Econometría 2

Introducción a las Series de Tiempo

-Definiciones y funciones básicas

Profesor: Luis García N.
PUCP
 Introducción

• Serie de tiempo: Secuencia de observaciones de una variable tomada en el

tiempo

• Por ejemplo, las siguientes son series de tiempo económicas:

- Tasa de Inflación
- Tipo de cambio nominal
- PIB
- Cambio % en el Índice General de la Bolsa de Valores
Logaritmo Natural del Producto Interno Bruto del Perú
(1950-2017)
Precios internacionales del Maíz y el Trigo
 Introducción

• Proceso estocástico: Secuencia de variables aleatorias 𝑌1 , 𝑌2 , … , 𝑌𝑇 , …. Se

le denota a veces como {𝑌𝑡 } o 𝑌𝑡 ∞
−∞ .

• Serie de tiempo: Es una realización del proceso estocástico, es decir los

datos.
• Informalmente se les suele tratar como sinónimos.

• Modelo de Series de Tiempo: Es un modelo estadístico para el proceso

estocástico.
• Dos tipos de procesos:
– Estacionarios
– No estacionarios
 Procesos Estocásticos Estacionarios

• Intuitivamente un proceso estocástico es estacionario si la sucesión de

variables presenta un comportamiento estable en el tiempo.

• Se dice “estable” en el sentido que sus propiedades estadísticas se

mantienen constantes en el tiempo.

• Los procesos no estacionarios son todos aquellos que no cumplen esta

propiedad.

9
Ejemplo de un Proceso Estacionario
 Procesos Estocásticos Estacionarios

• Formalmente, un proceso estocástico es estacionario si, dado una proceso

𝑌𝑡 ∞
−∞ , la función de distribución conjunta 𝑓(𝑌𝑡 , 𝑌𝑡+1 , . . , 𝑌𝑡+𝑚 ) es la
misma que la distribución conjunta de 𝑓(𝑌𝑡+𝑝 , 𝑌𝑡+𝑝+1 , . . , 𝑌𝑡+𝑝+𝑚 ), ∀𝑡,
∀𝑚, ∀𝑝.

𝑓(𝑌𝑡 , 𝑌𝑡+1 , . . , 𝑌𝑡+𝑚 ) 𝑓(𝑌𝑡+𝑝 , 𝑌𝑡+𝑝+1 , . . , 𝑌𝑡+𝑝+𝑚 )

𝑌𝑡 𝑌𝑡+1 𝑌𝑡+𝑚 𝑌𝑡+𝑝 𝑌𝑡+𝑝+1 𝑌𝑡+𝑝+𝑚

11
 Procesos Estocásticos Estacionarios

• En términos más concretos y aplicables, se define que un proceso {𝑌𝑡 } es

“débilmente estacionario” o “estacionario en covarianzas” si:

o 𝐸 𝑌𝑡 = 𝜇 ∀𝑡 media constante
o 𝑉𝑎𝑟 𝑌𝑡 = 𝜎 2 ∀𝑡 varianza constante
o 𝐶𝑜𝑣 𝑌𝑡 , 𝑌𝑡−𝑠 = 𝑓(𝑠) ∀𝑡 covarianza depende de la
distancia en el tiempo 𝑠 pero no de 𝑡

• La última propiedad implica que, por ejemplo,

𝐶𝑜𝑣 𝑌3 , 𝑌1 = 𝐶𝑜𝑣 𝑌4 , 𝑌2 = ⋯ = 𝐶𝑜𝑣 𝑌11 , 𝑌9 = ⋯ 𝑒𝑡𝑐

• En este curso llamaremos “estacionario” a este caso.

12
 El proceso ruido blanco (white noise)

• Un caso especial es el proceso ruido blanco, 𝜀𝑡 . Cumple lo siguiente:

 𝐸 𝜀𝑡 = 0 ∀𝑡
 𝑉𝑎𝑟 𝜀𝑡 = 𝜎 2 ∀𝑡
 𝐶𝑜𝑣 𝜀𝑡 , 𝜀𝑡−𝑠 = 0 ∀𝑡, 𝑠 “∄ 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑐𝑜𝑛 𝑒𝑙 𝑝𝑎𝑠𝑎𝑑𝑜"

• Si además sigue una distribución normal, se le llama ruido blanco

gaussiano.
• Se suele denotar así: 𝜀𝑡 ∼ 𝑤. 𝑛. (0, 𝜎 2 )
• La primera y tercera propiedad implican que:
 𝐸 𝜀𝑡 𝜀𝑡−𝑗 = 0 ∀𝑗 ≠ 0

13
 El proceso ruido blanco (white noise)

• Un ejemplo de un proceso ruido blanco normal estándar.

E
3

-1

-2

-3
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018

14
 Función de Autocorrelación

• Lo frecuente en series de tiempo es que las series presenten alguna

conexión o relación con su pasado (excepto en el caso del ruido blanco).

