MODELO ESPACIO-ESTADO

PROF. VICENTE CORZO

I. Introduccion

01 02 03
MÉTODO DE ESPACIO- ANÁLISIS DE LAS PROBLEMAS PRÁCTICOS
ESTADO ES APLICADO A CARÁCTERÍSTICAS MÁS SOBRE VALORES
MODELO DE SERIES DE SOBRESALIENTES EN LAS PROYECTADOS Y MISSING
TIEMPO CON SERIES DE TIEMPO:
COMPONENTES NO TENDENCIA,
OBSERVABLES ESTACIONALIDAD Y
COMPONENTE IRREGULAR
INTRODUCCIÓN
❑ Análisis de regresión clásico:
✓ Supone que existe una relación lineal entre una variable dependiente(y) y variables independiente o exógena (x)
✓ Las desviaciones de esta relación son asumidas a provenir de un proceso aleatorio centrado en cero.
✓ Modelo de regresión estándar n observaciones de y y x es denotado por:

✓ Donde i=1,…,n
✓ supone que existe una relación lineal entre una variable dependiente(𝑦𝑖 ) y variables independiente o
exógena (𝑥𝑖 )
✓ Las desviaciones (𝑖 ) desde esta relación son asumidas a venir de un proceso aleatorio centrado en
cero.

NID: Normal, e Independientemente Distribuido con media cero (E(𝑖 )=0) y varianza constante
Var(𝑖 )=𝜎𝜀2
INTRODUCCIÓN
✓ El modelo de regresión tiene tres (03) parámetros desconocidos. Se pueden estimar por MCO

✓ 𝑦𝑖 : podría ser el logaritmo mensual del número de conductores muertos o seriamente dañados (KSI)
en UK, enero 1969 y diciembre 1984.
✓ n: 16 años en frecuencia mensual
✓ n*t=16*12= 192 observaciones
✓ 𝑦𝑖 es una serie de tiempo porque se mide repetidamente en el tiempo el mismo fenómeno.

02/09/2024
 INTRODUCCIÓN
➢Se presenta un diagrama de dispersión entre y
e t=índice puntos en el tiempo, x=1,2,3,…,192

➢Las observaciones “y” después de corregir por el

intercepto, y la variable exogena “x” es asumida a ser
independiente uno al otro.
➢En el presente ejemplo, las observaciones no son
independiente porque ellos están interrelacionados
por el tiempo
➢Así existe un patrón sistemático en la serie “y” que
puede solamente y parcialmente ser atrapadas por el
intercepto y la variable tiempo “x”.
➢Los residuos debería estar distribuidos
aleatoriamente.

02/09/2024
INTRODUCCION
➢El correlograma permite analizar la aleatoriedad
➢El correlograma de los errores

➢Desde que k iguala la distancia en el tiempo entre las

observaciones, es llamado rezago.

02/09/2024
INTRODUCCIÓN
El correlograma de una serie de residuos Figura 1: serie aleatoria
independientemente distribuido consiste de ceros.
Límites de confianza al 95%
Si los residuos son distribuidos aleatoriamente
entonces ellos son independientes uno del otro.
En el correlograma, la independencia entre los
residuos aleatorios y normalmente distribuidos es
reflejado por: todos las autocorrelaciones son
cercanas a cero, y no excede los límites de
confianza (ver figura 1) Figura 2: residuos regresión
La naturaleza no aleatoria de los residuos es
confirmada por el autocorrelograma, cual contiene
muchas autocorrelaciones significativamente
diferentes de cero (ver figura 2)

02/09/2024
INTRODUCCIÓN
▪ La significancia estadística de la existencia de la relación entre “y” y “x” y la atribución del
cambio en y tiene varios problemas :
▪ Test-F: la relación negativa entre conductores KSI de UK y el tiempo es altamente significativa
✓Este test esta basado en el supuesto que los errores están aleatoriamente distribuidos, un supuesto
que es claramente violado en este caso
▪ Cuando la autocorrelación residual de 1er orden es positivo y significativo, una tendencia
residual positiva es seguida por uno u otros mas residuos positivos, y una tendencia residual
negativa es seguida por uno o mas de otros residuos negativos
▪ La literatura (Ostrom, 1990; Belle,2002) señala que, la varianza del error para las pruebas
estadísticas estándar es seriamente subestimada.
▪ Esto lleva a una sobrestimación del ratio F o t, y por tanto sobreestima las conclusiones
acerca de la relación lineal entre la v. dependiente y el tiempo, en este caso.

