ECONOMETRÍA APLICADA DE

SERIES TEMPORALES
CAPÍTULO ​ 1   
ECUACIONES DIFERENCIALES
Objetivos de aprendizaje:

1. Explicar cómo las ecuaciones diferenciales estocásticas pueden ser usadas para la
previsión e ilustración de cómo las ecuaciones pueden surgir de modelos
económicos familiares.
2. Explicar qué significa resolver una ecuación diferencial.
3. Demostrar cómo encontrar la solución a una ecuación diferencial estocástica usando
el método iterativo.
4. Demostrar cómo encontrar una solución homogénea a una ecuación diferencial.
5. Ilustrar el proceso de encontrar la solución homogénea.
6. Mostrar cómo encontrar soluciones homogéneas en ecuaciones de alto rango.
7. Mostrar cómo encontrar una solución particular a una ecuación diferencial
determinista.
8. Explicar cómo usar el Método de Coeficientes Indeterminados para encontrar la
solución particular a una ecuación diferencial estocástica.
9. Explicar cómo usar operadores de rezagos para encontrar la solución particular a
una ecuación diferencial estocástica.

INTRODUCCIÓN

La teoría de las ecuaciones diferenciales subyace a todos los métodos de series

temporales empleados en capítulos posteriores de este texto. Es preciso mencionar
que la econometría de series temporales se refiere a la estimación de ecuaciones
diferenciales que contienen componentes estocásticos. El uso tradicional del análisis
de series temporales fue pronosticar la ruta de tiempo de una variable. Descubrir el
camino dinámico de una serie mejora los pronósticos ya que los componentes
predecibles de la serie pueden extrapolarse al futuro. El creciente interés en la
dinámica económica ha dado un nuevo énfasis a la econometría de series
temporales. Las ecuaciones diferenciales estocástica surgen de manera bastante
natural de modelos económicos dinámicos. Las ecuaciones estimadas
apropiadamente pueden usarse para la interpretación de datos económicos y para la
prueba de hipótesis.
 MODELOS DE SERIES TEMPORALES

La tarea que enfrenta el econométrico moderno de series temporales es desarrollar

modelos razonablemente simples capaces de pronosticar, interpretar y probar hipótesis
sobre datos económicos. El desafío ha crecido con el tiempo; el uso original de series
temporales fue principalmente una ayuda para la predicción. Como tal, se desarrolló una
metodología para descomponer una serie en un componente de tendencia, estacional,
cíclico e irregular. El componente de tendencia representaba el comportamiento a largo
plazo de la serie y el componente cíclico representaba los movimientos periódicos
regulares. El componente irregular era estocástico y el objetivo del econométrico era
estimar y pronosticar este componente.

Supongamos que observa los 50 puntos de datos mostrados en la Figura 1.1 y está
interesado en pronosticar los valores posteriores. Usando los métodos de series temporales
discutidos en los próximos capítulos, es posible descomponer esta serie en los
componentes de tendencia estacionales e irregulares que se muestran en el panel inferior
de la figura. Como puede ver, la tendencia cambia la media de la serie, y el componente
estacional imparte un patrón cíclico regular con picos que ocurren cada doce unidades de
tiempo. En la práctica, la tendencia y los componentes estacionales no serán las funciones
deterministas simplistas que se muestran en esta figura. La visión moderna sostiene que
una serie contiene elementos estocásticos en los componentes de tendencia, estacionales e
irregulares. Por el momento, es aconsejable evitar estas complicaciones para que la
proyección de la tendencia y los componentes estacionales en los períodos 51 y posteriores
sea sencilla. Observe que el componente irregular, aunque carece de un patrón bien
definido, es algo predecible. Si examina la figura de cerca, verá que los valores positivos y
negativos ocurren en series; la ocurrencia de un gran valor en cualquier período tiende a ser

FIGURA 1.1​ Series temporales hipotéticas

seguido de otro gran valor. Los pronósticos a corto plazo harán uso de esta correlación
positiva en el componente irregular. Sin embargo, en todo el tramo, el componente irregular
muestra una tendencia a volver a cero. Como se muestra en la parte inferior, la proyección
del componente irregular pasado el período 50 decae rápidamente hacia cero. El pronóstico
general, que se muestra en la parte superior de la figura, es la suma de cada componente
pronosticado.

