ECONOMETRÍA II:

ECONOMETRÍA DE SERIES TEMPORALES

Modelos ARMA
• Definición: Ruido blanco. Se dice que el proceso {t } es ruido
blanco (”white noise”) si:

E (t ) = 0
Var (t ) = E (2t ) = σ2
Para todo i 6= j : Cov (i j ) = E (i j ) = 0
• Notación: t ∼ WN

• Ruido blanco Gaussiano: Para todo t, t ∼ N(0, σ 2 ). Notación:

t ∼ WN(0, σ 2 )
• Definición: Modelo ARMA. Un modelo autoregresivo-media
móvil (”autoregressive moving average”—ARMA) tiene la forma:
p
X q
X
yt = φ0 + φi yt−i + θj t−j ,
i=1 j=0

donde el proceso {t } es ruido blanco.

Este modelo se denota como ARMA(p, q), y normalmente se

normaliza θ0 a 1.

Nota: Suponemos que todas las raı́ces caracterı́sticas están dentro

del cı́rculo de unidad. Si una o varias raı́ces caracterı́sticas estan
encima o fuera del circulo de unidad, el modelo se llama
autoregresivo-integrado-media móvil (”autoregressive integrated
moving average”—ARIMA(p, d, q), donde d es el orden de
integración)
 Ejemplos de modelos ARMA:

ARMA(0,0): yt = φ0 + t

ARMA(0,1): yt = φ0 + t + θ1 t−1

ARMA(1,0): yt = φ0 + φ1 yt−1 + t

ARMA(1,0)
(paseo : yt = yt−1 + t
aleatorio)

ARMA(1,1): yt = φ0 + φ1 yt−1 + t + θ1 t−1

 Ejemplos de modelos ARMA (cont.):

• Modelos ARMA(p,0) con θ0 = 1:

p
X
yt = φ0 + φi yt−i + t
i=1

también se denotan modelos AR(p).

• Modelos ARMA(0,q):
q
X
yt = φ0 + θj t−j
j=0

también se denotan modelos MA(q)

 Modelos MA(q):

• MA(1): yt = φ0 + t + θ1 t−1 , donde {t } es ruido blanco

⇒ µ = E (yt ) = φ0

⇒ γ0 = Var (yt ) = (1 + θ12 )σ 2

θ1 σ 2 para k = 1

⇒ γk = Cov (yt , yt−k ) =
0 para k > 1

• Es el modelo MA(1) estacionario? Si

• Qué es Corr (yt , yt−k )?

γk
→ ρk = Corr (yt , yt−k ) = γ0
 Modelos MA(q) (cont.):
Pq
• MA(q): yt = φ0 + j=0 θq t−q , donde {t } es ruido blanco y
donde θ0 = 1

⇒ µ = φ0

⇒ γ0 = (1 + θ12 + · · · + θq2 )σ 2

(θk + θk+1 θ1 + · · · + θq θq−1 )σ 2 para k = 1, . . . , q


⇒ γk =
0 para k > q

• Es el modelo MA(q) estacionario? Si

• Qué es Corr (yt , yt−k )?

γk
→ ρk = γ0
 Modelos MA(q) (cont.):
P∞
• MA(∞): yt = φ0 + j=0 ψj t−j , donde {t } es ruido blanco y
donde ψ0 = 1

• Notación: MA(∞)

• Como podemos saber si MA(∞) es un proceso estacionario y

bien definido? Una de las condiciones siguientes es suficiente:
P∞ 2
a) j=0 ψj <∞

⇑
P∞
b) j=0 |ψj | <∞
 Modelos MA(q) (cont.):

• Entonces, por el MA(∞) tenemos que:

⇒ µ = φ0

⇒ γ0 = limT →∞ (ψ02 + ψ12 + · · · + ψT2 )σ 2

⇒ γk = σ 2 (ψk ψ0 + ψk+1 ψ1 + ψk+2 ψ2 + · · · )

 Modelos AR(p):

• AR(1): yt = φ0 + φ1 yt−1 + t , donde {t } es ruido blanco

• Es el modelo AR(1) estacionario (”estable”)?

→ Si |φ1 | < 1 ⇒ si

→ Si |φ1 | ≥ 1 ⇒ no

• Por qué |φ1 | < 1 ⇒ AR(1) estacionario?

