviacin sobre el objetivo, para la serie de activos lquidos en mans del pblico", Banco de
Esparâ, trabajo no publicado.
COMENTARIC)S 77
COMENTARIO DE ARTHUR TREADWAY (Universidad Complutense de Madrid)
Agustn Maravall expone con gran claridad y rigor la situacin actual de la teora y a
prctica de la descomposicin de series temporales por frecuencias ( p. e., estacional y
desestacional), una disciplina cientfica del Anlisis de Series Temporales Estadsticas
(ASTE) en que Maravall ha aportado investigaciones de gran prestigio en los ltimos
aos. Sus aportaciones se arraigan en el Enfoque Box-Jenkins {B-J) del ASTE y esto las
dota del mejor instrumental disponible. Lo ya conseguido en estas investigaciones
parece admirable, pero la falta aparente de una motivacin adecuada para la desestacio-
nalizacin de series me llama la atencin. Esto provoca las consideraciones siguientes,
ms enfocadas hacia la investigacin futura.
La prctica generalizada de la desestacionalizacin carece de fundarnentos convin-

centes en trminos del ASTE. El analista Bax-Jenkins {B-J) experto no elige series
desestacionalizadas para ninguno de los fines de sus anlisis. No descompone las series
de datos en estacional y desestacional. Los analistas B-J expertos investigan y realizan
descomposiciones en estacional y desestacional casi exclusivamente porque los no-
analistas demandan series desestacionalizadas.
Se presenta, pues, una contradiccin de gran inters potencial tanto para los analistas
B-J como para los no-analistas demandantes de series desestacionalizadas. Uno de los
dos grupos incide en un error, un error posiblemente de bulto. Quizs existen investi-
gaciones que podran determinar quin se equivoca y la naturaleza del error.
^Podra haber una estructura dei mundo que los analistas B-J ignoramos, pero que
algunos de los demandantes de series desestacionalizadas perciben de alguna manera
que motiva su demanda? Para m la respuesta es si, puedo imaginar tales estructuras.
Pero no conozco ninguna investigacin de la estacionalidad que afronta esta cuestin, la
cuestin que me parece prioritaria. Maravall, y sus colegas en la lnea de investigacin
que expone aqu, no parecen haberse ocupado de ella todava.
Maravall nos dice que "..., no existe una definicin generalmente aceptada de lo que
es un componente estacional". Expone a continuacin su candidato de de^nicin
basado en principios exclusivamente estadsticos. ônfieso que no veo la utilidad de
esta definicin y estoy seguro que no ser nunca gen.eralmente aceptada.
En cuanto a los fundamentos de la definicin propuesta, la ortogonalidad de compo-

nentes parece necesario y el criterio de compatibilidad ARIMA entre los componentes y
el modelo emprico de los datos parece deseable. Pero estos criterios sin otros dejan la
falta de identificacin yue Maravall expone, la que resuelve con el requisito cannico.
Esta condicin cannica parece semejante a otras que se emplean en muchas otras
formas del anlisis estadstico y por eso imagino que tendr un xito semejante, pro-
E:^TADI^^FICA ESNA!Vt)1_A
bablemente pequeo. Los mtodos cannicos a veces resultan tiles en investigacianes

con datos que buscan una teora econmica, pero no pueden hacer las veces de una
teora. Me resulta chocante que tales mtados se apliquen en las operaciones de la
poltica monetaria, que se supone fundamentada en algn entendimiento ms profundo
de la Economa, capaz de identificar las estructuras de los sistemas estadsticos que
informan su actuacin.
Otras situaciones de falta de identificacin ocurren en la Econometra. Tpicamente

indican una deficiencia del modelo conceptual en relacin con los datos. Es siempre
aconsejable que el investigador las interprete como llamadas para examinar su pen-
samiento.
En el caso de la estacionalidad, tenemos por ahora una teora implcita en nuestros

mtodos del ASTE que podemos explicitar y quizs contrastar: en cuanto a las rela-
ciones entre variables, la funcin de respuesta no depende de la frecuencia del input, es
decir, la funcin de respuesta es la misma para cualquier componente del input,
estacional o desestacional, bajo cualquier definicin de la estacionalidad del input.
Este es el supuesto que los demandantes de series desestacionalizadas parecen negar.

Alguien que quiere exarninar dos series desestacionalizadas exclusivamente, es decir, sin
consultar las series originales, tiene que creer que las dos funciones de respuesta son
nulas para el componente estacional sin serlo para ei desestacional. Si consuta las series
originales tarnbin, por la menos tiene que creer que las funciones de respuesta difieren
segn componentes estacional y desestacional. No conozco todava ninguna investiga-
cin que haya formulado un contraste de la hiptesis bsica de la prctica actual del
A^ STE, las funciones de transferencia son invariantes a la frecuencia del input. i,Se
podra formular un cantraste? Intuyo que si.
Me parece que la investigacin del supuesto central en cuestin solamente puede ser
abordada en un marco multivariante, lo que trasciende los lmites de la literatura que
conazco, la citada por Maravall, aunque los principios de ortogonalidad de compo-
nentes y compatibilidad de estructuras ARIMA me parecen buenos y aplicables en todo
caso. De hecho, el contexto del anlisis estocstico multivariante es e nico del ASTE
en que tadavia quedan sin responder cuestiones de primer orden acerca de como
simplificar la representacin paramtrica estacionai. Quizs algunas investigaciones
multivariantes de la descomposicin estacional podran aclarar esta ltima cuestin a la
vez.
Un tipo de investigacin interesante tomara el caso de dos series estocsticas y

estacionales, el output y el input en un modelo de transferencia de un solo output ya
investigado mediante el anlisis B-J. Se descompone la variable input en dos compo-
nentes, estacional y desestacional, empleanda los mtodos y supuestos expuestos por
Maravall u otros no-cannicos que ofrezcan componentes tericamente ortogonales y
("C^MENTAR[OS 79
prcticamente no demasiado correlacionados. Se procede a la estimacin de un modelo

de transferencia reformulado y descornpuesto, con las mismas especificaciones del mo-
delo no-descompuesto pero con los dos inputs, estacional y desestacional, cada uno con
su versin de la funcin de transferencia, inicialmente iguales. Se contrastara la hip-
tesis de funciones de respuesta iguales.
Se podra tambin plantear anlisis estocsticos multivariantes de este tipo. Por

ejemplo, dos series operando en una estructura estocstica bivariante ya analizada e
interpretada en trminos de Teoria Econmica, se descomponen y las cuatro series
resultantes se analizan desde la perspectiva del anlisis cuatrivariante.
Estas. investigaciones con casos podran motivar determinados desarrollos de la teora

de la descompasicin estacional. Los supuestos de ortogonalidad entre componentes y
compatibilidad ARIMA con el modelo emprico parecen tiles. Nuevas condiciones de
identificacin podran plantearse, estas probablemente relacionando economa y estacio-
nalidad en algunos casos.
No pretendo decir que todo esto sera fcil. Estoy seguro que no. Pretendo sealar
que los analistas B-J estamos empleando una hiptesis nunca contrastada que los
demandantes de series desestacionalizadas insisten en rechazar. En tales circunstancias,
me parece preferible afrontar la tarea difcil de contrastar esta hiptesis y na quedar en
una definicin de la estacionalidad tan arbitraria como a univariante cannica.
Hay algunos aspectos ms concretos de este trabajo de Maravall que paso a comentar.
No menciona los factores de intervencin, lo que resulta sorprendente; creo que tales
factores se encuentran en ALP. Lo recomendable sera extraer todos los factores deter-
ministas bien justificadas ( por informacin extramuestral) antes de descomponer por
cualquier mtodo; al tratar la descomposicin de la serie original, estos factores consti-
tuyen otro componente o componentes.
Un tipo de input determinista que me parece esencial y que Maravall no menciona en

su anlisis de descomposicin de ALP es la serie de valores anunciados del objetivo de
la poltica monetaria. Si no se explicita el objetivo monetario en un modelo de ALP, el
cumplimiento aproximado del objetiva combinado con los cambios ms o menos
anuales del objetivo, har aparecer una fantasma estacional que no debe confundirse
con el resto de la estacionalidad. Me parecera mejor seguir, prever y quizs descompo-
ner el error, la diferencia entre la observacin de la variable medida en los mismos
trminos que el objetivo y el valor del objetivo.
Llama 1a atencin el empleo de un solo modelo univariante estocstico para una

muestra que contiene dos regmenes distintos de control rnonetario, el vigente con
objetivos de M3 hasta 1983-84 y el actualmente vigente que emplea objetivos de ALP.
0 E^sT,ADISTICA ^SPAC)L.A
Sera interesante saber si los efectos en esta variable del cambo de rgimen han sido
investigados.
Los componentes de Ia descomposicin propuesta por Maravall son ortogonales en

teorâ, aunque los estimadores presentarn aigo de correlacin. Las correiaciones cruza-
das contemporneas se presentan, pero no se presentan las funciones de correlacin
cruzada entre tos componentes estimados, Asi se ignora un instrumento de diagnstico
esencial en este contexto.
C`()MENTARlC^S 8l
COMENTARIO DE FRANCISCO MELIS ( Instituto Nacional de Estadstica)
En los ltimos siete u ocho aos, el campo de tcnicas de desestacionalizacin y des-

