APUNTE Series - Temporales PDF

 FUOC • P01/71075/00227 26 Índices y series
2. Series temporales
2.1. Introducción
Sin duda, en el ámbito económico y empresarial se toman decisiones y se hacen

planificaciones sobre la base de predicciones o de expectativas de lo que sucederá
en el futuro. Así, por ejemplo, el trabajador, en el momento de negociar el incre-
mento salarial para el próximo año, hace una previsión de la inflación que habrá
con el fin de no perder poder adquisitivo; o el empresario que decide realizar una
determinada inversión para aumentar la dimensión de su empresa atendiendo a
previsiones favorables de incremento de la demanda de sus productos.
Estas previsiones o expectativas se pueden hacer de manera intuitiva (criterios

subjetivos) o mediante métodos cuantitativos (criterios objetivos) que siste-
maticen la información.
La intuición no siempre es el mejor sistema para hacer previsiones: aunque a menudo

puede servir, en muchas ocasiones ha causado errores importantes.
Una semana antes de que los hermanos Wright hiciesen volar el Kitty Hawk, en la editorial
del New York Times (10-12-1903) se podía leer: “Esperamos que el profesor Langley deje de
poner en peligro su altísimo prestigio científico malgastando tiempo y dinero en los expe-
rimentos aéreos. La vida es corta y él tiene capacidad de sobra para ofrecer a la humanidad
servicios mucho más útiles de los que se pueden esperar de las experiencias aéreas”.
Un largo anecdotario de errores desaconseja guiarse exclusivamente por la intuición. La es-

tadística aporta una metodología objetiva para la formulación científica de predicciones.
Los métodos cuantitativos se mueven alrededor del concepto de serie

temporal o cronológica, que no es más que un conjunto particular de
valores expresados en una distribución multidimensional donde una
de las variables es el tiempo, es decir, un conjunto de valores ordena-
dos en el tiempo.
La representación gráfica de la serie temporal ayudará, en primer lugar, a co-

nocer la evolución de los valores de la variable:
t Yt
1 Y1
2 Y2
3 Y3
... ...
T Y4
Por ejemplo, si consultamos el informe anual del BBV con respecto a los últi-
mos años, podemos anotar los siguientes valores de los “visitantes llegados a
España” desde el año 1986 hasta el año 1993:
Visitantes llegados a España (en miles)
1986 1987 1988 1989 1990 1991 1992 1993
Enero 1.985 2.178 2.412 2.513 2.676 2.375 2.659 2.824

Febrero 1.760 2.047 2.363 2.451 2.498 2.200 2.529 2.649
Marzo 2.627 2.373 2.920 2.877 2.861 3.119 2.868 2.919
Abril 2.646 3.338 3.505 3.613 3.840 3.364 4.119 4.304
Mayo 3.501 3.865 4.000 3.872 3.668 3.995 4.284 4.246
Junio 4.248 4.672 4.515 4.500 4.514 4.597 4.587 4.768
Julio 7.404 7.912 8.735 7.956 7.729 8.121 8.077 8.159
Agosto 9.103 9.376 9.684 9.452 9.224 9.842 9.941 10.163
Septiembre 5.253 5.369 5.816 5.548 5.388 5.592 5.927 6.177
Octubre 3.279 3.603 4.244 3.953 3.891 3.991 4.089 4.451
Noviembre 2.400 2.412 2.625 2.611 2.519 2.773 2.620 2.977
Diciembre 3.183 3.400 3.351 3.454 3.244 3.520 3.509 3.622
Si representamos gráficamente estos valores, tenemos:
y observamos cómo en la evolución de la variable hay cierto comportamiento

que se repite de forma sistemática a lo largo de los años; en particular, nota-
mos subidas en los meses de verano.
El objetivo de este apartado es describir la evolución de una variable en el trans-

curso del tiempo por medio de los métodos clásicos, es decir, determinar los
componentes típicos de las series que permiten, mediante la proyección de su
comportamiento histórico, hacer previsiones de su comportamiento futuro.
En este apartado sobre las series temporales aprenderéis:
• cómo se calcula la correlación serial,
• cómo se descomponen las series temporales,
• cuáles son los modelos que combinan sus componentes,
• cómo se determina y cómo se elimina la tendencia de una serie

temporal,
• cómo se determina y cómo se elimina la variación estacional de

una serie temporal.
Actividad
2.1. La inflación calculada para España y para el conjunto de la CEE de 1973 a 1983 fue:
Año España CEE
1976 19,8 11,9

1977 26,2 9,5
1978 18,8 7,3
1979 15,6 11,9
1980 15,0 11,8
1981 14,5 11,6
1982 14,0 8,4
1983 12,9 7,1
Representad en un mismo gráfico ambas series para poder apreciar la diferencial de in-
flación entre España y la CEE. Veréis cómo la serie correspondiente a España va por en-
cima de la de la CEE (ahora UE) y que la diferencial menor de inflación se da en el
periodo 1979-1981.
2.2. Correlación serial
Antes de entrar en el estudio de los componentes de una serie cronológica,

