Escolar Documentos
Profissional Documentos
Cultura Documentos
N4TA PRELIMINAR
RESUMEN
INDICE
INTRODUCCION
i . I . Esquema General
. ESTIMACION
4. DIAGNOSTICO E INFERENCIA
4.1. Diagnstico
4.2. Inferencias
a) Error en la Estimacin Fnal
b) Error de Revisin
A.1. Introduccin
A.2. Caso Estacionario
A.3. Caso No-estacionario
A.4. i.1n Ejemplo
REFERENCIAS
14 ESTADISTICA ESPAOI_A
INTROD^UCCION
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.
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.
^r = ^, ^,r + 1^r , (1 . 1)
donde :;r representa un componente y ur- niid (O,o;,). ^asos 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
donde `^;(B} representa una funcin racional en el operador de retardos B, que puede
expresarse como
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,
En resumen, suponemos que los componentes (y por tanto la serie suma) siguen
modelos ARIMA. Supuestos adicionales son los siguientes:
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.
^r = ^; [H^(B)1^;(B)^ a;r + u, .
Eliminando los denominadores y utilizando (1.4) y(1.5), se obtienen las dos relaciones
siguientes:
donde
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).
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.
componentes ortogonales de forma que cada uno capture uno de los picos. Queremos
pues expresar .^t como:
:t=^^t+z^t-f-Z^^+ ltt ^
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:
donde ^;(8) representa un polinomio en B, y a1^, a2t y a^t son ruidos blancos mutuamen-
te independientes y tarnbin independientes de u^.
y, eliminando los denominadores, esta expresin ser compatible con (1.9) cuando se
satisfaga la siguiente identidad (anloga a(1.7) ):
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:
0=(1-ar^)`'c^-(l+a^^)^a^^+a_^,(1-a_^^)^;
y para otros retardos las autocovarianzas de ambos lados de { 1.14} son cer.
(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
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
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
2 2
ut
^..^r- f ^^ s o ^ ^ ---^---^
PI/4 PI/2 3Pf/4 PI 0 PI/4 PI/2 3P114 PI
Fi^. ^
Sr ^ ^ ^ r + z3r
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
con c, ruido blanco. Igualando las autocovarianzas del lado derecho de (1.18) y(1.19) y
utilizando ( 1.17), se obtiene j^i,=-.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, .^u,
puede obtenerse sumando z^, y u,, Io que proporciona la ecuacin.
^7 z; _ (1 +B)a^, + (1-B)u, .
^i^. 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
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,
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
_. _. _ __ _
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,.
{ 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.
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
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.
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)
' 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
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
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
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).^^
u
d lEME d1 TEMDEMCIA
to
w
.^1
^, i ,
n^a ^In a^I^a
^. 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
que son compatibles con la misma forma reducida (2.3). Una manera de obtener la
solucin can^ nica es la siguiente:
se asocia con Q' y V,(_v) con S. Utilizando una descomposicin en fracciones parciales,
resulta
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) .- k + k^ + k,
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:
cr^,-..234;cr=.053,
{2, l 0)
rr, _ .108 ; a'`^ _ .70 .
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.
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 ^I
C'i.^ad rt^ 1
`7 z za
Retarda r 0 ^ ^r S sr ttr
0 .
-,^
_ - .1915; 8 ^ 2 = .6228
---- e, _ .^ ^ ^,z - .z
F 1 ^r. b
32 ESTADISTICA ESPAOLA
3. EST1V1A^`lON
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 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
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 INFERENC`IA 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:
a= 1- a^ B- a, B`'
^. = 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.
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:
al TENDENC^A
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!^I E[NEERENC'IA ^S
COINFPONENTES ESTIMADOS
b) TAtA OE CRECIMIENTO DE ^A TENDENCIA
a) TASA DE CRECIMlENTO DE LA SERIE DESESTACIONAL.I2AOA
20. Y
11.7
25
123 12.3 7
0. 5 0.5
- 11.3 - t1.3
Sea
Para el caso del modelo de las lineas areas, las expresiones para el estimador de la
tendencia y del componente estacianal se convierten en:
donde
a 5
^1^(B) ^h e (3. I Oa)
^ ^z
rl,^(B) _ ^^^ ^ , (3. I Ob)
_ ^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).