composicin de series de tiempo se ha enriquecido notablemente. Junto a los procedi-
mientos tradicionales de regresin mvil (DAINTIES} de medias mviles (X 1 1), el
usuario puede echar mano del procedimiento de regresin bayesiana de A^ kaike (BAY-
SEA), que proporciona una solucin atractiva al problema de descomposcin de series
planteado en los aos veinte por Whitaker y Henderson. O bien, puede utilizar el mtc^-
do de Kitagawa y Gersch (DECOMP), en la lnea del anterior, pero que plantea el pro-
blema en trminos de modelo de estado ( o estructural), utilizando el filtro de Kalman
para a estimacin de los parmetros que controlan la descomposicin.
Pero, como caba esperar, dado su xito en la prediccin a corto, ha sido de la mano
de los modelos ARIMA, de donde provienen los avances ms difundidos: X 1 l-ARIMA
primero, que extrapola inicialmente la serie de entrada para extender el campo de utiti-
zacin de los filtros centrales del X 1 1 y Burman y Hillmer-Tiao despus, que establecen
el nuevo procedimiento de desestacionalizacin por descomposicin "cannica" de un
modelo ARIMA, que llamar mtodo DDMA.
El trabajo de Maravall es, en primer lugar una exposicin didctica de sta ltima
tcnica, de inters, por tanto, no slo para los usuarios del software correspondiente,
distribuido por el B. Inglaterra ( Burman) o el SCA ( Hillmer, Tiao}, sino talnbin para
los que deseen conocer las ventajas de extender el marco de la modelizacin ARIMA al
problema de la descomposicin de series econmicas y sociales. Particularmente til,
porque no se incluye en otros artculos sobre el mtodo, es la derivacin (Apndice A)
del estimador de una seal de un modelo conocido, aunque no se proporciona ninguna
interpretacin del resultado.
En segundo lugar, Maravall completa la tcnica establecida con diversos estadsticos

que permiten enjuiciar la calidad de los resultados obtenidos en relacin con el modelo
inicial propuesto. La derivacin de los modelos para los errores de estimacin y de revi-
sin se sigue con dificuitad, pero los resultados obtenidas son del mximo inters para
los usuarios del mtodo DDMA. No hay que olvidar que el procedimiento ms difundi-
do (X 1 1-ARIMA) praporciona, adems de las series componentes, una extraordinaria
variedad de estadsticos de medida y control: Medidas de la estacionalidad estable y rn-
vil, Test compuesto de "identificabilidad" de la estacionalidad (3), balance seal/ruido,
MCD, descomposicin de la parte estacionaria de la varianza, etc...
Aunque entre los nuevos mtodos de desestacionalizacin propuestos, me parecen

ms prometedores los que parten de un modelo para el vector de estado, la tcnica que
Maravall expone y perfecciona plantea algunas cuestiones de orden terico y prctico:
82 EST,ADISTIt'A f=.S^PAtiC)l_^^
1. La depêndenca del mtodo DDMA del modeto ARMA inicial, introduce comple-
jidad y arbitrariedad en la desestacionalizacin. En un ensayo de aplicacin del X 1 1-
ARIMA sobre las SOO series elementales del Indice de Produccin Industrial, slo el
20^ se ajustaban a los modelos preestablecidos, que son los ms usuales. Elio quiere
decir que gran parte de las series econmicas son dificiles de modelizar para conocedo-
res superficiales de los mtodos ARIMA. l^ por otra parte usuarios distintos obtendrn
modelos y resultads distintos.
2, Bajo la hip^tesis de camponentes, una serie de longitud N es una seal compleja

de banda limitada por la frecuencia fundamental (1 iN) y la frecuencia de "dobla-
miento" { 112}- que transporta informacin relativa a fenmenos de cronologa muy
distinta o relativos a diversas bandas del espectro disponible.
La extensin del marco ARIMA a ste problema de los componentes, y por tanta, a
la descomposicin del espectro promete enriquecer y clarificar la definicin de los com-
ponentes, algunos de los cuales se definen de forma precisa en la frecuencia: el ciclo se-
manal, por ejemplo, se aprecia como un pico en el entorno de 1/2.$7 que es su frecuen-
cia "alias", la estacic^nalidad, como un conjunto de picos de altura y ancho variable en
la frecueneia estacional fundamental y sus armnicos. Adems, frente a la limitada
gama de filtros utilizada por el X 1 1, el mtodo DI3MA se presenta como un generador
de filtros "a medida", dependientes del modelo inicial de la serie.
âbra esperar por tanto, que el mtodo fuera ms sensible que el X 1 I a las caracte-
rsticas estacionales de cada serie. Pero Les de hecha as?
En otras palabras: si la serie, cmo ocurre en concreto con los ALP y con muchas
otras seres econmicas, slo posee picos espectrales en algunos armnicos estacionales
^Se ajusta el filtro a esa peculiar distribucin de la varianza estaconal? Igual interrogan-
te plantea la diferencia de anchos de banda de los picos a la que el X 1 1 no es capaz de
adaptarse.
Si la contestacin es negativa, puede encontrarse aqu una explicacin de algunas

"brechas" en la serie desestacionalizada que deber aadirse a las razones tericas ex-
puestas por Maravall en el epgrafe 3.2., dado que se estar aplicando filtros "rechaza
banda" en banchas que no lo requieren.
3. La relacin del mtodo con la frecuencia existe, pero slo a nivel terico. E1
requisito cannico, que fuerza a los espectros de las seales componentes a tocar el eje
de frecuencias puede ejercerse "a cegas", sin atender a la distribucin emprica de ia
varianza en el eje (o,^c). Y el problema, importante para la estacionalidad, la es mucho
ms si se desea extraer el ciclo-tendencia. Me pregunto que aporta el mtodo a Ia
def nicin de ciclo-tendencia, salvo una vaga asociacin con las bajas frecuencias.
C'^)MENTARIOS 83
En el X 1 l, se utilizan tres filtros de Henderson (de potencia mitad en 13,$ y 6 meses)

en funcin de un ratio ruido/seal (I/C de la tabla D 12) cuya utilidad proviene de su
independencia de cualquier modelo. Para los ALP, de mnimo ruido (I/C = 0,1), se
selecciona el filtro de mayor paso (la media de 9 trminos de potencia mitad en 2 n/b)
de farma que sabemos lo que hacemos cuando optamos entre la seal de cicla-tendencia
y una media mvil simple de la serie desestacionalizada.
4. Resumiendo lo dicho en 2 y 3: el "paso" del filtro de expresin 3.1. est determi-

nado por la fraccin de varianza de cada componente (o banda) frecuencial que cabe
atribuir a la seal (Whittle pg. 58) y ser probablemente de paso bajo para el ciclo-
tendencia, de paso alto para el irregular y"pasa-banda" para la estacionalidad y el ci-
clo.
La adecuacin del filtro depender par tanto de la capacidad del modelo de la seal
para reproducir las caractersticas de la banda espectral asociada a la seal. Y, a mi jui-
cio, los modelos de los componentes, determinados por un modelo inicial demasiado
apoyado en el filtro 1/(1-B) (1-B** 12), no son capaces de recoger caractersticas impor-
tantes del espectro. Pienso tambin en los mximos retativos de potencia que aparecen
en la banda (1 /80, 1/20) en series cclicas como las de opiniones empresariales, o los
que aparecen muy a menudo entre 1/ 12 y 1/6.
El requisito de sobriedad paramtrica que preside la modelizacin ARIMA puede es-

tar justificado en la prediccin, pero si se quiere descomponer: ^No sera oportuno utili-
zar como criterio de modelizacin, la capacidad de reproduccin del espectro?.
Alternativamente, puede establecerse una tipaloga de series econmicas basada en

medidas no paramtricas, posililemente deducidas dei espectro emprico, y asociar a
cada tipo una familia de modelos ARIMA, utilizables como input del mtodo DDMA.
5. Una cuestin planteada por Maravall al final del epgrafe 4.2. resulta especialrnen-
te interesante en el anlisis de cayuntura. Se trata de la posibilidad de sustituir la serie
desestacionalizada por la serie de ciclo-tendencia como seal relevante o incluso como
objeto de pubicacin por las oficinas estadsticas. La suavidad -ausencia de varianza
de altas frecuencias es una caracterstica deseable en cualquier indicador econmico,
como se reconoce explcitamente en el sistema de indicadores cclico del NBER, no slo
porque se corresponde con la fuerte inercia de los procesos econmicos, sino porque eli-
mina el riesgo de las falsas seales.
La conclusin negativa a que llega Maravall quizs est ligada con la escasa irregula-
ridad de las series monetarias. El rato I/C de los ALP, prximo al del IPC o al del Paro
Registrado, es de los ms bajos observados en una am pl ia m uest ra de seri es econm icas
y los ratios ms frecuentes se sitan entre l y 3.5 (IPI: 2.4, Entrada Extranjeros: 2.6,
Suicidios: 4.8).
84 E:STADISTI('A ESPAÎ()1Â
Una comparaein de los errores de estimacin y revisin entre serie desesiacionaliza-

da y de ciclo-tendencia, para series de distinta irregularidad seria de gran inters.
6. En el epgrafe S, Maravall aborda un problema relacionado con el anterior. ^Cun-

tas tasas intermensuales es necesario promediar para confirmar que el crecimiento real
difiere del proyectado, can un nivel de confanza prefijado?
En trminos del X 1 1: ^Cuntos meses de la serie desestacionalizada es necesario pro-

mediar para que la seal ciclo-tendencia domine sobre el componente irregular?.
E1 parmetro MCD del X 1 1 que responde a la cuestin est muy difundido, y algunas
oficinas estadsticas proporcionan la media mvil de periodo MCD de la serie desesta-
cionalizada, adems de sta, como un equilibrio entre suavidad y respeto al dato.
La discusin de 1VZaravall, en trminos estadsticos precisos, supone realmente un

avance sobre el marco emprico (aunque no paramtrico), del X 1 l pero esta planteada
en trminos de desviaciones frente a objetivos, que no es frecuente en coyuntura.
7. En relacin con los filtros simtricos de cola infinita truneada que se utilizan, me
pregunto si el error de truncamiento (fenmeno de Gibbs), es despreciable. Por otra par-
te, la utilizacin en los extremos de la serie de los mismos filtros centrales, sustituyendo
las observaciones no disponibles por predicciones ês equivalente a la utilizacin de los
filtros unilaterales propuestos por Whittle y Nerlove, Grether, Carvalho? Y si es as,
como parece, ^no son sensiblemente diferentes en mdulo y fase los f ltros centrales de
los utilizados en los extremos?.
Por ltimo, no cabe sustituir los filtros simtricos por filtros autoregresivos o recursi-
vos, de igual mdulo pero de menor fase, para minimizar la necesidad de extrapola-
cin?.
REFERENCIAS
"SYSTEME DAINTIES: Systeme CRONOS pour la gestion des series chronologiques". Manual
1 1/ 12/ 13: Adjustements saisonnieres. OSCE Bruselas 1979.
TtMSAC-sa: Computer Science Monographs. Institute of Statistical Mathematic. Tokyo. 1985.
MORRY, M. L1THIAN J.: "A test for the presence of identifrable seasonality when using X 1 I-
ARIMA program" 78-1 Q-02 Research Papers. Statistics C.ânada.
NERLOVE M., GRETHER D. M., CARVAI_HO J. L.: "Analysis of economic time series" Academc
Press 19 79.
COMENTARIOs 85
COMENTARIO DE ALFONSO NOVALES

