DEPARTAMENTO DE

ECONOMÍA

ECONOMETRÍA 2

TEMA
Procesos Estacionarios ARMA

Miguel Ataurima Arellano

[email protected]
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

Índice
1. Introducción 4

2. Expectativas, Estacionariedad, y Ergodicidad 5

2.1. Expectativas y Procesos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Autocovarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3. Estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4. Ergodicidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3. Ruido Blanco 19

4. Proceso Media Móvil (Moving Average, MA) 20

4.1. Proceso MA(1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2. Proceso MA(q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3. Proceso MA(∞) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5. Procesos Autoregresivos (AutoRegressive, AR) 36

5.1. Proceso AR(1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.1.1. Obtención alternativa de los momentos . . . . . . . . . . . . . . . . . . . . . . 46
5.2. Proceso AR(2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3. Proceso AR(p) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

6. Procesos Mixtos (AutoRegressive y Moving Average, ARMA(p,q)) 63

7. La Función Generadora de Autocovarianzas gy (z) 69

Miguel Ataurima Arellano 2 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

8. Invertibilidad 76
8.1. Invertibilidad para el Proceso MA(1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
8.2. Invertibilidad para el Proceso MA(q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

Miguel Ataurima Arellano 3 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
1. Introducción
1. Introducción
En el siguiente capítulo se introducen los procesos univariados ARMA.

Los procesos univariados ARMA proveen una clase útil de modelos para la descripción de la dinámica
de series de tiempo individuales.

Miguel Ataurima Arellano 4 [email protected]

Miguel Ataurima Arellano 4 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
2. Expectativas, Estacionariedad, y Ergodicidad
2. Expectativas, Estacionariedad, y Ergodicidad
2.1. Expectativas y Procesos Estocásticos
2.1. Expectativas y Procesos Estocásticos
Suponga que hemos observado una muestra de tamaño T de alguna variable aleatoria Y :

{y1 , y2 , . . . , yT } (1)

La muestra observada [1] representa T números particulares, este conjunto de T números es una
posible salida de un subyacente proceso estocástico generador de datos.
Si imaginásemos haber observado el procesos para un periodo de tiempo infinito, obtendríamos la
secuencia
t=−∞ = {. . . , y−1 , y0 , y1 , . . . , yT , yT +1 , yT +2 , . . .}
{yt }∞
la cual puede ser vista como una simple realización de un proceso de series de tiempo.

EJEMPLO: La siguiente colección de T variables t independientes e idénticamente distribuidas (i.i.d.)a ,

{1 , 2 , . . . , T } (2)

con  
t ∼ N 0, σ 2
a
Esta serie es conocida como una muestra de tamaño T de un proceso ruido blanco Gausiano.

Miguel Ataurima Arellano 5 [email protected]

Miguel Ataurima Arellano 5 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Supongamos 2 computadoras que generan secuencias infinitas:

n o
(1) ∞
Una primera computadora genera la secuencia infinita t de variables aleatorias i.i.d.

t=−∞
N 0, σ 2 ,y
n o
(2) ∞
Una segunda computadora genere la secuencia infinita, t de variables aleatorias i.i.d.

t=−∞
N 0, σ 2 .
Podemos ver a estas dos secuencias como 2 realizaciones independientes de un proceso ruido blanco
Gausiano.

Ahora, imagine un conjunto conformado por I computadoras generando secuencias infinitas

n o n o n o
(1) ∞ (2) ∞ (I) ∞
yt , yt , . . . , yt
t=−∞ t=−∞ t=−∞

Seleccione la observación asociada con el instante t de cada secuencia

n o
(1) (2) (I)
yt , yt , . . . , yt

Este conjunto es una muestra de I realizaciones independientes de la variable aleatoria Y en el

instante t (o Yt ).

La v.a. Yt tiene cierta densidad, denotada como fYt (yt ), la cual es llamada densidad incondicional
de Yt .

Miguel Ataurima Arellano 6 [email protected]

Miguel Ataurima Arellano 6 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO: Para un proceso Ruido Blanco Gausiano, esta densidad está dada por
!
1 y2
fYt (yt ) = √ exp − t 2
2πσ 2σ

Esperanza

La esperanza de la observación t-ésima de una serie de tiempo hace referencia a la media de esta
distribución de probabilidad, siempre que exista:
ˆ ∞
E [Yt ] ≡ yt fYt (yt ) dyt (3)
−∞

Promedio Ensamble

La esperanza E [Yt ] puede ser vista como la probabilidad límite del promedio ensamble (ensemble
average)
1XI
(i)
E [Yt ] = plim Yt (4)
I→∞ I i=1

Miguel Ataurima Arellano 7 [email protected]

Miguel Ataurima Arellano 7 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO:

Si {Yt }∞
t=−∞ representa la suma de una constante µ mas un proceso Ruido Blanco Gausiano
{t }∞
t=−∞
Yt = µ + t (5)
entonces su media es
E [Yt ] = µ + E [t ] = µ (6)

Si Yt es una tendencia mas un Ruido Blanco Gausiano

Yt = βt + t (7)

entonces su media es
E [Yt ] = βt (8)

NOTAS:

Muchas veces para enfatizar la esperanza E [Yt ] es llamada la media incondicional de Yt . La media
incondicional es denotada como µt :
E [Yt ] = µt

Observe que esta notación permite la posibilidad general que la media puede ser una función del
instante de la observación t. Para el proceso [7] que involucra a la tendencia temporal, la media [8]
es una función del tiempo, mientras que para la constante mas el ruido blanco Gausiano, la media
[6] no es una función del tiempo.

Miguel Ataurima Arellano 8 [email protected]

Miguel Ataurima Arellano 8 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Varianza

La varianza de la variable aleatoria Yt (denotada como γ0t ) es similarmente definida como

h i ˆ ∞
γ0t ≡ E (Yt − µ)2 = (yt − µt )2 fYt (yt ) dyt (9)
−∞

EJEMPLO:

Para el proceso [7], la varianza es

h i h i
γ0t = E (Yt − βt)2 = E 2t = σ 2

Miguel Ataurima Arellano 9 [email protected]

Miguel Ataurima Arellano 9 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
2.2. Autocovarianza
2.2. Autocovarianza
n o
(1) ∞
Dada una realización particular tal como yt de un proceso de series de tiempo, considere
t=−∞
(1)
la construcción de un vector xt asociado con el instante t.
(1)
Considere que el vector xt está compuesto por las (j + 1) observaciones mas recientes en y a
partir del instante t para aquella realización:
 
(1)
yt
 (1) 
 yt−1 
(1)  
xt = .. 

 . 

(1)
yt−j
Ahora, pensemos en cada realización {yt }∞
t=−∞ como la generadora de un valor particular del
(i)
vector xt y busquemos calcular la distribución de probabilidad de este vector xt a lo largo de las
i realizaciones.
Esta distribución es llamada la distribución conjunta de (Yt ,Yt−1 ,. . ., Yt−j ):
fYt ,Yt−1 ,...,Yt−j (yt , yt−1 , . . . , yt−j )

A partir de esta distribución podemos calcular la j-ésima autocovarianza de Yt (denotada por γjt ):
γjt = cov[Yt , Yt−j ] = E [(Yt − µt ) (Yt−j − µt−j )] (10)
ˆ ∞ˆ ∞ ˆ ∞
= ··· (yt − µt ) (yt−j − µt−j ) · fYt ,Yt−1 ,...,Yt−j (yt , yt−1 , . . . , yt−j ) dyt dyt−1 · · · dyt−j
−∞ −∞ −∞

Miguel Ataurima Arellano 10 [email protected]

Miguel Ataurima Arellano 10 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

NOTAS:

Observe que a partir de [10] la autocovarianza 0-ésima es exactamente la varianza de Yt , como es

anticipada mediante la notación γ0t en [9].

La autocovarianza γjt puede ser vista como el elemento (1, j + 1) de la matriz de covarianzas
del vector xt . Por esta razón, las autocovarianzas son descritas como los segundos momentos del
proceso para Yt .

Una vez mas, podemos pensar en la autocovarianza j-ésima como la probabilidad límite del
promedio ensamble:
1XI h
(i)
i h
(i)
i
γjt = plim Yt − µt · Yt−j − µt−j (11)
I→∞ I i=1

EJEMPLO: Para el proceso en [5]

Yt = µ + t
las autocovarianzas son todas cero para j 6= 0:

γjt = E [(Yt − µ) (Yt−j − µ)] = E [t t−j ] = 0 para j 6= 0

Miguel Ataurima Arellano 11 [email protected]

Miguel Ataurima Arellano 11 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
2.3. Estacionariedad
2.3. Estacionariedad
Estacionariedad Débil

Si tanto la media µt como las autocovarianzas γjt no dependen del instante t, esto es

E [Yt ] = µ
(
σ 2 para j = 0
E [(Yt − µ) (Yt−j − µ)] =
0 para j 6= 0

entonces se dice que el proceso Yt es estacionario en covarianzas o débilmente estacionario:

Por el contrario, el proceso de [7]

Yt = βt + t
es no estacionario en covarianza, debido a que la media, E [Yt ] = βt, es una función del tiempo.