1 .^. 4 r
1
1 1
i i i ^
^ ^ i ^
^ ^ ^ ^
^ ^
l ^ ^ i ^ ^
T
1
1 ^ ^ ^ '
13 _ 1
^ '
1 j ^ j
1 1 ^
^ ^
- 1 ^-- - 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.
al TENOENCIA
2.0
/
1.a
^ ^.,^ EE1' IMADOII
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 iRREU^AR
at2
I T -
O.t t C^ ^^ ^^^^ ^^ ^ ^ ^r^! ^ ^ ii^ f ^i ^ ^^Ol^ ^ ^^^^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}ESC`OMPOSICION DE SERIES TEMPC)RA>.^ES: 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 f^unciones 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
Aunque distintas de cero, las correlaciones entre los estimadores son de todas formas
_
pequenas.
C^'tc u cl ro 2
4. DIAGNOSTICO E INFERENCIA
4.1 f^rct,^^rtc^.^^ticv
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 irre^ular, 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 ESPAt^OLA
b) TEMDENCII^ d) IRREOULAR
1 r ^
^ ^ ^
0
^ ^^^.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.
C'ua^r^^ 3
Simulacin
Q ^ zpr ^7^pr ^^
Simulacin -. 39 .18 . 84 -. 59
(Error Estandard) (.07) (.06) (.02) (.O)
Estimador
Terico -.40 .18 .83 -.60
^^
v^^^ ^u
^ ^ ^ pr S ^, ^
Estimador
Terico -.19 -.19 .62 -.19
c) Desviacin Tpica
r v ^^^p,
Estimador
Terico .94 .48 .34 .19
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, p^ira 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).
.^ :, (4.1)
ir-^it-^rr
c5,,=s,-.^,. (4.2)
donde v, viene dado por (3.6b}. La identidad (1.7), aplicada a la descomposcin ^, _^u
+ s,, produce la ecuacin (en trminos de las innovaciones}
f^a,=S^.cl,+o`'^3c, (4.4)
. _ 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 }.
44 ESTADISTICA ESPAOLA
^^.Q/^
FGAC(^5,,) = --f^-^-FGAC(h,)
, , (4.8}
_,=^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
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.
DESC`OMPUSIC'ION DE SERIES TEMPORALES: ESPEC'IF1C'ACIt)ti. E.STIMACit)N E INFERENC`IA 4S
f^d^,^=cx8* n,,
Ccrudro 4
a) Serie Desestacionalizada
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.STAf^iS'i IC',A E:SPA!V(^L.A
_ _
C't^ud r^^ 4
f= ^^' de lc^s rrores de Estimacin
h) Tendencia
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
C'z^uru 5
Varianza de los Errores de Estimacin
Serie
Desestacionalzada .197 .184 .381
f^ESCOMPOSIt'lo^N DF SE:RIFS TE=MPORALES: ESPEt'IFIC'.AC'ION, F^TIMACION E I,JFE_RE^IC'I,A 47
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$3) y(1986).
donde c^,(j) representa el error de prediccin de ^,j perodos por delante. De ^ 1.4),
;-f
^'^^1) = Clr+ + ^^,! ^^ cl^+^-^
y, por tanto, (4.1 1} puede reescribirse como una media mvil de innovaciones f`uturas
cr,+r, cr,+,,... Una manera ms directa, sin embargo, de obtener esta media mviE es a
travs del modelo que derivamos para el estimador, dado por (3.7) y(3.8):
rt
^;^, - Er -^i
^^^ cr^+, ,
A partir de {4.14) es posihle derivar l^ls propiedades de los errores de revisic^n (^^c.^r
Maravall, ly8f^h).
4$ ESTADrST[CA ESPAOLA
t^ + ^1 ^ Y^
^"^ ^ ^ ^ ^^ - ^ r t = , _,^+r ^<< ^t,+; . (4.15 )
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 ^i^.^
ambos componentes se completa en los tres primeros aos.