Recordad...
conviene mencionar el cálculo del coeficiente de correlación en modelos tem-
... la fórmula de correlación
porales. Ya sabéis cómo se tiene que calcular la correlación entre dos variables de Pearson
mediante la fórmula de Pearson; ahora también podemos calcular la correla- r = cov ( x, y )-
------------------------
S x Sy
ción de una variable en sí misma.
donde cov (x, y) es la covarianza
entre los valores x e y.
¿Hay relación entre los ingresos actuales de un individuo y los que tuvo el año
pasado? ¿Qué correlación existe entre la cifra de inversiones del sector auto-
movilístico en un año y la que se dio hace tres años?
El coeficiente de autocorrelación permite contestar éstas y otras cues-

tiones similares al vincular el valor de la variable en un momento t (Yt)
con su valor k periodos antes (Yt − k).
Su cálculo es:
S Y t , Yt – k
- con k = 0, 1, 2, ...
r k = -----------------
S Yt S Y t – k
con una lectura idéntica a la habitual del coeficiente de correlación de Pearson.
Actividad
2.2. Podéis demostrar fácilmente que para k = 0 el coeficiente de autocorrelación es

unitario.
Ejemplo
El importe recaudado por un determinado impuesto municipal desde 1980 ha

sido anualmente (en millones de u.m.):
47,2 47,4 48,0 49,2 49,3

50,1 51,2 52,3 53,6 54,6
55,0 55,4 55,7 56,8 57,8
Se trata de calcular la autocorrelación que presenta la serie con un retraso de

un periodo:
t Yt Yt − 1
1980 47,2 –
1981 47,4 47,2
1982 48,0 47,4
... ...
1992 55,7 55,4
1993 56,8 55,7
1994 57,8 56,8
1995 – 57,8
∑ Yt = 736,4
∑ Yt – 1 = 725,8
∑ Yt Yt – 1 = 38.324,87
∑ Yt2 = 38.886,48
∑ Yt2– 1 = 37.773,48
∑ Yt Y t – 1 ∑ Y t ∑ Y t – 1
- – ------------- × -----------------
----------------------
S Yt Yt – k T–1 T–1 T–1
r t = ------------------ = --------------------------------------------------------------------------------------------------
- =
S Yt S Yt – k
∑ ∑ ∑ Y t2– 1  ∑ Y t – 1 2
2
Y 2
t  Y t
------------- – ------------- ----------------- – -----------------
T – 1  T – 1 T–1  T–1 
38.324,87 736,4 725,8

--------------------------- – --------------- × ---------------
14 14 14
= --------------------------------------------------------------------------------------------------------------------------- = 0,992
38.886,48  736,4 37.773,48  725,8 2 2
--------------------------- – --------------- --------------------------- – ---------------
14  14  14  14 
El resultado muestra una dependencia lineal positiva con un alto grado de co-
rrelación de primer orden (k = 1).
Actividad
2.3. La siguiente serie corresponde al índice de valor añadido bruto al coste de los factores
de las empresas del sector de la construcción con referencia al año 1981:
Año Valor añadido Año Valor añadido
1981 100,00 1989 105,21

1982 101,23 1990 105,29
1983 101,48 1991 105,98
1984 99,97 1992 105,27
1985 103,11 1993 106,52
1986 103,65 1994 106,91
1987 104,02 1995 107,43
1988 102,98 1996 106,88
Queremos calcular las autocorrelaciones que presenta la serie con retrasos de uno, dos,
tres y cuatro años.
Si tenéis los datos originales y los diferidos en una hoja de cálculo, podréis comprobar
que presentan la siguiente disposición:
Valor añadido bruto (coste de factores)
Año VA(t) VA(t − 1) VA(t − 2) VA(t − 3) VA(t − 4)
1981 100,00 * * * *
1982 101,23 100,00 * * *
1983 101,48 101,23 100,00 * *
1984 99,97 101,48 101,23 100,00 *
1985 103,11 99,97 101,48 101,23 100,00
1986 103,65 103,11 99,97 101,48 101,23
1987 104,02 103,65 103,11 99,97 101,48
1988 102,98 104,02 103,65 103,11 99,97
1989 105,21 102,98 104,02 103,65 103,11
1990 105,29 105,21 102,98 104,02 103,65
1991 105,98 105,29 105,21 102,98 104,02
1992 105,27 105,98 105,29 105,21 102,98
1993 106,52 105,27 105,98 105,29 105,21
1994 106,91 106,52 105,27 105,98 105,29
1995 107,43 106,91 106,52 105,27 105,98
1996 106,88 107,43 106,91 106,52 105,27
1997 * 106,88 107,43 106,91 106,52
1998 * * 106,88 107,43 106,91
1999 * * * 106,88 107,43
2000 * * * * 106,88
Si ahora calculáis la autocorrelación rk (k = 1, 2, 3, 4) para los años en que no

hay datos missing, tenéis que encontrar los resultados siguientes:
Retraso (k) Coeficiente (rk)
1 0,872
2 0,850
3 0,835
4 0,994
También podríamos calcular la correlación serial entre dos variables no contem-

poráneas. Seguro que hay dependencia entre ingresos y gastos, pero es más alta si
calculamos los ingresos de un mes y los gastos del mes siguiente ( r YtXt – 1 ). Por otro
lado, las ventas pueden estar más relacionadas con la publicidad de hace uno, dos
o más meses ( r YtXt – 1 , r YtXt – 2 , ... ) que con la emitida en el mismo periodo ( r Y tXt ) .
El coeficiente de correlación serial entre dos variables con un retraso

de k periodos se obtiene por medio de la fórmula de Pearson:
S Y tX t – k
r YtXt – k = ------------------ con k = 0, 1, 2, ...
S Yt S Xt – k
Ejemplo
Las series que encontramos a continuación, con detalle trimestral, correspon-

den a la evolución de los salarios y de los precios en un país durante los últi-
mos dos años:
Periodo Índice de salarios Índice de precios
1.er trimestre de 1994 100 100

