BANCO CENTRAL DE COSTA RICA

DIVISIN ECONMICA
DEPARTAMENTO DE INVESTIGACIONES ECONMICAS
DIE-NT-01-2000
MARZO, 2000

EL FILTRO BAXTER-KING, METODOLOGA Y APLICACIONES

Elaborado por:

Melania Flores Pizarro

Documento de trabajo del Banco Central de Costa Rica, elaborado en el

Departamento de Investigaciones Econmicas

Las ideas expresadas en este documento son responsabilidad de los autores y no necesariamente
representan la opinin del Banco Central de Costa Rica
 TABLA DE CONTENIDO

INTRODUCCIN...........................................................................................................................1

ASPECTOS TERICOS ..............................................................................................................2

Funciones Peridicas ......................................................................................................................2

Filtros lineales.................................................................................................................................3
El filtro Baxter-King (BK(p,q))..........................................................................................................6
El filtro de Hodrick-Prescott (HP()) ..................................................................................................8

APLICACIN DEL FILTRO BAXTER-KING...........................................................................11

El programa..................................................................................................................................11
Aplicacin del Filtro a Series Econmicas .......................................................................................13

CONCLUSIONES........................................................................................................................18

BIBLIOGRAFA ............................................................................................................................21

ANEXOS
 El Filtro Baxter-King, Metodologa y Aplicaciones1
Resumen

La presente nota tiene como objetivo exponer de manera breve la metodologa del
filtro Baxter-King como herramienta til para el anlisis de ciclos econmicos y de
extraccin de tendencia. Tambin se repasan las propiedades matemticas del filtro
Hodrick-Prescott, para comprender en qu aspectos difiere del Baxter-King. Como
aplicacin del filtro, se analizan series con periodicidad mensual (IMAE, IPPI, Base
Monetaria) trimestral (PIB) y anual (PIB e Importaciones) y se concluye que a pesar de
que no difieren mucho sus resultados, el segundo es superior al Hodrick-Prescott por
cuanto permite que el investigador determine el tipo de informacin que desea aislar
de las series.
Abstract

This document briefly explains the Baxter-Kings filter methodology, which has become
a very useful tool to analyze economic cycles and as a method for trend extraction.
Some mathematic properties of Hodrick-Prescott filter are also reviewed, in order to
understand the difference between this method and Baxter-Kings. I applied the filter
to monthly, quarterly and annual series. Although Baxter-King and Hodrick-Prescott
filters do not differ much in their results, the former has the advantage that it allows the
researcher to specify the kind of information she wants to isolate from the series.

INTRODUCCIN

La presente nota tiene como objetivo exponer de manera breve la metodologa del filtro Baxter-King
(BK(p, q)) como herramienta til para el anlisis de ciclos econmicos y de extraccin de tendencia.
Dicho estudio responde a la necesidad de actualizar los mtodos de extraccin de tendencia, por
cuanto se ha mencionado en reiteradas ocasiones que el filtro Hodrick-Prescott (HP()),
frecuentemente utilizado para este fin, presenta algunos inconvenientes metodolgicos. Por otra
parte, la Divisin Econmica del Banco Central de Costa Rica ya utiliza el filtro Baxter-King como
instrumento de anlisis, pero an no se han estudiado a fondo cules son sus propiedades y qu
elementos lo diferencian de otros filtros ya utilizados con anterioridad.

El estudio est dividido en dos apartados. En el primero, se revisan brevemente los aspectos tericos
necesarios para comprender cmo est construido el filtro Baxter-King y qu lo diferencia de otros,
especialmente del filtro Hodrick-Prescott. Por ello, se repasan las funciones peridicas, los filtros
lineales en general, as como la base matemtica del filtro Baxter-King y Hodrick-Prescott. Si el lector
est interesado especficamente en el aprendizaje de la tcnica o si desea estudiar su empleo en la
prctica, puede avanzar directamente al segundo apartado, en donde se realiza la aplicacin del filtro

1
Se agradecen los comentarios de la Licda. Ana Georgina Azofeifa, la ME. Evelyn Muoz y las recomendaciones de la MsC
Ana Cecilia Kikut en la etapa inicial de esta nota.

1
Baxter-King a diversas series econmicas con periodicidad mensual, trimestral y anual y se comparan
los resultados con los que se obtienen con el de Hodrick-Prescott.

ASPECTOS TERICOS

Funciones Peridicas2

Para estudiar los ciclos de las series, se utiliza el anlisis de dominio de frecuencia (Frequency
Domain Analysis)3. Este subtpico del anlisis de series de tiempo estudia el aporte que hacen
componentes peridicos, regulares o no, en las series econmicas. La idea subyacente es la
siguiente: si una serie de tiempo presenta de alguna manera un comportamiento cclico, es posible
realizar una aproximacin de la misma mediante funciones trigonomtricas. A las series
trigonomtricas que aproximan una funcin cclica o peridica se les denomina series de Fourier4.

0, p conocido como el
Una funcin peridica tiene la caracterstica de que F(x+p)=F(x), con p
perodo de la funcin. En el caso de las funciones seno y coseno, p=2 .

Cualquier funcin peridica puede expresarse en trminos de funciones trigonomtricas sustituyendo

a x en F(x) por x=p(/2 ), por lo que si aumenta en 2 , el valor de la funcin ser igual a p. Es
decir, la cantidad de tiempo (o el periodo p) que le toma a la funcin completar un ciclo es igual a
(2 /). A se le conoce como la frecuencia de la funcin y se mide en radianes.

Si bien es cierto que la frecuencia se mide en radianes, en ocasiones es ms sencillo interpretarla

cuando se expresa como proporcin de . Si se normaliza la frecuencia y se le convierte en fraccin
de , el perodo estara determinado por 2/w, en donde la frecuencia normalizada ser w=/ .

De lo anterior se desprende que existe una relacin inversa entre la frecuencia y el perodo. Entre
menor sea la frecuencia, mayor ser la cantidad de perodos que abarque un ciclo. Entonces, si la
frecuencia tiende a cero, el perodo tiende a infinito, y si w=1, el perodo abarca dos intervalos de
tiempo.

2
Se agradecen los comentarios del MsC Federico Torres, Director de la Escuela de Informtica en la Universidad
Latinoamericana de Ciencia y Tecnologa (ULACIT), en este apartado.

3
Esta teora tambin abarca el anlisis espectral y la desestacionalizacin de series semanales.

4
Para mayor detalle sobre las series peridicas y de Fourier, consltese bibliografa sobre Clculo y Ecuaciones
Diferenciales.

2
Un ejemplo de una funcin peridica es la funcin coseno, (F(x) =cos x), en donde el ngulo x se
mide en radianes, los cuales completan un crculo cuando alcanzan un valor de 2 . El patrn del
coseno es cclico y peridico, por lo que F(x) termina su perodo, cuando x se acerca a 2 . Esta
funcin es de especial importancia por su versatilidad matemtica, y en especial, por cuanto
cos(0)=1, lo cual es una propiedad deseable en trminos de aproximacin de las series de tiempo5.

Filtros lineales

Para definir un ciclo, es necesario que el investigador suponga que una serie de tiempo determinada
est compuesta por al menos dos componentes: uno de tendencia y otro cclico6. El componente
cclico se determina, normalmente, de manera residual.

Una metodologa frecuentemente utilizada para estimar el componente tendencial de la serie, es

mediante el uso de promedios mviles, que hacen depender cada valor yt de sus valores pasados
(promedios mviles simples) o pasados y futuros (promedios mviles centrados), suavizando con este
procedimiento la serie en cuestin. Para tomar en cuenta la idea intuitiva de que los valores ms
cercanos a la serie deberan tener un mayor peso en la determinacin de una variable, se pondera
mediante diversos mtodos cada rezago o adelanto, de modo que la suma de dichos coeficientes sea
igual a uno7.

En general, las series econmicas se pueden escribir de la siguiente manera:

y t = ytg + ytc , (1)

donde el primero es el componente tendencial y el segundo es el componente cclico. Tal y como se

mencion, ytg se define a su vez como un promedio mvil de forma

y tg = g
j =
j y t j (2)

5
Esto implica que el filtro ser exactamente igual al ideal (o terico) si p tiende a infinito. Matemticamente, el filtro tendr
amplitud unitaria a la frecuencia de cero. Vase King y Rebelo (91), pg. 217. Para observar las diferencias grficas entre
filtros tericos y filtros aproximados, vanse las figuras 2 y 3 contenidas en el anexo de Baxter y King (95).

6
Vanse, por ejemplo, Muoz y Kikut (1994) y King y Rebelo (1991).

7
El filtro Hodrick-Prescott y el Baxter-King tericos, realizan el clculo de dichas ponderaciones mediante la transformacin
inversa de Fourier.

3
La sumatoria puede expresarse con el operador de rezagos, Bny t =yt-n por lo que la ecuacin (2) se
reescribe como sigue.

y tg = G( B) yt (3)

A G(B) se le conoce tambin como un filtro lineal8. Si la parte cclica resulta de restar la tendencia de
la serie original, sta ser necesariamente un promedio mvil tambin y se denomina como C(B) y t
[1-G(B)]y t .

El mtodo matemtico utilizado para ponderar los rezagos del promedio mvil se denomina
Transformacin de Fourier, la cual tiene la siguiente forma general:

g
~( ) =
G j e ij (4)
j =

donde es la frecuencia, e i el nmero imaginario 1 . Matemticamente se ha demostrado que

cuando los filtros poseen la caracterstica de ser simtricos (gj=g-j), la ecuacin (4) se convierte en

~( ) = g + 2 g cos( j)
G 0 j j =1
(5)

por cuanto 2cosx=eix+e-ix. Es por esta razn que las propiedades de los cosenos sern tiles para
explicar las caractersticas inherentes a la serie de tiempo, lo cual facilita el anlisis de las mismas.

Cuando se filtra una serie se pueden generar dos tipos de distorsiones, una relacionada con un
aumento en la amplitud de las ondas (conocida en ingls como gain) y la segunda consiste en un
desplazamiento sobre el eje temporal de las series, por lo que los ciclos se mueven hacia la derecha
o izquierda del ciclo original (a este se le conoce como movimiento de fase, en ingls, phase shift).
King y Rebelo muestran matemticamente que con filtros simtricos el desplazamiento temporal no
se presenta9,10.

8
Baxter y King (1995) definen como filtro lineal a la construccin de promedios mviles que asla los componentes
peridicos de una serie de tiempo e conmica que se hallan en una banda especfica de frecuencias.

9
Vase King y Rebelo (1991) pg. 215.

10
Sin embargo, si el investigador lo desea, tambin se le puede inducir a la serie un movimiento de fase agregando un
parmetro a la funcin con el objeti vo de poder variar la posicin de la misma, a lo largo del tiempo. Vase Harvey (1993),
pg. 170.

4
Un filtro para ciclos econmicos consiste, pues, en un filtro lineal, del tipo definido en las ecuaciones
(3) a (5), que elimina componentes con frecuencias muy lentas (tendencia) y con frecuencias muy
altas (irregular o estacional) y retiene los movimientos intermedios.

Segn Baxter y King, un mtodo ptimo de extraccin de ciclos econmicos debe cumplir con 6
objetivos 11:

El filtro debe extraer un rango especfico de periodicidades, sin variar sus propiedades inherentes
(la varianza, correlaciones y otras medidas exploratorias de los datos).

No debe producir un movimiento de fase (es decir, que no altere las relaciones temporales de las
series a ninguna frecuencia). Este aspecto y el anterior definen un promedio mvil ideal, con
ponderaciones simtricas para rezagos y adelantos.

El mtodo debe ser una aproximacin ptima de un filtro ideal. Esto se puede determinar
midiendo la diferencia de los resultados obtenidos con un filtro ideal y uno aproximado.

La aplicacin de un filtro debe producir una serie de tiempo estacionaria cuando se aplica a cifras
que presentan tendencia.

El mtodo debe ser independiente de la longitud de la serie.

El mtodo debe ser operacional, esto es, de fcil aplicacin y uso.

Los requisitos para el filtro ideal conllevan el establecer un equilibrio entre el estimar un filtro ptimo,
lo cual implica agregar la mayor cantidad de rezagos y adelantos como explicativos de una variable y
el perder observaciones al inicio y al final del perodo, lo cual reduce la cantidad de datos para el
anlisis. Los autores recomiendan utilizar como mnimo 6 aos cuando se trabaja con datos
trimestrales y anuales 12.