 Modelos AR(p) (cont.):

• Porque eso implica que el modelo AR(1) se puede escribir como

un modelo MA(∞):

yt = φ0 + φ1 yt−1 + t

= φ0 + φ1 (φ0 + φ1 yt−2 + t−1 ) + t

= φ0 + φ1 [φ0 + φ1 (φ0 + φ1 yt−3 + t−2 )

+t−1 ] + t
..
.
= (φ0 + t ) + φ1 (φ0 + t−1 ) + φ21 (φ0 + t−2 ) + · · ·

φ0 · ∞ i 2 3
P
= i=0 φ1 + t + φ1 t−1 + φ1 t−2 + φ1 t−3 + · · ·
φ0
= 1−φ1 + t + φ1 t−1 + φ21 t−2 + φ31 t−3 + · · ·

= MA(∞)
 Modelos AR(p) (cont.):

• Recuerda: ∞
P
j=0 |ψj | < ∞ ⇒ MA(q) estacionario, y en nuestro
caso (dado que |φ1 | < 1) tenemos
P∞ P∞ j
j=0 |ψj | = j=0 |φ1 | <∞

• De todo esto se deduce (cuando |φ1 | < 1):

φ0
µ= 1−φ1

σ2
γ0 = (1−φ21 )

φk1
γk = 1−φ21
σ2

γk
ρk = γ0 = φk1
 Modelos AR(p) (cont.):

• El modelo AR(2) se define como:

yt = φ0 + φ1 yt−1 + φ2 yt−2 + t (1)

• Aplicando el operador de retardo el AR(2) se puede escribir como

(1 − φ1 L − φ2 L2 )yt = φ0 + t
y (1) es estacionario si las p raı́ces caracterı́sticas λ1 y λ2 están
dentro del cı́rculo de unidad (es decir, |λ1 |, |λ2 | < 1)

• Cómo calculamos las 2 raı́ces caracterı́sticas λ1 , λ2 de un AR(2)?

(1 − φ1 z − φ2 z 2 ) = 0 ⇔ (λ2 − φ1 λ − φ2 ) = 0
1
donde λ = z
 Modelos AR(p) (cont.):

• Nota: A veces se utiliza una terminologı́a diferente que puede

confundir:

raı́ces del polinomo 1 − φ1 z − φ2 z 2 está fuera del cı́rculo de unidad

m
Las raı́ces caracterı́sticas están dentro del circulo de unidad

• Si todas las raı́ces caracterı́sticas están dentro del cı́rculo de

unidad, entonces podemos escribir

ψ(L) = (1 − φ1 L − φ2 L2 )−1 = ψ0 + ψ1 L + ψ2 L2 + · · · (2)

y finalmente

yt = ψ(L)φ0 + ψ(L)t
(3)
= MA(∞)
 Modelos AR(p) (cont.):

• Suponiendo que las 2 raı́ces caracterı́sticas están dentro del

cı́rculo de unidad, entonces tenemos que:
φ0
µ= 1−φ1 −φ2

γ0 = φ1 γ1 + φ2 γ2 + σ 2

γk = φ1 γk−1 + φ2 γk−2
γk
ρk = γ0
 Modelos AR(p) (cont.):

• El modelo AR(p) se define como:

p
X
yt = φ0 + φ1 yt−i + t
i=1

• Suponiendo que todas las raı́ces caracterı́sticas están dentro del

cı́rculo de unidad, entonces tenemos que:
φ0
µ= 1−φ1 −···−φp

γ0 = φ1 γ1 + · · · + φp γp + σ 2

γk = φk γk−1 + · · · + φp γk−p
γk
ρk = γ0
Nota: Las p + 1 ecuaciones definidas por ρ0 , . . . , ρp se llaman las
ecuaciones de Yule-Walker
 ARMA(p, q), representación de media móvil MA(∞):

Un modelo ARMA(p, q) estacionario/estable siempre tiene una

representación de media móvil MA(∞):
Pp Pq
yt = φ0 + i=1 φi yt−i + j=0 θj t−j

se puede escribir

(1 − φ1 L − · · · − φp Lp )yt = φ0 + (1 + θ1 L + · · · + θq Lq )t ,

y si el ARMA(p, q) es estable entonces

φ0
yt = 1−φ1 −···−φp + ψ(L)t
= MA(∞)

1+θ1 L+···+θq Lq
donde ψ(L) = 1−φ1 L−···−φp Lp
 Teorema de Wold (1938):

• Hemos visto que procesos ARMA(p, q) estacionarios se pueden

escribir como
P un modelo MA(∞), es decir, Pcomo
yt = φ0 + ∞ j=0 ψ j t−j donde ψ 0 = 1, si ∞
j=0 |ψj | < ∞