C'trcrc^rcr 6
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: ESPECIFIC`AC'ION, ESTIMACIC^N E INFERENC`IA 49
Serie Desestacionalizada
Revisin en la
proyeccin del Varianza
componente
Contemporneo .197
1 mes adelante .215
2 meses adelante .246
3 meses adelante .265
4 meses adelante .274
5 meses adelante .278
6 meses adelante .279
7 meses adelante .279
8 meses adelante .282
9 meses adelante .289
10 meses adelante .305
1 1 meses adelante .33I
50 ESTApISTICA ESPA^ !r1QLA
C'ttuulr^^ 8
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
Estimador Estimador
contemporneo final
Serie
Desestaci ona i i zada -^- 4. 4 5 3. 09
Alms^o cie
n^^e:
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 t^ONF IANtA OEL 87 %
Media de Ias
0 _._I___.^..1 1 1 ^ desviaciones
i 3 4
Fi^. 12
C,ttudrv 10
Estimador Estimador
contemporneo final
Serie
Desestacionalizada 2.58 1.82
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 I^olgomorov (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 mayor^a 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):
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: ESPECIF^IC'A('IUN, Es"T^IMAt'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.
De (A.4) y (A.2),
^^
(s,-s,)` _ ,- v( B)^,l` _[s,- v( B)`E ( B)a,]` -
donde
ECM=E(s,- ^,)'=V(s,)+E[^.{B)a,)'-2E[s,a^{B)a,]=
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:
^ ^
-^;[E(s^,u,-;))^i^,.
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
Puesto que se trata de una suma de nmeros no-negativos, el mnimo se alcanza para
Dado que los u,'.^' no estn correlacionados, la expresin (A.$) indica que los a^; son
simplemente los coeficientes de regresin en la proyeccin .s, _^; ^,; u,_; .
ESTADISTIC'A ESPAOLA
^,(B) ,^ {B
;^(B) _ ar `E B ' ^^^^ ) (A.12)
u ()
`^, ( B} 1
a, = y, ( B) c', + ^,, ( B) nl (A.13)
Sea
En (A.13), la ortogonalidad de n, y c,, y et hecho de que este ltimo sea ruido blanco,
implican que
yu^.( B) = h( B) cr . (A.15)
a^ `^.,{B) `P^(F)
^ (A. l 7}
y( ) - ^ ^(B) ^(F^ '
que es igual a(3.1) y, por tanto, el resultado que queramas demostrar. La optimalidad
de (A.17} est condicionada al supuesto de que el universo de informacin se limita a la
serie univariante, y, de hecho, en la prctica, la desestaconalizacin se realiza siempre
por mtodos univariantes. Para ver bajo que condiciones esto es apropiado en series
econmicas ver Maravall (1983b), donde se observa que la oferta monetaria cumple
estas condiciones.
^ ^, _ `I' a, (A. l 8)
b,s,=^,c,, (A.19)
donde a y^, contienen las raices no-estacionarias y los polinornios `P y`1J, son
convergentes. El filtro (A.17) se convierte en
^
(`P.,^^.,) (`P,/c^,)
v = k, (A.20)
(`1'/^S) (^/ ) .
Puesto que ^, = s, + nr, (A.18) y(A.19) implican que ^5,. es divisor de r^. Podernos
escribir, pues, ^= S, 5,,, y suponer que ^S, y rS no comparten raiees en comn
S$ 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)
`I,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^,,
^ ^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 +
^.^ ^n ^ s ^n
V ^c ^ ^^ . (A.24)
DESCOMPOSICION DE SERIES TEMPORALES: ESPECIFICACION, ESTIMAC'ION F INFERFNC^IA S9
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 ^-^i,
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
z,-s,+u, (A.2b)
^^^ 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; < ^
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 -^UB) 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 ^
^^,= 1 - (w^^+cv_^)
V=1-(C^^-^C.^_^)
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:
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
de donde resulta:
^
rv,^(B) _ (1 - ^F) ^, (A.35)
donde rr;, viene dado por (A.28). El vector ^^ contiene solamente dos elementos distintus
de cero, correspondientes a:
Reprc.^sentemos este vector por ^r(c^,}. Las expresiones en {A.36} implican el siguiente
^-ti^sultado:
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 ^.
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, ESTIMAC`ION E INFERENt'IA 63
APENDICE B
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)
[ 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:
que subvalora la anualizacin, pero resulta una aproximacin razonable para series
no-estacionarias.