En la actualidad existen dos filtros lineales de amplio uso en los estudios econmicos: el filtro Baxter-
King y el filtro Hodrick-Prescott. Para comprender mejor las caractersticas y diferencias de ambos
filtros, en las siguientes secciones se presentar un breve repaso de las propiedades matemticas de
los mismos y posteriormente se compararn los resultados estadsticos derivados de la aplicacin de
estas tcnicas.

11
Baxter y King (1995), pg.3

12
Por las caractersticas de su estudio, los autores no hacen referencia a series mensuales.

5
El filtro Baxter-King (BK(p,q))

Baxter y King realizan una crtica a los analistas de ciclos econmicos en el sentido de que cuando se
estiman metodologas de clculo de los ciclos, frecuentemente han dejado de lado las caractersticas
propias de los mismos. Por ello, su objetivo es encontrar un mtodo til para medir ciclos
econmicos y que ste sea ptimo, i.e. que cumpla con las especificaciones sobre ciclos asignadas
por el investigador. Su procedimiento se resume en dos pasos: primero se mide el ciclo, para lo cual
el investigador debe especificar ciertas caractersticas del mismo13 y posteriormente se le asla,
aplicando promedios mviles a los datos.

En su documento, Baxter y King desarrollan 3 tipos de filtro lineal: low-pass, high-pass y band-
pass.

Intuitivamente, un filtro de tipo low-pass slo retendr los componentes que se mueven lento en los
datos, esto es, que se producen con frecuencias muy bajas, -w w w, siendo w un lmite bajo de
frecuencias. Por la relacin inversa entre p y w, entre menor sea la frecuencia mayor va a ser la
cantidad de perodos que abarca un ciclo. Un filtro low-pass se representa como LPk(p), en donde k
es el nmero de rezagos de los promedios mviles y p la periodicidad mnima aceptable en el filtro.

Un filtro de tipo high-pass (HPk(p)) va a aceptar componentes de los datos cuya periodicidad es
menor o igual a p. Esto equivale a una frecuencia relativamente alta, por lo que se espera que incluya
elementos ms frecuentes de la serie, como los irregulares o estacionales.

El filtro band-pass (BP(p, q), que para efectos de esta nota se representar como BK(p,q), en
donde p y q son los perodos mnimo y mximo a incluir en el ciclo) es un tipo de construccin de
promedios mviles que asla los componentes peridicos de una serie de tiempo econmica que cae
en una banda de frecuencias especfica. Por ello, ser una combinacin de dos filtros low-pass,
recibiendo en su rango slo frecuencias entre w1 l w l w2.

La representacin general del filtro es la siguiente b( B ) = b B h
h
, en donde B es el operador de
h =

rezagos, y bh son los ponderadores de promedios mviles infinitos. Dichos ponderadores, a su vez,
se obtienen mediante la transformacin inversa de Fourier:

13
Este es precisamente uno de los a portes ms importantes del estudio, por cuanto es el investigador quien, de acuerdo
con las caractersticas propias de su economa, define qu tipo de movimientos se toman como ciclos y cules no.

6

bh = ( w) e iwh dw (6)

en donde (w) es la ponderacin ideal del filtro infinito.

Resolviendo la integral en (6) y aplicando algunas identidades matemticas, se obtiene que bo =w/ , y

bh =sen(hw)/h 14.

En vista de que el proceso de medias mviles subyacente al filtro es de orden infinito, la aplicacin a
series finitas implica que debe hacerse alguna modificacin, ya sea en el modelo o en los datos. Por
ello, la representacin finita relevante ser del tipo:

k
a ( B) = a B h
h
(7)
h= k

en donde las ah son las ponderaciones muestrales del filtro. La transformacin de Fourier til para
encontrarlas ser:

k
( w) = a e h
iwh
(8)
h= k

en donde (w) es la ponderacin ideal muestral del filtro.

A diferencia de la metodologa de Hodrick y Prescott, que se ver ms adelante, estos autores

proceden a suponer que cuando se aproxima un filtro, debe buscarse aquel que minimice la
discrepancia entre los ponderadores del filtro ideal y el filtro estimado, utilizando la siguiente
expresin:

2
Q = () d (9)

en donde () () () , es la discrepancia producida por la estimacin de los ponderadores

en la frecuencia , y el nmero de rezagos seleccionado.

Luego de minimizar la ecuacin, se puede observar que una manera sencilla de reducir la
discrepancia de la funcin es el truncar los ponderadores ideales infinitos en el rezago . Con ello, el

14
La solucin de la ecuacin se encuentra en Baxter y King (1995), apndice B.

7
filtro estimar ponderaciones finitas iguales a las infinitas hasta el rezago , e igualar a cero todas
las ponderaciones finitas cuando el nmero de rezagos sea mayor o igual a +1. Las ponderaciones
se estiman igualmente mediante la transformacin inversa de Fourier.

La cantidad de rezagos a incluir en el filtro es muy importante, por cuanto estos definen la precisin
de los ponderadores. De acuerdo con Baxter y King, no existe un nmero ideal de rezagos, pero s
ocurre que entre ms rezagos se incorporen en el promedio mvil, mejor ser la aproximacin con el
filtro ideal, a costa de una mayor prdida de datos por encima y por debajo del valor de inters,
aspecto que cobra mayor importancia al final de la serie. Por ello, la escogencia de k depender en
gran medida de la cantidad de datos disponibles y de lo necesario que sea aproximar el filtro al
ideal15.

Siguiendo el anlisis de las caractersticas ideales planteadas por Baxter y King, este filtro cumple
con la mayora de ellas: es simtrico, por lo que no produce movimientos de fase, aproxima
relativamente bien un filtro ideal, produce series estacionarias, y es un mtodo operacional. Adems,
es superior a otros en la medida que permite introducir la definicin del investigador del ciclo
econmico y no produce variacin en las propiedades de la variable al final de las series. Sin
embargo, habr una prdida de datos al inicio y al final de la serie igual a dos veces la cantidad de
rezagos que el investigador incluya16. Estas caractersticas se contrastarn en la seccin de
aplicacin del filtro.

El filtro de Hodrick-Prescott (HP())

Partiendo del supuesto de que la serie est compuesta por un componente tendencial ms un
componente cclico, Hodrick y Prescott encuentran la tendencia de la serie, minimizando la siguiente
expresin17.

T c 2
( ) [ ( ] 2
ytg y tg1 ) ( ytg1 y tg2 )
T

Min y t + (10)
{y tg }Tt=1 t =1 t =1

15
Existen dos tipos de efectos que se relacionan con la inclusin de ms o menos rezagos en la aproximacin de un filtro
ideal. Uno se define como el leakage (escape), que se refiere a los casos en los que el filtro incluye elementos que
debera omitir y la otra como compression, en donde ocurre que se omiten elementos que deberan incluirse. Conforme se
agregan rezagos, los dos elementos se reducen sustancialmente.

16
Para resolver esta desventaja, la aplicacin prctica crea variables artificiales de tipo autorregresivo al inicio y al final de la
serie.

17
Vase Hodrick y Prescott (1997), pg.3

8
Segn el anlisis realizado por Muoz y Kikut (1994), el primer trmino da idea del grado de ajuste de
las series, por cuanto mide la suma de las desviaciones al cuadrado de la serie original respecto de la
tendencia. El segundo componente posee un parmetro positivo, , que multiplica al crecimiento de

la variacin del componente tendencial. Entre ms pequeo sea , la tendencia ser ms suave: si
el parmetro es cero, la tendencia ser igual a la serie original y por ende, el componente cclico ser
cero. Por el contrario, si tiende a infinito, la tendencia se compara con la lnea recta de los
mnimos cuadrados ordinarios y por ello, la ciclicidad de la serie es mxima.

Resolviendo el problema de minimizacin y reacomodando la condicin de primer orden, el

componente cclico de la funcin tiene la siguiente forma:

C ( B) =
[
[1 B ]2 1 B 1 ] 2

(11)
[
1 + [1 B]2 1 B 1 ] 2

utilizando la transformacin de Fourier, es posible escribir el ciclo de la siguiente forma:

~ 4[1 cos( w) ]2
C ( w) = (12)
1 + 4[1 cos( w) ]
2

King y Rebelo obtuvieron la expresin del componente tendencial en trminos de promedios mviles,
con lo que comprobaron que la tendencia es un promedio mvil centrado, cuyas ponderaciones son
de orden infinito18.

Esto implica que el filtro HP terico posee una serie de caractersticas ideales segn los criterios de
Baxter y King que fueron mencionados arriba:

Como el filtro es simtrico, no produce movimientos de fase.

Aproxima bien a un filtro ideal cuando se utiliza un =1600 para datos trimestrales. Los autores
comprueban que los resultados estadsticos ms o menos equivalen a utilizar un filtro de tipo
HPk(32).
Produce series estacionarias, cuando stas estn integradas hasta el orden cuarto.
El mtodo es operacional.

18
Baxter y King (1995), pie de pgina no. 9, pg. 15. Esta es la razn por la cual se puede comparar el filtro de Hodrick y
Prescott con las propiedades ideales de un filtro lineal de tipo HPk(p).

9
Sin embargo, la aplicacin prctica del filtro HP() adolece de algunos problemas. Al igual que el
filtro BK(p, q), el proceso de medias mviles subyacente es de orden infinito, por lo que su aplicacin
a series finitas implica que debe hacerse alguna modificacin en el modelo o los datos. Hodrick y
Prescott suponen que la tendencia y el ciclo ptimos son procesos de ruido blanco independientes
con un modelo de probabilidad, dinmica y varianzas conocidas. Ello equivale a afirmar que las
estimaciones son promedios ponderados de los datos originales y en notacin se escribe

T
y tc = d ht y h (13)
h =1

en donde, dht es la ponderacin que tendr cada valor en la estimacin de . y tc

Esta metodologa presenta el inconveniente de que las ponderaciones van a depender del tiempo, por
lo que el filtro dejar de ser independiente del largo de la serie. Adems, por construccin el filtro no
perder ningn dato al inicio o al final de la serie, lo cual es muy atractivo para los investigadores,
pues contarn con una serie ms extensa para el anlisis. Sin embargo, Baxter y King demostraron
que las propiedades de la serie filtrada en puntos iniciales y finales es significativamente distinta de
un filtro ideal, no as en los valores intermedios de la misma.

Otro aspecto negativo se relaciona con la eleccin un tanto arbitraria del parmetro 19 . El anlisis de

Baxter y King les llev a concluir que el filtro HP() con =1600 para datos trimestrales aproxima
muy bien el comportamiento de un filtro terico de tipo high-pass HPk(32). Sin embargo, para datos
con periodicidad anual, se comprob empricamente que el filtro HP() es una mala aproximacin de
un filtro ideal, por cuanto incluye comportamientos cclicos que debera omitir y viceversa (vase nota
al pie no.15).

Adems, King y Rebelo sostienen que la aplicacin mecnica del filtro puede alterar las propiedades
inherentes a la misma, es decir, sus medidas exploratorias tales como su volatilidad y comovimiento
con otras series 20. Sin embargo, el efecto de esta alteracin en los momentos estadsticos no es
constante en las series que analizaron dichos autores.

19
Vase Muoz y Kikut (1994), pg. 19, Baxter y King (1995), pg 21

20
Por volatilidad y comovimiento se entienden la desviacin estndar de la serie y la correlacin de esta con otras series
econmicas.

10
APLICACIN DEL FILTRO BAXTER-KING

El programa

Baxter y King realizaron su programa en el paquete MATLAB. Stock y Watson lo trasladaron a

GAUSS, y Alan Taylor realiz una adaptacin del mismo a WINRATS21. Esta adaptacin consiste en
dos programas bsicos: [Link], [Link], adems de un archivo de datos con extensin rtd.
El Equipo de Modelacin Macroeconmica del Banco Central de Costa Rica, con la asesora del Dr.
Alexander Hoffmaister, modific el programa ejecutor para facilitar su aplicacin. De esta forma, es
posible utilizar un archivo de datos elaborado directamente en Excel22. Es importante recordar que
los datos deben salvarse como Hoja de Excel 4.0.