• El teorema de Wold establece que esto es cierto para todo

proceso estacionario
 Teorema de Wold (1938) (cont.):

Teorema (Wold): Cualquier proceso estacionario {yt } con media

cero se puede representar de la forma
∞
X
yt = ψj t−j + κt (4)
j=0

donde ψ0 = 1 y ∞ 2
P
j=0 ψj < ∞. El proceso {t } es ruido blanco y
representa el error resultante de predecir yt con una función lineal
de los retardos de yt :

t = yt − E (yt |yt−1 , yt−2 , . . . )

El valor de κt es incorrelado con t−j para cualquier j, pero se

puede predecir κt arbitrariamente bien con una función lineal de
los valores pasados de yt :

κt = E (κt |yt−1 , yt−2 , . . . )

 Teorema de Wold (1938) (cont.):

• Nota 1: La parte ∞
P
j=0 ψj t−j se llama el componente
linealmente indeterminı́stico

• Nota 2: La parte κt se llama el componente linealmente

determinı́stico

• Problema: Estimar la representación de Wold de una serie

requiere la estimación de un número infinito de parámetros

• Tenemos solamente un número finito de observaciones

• Solución: Hacer supuestos adicionales sobre la naturaleza de

ψ1 , ψ 2 , . . .
 Teorema de Wold (1938) (cont.):

• Estrategia 1: Aproximar la suma infinita con una suma finita:

∞ r
1 + θ1 L + θ2 L2 + · · · + θq Lq X
j
X
= ψ j L ≈ ψj Lj
1 − φ1 L − φ2 L2 − · · · − φp Lp
j=0 j=0

• Entonces se obtiene (en general) una buena aproximación con

pocos parámetros

• Estrategia 2: Hamilton (1994, capı́tulo 6)

 Invertibilidad de MA(q):

• Recordamos: Si un modelo AR(p) es estable, entonces podemos

escribirlo como un MA(∞)

• Si un modelo MA(q) es invertible, entonces podemos escribirlo

como un AR(∞)

• Definición: Invertibilidad de MA(q). Un modelo MA(q) se

puede escribir como yt − φ0 = (1 + θ1 L + θ2 L2 + · · · + θq Lq )t . Si
el MA(q) se puede escribir como un modelo AR(∞) utilizando la
inversa del (1 + θ1 L + θ2 L2 + · · · + θq Lq ), entonces se dice que
MA(q) es invertible.

• Condición suficiente para la invertibilidad: Que todas las raı́ces

del polinomo (1 + θ1 z + θ2 z 2 + · · · + θq z q ) = 0 están fuera del
cı́rculo de unidad
 Invertibilidad de MA(q) (cont.):
Pq
• MA(q): yt = φ0 + j=0 t−j

⇒ yt − φ0 = (1 + θ1 L + θ2 L2 + · · · + θq Lq )t

• Si todas las raı́ces están fuera del circulo de unidad tenemos que

(1 + η1 L + η2 L2 + · · · ) = (1 + θ1 L + θ2 L2 + · · · + θq Lq )−1

y entonces

(1 + η1 L + η2 L2 + · · · )(yt − φ0 ) = t

es un AR(∞) representación del modelo MA(q).

 Causalidad:

• Definición: Causalidad. Un proceso {yt } es causal, o una

función causal de {t }, si existen constantes ψj ası́ que
P∞
i) j=0 |ψj | <∞
P∞
ii) yt = j=0 ψj t−j para todo t

• Ejemplos: Modelos AR(1) con |φ1 | < 1:

→ yt = φ1 yt−1 + t
→ yt = φ0 + φ1 yt−1 + t
 q-correlación:

• Definición: q-correlación. Un proceso {yt } estacionario es

q-correlacionado si Cov (yt , yt−k ) = 0 para todo |k| > q, y si
Cov (yt , yt−k ) 6= 0 para todo |k| ≤ q.

• Recuerda:

→ Cov (yt , yt−k ) = 0 ⇔ Corr (yt , yt−k ) = 0 y

→ Cov (yt , yt−k ) 6= 0 ⇔ Corr (yt , yt−k ) 6= 0

• Ejemplo: Modelos MA(q)

Referencias:
Hamilton, J. D. (1994). Time Series Analysis. Princeton, New
Jersey: Princeton University Press.
Wold, H. (1938). A Study in the Analysis of Stationary Time
Series. Uppsala, Sweden: Almqvist and Wiksell.