2.º trimestre de 1994 102 103
Calcularemos la correlación serial que presentan los salarios y:
– los precios, dos trimestres antes,

– los precios, un año antes.
t St Pt – 2 Pt – 4
1 100 – –
2 102 – –
3 106 100 –
4 110 103 –
5 118 106 100
6 120 112 103
7 120 116 106
8 122 118 112
9 – 121 116
10 – 125 118
11 – – 121
12 – – 125
De las medidas:
S t = 116 P t – 2 = 109,16
S St = 5,8877 S P t – 2 = 6,6438 S St S P t – 2 = 35,6
obtendremos la correlación serial con dos retrasos:
r St P t – 2 = 0,9118
Y con las nuevas medidas:
S t = 120 Pt – 4 = 105,25
S St = 1,4142 S P t – 4 = 4,4370 S St S Pt – 4 = 6
calcularemos la correlación serial entre salarios y precios con retraso de un año:
r St P t – 4 = 0,9562
Ambas correlaciones son altas, y lo es más la que se da entre St y Pt – 4.
2.3. Componentes de una serie temporal
Excepto algunos casos especiales que por sus características o por la cantidad
de información disponible presentan un mayor o menor número de compo-
nentes, éstos son normalmente cuatro en una serie cronológica de datos eco-
nómicos:
1) La tendencia secular (Tt) describe el comportamiento medio de la variable

a largo plazo.
En el próximo apartado estudiaremos algunos procedimientos para determi-

nar la tendencia, la cual puede presentar una forma lineal, cuadrática, etc., o
incluso la de una línea poligonal. De hecho, la tendencia sintetiza sin grandes
oscilaciones la trayectoria media de la serie a largo plazo a partir de una fun-
ción matemática o bien mediante otros procedimientos más simples:
p
2) El ciclo (Ct) está constituido por oscilaciones de la variable de periodicidad

grande (superior al año) y no es necesariamente constante.
Los ciclos económicos
Es el caso de los ciclos económicos que parece que se repiten a intervalos indeterminados
de años y que reproducen fases de crisis, de depresión, de recuperación, etc., en forma de
ciclos cortos (tres o cuatro años) o más largos (nueve o diez años).
El comportamiento del ciclo es, pues, de tipo ondulante, es decir, bascula haciendo zig-
zags alrededor de la tendencia secular y admite especificaciones a partir de funciones tri-
gonométricas de seno y de coseno, que ahora no vamos a estudiar.
3) El componente estacional (Et) presenta oscilaciones de corta duración (in-

feriores al año) bastante periódicas en la serie.
Las estaciones del año
Imaginaos la temperatura de cualquier municipio. Al margen de la existencia o no de

tendencia secular o de ciclo, el hecho es que se repiten las cuatro estaciones del año con
temperaturas diferenciadas: sistemáticamente, en invierno hace más frío que en prima-
vera, y en primavera hace más frío que en verano. Con independencia de la trayectoria
que muestren las ventas de abrigos y de la fase cíclica en la que nos encontremos, está Otro ejemplo...
claro que se trata de un producto de ventas claramente estacional. Más adelante estu-
diaremos cómo se pueden obtener estos índices de estacionalidad para describir el com- ... del componente estacional
portamiento de la serie en el transcurso del año. de algunos factores es la venta
de helados, a pesar de que los
Actividad empresarios intentan cambiar
los hábitos de la gente para
2.4. Sin necesidad de buscar datos ni de hacer cálculos estadísticos, contestad las siguien- que consuman helados duran-
te todo el año.
tes cuestiones de manera intuitiva:
a) El salario mínimo interprofesional ¿presenta una tendencia secular creciente?
b) Las inversiones en material bélico ¿constituyen un buen ejemplo del comportamiento

cíclico de las series temporales?
c) Las ventas de material escolar ¿son marcadamente estacionales?
d) Con el uso de invernaderos, ¿ha atenuado la producción de fresas la estacionalidad

que presentaba hace treinta años?
Encontraremos fácilmente una respuesta positiva a los cuatro supuestos planteados.
4) También existe un componente errático (Ut) que, como no sigue ninguna

El componente errático
norma ni tendencia, se atribuye al azar; presenta un comportamiento aleato-
Si analizásemos la evolución de
rio de difícil control y es el responsable de los valores anómalos –imprevistos– la Bolsa, veríamos qué grado de
sensibilidad tienen las cotizacio-
de la serie. nes en determinadas situacio-
nes que, por el hecho de no ser
estacionales, tenemos que con-
El balancín de la abuela siderar extraordinarias: una gra-
ve crisis de gobierno, una
Imaginad el balancín de la abuela; de vez en cuando lo empujáis, lo dejáis reposar, le dáis subida del tipo de interés por
un golpe fuerte con el pie, le dáis dos empujones más, etc. El resultado es una serie de parte del Bundesbank, etc.
vaivenes sin ningún tipo de pauta de comportamiento, que es equivalente a lo que nos Éstos y muchos otros factores
encontramos cuando representamos una serie y queremos detectar sus componentes. provocan el comportamiento
Ciertamente, la cuestión no es tan fácil de resolver; pensad, si no, por qué fallan tanto errático de muchas series eco-
las previsiones económicas. A pesar de todo, teorizar es sencillo y tenemos que continuar nómicas y la distorsión de los
trabajando sobre esta base para superar las limitaciones que comporta el estudio clásico datos.
de las series cronológicas.
Veamos en el gráfico que tenemos a continuación la sobreposición de estos