02/09/2024
INTRODUCCIÓN
▪ Cuando la autocorrelación residual 1er orden es negativa y significativamente se desvía de cero,
entonces una tendencia residual positiva es seguido por un residuo negativo, y viceversa.
◦ La varianza del error para los test estadísticos es seriamente sobreestimada llevando a una gran
subestimación del ratio F o t.
◦ Por lo tanto, se sacarán conclusiones demasiado pesimistas sobre la relación lineal entre la variable
dependiente y el tiempo.

▪ El análisis de series temporales tiene la tarea principal de descubrir la evolución dinámica de

las observaciones medidas a lo largo del tiempo.
◦ Se supone que las propiedades dinámicas no se pueden observar directamente a partir de
los datos.
◦ El proceso dinámico no observado en el tiempo t se denomina estado de la serie temporal.
◦ El estado de una serie temporal puede constar de varios componentes

02/09/2024
 INTRODUCCION
▪ Los componentes de una serie se presentan como las que son útiles para obtener una adecuada descripción de una
serie de tiempo:
Componente descriptivo
◦ Nivel
◦ Estacionalidad
◦ Pendiente

▪Los componentes del estado son aquellos que son útiles para encontrar explicaciones para el desarrollo subyacente en
las series:
Componente explicativo
◦ Variables explicativas
◦ Variables de intervención

▪ Luego se combinan ambos componentes (descriptivo y explicativo) en un solo modelo.

02/09/2024
 INTRODUCCIÓN
▪ Otra utilidad de la aplicación del análisis de series de tiempo: habilidad para predecir o proyectar observaciones de
series de tiempo en el futuro.
Así, se puede tratar en modelos espacio – estado univariados:
◦ Intervalos de confianza

◦ Filtros de estado

◦ Errores de predicción un paso adelante y varianzas

◦ Test de diagnostico

◦ Manejo de observaciones missing

▪ También, se puede trabajar los modelos ARIMA de Box-Jenkins bajo métodos de espacio de estados y los métodos de
Box-Jenkins para el análisis de series de tiempo.

02/09/2024
INTRODUCCIÓN
▪Existen versiones deterministas y estocásticas de los modelos espacio-estado:
✓Muestra la gran flexibilidad de los modelos de espacio de estados en el sentido de que tanto los
modelos de regresión clásicos simples como los múltiples se pueden ajustar fácilmente al marco de la
modelización del espacio de estados.

✓Proporciona un medio para comparar los modelos de series temporales con el análisis de regresión
clásico, mostrando la eficacia de los métodos del espacio de estados cuando se trata de datos de series
de tiempo.

02/09/2024
INTRODUCCIÓN
La representación más simple de los modelos especificados y estimados hasta ahora es:

Y: variable dependiente observable

X: variable independiente observable

u: término de disturbio inobservable

La especificación lineal:

Supuesto de q X es observable se va a relajar, y ese cambio de estado de la variable explicativa se puede

reescribir así:

s: es ahora una variable no observable o latente

Se puede generalizar para N variables y y K factores latentes: K<N

02/09/2024
EJEMPLOS: VARIABLES LATENTES
❑ Los modelos con variables latentes se encuentran con frecuencia en la economía y las finanzas.
❑ Los ejemplos destacados incluyen modelos multifactoriales de

