Econometría I

3ro Economía CRD

Actividad - 25
Conferencia -13
Titulo: Series temporales (Tema IV)
Asunto: Análisis de la tendencia: mínimos cuadrados, medias móviles, alisado exponencial.
Objetivos:
a) Comprender los distintos métodos para la estimación y pronóstico de la tendencia según el
enfoque clásico.
b) Conocer los modelos ARIMA

Bibliografía:
Econometría. D. Gujarati

Medios de enseñanza: Pizarra, tizas.

Método de enseñanza: Expositivo.
Valores a trabajar en la clase: El interés por el saber. Ética del profesional.

Introducción

En la conferencia de hoy comenzaremos a analizar métodos concretos para la estimación y

pronóstico de series temporales. Examinaremos varios métodos y su aplicación (por el momento)
a series no estacionales
Desarrollo

Método de los mínimos cuadrados

El método se basa en la elección de valores estimados de los parámetros de tendencia que
proporcionen valor mínimo a la suma de cuadrados de los valores de la componente aleatoria, es
decir:
En el modelo aditivo : Yt  Tt  At , por tanto , Yˆt  Tˆt  Aˆ t  Aˆ t  Yˆt  Tˆt , pero para t =1 ... T son
conocidos los valores de Y t , por tanto Aˆ t  Yˆt  Tˆt  Yt  Tˆt .
T T 2

El método entonces busca minimizar  Aˆ t2   Yt  Tˆt 

t 1 t 1

En el caso por ejemplo del modelo (2) Yt  b0  b1  t  At , el método ofrece los valores de b̂0 y

 Y  bˆ0  bˆ1  t  es mínima.

T T 2 T
  Yt  Tˆt  =
2
b̂1 para los cuáles la suma  Aˆ
t 1
t
2

t 1 t 1
t

Se obtiene así una expresión funcional de la tendencia en función del tiempo.

Nótese que el tercer modelo considerado (el de tendencia exponencial simple con modelo
multiplicativo) se ha llevado a un modelo aditivo con tendencia lineal en ln Y t , por lo que es válido
el análisis anterior.
Veamos las expresiones que resultan para el cálculo de las estimaciones de los parámetros en
cada caso.
T

Modelo (1) Yt  b0  At ; ˆ Y t
b0T  t 1

T
Para el pronóstico : YˆT 1 / T  bˆ0T ; YˆT  m / T  bˆ0T
Modelo (2) Yt  b0  b1  t  At

T T T
T  t  Yt   t   Yt T T T

bˆ1T  t 1 t 1 t 1 12 t  Yt  6 T  1  Yt Y
2 = t 1 t 1
bˆ0T  t 1
t
 bˆ1T
 T  1 .

T
 T
T t  t2
 T  1 T  T  1 T 2
t 1  t 1 

En este caso no se considera adecuada la utilización para el pronóstico del método a través de la
ecuación YˆT 1 / T  bˆ0T  bˆ1T .(T  1) a no ser para pronósticos a largo plazo.
Modelo (3) ln Yt  b0  b1t  At
Son válidas las expresiones anteriores, sustituyendo Y t por ln Y t.

Método de las medias móviles

El método permite representar la tendencia de una serie temporal, pero no a través de una
expresión funcional, sino a través de una nueva serie de valores, que es “más suave” , con menos
oscilaciones que la serie original de modo que se pone de manifiesto cuál es la tendencia o
comportamiento a largo plazo de esta. Para cada instante de tiempo t se calculará una media
móvil, en cuyo cálculo intervienen no todas las observaciones , sino las más cercanas en el tiempo
al momento en cuestión.
De este modo, en el caso de tendencia constante por ejemplo, la serie de medias móviles dará
una estimación de la tendencia ( y también un pronóstico) más exacta que la media general de
todas las observaciones disponibles, a menos que las oscilaciones aleatorias sean muy leves,
puesto que se toman en cuenta los valores de la serie más cercanos en el tiempo al instante en
que se estima la componente de tendencia o donde se pronostica el valor de la serie.
Analizaremos dos tipos de medias móviles: medias móviles centradas y medias móviles
asimétricas.