(Fundacin de Estudios de Economia Aplicada)
El trabajo que nos presenta Agustin 11 ^îaravall resume una buena parte de su tarea
investigadora en los ltimos aos. Hay que agradecerle el esfuerzo que ha hecho por
resumir, tan brevemente como ha sido posible, el elevado nmero de articulos escritos
en este perodo, as como hacerlo con e rigor y la claridad que en l son habituales.
Partiendo de trabajos iniciales de Box, Hillmer y Tiao, Maravall y Pierce han venido
desarrollando en los ltimos aos una metodologa de descomposicin de una serie
basada en modelos ARIMA, que evita las dos dificultades fundamentales del mtodo
X-1 1: su uniformidad en el tratamiento de las distintas series, y la iinposibilidad de
llevar a cabo inferencias acerca del origen estacional de las desviaciones observadas a
corto plazo. Por tanto, no cabe sino congratularse de que estos desarrollos puedan hacer
innecesaria la utilizacin futura del procedimiento X-1 1.
A diferencia de otras propuestas, no se hacen supuestos arbitrarios acerca de la

estructura ARIMA de los componentes estacional y desestacionalizado de una serie,
sino que los rdenes de sus polinomios AR y MA se obtienen a partir de la funcin de
autocovarianza del modelo estimado para la serie agregada. Otra ventaja importante de
esta metodologa es la relativa sencillez con que se estiman los parmetros de los
modelos de los componentes de la serie. Para apreciar este aspecto, basta comparar este
procedimiento con el sugerido p^r Engle (1978}.
Sin embargo, la desestacionalizacin basada en modelos ARIMA no est exenta de

algunas cuestiones que, a mi entender, merecen ser discutidas en profundidad. Una
primera cuestin se refiere al instante en que, una vez estimado el modelo ARIMA de
la serie original, e identificados los rdenes de los modelos ARIMA para los componen-
tes, se buscan estimaciones para los parmetros de estos ltimos. Como describe
Maravall, este proceso exige resolver un sistema con ms inegnitas que ecuaciones, por
lo que el vector de parmetros que se buscan no est identificado.
Ei criterio por ei que tradicionalmente se consigue identificar el modelo es el de

seleccionar, de entre todas las posibles, a componente estacional con varianza minima.
Esta es la llamada "descomposicin cannica". De este modo, se consigue una compo-
nente estacional tan estable y predecible como es posible. Equivalentemente, la compo-
nente irregular ser la de mayor varianza de entre todas las posibles.
Esta solucin tiene un cierto atractivo estadistico, pero su interpretacin econrnica

no es clara. Desde los primeros intentos de anlisis de series temporales de datos, ha
sido tradicional pensar acerca de la componente estacional como una cornponente
determinista, de modo similar a la componente tendencial; lo cual es consistente con la
F:ST.AD^ 151ÌCA F^SPA^4t)t_A
eleccin que arriba he citado como criterio de identificacin. Sin embargo, el anlsis
Box-Jenkins ha roto def ntivamente estas dos concep^ciones; ahora entendemos como
una de las caractersticas ms frecuentes en una serîe econmiGa la presencia de una
tendencia estocstca.
Algo anlogo se aplica a las propiedades estacianales de una serie, que el anlisis
Box-Jenkins representa camo parte esencal de su estructura estocstica fundamental.
As pues, no resultan evidentes las razanes por las que habra que seleccionar de entre
las alternativas posibles, la cotnpnente estacional de mnima varianza.
Aderns, el criterio de identificacin utilizado no es irrelevante; el problema consiste

en la seleccin de dos sumandos cuyo agregado sea la serie original, y para ello se
dispane de un cierto nmero de grados de libertad. E1 criteria elegido afectar a las
estructuras de los modelos de ambas componentes; de este modo, distintos criterios
generarn modeios diferentes para los componentes, los cuales, utilizados en el proceso
de extraccin de seal, generarn series ajustadas de estacionalidad diferentes.
Otra propiedad inherente a este y otros mtodos de descomposicin es la ortogonali-

dad entre la componente estaconal y la serie desestacionalizada. Nuevamente, esta
propiedad puede tener un cierto atractivo estadstico, mxime si se piensa en que la
estructura estacional de la serie es determinista. Sin embargo, creo que tiene perfecto
sentido econmico pensar en la estructura estacional de la serie como una caracterstica
de la misma intrnsecamente ligada al resto de la serie, i.Por qu habran de ser las
propiedades estadsticas que se manifiestan cada doce rneses independientes de las que
se registran mes a mes?.
Con todo, debo manifestar que mi duda acerca de la desestacionalizacin de series

econmicas es ms fundamental. Es conocido que la mayora de las series econmicas
de frecuencia rnensual o trimestral tienen estructura estocstica estacional, y es obvio
que dicha estructura debe ser tratada adecuadamente si se quiere que el anlsis de la
serie tenga un mnimo signficado, Sin embargo, me resulta mucho menos obvio que sea
preciso descomponer una serie en sus diferentes corr^ponentes indiscriminadamente, es
decir, sin que la decsin de descomponer o no, dependa del objetivo que se persigue.
Revisemos las razones usualmente expuestas en favor de la desestacionalizacin 1)

Ayudar en el seguimiento a corto plazo de la serie, 2) simplificar al pblico la compren-
sin de la informacin estadstica, 3) ayudar en la prediccin de la serie, 4} facilitar la
identificacin de relaciones con otras variables, y 5) hacer que los datos mensuales (o
trimestrales) sean comparables entre s.
A mi juicio, todos estos motivos tienen su propia contrapartida {he expuesto una
discusn ms detallada en Novales 1987). Por ejemplo, es dudoso el papel de la
desestacionalizacin a efectos predictivos, Ambas componentes son, por construccin,
COMENTARit^s 87
ortogonales entre s. Si las supuestas componentes reales fuesen ortogonales, entonces

no se ganara nada predicindolas por separado y agregando sus predicciones. Si no
fuesen ortogonales, entonces no slo se est ^cometiendo un error de especificacin, sino
que se ganara eficiencia en la prediccin teniendo en cuenta su correlacin. Habra que
predecir, bien con un modelo bivariante para las componentes, o con el modelo
univariante de la serie agregada.
Sin embargo, es bien cierto que una cifra de crecimiento mensual de ALP, por
ejemplo, requiere de una interpretacin adecuada. En definitiva, no se trata de conocer
el crecimiento absoluto registrado dicho mes, sino su relacin con el producido en los
mismos meses de aos anteriores. Ahora bien, esta preocupacin por el corto plazo
puede estar reflejando que no slo existe un objetivo anual de crecimiento de ALP, sino
tambin una determinada trayectoria objetivo hacia l. Ello podra conducir a interven-
ciones de la autoridad monetaria con la frecuencia con que se observan desviaciones
con respecto a dicha senda, y no es claro que esto sea deseable.
Tampoco resulta evidente qu informacin, relativa a los objetivos de crecimiento

trazados para ALP, aporta la serie desestacionalizada, que no est ya incorporada en la
serie original. Como ejemplo, consideremos las tasas mensuales de crecimiento de ALP
acumuladas desde diciembre del ao anterior:
CRECIMIENTO DE ALP
1984 1985 198 1987
. Serie original
Crecimiento anual 14.2 13.2 11.4

Crecimiento hasta abril 10.2 13.1 11.8 10.0
Crecimiento acumulado
Media mensual 12.6 12.7 11.1 9.l
Desviaein tpica 3.4 1.3 1.2 1.7
2. Serie desestacionalizada
Crecimiento anual 14.1 13.2 11.3

Crecimiento hasta abril 13.3 17.0 15.2 13.^
Crecimiento acumulado
Media mensual 14.4 14.9 13.2 11.^
Desviacin tpica 0.8 2.2 2.2 2.5
Nota: Los datos de 1987 se referen al perodo enero-abril.