1. La estructura temporal de las tasas de interés.

2. El fechado de los ciclos económicos.

3.3 Los modelos de ciclos económicos reales con choques tecnológicos.

4.4 El modelo CAPM.

5.5 Modelos de volatilidad estocástica, entre otros.

❑ A pesar de que una variable es no observable (s) se puede caracterizar por medio de las propiedades de la variable
dependiente observable (y)
❑ El sistema de ecuaciones que captura esta estructura se conoce comúnmente como Modelo de Espacio-Estado y la
técnica que permite la identificación y extracción de variables latentes se conoce como Filtro de Kalman.
❑ Si asumimos que u ∼ Normal , entonces podremos resumir la distribución completa de las variables latentes utilizando
solo las medias condicionales y varianzas. En el caso en el que el supuesto de normalidad sea inapropiado, se puede
utilizar un estimador de verosimilitud cuasimáxima; o usar GMM, un enfoque que no requiere hacer supuestos
distributivos sobre u .
Ejemplo 1: estructura temporal de las tasas de interés
❑ La Figura 1 muestra los rendimientos diarios de los bonos cupón cero de EE.UU. A partir del 4 de octubre de 1988 al 28
de diciembre de 2001. Los vencimientos son: 3 meses, 1 año, 3 años, 5 años, 7 años y 10 años

❑ Una inspección visual muestra que todos los rendimientos exhiben una dinámica muy similar, lo que sugiere que todos
están impulsados por uno o dos factores no observables.
Ejemplo 1: estructura temporal de las tasas de interés
❑ En el caso de un solo factor latente, K = 1, el ejemplo anterior sugiere que un modelo de la estructura temporal de tasas
es:

(ecuación de medición )
(1)

❑ donde 𝑠𝑡 es una variable latente y 𝑢𝑖,𝑡 ~iidN(0, 𝜎𝑖2 ).

❑ El parámetro 𝜆𝑖 controla la fuerza de la relación entre el i-ésimo rendimiento (𝑟𝑖,𝑡 ) y la variable latente, 𝑠𝑡

❑ 𝑢𝑖,𝑡 permite movimientos idiosincráticos en el i-avo rentimiento 𝑟𝑖,𝑡 cual no son explicados por los movimientos de la
variable latente o no observada
❑ La fuerza de los movimientos de los errores idiosincráticos son controlados por 𝜎𝑖
❑ En forma matricial
(2)

❑ donde 𝑟𝑡 es un vector columna de rendimientos de (6x1), al igual que 𝑢𝑡 . Además:

(3)
Ejemplo 1: estructura temporal de las tasas de interés
❑ Para completar la especificación del modelo en la ecuación (3), solo queda especificar la dinámica del factor latente, 𝑠𝑡 .
❑ Como los términos de perturbación son independientes, cualquier dinámica mostrada por los rendimientos debe ser
capturada por la dinámica del factor
❑ La representación más simple es dejar que el factor siga un proceso AR(1):

(4)

donde ϕ es el parámetro autorregresivo y 𝜐𝑡 es un término de error

❑ Esta ecuación se conoce como ecuación de estado o transición, y conjuntamente con la ecuación de medición
conforman un Modelo de Espacio-Estado:

𝑢𝑖,𝑡 ~iidN(0, 𝜎𝑖2 ).

 Ejemplo 2: Fechado del Ciclo Económico
❑ El fechado de los periodos de expansión y recesión se lleva a cabo por un comité de expertos en algunos países.
Un ejemplo de arreglo institucional es el comité de fechado de ciclos económicos del National Bureau of Economic
Research de EE.UU., pionero en el establecimiento de este tipo de comités en 1978. El comité de la Zona Euro se
estableció en el año 2002.

❑ Un enfoque común para identificar los picos y valles de un ciclo económico (separar las fases del ciclo: expansión
y contracción) es observar los puntos de inflexión de una variedad de indicadores de actividad económica, por
ejemplo:
1. tasas de crecimiento del PBI, 𝑦1,𝑡 ,
2. cambios en el desempleo, 𝑦2,𝑡 ,
3. movimientos en el empleo, 𝑦3,𝑡 , y
4. ventas minoristas, 𝑦4,𝑡 .
❑ El ciclo económico es no observable y debe inferirse de estos indicadores observables. Se propone el siguiente
modelo para los indicadores:
(5)
 Ejemplo 2: Fechado del Ciclo Económico
❑ Para capturar ciclos potenciales en 𝑠𝑡 , la dinámica del ciclo económico está representada por un modelo AR(2).