Observación:

Si el proceso es estacionario en covarianza, la covarianza entre Yt y Yt−j depende solo de j (la

longitud de separación en tiempo entre las observaciones), y no de t (el instante de la observación).

Se sigue que para el proceso estacionario en covarianza, γj y γ−j representarían la misma magnitud
(γ es una función par en j).

Miguel Ataurima Arellano 12 [email protected]

Miguel Ataurima Arellano 12 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

A partir de la definición
γj = E [(Yt − µ) (Yt−j − µ)] (12)
Si el proceso es estacionario en covarianza, su magnitud es la misma para todos los valores de t
que elijamos.

Por ejemplo, podemos reemplazar t con t + j y corroborarlo

h  i
γj = E (Yt+j − µ) Y[t+j]−j − µ = E [(Yt+j − µ) (Yt − µ)] = E [(Yt − µ) (Yt+j − µ)]

Observación: Refiriéndonos de nuevo a la definición [12], esta última expresión es exactamente la defi-
nición de γ−j . Así, para cualquier proceso estacionario en covarianza

γj = γ−j para todos los enteros j (13)

Miguel Ataurima Arellano 13 [email protected]

Miguel Ataurima Arellano 13 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Estacionariedad Estricta

Se dice que un proceso es estrictamente estacionario si, para cualesquier conjunto de valores

j1 , j2 , . . . , jn

la distribución conjunta de
(Yt , Yt+j1 , Yt+j2 , . . . , Yt+jn )
depende solo de los intervalos de separación entre los instantes (j1 , j2 , . . ., jn ) y no del instante
por si mismo (t).

Observe que si un proceso es estrictamente estacionario con segundos momentos finitos, entonces
éste debe ser estacionario en covarianza - si las densidades sobre las que son integradas en [3] y [10]
no dependen del tiempo, entonces los momentos µt y γjt no dependerán del tiempo. Sin embargo,
es posible imaginar un proceso es estacionario en covarianza pero no estrictamente estacionario; la
media y las autocovarianzas
 
pueden no ser funciones del tiempo, pero quizás si lo sean los momentos
mayores tales como E Yt3 .

NOTA: En este texto el término estacionario por si mismo significará estacionario en covarianza.

Miguel Ataurima Arellano 14 [email protected]

Miguel Ataurima Arellano 14 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Proceso Gausiano

Un proceso {Yt } se dice que es Gausiano si la densidad conjunta

fYt ,Yt+j1 ,...,Yt+jn (yt , yt+j1 , . . . , yt+jn )

es Gausiano para cualquier j1 , j2 , . . ., jn .

Como la media y varianza son necesarias para parametrizar completamente a una distribución
Gausiana multivariada, un proceso Gausiano estacionario en covarianza es estrictamente
estacionario.

Miguel Ataurima Arellano 15 [email protected]

Miguel Ataurima Arellano 15 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
2.4. Ergodicidad
2.4. Ergodicidad
Hemos visto a las esperanzas de una serie de tiempo en términos de promedios ensamble tales como
[4] y [11].

Estas definiciones pueden ser un poco controversiales, ya que por lo general todo
n lo que uno disponeo
(1) (1) (1)
es una simple realización de tamaño T del proceso, al que denotamos como y1 , y2 , . . . , yT .

A partir de estas observaciones podemos calcular la media muestral ȳ. Esta, de hecho, no es el
promedio ensamble sino mas bien un promedio temporal:

1X T
(1)
ȳ ≡ y (14)
T t=1 t

En el caso en que los promedios temporales tales como [14] converjan eventualmente al promedio
ensamble E [Yt ] para un proceso estacionario, éste tiene que ver con la ergodicidad.

Miguel Ataurima Arellano 16 [email protected]

Miguel Ataurima Arellano 16 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Ergodicidad del primer momento

Un proceso estacionario en covarianza se dice que es ergódico para la media si [14] converge en
probabilidad a E [Yt ] conforme T → ∞.

Un proceso será ergódico para la media siempre que la autocovarianza γj tienda a cero lo suficien-
temente rápido conforme j se hace grande.

Condición Suficiente: Se puede verificar que si las autocovarianzas para un proceso estacionario en
covarianza satisfacen ∞
X
|γj | < ∞ (15)
j=0

entonces {Yt } es ergódico para la media.

Ergodicidad del segundo momento
Similarmente, un proceso estacionario en covarianza se dice que es ergódico para el segundo
momento si
1 T
X p
(Yt − µ) (Yt−j − µ) → γj
T − j t=j+1
para todo j.

En el caso en el que {Yt } es un proceso Gausiano estacionario, la condición [15] es suficiente para
garantizar la ergodicidad de todos los momentos.

En varias aplicaciones, la estacionariedad y ergodicidad llegan a requerir los mismos requisitos.

Miguel Ataurima Arellano 17 [email protected]

Miguel Ataurima Arellano 17 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO: Proceso que es estacionario pero no ergódico para la media.

n o
(i) ∞
Suponga que la media µ(i) para la realización yt es generado a partir de una distribución

t=−∞
N 0, λ2 , digamos
(i)
Yt = µ(i) + t (16)
Aquí {t } es un proceso ruido blanco Gausiano con media cero y varianza σ2 que es independiente
de µ(i) .
Calculamos los primeros y segundos momentos
h i
µt = E µ(i) + E [t ] = 0
 2 
γ0t = E µ(i) + t = λ2 + σ 2
h  i
γjt = E µ(i) + t µ(i) + t−j = λ2 para j 6= 0

Observamos que el proceso [16] es estacionario en covarianza.

Sin embago, no se satisface la condición suficiente [15] para la ergodicidad de la media puesto que
el promedio temporal

1X T
(i) 1X T   1X T
Yt = µ(i) + t = µ(i) + t
T t=1 T t=1 T t=1

converge a µ(i) en vez de a cero, la media de Yt , por lo tanto el proceso no es ergódico para la
media.

Miguel Ataurima Arellano 18 [email protected]

Miguel Ataurima Arellano 18 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
3. Ruido Blanco
3. Ruido Blanco
El bloque de construcción básico para todos los procesos considerados en este capítulo es una
secuencia {t }∞ 2
t=−∞ cuyos elementos tienen media cero y varianza σ ,

E [t ] = 0 (17)
h i
E 2t = σ 2 (18)

y para los cuales los ’s no están correlacionados en el tiempo:

E [t τ ] = 0 para t = τ (19)

Un proceso que satisface desde [17] hasta [19] es descrito como un proceso ruido blanco.

En ocasiones vamos a desear reemplazar [19] con la condición un poco menos estricta de que los
’s son independientes en el tiempo:

t , τ independientes para t 6= τ (20)

Observe que [20] implica [19] pero [19] no implica [20]. Un proceso que satisface desde [17] hasta
[20] es llamado un proceso ruido blanco independiente.

Finalmente, si se mantienen desde [17] hasta [20] junto con

 
t ∼ N 0, σ 2 (21)

entonces tenemos un proceso ruido blanco Gausiano.

Miguel Ataurima Arellano 19 [email protected]

Miguel Ataurima Arellano 19 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

4. Proceso Media Móvil (Moving Average, MA)
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

4. Proceso Media Móvil (Moving Average)

4.1. Proceso MA(1)
4.1. Proceso Media Móvil de Primer Orden
Sea {t } un ruido blanco como en [17] hasta [19], y considere el proceso

Yt = µ + t + θt−1 (22)

donde µ y θ pueden ser cualquier constante. Esta serie de tiempo es llamado un proceso media
móvil de primer orden, denotado como M A(1).

NOTA: El término media móvil proviene del hecho que Yt es construido a partir de una suma ponderada,
similar a un promedio, de dos o mas valores recientes de .

Miguel Ataurima Arellano 20 [email protected]

Miguel Ataurima Arellano 20 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Esperanza (µ)

La esperanza de Yt está dada por

E [Yt ] = E [µ + t + θt−1 ] = µ + E [t ] + θ · E [t−1 ] = µ (23)

Usamos el símbolo µ para el término constante en [22] en anticipación del resultado de que este
término constante resulte ser la media del proceso.