ESTADISTiC'A ESPAOL..A
Crecimiento anual: Tasa de crecimiento desde diciembre del mismo ao con respecto a
diciembre del ao anterior.
Crecimiento acurnulado: Tasa de crecimiento producida desde diciembre del ao ante-

rior, elevada a anual.
En la tabla anterior puede observarse lo siguiente:
a) Como cabia esperar, las tasas de crecimiento anual producidas en ambas series son
iguales (salvo redondeo).
b) Salvo en 19$4, en que la evolucin de ALP fue especialrnente errtica, esta tasa de
crecimiento acumulado de ALP ha sido rns voltil en la serie desestacionalizada que
en la serie original. Lo mismo ocurre en los meses transcurridas de 1987.
c) En la serie desestacionalizada, ei promedio mensual de esta tasa de crecimiento fue
en los dos ltimos aos superior en un 1 b% al erecimiento anual. Mientras, excepto en
1984, el promedio mensual de la tasa calculada sobre la serie oriînal, adems de ser
menos volti l, ha estado mucho ms prximo al crecimiento anual.
La explicacin de b}, puede estar en que la eleccin de la componente estacional de

mnima varianza deja "dernasiada" varianza en la serie desestacionalizada, lo que a su
vez produce una evolucin ms voltil en dicha serie.
La observacin c} indica que hay un "overshooting" en la evolucn de la sere

desestacionalizada con respecto a su objetivo, lo que no ha ocurrido en la serie original
en los dos ltimos aos. Esto resulta especialmente claro cuando se observan los valares
rnensuales de la tasa que aqu consideramos (que por falta de espacio no se presentan};
sin embargo, no encuentro una explicacin razonable a este fenmeno.
De nuevo hay que hacer hincapi en que el mtodo seguido para el tratamiento de la
estacionalidad, asi corno la evaluacin de la calidad de la serie desestacionalizada debe
hacerse con un determinado objetivo en mente. En el caso de ALP, parece claro que la
autoridad manetaria encarga la desestacionalizacin para hacer ms sencillo su segui-
miento a corto plazo. De acuerdo con este objetivo, si bien es verdad que la evidencia
emprica anterior es muy reducida, no creo que las observaciones b) y c) sean propieda-
des deseables de la serie desestacionalizada de ALP.
En efecto, interesara que la serie desestacionalizada no fuese muy voltil, pues de lo

contrario el seguimiento a corto plazo estaria sujeto a un ruido excesivo. Si la deses-
tacionalizacin elimina.las fluctuaciones producidas por la heterogeneidad de los meses
del ao, la evolucin de la serie desestacionalizada debiera ser, en efecto, menos voltil
que la de la original. Sin embargo, el mtodo de desestacionalizacin seguido tiene el
efecto opuesto, ai menos, con respecto a la medida de seguimiento que hemos analizado
en [a Tabla l.
C'C^MENTARIOS
Por otra parte, es cierto que los ALP tienden a crecer rpidamente en el primer
semestre del ao, y ms despacio en el segundo. Sera lgico que existiese ms
"overshooting" en la serie original, que en la desestacionalizada, que trata este tipo de
regularidades interanuales. Sin embargo, hemos visto que ocurre justo lo contrario.
Si se quisiera extraer ms informacin del cuadro anterior, ambas series muestran que
los ALP estaban creciendo en Abril de 1987 un 13% menos que el ao pasado, y un
20la menos que en 1985 ( los 4 primeros meses, en promedio, mostraban una evolucin
similar). Si uno es suficientemente atrevido como para extrapolar, se podra pensar que,
de seguir as, el crecimiento anual para 1987 rondar el 1 tJlo. Para obtener evaluaciones
de este tipo, un observador casual de datos econrnicos, que trabaja con tasas como la
anterior, podra construir la tabla anterior, sin precisar la desestacionalizacin de la
serie. En todo caso, no parece que estas cifras, ni la evolucin mensual puedan justif car
la alarma producida en los primeros meses de 1987, ni la drstica intervencin efec-
tuada. El problema con la desestacionalizacin es triple: Si llevarla a cabo o no, cmo
efectuarla, y cmo interpretar la informacin resultante.
Si se utiliza la serie desestacionalizada, en el artculo de Maravall se proporciona

informacin estadstica que considero importante para interpretar su significado real,
As, en la ltirna seccin se calculan los intervalos de confianza de la tasa de variacin
de ALP. De acuerdo con estos resultados, una tasa de crecimiento mensual, que elevada
a anual resulta ser del 12%, es compatible al 95lo de confânza, con un crecimiento real
en el intervalo (7l0, 17l0). Como all se dice, la amplitud de este intervalo es muy
superior a los niveles de tolerancia usualmente utilizados.
Mi lectura de esta propiedad es algo ms positiva que la suya: Este resultado sugiere
que hay en la variacin mensual de ALP ( por ejemplo en su T;), demasiado ruido como
para poder rechazar la hiptesis nula de que el crecimiento observado es consistente con
el objetivo trazado de antemano. Dadas las repercusiones que tiene una actuacin
restrictiva ( en el caso de que ALP "parece" crecer por encima de su objetivo} de la
autoridad monetaria sobre el sistema crediticio, esta observacin estadstica muestra que
conviene no prestar mucha importancia a las desviaciones a muy corto plazo. Por
supuesto que conviene segui r de cerca dichas desviaciones, pero intervenciones de signo
contrario sobre los mercados de crdito pueden tener efectos perturbadores que no se
correspondan con el significado real de las desviaciones observadas.
Junto con este dato, el grfico 9 del artculo muestra asimismo el nmero de meses
que deben transcurrir para que una determinada desviacin media observada pase a
considerarse como indicacin de una desviacin real. A este respecto, sera de nuevo
an ms entusiasta que Maravall al evaluar los resultados. En primer lugar, suponga-
mos que una desviacin mensual con respecto al objetivo sea preocupante cuando
excede, al menos, al 3l0. Incluso a un nivel de confianza del 95l0, bastara que dicha
90 ESTADISTIC'A ESPAti1C>LA
desviacin se produjese en T;, en promedio, en dos meses consecutivos, para que se

rechazase la hiptesis nu[a de que ALP sigue la senda trazada. Junto con la observacin
anterior acerca de que la autoridad monetaria no deba intervenir en el muy corto plazo,
sta n ueva observacin i ndica que una desviacin promedia del 3% en T ^ pasara a
considerarse como defintiva si se produjese en dos meses, y una desviacicn del 2% se
considerara definitiva si se produjese durante 3 meses. Considero que estos mrgenes
son ms que suficientes para permitir la intervencin contrarrestadora de Ia autoridad
monetaria.
Como complemento a la discusin que se hace en el artculo, sera interesante

disponer de intervalos de confianza para la estimacin de la componente estacional de
la tasa que hemos examinado antes, que acumula para cada mes del as^ la variacin
registrada desde di^ciembre del ao anterior.
Una alternativa a la descomposicin de series es el tratamiento de la estacionalidad
integrada en el modelo de la serie, como se hace en el anlisis de Box Jenkins. Sera
interesante aprovechar esta discusin para que, si lo considera oportuno, Maravall nos
expusiese las razones que a su juicio existen a favor y en contra de utilizar una
metodologa de desestacionalizacin frente a la atra.
REFERENCIAS
EtvVÊ, R.: "Estirnating Structural Models of Seasonality", en Seasonal Analysis of Ecânamic Timc^
Sc^r^c^s, editado por A^ . 7_ellner, Bureau of the Census, Washington 197.
NovAÊS. A.: "Sobre la Desestacionalizacin de Series Monetarias", Documento de trabajo 87-13,
FEDEA.
CC?M^NTARiOS 91
+CONTESTACION A LOS COMENTARIOS
POR AGUSTII\( MARAVALL
Leyendo las discusiones de mi trabajo que han realizado Espasa, Treadway, Melis y
Novales, pienso que una importante virtud del mismo ha sido conseguir que cuatro
personas de su calidad y solidez hayan expresado opiniones sobre ei tema de la
descomposicin de series, y en especial sobre la desestacionalizacin. Los temas que los
cuatro mencionan son muchos y, sin embargo, el sobrelapamiento es pequerô. Me
limitar a comentar algunos de los puntos que me parecen de ms inters.
1. Insx^Tciencia ê la Desestacionalizaein Univariante en el ^^ntrvl M^netario
Empezar por el comentario de ESPASA. En primer lugar, cuestiona la serie deses-

tacionalizada como seal de la evolucin subyacente de la serie a lo largo del ao, y
sugiere, en su lugar, una tendencia. Adems, piensa que el seguimiento a corto plazo se
debe completar con una medida de la expectativa de crecimiento (la "inercia"). Estoy
de acuerdo en el inters de incorporar una estimacin de la tendencia y algn tipo de
prediccin. (Que la prediccin sea a medio o largo plazo me preocupa algo, pues los
modelos ARIMA se han hechu, en mi opinin, para horizontes de prediccin cartos).
Menciona Espasa que la inercia tiene la ventaja de que no se revisa con el paso del
tiempo. Si, en el modelo del trabajo, se def ne como componente estacional la expectati-
va de st que se tiene en t, la serie desestacionalizada tampoco se revisa. En definitiva,
toda medicin que sea una expectativa es condicional a una inforrnacin; es lgico que,
si la informacin se ampla, la expectativa se revise.
Estando, pues, de acuerdo en el inters de incorporar las dos mediciones que el

sugiere, no veo claro pvrqu eliminar, como complemento, una estimacin de la
estacionalidad en cada momento (separada del ruido). En definitiva, tal y como se
desprende del trabajo que se discute, el componente estacional es el que mejor se rnide.
Primero, porque sus errores de estimacin son ms pequeos (Cuadro 5); segundo,
desde un punto de vista estructural, el espectro del componente terico se haya mucho
ms cerca del de su estimador terico para el caso del componente estacional (ver la
Figura 10).
Por ltimo, la incorporacin de mecanismos de correccin de errores, tal como l

sugiere, me parece importante (Treadway se refiere en su discusin a un problema
relacionado). Es curioso que, una vez eliminadas intervenciones y MCEs de su ecua-
cin, el modelo de las lneas areas que resulta es muy cercano al obtenido en mi
[:ST A[:)lS^T1(^.A FSPAtit)1_:^
trabajo (con 16 observaciones menos). As pues, los cuadros 4 a 7, en unidades de a^,,

siguen siendo aproximadamente vlidos. E1 mayor valor de a^, en ei modelo del trabajo
implicar mayores errores en la parte puramente ARIMA del modelo. Pero los errores
de estimacin de los caeficientes de las variables adicionates, en particular de la
estacionalidad implcita en los MCEs, compensar, en parte, ese efecto.
2. Lv.s Fundam^ntos d^ la D^sestacic^nalicacin
El comentario de TREADWAY se centra en una reflexin sobre porqu se desesta-

cionaliza. Afirma "los analistas Box-Jenkins... (desestacionalizan)... casi excIusivamente
porque los no-analistas demandan series desestacionalizadas". Esto le Ileva a coneluir
que hay algo errneo en todo ello. Pero ^porqu?. Se desestacionaliza porque se
demanda i^qu diferencia hay con la prediccin? un analista Box-Jenkins hace pre-
dicciones, casi siempre, porque los no-analistas las demandan.
De tados mados, Treadway tiene razn en sentirse insatisfecho con el fundamento