cuatro comportamientos, que no siempre son fáciles de detectar y aún menos
de separar.
2.4. Modelos clásicos de composición de las series
En este momento de la introducción al tema de las series temporales, partimos

del análisis más sencillo: el análisis clásico que considera la serie como el re-
sultado de cuatro componentes, alguno de los cuales podría no existir.
Esta concepción determinista, que no es la única que podríamos estudiar, se

basa en la relación que existe entre la variable y el tiempo, cuestión bastante
anómala si tenemos en cuenta que raramente el tiempo explica el comporta-
miento de variables económicas; el tiempo es más bien el soporte o la escala
de medida sobre la cual evolucionan las variables: PIB, paro, inversiones, etc.,
pero casi en ninguna ocasión existe una relación de causalidad.
A pesar de esto, suponemos que los componentes están relacionados con el tiem-
po y que diferentes criterios de composición dan lugar a la serie cronológica.
La hipótesis aditiva supone que los componentes quedan concatena-

dos por agregación:
Yt = Tt + Ct + Et + Ut
Un ejemplo de modelo aditivo es el que presenta la serie de consumo de

energía eléctrica en el periodo 1984-1992 (base: 1984 = 100), extraída de la
publicación del Ministerio de Economía y Hacienda Síntesis Mensual de In-
dicadores Económicos.
Otra posibilidad es admitir que cada componente ejerce un efecto pro-

porcional sobre los otros y que influye sobre el comportamiento de la
serie según una hipótesis multiplicativa:
Yt = Tt × Ct × Et × Ut
Un ejemplo real de una serie que sigue un esquema multiplicativo es la de las

ventas en grandes almacenes en el periodo 1984-1990 (base: 1963 = 100), extraí-
da de la publicación del Instituto Nacional de Estadística (INE) Indicadores men-
suales de Coyuntura y que se representa gráficamente a continuación:
Observad ahora cómo los zig-zags presentan un efecto explosivo y las oscila-
ciones aumentan a medida que lo hace la tendencia; esto no ocurre en la serie
del consumo de energía que hemos visto con anterioridad. De hecho, sin em-
Una pequeña
bargo, podríamos transformar las ventas de los grandes almacenes en una orientación...
hipó-tesis aditiva escalando la serie logarítmicamente. ... para intentar determinar los
criterios de composición de las
series temporales es fijarnos,
Es necesario decir, también, que podríamos especificar otros criterios de compo- en el gráfico que tengamos, en
sición e incluso formas mixtas multiplicativoaditivas, aunque no merece la pena las fluctuaciones de la serie. Si
a lo largo de la serie son más o
insistir en un enfoque que empieza a ser superado por otros tipos de análisis. La menos regulares, el esquema
será aditivo. En cambio, si la
mayor dificultad será acertar por lo que respecta a la hipótesis de comportamien- anchura de la fluctuación varía
con la tendencia (aumenta al
to, cuestión para la cual no existen fórmulas milagrosas y que depende sobre todo crecer la tendencia o disminu-
de la naturaleza de la serie. ye al decrecer), el esquema
será multiplicativo.
2.5. Medias móviles para determinar la tendencia
Hay muchos procedimientos para obtener la tendencia de una serie cronológi-

ca: desde el cálculo de valores medios que suavicen las variaciones zigzaguean-
tes hasta los métodos analíticos de ajuste matemático.
De todos modos, podría ser interesante utilizar algún procedimiento gráfico

que, como primera aproximación, presente a grandes rasgos la tendencia. Con
criterios geométricos se puede obtener una traza media de la serie que ajuste
su comportamiento y que facilite la aplicación de métodos más ortodoxos.
El método de las medias

El método de las medias móviles consiste en unir los puntos medios móviles...
que resultan de considerar datos consecutivos de anchura fija. De esta ... podríamos decir que es un
método de alisado: atenúa
manera, sustituimos la serie original por su comportamiento medio con las variaciones de la serie elimi-
una línea poligonal de variaciones más atenuadas. nando o suavizando sus com-
ponentes.
Con series largas de datos anuales se pueden identificar las oscilaciones cíclicas
de cada periodo aproximado de años, dato que podemos utilizar como inter-
valo para el cálculo de la media, de manera que el valor obtenido sea un centro
de posición de todas las fases del ciclo; de forma consecutiva, se calculan otros
valores centrales mediante la recopilación de nuevos datos y de descartar los
más antiguos, manteniendo siempre una anchura temporal constante.
Si suponemos la serie Yt , que presenta máximos y mínimos relativos cada tres

años, será fácil conseguir la tendencia con una media móvil de anchura igual
a tres:
t Yt Yt
1 Y1 –
2 Y2 Y 2 = 1/3 (Y1 + Y2 + Y3)
3 Y3 Y 3 = 1/3 (Y2 + Y3 + Y4)
4 Y4 Y 4 = 1/3 (Y3 + Y4 + Y5)
5 Y5 Y 5 = 1/3 (Y4 + Y5 + Y6)
... ... ...
Cuando los datos presentan una periodicidad inferior al año (meses, tri-
mestres, etc.), se acostumbra a tomar todo un año como anchura para sua-
vizar el efecto de la estacionalidad. Así, para observaciones mensuales, las
medias móviles tomarían doce observaciones, y para observaciones trimes-
trales, cuatro.
Incluso se puede reiterar el cálculo de las medias sobre las medias anteriores,
de manera que se consiga suavizar todavía más la tendencia con medias mó-
viles dobles, cuestión que admite más etapas sucesivas.
Es especialmente recomendable una segunda etapa de medias móviles

cuando en la primera hemos tomado una anchura de observaciones
pareja; la media obtenida se sitúa a caballo entre dos periodos y hay
que reiterar el cálculo, ahora con dos datos, para centrar los valores de
la tendencia.
Veamos en el siguiente gráfico el resultado de aplicar medias móviles sobre da-

tos mensuales utilizando la serie que corresponde a las ventas en grandes al-
macenes que hemos presentado anteriormente:
En primer lugar, hemos calculado medias de doce meses de anchura y, poste-

riormente, medias para cada dos medias anteriores.
Ejemplo
Las importaciones de mercancías referidas a 1970, valoradas en dólares, dan

lugar a la siguiente serie de números índices de 1963 a 1976.
Año Importaciones Año Importaciones
1963 45.123 1970 100.000