Miguel Ataurima Arellano 21 [email protected]

Miguel Ataurima Arellano 21 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Varianza (γ0 )

La varianza (j = 0) de Yt es
h i h i
γ0 = E (Yt − µ)2 = E (t + θt−1 )2 (24)
h i
= E 2t + 2θt t−1 + θ2 2t−1
= σ2 + 0 + θ2 σ2
 
= 1 + θ2 σ2

Miguel Ataurima Arellano 22 [email protected]

Miguel Ataurima Arellano 22 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocovarianzas (γj )

La primera autocovarianza (j = 1) es

γ1 = E [(Yt − µ) (Yt−1 − µ)] = E [(t + θt−1 ) (t−1 + θt−2 )] (25)

h i
= E t t−1 + θ2t−1 + θt t−2 + θ2 t−1 t−2
= 0 + θσ 2 + 0 + 0
= θσ 2 para j = 1

Las autocovarianzas de mayor orden (j > 1) son todas cero:

γj = E [(Yt − µ) (Yt−j − µ)] = E [(t + θt−1 ) (t−j + θt−j−1 )] = 0 para j > 1 (26)

Como la media y las autocovarianzas no son funciones del tiempo, un proceso M A(1) es estacionario
en covarianza independientemente del valor θ. Además, [15] es claramente satisfecha:
∞
X    
|γj | = 1 + θ2 σ 2 + θσ 2 
 
j=0

Así, si {t } es un Ruido Blanco Gausiano, entonces el proceso M A(1) en [22] es ergódico para
todos los momentos.

Miguel Ataurima Arellano 23 [email protected]

Miguel Ataurima Arellano 23 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocorrelación (ρj )

La autocorrelación de un proceso estacionario en covarianza (denotado ρj ) es definido como la

correlación entre Yt y Yt−j

Cov (Yt , Yt−j ) γj γj

ρj = Corr (Yt , Yt−j ) = p q =√ √ ≡ (27)
Var (Yt ) Var (Yt−j ) γ 0 γ 0 γ 0

que al simplificar, se convierte en la j-ésima autocovarianza dividida por la varianza

Como ρj es la correlación, entonces |ρj | ≤ 1 para todo j, debido a la desigualdad de Cauchy-Scharz.

Observe también que la autocorrelación 0-ésima ρ0 es igual, por definición, a cualquier proceso
estacionario en covarianza.

Miguel Ataurima Arellano 24 [email protected]

Miguel Ataurima Arellano 24 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

A partir de [24] y [25], se observa que la primera autocorrelación para un proceso M A(1) está dado
por
θσ 2 θ
ρ1 = = (28)
(1 + θ ) σ
2 2 1 + θ2
y que las autocorrelaciones mayores son todas cero.

La autocorrelación ρj puede ser graficada como una función de j

1 1

0 0

-1 -1

-5 0 5 10 15 20 25 -5 0 5 10 15 20 25
(a) Ruido blanco : Y t = ǫ t (b) MA(1) : Yt = ǫ t + 0.8ǫ t-1

•1 La Figura 3.1. Panel (a) muestra la función de autocorrrelación

1 de un Ruido Blanco Gaussiano,
• La Figura 3.1. Panel (b) muestra la función de autocorrelación para el proceso M A(1):
0 0
Yt = t + 0,8t−1
-1 -1

-5 0 5 10 15 20 25 -5 0 5 10 15 20 25
(c) MA(4) : Y t = ǫ t - 0.6ǫ t-1 + 0.3ǫ t-2 - 0.5ǫ t-3 + 0.5ǫ t-4 (d) AR(1) : Yt = 0.8Y t-1 + ǫ t
Miguel Ataurima Arellano 25 [email protected]

1
Miguel Ataurima Arellano 25 [email protected]
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Para diferentes especificaciones de θ podemos obtener diferentes valores de la primera autocorrela-

ción ρ1 en [28].

• Valores positivos de θ inducen una autocorrelación positiva en las series.

En este caso, un valor grande inusual de Yt es probablemente seguido por valor promedio
mucho mas Yt+1 , exactamente como un valor promedio mucho mas pequeño Yt que podría
bien ser seguido por un valor promedio mucho mas pequeño Yt+1 .
• Valores negativos de θ implican autocorrelación negativa en las series.
En este caso podría esperarse que un gran Yt sea seguido por un pequeño valor para Yt+1 .

Los valores para ρ1 debido a diferentes especificaciones de θ son dibujados en siguiente Figura.

0.5
0.4

0.2
ρ1 (θ)

-0.2

-0.4
-0.5
-0.6
-3 -2 -1 0 0.5 1 2 3
θ

Miguel Ataurima Arellano 26 [email protected]

Miguel Ataurima Arellano 26 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Observe que:

• El valor mas grande para ρ1 =,0.5; esto ocurre si θ = 1.

• El valor mas pequeño para ρ1 = - 0.5; esto ocurre si θ = −1.
• Para cualquier valor de ρ1 entre −0,5 y 0,5, hay dos diferentes valores de θ que pueden producir
θ
dicha autocorrelación. Esto es debido a que el valor de no cambia si θ es reemplazado
1 + θ2
1
por :
θ
1
θ
ρ1 = θ
 2 =
1 1 + θ2
1+
θ
Esto quiere decir que los procesos

M A(1) : Yt = t + 0,5t−1

y
M A(1) : Yt = t + 2t−1
tendrán la misma función de autocorrelación:
1
2 2
ρ1 = =  2 = 0,4
1 + 22 1
1+
2

Miguel Ataurima Arellano 27 [email protected]

Miguel Ataurima Arellano 27 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
4.2. Proceso MA(q)
4.2. El Proceso de Media Móvil de q-ésimo Orden
Un proceso de media móvil de q-ésimo orden, denotado como M A(q), es caracterizado mediante

Yt = µ + t + θ1 t−1 + θ2 t−2 + · · · + θq t−q (29)

donde {t }satisface [17] hasta [19] y (θ1 , θ2 , . . ., θq ) pueden ser cualesquier número real.

Miguel Ataurima Arellano 28 [email protected]

Miguel Ataurima Arellano 28 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Esperanza (µ)

La media de [29] está da nuevo dada por µ:

E [Yt ] = µ + E [t ] + θ1 · E [t−1 ] + θ2 · E [t−2 ] + · · · + θq · E [t−q ] = µ

Miguel Ataurima Arellano 29 [email protected]

Miguel Ataurima Arellano 29 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Varianza (γ0 )

La varianza de un proceso M A(q) es

h i h i
γ0 = E (Yt − µ)2 = E (t + θ1 t−1 + θ2 t−2 + · · · + θq t−q )2 (30)

Como los ’s no están correlacionados, la varianza [30] es

 
γ0 = σ 2 + θ12 σ 2 + θ22 σ 2 + · · · + θq2 σ 2 = 1 + θ12 + θ22 + · · · + θq2 σ 2 (31)

Miguel Ataurima Arellano 30 [email protected]

Miguel Ataurima Arellano 30 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocovarianzas (γj )

Para j = 1, 2, . . . , q,
" #
(t + θ1 t−1 + θ2 t−2 + · · · + θq t−q )
γj = E
× (t−j + θ1 t−j−1 + θ2 t−j−2 + · · · + θq t−j−q )
h i
= E θj 2t−j + θj+1 θ1 2t−j−1 + θj+2 θ2 2t−j−2 + · · · + θq θq−j 2t−q (32)

Los términos que involucran a los ’s en diferentes periodos han sido suprimidos porque sus productos
tienen expectativa cero, y θ0 es definida como la unidad.

Para j > q, no hay ’s con fechas comunes en la definición de γj , y por lo tanto la esperanza es
cero. Así,
(
(θj + θj+1 θ1 + θj+2 θ2 + · · · + θq θq−j ) σ 2 para j = 1, 2, . . . , q
γj = (33)
0 para j > q

Por ejemplo, para un proceso M A(2),

 
γ0 = 1 + θ12 + θ22 σ 2
γ1 = (θ1 + θ2 θ1 ) σ 2
γ2 = θ 2 σ 2
γ3 = γ4 = · · · = 0

Miguel Ataurima Arellano 31 [email protected]

Miguel Ataurima Arellano 31 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Para cualquier valor de (θ1 , θ2 , . . . , θq ), el proceso M A(q) resulta estacionario en covarianza.

1 1
La condición [15] es satisfecha, así que para t Gausianos, el proceso M A(q) es también ergódico
para todos los momentos.
0 0

La función de autocorrelación es cero luego de q rezagos, así como se muestra en la siguiente Figura
para el proceso M A(4): -1 -1

Yt-5= t −
0 0,6t−1
5 + 0,3 − 0,520
10 t−2 15 t−3 + 0,5
25 t−4 -5 0 5 10 15 20
(a) Ruido blanco : Y t = ǫ t (b) MA(1) : Yt = ǫ t + 0.8ǫ t-1

1 1

0 0

-1 -1

-5 0 5 10 15 20 25 -5 0 5 10 15 20
(c) MA(4) : Y t = ǫ t - 0.6ǫ t-1 + 0.3ǫ t-2 - 0.5ǫ t-3 + 0.5ǫ t-4 (d) AR(1) : Yt = 0.8Y t-1 + ǫ t

-1

Miguel Ataurima Arellano -5 0 5 3210 15 20 25 [email protected]

(e) AR(1) : Yt = -0.8Yt-1 + ǫ t

Miguel Ataurima Arellano 32 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
4.3. Proceso MA(∞)
4.3. El Proceso de Media Móvil de Orden Infinito
Un proceso M A(q) puede ser escrito
q
X
Yt = µ + θj t−j
j=0

con θ0 ≡ 1.