Previo a una descripcin breve del programa, es importante mencionar un aspecto en cuanto a las
cifras que se pierden con la aplicacin del filtro. Se recordar que en el apartado de aspectos
tericos se menciona que el filtro BK(p, q) utiliza promedios mviles truncados en el rezago k para
aproximar un filtro ideal. Esto implica la prdida de datos al inicio y al final de la serie en el monto de
k valores. Este aspecto es una limitacin importante si se utiliza el filtro con fines de interpretacin de
los ltimos valores de la tendencia y-o pronstico. Por ello, la aplicacin prctica del filtro en
WINRATS extiende las series filtradas al inicio y al final, con el fin de evitar la prdida de datos.
Dicha extrapolacin se realiza suponiendo un comportamiento autorregresivo en la serie de tiempo
correspondiente, en la cantidad de trminos autorregresivos que indique el investigador. Con este
procedimiento se evita la prdida de datos, lo cual es de suma importancia al final de la serie. Sin
embargo, debe tenerse presente la limitante es que las ltimas k cifras de la tendencia o ciclo que se
estudien no ser producto del filtro, sino ms bien del comportamiento autorregresivo de las series.

El programa que se encarga de ejecutar el filtro se denomina, [Link]. En ste se indican, entre
otros, la fecha de inicio y periodicidad de la serie, el archivo de origen de los datos, las
transformaciones de los mismos y el archivo que aloja el comando del filtro. Los comandos restantes
se encargan de realizar una transformacin logartmica a los datos, ejecutar el filtro, obtener la
tendencia por resta y posteriormente convertir los resultados de logaritmos a series originales. Es
muy importante modificar en este programa las opciones del comando @bpfilter correspondientes a
los lmites superior, inferior, promedios mviles y parmetros autorregresivos para sustituir los valores

21
El programa se obtuvo de la pgina de internet [Link].

22
Para comprender mejor los procedimientos y comandos del WINRATS, consltese el DIE-NT-02-99.

11
que se pierden al inicio y final de la serie. Se recomienda utilizar los siguientes valores de
parmetros:

Series anuales upper =2 lower =8 nma =3 arpad =1

Series trimestrales upper =2 lower =32 nma =12 arpad =4
Series mensuales upper =2 lower =96 nma =12 arpad =12
Donde
Upper: nmero de perodos mnimos que se incluirn en el filtro, correspondientes a frecuencias
altas.
Lower: nmero de perodos mximos que se incluirn en el filtro, correspondientes a frecuencias
bajas.
Nma: nmero de promedios mviles (o rezagos ) del filtro.
Arpad: nmero de parmetros autorregresivos que se utilizarn para sustituir los valores que se
pierden al final de la serie, por la aplicacin de un promedio mvil truncado.

En el caso de las series anuales y trimestrales, la idea planteada por Baxter y King es mantener
aproximadamente la misma periodicidad en la explicacin de la informacin. Por su parte, la
definicin de ciclo ms comn, en la que se basan tanto Hodrick y Prescott como Baxter y King, se
apoya en la investigacin de Burns y Mitchell, quienes definen como ciclos aquellos componentes con
periodicidad no menor a 6 trimestres de duracin, pero menores a 32 trimestres (entre ao y medio, y
8 aos)23. Sin embargo, es importante acotar que el investigador ser quien deber decidir cules
son los valores adecuados a utilizar en el filtro, dependiendo de los fines para los cuales se use. En
cuanto a las series con periodicidad mensual, no se respetar el supuesto de Baxter y King de
mantener una misma periodicidad para explicar las series, por razones que se mencionarn ms
adelante.

El procedimiento del programa [Link] se divide en dos grandes apartados, uno para crear
variables artificiales al inicio y al final de las series y el filtro propiamente dicho. En el primer apartado
se definen los comandos necesarios para crear variables artificiales al inicio y al final de la serie
mediante trminos autorregresivos. En la segunda parte, se ejecuta el filtro propiamente dicho, por lo
que para fines del programa, lo importante es conocer el tipo de ciclo que el investigador estima que
se presenta en sus datos.

Los resultados del programa se alojarn en la hoja que el usuario asigne como output en el
WINRATS y la salida contendr la fecha, serie original y tendencia, todo en niveles originales. En
este punto es importante resaltar que lo que se obtiene como resultado de la aplicacin del filtro ser

23
Vase Baxter y King (95), pg. 3.

12
el ciclo de la serie. Si lo que se desea es obtener la tendencia, tal y como lo es en este caso, se
calcula dentro del mismo programa restndole a la serie original el valor del ciclo en cada punto. En
el Anexo no.1 se puede apreciar el programa ejecutor [Link].

Con el fin de analizar el comportamiento del filtro en diversas series econmicas y comprobar los
resultados enunciados por Baxter y King, se utilizarn series econmicas de Costa Rica con
periodicidad mensual, trimestral y anual. Las series mensuales por analizar sern el Indice Mensual
de Actividad Econmica (IMAE), la Base Monetaria y el Indice de Precios al Productor Industrial
(IPPI), la trimestral ser el Producto Interno Bruto real (PIB) y las anuales sern las importaciones y
el PIB real.

Aplicacin del Filtro a Series Econmicas

Tal y como se mencion, se utilizaron tres series mensuales, la Base Monetaria, el IMAE y el IPPI en
series originales. Las primeras dos variables se caracterizan por contener alta estacionalidad y
elementos irregulares, en tanto que el IPPI posee un comportamiento ms estable.

Las tres series abarcan distintos intervalos de tiempo. Sin embargo, con fines comparativos se
estandariz el perodo de enero de 1991 a setiembre de 1999. El acortar las series produce
resultados estadsticamente distintos, como lo demuestra el caso del IMAE, en donde al comparar los
valores resultantes de iniciar en dos perodos distintos, a saber, 1976 y 1991, la prueba t de igualdad
de series proporcion un valor de 4.34, con lo que se rechaza la hiptesis nula que implica que los
valores de tendencia obtenidos para una misma serie con intervalos de tiempo distintos, son
estadsticamente diferentes 24. Sin embargo, esta diferencia se produce exclusivamente en los
valores iniciales y finales que fueron obtenidos determinando una funcin autorregresiva. Es de
esperar, entonces, que los resultados difieran en los extremos. En los valores centrales de la nueva
serie, los coeficientes son exactamente iguales. Por ello, y para poder ganar comparacin entre las
tres variables mensuales a considerar, se utilizar un mismo perodo para las tres.

Otro aspecto a considerar en las series mensuales se relaciona con la cantidad de rezagos por incluir.
De acuerdo con Baxter y King, para datos anuales se utilizan 3 rezagos y para cifras trimestrales 12,
por lo que la idea implcita es utilizar los promedios mviles con 3 aos de historia. Esto implica que
para cifras mensuales se deberan utilizar 36 rezagos. Esto no se considera conveniente por dos

x1 x 2
24
La prueba t de igualdad de series se calcula como sigue: tc = , donde Ho: las series son iguales en
x1 x2
n
promedio.

13
razones, la principal, por cuanto estadsticamente los resultados no difieren cuando se utilizan 36 o 12
rezagos dada una muestra y la segunda, porque el programa deber utilizar aproximaciones de los
ltimos 36 datos, lo cual no es deseable para fines de interpretacin. Por esto se utilizarn 12
rezagos en los promedios mviles.

La ltima variante de importancia en la seleccin de un filtro consiste en la definicin de ciclo que

brinde el investigador. En series mensuales esta variante es de suma importancia, por cuanto en las
mismas se presentan elementos de tipo estacional o irregular, no tan presentes en datos trimestrales
y anuales. Por ello, el investigador deber decidir cul es el fin para el cual utilizar el filtro. Si su
objetivo es obtener la tendencia, debe filtrar los elementos irregulares y estacionales, as como los
cclicos de la serie, por lo cual deber utilizar una frecuencia mxima muy alta, lo que equivale a
perodos muy bajos (por ejemplo, upper =2 ). Con esto, podr obtener una tendencia suave y sin
movimientos de tipo irregular o estacional. Si ms bien lo que persigue es obtener una aproximacin
del ciclo, le convendr filtrar los elementos irregulares y estacionales de modo que no ensucien el
ciclo. Por ello, deber determinar un perodo relativamente alto, por ejemplo, upper=12.

Para facilitar la comprensin de la importancia de seleccionar el lmite de periodicidad superior, as

como la escogencia del rezago a utilizar, en el Anexo No.2 se presentan los grficos 1 a 3. Se
tomar como punto de referencia la serie que fue filtrada definiendo ciclos que abarcan de 2 a 96
perodos, con 12 rezagos (definida en los grficos como 2,96,12,12). La primera variante modifica el
nmero de rezagos de referencia de 12 a 3 y la segunda modifica el lmite superior de 2 a 12.

Los casos interesantes son la Base Monetaria y el IMAE, dada la estacionalidad que los caracteriza.
En el caso del IPPI, las series se transponen, indicando una diferencia muy leve entre las variantes,
por lo que se podra afirmar empricamente, que las series que no poseen un comportamiento
irregular o estacional, pueden utilizar cualquiera de las tres variantes del modelo anteponiendo, por
supuesto, los objetivos del estudio y los criterios econmicos del investigador. La situacin no es la
misma al considerar la Base Monetaria y el IMAE. En ambas, al reducir la cantidad de rezagos para
el promedio mvil, se produce un comportamiento ms suave, pero que an es afectado por los
movimientos estacionales de las mismas. Por otra parte, cuando lo que se altera es la periodicidad
mnima a considerar como filtro, la serie tiende a parecerse ms a la serie original y menos a la
tendencia, con movimientos irregulares y estacionales muy marcados. En vista de esta conducta, en
las tendencias por estudiar se filtrarn de las series los movimientos que se producen entre 2 y 96
perodos, utilizando 12 rezagos y 12 trminos autorregresivos para extrapolar la serie (en notacin de
Baxter y King, ser un BK12(2,96)).

14
Una vez que se ha justificado la transformacin por utilizar, se proceder a realizar un breve anlisis
exploratorio de la tendencia de las series, utilizando el filtro BK(p, q), y HP(). En el Cuadro No.1 se
pueden apreciar tres estadsticos especficos: la desviacin estndar, la autocorrelacin de primer
orden, y el coeficiente de correlacin de la Base Monetaria y el IPPI con respecto al IMAE, utilizando
3 y 12 rezagos para comparar los resultados. Los estadsticos presentados sern tiles para
comprender en qu medida las series son afectadas por las transformaciones. En los grficos No. 4
al 6, se muestra la serie original con las dos tendencias, la obtenida con el HP() y el BK(p, q) de
referencia BK12(2,96).

Aunque no se presenta en el cuadro, es importante mencionar que si se calcula el promedio

aritmtico de las series a partir del momento en que las series filtradas cuentan con datos, es decir,
utilizando la misma cantidad de observaciones tanto para la serie original como para las filtradas con
3 o 12 rezagos y con el filtro HP(), el valor promedio ser el mismo para todas las series. En este
sentido, se cumple con el requisito de un filtro ideal de no variar las propiedades inherentes a los
datos.

La desviacin estndar brinda una idea de la volatilidad de las series. En los tres casos, este
estadstico es mayor cuando se emplea el filtro de HP que cuando se utiliza el BK(p, q). Este
resultado es esperado, por cuanto el filtro BK seleccionado se dise ajustando lmites lo
suficientemente amplios como para capturar los elementos irregulares de la serie, aspecto en el que
el HP() no es flexible.

La autocorrelacin de primer orden es mayor, en las tres series, para el caso del filtro HP() que para
el BK(p, q), pero las tres presentan un valor mayor al 90%, con ambos filtros. La serie en la que
existe una mayor diferencia entre los filtros, es la del IMAE, pero esta diferencia entre los valores de
la autocorrelacin no es mayor al 4%. Es interesante observar que el valor de la autocorrelacin es
prcticamente el mismo cuando se utilizan 3 y 12 rezagos con el filtro BK(p, q.

En cuanto a la correlacin entre las variables Base Monetaria e IPPI con respecto al IMAE, se
evidencia la presencia de una fuerte asociacin entre ambas y el indicador de produccin, utilizando
ambos filtros, siendo el resultado de HP() ms fuerte que el BK(p, q. En este ltimo, se puede
observar que la relacin entre el IPPI y el IMAE disminuye en aproximadamente un 5% cuando se
usan 3 rezagos y los valores son muy cercanos entre HP() y BK(p, q)al comparar los filtros con 12
rezagos. Este comportamiento tambin fue encontrado por Baxter y King en cifras trimestrales,
aunque no fue uniforme en las series que estudiaron.