1964 51.021 1971 99.288
1965 65.619 1972 125.201
1966 79.665 1973 139.341
1967 78.609 1974 143.355
1968 84.485 1975 140.464
1969 96.190 1976 153.385
Obtendremos la tendencia secular utilizando medias móviles de anchura tri-

anual, cuadrienal y quinquenal.
a) Si realizamos una anchura trianual, los cálculos resultan de operaciones del

tipo
T ( 69 ) = 84.485 + 96.190 + 100.000- = 93.558

-------------------------------------------------------------------------
3
Año Tendencia Año Tendencia
1963 - 1970 98.492

1964 53.921 1971 108.163
1965 65.435 1972 121.306
1966 74.631 1973 135.995
1967 80.919 1974 141.083
1968 86.428 1975 145.734
1969 93.558 1976 -
b) Si consideramos una anchura de cuatro años, encontraremos un primer valor

medio de:
45.123 + 51.021 + 65.619 + 79.665

------------------------------------------------------------------------------------------------ = 60.357
4
que situaremos entre los años 1964 y 1965.
El segundo valor medio es:
51.021 + 65.019 + 79.665 + 78.609- = 68.729

-----------------------------------------------------------------------------------------------
4
que situaremos a caballo de los años 1965 y 1966. Si calculamos la media de

estos resultados, obtendremos el valor de la tendencia para el año 1965:
60.357 + 68.729
T ( 64 ) = --------------------------------------------- = 64.543
2
1963 – 1970 100.079

1964 – 1971 110.574
1965 64.543 1972 121.399
1966 72.911 1973 131.965
1967 80.915 1974 140.635
1968 87.279 1975 –
1969 92.405 1976 –
c) Y, de manera muy sencilla, obtendremos la tendencia con medias móviles

de cinco periodos:
1963 1970 101.032

1964 1971 112.022
1965 64.007 1972 121.455
1966 71.879 1973 129.547
1967 80.913 1974 140.367
1968 87.789 1975 -
1969 91.714 1976 -
Actividad
2.5. Desde 1964 hasta 1983, las viviendas construidas en una gran zona metropolitana
han sido las siguientes:
Año Número de viviendas Año Número de viviendas
1964 2.908 1974 6.504

1965 5.115 1975 2.162
1966 3.558 1976 4.078
1967 3.374 1977 5.937
1968 4.562 1978 7.019
1969 4.259 1979 3.852
1970 3.001 1980 4.084
1971 3.646 1981 3.602
1972 5.990 1982 3.630
1973 6.432 1983 5.565
Sobre el mismo gráfico de la serie representad la tendencia secular calculada con medias
móviles de anchura quinquenal.
Veréis cómo la tendencia representa una línea con oscilaciones más pequeñas que tradu-
ce el comportamiento medio de la serie: T66 = 3.903,4; T67 = 4.173,6; T68 = 3.750,8; etc.
En este punto, no está de más hacer referencia a la conveniencia de

utilizar hojas de cálculo (Works, Excel...) para encontrar la tendencia se-
cular de una serie temporal mediante el cálculo de las medias móviles su-
cesivas. La disposición por columnas y por filas propia de las hojas de
cálculo, combinada con la utilización de las fórmulas adecuadas, además
del potencial gráfico del que disponemos, hace de estas hojas una herra-
mienta imprescindible en el tratamiento y en el análisis de las series cro-
nológicas.
2.6. Ajuste matemático para determinar la tendencia
Otro procedimiento para obtener la tendencia es el ajuste de la serie a una fun-

ción matemática que presente buena adherencia, es decir, como si planteáse-
mos una regresión de Yt sobre la variable explicativa t.
Como ya sabéis, es posible determinar la recta de regresión

que vincula Yt y t:
Yˆ t = α̂ + β̂ ⋅ t
donde Yˆ t tiene la consideración de tendencia lineal (Tt), α̂

corresponde a una estimación de la tendencia en el origen
y β̂ es la estimación de la tasa de crecimiento de la serie.
Todas las consideraciones que hicimos por lo que res-

pecta a los modelos de regresión lineal simple son ahora
válidas para estimar la tendencia secular: error estándar
de los parámetros, bondad del ajuste, contrastes de hi-
pótesis, etc., y serían perfectamente evaluables en la es-
timación de la tendencia.
Lógicamente, caben otras funciones, de tipo no lineal, que

podrían ser buenas especificaciones para la tendencia. Es el
caso de datos con trayectoria exponencial, para los cuales
sería más correcto definir otros tipos de relaciones, como
por ejemplo:
ˆ ˆ t
Y t = α̂ × t β̂ Y t = α̂ × β̂
Como hemos visto en el curso anterior, se pueden transformar con facilidad en

