1

MODELOS ARIMA: (i) Definiciones bsicas I.1.- INTRODUCCIN En 1970, Box y Jenkins desarrollaron un cuerpo metodolgico destinado a identificar, estimar y diagnosticar modelos dinmicos de series temporales en los que la variable tiempo juega un papel fundamental, los modelos ARIMA. La metodologa ARIMA es slo una pequea parte de los que se conoce normalmente como Econometra de Series Temporales pero, sin duda alguna, una de las ms utilizadas y germen de otros muchos desarrollos posteriores. Como se ver a lo largo del curso, esta metodologa libera al investigador econmetra de la tarea de especificacin de los modelos (revisin de marco terico, identificacin de variables relevantes, especificacin de forma funcional,) dejando que los propios datos temporales de la variable a estudiar nos indiquen las caractersticas de la estructura probabilstica subyacente y nos ayuden a pronosticar el futuro. En ocasiones, los procedimientos que vamos a analizar se han contrapuesto a la llamada econometra estructural, es decir, a la especificacin de modelos economtricos apoyada en las teoras subyacentes; sin embargo, hoy en da los conceptos y procedimientos que examinaremos constituyen ms una herramienta para apoyar y complementar los conocimientos economtricos tradicionales que un modo alternativo de hacer econometra. Por otro lado, la utilizacin de modelos ARIMA se restringe a series largas y de alta frecuencia (meses, semanas, das,.) y su utilidad

finalista los hace tiles para el pronstico a corto plazo pero no para la comprensin estructural del fenmeno o la simulacin de escenarios. I.2.DEFINICIONES BSICAS APROXIMARSE A LOS MODELOS ARIMA 1.Proceso estocstico Un proceso estocstico es una sucesin de variables aleatorias Yt ordenadas, pudiendo tomar t cualquier valor entre - y . Por ejemplo, la siguiente sucesin de variables aleatorias puede ser considerada como proceso estocstico:
Y -5 , y -4 , y -3 , y - 2 ,........ y 3 , y 4

PARA

El subndice t no tiene, en principio, ninguna interpretacin a priori, aunque si hablamos de proceso estocstico en el contexto del anlisis de series temporales este subndice representar el paso del tiempo. 2.Serie temporal y proceso estocstico Una vez introducido el concepto genrico de proceso estocstico puede decirse que una serie temporal cualquiera es, en realidad, una muestra, una realizacin concreta con unos valores concretos de un proceso estocstico terico, real. El anlisis de series temporales tratar, a partir de los datos de una serie temporal, inferir las caractersticas de la estructura probabilstica subyacente, del verdadero proceso estocstico. Si logramos entender qu caractersticas tiene este proceso (cul es la esperanza de sus variables, su varianza y las relaciones entre variables separadas en el tiempo) y observamos adems que estas caractersticas se

mantienen en el tiempo, podremos utilizar la metodologa ARIMA para proyectar su valor en el futuro inmediato. 3.Estacionariedad de un proceso: La utilizacin de modelos ARIMA como estrategia de prediccin de series temporales slo tiene sentido si las caractersticas observadas en la serie (o ms correctamente, en el proceso estocstico subyacente) permanecen en el tiempo. Proceso estocstico sentido fuerte. estacionario en

Cada una de las variables Yt que configuran un proceso estocstico tendrn su propia funcin de distribucin con sus correspondientes momentos. As mismo, cada conjunto de variables tendrn su correspondiente funcin de distribucin conjunta y sus funciones de distribucin marginales. Habitualmente, conocer esas funciones de distribucin resulta complejo de forma que, para caracterizar un proceso estocstico, basta con especificar la media y la varianza para cada yt y la covarianza para variables referidas a distintos valores de t:
E[ Y t ] = t
2 t2 = Var( y t ) = E[ y t - t ]

t , s = Cov( Y t ,Y s ) = E[( y t - t )( y s - s )]

Decimos que un proceso estocstico es estacionario en sentido estricto o fuerte si las funciones de distribucin conjuntas (no slo la esperanza, las varianzas o las covarianzas, sino las funciones de distribucin completas) son constantes, o dicho con ms propiedad, son invariantes con respecto a un desplazamiento en el tiempo (variacin de t). Es decir, considerando que t, t+1, t+2, ...., t+k reflejan perodos sucesivos:
F( Y t ,Y t+1 ,.....Y t+k ) = F( Y t+m ,Y t+1+m ,.....,Y t+k +m )

para cualquier t, k y m; por ejemplo: Proceso estocstico sentido dbil estacionario en

La definicin de estacionariedad en sentido estricto puede relajarse sustancialmente utilizando la denominada estacionariedad en sentido amplio o dbil. Decimos que un proceso estocstico es dbilmente estacionario si: - Las esperanzas matemticas de las variables aleatorias no dependen del tiempo, son constantes:
E[ Y t ] = E[ Y t+m ] m