Un proceso M A(∞) es aquel proceso que resulta de hacer q → ∞:

∞
X
Yt = µ + ψj t−j = µ + ψ0 t + ψ1 t−1 + ψ2 t−2 + · · · (34)
j=0

Notación: Utilizaremos

• ψ’s para los coeficientes de un proceso de media móvil de orden infinito, y

• θ’s para los coeficientes de un proceso de media móvil de orden finito.

Miguel Ataurima Arellano 33 [email protected]

Miguel Ataurima Arellano 33 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Se puede demostrar que la secuencia infinita en [34] genera un proceso estacionario en covarianza
bien definido siempre que
∞
X
ψj2 < ∞ (35)
j=0

esto es, la secuencia {ψj }∞

j=0 se debe ser cuadráticamente sumable.

Es a menudo conveniente trabajar con una condición ligeramente mas fuerte que [35]:
∞
X
|ψj | < ∞ (36)
j=0

esto es, la secuencia {ψj }∞

j=0 debe ser absolutamente sumable.

NOTA: La sumabilidad absoluta implica sumabilidad cuadrática, pero no lo inverso (hay ejemplos de
secuencias cuadráticamente sumables que no son absolutamente sumables, ver Apéndice 3.A).

Miguel Ataurima Arellano 34 [email protected]

Miguel Ataurima Arellano 34 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Media de un proceso M A(∞) con coeficientes absolutamente sumables

Puede ser calculado a partir de una simple extrapolación de los resultados de un proceso M A(q):

E [Yt ] = lim E [µ + ψ0 t + ψ1 t−1 + ψ2 t−2 + · · · + ψT t−T ]

T →∞
=µ (37)

Autocovarianza de un proceso M A(∞) con coeficientes absolutamente sumables

Puede ser calculado a partir de una simple extrapolación de los resultados de un proceso M A(q):
h i
γ0 = E (Yt − µ)2
h i
= lim E (ψ0 t + ψ1 t−1 + ψ2 t−2 + · · · + ψT t−T )2
T →∞
 
= lim ψ02 + ψ12 + ψ22 + · · · + ψT2 σ 2 (38)
T →∞
γj = E [(Yt − µ) (Yt−j − µ)]
= (ψj ψ0 + ψj+1 ψ1 + ψj+2 ψ2 + ψj+3 ψ3 + · · · ) σ 2 (39)

Un proceso M A(∞) con ψj absolutamente sumable si tiene γj absolutamente sumables

∞
X
|γj | < ∞ (40)
j=0

Por lo tanto, un proceso M A(∞) que satisface [36] es ergódico para la media (ver Apéndice 3.A):
y, si además los ’s son Gausianos, entonces el proceso es ergódico para todos los momentos.

Miguel Ataurima Arellano 35 [email protected]

Miguel Ataurima Arellano 35 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

5. Procesos Autoregresivos (AutoRegressive, AR)
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

5. Procesos Autoregresivos (AutoRegressive)

5.1. Proceso AR(1)
5.1. Proceso Autoregresivo de Primer Orden
Una autoregresión de primer orden, AR(1), satisface la siguiente ecuación en diferencia
Yt = c + φYt−1 + t (41)

Si |φ| ≥ 1, los  se acumulan en Y en vez de diluirse en el tiempo, no existe un proceso

estacionario en covarianza para Yt con varianza finita que satisfaga [41].
Si |φ| < 1, existe un proceso estacionario en covarianza para Yt que satisface [41]. Este es
obtenido por la solución estable de [41]
yt = (c + t ) + φ (c + t−1 ) + φ2 (c + t−2 ) + φ3 (c + t−3 ) + · · ·
 
= c 1 + φ + φ2 + φ3 + · · · + t + φt−1 + φ2 t−2 + φ3 t−3 + · · · (42)
El cual puede ser vista como un proceso M A(∞) como en [34] con
ψj = φj

Si |φ| < 1, la condición [36] es satisfecha:

∞
X ∞
X 1
|ψj | = |φ|j = , siempre que |φ| < 1
j=0 j=0
1 − |φ|

El resto de la discusión del AR(1) asume que |φ| < 1. Esto garantiza que la representación
M A(∞) existe y puede ser manipulada en forma obvia, y que el proceso AR(1) es ergódico para
la media.

Miguel Ataurima Arellano 36 [email protected]

Miguel Ataurima Arellano 36 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Esperanza (µ)

Tomando expectativas a [42], vemos que

c c
E [Yt ] = + 0 + 0 + ··· = =µ (43)
1−φ 1−φ

Miguel Ataurima Arellano 37 [email protected]

Miguel Ataurima Arellano 37 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Varianza (γ0 )

h i  2 
2 2 3
γ0 = E (Yt − µ) =E t + φt−1 + φ t−2 + φ t−3 · · ·
 
= 1 + φ2 + φ4 + · · · · σ 2
 
1
= σ2 (44)
1 − φ2

Miguel Ataurima Arellano 38 [email protected]

Miguel Ataurima Arellano 38 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocovarianzas (γj )

γj = E [(Yt − µ) (Yt−j − µ)]

" #
(t + φt−1 + φ2 t−2 + · · · + φj t−j + φj+1 t−j−1 + φj+2 t−j−2 + · · · )
=E
×(φj t−j + φj+1 t−j−1 + φj+2 t−j−2 + · · · )
 
= φj + φj+2 + φj+4 + · · · σ 2
 
= φj 1 + φ2 + φ4 + · · · σ 2
!
φj
= σ2 (45)
1 − φ2

Miguel Ataurima Arellano 39 [email protected]

Miguel Ataurima Arellano 39 [email protected]

 PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
1
Autocorrelación (ρj )
Se sigue a partir de [44] y [45]
0 que la función de autocorrelación
γj
-1
ρj = = φj (46)
γ0
0 5 10 sigue 15 un patrón
20 de
25 decaimiento
-5 geométrico
0 5 como
10 en el15panel20
(d) de25la Figura 3.1.
(a) Ruido blanco : Y t = ǫ t (b) MA(1) : Yt = ǫ t + 0.8ǫ t-1

-1

0 5 10 15 20 25 -5 0 5 10 15 20 25
4) : Y t = ǫ t - 0.6ǫ t-1 + 0.3ǫ t-2 - 0.5ǫ t-3 + 0.5ǫ t-4 (d) AR(1) : Yt = 0.8Y t-1 + ǫ t

En efecto, la función de autocorrelación [46] para un proceso AR(1) estacionario es idéntico al

multiplicador dinámico o función de respuesta al impulso
∂yt+j
= φj
∂t
El efecto de un incremento unitario en t sobre Yt+j es igual a la correlación entre Yt y Yt+j .
0 5 10 15 20 25
(e) AR(1) : Yt = -0.8Yt-1 + ǫ t
Miguel Ataurima Arellano 40 [email protected]

Miguel Ataurima Arellano 40 [email protected]

 1 1
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
0 0
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Un valor positivo de φ como un valor positivo de θ para un proceso M A(1), implica una correlación
-1 -1

positiva entre Yt y Yt+1 . Un

-5
valor0 negativo
5
de10φ implica
15
autocorrelación
20 25
de primer
-5
orden
0
negativo
5 10 15 20
con autocorrelación de segundo orden
(c) MA(4) : Y =positivo,
ǫ - 0.6ǫ + como
0.3ǫ en el panel
- 0.5ǫ + 0.5ǫ (e) de la Figura 3.1. (d) AR(1) : Y = 0.8Y + ǫ
t t t-1 t-2 t-3 t-4 t t-1 t

-1

-5 0 5 10 15 20 25
(e) AR(1) : Yt = -0.8Yt-1 + ǫ t

Miguel Ataurima Arellano 41 [email protected]

Miguel Ataurima Arellano 41 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO: Simular un proceso AR(1)

AR(1) : Yt = c + φYt−1 + t
con c = 0 y t ∼ N (0, 1) para tres diferentes valores del parámetro autoregresivo φ utilizando la misma
secuencia generada de valores t

φ=0

φ = 0,5

φ = 0,9

Identifique los efectos en la apariencia de una serie de tiempo {yt } al variar el parámetro φ.

Miguel Ataurima Arellano 42 [email protected]

Miguel Ataurima Arellano 42 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Panel (a): φ = 0 (Ruido Blanco)

-1

-2

-3

-4

-5

-6
0 10 20 30 40 50 60 70 80 90 100

Comentario:

Una serie sin autocorrelación se ve entrecortado y sin patrón a la vista; el valor de una observación
no otorga información acerca del valor de la siguiente observación.

Miguel Ataurima Arellano 43 [email protected]

Miguel Ataurima Arellano 43 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Panel (b): φ = 0,5

-1

-2

-3

-4

-5

-6
0 10 20 30 40 50 60 70 80 90 100

Comentario:

La serie aparece suavizada, con observaciones por encima y por debajo de la media que a menudo
aparecen en manojos (clusters) de modesta duración.