• Una forma de ver rápidamente si existe tal relación es calculando la

correlación de 𝑌𝑡 con su pasado.

• Definimos:
– Función de Autocovarianza:
𝛾𝑠 = 𝐶𝑜𝑣(𝑌𝑡 , 𝑌𝑡−𝑠 )

• En este caso, 𝛾0 = 𝑉𝑎𝑟(𝑌𝑡 )

15
 Función de Autocorrelación

– Función de Autocorrelación (FAC):

𝐶𝑜𝑣(𝑌𝑡 , 𝑌𝑡−𝑠 )
𝜌𝑠 = 𝐶𝑜𝑟𝑟 𝑌𝑡 , 𝑌𝑡−𝑠 =
𝑉𝑎𝑟(𝑌𝑡 ) 𝑉𝑎𝑟(𝑌𝑡−𝑠 )

• Si la serie es estacionaria, 𝑉𝑎𝑟 𝑌𝑡 = 𝑉𝑎𝑟 𝑌𝑡−𝑠 = 𝛾0 .

• Luego,
𝛾𝑠
𝜌𝑠 =
𝛾0

• Notar que −1 < 𝜌𝑠 < 1.

16
 Función de Autocorrelación

• Usando datos de 𝑌𝑡 , podemos calcular la versión muestral de la función de

autocorrelación.
• Definimos a la función de autocorrelación muestral como

𝑇
𝑡=𝑠+1(𝑌𝑡 − 𝑌 )(𝑌𝑡−𝑠 − 𝑌)
𝜌𝑠 = 𝐶𝑜𝑟𝑟 𝑌𝑡 , 𝑌𝑡−𝑠 = 𝑇 2
𝑡=1 𝑌𝑡 − 𝑌

• Típicamente se calcula para valores 𝑠 = 1, 2, … y se presenta en un gráfico

llamado correlograma.

17
 FAC de un ruido blanco

• En el caso de un ruido blanco, teóricamente esperamos tener 𝜌1 = 0 ,

𝜌2 = 0, 𝜌3 = 0, …
• En la práctica, por la variabilidad muestral se tiene 𝜌1 ≈ 0, 𝜌2 ≈ 0, 𝜌3 ≈ 0, …

• Tests Q de Ljung-Box
• Prueba la 𝐻0 : 𝜌1 = 0, 𝜌2 = 0, … , 𝜌𝑠 = 0 versus 𝐻1 : 𝑎𝑙𝑔ú𝑛 𝜌 ≠ 0
𝑠

𝑄 = 𝑇(𝑇 + 2) 𝜌𝑗2 /(𝑇 − 𝑗)

𝑗=1
𝑎 2
• Bajo la hipótesis nula, el estadístico 𝑄 ~ 𝜒 2 (𝑠). Si 𝑄 > 𝜒1−𝛼 se rechaza la
hipótesis nula.
• Se realiza el test para varios “s”. Si no se rechaza para un “s” grande, entonces
la serie se comporta como un ruido blanco.

18
 E inflac
4 1.6

3
1.2

2
0.8
1
0.4
0

0.0
-1

-2 -0.4

-3 -0.8
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018

Ruido blanco (generado en computadora) Inflación

Date: 04/29/21 Time: 15:48
Sample: 2000M01 2019M12 Sample: 2000M01 2019M12
Included observations: 240 Included observations: 240

Autocorrelation Partial Correlation AC PAC Q-Stat Prob Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.075 0.075 1.3825 0.240 1 0.290 0.290 20.408 0.000

2 -0.107 -0.114 4.1872 0.123 2 0.026 -0.063 20.575 0.000
3 0.062 0.081 5.1258 0.163 3 -0.026 -0.017 20.742 0.000
4 0.043 0.019 5.5784 0.233 4 0.035 0.054 21.035 0.000
5 -0.032 -0.022 5.8327 0.323 5 0.186 0.175 29.599 0.000
6 0.039 0.047 6.2062 0.400 6 0.115 0.011 32.898 0.000
7 0.099 0.082 8.6345 0.280 7 -0.008 -0.046 32.915 0.000
8 0.010 0.007 8.6618 0.372 8 -0.144 -0.131 38.106 0.000
9 0.073 0.091 10.016 0.349 9 -0.040 0.040 38.512 0.000
10 -0.010 -0.040 10.043 0.437 10 -0.019 -0.060 38.606 0.000
11 0.006 0.026 10.053 0.526 11 0.034 0.030 38.895 0.000
12 0.025 0.009 10.210 0.598 12 0.138 0.147 43.721 0.000
13 0.096 0.091 12.547 0.483 13 -0.022 -0.060 43.843 0.000
14 0.033 0.017 12.832 0.540 14 -0.146 -0.127 49.335 0.000
15 -0.107 -0.106 15.763 0.398 15 -0.060 0.031 50.273 0.000
16 -0.006 -0.008 15.774 0.469 16 -0.066 -0.095 51.393 0.000
17 0.018 -0.010 15.856 0.534 17 -0.012 -0.027 51.430 0.000
18 -0.031 -0.029 16.100 0.586 18 -0.087 -0.103 53.394 0.000
19 -0.004 0.006 16.105 0.650 19 -0.040 0.086 53.811 0.000
20 0.085 0.053 18.007 0.587 20 -0.029 0.025 54.028 0.000