La metodología general utilizada para hacer tales pronósticos implica encontrar la ecuación
de movimiento que impulsa un proceso estocástico y usar esa ecuación para predecir
resultados posteriores. Deje yt denotar el valor de un punto de datos en el período t; Si
usamos esta notación, el ejemplo de la Figura 1.1 supone que observamos y1 mediante
y50. Para t = del 1 al 50, las ecuaciones de movimiento utilizadas para construir
componentes de la serie yt son:

Tendencia: Tt = 1 + 0.1t
Estacional: St = 1.6 sin(tπ⁄6)
Irregular: It = 0.7It−1 + εt

Donde:
Tt = valor del componente de tendencia en el período t
St = valor del componente estacional en t
It = el valor del componente irregular en t
εt = una perturbación aleatoria pura en t

Por lo tanto, la perturbación irregular en t es el 70% de la perturbación irregular del período

anterior más un término de perturbación aleatorio.
Cada una de estas tres ecuaciones es un tipo de ecuación de diferencia. En su forma más
general, una ecuación de diferencia expresa el valor de una variable en función de sus
propios valores rezagados, tiempo y otras variables. La tendencia y los términos
estacionales son ambos funciones de tiempo y el término irregular es una función de su
propio valor rezagado y de la variable estocástica εt. La razón para introducir este conjunto
de ecuaciones es señalar que la econometría de series temporales se ocupa de la
estimación de ecuaciones diferenciales que contienen componentes estocásticos. El
econométrico de series temporales puede estimar las propiedades de una sola serie o un
vector que contiene muchas series interdependientes. En el texto se presentan métodos de
pronóstico tanto univariados como multivariados. El Capítulo 2 muestra cómo estimar la
parte irregular de una serie. El Capítulo 3 considera estimar la varianza cuando los datos
exhiben períodos de volatilidad y tranquilidad. La estimación de la tendencia se considera
en el Capítulo 4, que se centra en la cuestión de si la tendencia es determinista o
estocástica. El Capítulo 5 discute las propiedades de un vector de ecuaciones de diferencia
estocástica, y el Capítulo 6 se ocupa de la estimación de tendencias en un modelo
multivariado. El Capítulo 7 presenta la nueva y creciente área de investigación que involucra
modelos de series temporales no lineales.

Aunque el pronóstico siempre ha sido el pilar del análisis de series temporales, la

creciente importancia de la dinámica económica ha generado nuevos usos para su análisis.
Muchas teorías económicas tienen representaciones naturales como ecuaciones
diferenciales estocásticas. Además, muchos de estos modelos tienen implicaciones
comprobables con respecto a la trayectoria temporal de una variable económica clave.
Considere los siguientes cuatro ejemplos:
1.​ La hipótesis del paseo aleatorio: ​en su forma más simple, el modelo de caminata
aleatoria sugiere que los cambios diarios en el precio de una acción debería tener un valor
medio de cero. Después de todo, si se sabe que se puede obtener una ganancia de capital
comprando una acción el día t y vendiéndola para obtener una ganancia esperada al día
siguiente, la especulación eficiente elevará el precio actual. Del mismo modo, nadie querrá
mantener una acción si se espera que se devalue. Formalmente, el modelo afirma que el
precio de una acción debería evolucionar de acuerdo con la ecuación de diferencia
estocástica

yt+1 = yt + εt+1

o
Δyt+1 = εt+1

donde yt = el logaritmo del precio de una acción en el día t, y εt + 1 =

Un término de perturbación aleatorio que tiene un valor esperado de cero.
Ahora considere la ecuación diferencial estocástica de forma más general.

Δyt + 1 = α0 + α1yt + εt + 1

La hipótesis del paseo aleatorio requiere la restricción comprobable: α0 = α1 = 0.

Rechazar esta restricción es equivalente a rechazar la teoría. Dado que la información
disponible en el período t, la teoría también requiere que la media de εt + 1 será igual a
cero; La evidencia de que εt + 1 es predecible invalida la hipótesis del paseo aleatorio.
Nuevamente, la estimación apropiada de este tipo de modelo de ecuación única se
considera del capítulo 2 al 4.

2. Formas reducidas y Ecuaciones estructurales

A menudo es útil descomponer el sistema de ecuaciones diferenciales en modelos

separados de ecuaciones únicas. Para ilustrar los temas clave involucrados, considere una
versión estocástica del modelo clásico (1939) de Samuelson

donde yt, ct y ​it​ denotan el PIB real, el consumo y la inversión en el período de tiempo t,
respectivamente. En este modelo keynesiano, yt, ct y son variables endógenas.
El PIB y el consumo del período anterior, yt − 1 y ct − 1, se denominan variables endógenas
predeterminadas o rezagadas. Los términos εct y εit son perturbaciones aleatorias medias
cero para consumo e inversión, y los coeficientes α y β son parámetros a estimar.

The first equation equates aggregate output (GDP) with the sum of consumption and
investment spending. The second equation asserts that consumption spending is
proportional to the previous period’s GDP plus a random disturbance term. The third
equation illustrates the accelerator principle.
Investment spending is proportional to the change in consumption; the idea is
that growth in consumption necessitates new investment spending. The error
terms εct and εit represent the portions of consumption and investment not
explained by the behavioral equations of the model.