(6)

❑ El supuesto de que 𝑢𝑖,𝑡 son independientes se puede relajar para permitir una dinámica adicional a la
dinámica inducida por el ciclo 𝑠𝑡 , especificando
(7)

❑ El Filtro de Kalman es un algoritmo que realiza predicciones para los K factores latentes, 𝑠𝑡 , en nuestro
caso (K=1), basadas en sus medias condicionales, y también actualiza estas predicciones de manera
sistemática a medida que se disponga de más mediciones de las N variables observadas, 𝑦𝑡

Modelo Espacio-Estado
 Ejemplo 3: Modelo de valoración de activos de capital
❑ La ecuación de regresión del modelo valoración de activos de capital (MVAC o CAPM en inglés) es:

(8)
❑ 𝑦𝑖,𝑡 es el exceso de rendimiento observado sobre un activo
❑ 𝑚𝑡 es el exceso de rendimiento observado sobre el portafolio de mercado
❑ 𝛽𝑡 es el beta del i-ésimo activo

❑ En teoría, la ecuación CAPM debería especificarse en términos del exceso de rendimiento de toda la riqueza
invertida. Como se trata de una variable no observable, el exceso de rendimiento de la cartera de mercado, 𝑚𝑡 ,
sirve esencialmente como indicador proxy
❑ El enfoque alternativo que evita el uso de una variable proxy, 𝑚𝑡 , es tratar el exceso de rendimiento sobre la
riqueza como un factor latente, 𝑠𝑡 , y volver a re-especificar el CAPM como

(7)
❑ Una característica importante de este modelo es que la riqueza agregada se identifica por la dinámica del
exceso de rendimiento de todos los activos del sistema. El modelo se completa especificando la dinámica del
exceso de rendimiento de la riqueza, 𝑠𝑡 .
 Ejemplo 4: Tasas de interés real ex -ante
❑ En los modelos económicos, las decisiones se toman sobre tasas de interés reales ex ante que no se observan
porque se basan en la tasa de inflación esperada.
❑ La relación entre las tasas de interés reales ex post y ex ante es de la siguiente forma:
❑ La tasa de interés real ex post es

donde 𝑖𝑡 es la tasa de interés nominal y

𝜋𝑡 es la tasa de inflación observada.
❑ Ampliando esta expresión para permitir una α constante y una inflación esperada, 𝜋𝑡𝑒 , se obtiene

Donde:

Tasa de interés real ex ante

Error de las expectativas de la inflación
 OTROS EJEMPLOS DE
MODELOS ESPACIO-ESTADO
1. Modelo univariado (N=K=1) con interceptos 2. Dinámica idiosincrática (K=5;N=4)

Si se especifica que el factor, 𝑠𝑡 , tiene una media cero, 𝜙𝑜 = 0

entonces 𝜆𝑜 es la media muestral de 𝑦𝑡
No tiene término de disturbio
2. Modelo univariado (N=K=1) con ecuación de estado o transición
tiene p rezagos

02/09/2024
 II. Modelo espacio-estado de nivel local
(“intercepto” cambia con el tiempo)

❑ Es el modelo espacio-estado más sencillo

❑ Aquí el componente de nivel (constante o intercepto en modelo de regresión lineal) es permitido a
variar con el tiempo.
❑ Como la intersección determina el nivel de la línea de regresión, el componente de nivel juega el
mismo papel en el modelado del espacio de estados.
❑ La diferencia importante es que la intersección en un modelo de regresión es fija, mientras que el
componente de nivel en un modelo de espacio de estados puede cambiar de un momento a otro.
❑ En caso de que el componente de nivel no cambie con el tiempo y sea fijo para todos los puntos de
tiempo, el componente de nivel es equivalente a la intersección.
❑ En otras palabras, es entonces un nivel global y aplicable para todos los momentos.
❑ En caso de que el componente de nivel cambie con el tiempo, el componente de nivel se aplica
localmente y, por lo tanto, el modelo correspondiente se denomina modelo de nivel local.