econmico de la desestacionalizacin. Discrepo, sin embargo, en algunos puntos. Por
ejemplo, al especificar que el componente estacional de una serie es un determinado
proceso ARIMA, no busco una def nicin general. Ms bien se trata de lo contrario. La
estructura general que hay es que la serie es ta suma de varios componentes ortogonales,
que estos componentes van a seguir modelos ARIMA (consistentes con los del agrega-
da}, y que cada componente se estimar por su esperanza condicional, dada la serie
temporal disponible. As, un analista especifica un modelo para un componente en una
serie, y esa definicin es preeisa para cada caso especf^co. Este modelo implicar, por
ejemplo, determinado espectro y FAC, que podrn ser analzados e interpretados. Si a
otro analista no le gusta, cambiar el modelo. Y as debe ser. En definitiva, la ex-
traccin de seales presenta una continuidad analtca con Ia prediccin (que resulta
ms obvia en ta formulacin con fitro de Kalman). Permite tambin que distintas
usuarios o analistas presenten estimaciones distintas; exactamente igual que en pre-
diccin.
3. Dc^scc^nTpvsicrc^n C'crrtînicû
Cuestiona Treadway la utilizacin del criterio cannico para identificar la descompo-

sicin de la serie. En la descomposicin de la serie en tendencia, estacionalidad y ruido
(ortogonales entre s, supuesto que no cuestiona), hay infinitas descomposiciones admi-
sibles. Todas ellas resultan ser iguales a la descompasicin cannica ms ruido super-
puesta. Elegir una descomposicin es equivalente a elegir un nmero en el intervalo (CJ,
V) para la varianza del ruido, donde V es la varianza correspondiente a la descomposi-
(`()MENTARIOS 93
cin cannica. Si un analista tiene razones fundadas para afirmar que sabe a priori que
la varianza del ruido es, digamos, .052, entonces no habria razn para usar la descom-
posicin cannica. Creer, sin embargo, que la teora econmica nos va a proporcianar
esa informacin a priori es, hoy por hoy, impensable. En ausencia de la misma, parece
razonable asignar al ruido lo que es ruido, y a la seal lo que es seal, puesto que en
definitiva se trata de caractersticas puramente estadsticas.
Por otra parte, los problemas previos que Tread^vay estudiara antes de desestacio-
nalizar pueden tener poco que ver con las intereses del demandante. El seor que
pretende que le eliminen la estacionalidad para saber mejor donde se encuentra, puede
muy bien aceptar que, sin embargo, "las funciones de transferencia son invariantes a la
frecuencia del input". Esta hiptesis, como teora general, me parece excesiva, y pre-
cisamente Espasa, en su discusin, proporciona un ejemplo en el que la tendencia y el
irregular tienen efectos diferentes.
No voy a detenerme en ms puntos. Los ejercicios que Treadway sugiere para

comprender mejor el papel de la estacionalidad me parecen de inters. Me gustara
poder animarle a que l mismo abordase alguno de ellos.
4. ,k'll ^ ^ lu Dc^scôjnpc^srci^^n de fu ^ârianû
La discusin de MELIS se centra, por el contrario, en puntos especficos relacionados

con la metodologa de la desestacionalizacin.
Comparando X 1 1 con el mtodo del trabajo, menciona que el primero tiene tambin
estadsticos de medida y control, lo cual es cierto. Sin embargo su interpretacin resulta,
en ocasiones, menos clara. Veamos un ejemplo mencionado por Melis: 1a descomposi-
cin de la varianza de la serie estacionaria en varianza asociada con tendencia, estacio-
nalidad e irreguar. Los componentes son supuestamente ortogonales, pero el mensaje
de X 1 1 puede ser que, por ejemplo, la suma de sus varianzas es un 1 18%, o un 82%, de
la varianza de la serie estacionaria. ^Cmo interpretar este mensaje? Veamos, por el
contrario, como se contestara a esta cuestin utilizando el mtodo del trabajo. Para ello
utilizaremos el ejemplo analizando en la Seccin 1.2: la serie trimestral que sigue el
modelo 04 zr - ^t.
Puesto que (1.1 1) implica que la transformacin estacionaria de la serie, o,^ ^,, es
igual a
^4 ^, _^ ^4 ^;, + ^4 t^l,,
94 E.S"TA[^tsTIC'A ^:SPAIÔLA
de las definiciones (1.16) de los componentes es inmediato que
V ^ ^, = (1 +B)' (1 +B?) a,r + (1- B)` (1 +B') a^, +
+ (1-B`)`^ u_^^ + ( I -84) u, ,
y, por tanto, la varianza {V) de la transformacin estacionaria de la serie se puede

expresar como
V=14^;+14^+6^+2cr
El primer sumando es la parte asociada con a,,, es decir con la tendencia. Los dos
segundos sumandos se asocian con la estacionalidad (a,, y a3,), y el tercero con el
irregular (u,). Considerando ( 1.17}, resulta que un 7I32 de V(un 22^%) se asocia, pues,
con la tendencia, un 19/32 de V(un 60%) se asocia con estacionalidad, y un 6/32 (un
18%^) se asocia con el irregular: La descomposicin de V tiene ahora una derivacin
rigurosa, y la suma de los componentes ser siempre el 100% de la serie. Notese que el
mtodo de modelos permte obtener informacin ms detallada como, por ejemplo, las
contribuciones relativas de las distintas frecuencias estacionales. As, de la parte de V
explicada por el componente estacional, el 37f% est representado por la frecuencia de 2
veces al ao, y el 3c% por la frecuencia de una vez al ao.
5. Limitacîones clc^ Ic^s Mc^clE^l^s ARIMA
No comparto su opinin de que los modelos AR1MA son difciles de identificar, a

pesar de que, en un trabajo que menciona, X 1 1 AR1MA (X 1 1 A) rechazase los tres
modelos de defecto para muchas de las series. Nunca he comprendido el criterio de
X 1 1 A: las razones para usar X 1 1 A en lugar de X 1 1 son igualmente vlidas para series
que se predicen con un diez por ciento de error que para series con un error de
prediccin del uno por mil. En cuanto al hecho de que distintos analistas puedan llegar
a desestacionalizaciones diferentes, como ya he dieho antes, me pareee una virtud, no
un defecto. Sobre todo cuando se proporcionan ias bases para poder comparar las dos
desestacionalizaciones.
Piensa Melis que los modelos ARIMA no permiten capturar bien armnicos con
contribuciones muy distntas. Como ilustra claramente el ejemplo del final del punto 4
anterior, esto no es cierto. En general, los parmetros de la parte MA del modelo
proporcionan flexibilidad en ese sentido. Si sta no fuese suficiente, ello se detectara en
la comparacin de las FAC tericas de los estimadores y de las FAC empricas, tal y
como se sugiere en la Seccin 4.1. del trabajo.
Plantea Melis el problerna de capturar ciclos. Es cierto que los modelos ARIlN1A no
suelen contener cictos (aunque haya excepciones). C'omo menciono al final de la
C'CIMENTARIOS 95
Seccin 1, en principio cualquier ciclo podra capturarse por medio de raices complejas
del polinomio AR, y hoy se pueden estimar fcilmente los polinomias AR, incluyendo
los que tienen raices unitarias, gracias a los trabajos de Tiao y sus colaboradores (ver,
por ejemplo, Tsay y Tiao, 19$2). La extraccin de una seal ciclica no plantea ningn
problema conceptual nuevo.
En ltima instancia, las dos crticas: inflexibilidad para capturar armnicos con
contribuciones muy distintas y la ausencia de ciclos, son criticas generales a los modelos
ARIMA y a su uso. De ser ciertas, afectaran tambin a la prediccin. Pero no creo que
tenga sentido decir que, en general, la clase de modelos ^(B^ z, _{B) at tiene muchas
limitaciones tericas corno aproximacin a procesos estocsticos lineales. Lo que si
existen, claro est, son limitaciones en la informacin disponible o en el analista.
lncidentalmente, la linealidad del proceso estocstico es tambin un supuesto que puede
ser restrictivo; un ejemplo de no-linealidad precisamente estacional, en la serie decenal
de efectivo, se analiza en Maravall, 1983.
Frente al mtodo usado en el trabajo, Melis confiesa preferir los mtodos que parten
de un modelo para el vector de estado. Puesto que el modelo para el vector de estado
implica determinados modelos ARIMA para los componentes y para la serie agregada,
y viceversa, arnbos mtodos parten del mismo tipo de modelo, expresado en formato
distinto. La otra diferencia es el uso del flltro de Weiner--Kolmogorov (WK) con
modelos ARIMA (tal como se realiza en el trabajo), o en el uso del filtro de Kalman,
corno algoritmos que computan la misma esperanza condicional. Asi pues, cualquier
mtodo basado en un vector de estados puede formularse fcilmente en forma tal que la
tcnica de anlisis que se presenta en el trabajo sea directarnente aplicable. Si bien los
dos procedimientos de computacin (flltros de WK y de Kalman) son muy eficientes,
desde el punto de vista del anlisis, la modelizacin ARIMA y la expresin compacta
del filtro de WK ofrecen ventajas grandes.
6. Irregularidad de la Serie y.^rrores de Estimacin.
Melis plantea la posibilidad de que el mayor error de estimacin de la tendencia

pueda estar ligado a la escasa irregularidad de las. series de ALP, Piensa que seria de
gran inters una comparacin de los errores, entre serie desestacionalizada y tendencia,
para series de distinta irregularidad.
Una medida conveniente de irregularidad es la proporcin de cr^ que representa la

varianza del irregular. En undades de r^, para la serie de ALP obtuvimos ^= 10$.
Manteniendo el modelo de las lineas areas, para 6t = B1Z =.75 resulta o^ =.581; para o^ j
_-.75, Q^^ =,^25^ resulta o'^ =.007. En el Cuadro 11 se presentan las varianzas de los
96 ESTAUIST[('A ESF'AO[Â
errores para ambos casos. Se observa que siempre sucede que la tendencia se estima
peor que la serie desestacionalizada. Para a~ - 0, puesto que entonces zu- p^, los errores
en las dos mediciones son aproximadamente iguales.
Cuadro I1
VARIANZA DE LOS ERRORES DE ESTIMACION PARA SERIES CON