Media móvil centrada de longitud 2p+1

Yt  p  Yt  p 1    Yt  Yt  p 1  Yt  p
MM (2 p  1) t 
2p 1

Yt  p Yt Yt  p

MM(2p+1) t
Se toman p observaciones anteriores a Y t , Y t y p observaciones posteriores, la media de las
2p+1 observaciones se le hace corresponder al instante t.
Obsérvese que se pierden p medias móviles al inicio y p medias móviles al final
 Y1  Y2  Y3  Y4  Y5
Ejemplo : 2p+1 = 5 , MM (5) 3 
5
Y  Y3  Y4  Y5  Y6
MM (5) 4  2
5
Se pierden 2 medias móviles al inicio y 2 al final.
Se usan para estimar la tendencia.

Media móvil asimétrica de longitud p.

Yt  p 1  Yt  p  2    Yt 1  Yt
MMA( p ) t 
p
Yt  p 1Yt  3 Yt
MMA(p) t
Se toman las últimas p observaciones (incluyendo a Y t ) , su media se le hace corresponder al
instante t.

Ejemplo
p=4
Y1  Y2  Y3  Y4
MMA(4)4 =
4
Obsérvese que se pierden p-1 medias móviles al inicio, en este caso 3.
De este modo el pronóstico se realizaría como YˆT 1 / T  MMA( p ) t
Este modo de pronóstico sólo se emplearía en el caso de tendencia constante, se considera
superior en general al pronóstico a través de la media de todas las observaciones que se obtiene
de la aplicación del método de los mínimos cuadrados.
** Debemos señalar lo siguiente sobre la longitud de la media móvil (2p+1 ó p respectivamente):
Una mayor longitud “atenúa” mejor las oscilaciones aleatorias, por su parte, una longitud menor
logra reflejar con mayor rapidez los cambios en el comportamiento de la serie. Por tanto debe
buscarse un “punto de equilibrio” puesto que una longitud muy grande podría resultar en la
obtención de una serie de valores muy suaves, es decir, una tendencia muy definida, pero que
puede no ser muy real, pues puede reflejar los cambios en la serie en muy poca medida. Por el
contrario, el uso de una longitud muy pequeña, podría no arrojar una tendencia muy clara de la
serie.

Método de alisamiento exponencial

La idea fundamental del método de alisado exponencial es obtener una serie “suavizada” o
“alisada”, a través de una ponderación de las observaciones disponibles, siendo esta mayor o
menor según estas estén más cercanas o más lejanas al instante de tiempo de que se trate.
Consideremos en primer lugar el caso de tendencia constante en el modelo aditivo.
En este caso habíamos considerado como métodos de estimación de la tendencia los de mínimos
cuadrados y las medias móviles centradas y cómo métodos de pronóstico mínimos cuadrados y
medias móviles asimétricas, señalando que para este último fin se consideraba en general
superior el de medias móviles asimétricas.
En el caso de los mínimos cuadrados se estimaba b 0 a través de la media aritmética de todas las
observaciones disponibles (dándoles a todas el mismo peso), en el caso de las medias móviles se
tomaban sólo una parte de las observaciones (las más cercanas en el tiempo antes y después en
un caso y las anteriores más cercanas en el segundo)
En el caso del alisamiento exponencial simple que será el usado para series no estacionales
con este tipo de tendencia se emplearán todas las observaciones disponibles, pero otorgándoles
distintos pesos o ponderaciones, mayores a aquellas más cercanas o recientes y menores a
aquellas más alejadas o antiguas.