- Las varianzas tampoco dependen del tiempo (y son finitas):

Var[ Y t ] = Var[ Y t+m ] m

- Las covarianzas entre dos variables aleatorias del proceso correspondientes a perodos distintos de tiempo (distintos valores de t) slo dependen del lapso de tiempo transcurrido entre ellas:
Cov( Y t ,Y s ) = Cov( Y t+m ,Y s+m ) m

De esta ltima condicin se desprende que, si un fenmeno es estacionario, sus variables pueden estar relacionadas linealmente entre si, pero de forma que la relacin entre dos variables slo depende de la distancia temporal k transcurrida entre ellas. Definicin estacionario informal de un proceso

De una manera informal, diremos que un proceso es estacionario cuando se encuentra en equilibrio estadstico, en el sentido de que sus propiedades (su media, su varianza, las covarianzas entre distintas variables del proceso) no varan a lo largo del tiempo 4.Proceso estocstico ruido blanco En este contexto, un ruido blanco es una sucesin de variables aleatorias (proceso estocstico) con esperanza nula, varianza constante, y covarianzas nulas para distintos valores de t. Este tipo de proceso, que slo presenta varianza, que no presenta relacin entre variables de distintos perodos, no podr ser reproducido con un modelo ARIMA, es un proceso vaco de informacin de carcter autoproyectivo. 5.Modelos autorregresivos AR(p) Los modelos ARIMA tratarn de expresar la evolucin de una variable Yt de un proceso estocstico en funcin del pasado de esa variable o de impactos aleatorios que esa variable sufri en el pasado. Para ello, se utilizarn dos tipos de formas funcionales lineales sencillas: los modelos AR

(Modelos Autorregresivos), y los modelos MA (de Medias Mviles). Definimos un modelo AR (autorregresivo) como aquel en el que la variable endgena de un perodo t es explicada por las observaciones de ella misma correspondientes a perodos anteriores (parte sistemtica) ms un trmino de error ruido blanco (innovacin). Los modelos autorregresivos se abrevian con la palabra AR tras la que se indica el orden del modelo: AR(1), AR(2),....etc. El orden del modelo expresa el nmero de observaciones retasadas de la series temporal analizada que intervienen en la ecuacin. As, por ejemplo, un modelo AR(1) tendra la siguiente expresin:
Y t = 0 + 1 Y t -1 + a t

La expresin genrica de un modelo autorregresivo, no ya de un AR(1) sino de un AR(p) sera la siguiente:

Y t = 0 + 1 Y t -1 + 2 Y t - 2 + ......+ p Y t - p + a t

Esta forma funcional se acompaa de una serie de restricciones conectadas con importantes hiptesis analticas: - El proceso no debe ser anticipante ( hiptesis de recursividad temporal); lo que quiere decir que los valores de una variable en un momento t no dependern de los que esta misma tome en t+j. - La correlacin entre una variable y su pasado va reducindose a medida que nos alejamos ms en el tiempo (proceso ergdico)

- La magnitud de los coeficientes est limitada en valor absoluto: as, por ejemplo, en el caso de un AR(1), el coeficiente autorregresivo de un proceso estocstico estacionario ha de ser inferior a 1 en valor absoluto; en el caso de un Ar(2), es la suma de los dos coeficientes la que no puede exceder la unidad. Estas restricciones expresadas en los coeficientes conectan con las propiedades de estacionariedad del proceso analizado o, dicho de otro modo: slo los modelos cuyos coeficientes respetan una serie de condiciones (que dependen del orden p del modelo) representan procesos estocsticos estacionarios y, por tanto, tienen utilidad analtica. 6.Operador y polinomio de retardos El operador retardo Lp aplicado al valor Yt de una determinada serie devuelve el valor de esa serie retardado p observaciones, es decir: LpYt=Yt-p Un polinomio de retardos de orden p p(L) se compone de una sucesin de p operadores de retardos con sus respectivos coeficientes:
p (L) = 1 - 1 L - 2 L2 - ...... - p L p

El polinomio de retardos permite abreviar la expresin de u modelo AR(p) escribindose:

p (L) Y t = 0 + a t

La utilidad del polinomio de retardos no es, sin

embargo, permitir una notacin abreviada: las caractersticas del polinomio de retardos o, ms concretamente, el valor de sus races (las soluciones del polinomio) permiten analizar la estacionariedad del proceso estocstico que subyace al modelo ARIMA. Es decir, los analistas pueden evaluar caractersticas relevantes del proceso estocstico que se est modelizando estudiando las propiedades matemticas del polinomio de retardos, de ah su utilidad. 7.Modelo de medias mviles MA(q) Un modelo de los denominados de medias mviles es aquel que explica el valor de una determinada variable en un perodo t en funcin de un trmino independiente y una sucesin de trminos de error, de innovaciones correspondientes a perodos precedentes, convenientemente ponderados. Estos modelos se denotan normalmente con las siglas MA, seguidos, como en el caso de los modelos autorregresivos, del orden entre parntesis. As, un modelo con q trminos de error MA(q) respondera a la siguiente expresin:
Y t = + a t + 1 at -1 + 2 a t -2 + ....+ q a t -q

que de nuevo puede abreviarse utilizando el polinomio de retardos (como en el caso de los modelos AR):
Y t = q (L) a t +