DISTINTA IRREGULARIDAD
Varianza del Error de Error de Error

Irregular Estimacin Revisin Total
final
Tendencia .075 .087 .162

.581
Serie Des. .075 .067 .142
Tendencia .504 .653 1.157

.007
Serie Des. .504 .648 1.152
7. L^rrvres de Trunâmiento y Revisrvnes
Por ltima, Melis plantea unas preguntas. Primero, se pregunta si el error de trunca-
miento del filtro (3.1) es despreciable. El Cuadro 6 contesta a la pregunta: aproxima-
damente el error es del orden del 5% cuando se trunca a los tres aos, y del 1la cuando
se trunca a los cinco aos (tanto en el caso de la serie desestacionalizada como en el de la
tendencia}. Para modelos distintos, los resultados variarn. As, la Figura 14 presenta la
varianza de los errores de truncamiento del filtro de la tendencia y de la serie desesta-
cianalizada, para el modelo del trabajo y los dos modelos del Cuadro 1 1(la serie muy
irregular y la muy suave}. Para estos dos modelos la tendencia se puede truncar antes
que para el ejernplo del trabajo. Cuando el irregular es grande, sin embargo, el filtro que
proporciona la serie desestacionalizada tarda ms en converger.
E1 cuanto al efecto de eompletar el f ltro con predicciones para fechas cercanas al

presente, es cierto que eso implica que los filtrs en los extremos de la serie son
distintos en mdulo y fase al filtro central. tJno puede, por supuesto, utilizar filtros slo
en la direccin del pasado, en cuyo caso no hacen falta predicciones. Pero el carcter
smtrico del filtro para el pasado y el futuro resulta de la minimizacin del error
C'OMENTARIOS 97
cuadrtico medio del estimador del componente, tal como se expane en el Apndice A,
Dicho de otro modo, uno puede cambiar el criterio de optimalidad y utilizar estimado-
res con mayor ECM. (Bajo los supuestos del trabajo, el estimador que minimiza el ECM
es tambin la esperanza condicional del componente, dada la informacin disponible).
No conozco ningn criterio que pueda resultar globalmente preferible a minimizar el
ECM y que proporcione filtros slo en la direccin del pasado.
8. Los Supuestos del 1l^fodelo
Paso, por ltimo, al comentario de N+OVALES. Este plantea algunas cuestiones

metodolgicas; realiza, adems, un ejercicio empirico que le lleva a la conclusin de
que la serie desestacionalizada tiene poca utilidad. Este ejercicio, en mi opinin, tiene
mucho inters y su esfuerzo por mirar a los nmeros y tratar de interpretarlos merece
un agradecimiento especial. Comenzar, primero, por los comentarios ms generales.
Aunque la estacionalidad o la tendencia presente, en general, un caracter mvi l,

obviamente van asociados ambos a un comportamiento regular en el tiempo. Sera un
contrasentido, por ejemplo, hablar de estacionalidad si esta fuese cada ao completa-
mente diferente. ^Porqu escager para un componente estacional, entre dos modelos
indistinguibles por medio de la muestra, aqul que presente un comportamiento ms
errtico?. La descompasicin cannica d una serie desestacionalizada ciertamente dis-
tinta de la que daria otra descomposicin. Concretamente, como ya mencion antes,
esta ltima sera igual a la cannica ms ruido superpuesto.
Cuestiona Novales el supuesto de componentes ortogonales. Este supuesto no impone

restricciones sobre la serie, puesto que siempre podemos descomponer el espectro en
partes aditivas. Si con e1 supuesto de ortogonalidad se plantean problemas de identifi-
cacin, stos se multipliean si se permite que los componentes estn correlacionados. Es
necesario, pues, introducir informacin a priori fuerte sobre la estructura de esas
correlaciones cruzadas, lo cual no es un problema trivial. Una virtud obvia de la
ortogonalidad, por otra parte, es que, por construccin, lo que se quita de la serie es
independiente de lo que se deja.
En cuanto a la utilizacin de la serie desestacionalizada en prediccin, es fcil ver que

la prediccin de la serie agregada es 1a suma de las predicciones de sus componentes. En
el mtodo del trabajo, se utilizara en la prediccin el modelo para la serie agregada. En
los mtodos con vector de estado, a los que Melis se refiere, se agregaran las prediccio-
nes de los componentes. Si os modelos son correctos, ambas cosas deben dar lo mismo.
9$ ESTA DiST fCA tvSPA OI..A
9. ^'rraticidacl de la Serie Origrnal y de la Serie Desestacivnalizada
A fin de cuentas, la serie desestacionalizada se utiliza para ayudar en el seguimiento a

corto plazo de la serie, eliminando la variacin puramente estacional. Esta razn,
aunque simple, parece slida y, a pesar de las reservas acadmicas, la demanda de series
desestacionalizadas (y, en general, de estimacin de componentes) aumenta consistente-
mente. Pero, puesto que se le est quitando a la serie una parte de su variacin, sera de
esperar que la serie desestacionalizada fuese menos errtica que la original. El punto
central del comentario de Novates se relaciona con este tema.
Novales considera la serie mensual de ALP, original y desestacionalizada, para los

aos 84, $5 y$6 y cuatro meses del 87. La serie desestacionalizada que utiliza no es la
que se obtiene por medio del mtodo descrito en el trabajo, sino la of cial del Banco de
Espaa, cuyo mtodo de clculo es considerablemente diferente (se encuentra descrito
en el Bvletn .iEconmico de Junio 1986).
Calcula las tasas de crecimiento anualizadas que resultan al acumular los meses
transcurridos del ao, para las dos series. Concluye que, para 1985, 1986 y los meses
transcurridos de 1987, las tasas acumuladas de la serie desestacionalizada han sido ms
errticas que las de la serie original. Este es un resultado de inters y merece la pena
verlo con ms detalle. (E1 "overshooting" al que se refiere Novales en las medias de las
tasas acumuladas de la serie desestacionalizada posiblemente se explique por el efecto
de anualizar las tasas acumuladas en un perodo en el que la serie disminuye. Es
razonable que el efecto se note ms en la serie desestacionalizada).
Tasa T;
La desestacionalizacin de la serie ALP es multiplicativa y, por tanto, aditiva en las

logs. Tomando diferencias, resulta pues,
D loKz^=^ Ivgzu+o logst,
donde los dos sumandos de la derecha son ortogonales. Puesto que, al margen de la
anualizacin, o lo^ aproxima bien la tasa T, debe suceder que la Ti de la serie
desestacionalizada tenga menor varanza que la de la serie original.
Consideremos las siguientes series (todas referidas a la serie mensual de ALP que
termina en Abril 1987):
a) Serie Original (la del Banco de Datos).

b) Serie Desestacionalizada Oficial (la del Banco de Datos).
c) Serie Desestacionalizada por medio del mtodo del trabajo, con las l observacio-
nes adicionales.
t`t)ti1^ ti i 1R1E)ti yy
^^) Serie Desestacionalilada por medio de ?C 1 1 A, en su opcin automtica.
Ntese que, mientras que c) y d) desestacionalizan la serie agregada, h) ê obtienc: por

agregacin de componentes desestacional izados.
Las medias de las distintas series desestacionalizadas resultan muy parecidas, y algo
distintas de la media de la serie original. Esto es razonahle ya que una estacionalidad
estocstica no se cancela exactamente a lo largo de un ao. (Eso es precisamente lo que
implica la ecuacin ?.yc). El C'uadro t? presenta las ^ârianzas de lati T; p^^r^^ lati cuatrc^
series anteriores. Se observa que la serie desestacîonalizada es, en tc^dos 1os c^^^c)s, ti pc^r^^
todos }^ cada uno de los aos considerahlemente menos errtica que la serie c)riginîl. La
^êrie desestacionalizada ms suave corresponde al mtodo del tr^^hajo, ^ la ms errticî
a la desestacionalizacin o^cial. Esta ltima resulta particularmente errtic.â ^.^n los irt~^s
ltimos aos, precisarnente cuando la serie original se comportî de: t ^^rnâ menc^^
errtica,
Desde un punto de ^îsta operativo, tiene ta^nbin inters ^êr como la deê^t<<c.îc^nî-
lizaein se ha ido comportando mes a mes para el primer d^^tc^ puhlicac.ic^. E^t^^ cicê^t^^-
cionalizacin tiene un carcter preliminar doble. Por una parte, utili-r.a lc^^ iicic^re^
estacionales proyectados en D^ iciembre del ao anterior; por otra p^^rte, lri prirncr^^
obser^âcin publicada de la serie original suele re^îsarse en lc)^ mc^^^^ î^;ui^^nt^^^. EI
ûadro 13 proporciona la varianza de las T; de la serie ori^.inal ^^ cfcê;tacionalil^^dî
para las series de primeros datos publicados. De nuetiô, la desest^^c.ion^111Iîîn r^c.ju^^^.
la ^ârianza de la serie original, aunque esta reduccin es menor ^ômc^ c.:c^n^c^û^^nci^l îc
los numerosos errores que contaminan los primeros datos.
:^10 ^ô^ a representar las FAC de tocias las series. Se c^hscsr^â cn ^11^^^ cû^^ lî
desestacionalizacin, en tocios los casos, eliminti corrclacîn ^^tacic^n^ll. l_^ ^ pril^êra fila
del Cuadro 14 presenta l05 ^âlores de ^^, ^ para las series del ^'uadre^ 1?. I'uestc^ quc cl
error estndar asociado es del orden de . 1 n, se ohser^â que, tii hien la ^^^ric.^ c^riînîl tic.^ne
una fûerte correlacn estacional, en ningn caso presentti lî seric. dc.^^c^t^^Ll()n^lllr^câ
correlacin estacional significativa.
En conclusin, la desestacionalizacin reduce la varianza dc la serie oriîn^^l, ^liri-

nando correlacin estacional. A grandes rasgos, pues, la dcsestacionalizacin pare^^c.^
cumplir su cometido.
100 ^ ti^ ^t^r^;t^c ^ ttiE^^^^^^^ >
( ^ttcrcl^'r ^ I ^
VARIANLA DE LA TASA T;
Scrie del Banco de Datos
Arios Serie t)riginal Serie D^sestacionalizada
Mtodo del
Of^.îa^ X11A
T rahajo
1979 ?7^.^ 34.5 11.4 ?5.5