Miguel Ataurima Arellano 44 [email protected]

Miguel Ataurima Arellano 44 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Panel (c): φ = 0,9

-1

-2

-3

-4

-5

-6
0 10 20 30 40 50 60 70 80 90 100

Comentario:

Se observa que las desviaciones respecto de la media pueden ser bastante prolongadas; aquí los
choques fuertes toman considerable tiempo en diluirse.

Miguel Ataurima Arellano 45 [email protected]

Miguel Ataurima Arellano 45 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
5.1.1. Obtención alternativa de los momentos
5.1.1. Obtención alternativa de los momentos
Los momentos para un AR(1) estacionario fueron derivados anteriormente observándolo como un
proceso M A(∞).

Un segundo camino es asumir que el proceso es estacionario en covarianza y calcular los momentos
directamente a partir de la ecuación en diferencia

Yt = c + φYt−1 + t

Esperanza (µ)

Tomando esperanza
E [Yt ] = c + φ · E [Yt−1 ] + E [t ] . (47)
Asumiendo que el proceso es estacionario en covarianza

E [Yt ] = E [Yt−1 ] = µ. (48)

Sustituyendo [48] en [47]

µ = c + φµ + 0
o
c
µ= , (49)
1−φ
se reproduce el resultado anterior [43].

Miguel Ataurima Arellano 46 [email protected]

Miguel Ataurima Arellano 46 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Observe que la fórmula [49] no genera claramente una afirmación sensata si |φ| ≥ 1.

Por ejemplo, si c > 0 y φ > 1 , entonces Yt en [41] es igual a la constante positiva mas un numero
positivo de veces su valor rezagado mas un variable aleatoria de media cero.

Sin embargo, [48] parece afirmar que Yt fuese en promedio negativo para un procesos de ese tipo!
La razón de que la fórmula [49] no sea válida cuando |φ| ≥ 1 es que hemos asumido en [48] que Yt
es estacionario en covarianza, un supuesta que no es correcto cuando |φ| ≥ 1.

Miguel Ataurima Arellano 47 [email protected]

Miguel Ataurima Arellano 47 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Varianza (γ0 )

Para encontrar el segundo momento de Yt en una manera análoga, usamos [43] para reescribir [41]
como
Yt = µ (1 − φ) + φYt−1 + t
o
(Yt − µ) = φ (Yt−1 − µ) + t . (50)
Elevando al cuadrado ambos lados de [50] y tomando expectativas
h i h i h i
E (Yt − µ)2 = φ2 E (Yt−1 − µ)2 + 2φE [(Yt−1 − µ) t ] + E 2t . (51)

Considerando a partir de [42] que (Yt−1 − µ) es una función de t−1 , t−2 , . . .:

(Yt−1 − µ) = t−1 + φt−2 + φ2 t−3 + · · ·

pero t no está correlacionado con t−1 , t−2 , . . ., de tal manera que t no está correlacionado con
(Yt−1 − µ). Así, el término promedio del lado derecho de [51] es cero:

E [(Yt−1 − µ) t ] = 0. (52)

Asumiendo estacionariedad en covarianzas, tenemos que

h i h i
E (Yt − µ)2 = E (Yt−1 − µ)2 = γ0 . (53)

Miguel Ataurima Arellano 48 [email protected]

Miguel Ataurima Arellano 48 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Sustituyendo [53] y [52] en [51],

γ0 = φ2 γ0 + 0 + σ 2
o
σ2
γ0 = ,
1 − φ2
se reproduce el resultado [44].

Miguel Ataurima Arellano 49 [email protected]

Miguel Ataurima Arellano 49 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocovarianzas (γj )
Similarmente, podemos multiplicar [50] por (Yt−j − µ) y tomar expectativas:
E [(Yt − µ) (Yt−j − µ)]
= φ · E [(Yt−1 − µ) (Yt−j − µ)] + E [t (Yt−j − µ)] (54)

Sin embargo, el término (Yt−j − µ) será una función lineal de t−j , t−j−1 , t−j−2 , . . ., el cual para
todo j > 0 se encontrará correlacionado con t . Así, para j > 0, el último termino del lado derecho
en [54] es cero
E [t (Yt−j − µ)] = 0 para j > 0

Observe que la expresión que aparece en el primer término del lado derecho de [54] es la autocova-
rianza de las observaciones en Y separadas por j − 1 periodos
h  i
E [(Yt−1 − µ) (Yt−j − µ)] E (Yt−1 − µ) Y|t−1|−|j−1| − µ = γj−1

Así, para j > 0, [54] se convierte en

γj = φγj−1 . (55)

La ecuación [55] toma la forma de una ED(1),

yt = φyt−1 + wt ,
de donde es fácil darse cuenta que la ecuación en diferencia [55] tiene la solución
γj = φj γ0 ,
la cual reproduce [46].

Miguel Ataurima Arellano 50 [email protected]

Miguel Ataurima Arellano 50 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Ahora podemos darnos cuenta porque la función de respuesta al impulso y la función de autocorre-
lación para un proceso AR(1) coinciden:
Ambas representan la solución de una ED(1) con parámetro autoregresivo φ, con un valor inicial
igual a la unidad, y que no presenta choques posteriores.

Miguel Ataurima Arellano 51 [email protected]

Miguel Ataurima Arellano 51 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
5.2. Proceso AR(2)
5.2. Proceso Autoregresivo de Segundo Orden
Una autoregresión de segundo orden, denotado como AR(2), satisface

Yt = c + φ1 Yt−1 + φ2 Yt−2 + t , (56)

o, en notación de operador de rezagos,

 
1 − φ1 L − φ2 L2 Yt = c + t . (57)

La ecuación en diferencia [56] es estable siempre que las raíces de

1 − φ1 z − φ2 z 2 = 0 (58)

caigan fuera del círculo unitario.

Cuando esta condición es satisfecha, el proceso AR(2) se convierte en estacionario en covarianza,

y la inversas del operador autoregresivo en [57] está dado por
 −1
ψ(L) = 1 − φ1 L − φ2 L2
= ψ0 + ψ1 L + ψ2 L2 + ψ3 L3 + · · · (59)
∞
X
= ψj Lj (60)
j=0

Miguel Ataurima Arellano 52 [email protected]

Miguel Ataurima Arellano 52 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Observación: Recordando del capítulo 1, si los valores propios de F son todos menores que 1 en módulo,
entonces Fj convergerá a cero conforme j se haga grande. Si todos los valores de w e y son acotados,
podemos pensar en una solución de Yt en términos de la historia infinita de wt

Yt = wt + ψ1 wt−1 + ψ2 wt−2 + ψ3 wt−3 + · · · ,

donde ψj venía dado por el elemento (1,1) de Fj y toma la forma particular de

ψj = c1 λj1 + c2 λj2 + · · · + cp λjp

donde
λp−1
ci = p
i
.
Y
(λi − λk )
k=1
k6=i

Miguel Ataurima Arellano 53 [email protected]

Miguel Ataurima Arellano 53 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Multiplicando ambos lados de (57) por ψ(L) tenemos

Yt = ψ(L)c + ψ(L)t . (61)

Es fácil demostrar que

c
ψ(L)c = ≡ c · ψ(1) (62)
1 − φ1 − φ2
y
∞
X
|ψj | < ∞; (63)
j=0

el lector está invitado a probar esto en los Ejercicios 3.4 y 3.5.

Miguel Ataurima Arellano 54 [email protected]

Miguel Ataurima Arellano 54 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Esperanza (µ)

Como [61] es una proceso M A(∞) absolutamente sumable, su media está dada por el término
constante
c
µ= . (64)
1 − φ1 − φ2
Un método alternativo para el cálculo de la media es asumir que el proceso es estacionario en
covarianza y tomar expectativas de [56] directamente:

E [Yt ] = c + φ1 E [Yt−1 ] + φ2 E [Yt−2 ] + E [t ] ,

implica
µ = c + φ1 µ + φ2 µ + 0,
reproduciendo [64].

Miguel Ataurima Arellano 55 [email protected]

Miguel Ataurima Arellano 55 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocovarianzas (γj )
Para encontrar los segundos momentos, escribimos [56] como

Yt = µ · (1 − φ1 − φ2 ) + φ1 Yt−1 + φ2 Yt−2 + t

o
(Yt − µ) = φ1 (Yt−1 − µ) + φ2 (Yt−2 − µ) + t . (65)

Multiplicando ambos lados de [65] por (Yt−j − µ) y tomando expectativas obtenemos

γj = φ1 γj−1 + φ2 γj−2 para j = 1, 2, . . . (66)

Así, las autocovarianzas siguen la misma ecuación en diferencias de segundo orden que el proceso
Yt , con la ecuación en diferencia para γj indexada por el rezago j.

Por lo tanto, las autocovarianzas se comportan exactamente como las soluciones de la ecuación de
segundo orden analizada en la Sección 1.2.