15
En cuanto a cifras trimestrales, se analizaron las cifras correspondientes al PIB. Al igual que con las
series mensuales, se realizaron diversas pruebas con diferentes rezagos. En el grfico No. 7 del
anexo, se puede observar que las tendencias resultantes no difieren mucho entre s, al utilizar 3, 6 y

Cuadro No.1
Estadsticos de Series Econmicas
Transformadas con Filtro Baxter King y Hodrick y Presscott

Rezago de Filtro B-K Filtro H-P

3 12

Cifras mensuales
1
Desviacin Estandar
Base Monetaria 47757.334 47762.190 54280.301
IMAE 10.501 10.093 11.464
IPPI 52.564 52.349 56.196

2
Autocorrelacin de primer orden
Base Monetaria 0.956 0.956 0.968
IMAE 0.923 0.926 0.964
IPPI 0.952 0.952 0.974

1
Correlacin con IMAE
Base Monetaria 0.959 0.989 0.996
IMAE 1.000 1.000 1.000
IPPI 0.899 0.957 0.978

Cifras Trimestrales
Desviacin Estandar
PIB 686.21 676.24 680.28

Autocorrelacin de primer orden

PIB 0.961 0.963 0.967

Cifras Anuales
Desviacin Estandar
PIB 2863.900 -- 2844.203
Importaciones 460644.570 -- 437703.442

Autocorrelacin de primer orden

PIB 0.844 -- 0.855
Importaciones 0.787 -- 0.834

Correlacin con PIB

PIB 1.000 -- 1.000
Importaciones 0.951 -- 0.978

1
Calculados con el paquete Excel
2
Calculada con el paquete WINRATS

16
12 rezagos. El grfico No. 8 del Anexo muestra el comportamiento de la serie original, el BK(p, q) de
orden BK12(2,32), y el HP().

En el anlisis exploratorio se obtuvieron slo dos estadsticos, la desviacin estndar, y la

autocorrelacin de primer orden. En la medida de volatilidad destaca el efecto de utilizar ms o
menos rezagos para comparar los resultados con el filtro HP(). Si se incluyen menos rezagos en la
serie, la volatilidad es la mayor en trminos absolutos. Dicho comportamiento es consistente con el
hecho de que al aumentar rezagos la serie se vuelve ms suave. A pesar de esto, es importante
notar que las diferencias entre los tres estadsticos son pequeas.

En cuanto a la autocorrelacin es evidente el mismo comportamiento que en el caso de variables

mensuales, a saber, existe una alta dependencia del dato contemporneo con el inmediatamente
anterior, en los tres casos de poco ms de 96%.

Por ltimo, se presentan las cifras anuales del PIB y las Importaciones de bienes y servicios. La serie
original y tendencias se muestran en los grficos 9 y 10 del Anexo No. 2. En el caso anual, no se
presentan las cifras con 12 rezagos por cuanto la serie que se obtuvo de la base de datos es muy
corta (20 datos), por lo que se perderan casi todas las observaciones. De esto resulta que la
desviacin estndar con el filtro HP()es menor que con BK(p, q). Esto implicara que el segundo
filtro recoge ms comportamientos que se presentan con mayor frecuencia que el primero.

En cuanto a la autocorrelacin de primer orden y la correlacin de las importaciones con el PIB, se

evidencian correlaciones mayores cuando la serie se filtra con HP(). Sin embargo, igual que en los
casos anteriores, la diferencia mayor se encuentra en la autocorrelacin de las importaciones, en
donde la diferencia asciende a 0.047.

De los resultados anteriores se pueden obtener algunas conclusiones empricas, como lo son que el
filtro HP() es menos verstil en la identificacin de los ciclos, por lo que ver afectada su capacidad
para recoger o separar comportamientos de las series. En este sentido, el BK(p, q) es muy superior.

A pesar de la limitacin anterior, no se observa una diferencia significativa entre los resultados
proporcionados por ambos filtros. Dicho resultado se comprueba cuando se realiza una prueba t de
igualdad de las tendencias, en donde se comparan las tendencias resultantes del filtro BK(p, q)
utilizando 3 y 12 rezagos, con los resultados de las tendencias obtenidas con HP(). Con excepcin
del PIB trimestral cuando se utilizan 12 rezagos, en donde se rechaz la hiptesis nula de igualdad de

17
series en promedio, las otras series mostraron valores de t tales que no se puede rechazar la
hiptesis nula de igualdad de series. Dichos resultados se presentan en el Cuadro No.2 siguiente.

Cuadro No. 2
Prueba T de Igualdad de Tendencias
Filtradas con Baxter King y Hodrick Prescott

Rezago de Filtro B-K

3 12

Cifras mensuales
Base Monetaria 0.072 -0.418
IMAE 0.081 0.818
IPPI 0.047 -0.683

Cifras trimestrales
PIB -0.533 3.834

Cifras anuales
PIB -0.410 --
Importaciones -0.306 --

Notas:
La hiptesis nula es Ho: 1= 2
Para calcular el T, se utiliza la frmula
x1 x 2
tc =
x1 x2
n

CONCLUSIONES

Las funciones peridicas se utilizan en economa para explicar los ciclos econmicos y su estudio
se enmarca dentro del Anlisis de Dominio de Frecuencia. Baxter y King utilizan dicha
metodologa como base para construir su filtro.

Con fines comparativos, el filtro Hodrick-Prescott (HP()) es aproximadamente un filtro de este

tipo, por lo que las propiedades matemticas del mismo son equiparables con las del filtro Baxter-
King (BK(p, q)).

El filtro Baxter-King consiste en un mtodo de extraccin de ciclos de las series econmicas, que
se caracteriza por permitir al investigador definir el tipo de ciclo que presenta la variable que se
analiza.

18
 El filtro Baxter-King cumple con la mayor parte de las caractersticas de un filtro ideal, en el
sentido de que no vara las propiedades inherentes a los datos, produce series estacionarias, no
ocasiona movimientos de fase y es operacional. Sin embargo, al utilizar promedios mviles
centrados truncados en el rezago k, pierde k datos al inicio y al final de la muestra.

En la aplicacin prctica del filtro, lo que se obtiene directamente del filtro es el ciclo de la serie.
Sin embargo, en el programa puede calcularse la tendencia, obtenindola como un residuo entre
la serie original y el ciclo.

La metodologa construida en el paquete WINRATS realiza una extensin de la serie con la ayuda
de parmetros autorregresivos para evitar la prdida de datos al final de la serie, por lo que los
ltimos k datos son producto de suponer que la serie de tiempo tendr un comportamiento similar
al de los perodos anteriores. Este elemento debe ser tomado en consideracin a la hora de
pronosticar e interpretar los resultados.

Lo anterior tambin provoca que la serie sea sensible a la cantidad de muestra que se utiliza en
los primeros y ltimos k valores. En el resto de los datos intermedios los valores resultantes del
filtro son iguales con una mayor o menor muestra.

El investigador deber definir los lmites mnimo y mximo del filtro, as como la cantidad de
rezagos a utilizar, y los parmetros autorregresivos que se utilizarn para sustituir los datos que
se pierden al final de la serie. Con esto, el filtro se convierte en una herramienta poderosa y
verstil, muy superior a otros filtros lineales que son inflexibles a las caractersticas propias de la
economa.

Es importante recordar que las decisiones que tome el investigador sobre los parmetros van a
depender de los objetivos de su investigacin y de su criterio de experto sobre la serie de tiempo
por analizar. La definicin del ciclo debe depender, pues, de ambos aspectos.

En este sentido, la seleccin de la cantidad de rezagos es importante, especialmente para series

con periodicidad mensual, por cuanto estas se ven afectadas por comportamientos estacionales o
irregulares que no sern suavizados con utilizar promedios mviles centrados muy cortos.

Al realizar la comparacin de los resultados de tendencias obtenidas con Baxter-King y Hodrick-

Prescott, se encontr que no existe una diferencia estadsticamente significativa entre sus
resultados, tanto al analizar tres medidas exploratorias como lo son la desviacin estndar,
autocorrelacin de primer orden y correlacin con el producto, como con la prueba estadstica t

19
de igualdad de series. Sin embargo, la versatilidad del filtro Baxter-King lo convierte en una
herramienta ms moderna para el anlisis de ciclos y tendencias que deba hacer un investigador.

20
BIBLIOGRAFA

Base de Datos SIEC, Banco Central de Costa Rica.

Baxter, M. and King, R. (1995) Measuring Business Cycles Approximate Band-Pass Filters for
Economic Time Series. NBER Working Paper Series. WP No. 5022. Cambridge,
Massachusetts.

Harvey, A. (1993) Time Series Models. Second Edition, The MIT Press. Cambridge, Massachusetts.

Kikut, A y otros. (1999) Gua prctica de uso del paquete WINRATS. DIE-NT-02-99. Banco
Central de Costa Rica.

King, R. and Rebelo, S. (1991) Low Frequency Filtering and Real Business Cycles. Journal of
Economic Dynamics and Control Vol 17. Pp 207-231.

Manual del paquete Rats.

Monge, A. and Hall, L. (1999) Aggregate fluctuations and co-movements in Central America and
Mexico. Taller Macroeconomic Interdependence in Central America and Mexico, presentado
el 27 de abril de 1999, en la Universidad de Costa Rica.

Muoz, E. y Kikut, A. (1994) El Filtro de Hodrick y Prescott: una tcnica para la extraccin de la
tendencia de la serie. DIE-NT-03-94/R. Banco Central de Costa Rica.

Pgina de Internet [Link]

Stock, J. and Watson, M. (1998) Business Cycle Fluctuations in U.S. Macroeconomic Time Series.
NBER Working Paper Series. WP No. 6528. Cambridge, Massachusetts.

Ya-Lun Chou (1969) Anlisis Estadstico. Primera Edicin, Nueva Editorial Interamericana. Mxico.

florespm@[Link]

F:\...\NOTAS TCNICAS\NT2000\[Link]

21
ANEXOS
 Anexo N1

*FILTRO BAXTER KING

*ACTUALIZADO POR EL EQUIPO DE MODELACIN MACROECONMICA
*FECHA DE ACTUALIZACION: 09-02-2000
*

*PROGRAMA RATS: [Link]

*
********************************************************************
*
*LECTURA DE LA BASE DE DATOS
*---------------------------
*
CALENDAR 1980 1 1
*
ALLOCATE 0 1999:01
*
OPEN DATA C:\WINRATS\[Link]
*
DATA(FORMAT=XLS,ORG=OBS) / PIB MBYS
*
*
COMPUTE START = 1980:01
COMPUTE END = 1999:01
*
***********************************************************
*GENERACION DE VARIABLES
*-----------------------

*CIFRAS MENSUALES
*----------------
*SET LBM /= LOG(BM)
*SET LIMAE /= LOG(IMAE)
*SET LIPPI /= LOG(IPPI)

*
*CIFRAS TRIMESTRALES
*-------------------
*SET LPIB /= LOG(PIB)

*
*CIFRAS ANUALES
*----------------
SET LPIB /= LOG(PIB)
SET LMBYS /= LOG(MBYS)

*************************************************************
*FILTRO DE BAXTER KING
*-----------------------------------
*
* SOURCE(noecho) C:\winrats\[Link]

* @BPFILTER(UPPER=2,LOWER=8,NMA=3,ARPAD=1) LPIB / CLPIB

* @BPFILTER(UPPER=2,LOWER=8,NMA=3,ARPAD=1) LMBYS / CLMBYS
*

22
*
*************************************************************
*PRESENTACION DE LOS RESULTADOS
*-------------------------------
*PRINT / LPIB CLPIB

*SET TLPIB / = LPIB - CLPIB

*SET TPIB / = EXP(TLPIB)

*SET TLMBYS / = LMBYS - CLMBYS

*SET TMBYS / = EXP(TLMBYS)