KO 157.3 7.3 fi. l 6.7
Ki i8^.5 5.9 6.5 8.1
8? 1 17.1 IK.9 I?. i 19.1
8:^ 1 K5.9 1?.1 10.4 13.5
84 ^K 1.? ?9.5 ?3.3 ^9.7
85 78.3 31.^ 8.0 1 f^.0
8f^ 10^.4 3f^.9 5.7 ?8.?
(87) (^9.5) (15.4) (I.l) (?.8)
^T (? T,A 1_ 1 fi 1.1 ? 4. 9 1^. f^ ?^. 7
( i: Scjlc^ Ic^s ^ ^rir^^c-c}^ mc^^s.
( 'rrcrclr^r ^ I.^
VARIAN"LA DE L.A TASA T;
Primera Qhsertiâ^îc^n P^rhlic.îda
Serie
5c.sric
Desestac.
nriî na 1
otici^^l
19K3 187. ^ 7.0

K4 19 ^ .î ?0.(^
85 K().8 -t5.fi
8f^ 1(^?.9 15.5
(87) (-^^.5) (î^.(1)
( ): Sc^l^^ I^^^ ^ ^^-i ^1t^'rc^^ m^^^^^.

COMENTARIOS 101
Cuaclro 14
AUTOCORRELACItJN DE ORDEN 12
DE LAS SERIES DE TASAS
Tipo de Serie Orig,inal Serie Desestacionalizada

Tasa
^todo del
Oficial ^{ 1 1 A
Trabajo
T^ .74 .15 --.(Jl .O8
Tasa
Acumulada .44 .15 .18 .15
Tasas Acumuladas
Las series de tasas acumuladas que maneja Novales constan de 12 observaciones,

cada observacin con una estructura estocstica distinta. Vienen dadas por la expresin
nr= [(Xr+^1 x^)J2^`- 1j 100, (c. l )
donde t=1,..., 12, y j representa el mes de Diciembre del ao anterior. Linearizando esta
expresin y utilizando, de nuevo, la factorizacin o^ = o(1+B +...+ B`"1), se obtiene que
la estructura estocstica de n^ puede aproximarse por
n^=[(l+B+...+B`"r)/t]x;, (c.2)
donde x^ es la T^ del mes de Enera del ao correspondiente y B opera sobre el subndice

j. La estructura estocstica de n1 vara, pues, con t, de una manera compleja, y no es
posible hacer inferencias sobre la media y varianza de estas series.
Por otra parte, la acumulacin de tasas puede afectar drsticamente a la varianza de

las mismas. Como ilustracin, sea z^ una serie de tasas T1, y supongarnos que sigue el
proceso AR(1):
zt = a^ l(1 +.99 B) (c. 3)
Es fcil ver que el espectro presenta un pico pronunciado para la frecuencia ^, lo que
implica una estacionalidad de perodo dos. Se trata, por tanto, de una serie con
estacionalidad, y su varianza ( haciendo oQ = 1) resulta igual a V(zt) = 50.25.
ESTADISTIC'A ESPAOL_A
Consideremos ahora la serie de tasas T^: ^, = Er, donde E, es ruido blanco, con
varianza c>^ = 1. La serie con estacionalidad es 50 veces ms errtica que la serie sin
estacionalidad.
Si multiplicamos las dos series por (1+.99B), lo que prcticamente es igual a acumular
as tasas T;, resulta:
Zt = (1 +.99 B) zt = a!
Za=(1+.99B) z'a=E,+.99e,_,
Es inmediato que, ahora, V{Zt) = 1 y V(Z;^) - 2. La varianza de la serie sin estacionali-

dad pasa, como consecuencia de la acurnulacin, de ser 1150-avo a ser el doble de la
varianza de la serie con estacionalidad. EI misrno tipo de efecto que detecta Novales.
Hay, adems, muchas otras razones para pensar que la desestacionalizacin, desde
1985, contiene errores. Primero, se trata de los aos del final de la muestra y estn
afectados, pues, por el error de revisin ( tanto por la revisin de los factores, como por
la revisin de ta serie original). Segundo, estn siendo tambin arios de eambios impor-
tantes en el marco institucional en el que se generan las series. Por poner unos
ejemplos: a) La evolucin de los impuestos ha planteado problemas considerables, tanto
por los cambios en las fechas de recaudacin, como en la dificultad de anticipar los
niveles de recaudacin. b) La aparicin de varias series sobre las que se dispone de poca
informacin. Por ejemplo: los Pagars del Tesoro parecen presentar una estacionalidad
fuerte. ^Representa esta una peculiaridad de ia poltica financiera estos arôs, o se trata
por el contrario de un componente sistemtico?. c) Los fuertes transvases que se han
producido de unos componentes de los ALP a otros, y la evolucin atpica de alguno de
los componentes. Un ejemplo es la serie de Operaciones de Seguro, que multiplic su
nivel de un ao a otro, explosin que continu ms all de las expectativas que se
tenian. Puesto que la desestacionalizacin oficial de los ALP se realiza de forma
indirecta, por medio de la suma de componentes desestacionalizados, los problemas
anteriores han afectado a su desestacionalizacin. Desde 1985, la desestacionalizacin se
encuentra sometida a una incertidumbre especial.
Pero a pesar de que pueda ocurrir que, en algn ao, las tasas acumuladas de la serie
desestacionalizada sean ms errticas que las de la serie original, el resultado no deja de
ser perturbador. Quien realiza la politica monetaria a corto plazo (el demandante de la
serie desestacionalizada) demanda, creo yo, una suavizacn de la serie.
En consecuencia, rehice el ejercicio de Novales para las tasas acumuladas de las

cuatro series del Cuadro 12, para los aos 1979 a 1987 (cuatro primeros meses). El
Cuadro 15 compara las varianzas de las tasas acumuladas. Se observa que la desestacio-
nalizacin oficial disminuye la varianza todos los aos, excepto en 1985, 86 y cuatro
C ^ O ti1 E ^^^ ti ^ f' ^^ R I ( ) ti { O ^^
^rimeros meses del 87. En estos aos, por cierto, la varianza de la tasa acumulada de la
serie original disminuye drsticamente, de manera que las varianzas de la serie desesta-
cionalizada, aunque algo mayores, siguen siendo reducidas. Para la serie desestacionali-
zada obtenida mediante el mtodo del trabajo y mediante X 1 I A, en todos los aos sin
excepcin, las tasas acumuladas tienen una varianza ms pequea que la serie original.
La suavizacin de las tasas acumuladas de la serie desestacionalizada es particularmente
acentuada cuando se utiliza ei mtodo del trabajo.
Si se calculan las FAC de las distintas series de tasas, se observa de nuevo que la
reduccin de la varianza en la serie desestacionalizada va acompaada por una dismi-
nucin de la correlacin estacional, como se desprende de la segunda Fla del Cuadro
14. De nuevo, la desestacionalizacin cumple, a grandes rasgos, sus objetivos.
Lo que la crtica de Novales y la discusin anterior ponen de manifiesto no es una

crtica general a desestacionalizar serie, sino una debilidad del mtodo oficial de desesta-
cionalizacin indirecta seguido en el Banco. La razn por la que sta se realizaba de
Ctûclrc^ 15
VARIAN"LA DE LAS TASAS ACUMULADAS
Serie del Banco de Datos
Aos Serie Original Serie Desestacionalizada
M todo de 1
Oficial X1IA
Traba'o
J
1y79 17.5 11.5 2.7 4.2

$4 7.7 .3 .8 1.4
81 9.1 .6 1.4 2.3
^^ 8.0 .6 .5 .5
^3 17. 3 f^.4 4.1 8.9
^4 1 ?.8 1.3 1.5 3.9
^5 I.f^ 4.? .8 .6
^(^ 1.4 ^.8 .5 1.0
(^7) (f^.^) (^.4) (.1) (.2)
"IÔT,^ L 15.4 9.9 7.6 9.1
1 1: Sc^lo Ic^ti ^l ^rim^^rc^^ mc.^^,^^^.