Un proceso AR(2) es estacionario en covarianzas siempre que φ1 y φ2 caigan dentro de la región

triangular de la Figura 1.5.

• Cuando φ1 y φ2 caen dentro de la región triangular pero por encima de la parábola en la

figura, la función de autocovarianzas γj es la suma de dos funciones exponenciales decrecientes
de j.
• Cuando φ1 y φ2 caen dentro de la región triangular pero por debajo de la parábola, γj es una
función sinusoidal amortiguada.

Miguel Ataurima Arellano 56 [email protected]

Miguel Ataurima Arellano 56 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocorrelación (ρj )

Las autocorrelaciones se obtienen dividiendo ambos lados de [66] por γ0 :

ρj = φ1 ρj−1 + φ2 ρj−1 para j = 1, 2, . . . (67)

En particular, fijando j = 1 tenemos

ρ1 = φ1 + φ2 ρ1
o
φ1
ρ1 = . (68)
1 − φ2
Para j = 2,
ρ2 = φ1 ρ1 + φ2 . (69)

Miguel Ataurima Arellano 57 [email protected]

Miguel Ataurima Arellano 57 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Varianza (γ0 )
La varianza de un proceso AR(2) estacionario en covarianza puede ser encontrada multiplicando
ambos lados de [65] por (Yt − µ) y tomando expectativas:
h i
E (Yt − µ)2 = φ1 · E [(Yt−1 − µ) (Yt − µ)] + φ2 · E [(Yt−2 − µ) (Yt − µ)]
+ E [t (Yt − µ)] ,
o
γ0 = φ1 γ1 + φ2 γ2 + σ 2 . (70)
El último término (σ 2 ) en [70] proviene de observar que
E [t (Yt − µ)] = E [t (φ1 (Yt−1 − µ) + φ2 (Yt−2 − µ) + t )]
= φ1 · 0 + φ2 · 0 + σ 2 .

La ecuación [70] puede ser escrita como

γ0 = φ1 ρ1 γ0 + φ2 ρ2 γ0 + σ 2 . (71)
Sustituyendo [68] y [69] en [71] obtenemos
" #
φ21 φ2 φ21
γ0 = + + φ22 γ0 + σ 2
1 − φ2 1 − φ2
o
(1 − φ2 ) σ 2
γ0 = h i.
(1 + φ2 ) (1 − φ2 )2 − φ21

Miguel Ataurima Arellano 58 [email protected]

Miguel Ataurima Arellano 58 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
5.3. Proceso AR(p)
5.3. Proceso Autoregresivo de Orden p
Una autoregresión de p−ésimo órden, denotado como AR(p), satisface

Yt = c + φ1 Yt−1 + φ2 Yt−2 + · · · + φp Yt−p + t . (72)

Siempre que las raíces de

1 − φ1 z − φ2 z 2 − · · · − φp z p = 0 (73)
caigan fuera del circulo unitario, se verifica con facilidad que la representación estacionaria en
covarianzas de la forma existe
Yt = µ + ψ(L)t (74)
donde  −1
ψ(L) = 1 − φ1 L − φ2 L2 − · · · − φp Lp
y
∞
X
|ψj | < ∞
j=0

Miguel Ataurima Arellano 59 [email protected]

Miguel Ataurima Arellano 59 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Esperanza (µ)

Asumiendo que la condición de estacionariedad es satisfecha, una forma de encontrar la media es

tomando expectativas a [72]:

µ = c + φ1 µ + φ2 µ + · · · + φp µ,

o
c
µ= ≡ c · ψ(1) (75)
1 − φ1 − φ2 − · · · − φp

Miguel Ataurima Arellano 60 [email protected]

Miguel Ataurima Arellano 60 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocovarianzas (γj )

Usando [75], la ecuación [72] puede ser escrita como

Yt − µ = φ1 (Yt−1 − µ) + φ2 (Yt−2 − µ) + · · · + φp (Yt−p − µ) + t . (76)

Las autocovarianzas se encuentran multiplicando ambos lados de [76] por (Yt−j − µ) y tomando
expectativas:
(
φ1 γj−1 + φ2 γj−2 + · · · + φp γj−p para j = 1, 2, . . .
γj = (77)
φ1 γ1 + φ2 γ2 + · · · + φp γp + σ 2 para j = 0

Usando el hecho que γ−j = γj , el sistema de ecuaciones en [77] para j = 0,1,. . ., p puede ser
resuelto para γ0 ,γ1 , . . . , γp como funciones de σ 2 ,φ1 , φ2 ,. . . , φp .

Miguel Ataurima Arellano 61 [email protected]

Miguel Ataurima Arellano 61 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Autocorrelaciones (ρj )

Dividendo [77] por γ0 se produce las ecuaciones de Yule-Walker :

ρj = φ1 ρj−1 + φ2 ρj−2 + · · · + φp ρj−p para j = 1, 2, . . . (78)

Así, las autocovarianzas y las autocorrelaciones siguen la misma ecuación en diferencia de p−ésimo
orden tal como lo hace el proceso por si mismo [72]. Para diferentes raíces, sus soluciones toman
la forma
γj = g1 γ1j + g2 γ2j + · · · + gp λjp , (79)
donde los valores propios (λ1 , . . . , λp ) son las soluciones de

λp − φ1 λp−1 − φ2 λp−2 − · · · − φp = 0.

Miguel Ataurima Arellano 62 [email protected]

Miguel Ataurima Arellano 62 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

6. Procesos Mixtos (AutoRegressive y Moving Average, ARMA(p,q))
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

6. Procesos Mixtos: Autoregresivos y de Media Móvil

Un proceso ARM A(p, q) incluye tanto términos autoregresivos como de media móvil:
Yt = c + φ1 Yt−1 + φ2 Yt−2 + · · · + φp Yt−p
+ t + θ1 t−1 + θ2 t−2 + · · · + θq t−q , (80)

Se puede representar utilizando los operadores de rezagos

Φ(L)Yt = c + Θ(L)t (81)
donde
Φ(L) = 1 − φ1 L − φ2 L2 − · · · − φp Lp
Θ(L) = 1 + θ1 L + θ2 L2 + · · · + θq Lq

Siempre que las raíces de

Φ(z) = 0 (82)
caigan fuera del circulo unitario, ambos lados de [81] pueden ser divididos por Φ(L) para obtener
Yt = µ + ψ(L)t
donde
Θ(L) 1 + θ1 L + θ2 L2 + · · · + θq Lq ∞
X
ψ(L) = = |ψj | < ∞
Φ(L) 1 − φ1 L − φ2 L2 − · · · − φp Lp j=0
c
µ=
1 − φ1 − φ2 − · · · − φp

Miguel Ataurima Arellano 63 [email protected]

Miguel Ataurima Arellano 63 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Así, el proceso estacionario ARM A depende directamente de los parámetros autoregresivos

(φ1 , φ2 , . . . , φp )

y no de los parámetros media móvil

(θ1 , θ2 , . . . , θq )

A menudo es conveniente escribir el proceso ARM A [80] en términos de desviaciones de la media:

Yt − µ = φ1 (Yt−1 − µ) + φ2 (Yt−2 − µ) + · · · + φp (Yt−p − µ)

+ t + θ1 t−1 + θ2 t−2 + · · · + θq t−q . (83)

Las autocovarianzas son encontradas multiplicando ambos lados de [83] por (Yt−j − µ) y tomando
expectativas.

Para j > q, las ecuaciones resultantes toman la forma

γj = φ1 γj−1 + φ2 γj−2 + · · · + φp γj−p para j = q + 1, q + 2, . . . (84)

Así, luego de q rezagos la función de autocovarianza γj (y la función de autocorrelación ρj ) siguen

la ecuación en diferencia de orden p gobernada por los parámetros autoregresivos.

Miguel Ataurima Arellano 64 [email protected]

Miguel Ataurima Arellano 64 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Observe que [84] no se cumple para j ≤ q, debido a que las correlaciones entre θj t−j y Yt−j . Por
lo tanto, un proceso ARM A(p, q) tendrá autocovarianzas mas complicadas para los rezagos del 1
al q que las que corresponden a un proceso AR(p).

Para j > q con raíces autoregresivas distintas, las autocovarianzas estarán dadas por

γj = h1 λj1 + h2 λj2 + · · · + hp λjp . (85)

Esta toma la misma forma que las autocovarianzas para un proceso AR(p) , como en [79], sin
embargo, como las condiciones iniciales (γ0 , γ1 , . . . , γq ) difieren para los procesos ARM A y AR,
los parámetros hk en [85] no serán los mismos que los gk en [79].

Miguel Ataurima Arellano 65 [email protected]

Miguel Ataurima Arellano 65 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Riesgo de parametrización redundante

Existe un riesgo potencial de parametrización redundante con los procesos ARM A.

Considere por ejemplo, un simple proceso Ruido Blanco,

Yt = t . (86)

Suponga que ambos lados de [86] son multiplicados por (1 − ρL):

(1 − ρL) Yt = (1 − ρL) t . (87)

Si [86] es una representación válida, entonces también lo es [87] para cualquier valor de ρ.