La serie alisada S t sería :

S t  (1  w)Yt  (1  w) wYt 1  (1  w) w 2Yt  2  (1  w) w 3Yt 3  

siendo 0 < w < 1
Esta expresión teórica ( no práctica ) ilustra el hecho de que S t es una media aritmética
ponderada con las características que ya mencionábamos:
 
1
En efecto ,  (1  w) w
j 1
j
 (1  w) w j  (1  w)
j 1 1 w
1

Por otro lado, los valores de los coeficientes (1  w) w j decrecen exponencialmente a medida que
nos alejamos del momento actual t. Grafiquemos la situación para un valor de t = 20 y un valor de
w = 0,8

Decrecimiento exponencial
0.2

0.16

0.12
coef

0.08

0.04

0
0 4 8 12 16 20
t
La expresión planteada para S t no tiene utilidad práctica, pues contiene infinitos términos e
incluso , prescindiendo de ese hecho resulta engorrosa para su aplicación práctica ( para cada
valor de t de 1 a T habría que evaluar una larga expresión). En su lugar se usa la forma recursiva
siguiente:
S t  Yt  (1   ) S t 1 (   1  w)
Para su utilización sería necesario elegir un valor de  y un valor de S 0.
La elección de un valor de  puede realizarse tomando aquel que arroje un menor RECM para el
período muestral, utilizando cómo método de pronóstico Yˆt / t 1  S t 1 ( tal cómo lo hacen los
softwares estadísticos, por ejemplo Statgraphics y SPSS) aunque existen valores empíricos
cómo α =0,1 ó  = 0,2 que es muy usado ; la elección de S 0 se hace habitualmente cómo S 0 = Y
1 (para series con muchas oscilaciones aleatorias ) ó S 0 = Y con parte de las observaciones
disponibles (en caso contrario)
En el caso de tendencia lineal con modelo aditivo o exponencial simple con el multiplicativo se
emplea el alisado exponencial doble cuya esencia es la misma que en el método ya visto, pero
con la utilización de dos ecuaciones y dos coeficientes de alisamiento.
Modelos ARIMA
Por último haremos referencia a una metodología más novedosa y actual para la modelación de
series temporales (Box - Jenkins ,1976), los métodos de descomposición analizados
anteriormente son de origen muy anterior.
Dichos métodos suponen que es posible identificar fácilmente con relativa facilidad las
características de la serie en estudio, tales cómo tipo de tendencia, presencia o no de
estacionalidad y su período, etc.
Sin embargo en la realidad se han encontrado a menudo series de comportamiento no tan claro,
para los cuáles dichos métodos no han sido del todo efectivos.
La metodología ARIMA en realidad es algo compleja teóricamente, aunque los programas de
cómputo hoy día disponibles y el conocimiento de algunas herramientas prácticas auxiliares hacen
posible el aplicarlas con relativo éxito sin conocimientos teóricos de gran envergadura.
Expondremos sólo las ideas esenciales, remitiéndolos a otros materiales para su profundización.

Proceso autoregresivo
La mayoría de las series consisten en elementos serialmente dependientes en el sentido de que el
valor de la serie en un instante dado está influido por valores en instantes anteriores. Así:
Yt     1Yt 1   2Yt  2    At , donde  ,  1 ,  2 , ...son parámetros del modelo.
Es decir, cada observación está compuesta por una componente aleatoria más una combinación
lineal de observaciones anteriores.

Proceso de medias móviles

Independientemente del proceso autoregresivo, cada elemento de la serie puede también estar
afectado por la componente aleatoria de observaciones pasadas, que no pueden ser incluídas en
la componente autoregresiva , o sea :

Yt    At  1 At 1   2 At  2   3 At 3  
es decir , cada observación está compuesta de la componente aleatoria y una combinación lineal
de componentes aleatorias de las observaciones anteriores

Los modelos ARIMA entonces consideran una serie compuesta de estos dos tipos de procesos y
existen una serie de reglas prácticas para la identificación del número de términos a considerar en
ambos procesos, etc. En realidad su aplicación es viable solamente a través de softwares
estadísticos.

Conclusiones
Se han considerado distintos métodos para la estimación y pronóstico de series no estacionales:
mínimos cuadrados, medias móviles, alisamiento exponencial y se ha mencionado el enfoque
ARIMA.
Deben estudiarse cuidadosamente los contenidos tratados, en especial la aplicación de cada uno
de los métodos según el tipo de tendencia presente en la serie.

Biliografía: Análisis de datos. Series temporales y Análisis Multivariante. Ezequiel Uriel, páginas
88-104; 126-129