02/09/2024
 Modelo espacio-estado de nivel local
(“intercepto” cambia con el tiempo)

❑ El modelo espacio-estado de nivel local sería:

ecuación de observación o medición

(2.1)
ecuación de estado
Donde t=1,…n

𝜇𝑡 es el nivel no observado en el tiempo t

𝜀𝑡 es el disturbio de la variable observada en el momento t, y

𝜉𝑡 es la perturbación del nivel en el movimiento t.

En la literatura sobre modelos de espacio estado, las perturbaciones de la variable observada 𝜺𝒕 también se denominan componente
irregular.

Se supone que todas las 𝜀𝑡 y 𝜉𝑡 son serial y mutuamente independientes y están distribuidas normalmente con media cero y varianzas𝜎𝜀2 ,
𝜎𝜉2 respectivamente.

Dado que la ecuación de nivel define un paseo aleatorio, el modelo de nivel local también se conoce como modelo de paseo aleatorio más
ruido (donde el ruido se refiere al componente irregular).

02/09/2024
 Modelo espacio-estado de nivel local
(“intercepto” cambia con el tiempo)

❑ La segunda ecuación de (2.1) es crucial en el análisis de series de tiempo.

❑ En la ecuación de estado, las dependencias temporales en la serie temporal observada se
tratan dejando que el estado en el momento t + 1 sea una función del estado en el momento
t.
❑ Por tanto, se tiene en cuenta que el valor observado de la serie en el momento t + 1 suele ser
más similar al valor observado de la serie temporal en el momento t que a cualquier otro
valor anterior de la serie.
❑ Cuando todas las perturbaciones de estado están fijadas en 𝜉𝑡 = 0 para t = 1, . . . , n, el
modelo (2.1) se reduce a un modelo determinista: en este caso el nivel no varía en el
tiempo.
❑ Por otro lado, cuando se permite que el nivel varíe con el tiempo, se trata como un proceso
estocástico.

02/09/2024
 Modelo espacio-estado de nivel local:
determinista
❑ las perturbaciones de estado están fijadas en 𝜉𝑡 = 0 para t = 1, . . . , n, podemos verificar que:

❑ Resumiendo, el modelo de nivel local se simplifica a :

❑ para t = 1, . . . , n. Por lo tanto, en esta situación especial todo depende del valor de 𝜇1 , el valor del nivel en el momento t = 1.
❑ Una vez establecido este valor, permanece constante para todos los demás puntos de tiempo t = 2,. . . , n.

02/09/2024
 Modelo espacio-estado de nivel local:
determinista
▪ Generalmente, en modelos espacio-estado el valor inicial de la variable no observable (1=1) es desconocida
▪ Así, existen dos formas de tratar con este problema del valor inicial:
1. El investigador provee el primer valor basado en consideraciones teóricas, o alguna investigación previa
2. El primer valor es estimado por medio de un experimento, también llamado inicialización difusa

▪ En Análisis de Regresión Clásica, los parámetros desconocidos son: intercepto, y los coeficientes de la regresión
▪ En modelo espacio-estado, los parámetros desconocidos incluyen:

✓ varianza del disturbio/perturbación de la variable de estado (𝜎𝜉2 ) o hiperparametro

✓varianza del disturbio de la variable observable (𝜎𝜀2 )

▪ A diferencia del análisis de regresión clásico, cuando un modelo de espacio de estados contiene dos o más
hiperparámetros (es decir, varianzas de perturbación), la estimación (de máxima verosimilitud) de estos
hiperparámetros requiere un procedimiento iterativo: métodos de optimización numérica

▪ En nuestro modelo ejemplo 𝜎𝜉2 = 0, entonces solo necesita estimarse 2 parámetros: 𝜎𝜀2 y 𝜇1

02/09/2024
 Modelo Espacio-Estado:
Modelo de nivel local determinístico
Modelo de nivel local determinístico: cuando el nivel o
constante no es permitido variar en el tiempo

Nivel Los datos log UK drivers KSI (y) muestran:

determinístico

Componente irregular
El mejor descomposicion ajustada de la serie
y basado en el modelo 2.1 es:

02/09/2024
 Modelo Espacio-Estado:
Modelo de nivel local determinístico
• El componente irregular no sigue un proceso
aleatorio.
• Ver: supuestos
✓ Test de independencia o autocorrelacion
✓ Test de homocedasticidad
✓ Test de normalidad

n: número de observaciones en la series de tiempo

Log L: valor de la f. de verosimilitud maximizada del modelo espacio-estado
q: es el número de valores iniciales difusos en la variable de estado
w: número de varianzas de los disturbios estimados en el modelo SS.