= z; + E, , (B.3)
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
ti^alores de p, se deducen del Cuadro 4.
h ^ Tc1.^u 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,,
donde
i, = x, + .^^- ^ + .^,_ , . (B.7)
con lo que
G
1,^r ^^, = 1^^^^,^ ^.1,(1 - - ) , (B.g)
^.1 ^
, - T r - ^; - 1200(0 .^;` - o ^ ^ ) ,
donde ^,' = lu^ ,^^,, y anlogamente a(B.10), o l^^J t^, _(lk .v, -!vk .til__^) / 3.
, = 4Q0(Er - ^,-_3).
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 ^^ada esta
ltima por un camino totalmente diferente eran vlidas para las series de agregados
monetarios espaoles durante la dcada de los aos setenta.
REFERENCIAS
Arvs^e^'. 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,(^ .Sru^i.^^tic.^. 1, 4, 3n7-30y.
ART^(^t_,1. C. y Est^nsn. A. ( l 987): "Un anlisis cuantitativo para el estudio de la ^^o^^untura dc.^l p^^r^^
en la eeonoma espaola", 13n/c^trr^ 1:c^lliJf)/^J,Cc, del Banco de Espara (prxima puhlicacicn).
BAC^H. ^i. ^..., ^^A(;AN. P. D., FRIE:C^MAN. M.. HlLDRETH. ^V. G.. ^ODIGLI:^tiI. F. ^' ^^ kl ti. fi. ( 1y7fi^:
1,,,^^rc,t^i,^,^,^ t/tc^ .1lu,tc^tar.t' .-^,^^,^^rc^,^^utc^.^^: Rc^C^urt c?/^ ^irc^ .^I c! ^ ^i.^^c,^.^ C'^^,,t^i^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.^ ^^/^ Stcr^i.^lic^^.
1 ?, ?, 646-bb4.
BF^^_. W. R. y HII.^__MER. S. C'. (1984): "lssues Involved with the Season^il Adjustment ot' Ecl^nOnli^
Time Series", Jtir^,crl c,/^13,,.^^ic^.^.^ uncl l:c^c,ne,,,,ic^ S^c,^i.^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' Ec^un^^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.^'.^^i.^: 1'^>rc^c^ci.^^lrn,^= cr,rc! C'^^rrt,c^l, Hc^ld^^n
Day, San Hrancisco.
FSTADI^.TIC^A ESRA^vC)LA
Br Rti^:^ti. J. P. (1980): "Seasonal Adjustment by Signal Extraction", Jntcrna! t^J^thc^ Rr^^al 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.
CLEVEL.4^rJ. V1r`. P. y T^AO. 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.
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
HARVEY. A. C. (1985): "Trends and Cycies in Macroeconomic Time Series", Journal o,J' Business
and Economic Statistic.s, 3, 3, 216-227.
^-^ARVEY, 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.
HILLMER, S. C. (1985): " Measures of Variability for Model-based Seasonal Adjustment Procedures",
Journu! o^'Businc^ss^ uncl ^:evnomic .Stutistics, 3, 1, 0-68.
11^ARAVALL, 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. (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^^al 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^/^ B^esinc^.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. (198 l b): Frrurc^s de ^1c^ieivn dc^! Creeirrtic^ntc^ a C'ortn Pla.^v dc^ Sc^ric^s .11cie^lccc^ic^.c
I^esestacic^nali^adas, Estudios Econmicos n. 21, Madrid, Banco de Espaa.
MARAVALL, A. (1978): "Comment on `Analysis and Modeling of Seasonal Time Series' hy Prc^fe-
ssors Box, Hillmer y Tiao", Sc^usc^nal .^Inul^^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:SPAI^OLA
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.
PiERC`E. D. A. (1978): "Seasonal Adjustment When Both Deterrninistic and Stochastic Seasonality
are Present", Sc'c^s^c)nUl .-3nal^.t^is ^^/^ 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 `Issues 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.
WEI^IER. 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 LE^ast-SquarE^ ME'thods, London: Engiish
Universities Press.