Así, [87] puede ser descrita como un proceso ARM A(1, 1), con φ1 = ρ y θ1 = −ρ.

Como cualquier valor de ρ en [87] describe igualmente bien los datos, podemos obviamente meternos
en problemas tratando de estimar el parámetro ρ en [87] vía máxima verosimilitud.

Mas aún, las manipulaciones teóricas basadas en una representación tal como [87] pueden pasar
por alto importantes cancelaciones.

Si usamos un modelo ARM A(1, 1) en el cual θ1 es cercano a −φ1 , entonces los datos podrían ser
mejor modelados como un simple ruido blanco.

Miguel Ataurima Arellano 66 [email protected]

Miguel Ataurima Arellano 66 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Una sobreparametrización relacionada puede también surgir con un modelo ARM A(p, q).

Considere la factorización de los operadores polinomiales de rezagos en [81]

Φ(L)(Yt − µ) = Θ(L)t
(1 − λ1 L)(1 − λ2 L) · · · (1 − λp L)(Yt − µ) = (1 − η1 L)(1 − η2 L) · · · (1 − ηq L)t (88)

Asumimos que |λi | < 1 para todo i, tal que el proceso es estacionario en covarianza.

Si el operador autoregresivo

Φ(L) = 1 − φ1 L − φ2 L2 − · · · − φp Lp

y el operador de media móvil

Θ(L) = 1 + θ1 L + θ2 L2 + · · · + θq Lq

tienen ciertas raíces en común, digamos

λi = ηj para algún i y j

entonces ambos lados de [88] puede ser dividido por (1 − λi L):

p
Y q
Y
(1 − λk L)(Yt − µ) = (1 − ηk L)t ,
k=1 k=1
k6=i k6=j

Miguel Ataurima Arellano 67 [email protected]

Miguel Ataurima Arellano 67 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

O lo que es lo mismo

(1 − φ∗1 L − φ∗2 L2 − · · · − φ∗p−1 Lp−1 )Yt

= c + (1 + θ1∗ L + θ2∗ L2 + · · · + θq−1
∗
Lq−1 )t . (89)

donde el operador autoregresivo es

Φ∗ (L) = 1 − φ∗1 L − φ∗2 L2 − · · · − φ∗p−1 Lp−1

= (1 − λ1 L)(1 − λ2 L) · · · (1 − λi−1 L)(1 − λi+1 L) · · · (1 − λp L)

y el operador media móvil es

Θ∗ (L) = 1 + θ1∗ L + θ2∗ L2 + · · · + θq−1

∗
Lq−1
= (1 − η1 L)(1 − η2 L) · · · (1 − ηj−1 L)(1 − ηj+1 L) · · · (1 − ηq L)

El proceso estacionario ARM A(p, q) que satisface

Φ(L)Yt = c + Θ(L)t
(1 − φ1 L − φ2 L − · · · − φp Lp )Yt = c + (1 + θ1 L + θ2 L2 + · · · + θq Lq )t .
2

es claramente idéntico al proceso estacionario ARM A(p − 1, q − 1) que satisface [89]

Φ∗ (L)Yt = c + Θ∗ (L)t
(1 − φ∗1 L − φ∗2 L2 − · · · − φ∗p−1 Lp−1 )Yt = c + (1 + θ1∗ L + θ2∗ L2 + · · · + θq−1
∗
Lq−1 )t

Miguel Ataurima Arellano 68 [email protected]

Miguel Ataurima Arellano 68 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

7. La Función Generadora de Autocovarianzas gy (z)
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

7. La Función Generadora de Autocovarianzas

Sea un proceso estacionario en covarianza Yt del tipo ARM A, con autocovarianzas

{γj }∞
j=−∞

Si {γj }∞
j=−∞ es sumable absolutamente, entonces las γj se pueden resumir a través de la función
generadora de autocovarianzas.
∞
X
gY (z) = γj z j (90)
j=−∞

donde z ∈ C.

Cuando z cae sobre el circulo unitario complejo, éste se puede representar como

z = cos(ω) − isen(ω) = e−iω ,

√
donde i = −1 y ω es el ángulo radian que hace que z con el eje real.

Miguel Ataurima Arellano 69 [email protected]

Miguel Ataurima Arellano 69 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Espectro Poblacional

Si gY (z) es evaluada en z = e−iω y dividida por 2π, obtenemos el espectro poblacional de Y

(función dependiente de ω):

1   1 X ∞
sY (ω) = gY e−iω = γj e−iωj
2π 2π j=−∞

Se puede demostrar que, dado un proceso con autocovarianzas sumables absolutamente, existe la
función sY (ω) y puede ser usada para calcular todas las autocovarianzas.

NOTA: Si dos procesos diferentes comparten la misma gY (z) , entonces ambos exhiben la misma se-
cuencia de autocovarianzas.

Miguel Ataurima Arellano 70 [email protected]

Miguel Ataurima Arellano 70 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO: Sea un proceso M A(1)

Yt = µ + t + θt−1

Sabemos que
 
γ0 = 1 + θ 2 σ 2
γ1 = θσ 2
γj = 0 para j > 1

Por lo tanto, su función generadora de autocovarianzas gY (z) será

∞
X
gY (z) = γj z j
j=−∞

= · · · + γ−3 z −3 + γ−2 z −2 + γ−1 z −1 + γ0 z 0 + γ1 z 1 + γ2 z 2 + γ3 z 3 + · · ·

h   i
= σ 2 · θz −1 + 1 + θ2 + θz

Observe que esta expresión puede alternativamente ser escrita como

 
gY (z) = σ 2 (1 + θz) 1 + θz −1 . (91)

Miguel Ataurima Arellano 71 [email protected]

Miguel Ataurima Arellano 71 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO: Sea un proceso M A(q)

 
Yt = µ + 1 + θ1 L + θ2 L2 + · · · + θq Lq t

La forma de gY (z) para el proceso M A(1) nos sugiere que para el proceso M A(q)
 
gY (z) = σ 2 1 + θ1 z + θ2 z 2 + · · · + θq z q
 
× 1 + θ1 z −1 + θ2 z −2 + · · · + θq z −q (92)

Verificación: Desarrollamos el producto en z en [92] y agrupamos en términos de potencias de z:

(1 + θ1 z + θ2 z 2 + · · · + θq z q ) × (1 + θ1 z −1 + θ2 z −2 + · · · + θq z −q )
= (θq )z q + (θq−1 + θq θ1 ) z (q−1) + (θq−2 + θq−1 θ1 + θq θ2 )z (q−2)
+ · · · + (θ1 + θ2 θ1 + θ3 θ2 + · · · + θq θq−1 )z 1
+ (1 + θ12 + θ22 + · · · + θq2 )z 0
+ (θ1 + θ2 θ1 + θ3 θ2 + · · · + θq θq−1 )z −1 + · · · + (θq )z −q . (93)

Comparando [93] con

(
(θj + θj+1 θ1 + θj+2 θ2 + · · · + θq θq−j ) σ 2 para j = 1, 2, . . . , q
γj =
0 para j > q

se confirma que el coeficiente de z j en [92] es la j-ésima autocovarianza γj .

Miguel Ataurima Arellano 72 [email protected]

Miguel Ataurima Arellano 72 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO: Sea un proceso M A(∞)

Yt = µ + ψ(L)t (94)
con
ψ(L) = ψ0 + ψ1 L + ψ2 L2 + · · · (95)
y
∞
X
|ψj | < ∞, (96)
j=0

entonces  
gY (z) = σ 2 ψ(z)ψ z −1 . (97)

Miguel Ataurima Arellano 73 [email protected]

Miguel Ataurima Arellano 73 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO: Sea un proceso AR(1)

Yt − µ = (1 − φL)−1 t ,

donde
1
ψ(L) =
1 − φL

Entonces, gY (z) puede ser calculada a partir de

  σ2
gY (z) = σ 2 ψ(z)ψ z −1 = (98)
(1 − φz) (1 − φz −1 )

desarrollando
   
gY (z) = σ 2 1 + φz + φ2 z 2 + φ3 z 3 + · · · × 1 + φz −1 + φ2 z −2 + φ3 z −3 + · · ·

A partir del cual, el coeficiente de z j es

!
  φj
2 j+1 2
γj = σ φ +φ
j j+1
φ+φ φ + ··· = σ2
1 − φ2

Este resultado es la j-ésima autocovarianza obtenida tomando segundos momentos.