PRINT / PIB MBYS TPIB TMBYS

HALT
*

23
 Anexo N2

Grfico No.1

Base Monetaria, tendencia con tres opciones del

filtro Baxter King
300000

250000
Millones de corrientes

200000

150000

100000 YT (2,96,3,12)
YT (2,96,12,12)
50000
YT (12,96,12,12)

0
Ene-92 Jul-92 Ene-93 Jul-93 Ene-94 Jul-94 Ene-95 Jul-95 Ene-96 Jul-96 Ene-97 Jul-97 Ene-98 Jul-98 Ene-99 Jul-99

Grfico No. 2

IMAE, tendencia con tres opciones del filtro Baxter

King
155

145

135
Niveles del Indice

125

115
YT (12,96,12,12)
105 YT (2,96,12,12)
YT (2,96,3,12)
95
Ene-91 Jul-91 Ene-92 Jul-92 Ene-93 Jul-93 Ene-94 Jul-94 Ene-95 Jul-95 Ene-96 Jul-96 Ene-97 Jul-97 Ene-98 Jul-98

Grfico No.3

IPPI, tendencia con tres opciones de filtro Baxter

300
King

250
Niveles del Indice

200

150
YT (12,96,12,12)
100 YT (2,96,12,12)
YT (2,96,3,12)
50

Ene-92 Jul-92 Ene-93 Jul-93 Ene-94 Jul-94 Ene-95 Jul-95 Ene-96 Jul-96 Ene-97 Jul-97 Ene-98 Jul-98 Ene-99 Jul-99

24
 Grfico No.4

Base Monetaria: Serie original y tendencias

300000

Millones de corrientes 250000

200000

150000

100000 Base Monetaria

BK (2,96,12,12)
50000
HP
0
Ene-91 Ene-92 Ene-93 Ene-94 Ene-95 Ene-96 Ene-97 Ene-98 Ene-99

Grfico No.5

IMAE: Serie original y tendencias

160

140
Niveles del Indice

120

IMAE
100
BK (2,96,12,12)
HP
80
Ene-91 Ene-92 Ene-93 Ene-94 Ene-95 Ene-96 Ene-97 Ene-98 Ene-99

Grfico No.6

IPPI: Serie original y tendencias

330

280
Niveles del Indice

230

180
IPPI
130 BK (2,96,12,12)
HP
80
Ene-91 Ene-92 Ene-93 Ene-94 Ene-95 Ene-96 Ene-97 Ene-98 Ene-99

25
 Millones de de 1966 Millones de corrientes Millones de de 1966
Millones de de 1966

12000
16000
20000

8000
i-8

2000
3000
4000
5000
0
i-8
1000
2000
3000
4000
5000

0 0

1200000
1600000

-400000
0
400000
800000
1980 i-8 i-8
1 1
1980
1981 i-8 i-8
2 2
1981
1982 i-8 i-8
1982 3 3
1983 i-8 i-8
1983 4 4
1984 i-8 i-8
1984 5 5

HP
BK
1985 i-8 i-8
1985 6 6

Mbys
1986 i-8 i-8
1986 7 7
1987 1987 i-8 i-8
8 8
1988 1988 i-8 i-8
9 9
1989 1989 i-9 i-9

26
0 0
1990 1990 i-9 i-9
1 1

Grfico No.9
Grfico No.8
Grfico No.7

Grfico No.10
1991 1991 i-9 i-9
2 2
1992
1992 i-9 i-9
1993 3 3
1993 i-9 i-9
1994 4 4
1994 i-9 i-9
1995 5 5
1995

PIB anual: serie original y tendencias

i-9 i-9
1996 6 6
PIB trimestral: tendencias con diferentes nma

PIB trimestral: serie original y tendencias

1996
PIB

1997 i-9 i-9

7 7
1997
1998 i-9 i-9
8 8

HP
BK
BK (2,32,3,4)
BK (2,32,6,4)

PIB
1998
HP (l=1600)

1999
BK (2,32,12,4)

Importaciones anuales: serie original y tendencias i-9

9
i-9
9
BK (2,32,12,4)

1999
BANCO CENTRAL DE COSTA RICA
DIVISIN ECONMICA
DEPARTAMENTO DE INVESTIGACIONES ECONMICAS
DIE-NT-02-2000
MARZO, 2000

ANLISIS ESPECTRAL: CONSIDERACIONES TERICAS

Y APLICABILIDAD

Elaborado por:

Diana Gonzlez Gmez

Documento de trabajo del Banco Central de Costa Rica, elaborado en el

Departamento de Investigaciones Econmicas

Las ideas expresadas en este documento son responsabilidad de los autores y no necesariamente
representan la opinin del Banco Central de Costa Rica
 TABLA DE CONTENIDO

[Link].......................................................................................................................... 1

[Link] ESPECTRAL .............................................................................................................. 2

[Link] Caso Univariable .............................................................................................................. 3

[Link] Caso Bivariado o Anlisis Espectral Cruzado ................................................................. 5
[Link] y Desventajas del Anlisis Espectral .................................................................... 6

[Link] DE APLICACIN DE ANLISIS ESPECTRAL: PRONSTICO DE CORTO

PLAZO DE LA EMISIN MONETARIA.......................................................................................... 7

[Link] y Resultados ................................................................................................. 7

[Link] de la Capacidad de Pronstico del Modelo..................................................... 12

[Link] FINALES .............................................................................................. 14

[Link].......................................................................................................................... 15

ANEXOS

Anexo N1 ................................................................................................................................. 17
Anexo N2 ................................................................................................................................. 20
Anexo N3 ................................................................................................................................. 22
 ANLISIS ESPECTRAL: CONSIDERACIONES TERICAS
Y APLICABILIDAD 1

Resumen

El trabajo presenta una descripcin de las principales caractersticas de la tcnica de

anlisis espectral, sus ventajas y desventajas. Este mtodo es utilizado para realizar
descomposiciones de una serie en la totalidad de sus componentes cclicos. El objetivo
del trabajo es introducir al lector esta herramienta para que pueda aplicarla en aquellos
estudios en donde esta tcnica sea adecuada. Adems incluye a manera de ejemplo,
una aplicacin, en donde se realiza un modelo de pronstico de corto plazo de la
Emisin Monetaria.

SPECTRAL ANALYSIS: GENERAL ASPECTS

Abstract

The purpose of this study is to introduce the reader, to the spectral analysis technique in
order to be applied in others works, where the tool offers better results. This method is
used to decompose a time series in the totality of their cyclic components and to make
comparisons between two series. The work presents the main characteristics of the
spectral analysis technique, highlighting its advantages and disadvantages. Also, as an
example, a short run forecasting model for monetary emission is developed.

[Link]

El anlisis de series de tiempo se refiere al grupo de estadsticas donde las observaciones son
recogidas en forma secuencial y se busca, al menos parcialmente, entender o explotar la
dependencia entre esas observaciones. La principal va a travs de la cual se analizan las
series de tiempo corresponde al anlisis de los modelos ARIMA. Sin embargo, existen al
menos otras dos grandes formas de estimacin, que son: la aproximacin por estado espacial2
y el anlisis espectral. El estudio se enfoca en ste ltimo.

El anlisis espectral descompone un conjunto de datos en trminos de sus componentes

cclicos o repetitivos. Originalmente, fue aplicado a la ingeniera, donde los mtodos de
transformaciones de Fourier -- en que se basa el anlisis espectral--, han sido aceptados; pero
ahora tambin es ampliamente utilizado en los anlisis estadsticos estndares.

En economa, el principal uso del anlisis espectral es encontrar y descomponer una serie de
tiempo en sus componentes cclicos. Puede ser utilizado, ya sea para encontrar patrones de
comportamiento en una misma serie o entre dos series. Como por ejemplo, se ha utilizado para
encontrar evidencia de ciclos en los gastos de turistas extranjeros, realizar anlisis de los
componentes del gasto de un gobierno, buscar conmovimientos entre mercados accionarios y

1
Se agradecen los comentarios de la MSc. Katia Vindas S. y el ME. Jorge Madrigal B. en la elaboracin de esta nota
tcnica.
2
Para ms detalle ver Hamilto n, J. (1994), pg. 372

1
patrones de transacciones en un mercado particular. Adems, puede ser utilizado
indirectamente para generar pronsticos del comportamiento de series de tiempo en donde los
modelos ARIMA no generan estimaciones eficientes, modelar series de periodicidades
semanales o diarias o incluso, generar indicadores adelantados para una serie.

El objetivo de este trabajo, es presentar al lector una gua sobre las caractersticas bsicas de
la tcnica del anlisis espectral que sirva de herramienta de anlisis en otros estudios. En la
primera seccin, se describe brevemente un marco terico sobre la tcnica espectral. La
segunda seccin, presenta una aplicacin de esta tcnica, en donde se realiza un pronstico
de corto plazo de la Emisin Monetaria. Adicionalmente, se incluye un anexo, en donde se
describe el procedimiento para realizar el anlisis espectral utilizando el SPSS.

[Link] ESPECTRAL

En esencia, el mtodo espectral descompone una serie de tiempo estacionaria3 como una
suma de un conjunto de series de componentes cclicos con propiedades especficas. Adems,
el anlisis espectral se puede aplicar a pares de series con el fin de identificar relaciones entre
ciclos de la misma serie.

Se debe considerar que este tipo de anlisis nunca va a estar en contradiccin con los
resultados generados por los modelos ARIMA e incluso se sugiere que en el caso de que un
modelo ARIMA represente adecuadamente la serie, es mejor utilizar esa tcnica.

En general, al anlisis espectral se le llama anlisis en el dominio de frecuencia, ya que la

frecuencia es una medida para representar ciclos. La frecuencia es el nmero de ciclos por
unidad de tiempo. As, la frecuencia de un ciclo de cuatro meses en una serie mensual, es .
En general, la j-sima frecuencia es expresada como w=j/N, donde j es el nmero de veces que
el ciclo se repite en la muestra y N es el nmero de observaciones. Por ejemplo, si el n es 6 y
el total de observaciones es 24, la frecuencia es 6/24, es decir, .

Adems, es importante resaltar el hecho de que el anlisis espectral no depende de un modelo

para generar resultados. Este analiza la serie en forma puramente matemtica y no est
basado en ninguna teora acerca de los procesos que definen las series. Por esto se requiere
una gran cantidad de datos para utilizar esta tcnica (se recomienda al menos 100
observaciones).

3
En trminos generales, se dice que un proceso estocstico o aleatorio es estacionario si su media y su varianza
son constantes en el tiempo y si el valor de la covarianza entre dos periodos depende solamente de la distancia o
rezago entre estos dos periodos de tiempo y no del tiempo en el cual se ha calculado la covarianza. Gujarati,
Damodar. (1997), pg. 697. En el caso de que la serie no sea estacionaria, se pueden realizar transformaciones
como diferenciar las series, aplicarle logaritmos o la raz a las series. Adems, si el objetivo del anlisis no es
determinar presencia de estacionalidad, se puede desestacionalizar la serie previamente.

2
A continuacin se describen los aspectos bsicos del anlisis espectral para una serie de
tiempo, los indicadores que se generan cuando se realiza un estudio para pares de series y se
puntualizan las principales ventajas y desventajas del uso de esta tcnica.

[Link] Caso Univariable

La idea bsica del anlisis espectral es que un proceso estacionario Yt puede ser descrito como
la suma de movimientos de seno y coseno de diferente frecuencia y amplitud. La meta es
determinar cuales son los ciclos de diferentes frecuencias importantes para describir el
comportamiento de Yt. Estos ciclos pueden ser de corto o largo plazo, por lo que no se realiza
una descomposicin de la serie en la forma usual de tendencia, ciclo, estacionalidad y
componente irregular, sino que en su lugar se descompone la serie en la totalidad de
frecuencias existentes.

Si se tiene un proceso estacionario con media E(Yt )= y autocovarianzas E(Yt -)(Yt-j-)=j, y se

asume que estas autocovarianzas son absolutamente sumables, la funcin de autocovarianzas
generada se puede representar de la siguiente manera:

g y (z) =
j =
j *zj
(1)

donde z es un escalar complejo. Si la expresin anterior se divide entre 2 y se evala para

z=e-iw donde i=-1 y w es un escalar real; es decir, se realiza una transformacin de Fourier, el
resultado es llamado el espectro poblacional de Y:

1
s y ( w) =
2 e
j =
j
iwj

(2)

si adicionalmente, se utilizan algunos resultados trigonomtricos y teoremas, el espectro

poblacional se puede reescribir como4 :

1

s y ( w) = 0 + 2 j cos( wj)
2 j =1 (3)

Esta es la representacin espectral de la serie en el dominio de frecuencia e indica que la serie

es igual a la suma de su promedio ms la suma de un conjunto autocovarianzas de ciclos con
frecuencias wj. Adems, al emplear otras propiedades matemticas se puede probar que el
rea bajo el espectro de poblacin entre + es la varianza de la serie Yt . Esta representacin
espectral se puede visualizar a travs de un grfico al que se le llama periodograma5 .