DESC'OMP(:)SICIC3N DE SERIES TEMPORALES: ESPECIEIC'ACION. ESTIMAC'10N E 1NFE^FtE`^(^lA 69
SUMMARY
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 dif^erent 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.
Comentarios
ANTORII ESPASA
FRA[VCISCO MELIS
A R TH U R TR EA DWAY
ALFONSO NOVALES
Contestacin
AG USTI N MARAVALL
INDICE
Tasa T^
Tasas Acumuladas
10. Comentarios Finales.
E^STAnISTK`.^ LSPA()LA
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
2s
-^, n
20
16
t!i
10
10
5
6
0 ^I^^It^II^tIt1^11tIt^ll^ll^It^II^l1IJi+^j^Il^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[aIST1C`A ESPAOLA
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 Espa^a c^^ ul. (1987). Sobre ta importancia de la predicrin del crecimiento teneienrial a n^edio 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.
REFEREI`^iCIAS
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", J^ur. 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.
ESTADISTIC'A ESPAOLA
ESCRIV, ^ . L., A. ESPASA, ^ . PREZ y J, SAI^AVERR^A, 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
Espar^a, trabajo no publicado.
COMENTARIC)S 77
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.
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. ^onfieso que no veo la utilidad de
esta definicin y estoy seguro que no ser nunca gen.eralmente aceptada.
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.
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.
Sera interesante saber si los efectos en esta variable del cambo de rgimen han sido
investigados.
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.
1. La dep^endenca 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.
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.
^abra 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.
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
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.
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 ESPA^I()1^A
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.
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 ^es 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.
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.^anada.
NERLOVE M., GRETHER D. M., CARVAI_HO J. L.: "Analysis of economic time series" Academc
Press 19 79.
COMENTARIOs 85
El trabajo que nos presenta Agustin 11 ^^iaravall 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.
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 ser^ie 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.
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
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.
CRECIMIENTO DE ALP
. Serie original
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 acumulado
Media mensual 14.4 14.9 13.2 11.^
Desviacin tpica 0.8 2.2 2.2 2.5
Crecimiento anual: Tasa de crecimiento desde diciembre del mismo ao con respecto a
diciembre del ao anterior.
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 ori^inal, adems de ser
menos volti l, ha estado mucho ms prximo al crecimiento anual.
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.
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.
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
REFERENCIAS
EtvV^E, R.: "Estirnating Structural Models of Seasonality", en Seasonal Analysis of Ec^anamic Timc^
Sc^r^c^s, editado por A^ . 7_ellner, Bureau of the Census, Washington 197.
NovA^ES. A.: "Sobre la Desestacionalizacin de Series Monetarias", Documento de trabajo 87-13,
FEDEA.
CC?M^NTARiOS 91
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 pequer^o. Me
limitar a comentar algunos de los puntos que me parecen de ms inters.
3. Dc^scc^nTpvsicrc^n C'crrt^inic^u
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.
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 ^:SPAI^OLA
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.
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.
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
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.
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.
Tasa T;
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):
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 ^^arianzas de lati T; p^^r^^ lati cuatrc^
series anteriores. Se observa que la serie desestac^ionalizada es, en tc^dos 1os c^^^c)s, ti pc^r^^
todos }^ cada uno de los aos considerahlemente menos errtica que la serie c)rigin^il. La
^^erie desestacionalizada ms suave corresponde al mtodo del tr^^hajo, ^ la ms errtic^i
a la desestacionalizacin o^cial. Esta ltima resulta particularmente errtic.^a ^.^n los irt~^s
ltimos aos, precisarnente cuando la serie original se comport^i de: t ^^rn^a menc^^
errtica,
Desde un punto de ^^ista operativo, tiene ta^nbin inters ^^er como la de^e^t<<c.^ic^n^i-
lizaein se ha ido comportando mes a mes para el primer d^^tc^ puhlicac.ic^. E^t^^ cic^e^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^^acin publicada de la serie original suele re^^isarse en lc)^ mc^^^^ ^i^;ui^^nt^^^. EI
^uadro 13 proporciona la varianza de las T; de la serie ori^.inal ^^ cfc^e;tacionalil^^d^i
para las series de primeros datos publicados. De nueti^o, la desest^^c.ion^111I^i^in r^c.ju^^^.
la ^^arianza de la serie original, aunque esta reduccin es menor ^^omc^ c.:c^n^c^^u^^nci^l ^ic
los numerosos errores que contaminan los primeros datos.