funciones lineales a escala logarítmica.
Es evidente que hay muchos otros tipos de funciones que pueden ser aproxi-
maciones válidas para la tendencia: ecuaciones parabólicas, hiperbólicas, etc.
Nos centraremos, sin embargo, en las formas lineales ya mencionadas, que
son, con diferencia, las más utilizadas.
Actividades
2.6. Es posible que, al tomar un periodo corto de observaciones, se confunda la trayecto-

ria de la variable a largo plazo con algunas fases del ciclo.
¿Qué habría pasado en el ejemplo anterior si hubiésemos estimado la tendencia sólo con
datos del periodo 1974-1981? Sin tener que rehacer ningún cálculo, planteaos esta cues-
tión y argumentad la necesidad de trabajar con series largas cuando lo que queremos es
determinar su tendencia.
2.7. Utilizando el ajuste matemático en una recta tenéis que obtener la tendencia del
consumo de gasolina observada en un país en los últimos quince años.
Año Consumo Año Consumo
1981 6.104 1989 6.279

1982 6.112 1990 6.321
1983 6.118 1991 6.327
1984 6.132 1992 6.356
1985 6.195 1993 6.394
1986 6.197 1994 6.457
1987 6.231 1995 6.501
1988 6.254
Utilizando el paquete estadístico encontraréis la estimación Y = 4.923,5 + 2.792t, que pre-

senta una alta bondad de ajuste (0,974).
2.8. La siguiente serie recopila los días de lluvia en un observatorio desde 1928 hasta 1995:
Días Días Días

Año Año Año
de lluvia de lluvia de lluvia
1928 24 1951 21 1974 15

1929 19 1952 16 1975 19
1930 18 1953 17 1976 19
1931 27 1954 22 1977 21
1932 17 1955 19 1978 24
1933 20 1956 20 1979 25
1934 19 1957 19 1980 15
1935 27 1958 16 1981 17
1936 21 1959 16 1982 17
1937 27 1960 18 1983 21
1938 24 1961 19 1984 24
1939 21 1962 21 1985 25
1940 24 1963 16 1986 19
1941 26 1964 14 1987 19
1942 18 1965 15 1988 17
1943 20 1966 14 1989 20
1944 18 1967 14 1990 17
1945 22 1968 25 1991 20
1946 24 1969 15 1992 25
1947 18 1970 16 1993 25
1948 22 1971 15 1994 24
1949 24 1972 19 1995 21
1950 23 1973 15
Tenéis que obtener la tendencia secular por ajuste a una recta de regresión. Veréis que os
sale:
días de lluvia= 77,6 – 0,0294 año

(43,82) (0,02234)
σ̂ = 3,616 R2 = 0,026
Podéis comprobar con facilidad que la serie mencionada no tiene tendencia lineal por-
que no presenta una pendiente suficientemente significativa.
2.7. Eliminación de la tendencia
Para poder analizar por separado cada componente de una serie, tendríamos
que depurarla de los otros factores que intervienen. Imaginemos que quere-
mos estudiar el ciclo de una serie que, además, presenta una tendencia a largo
plazo; en el comportamiento de la variable inciden el efecto tendencial y el cí-
clico, o quizá más. En este caso, hay que eliminar la tendencia de la serie ori-
ginal para poder analizar propiamente el comportamiento del ciclo (o de la
estacionalidad, si fuese éste el caso). Ciertamente, el punto álgido y el punto

crítico del ciclo no tienen que coincidir de manera forzosa con el máximo y
con el mínimo de la serie inicial.
Veamos qué pasaría si eliminásemos la pendiente de la serie temporal siguiente:
Una vez que hemos eliminado la tendencia, los datos tienen un comporta-
miento zigzagueante alrededor de una línea sin pendiente y se pueden estu-
diar los otros componentes.
Para eliminar la tendencia asumiendo la hipótesis aditiva, únicamente

tendremos que restar de la serie original los valores que presenta la ten-
dencia: Yt − Tt .
Así, en el caso de una trayectoria lineal obtenida mediante un ajuste

matemático, los errores de la regresión constituirían la nueva serie sin
tendencia: et = Yt − Ŷ t
Ejemplo
Los gastos de representación de los agentes comerciales de una compañía

se muestran en la siguiente serie de 1990 hasta 1995, expresados en miles
de dólares:
Año 1990 1991 1992 1993 1994 1995
Gastos 967 1.560 1.353 1.621 2.253 2.710
Supuesta una trayectoria lineal para la variable en el transcurso del tiempo,

queremos calcular su tendencia secular y eliminarla de la serie original con la
hipótesis aditiva.
Si situamos el origen del tiempo dentro del año 1990 (podríamos haber utili-
zado cualquier otra opción como variable independiente, o incluso los años
naturales), tenemos que, utilizando las expresiones que ya conocéis o bien con
el auxilio del paquete estadístico:
t Yt Ŷ t = 953,86 + 316,06t et = Yt − Ŷ t
0 967 Y0 = 953,86 + (316,06 × 0) = 953,86 13,1

1 1.560 Y1 = 953,86 + (316,06 × 1) = 1.269,92 290,0
2 1.353 Y2 = 953,86 + (316,06 × 2) = 1.585,98 –232,8
3 1.621 Y3 = 953,86 + (316,06 × 3) = 1.902,04 –281,0
4 2.253 Y4 = 953,86 + (316,06 × 4) = 2.218,10 34,9
5 2.710 Y5 = 953,86 + (316,06 × 5) = 2.534,16 175,8
donde Ŷ t contiene los valores estimados para la tendencia en cada periodo y