4
Para detalles sobre el desarrollo matemtico del anlisis espectral ver Hamilton, J (1994), pgs. 152-179 en
forma extensa en Priestley, M. (1981), Vol. I y II.
5
Ver pg. 7

3
La estimacin emprica del espectro poblacional a partir de una muestra finita es conocida
como anlisis espectral. Para ello, debe considerarse que para una muestra de tamao T, el
ciclo ms amplio que puede ser detectado en los datos es una frecuencia que completa un
ciclo en toda la extensin de la serie. Adems el perodo ms corto que se puede considerar o
la frecuencia ms alta es de 2 meses (asumiendo datos mensuales). La totalidad de
frecuencias que se pueden observar son tantas como la mitad del nmero de observaciones.
Por ejemplo, si se tienen 100 observaciones, no se pueden observar ms de 50 frecuencias
diferentes.

Existe un teorema adicional que permite trasladar la representacin espectral de una serie a
una representacin en el dominio de tiempo en donde el valor de y para una fecha t puede ser
expresado como:

[ ]
y t = + {j cos w j (t 1) + j sen w j (t 1) } [ ]
M

j =1
(4)

en donde wj es igual a 2F, F es la frecuencia y el valor M es ((T-1)/2). Los parmetros y

pueden ser estimados mediante una regresin lineal. Adicionalmente, se puede probar que las
variables exgenas son linealmente independientes y si se incluyen todas las frecuencias, se
puede obtener una regresin que se ajusta perfectamente.

La estimacin espectral del espectro poblacional es un estimador insesgado de dicho espectro,

pero es inconsistente. Esto porque la varianza de los estimadores no tienden a cero cuando el
nmero de datos se incrementa y el nmero de parmetros a ser estimados es igual al nmero
de observaciones. Para evitar ste problema, se utilizan unos estimadores conocidos como
kernel, en donde se realiza una estimacin llamada densidad espectral. Esta estimacin es
un promedio ponderado de los puntos vecinos del anlisis espectral. Este acercamiento asume
que sy(w) es cercano a sy() cuando las frecuencias w y se encuentran cerca entre s. El
estimador de kernel del espectro a una frecuencia wj es un promedio ponderado de los ciclos
muestrales a frecuencias cerca de wj, donde la suma ponderada es igual a uno6.

Sin embargo, esa operacin necesariamente introduce cierta prdida de informacin en el

procedimiento de su estimacin. Existen estudios tericos que se enfocan en determinar la
cantidad de ciclos de frecuencias cercanas que se deben agrupar para obtener un equilibrio

6
Esto se puede representar como:
h
s y (w ) =
b = h
k (w j+ b , w j )s y (w j+ b )

donde
h

b = h
k (w j+ b ,w j ) = 1

Aqu, b es un parmetro de agrupamiento que indica el nmero de frecuencias utilizadas en la estimacin del
espectro a wj.

4
ptimo entre varianza y sesgo. En la prctica, esto usualmente significa que existe cierto
elemento subjetivo a ser desarrollado.

Para sustentar estadsticamente los resultados obtenidos del anlisis espectral se pueden
estimar lmites de confianza (ver anexo N3 para detalles ms completos).

Un ltimo aspecto que debe considerarse sobre el anlisis espectral, es que existen una serie
de filtros que permiten aplicaciones especficas. Como por ejemplo, el ajuste estacional de
Sims, que slo puede ser representado en el dominio de frecuencia y el filtro de la Eficiencia
de Hannan, que es un procedimiento para correccin de correlacin serial. Adicionalmente, el
mtodo de anlisis espectral puede ser utilizado para pronosticar series de tiempo univariables
en forma automtica con algunos paquetes economtricos 7 .

[Link] Caso Bivariado o Anlisis Espectral Cruzado8

El anlisis espectral puede ser ampliado al estudio de dos series de tiempo simultneamente,
de forma que se pueda analizar la interaccin existente. Relaciona los componentes o bandas
frecuenciales con el fin de obtener el grado de asociacin entre ellas.

En razn de que este mtodo relaciona pares de series de tiempo, es posible obtener
estadsticos anlogos a los que se derivan del anlisis de regresin y correlacin. El espectro
cruzado, sxy (w), es utilizado cuando se quiere determinar las relaciones entre dos variables
estacionarias. Este es definido como la transformacin de Fourier de la funcin de covarianza
cruzada, yxy (k). En general el espectro cruzado es complejo, su parte real es llamada el co-
espectro c(w) y su parte imaginaria es llamada el espectro cuadrado q(w). Estas funciones son
difciles de interpretar y por ello es usual enfoncarse sobre otras funciones derivadas de ellas.
La prctica general es caracterizar el espectro cruzado por medio de tres estadsticos:

Coherencia: Esta cantidad mide el cuadrado de la correlacin lineal entre dos

variables para una frecuencia dada w y es anloga al cuadrado del coeficiente de
correlacin. Este se encuentra entre 0 y 1, por lo que si la coherencia es cercana a uno
para una frecuencia w dada, significa que los componentes de las dos series estn
altamente relacionados, pero un valor cercano a cero significa que no estn relacionados.

Desplazamiento de fase: Es una medida de la diferencia de fase entre los

componentes de frecuencia de dos procesos. Aproxima el nmero de unidades de tiempo
(meses) que separan los picos (o valles) del componente peridico de una serie con su
similar en la otra serie, es decir, brinda una estimacin del adelanto o rezago medio de una
serie respecto a la otra en cada banda frecuencial.

Ganancia: Registra el escalar por el cual la amplitud de una serie en cada frecuencia
debe ser multiplicada para reproducir el componente de la amplitud a la cual esta

7
Manual de Rats. (1996), pgs. 11-9 a 11-12.
8
Granger, C. (1964), pgs 77-79.

5
 frecuencia aparece en la serie cruzada, por tanto es anlogo a la pendiente en el anlisis
de regresin.

Este conjunto de estadsticos provee las herramientas necesarias para estudiar el grado de
asociacin y la relacin en el tiempo entre cualquier par de series.

[Link] y Desventajas del Anlisis Espectral

[Link] principales ventajas que posee esta tcnica son:

Permite manejar la combinacin de regularidad y aleatoriedad tpicamente encontrada

en las series de tiempo econmicas. Esto significa que no es necesario eliminar los
componentes irregular y estacional de las series para estudiar su comportamiento.

Analiza relaciones econmicas con ms detalle de lo que los mtodos tradicionales de

construccin de modelos economtricos son capaces 9. Esto porque permite a los datos
hablar por s mismos y no existe el riesgo de subespecificacin del modelo. Describe las
fluctuaciones de los ciclos econmicos de una serie de tiempo en forma ms correcta, por
cuanto considera todo el comportamiento histrico de la serie en estudio y no slo sus picos
y valles. Es un mtodo matemticamente ms riguroso y general que los modelos ARIMA,
dado que examina con mayor flexibilidad la descomposicin de una variable en sus
componentes. Es una forma natural y potencialmente ms poderosa de seleccionar un
indicador representativo del fenmeno en estudio10.

Puede utilizarse para series con cualquier tipo de periodicidad.

[Link] desventajas son:

Las series de tiempo deben ser estacionarias. Transformar una serie puede alterar el
espectro de la serie bsica. Por ejemplo, un promedio mvil simple, comnmente utilizado
en el dominio de tiempo para reducir las variaciones de alta frecuencia (baja periodicidad o
ciclos de largo plazo), es un filtro de transmisin de baja banda11 que magnifica el
espectro de la serie sealada a bajas frecuencias y contrae el espectro a altas frecuencias.
Tomar la primera diferencia de la serie es un filtro transmisin de alta banda12 que filtra la
mayora de las variaciones de baja frecuencia y magnifica la variacin de alta frecuencia
(de hecho, para una serie estacionaria, la primera diferencia elimina completamente la
contribucin a la varianza para la frecuencia de cero, sin embargo, este no es el caso para
series no estacionarias). Estos dos filtros no son ideales en el sentido que ellos no
eliminan la variacin a una banda especfica de frecuencia.

9
Pacheco, R y Ordoez R. (1995), pg. 21.
10
Ibid, pg. 22.
11
En ingls low-band-pass
12
En ingls high-band-pass

6
 Utiliza nicamente las frecuencias de Fourier, que son aquellas que contienen un
nmero completo de ciclos desde la primera hasta la ltima observacin. Por ello, las
frecuencias particulares utilizadas dependen de la extensin de las series y es enteramente
posible que un ciclo importante en los datos no sea tomado en el anlisis. Si se conoce la
existencia de la periodicidad de la serie y se quiere mostrar claramente, entonces la
extensin de la serie debe ser un mltiplo de esa periodicidad

El mtodo espectral requiere ms datos (sobre 100 observaciones) que otros tcnicas,
debido a que no utiliza la muestra en forma eficiente.

Es un modelo aterico, en el sentido de que no responde a alguna teora econmica.

[Link] DE APLICACIN DE ANLISIS ESPECTRAL: PRONSTICO DE

CORTO PLAZO DE LA EMISIN MONETARIA

En esta seccin se aplica el mtodo espectral, como ejercicio terico, a la serie de datos
semanales de la Emisin Monetaria (EMI) y se mide su capacidad de pronstico. La serie
utilizada corresponde a los datos semanales que van del 5 de enero de 1990 al 31 de
diciembre de 199913.

Adems, el anlisis espectral se compara con otra herramienta que se podra utilizar para
pronosticar series semanales en la forma tradicional de estimacin. Esto es, por agregacin de
tendencia, ciclo, estacionalidad y componente irregular. Actualmente, se estiman los
coeficientes de estacionalidad semanal, pero no el componente de tendencia o ciclo, por lo que
se va a suponer que se pueden predecir exactamente esos agregados.

[Link] y Resultados

[Link] de la serie:

Primero se determina si existe estacionariedad. En este caso no exista, por lo que fue
necesario calcular el logaritmo de la serie y obtener sus diferencias.

[Link] del espectro y determinacin de los valores relevantes:

La descomposicin de la serie por frecuencias, se obtiene aplicando el programa SPSS, como

es explicado en el anexo 1. Esta representacin se puede ver grficamente con el
periodograma. Este muestra la importancia de cada frecuencia de Fourier en la representacin
de la serie. Se puede graficar por perodo o por frecuencia y el eje vertical es la suma de los
cuadrados del seno y coseno, por lo que los datos de mayor valor son las frecuencias ms
representativas de la serie. En este caso, el periodograma muestra que el logaritmo natural de

13
La ltima actualizacin de la metodologa de factores estacionales se encuentran en DIE-008-2000.

7
 la Emisin Monetaria (LEMI) est altamente influenciado por ciclos de periodicidades menores
a cincuenta y dos semanas (ver grficos 1 y 2).

Una vez estimado el espectro, se toman las frecuencias que presentan mayores valores en el
periodograma, para utilizarlos en el siguiente paso.

PERIODOGRAMAS DEL LOGARITMO DE LA EMISIN MONETARIA

DIFERENCIADO UNA VEZ (DLEMI) POR FRECUENCIAS Y POR PERODOS

Grfico N1 Grfico N2
Periodograma de DLEMI Periodograma de DLEMI

.1 .1
.05 .05

P
.01 .01
e P
.005 e .005
r
i r
o .001
i .001
d o
.0005 .0005
o d
g o
r .0001 g .0001
a .00005 r .00005
m m
a a
.00001 .00001

0.0 .1 .2 .3 .4 .5 .6 1 3 5 20 40 100 300 500

2 4 10 30 50 200 400

Frecuencia
Perodo
gr

Fuente: Elaboracin propia

Una vez obtenido el grfico espectral, se seleccionan las frecuencias significativas. En este
caso se us como criterio, escoger aquellas frecuencias cuyo valor en el periodograma es
mayor a 0.002.