As como un modelo autorregresivo es intuitivamente sencillo de comprender, la formulacin de un modelo de medias mviles resulta sorprendente para el no iniciado. Qu significa que

una variable aleatoria se explique en funcin de los errores cometidos en perodos precedentes?, De dnde proceden esos errores?, Cul es la justificacin de un modelo de este tipo?. En realidad, un modelo de medias mviles puede obtenerse a partir de un modelo autorregresivo sin ms que realizar sucesivas sustituciones:
Y t = Y t -1 + a t Y t -1 = Y t - 2 + a t -1 Y t = at + at -1 + Y t - 2 ........
2

...........Y t = at + at -1 + at - 2 + at -3 + .... + at - j +
2 3 j

I.3.- LAS SERIES TEMPORALES: COMPOSICIN DE PATRONES SISTEMTICOS Y ERRTICOS El enfoque de anlisis temporal de una serie descansa siempre, en mayor o menor medida, en la idea genrica de que una serie temporal de datos puede descomponerse siempre en una serie de componentes parciales que, agregados conforme a un esquema sumativo o multiplicativo, configuran el aspecto global de la serie observada. Suele as afirmarse que cualquier serie de datos temporales viene a ser la agregacin de cuatro patrones de evolucin de sus datos: tendencia, ciclo, estacionalidad y componente errtico o no sistemtico. Ejemplo de serie compuesta por tendencia, estacionalidad y componente aleatoria

10

Ciclo: Patrn de evolucin que revela cierta propensin de la serie a repetir a muy largo plazo una misma secuencia de comportamientos tendenciales. Por ejemplo....

Observando los ciclos de crecimiento intertrimestral de la economa americana podramos sealar que, a principios de 2000, el ciclo econmico de crecimiento no haba terminado.
10% 8% 6% 4% 2% 0% -2% -4% 1970 1975 1985 1990 1995 1980 2000

11

Componente tendencial: Generalmente asociado con el cambio en la media a lo largo del tiempo, se identifica la tendencia con el patrn de evolucin sostenido a medio o largo plazo por encima de la existencia de movimientos rpidos a corto plazo Por ejemplo.... La representacin de los ndices burstiles DOW JONES, General de la Bolsa de Madrid y NIKKEI revelan que: en el caso del DOW JONES y la Bolsa de Madrid, la tendencia de la cotizacin de los ndices ha sido claramente creciente a lo largo de los ltimos 15 aos y especialmente acelerada desde mediados de 1995.
400 350 300 250 200 150 100 50 0

GRAL. .MADRID

DOW JONES NIKKEI

Estacionalidad: Patrn de evolucin de la serie que se repite de forma ms o menos invariable en momentos similares de espacio temporal mayor, generalmente un ao.

12

Por ejemplo.... Observando la serie mensual de Contratos Registrados en el INEM de duracin entre 1 y 3 meses puede comprobarse como la contratacin temporal presenta, junto a una tendencia claramente creciente, una marcada estacionalidad, especialmente en el perodo estival.
250000 200000 150000 100000 50000

1995

1996

1997

1998

1999

Innovacin, residuo o componente errtica: Porcin no sistemtica del comportamiento temporal de una serie, o al menos movimiento que no puede catalogarse como estacional, tendencial y/o cclico. La idea bsica del anlisis de series consiste en que cada uno de estos componentes de las series puede ser analizado de forma separada para posteriormente, agregar los anlisis parciales en un resultado conjunto. En ocasiones, el anlisis prioriza, se centra slo en alguno de los componentes sistemticos por separado (la tendencia, la estacionalidad, el ciclo), en otras ocasiones, como es el caso de la modelizacin ARIMA, lo que interesa es ir ms all de

2000

13

las componente cclicas, tendenciales y estacionales, analizando la componente no sistemtica, de carcter aparentemente aleatorio, para tratar de identificar algn patrn de inters en su evolucin que ayude a entender la progresin de la serie completa. As pues, la aplicacin de modelos ARIMA suele realizarse por descomposicin, analizando en primer lugar la tendencia de la serie, pasando despus a observar la estacionalidad y concentrndose despus en la identificacin del componente filtrado de tendencia y estacionalidad.