:^10 ^^o^ a representar las FAC de tocias las series. Se c^hscsr^^a cn ^11^^^ c^u^^ l^i
desestacionalizacin, en tocios los casos, eliminti corrclac^in ^^tacic^n^ll. l_^ ^ pril^^era fila
del Cuadro 14 presenta l05 ^^alores de ^^, ^ para las series del ^'uadre^ 1?. I'uestc^ quc cl
error estndar asociado es del orden de . 1 n, se ohser^^a que, tii hien la ^^^ric.^ c^ri^in^il tic.^ne
una f^uerte correlacn estacional, en ningn caso presentti l^i seric. dc.^^c^t^^Ll()n^lllr^c^a
correlacin estacional significativa.
( ^ttcrcl^'r ^ I ^
VARIANLA DE LA TASA T;
Scrie del Banco de Datos
Mtodo del
Of^.^ia^ X11A
T rahajo
( 'rrcrclr^r ^ I.^
VARIAN"LA DE L.A TASA T;
Primera Qhserti^a^^ic^n P^rhlic.^ida
Serie
5c.sric
Desestac.
nri^i na 1
otici^^l
Cuaclro 14
AUTOCORRELACItJN DE ORDEN 12
DE LAS SERIES DE TASAS
^todo del
Oficial ^{ 1 1 A
Trabajo
Tasa
Acumulada .44 .15 .18 .15
Tasas Acumuladas
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)
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,_,
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 ar^os, 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.
^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.
Ct^uclrc^ 15
VARIAN"LA DE LAS TASAS ACUMULADAS
Serie del Banco de Datos
M todo de 1
Oficial X1IA
Traba'o
J
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 c^e 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
doncie V,, es la ^^arianza c^el 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^^^i^^ ti l^i
tencienc.ia, cie la tasa acurnulada para cada mes. (E1 cuadro se basa en el mo^ic.'lo ^i^'1
tr^^hajo}. La varianz^i del estim^idor contemporneo supone que, a) acumular. p^lra los
mc:ses anteriores se m^intiene el estimador c,ont^'mparneo. Si se reti^isasen lo^ f^ictores
mensualn^ente, Itl varianr^i ^1e1 cstimador conten^porneo sera un ^^^I^^r inte.'r^^^^.'^.iic^
entre la columna de la izquiercla ^^^ la columna dt la derecha del cuac^ro. Sc ^^hs^'r^ << <^u^'.
c:uanc^o han iranscurrido 3 n^cses, l^i v^trianza del error se hti rc^iucidc^ ^i 1^^i^ ,il ^^^I^^r
itli^`I^il (^'^ c:^t.' l^i t^iti^i Tj); ^il iC^il^ti^'UCC11' nlt'1^10 ^iilo, fiproXlllltit^^illlt'111t', l^i ^^ll'1'.illl^l l^c.'1
^.'rror sc^ I^r^ rec^uci^o ^i 1 I(). E n t^rminos ^lc.' ^^cs^^iacic^n tpi^^^, cl error c,n ^I c:stic^^^i^1^^r
conteniportn^'o, ^il ^ic.un^ul^^r ^ n^eses, ^.'s ^1c1 orden de 1.^ puntos porc^iitu^il^'s ^1^'
c.re^:i^^liento tiI1LI4^I, ^^u^' ^^' rc^c^uc^n ^t .^ ^^1 ^ic.^uiul^ir fi ^t'ses.
('()MENTARI()S i^s
^'uuclrc^ 1 h
VARIANZA DE LOS ERRORES DE EST'IMACIQN
DE LAS TASAS ACU MU LADAS
1 ^. ^^11/11('l11C11'1(1.1 ^lilU1('.1^
Por ltimo, No^^ales 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?.
REFERENCIAS ADICiONALES
MARAYALL. A. { 1983): "An Application of Nonlinear Time Series Forecasting", Jot^rnul uJ^
Businc^ss ancl ^cvnomic .Statrstics. I , 66-74.