8
En el siguiente cuadro, se muestran esas frecuencias.

Cuadro N1
Frecuencias seleccionadas
Frecuencia Periodicidad
0.01916 52.20000
0.03831 26.10000
0.05747 17.40000
0.07663 13.05000
0.09579 10.44000
0.11494 8.70000
0.13410 7.45714
0.15326 6.52500
0.17241 5.80000
0.22989 4.35000
0.24904 4.01538
0.26820 3.72857
0.28736 3.48000
0.30651 3.26250
0.32567 3.07059
0.40230 2.48571
0.44061 2.26957
0.45977 2.17500
Fuente: Elaboracin propia

[Link] del espectro del dominio de frecuencia al dominio de tiempo:

Este paso consiste en trasladar los resultados obtenidos en el dominio de la frecuencia al

dominio de tiempo. Esto se realiz estimando un modelo de ecuacin lineal con la funcin
expresada en la ecuacin (4).

En este caso la variable dependiente es LEMI y las independientes, la suma de senos y

cosenos de las periodicidades seleccionadas en el punto anterior. En donde wj es igual a 2F,
F son las frecuencias escogidas y n es el nmero de observacin. En el cuadro N2 se
resumen los resultados de la regresin.

9
 Cuadro N2
Resultados del ajuste de regresin
Variable Coeficiente Estadstico T Pro.
Constante 0.003872 4.999946 0.0000
A1 0.183750 10.53913 0.0000
B2 -0.129337 -7.419120 0.0000
SEN(0.12037*(n-1)) -0.008605 -7.876867 0.0000
SEN(0.24074*(n-1)) -0.010181 -9.306975 0.0000
SEN(0.36110*(n-1)) -0.009847 -8.998493 0.0000
SEN(0.48147*(n-1)) -0.006717 -6.144911 0.0000
SEN(0.60184*(n-1)) -0.002205 -2.018827 0.0441
SEN(0.72221*(n-1)) 0.003440 3.147823 0.0018
SEN(0.84257*(n-1)) 0.005717 5.222884 0.0000
SEN(0.96290*(n-1)) 0.005071 4.629887 0.0000
SEN(1.0833*(n-1)) 0.006657 6.082217 0.0000
SEN(1.4444*(n-1)) -0.004410 -4.026419 0.0001
SEN(1.5647*(n-1)) -0.003767 -3.436006 0.0006
SEN(1.6851*(n-1)) -0.003633 -3.315594 0.0010
SEN(1.8055*(n-1)) -0.001715 -1.566972 0.1179
SEN(1.9258*(n-1)) 0.000948 0.866881 0.3865
SEN(2.0462*(n-1)) 0.001933 1.764986 0.0783
SEN(2.5277*(n-1)) -0.003761 -3.440548 0.0006
SEN(2.7684*(n-1)) -0.004630 -4.231090 0.0000
SEN(2.8888*(n-1)) -0.014890 -13.61853 0.0000
COS(0.1203*(n-1)) 0.002799 2.549168 0.0111
COS(0.2407*(n-1)) -0.003409 -3.108646 0.0020
COS(0.3611*(n-1)) -0.010466 -9.547420 0.0000
COS(0.4814*(n-1)) -0.011526 -10.50383 0.0000
COS(0.6018*(n-1)) -0.015339 -13.96738 0.0000
COS(0.7222*(n-1)) -0.014348 -13.07221 0.0000
COS(0.8425*(n-1)) -0.011408 -10.40994 0.0000
COS(0.9629*(n-1)) -0.007365 -6.725583 0.0000
COS(1.083*(n-1)) -0.000751 -0.685654 0.4933
COS(1.444*(n-1)) 0.005242 4.786874 0.0000
COS(1.564*(n-1)) -0.002235 -2.042933 0.0417
COS(1.685*(n-1)) -0.006254 -5.712859 0.0000
COS(1.805*(n-1)) -0.005000 -4.561581 0.0000
COS(1.925*(n-1)) -0.005195 -4.738016 0.0000
COS(2.046*(n-1)) -0.006238 -5.695824 0.0000
COS(2.527*(n-1)) -0.000791 -0.720713 0.4715
COS(2.768*(n-1)) 0.004593 4.190903 0.0000
COS(2.888*(n-1)) -0.015468 -14.10002 0.0000

1
variable dummy agregada debido al comportamiento de la serie el 12 de diciembre de 1994
2
variable dummy agregada debido al comportamiento de la serie el 6 de enero de 1995
Fuente: Elaboracin propia

10
La regresin ajustada tiene un error estndar de regresin de 1.6% y un error cuadrtico medio
de 12%. El R2 ajustado fue de 0.77, sin embargo, debe recordarse que ste no es un buen
estimador cuando existen valores rezagados de la variable dependiente, ya que su valor
cambia dependiendo del filtro que se aplique y en este caso, se utiliza la diferencia de los
logaritmos de la serie14.

En el siguiente grfico se presenta una comparacin entre la serie observada (EMI) y el ajuste
estimado con la tcnica espectral (AEct) para el ao de 1999. Tambin se incluyen dos series
ms que corresponden al ajuste de la tendencia segn el mtodo de Hodrick-Prescott (SCst) y
la serie que se obtendra de sumar una estimacin de los factores estacionales y la tendencia.
De aqu se puede observar que la tendencia tiende a crecer en el tiempo, pero presenta un
patrn fluctuante.

Grfico N3
Comparacin de ajustes para 1999

230,000.00

210,000.00

190,000.00

170,000.00

150,000.00

130,000.00

110,000.00
Ene-99 Feb-99 Mar-99 Abr-99 May-99 Jun-99 Jul-99 Ago-99 Sep-99 Oct-99 Nov-99 Dic-99

Emisin monetaria Mtodo anlisis espectral con tendencia Mtodo usual con tendencia Mtodo usual sin tendencia

14
Pierce, D. (1979), pg. 901.

11
[Link] de la Capacidad de Pronstico del Modelo

La capacidad de pronstico del modelo, se midi calculando el error cuadrtico medio para
varios perodos fuera de la muestra. La muestra seleccionada fue de enero de 1990 a
diciembre de 1998, con el fin de utilizar los datos observados en 1999 como parmetro de
comparacin. Adems, se calcul el error cuadrtico medio15 que se obtiene de pronosticar el
comportamiento de la serie mediante la metodologa tradicional.

Como fue mencionado anteriormente, la metodologa tradicional descompone la serie en

tendencia, ciclo, estacionalidad y componente irregular. Actualmente, la estacionalidad es
calculada de la siguiente manera: primero se elimina la tendencia de la serie original con el
filtro de Holdick-Prescott, se seleccionan las variables en forma manual, en donde se escogen
aquellos ciclos cuyo estadstico t es significativo y luego se calculan los componentes
estacionales como una suma de funciones seno y coseno ajustadas de acuerdo a la semana o
da el mes en que se encuentre el dato16. El componente de tendencia-ciclo utilizado en este
estudio son los valores reales observados de la tendencia para 1999. Es decir, se supone que
se puede predecir exactamente el comportamiento de la tendencia.

En el grfico N4 se pueden observar los resultados pronosticados para 199917 con las dos
tcnicas y los valores reales. De aqu es inmediato ver, que para los primeros tres meses de
pronstico (aproximadamente doce semanas) el anlisis espectral es eficiente. Sin embargo,
a medida que el perodo de estimacin se incrementa, el pronstico tiende a sobrestimar la
serie en forma creciente. Esto es debido a que el periodograma es un estimador inconsistente
del espectro (la varianza de los estimadores no tiende a cero cuando el nmero de datos se
incrementa). Los mismos resultados se presentaran si se realiza todo el ejercicio con datos
hasta diciembre de 1997 o marzo de 1999 y pronostica para el resto de 1999.

15
Segn Kikut, A y Mayorga, M. (1995), pg. 37, el error cuadrtico medio se calcula con base en la siguiente
frmula:

e / n * 100 , donde e
2
n
es el residuo entre el valor proyectado y el observado para la semana n y yn es el
y /n
n
n
valor observado de la variable dependiente a estimar en el trimestre n.

16
Explicada ampliamente en Muz, E. (1997).
17
En el anexo # 2 se encuentra los valores de los coeficientes utilizados con cada uno de las tcnicas

12
 Grfico N4
Pronstico para 1999 con las dos metodologas
250,000.00

230,000.00

210,000.00

190,000.00

170,000.00

150,000.00

130,000.00

110,000.00

Ene-99 Feb-99 Mar-99 Abr-99 May-99 Jun-99 Jul-99 Ago-99 Sep-99 Oct-99 Nov-99 Dic-99

Serie Original Estimacin con mtodo usual Estimacin con anlisis espectral

En el cuadro N3 se encuentran los errores medios de pronstico aplicando la metodologa

tradicional (SC) y el anlisis espectral (AE) para un ao y descompuesto por trimestres (doce
semanas) fuera de la muestra. En la segunda y tercera columnas, se incluyen todos los
elementos del pronstico. En la cuarta y quinta columnas se excluyen tres valores de
pronstico extremos. Esto debido a que cada uno representa ms de un 10% de la suma de
los errores al cuadrado y que corresponden a la primera y dos ltimas semanas del ao.

En este cuadro se puede notar como los errores son relativamente bajos con cualquiera de los
dos procedimientos si el pronstico se realiza para el total de 1999. Si se realiza para las
primeras doce semanas del ao el error cuadrtico medio es menor utilizando el mtodo de
anlisis espectral. Sin embargo, el pronstico para los siguientes trimestres es ms exacto
utilizando el mtodo tradicional.

13
 Cuadro N3
Resultados del error cuadrtico medio de pronstico
1
Todos los valores Sin valores extremos
SC AE SC AE
Total 1999 6.09 6.14 2.20 3.44
1er trimestre 6.59 3.38 1.29 1.25
2do trimestre 2.21 3.17
3er trimestre 2.20 3.72
4to trimestre 8.52 9.33 2.56 4.17
1
Se excluyeron tres valores extremos de la serie (primer, penltimo y ultimo datos).
Fuente: Elaboracin propia.

De estos resultados, se puede concluir que el mtodo de AE es bueno para realizar pronsticos
para pocos perodos fuera de la muestra. Por lo que sera necesario realizar estimaciones
cada tres o cuatro meses si se quiere generar estimaciones semanales va anlisis espectral18.
Por otra parte, si la tendencia de la serie de la emisin monetaria puede ser pronosticada
perfectamente, como se supone en este ejercicio, el mtodo actual va factores estacionales es
adecuado para realizar pronsticos para 52 semanas fuera de la serie. Aunque se debe
recordar que existen tres valores extremos que afectan en mayor grado al pronstico con el
mtodo tradicional.

Finalmente, si lo que se quiere obtener es nicamente los factores estacionales semanales, el

mtodo actual es ms eficiente, ya que captura con pocas variables los efectos de los
movimientos entre semanas y la ubicacin de stas dentro del ao. En cambio, con el mtodo
de anlisis espectral, debido a que la posicin de los das en las semanas y aos vara, se
requiere una gran cantidad de variables para estimar comportamientos estacionales, definidos
como aquellos de periodicidad menor a un ao.

[Link] FINALES

La finalidad de este documento es servir como base para difundir las principales caractersticas
de la tcnica de anlisis espectral, con el objetivo de que sta sea considerada en la
elaboracin de estudios en los que comportamientos cclicos o repetitivos sean relevantes.

18
No obstante, se debe hacer la observacin de que en realidad existen programas economtricos a travs de los
cuales se pueden hacer pronsticos por medio de la densidad espectral, con lo que se evitara el problema de
insesgamiento y se podra pronosticar para mayores perodos de tiempo.

14
Al igual que otras tcnicas, el anlisis espectral tiene ventajas y desventajas que deben ser
consideradas en el momento de decidir aplicar este instrumento. Las principales ventajas son:
no es necesario descomponer una serie en tendencia, ciclo, estacionalidad y componente
irregular, permite analizar relaciones econmicas con ms detalle y las relaciones entre dos
series para cada frecuencia especfica y puede ser utilizada para series con cualquier tipo de
periodicidad. Por otro lado, las desventajas son: requiere una gran cantidad de observaciones,
es un modelo aterico y slo puede ser aplicado a series estacionarias.