Evidentemente, la inflación no es un ruido blanco. 19

 deval
4

-1

-2

-3

-4
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018

Sample: 2000M01 2019M12

Included observations: 240

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.334 0.334 27.182 0.000 La devaluación

2 0.047 -0.073 27.732 0.000
3 0.131 0.157 31.960 0.000 tampoco se
4 0.114 0.022 35.149 0.000
5 0.062 0.027 36.114 0.000 comporta como
6
7
0.007
-0.160
-0.036
-0.190
36.126
42.491
0.000
0.000
un ruido blanco.
8 -0.102 0.002 45.105 0.000
9 0.083 0.119 46.833 0.000
10 -0.047 -0.098 47.397 0.000
11 -0.129 -0.042 51.607 0.000
12 -0.065 -0.019 52.671 0.000
13 0.005 0.037 52.677 0.000
14 -0.006 -0.031 52.688 0.000
15 0.027 0.045 52.873 0.000
16 0.030 0.056 53.107 0.000
17 0.117 0.117 56.659 0.000
18 0.091 -0.050 58.822 0.000
19 0.033 -0.000 59.115 0.000
20 0.108 0.113 62.166 0.000
20
 Introducción al Eviews

• Eviews es un programa econométrico muy versátil y de gran ayuda para el

análisis de series de tiempo.
• Creación de un workfile
• Contamos con un archivo en Excel de la serie de inflación, desde Enero
2000 hasta Diciembre 2019, llamado infla_deval2000-2019.xlsx

21
 Introducción al Eviews

• Abrimos el programa, y en la ventana emergente elegimos “Create a new

Eviews workfile”.
• Luego en Workfile structure elegir Dated – regular frequency.
• En Date specification / Frequency, elegir Montly.
• Start Date: 2000M01
• End Date: 2019M12

• Obtenemos esta pantalla inicial:

22
 Menús principales Ventana del workfile
Ventana de (puede haber más de uno)
comandos

Registro de
comandos
Menús del
Rango máximo Workfile
de datos (son atajos)

Espacio para “objetos”:

Muestra actual
Series, tablas, gráficos,
(≤ que el rango)
ecuaciones, etc.

23
 Introducción al Eviews
• Vamos a generar un ruido blanco. En la línea de comandos escribir
series e=nrnd
• Ver la serie e.sheet o show e
• Gráfico de línea contra el tiempo e.line
• Estadísticas básicas: e.stats
• Correlograma: e.correl(20)
• Histograma: e.hist

• Todo lo anterior: Doble click al objeto e, y luego explorar la pestaña View.

• Eviews permite guardar los gráficos y tablas como objetos.

freeze(correl_1) e.correl(20) ‘Lo guarda con el nombre correl_1
freeze(grafico1) e.line ‘Lo guarda con el nombre grafico1

24
 Introducción al Eviews

• Importación de datos desde Excel: Vamos a File/Import/Import from file/ y

ubicamos nuestro archivo . Click en “Abrir”
• Cambiar en Custom range a Hoja1!$B$1:$C$241. Dar click en “siguiente”.
• Se puede escribir una pequeña descripción de cada serie. Dar click en “siguiente”.
• Verificar que Frequency esté seleccionado en Monthly.
• Añadir la fecha de inicio: Start Date: 2000M01. Click en “finish”.
• Aparece el mensaje “Link imported series and alpha objects(s) to external source?”.
• Si damos “sí”, se vincula al excel.
• Si damos “no, no se vincula.

25
 Introducción al Eviews

• Ya con los datos de inflación y devaluación podemos ver su gráficos y

correlogramas.
freeze(grafico2) inflac.line
freeze(correl_2) inflac.correl(20)
freeze(grafico3) deval.line
freeze(correl_3) deval.correl(20)
• Podemos hacer un grupo de variables y luego trabajar con el grupo.
group grupo1 inflac deval
freeze(grafico4) grupo1.line

26
 Introducción al Eviews

• Es recomendable guardar nuestra sesión en una archivo de programa (program

file).
• En File / New / Program se abre una ventana en blanco en donde podemos
escribir los comandos.
• Se pueden añadir comentarios en el programa antecediendo el texto con una
comilla ‘.
• En el caso de comandos complicados como la importación, podemos hacerlo
siguiendo las ventanas y menús. Al final vemos el comando en “Capture” y lo
copiamos y pegamos al programa.

27
Para correr una secuencia de
comandos, la seleccionamos,
luego con click derecho
seleccionamos “Run selected”.

28