Yt − Ŷ t ,que se corresponde con los errores del ajuste, representa la serie des-
pués de haber eliminado el componente tendencial.
Si hubiésemos planteado una configuración multiplicativa para los fac-

tores, la eliminación de la tendencia resultaría de la operación Yt /T.
Ejemplo
La relación real de intercambio que presentan los precios agrícolas de un país

en su comercio exterior ha sido, por trimestres y a lo largo de cinco años:
Trimestre Año
1 2 3 4 5
Primer 95,8 78,2 78,1 74,5 74,2

Segundo 96,4 78,7 79,0 75,2 75,0
Tercer 84,1 78,0 75,4 74,1 74,2
Cuarto 81,2 78,0 74,9 73,6 74,2
Obtendremos la tendencia secular por medias móviles de anchura anual y rei-

teraremos el cálculo de medias –ahora de anchura igual a dos trimestres– para
centrar su resultado:
Trimestre Año
1 2 3 4 5
Primer – 80,04 77,70 74,82 74,22

Segundo – 78,82 74,46 74,46 74,24
Tercer 87,14 78,20 74,32 74,32 –
Cuarto 83,72 78,36 74,42 74,42 –
Si asumimos la hipótesis multiplicativa, obtenemos nuevos datos sin tenden-

cia dividiendo los valores de la serie original por los de la tendencia que aca-
bamos de calcular:
Trimestre Año
1 2 3 4 5
Primer – 0,977 1,005 0,995 0,999

Segundo – 0,998 1,024 1,009 1,010
Tercer 0,965 0,997 0,987 0,997 –
Cuarto 0,969 0,995 0,988 0,988 –
donde hemos tenido en cuenta que:
84,1 81,2
0,965 = --------------- 0,969 = --------------- etc.
87,14 83,72
Ahora el comportamiento variante de los datos ya no se debe a la tendencia;

en todo caso, será imputable a la estacionalidad o a variaciones irregulares im-
previstas.
2.8. Variación estacional
Con los datos eliminados de la tendencia secular y del componente cíclico, en

el caso de su existencia (cuestión que, como ya hemos dicho, no estudiaremos
en este curso), resulta fácil obtener los índices de la variación estacional.
La serie se nos presenta ya depurada; su comportamiento oscilante sólo se

debe al efecto coyuntural de la estacionalidad y a la posible acción de elemen-
tos irregulares y erráticos a los cuales no nos podemos sustraer.
La indización de los valores medios de cada mes, trimestre o periodo

intraanual referidos a la media de todo el año proporciona las medidas
de estacionalidad y permite determinar la relevancia de la variable
para cada época del año.
Ejemplo
En el último ejercicio resuelto hemos calculado y hemos eliminado la tenden-

cia de los precios del comercio exterior agrario. Ahora estamos en condiciones
de calcular los índices trimestrales.
Media trimestral de la serie tras haber eliminado la tendencia:
0,977 + 1,005 + 0,995 + 0,999

1.er trimestre --------------------------------------------------------------------------------- = 0,9940
4
0,998 + 1,024 + 1,009 + 1,010
2.º trimestre --------------------------------------------------------------------------------- = 1,0103
4
0,965 + 0,997 + 0,987 + 0,987
3.er trimestre --------------------------------------------------------------------------------- = 0,9865
4
0,969 + 0,995 + 0,988 + 0,988
4.º trimestre --------------------------------------------------------------------------------- = 0,9850
4
lo cual implica una media trimestral al año de:
0,9940 + 1,0103 + 0,9865 + 0,9850

----------------------------------------------------------------------------------------------- = 0,9939
4
Si fijamos esta media como referencia, podemos calcular los índices de cada
trimestre con respecto a la media anual trimestral, lo cual representa muy poca
variación trimestral y unos cambios poco significativos en las diferentes épo-
cas del año. En el 2.º trimestre se dan los precios más altos: un 1,65% más de
lo que es habitual durante todo el año. Los precios más bajos se sitúan en el
4.º trimestre y están un 0,90% por debajo del comportamiento medio.
Trimestre Índice
Primer (0,9940/0,9939) × 100 =100,00

Segundo (1,0103/0,9939) × 100 =101,65
Tercer (0,9865/0,9939) × 100 = 99,25
Cuarto (0,9850/0,9939) × 100 = 99,10
Actividad
2.9. Unos grandes almacenes tienen una sección fija de rebajas y oportunidades durante
todo el año. Las ventas de los últimos cuatro años registradas cada trimestre han sido (en
millones de u.m.):
Trimestre Año
1992 1993 1994 1995
Primer 47 49 53 60
Segundo 29 31 31 36
Tercer 8 10 12 14
Cuarto 10 18 16 22
1) Encontrad los valores de la tendencia a partir de medias móviles de anchura anual.