El anlisis espectral puede ser utilizado para pronosticar series con cualquier tipo de
periodicidad, lo cual representa una gran ventaja con respecto a los modelos ARIMA, ya que
stos slo pueden ser utilizados con series de periodicidad mayor o igual a la mensual.

Del ejemplo presentado en la segunda seccin, en donde se aplic tanto el anlisis espectral
como el mtodo tradicional a la serie semanal de la Emisin Monetaria, se obtuvo que el
mtodo de anlisis espectral genera mejores predicciones que el mtodo tradicional para
periodos cortos de pronstico.

[Link]

Cohen, D. An Analysis of Government Spendig in the Frequency Domain. Federal Reserve

System. Mayo, 1999.

Granger, C. Spectral Analysis of Economic Time Series. 3era ed. Estados Unidos: Princeton
University Press, 1964.

Hamilton, J. Time Series Analysis. Princeton University Press: Estados Unidos. 1994.

Kikut, A y Mayorga, M. La hiptesis de cointegracin y la estabilidad de la demanda por medio

circulante en Costa Rica. En Serie Comentarios sobre asuntos econmicos del
Banco Central de Costa Rica, N. 140, julio, 1995.

Kikut, A. y Vindas, K. Actualizacin de los coeficientes de estacionalidad semanal de la

emisin monetaria. DIE-EC-01-98.

Muz, E. Uso de los coeficientes de estacionalidad semanal para estimar el saldo de la

emisin monetaria. Propuesta metodolgica. DIE-EC-06-97.

Pacheco, R y Ordoez, R. Construccin de un indicador adelantado a partir del Mtodo

Espectral. El caso de la inflacin en Costa Rica 1978-1993. En Serie Comentarios
sobre asuntos econmicos, No 139, Costa Rica: Banco Central de Costa Rica. 1995,
pgs. 13-17.

Pierce, D. R2 Measures for time Series. En Journal of the American Statistical Association.
EEUU. Vol. 74, no 368. Dic. 1979.

15
Priestley, M. Spectral Analysis and Time Series. Academic Press, Inc: Estados Unidos, Vol. I
y II, 1981.

Smith, R. Time Series. Department of Statistics. University of Nort Carolina. EEUU. Mayo,
1999.

gonzalezgd@[Link]

F:\...\NOTAS TCNICAS\NT2000\[Link]

16
ANEXOS
 ANEXO N1

Procedimiento para realizar el anlisis espectral utilizando el SPSS

El anlisis espectral se puede realizar en el SPSS sealando las opciones:

Grficos

Series de tiempo
Espectral: la ventana que aparece es:

Anlisis univariable:

Si se quiere realizar un anlisis univariable, se pueden obtener grficos del periodograma y de

la densidad espectral.

Periodograma: El periodograma de una serie muestra la energa o varianza para cada una de
las frecuencias de Fourier. Para producir un periodograma se mueve la variable a la lista de
variables. Las variables utilizadas en este procedimiento no deben tener ningn dato perdido.
En el periodograma el eje horizontal muestra las frecuencias en el que se ha descompuesto las
series y el eje vertical muestra el peso relativo, o importancia de cada frecuencia. El valor del
eje vertical mostrado en el periodograma es la suma de los cuadrados de los pesos (seno y
coseno) para esa frecuencia. El periodograma es graficado en escala logartmica, lo que
permite ver los detalles con mayor claridad. Tambin, debido a que el espectro es simtrico
sobre la frecuencia de cero, es comn graficar s(w) sobre w slo para 0<w<.

Densidad espectral: El problema con el periodograma es que los trminos individuales del
periodograma tienen grandes varianzas y son estadsticamente independientes. Por ello, se
pueden realizar grficos de densidad espectral, que es el periodograma suavizando con alguna
ventana (lo que conlleva cierto costo en resolucin y sesgo). Esto se puede hacer, definiendo
una ventana y escogiendo la forma y el nmero de trminos del grupo de puntos vecinos que

17
son promediados juntos. La ventana que se escoge se refiere al patrn de los pesos aplicados
al construir el promedio mvil. Estos pesos son usualmente simtricos alrededor del punto
medio. El mayor peso se da al punto medio y los pesos caen para puntos ms lejanos, excepto
para la ventana Daniell, donde ellos son constantes.

Los parmetros de agrupamiento indican el nmero de puntos incluidos en el promedio mvil.

Una ventana de muchos datos reduce el efecto de variacin aleatoria en el periodograma. Sin
embargo, agrupamientos amplios pueden generar prdidas de informacin importante. Por
ello, lo ms adecuado sera utilizar grupos que representen entre un 10% y un 20% de la
muestra utilizada. Los grupos deben ser enteros positivos impares. Las ventanas ms
utilizadas son Tukey y Tukey-Hamming, en tanto que Bartlett ha cado en desuso.

Las frmulas utilizadas para determinar las ponderaciones van a depender del tipo de ventana.
El programa SPSS, tiene disponibles las siguientes ventanas 19:

w Tukel-Hamming
w Tukey
w Parzen
w Bartlet
w Daniell (unitario), todos los valores del conjunto son valorados de la misma forma
w Ninguno: Es equivalente a obtener el periodograma

Tanto el periodograma como la densidad espectral pueden ser graficados por frecuencia o por
perodo, que es el recproco de la frecuencia (perodo = 1/frecuencia).

Otra opcin que debe ser tomada en cuenta es la de centrar variables. Si est seleccionada,
ajusta las series para tener una media de cero antes de calcular el espectro y remueve los
movimientos de largo plazo que pueden estar asociados con el promedio de las series.

Anlisis bivariable:

En el anlisis bivariable, siempre la primera variable es comparada con cada una de las otras
variables de la lista. Es decir, la primera serie se trata como la variable independiente y el resto
de las variables se tratan como variables dependientes. La caja de grficos 20 muestra para
cada diferente frecuencia los siguientes valores:

w Coherencia cuadrada
w Densidad cospectral
w Espectro cuadrado
w Espectro de fase
w Amplitud cruzada
w Ganancia

19
Para mayor informacin sobre las ventanas ver: Priestley, M. (1981).
20
Ver ms detalles en el manual del SPSS 6.1 Trends (1994).

18
Con estas opciones se generan todos los resultados grficos, pero no se obtienen los datos
utilizados en los grficos generados. Para guardar estas variables en el archivo de datos y
poderlas utilizar en anlisis subsecuentes, se debe utilizar el subcomando SAVE. Para ello,
antes de ejecutar el anlisis se debe elegir en el men:

Edicin

Opciones
Guardar comandos

Luego se debe ejecutar el anlisis y en el archivo de sintaxis se copian los comandos y al final
se le agrega la opcin /SAVE = y se obtienen los datos que se quieren. Por ejemplo, en el
caso de que se quieran los datos de perodos de Fourier, valores de la funcin coseno para
cada frecuencia de Fourier, valores del periodograma, valores estimados de la densidad
espectral, valores estimados del espectro de fase, valores de ganancia y valores de la
coherencia cuadrada, se debe ejecutar:

/SAVE = PER (Perodos) COS (coseno) P (periodograma) S (espectral) PH (fase) G (ganancia)

K (coherencia2)

19
 ANEXO N2

Valores de los coeficientes estimados con datos de 1990 a 1998

a. Tcnica de factores de estacionalidad

Variable Coeficiente Estadstico T

C1A 0.067257 15.23441
C2A 0.041345 11.05683
C3A 0.029038 9.383907
C4A 0.016335 6.278284
C5A 0.008673 3.951585
C6A 0.000138 0.072791
C7A -0.002595 -1.550095
C8A -0.002372 -1.582023
C9A -0.005493 -4.037310
C13A 0.002508 2.471381
C14A 0.003873 4.028653
C2M 0.009777 13.29536
C4M -0.003486 -1.434363
S1A 0.024364 5.533944
S2A -0.010258 -2.744888
S3A -0.024252 -7.841643
S4A -0.019860 -7.651739
S5A -0.023190 -10.55093
S6A -0.019755 -10.38388
S7A -0.014566 -8.680875
S8A -0.008877 -5.907505
S9A -0.002880 -2.112696
S13A 2.07E-05 0.020329
S14A -0.002017 -2.096631
S2M 0.004444 6.106754
S4M -0.001106 -0.462259
AR(1) 0.734179 22.65488

El R2 ajustado fue de 0.938, el error estndar de la regresin 1.9% y la suma de los residuos al
cuadrado de 1.63%.

20
b. Tcnica de anlisis espectral

Variable Coeficiente Estadstico T

A 0.168531 8.659523
B -0.104162 -5.352077
C 0.003891 4.501644
COS(2.880351473*(n-1)) -0.002081 -1.703561
COS(0.602864262*(n-1)) -0.014156 -11.55914
COS(0.723437114*(n-1)) -0.014747 -12.03950
COS(0.361718557*(n-1)) -0.008623 -7.055021
COS(0.48229141*(n-1)) -0.009705 -7.933801
COS(0.844009967*(n-1)) -0.012734 -10.40654
COS(0.241145705*(n-1)) -0.002261 -1.848624
COS(0.120572852*(n-1)) 0.003291 2.688076
COS(0.964582819*(n-1)) -0.008858 -7.247629
COS(1.085155671*(n-1)) -0.003788 -3.099784
COS(2.759778621*(n-1)) -0.003389 -2.770513
COS(2.893748457*(n-1)) 0.005788 4.737774
COS(1.446874229*(n-1)) 0.006569 5.367545
COS(1.942562622*(n-1)) -0.003844 -3.148209
COS(1.688019933*(n-1)) -0.001590 -1.301959
COS(1.848783736*(n-1)) -0.000632 -0.517648
COS(2.022944523*(n-1)) 0.002833 2.313825
SIN(2.880351473*(n-1)) 0.010223 8.357453
SIN(0.602864262*(n-1)) -0.005980 -4.900703
SIN(0.723437114*(n-1)) -0.000857 -0.702136
SIN(0.361718557*(n-1)) -0.011153 -9.123794
SIN(0.48229141*(n-1)) -0.008804 -7.207305
SIN(0.844009967*(n-1)) 0.001374 1.125297
SIN(0.241145705*(n-1)) -0.010301 -8.430527
SIN(0.120572852*(n-1)) -0.008365 -6.854969
SIN(0.964582819*(n-1)) 0.001994 1.631363
SIN(1.085155671*(n-1)) 0.005759 4.709968
SIN(2.759778621*(n-1)) 0.000593 0.485078
SIN(2.893748457*(n-1)) -0.016946 -13.85478
SIN(1.446874229*(n-1)) -0.000237 -0.194082
SIN(1.942562622*(n-1)) -8.65E-05 -0.070663
SIN(1.688019933*(n-1)) -0.006806 -5.561837
SIN(1.848783736*(n-1)) -0.003141 -2.565240
SIN(2.022944523*(n-1)) 0.001090 0.893272
COS(2.170311343(n-1)) -0.000719 -0.587873
SIN(2.170311343*(n-1)) -0.004084 -3.341855

El R2 ajustado fue de 0.72, el error estndar de la regresin 1.86% y la suma de los residuos al
cuadrado de 1.49%.

21
 ANEXO N3

Estimacin de los lmites de confianza del espectro

El intervalo de confianza se puede estimar de la siguiente forma:21 Si se representa el

espectro verdadero como (wj), donde w es la frecuencia multiplicada por 2, y el espectro
estimado a partir de la muestra como f(wj), entonces la distribucin de f(wj)/ (wj) es
aproximadamente una 2k/k con k=2n/m grados de libertad, donde: n es el nmero de
observaciones, m es el nmero de bandas frecuenciales (nmero de datos/tamao de banda
escogida) utilizados en la estimacin del espectro. A partir de esta distribucin, es posible
construir un intervalo de confianza de (100-) por ciento para cada frecuencia del espectro
(wj) de la siguiente forma:

f (w ) f (w j )
Pr 2 j < ( w j ) < 2 = (100 )%
/ 2 , k / k / k
100 ( / 2 ),k

Si el valor espectral en cada frecuencia se encuentra dentro de estos lmites de confianza, no

se rechaza la hiptesis de que el espectro basado en la muestra en esa frecuencia particular
sea verdadero.

21
Pacheco, R y Ordoez, R. (1995), pg. 27.

22