I Oî r ^;^r 1r^^^^^^^^^^ t ^^^^^^cî ^
forma indirecta era que, por una parte, los componentes de ALP siguieron eomporta-
mientos relativamente estables durante varios aos y, en definitiva puesto que los
componentes de ALP tambin requieren factores, la desestacionalizacin indirecta
resulta ms sencilla. Por otra parte, la prediccin indirecta ha sido, durante estos aos,
ms ajustada que ia directa. La erraticidad de Cas tasas acumuladas de la serie oFcial
desestacionalizada induce a pensar que, quizs en aos de grandes cambias en los
componentes, la agregaein suaviza el efecto neto de esos carr ^ bias y produce series
desestaci^nalizadas ms estables. La discusin de Novales me ha sugerido, pues, una
posible manera de mejorar la desestacionalizacin oficial y por eso le estoy agradecido
(ms an cuando, como hemos visto, el defecto se soluciona utilizando el mtodo
descrito en el trabajo).
Puesto que, en su opinin, las tasas acumulaclas cê la serie desestacionalizada juegan
un papel importante, Novales sugiere que t^:ndra inters un cuadro con los errores de
estimacin asocic^dos con d^chas tasas. Linearizanda (c. l) por medio de (c.2), y utilizan-
cio un razonamiento silnilar al ciel Apndice B, es fcil ver que la varianza del error de
estimacin de la tasa acumulada hasta el mes t(t=1,..., 12), puede aproximarse por
V, - ? 88.10^. V^. (1-^^,^) / t'
doncie V,, es la ^ârianza cêl error de que se trate en la serie. El Cuadro f f^ mucstra la^
varianzas de (os errores de estimacin final y total, para la serie desestacionaliz^^î^^ ti lî
tencienc.ia, cie la tasa acurnulada para cada mes. (E1 cuadro se basa en el moîc.'lo î^'1
tr^^hajo}. La varianzî del estimîdor contemporneo supone que, a) acumular. p^lra los
mc:ses anteriores se mîntiene el estimador c,ont^'mparneo. Si se retiîsasen lo^ fîctores
mensualnênte, Itl varianrî ^1e1 cstimador conten^porneo sera un ^^Î^^r inte.'r^^^^.'^.iic^
entre la columna de la izquiercla ^^^ la columna dt la derecha del cuac^ro. Sc ^^hs^'r^ << <û^'.
c:uancô han iranscurrido 3 n^cses, lî v^trianza del error se hti rcîucidc^ î 1^î^ ,il ^^Î^^r
itli^Ìîl (^'^ c:^t.' lî tîtiî Tj); îl iCîl^ti^'UCC11' nlt'1^10 îilo, fiproXlllltit^îlllt'111t', lî ^^ll'1'.illl^l l^c.'1
^.'rror sc^ I^r^ recûciô î 1 I(). E n t^rminos ^lc.' ^^cs^îacic^n tpi^^^, cl error c,n Î c:stic^^î^1^^r
conteniportn^'o, îl îc.unûl^^r ^ nêses, ^.'s ^1c1 orden de 1.^ puntos porcîituîl^'s ^1^'
c.re^:i^^liento tiI1LI4Î, ^û^' ^^' rc^cûc^n ^t .^ ^^1 îc.ûiulîr fi ^t'ses.
('()MENTARI()S i^s
^'uuclrc^ 1 h
VARIANZA DE LOS ERRORES DE EST'IMACIQN
DE LAS TASAS ACU MU LADAS
Estimador Conternporneo Estimador Final
Serie Tenden- Serie Tenden-

Desestac. cia Desestac, cia
Ene. 5.00 6.34 2.41 2.76

Feh. 2.65 3.13 1.32 1.64
Mar. 1.68 1.92 .84 .97
Abr. 1.16 1.30 .57 ,65
May. .83 .93 .41 .45
Jun. .b 1 .67 .29 .33
Jul. .44 .50 .21 .24
Ago. .32 .36 .15 .17
Sep. .22 .2b .1 1 .12
C)ct. .l5 .l7 .07 .08
Nov. .08 .10 .03 .OS
1 ^. ^^11/11('l11C11'1(1.1 ^lilU1('.1^
Por ltimo, No^âles me pregunta las razones a favor y en contra de utilizar el aniisis
Box-Jenkins como metodologa de desestacionalizacin, frente a la expuesta en mi
trabaj. Pero el anlisis Box-Jenkins no es, en modo alguna, una metodologa de
desestacionalizacin. De hecho, el mtodo expuesto en el trabajo es la forma en que el
anlisis Box-Jenkins, enfocado hacia la prediccin, se extendi al campo de la desesta-
cionalizacin, como se ve claramente en Box, Hillmer y Tiao (1978, referenciado en el
trabajo). En definitva, se trata de contestar a dos preguntas relacionadas, pero
claramente distintas. U na es, al margen de la estacionalidad y posiblemente del ruido,
^donde estamos?, y la otra ^hacia donde vamos?.
M i contestacin se ha extendido ms de lo que esperaba y, an as, no he podido

.
abordar muchos de los puntos, ni habr podido despejar muchas de las reservas. Pero
quiero acabar resumiendo muy brevemente mi posicin. No pretendo yue el mtodo
descrito en el trabajo sea "el mejor", ni que haya resuelto todos los problemas; ni por
asomo. Pienso sin embargo que, en un tema sembrado de ambgiiedades, confusin y
dificultad, permite atacar los problemas de manera sistemtica y sensata. En ltima
instancia, para mi se ha convertido en un instrumento computacionalmente cmoda y
analticamente poderoso, con el que es posible trabajar confortablemente.
^ t^^ E^S i^.^>DISTICA E:5PAt1[..A
_. _ _ _ _ ___ _. _ _ _ _ _ _ _ _ __ ___ _ _. _... _ __ _ __ _ _
REFERENCIAS ADICiONALES
MARAYALL. A. { 1983): "An Application of Nonlinear Time Series Forecasting", Jot^rnul uJ^
Businc^ss ancl ^cvnomic .Statrstics. I , 66-74.
TsAY. R. S. y G. C. TIAO (1982): "Consistent Estimates of Autoregressive Parameters and Extended

Sample Autocorrelation Function for Stationary and Nonstationary ARMA Models", Technical
Report No. 683, University of Wisconsin. Madison, Department of Statistics.

970 790 114 - 1

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

970 790 114 - 1

Încărcat de

Drepturi de autor:

Formate disponibile

ESTADiSTICA ESPAOLA

nm. 1 14, 1987, pgs. 1 1 a S9

Descomposicin de series temparaies:

A Mara Teresa, mi generosa

Quiero aclarar que, aunque el articulo se centra en una metodologia concreta, no

Puesto que el trabajo se refiere a un periodo de mi actividad profesional, quiero

Un resumen en ingls de partes de este trabaj va a ser publicado en Maravall

La descomposicin de series temporales en componentes no-observables, y en particu-

La discusin se ilustra con la serie ALP, variable crucial en el control monetario. E1

Dicho brevemente, en el trabajo se presenta un mtodo relativamente eficiente de

l. ESPECIFICACION DEL MODELO

1.2. Los Modelos para los Componentes

2. UN MODELO DE REFERENCIA Y UN EJEMPLO

3.1. Estimadores con Error Cuadrtico Medio Mnimo

3.2. Los Modelos para los Estimadores

5. UN COMENTARIO FINAL: INTERVALOS DE CONFIANZA Y TASAS DE

APENDICE A: ESTIMADOR CON ERROR C'UADRATICO MEDIO MINIMO DE

UNA SENAL EN UNA SERIE TEMPORAL

APENDICE B: LINEARIZACION DE LAS TASAS INTERMENSUALES DE

As como la prediccin ha sido objeto de considerable atencin por parte de la

El tratamiento analtico deI tema de la desestacionalizacin se enfrenta a problemas

Sin embargo, X 1 1 presenta varias insufciencias. En primer lugar, en la medida en la

(dentro de las series que se desestacionalizan en el Servicio de Estudios del Banco de

En segundo lugar, la ausencia de un modelo detrs de X 1 1 dificulta el anlisis

Volviendo a la prediccin, gracias a Ios trabajos de Box y Jenkins, la dcada de los

l. ESPECIFICACION DEL MODELO

l.l. ^sqt^c^ma Genc^ral

Sea ^, una serie observable y supangamos que es la suma de varios componentes

^;r = ^;( B) a;r (1.2 )

^;(B) = p;(B) / ^; (B) , (1.3)

^(B) = H(B) ! c^^ (B) . (1.5)

a) Los polinornios autorregresivos +^;(B) no comparten raices en comn.

Teniendo en cuenta (1.1)-(1.3), z, puede expresarse como

^(B) = n ^; (B) , (1.6)

8(B) a, _ ^; 8^(B) ^; ( B} a;, + c(B)u, , (1.7)

cp^ ;'(B) _ ^(B) 1 ^^ ^(B} = n;,;^^ ^,(B) (1.8)

La expresin (1.6) nos dice que el polinomio autorregresivo para ^, es el producto de

.2. Lc^.^ 1%Iv^elns ^ara lo.^ C'^^nzpvnc^nt^s

Puesto que solamente se dispone de observaciones sobre ^,, un mtodo alternativo es

Sea una serie trmestraf que sigue el modelo

o,^ ^, _ ^,, (1.9 )

donde o^= 1- B`^. E 1 pseudoespectro de ^^, dado por

aparece representado en la Figura 1(en las referencias posteriores eliminaremos el

donde u, es un residua ruido blanco.

Las raices del polinamio autorregresivo (AR) (1-B') son

V 4 = (1- B) (1 +B) { 1 +B^) . (1.12)

(1-B) z^t = ^r(B) art

Considerando (1 .1 1} y(1 .13), zt puede expresarse como

a^ =(1+B) (1+B`} a,(B} a,t+(1-B) (1+8`) a^,(B) a,, +

Puesto que el lado izquierdo de (1.14) es ruido blanco, la autocorrelacin de orden

_ ^ 1+3 (1-a11)' + a^^ ^ J a^ + [ 1+3 {l+a,^)' + a',^ ^ c^^ +

+ 2(1 +a'^, + cz^fi, + a^ ^) rr_`'^ + 2 crr,

0 = 3(1-a^l)^ ^r - 3(1 +a, f)' _ a^f(1 _cx;,)' _i

0= 2(1 -a^ j)^ a^ + 2( l+a,l)'' ^, -[(l+a^,)`' + a^^

0=-a^i cr^+a^^ o-^^+a_^^o'^-cr^,,

Se obtiene as un sistenia de cinco ecuaciones con ocho incgnitas que tendr en

(1- ^3)^ ^, _ (1 +B)a^, . (1.1 ba)

Anlogamente, de ( i.13) y ( I. 15), se observa que K,(^1^) es monotnicamente creciente

( I +B).^ ^, _ { 1 - 8}a,t . (1.1 bb)

En cuanto al tercer componente, ^_;,, por razones de simetra, el cero en el espectro se

^ .3^ _ (1- B')u_;,

C onsiderando { 1.16} se observa que el requisito cannico ha identif^cado los par-

r^;'-az=rr/64, a^ =a/ lb, c^=3a/32. (1.17)