2) Eliminad la serie original de tendencia secular mediante la hipótesis multiplicativa.
3) Calculad los índices de variación trimestral.
La estimación de la tendencia os debe proporcionar el cuadro que vemos a continuación:
Trimestre Año
1992 1993 1994 1995
Primer - 24,75 28,25 31,25

Segundo - 26 28,25 32,25
Tercer 23,75 27,5 28,87 -
Cuarto 24,25 28 30,37 -
La serie eliminada de tendencia os debe dar:
Trimestre Año
1992 1993 1994 1995
Primer - 1,979 1,876 1,920

Segundo - 1,192 1,097 1,116
Tercer 0,336 0,363 0,415 -
Cuarto 0,412 0,642 0,526 -
Y los índices de variación trimestral tienen que ser:
Trimestre Índice
Primer 194,6
Segundo 114,7
Tercer 37,5
Cuarto 53,2
2.9. Eliminación de la estacionalidad
En algunos casos puede resultar muy útil desproveer la serie del com-
ponente estacional de manera que no le afecten las variaciones inte-
ranuales que se producen; así, la serie permite el estudio de otros
componentes, que son los que marcan la evolución a largo y medio
plazo.
Igual que hemos hecho para eliminar la tendencia, ahora podríamos des-
estacionalizar la serie, ya sea asumiendo una estructura aditiva de los
componentes (yt − Et) o bien multiplicativa (Yt/Et); esta última es la con-
figuración más frecuente.
Actividades
2.10. Disponemos de los siguientes datos semestrales relativos al número de expedicio-

nes de una nave industrial:
Semestre 1992 1993 1994 1995
1 1.028 1.045 1.059 1.102

2 814 841 902 913
Para poder analizar la evolución de la variable, independientemente del semestre obser-

vado, hemos encontrado los índices de variación estacional asumiendo la hipótesis mul-
tiplicativa:
Semestre Índice
1 1,1055
2 0,8945
Eliminad los datos originales de estacionalidad y encontraréis una nueva serie de valores
que no están afectados por el factor de semestralidad:
Serie desestacionalizada
Semestre 1992 1993 1994 1995
1 929,896 945,274 957,938 996,834

2 910,006 940,190 1.008,385 1.020,682

APUNTE Series - Temporales PDF

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

APUNTE Series - Temporales PDF

Încărcat de

Drepturi de autor:

Formate disponibile

 FUOC • P01/71075/00227 26 Índices y series

Sin duda, en el ámbito económico y empresarial se toman decisiones y se hacen

Estas previsiones o expectativas se pueden hacer de manera intuitiva (criterios

La intuición no siempre es el mejor sistema para hacer previsiones: aunque a menudo

Un largo anecdotario de errores desaconseja guiarse exclusivamente por la intuición. La es-

Los métodos cuantitativos se mueven alrededor del concepto de serie

La representación gráfica de la serie temporal ayudará, en primer lugar, a co-

Visitantes llegados a España (en miles)

1986 1987 1988 1989 1990 1991 1992 1993

Enero 1.985 2.178 2.412 2.513 2.676 2.375 2.659 2.824

Si representamos gráficamente estos valores, tenemos:

y observamos cómo en la evolución de la variable hay cierto comportamiento

El objetivo de este apartado es describir la evolución de una variable en el trans-

En este apartado sobre las series temporales aprenderéis:

• cómo se calcula la correlación serial,

• cómo se descomponen las series temporales,

• cuáles son los modelos que combinan sus componentes,

• cómo se determina y cómo se elimina la tendencia de una serie

• cómo se determina y cómo se elimina la variación estacional de

Año España CEE

1976 19,8 11,9

2.2. Correlación serial

Antes de entrar en el estudio de los componentes de una serie cronológica,

El coeficiente de autocorrelación permite contestar éstas y otras cues-

con una lectura idéntica a la habitual del coeficiente de correlación de Pearson.

2.2. Podéis demostrar fácilmente que para k = 0 el coeficiente de autocorrelación es

El importe recaudado por un determinado impuesto municipal desde 1980 ha

47,2 47,4 48,0 49,2 49,3

Se trata de calcular la autocorrelación que presenta la serie con un retraso de

38.324,87 736,4 725,8

Año Valor añadido Año Valor añadido

1981 100,00 1989 105,21

Valor añadido bruto (coste de factores)

Año VA(t) VA(t − 1) VA(t − 2) VA(t − 3) VA(t − 4)

Si ahora calculáis la autocorrelación rk (k = 1, 2, 3, 4) para los años en que no

Retraso (k) Coeficiente (rk)

También podríamos calcular la correlación serial entre dos variables no contem-

El coeficiente de correlación serial entre dos variables con un retraso

Las series que encontramos a continuación, con detalle trimestral, correspon-

Periodo Índice de salarios Índice de precios

1.er trimestre de 1994 100 100

Calcularemos la correlación serial que presentan los salarios y:

– los precios, dos trimestres antes,

obtendremos la correlación serial con dos retrasos:

Y con las nuevas medidas:

calcularemos la correlación serial entre salarios y precios con retraso de un año:

Ambas correlaciones son altas, y lo es más la que se da entre St y Pt – 4.

2.3. Componentes de una serie temporal

1) La tendencia secular (Tt) describe el comportamiento medio de la variable

En el próximo apartado estudiaremos algunos procedimientos para determi-

2) El ciclo (Ct) está constituido por oscilaciones de la variable de periodicidad

Los ciclos económicos

3) El componente estacional (Et) presenta oscilaciones de corta duración (in-

Las estaciones del año

Imaginaos la temperatura de cualquier municipio. Al margen de la existencia o no de

a) El salario mínimo interprofesional ¿presenta una tendencia secular creciente?

b) Las inversiones en material bélico ¿constituyen un buen ejemplo del comportamiento

c) Las ventas de material escolar ¿son marcadamente estacionales?

d) Con el uso de invernaderos, ¿ha atenuado la producción de fresas la estacionalidad

Encontraremos fácilmente una respuesta positiva a los cuatro supuestos planteados.

4) También existe un componente errático (Ut) que, como no sigue ninguna

Veamos en el gráfico que tenemos a continuación la sobreposición de estos

2.4. Modelos clásicos de composición de las series