Econometra de Series de Tiempo
Estacionariedad, ergodicidad y autocorrelacion
Jose Gabriel Castillo, Ph.D.
ESPOL, Guayaquil
Castillo, J.G. (ESPOL) Series de Tiempo 1 / 15
Procesos estocasticos / Estacionariedad
Castillo, J.G. (ESPOL) Series de Tiempo 2 / 15
Estacionariedad
Una variable aleatoria (v.a.) Xt : X1 , X2 , ... para t: tiempo, es (estrctamente )
estacionaria si la distribucion conjunta (cdf /pdf) de
{Xn+t1 , Xn+t2 , Xn+t3 ..., Xn+tk } es la misma que {Xt1 , Xt2 , Xt3 ..., Xtk }, para
cualquier n. La dependencia proviene de k no del tiempo t.
Estacionariedad debil (estacionariedad en covarianza): Una variable es
debilmente estacionaria si su valor esperado, su varianza y covarianza, no
dependen del tiempo, es decir si:
E (yt ) = , t
Var (yt ) = 2
Cov (yt , yt1 ) = E [(yt )(ytj )] = j , t y cualquier j.
Si se puede suponer normalidad conjunta de las variables, entonces
estacionariedad debil implica estacionariedad estricta.
Castillo, J.G. (ESPOL) Series de Tiempo 3 / 15
Estacionariedad
Algunos ejemplos: Son variables estacionarias?
Xt i.i.d.
I SI: La distribucion es identica para cualquier subset de t.
Yt = + t + ut , ut i.i.d.(0, 2 )
I NO: E (Yt |t) = + t, la media condicional depende de t.
Yt = Yt1 + ut , ut i.i.d.(0, 2 ) (Caminata Aleatoria/Random Walk)
I NO: E (Yt ) = 0, Var (Yt ) = t 2 la varianza depende de t.
Castillo, J.G. (ESPOL) Series de Tiempo 4 / 15
Castillo, J.G. (ESPOL) Series de Tiempo 5 / 15
Otros conceptos importantes
Ruido Blanco (White Noise):
Una variable ut es ruido blanco (de media cero) si t:
E (ut ) = 0, t
Var (ut ) = E (ut2 ) = 2
Cov (ut , us ) = E (ut us ) = 0, s 6= t
Nos referimos a esta variable como ut WN(0, 2 ).
Alternativamente, en el trabajo emprico se puede tener una media
diferente de cero (intercepto): en cuyo caso ut WN(, 2 ).
Castillo, J.G. (ESPOL) Series de Tiempo 6 / 15
Otros conceptos importantes
Ergodicidad:
Un proceso estacionario es ergodico para la media si:
T
p
T 1
X
yt E (yt ) = , cuando T
t=1
Un proceso estacionario es ergodico para el segundo momento si:
T
p
(T j)1
X
(yt )(ytj ) E [(yt )(ytj )] = j , si T
t=j+1
Un proceso estacionario no necesariamente es ergodico. La intuicion detras
de esta propiedad es la estabilidad de los momentos de la distribucion, o
que una serie estacionaria es independiente de observaciones lejanas.
Castillo, J.G. (ESPOL) Series de Tiempo 7 / 15
Otros conceptos importantes
Theorem (Hansen (2016))
Si yt es estrictamente estacionario y ergodico, y xt = f (yt , yt1 , ...) es una
variable aleatoria, entonces xt es estrictamente estacionaria y ergodica.
Debilmente dependiente
Un proceso estacionario xt es debilmente dependiente si xt y xt+k son
casi independientes conforme k .
Intuitivamente, si Corr (xt , xt+k ) 0 rapidamente conforme k .
Ej. AR(1), MA(1).
Castillo, J.G. (ESPOL) Series de Tiempo 8 / 15
La Autocorrelacion
Castillo, J.G. (ESPOL) Series de Tiempo 9 / 15
La Autocorrelacion
Funcion de Autocorrelacion (ACF):
Relacionada a la autocovarianza de una variable estacionaria xt :
k = Cov (xt , xtk ) = E [(xt )(xtk )], la funcion de autocorrelacion
puede escribirse como:
Cov (xt , xtk ) k
k = =
xt xtj 0
Este concepto es muy importante para modelar la dependencia dinamica
de series de tiempo. Mide la longitud y fuerza de la memoria de un
proceso estocastico, mediante la identificacion de la correlacion del valor
de una serie con sus valores previos. (Mills 1993)
Castillo, J.G. (ESPOL) Series de Tiempo 10 / 15
La Autocorrelacion
Autocorrelacion Parcial (PACF):
Es la correlacion entre xt y xtk , una vez removida la influencia de los
factores intermedios xt1 , ...xtk+1 .
A partir de una regresion MCO de xt respecto de xt1 , ...xtk y la
constante:
k = k
Y tomando en cuenta la varianza residual 0 tenemos:
k
k =
0
Otros metodos de estimacion del PACF, como Yule-Walker, son menos
robustos y suceptibles de errores numericos (McCullogh 1998, Box,Jenkins
and Reinsel 2008).
Castillo, J.G. (ESPOL) Series de Tiempo 11 / 15
La Autocorrelacion
Auto covarianza muestral:
n
k = n1
X
(xt x )(xtk x ), 0k n1
t=k+1
Matriz de auto-covarianza muestral: para una matriz (h h) : 1 h n.
0 1 ... ... h1
0 1 ... h2
..
h ..
h = |ij| = 0 . .
i,j=1
..
Simetrica . 1
0
La matriz h es positiva semi definida (psd).
Castillo, J.G. (ESPOL) Series de Tiempo 12 / 15
La Autocorrelacion
ACF muestral:
Pn
k t=k+1 (xt x )(xtk x )
k = = Pn 2
, 0k n1
0 t=k+1 (xt x )
Theorem
Si xt iid(0, 2 ), entonces:
1
2
d
T N (0, Ih )
..
.
h
Castillo, J.G. (ESPOL) Series de Tiempo 13 / 15
La Autocorrelacion
El test de Portmanteau (Q-test): Prueba la hipotesis conjunta de que todas
las autocorrelaciones son cero.
H0 : 1 = 2 = ... = h = 0
H1 : al menos una 6= 0
Estadstico de Ljung-Box (1978) [modifica a Box-Pierce (1970) para mejorar
sus propiedades en muestras pequenas].
Si xt iid(0, 2 ) (equivalente: xt WN) entonces:
h
X 2k d
Q(h) = T (T + 2) 2 (h)
T k
k=1
En la practica: h = ln(T ).
Distinto a probar: AC(1) por DW o Raz Unitaria.
Castillo, J.G. (ESPOL) Series de Tiempo 14 / 15
Algunos operadores basicos en Stata
Correlograma:
corrgram pib, lags(20)
Auto Correlacion:
ac pib, lags(20)
Auto Correlacion Parcial:
pac pib, lags(20)
Portmanteau y Bartlets Q test- white noise tests:
wntestb pib, table
wntestb pib
wntestq pib, lags(20)
Castillo, J.G. (ESPOL) Series de Tiempo 15 / 15