Miguel Ataurima Arellano 74 [email protected]

Miguel Ataurima Arellano 74 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

EJEMPLO: Sea un proceso ARM A(p, q) con

Θ(L) 1 + θ1 L + θ2 L2 + · · · + θq Lq
ψ(L) = =
Φ(L) 1 − φ1 L − φ2 L2 − · · · − φp Lp
entonces
 
gY (z) = σ 2 ψ(z)ψ z −1
! !
2 1 + θ1 z + θ2 z 2 + · · · + θq z q 1 + θ1 z −1 + θ2 z −2 + · · · + θq z −q
=σ
1 − φ1 z − φ2 z 2 − · · · − φp z p 1 − φ1 z −1 − φ2 z −2 − · · · − φp z −p

Miguel Ataurima Arellano 75 [email protected]

Miguel Ataurima Arellano 75 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

8. Invertibilidad
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

8. Invertibilidad
8.1. Invertibilidad para el Proceso MA(1)
8.1. Invertibilidad para el Proceso M A(1)
Sea un proceso M A(1),
Yt − µ = (1 + θL) t , (99)
con (
σ2 para t = τ
E [t τ ] =
0 en otro caso.

Siempre que |θ| < 1, ambos lados de [99] pueden ser multiplicados por (1 + θL)−1 para obtener1
 
1 − θL + θ2 L2 − θ3 L3 + · · · (Yt − µ) = t , (100)

el cual puede ser visto como una representación AR(∞).

1
Observe que a partir de


(1 − φL)−1 = lim 1 + φL + φ2 L2 + φ3 L3 + · · · + φj Lj .
j→∞

que
(1 + θL)−1 = [1 − (−θ) L]−1 = 1 + (−θ) L + (−θ)2 L2 + (−θ)3 L3 + · · ·

Miguel Ataurima Arellano 76 [email protected]

Miguel Ataurima Arellano 76 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Si una representación M A(1) puede ser reescrita como una representación AR(∞) mediante la
inversión del operador media móvil Θ(L) = 1 + θL

[Θ(L)]−1 (Yt − µ) = t

entonces la representación M A(1) se dice que es invertible.

Por lo tanto: para un proceso M A(1), la invertibilidad requiere que2 : |θ| < 1.

2
Si |θ| ≥ 1, entonces la secuencia infinita en [100] no estaría bien definida

Miguel Ataurima Arellano 77 [email protected]

Miguel Ataurima Arellano 77 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Sea el proceso M A(1)

Yt − µ = (1 + θL) t
con (
σ2 para t = τ
E [t τ ] =
0 en otro caso.
media µ y gY (z)  
gY (z) = σ 2 (1 + θz) 1 + θz −1 . (101)

Sea otro proceso M A(1) aparentemente diferente al anterior

 
Y t − µ = 1 + θL t , (102)

con (
σ2 para t = τ
E [t τ ] =
0 en otro caso.
media µ. ¿Cuál es la gY (z)?

Miguel Ataurima Arellano 78 [email protected]

Miguel Ataurima Arellano 78 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

La gY (z) será:
  
gY (z) = σ 2 1 + θz 1 + θz −1
n −1   o n −1  o
= σ2 θ z −1 + 1 θz θ z + 1 θz −1
 2
  
= σ2θ
−1 −1
1+θ z 1+θ z −1 . (103)

 

Suponga que los parámetros θ, σ 2 y θ, σ 2 están relacionados mediante:

−1
θ=θ (104)
2 2 2
σ =θ σ (105)

Entonces:
gY (z) ≡ gY (z)
significando que Yt y Y t tendrían idénticos primer y segundo momento.

Miguel Ataurima Arellano 79 [email protected]

Miguel Ataurima Arellano 79 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

−1
Como θ = θ , entonces:
Para cualquier representación M A(1) invertible con |θ| < 1,
1
• Existe una representación M A(1) no invertible con θ =
θ
con los mismos primer y segundo momento de la representación invertible.
 
 
Para cualquier representación M A(1) no invertible con θ > 1,

1
• Existe una representación M A(1) invertible con θ =
θ
con los mismos primer y segundo momento de la representación no invertible.

En el caso extremo: θ = ±1,

• Solo hay una representación del proceso, y ésta no es invertible.

Miguel Ataurima Arellano 80 [email protected]

Miguel Ataurima Arellano 80 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO

Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA
8.2. Invertibilidad para el Proceso MA(q)
8.2. Invertibilidad del Proceso M A(q)
Sea un proceso M A(q),
 
Yt − µ = 1 + θ1 L + θ2 L2 + · · · + θq Lq t (106)

con (
σ2 para t = τ
E [t τ ] =
0 en otro caso.

Siempre que las raíces de

1 + θ1 z + θ2 z 2 + · · · + θq z q = 0 (107)
caigan fuera del círculo unitario, [106] puede ser escrita como un AR(∞) simplemente invirtiendo
el operador M A  
1 + η1 L + η2 L2 + η3 L3 + · · · (Yt − µ) = t ,
donde  −1
1 + η1 L + η2 L2 + η3 L3 + · · · = 1 + θ1 L + θ2 L2 + · · · + θq Lq .

Cuando éste sea el caso, la representación M A(q) en [106] es invertible.

Miguel Ataurima Arellano 81 [email protected]

Miguel Ataurima Arellano 81 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Factorizando el operador de media móvil como

Θ(L) = 1 + θ1 L + θ2 L2 + · · · + θq Lq = (1 − λ1 L) (1 − λ2 L) · · · (1 − λq L) . (108)

• Si |λi | < 1 para todo i, entonces la representación M A(q) es invertible.

• Si algunos λi caen fuera (pero no sobre) del círculo unitario, Hansen y Sargent (1981, p. 102)
recomiendan un procedimiento para encontrar una representación invertible.

Miguel Ataurima Arellano 82 [email protected]

Miguel Ataurima Arellano 82 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Procedimiento de Hansen y Sargent

Considere la siguiente gY (z)

gY (z) = σ 2 · {(1 − λ1 z)(1 − λ2 z) · · · (1 − λq z)} × {(1 − λ1 z −1 )(1 − λ2 z −1 ) · · · (1 − λq z −1 )}

( q )( q )
Y Y
2
=σ (1 − λi z) (1 − λi z −1
) . (109)
i=1 i=1

Con los λ’s ordenados de manera que

• (λ1 , λ2 , . . . , λn ) estén dentro del círculo unitario y

• (λn+1 , λn+2 , . . . , λq ) estén fuera del circulo unitario.

Suponga que:

• σ 2 en [109] es reemplazado por σ 2 λ2n+1 λ2n+2 · · · λ2q

Como el complejo λi aparece conjungado en pares, estes es un número real positivo.
 
• (λn+1 , λn+2 , . . . , λq ) son reemplazados por sus recíprocos λ−1 −1 −1 .
n+1 , λn+2 , . . . , λq

Miguel Ataurima Arellano 83 [email protected]

Miguel Ataurima Arellano 83 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

La función resultante será

gY (z) = σ 2 λ2n+1 λ2n+2 · · · λ2q

( n ) q  ( n ) q 
Y  Y  Y  Y 
× (1 − λi z) (1 − λ−1
i z) × (1 − λi z −1 ) i z )
(1 − λ−1 −1
   
i=1 i=n+1 i=1 i=n+1
( n )   ( n ) q 
Y  Y q  Y  Y 
= σ2 (1 − λi z) λi z −1
(1 − λ−1
i z) × (1 − λi z −1 ) i z )
λi z(1 − λ−1 −1
   
i=1 i=n+1 i=1 i=n+1
( n ) q  ( n ) q 
Y  Y  Y  Y 
2
=σ (1 − λi z) (λi z −1
− 1) × (1 − λi z −1 ) (λi z − 1)
   
i=1 i=n+1 i=1 i=n+1
( q )( q )
Y Y
= σ2 (1 − λi z) (1 − λi z −1 )
i=1 i=1

el cual es idéntico a [109].

Miguel Ataurima Arellano 84 [email protected]

Miguel Ataurima Arellano 84 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Implicación: Suponga una representación no invertible para un proceso M A(q) escrita en la forma
q
Y
Yt = µ + (1 − λi L) et (110)
i=1

donde
|λi | < 1 para i = 1, 2, . . . , n
|λi | > 1 para i = n + 1, n + 2, . . . , q
y (
e2
σ para t = τ
E [et eτ ] =
0 en otro caso.
Entonces la representación invertible está dada por
( n ) q 
Y  Y  
Yt = µ + (1 − λi L) 1 − λ−1
i L , (111)
  t
i=1 i=n+1

donde (
e 2 λ2n+1 λ2n+2 · · · λ2q
σ para t = τ
E [t τ ] =
0 en otro caso.
Entonces [110] y [111] tienen la idénticas funciones de generación de autocovarianzas; sin embarg,
solo [111] satisface la condición de invertibilidad.

Miguel Ataurima Arellano 85 [email protected]

Miguel Ataurima Arellano 85 [email protected]

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ECONOMETRÍA 2
DEPARTAMENTO DE ECONOMÍA INDICE Procesos Estacionarios ARMA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS SERIES DE TIEMPO
Facultad de Ciencias Económicas INDICE Procesos Estacionarios ARMA

Referencia
Hamilton J. (1994). Time Series Analysis, Princeton University Press.

Miguel Ataurima Arellano 86 [email protected]

Miguel Ataurima Arellano 86 [email protected]