02/09/2024
 Modelo Espacio-Estado:
Modelo de nivel local estocástico
▪Cuando 𝝁𝒕 varia en el tiempo, el método de máxima verosimilitud estima:
✓ Varianza del componente irregular: 𝜎𝜀2
✓ Varianza de disturbio de nivel: 𝜎𝜉2
✓ El valor inicial de la variable de nivel (no observable): 𝜇1

▪Los datos log UK drivers KSI (y) , el método de MV estima:

En t=1

02/09/2024
Modelo Espacio-Estado: Modelo de nivel local estocástico

• La figura muestra tanto la

serie original (y)
observada como el level
estocástico (𝜇𝑡 ) estimado

Modelo de nivel local estocástico

02/09/2024
 Modelo Espacio-Estado: Modelo de nivel
local estocástico

• El componente irregular (𝜀𝑡 ) sigue un proceso

aleatorio white noise.
• Ver: supuestos
✓ Test de independencia o autocorrelacion
✓ Test de homocedasticidad
✓ Test de normalidad

< -0.638686 (AIC del mod. level local determinista

• Como AIC del modelo level local estocástico es mucho menor entonces ajusta major los datos o produce una major
representación

02/09/2024
Modelo Espacio-estado: modelo lineal local con tendencia
• Es obtenido adicionando un componente de pendiente: 𝜈𝑡
ecuación ………
ecuación estado 1
ecuación estado 2

• El modelo lineal local con tendencia contiene dos (02) ecuaciones estado:
• Uno para modelar el nivel
• El otro para modelar la pendiente
• 𝜈𝑡 puede ser concebido como equivalente al coeficiente de regresión  del modelo de regresión
clásico: ambos miden el ángulo de la línea de regresión y ángulo de la línea de tendencia
• La principal diferencia es que ahora la pendiente es permitida a cambiar con el paso del tiempo.
• En análisis de series de tiempo la pendiente se refiere a drift

02/09/2024
 Modelo Espacio-estado: modelo lineal local determinista con
tendencia
❑ Si fijamos los disturbios de estado 𝝃𝒕 y 𝜻𝒕 en cero podemos hallar el modelo determinista y se
puede verificar:

❑ Por tanto, el modelo de nivel local determinista con tendencia se simplifica a:

Donde t_1,2,3…,n y 𝑔𝑡 = 𝑡 − 1 para t=1,2,3,…,n

❑ Se estima por máxima verosimilitud la varianza y valores iniciales: 𝝈𝟐𝜺 , 𝒗𝟏 y 𝒖𝟏

 Modelo Espacio-estado: modelo lineal local y tendencia estocástica
❑El estimado de MV por medio de iteraciones estima:
▪ Varianza del componente irregular: 𝜎𝜀2
▪ Varianza de disturbios de estado: 𝜎𝜉2 , 𝜎𝜁2
▪ El valor inicial de la variable de nivel (no observable), 𝜇1 , y los subsecuentes valores
▪ El valor inicial de la variable pendiente (no observable), 𝑣1 , y sus subsecuentes valores
 Modelo Espacio-estado: modelo lineal local y tendencia
estocástica
• Tendencia: level + pendiente
• Gráfica de la tendencia para el
modelo con tendencia lineal
estocástica

02/09/2024
Modelo Espacio-estado: modelo lineal local y tendencia estocástica

• Tendencia: level + pendiente

• Gráfica de la evolucion de la
pendiente estocástica

02/09/2024
Modelo Espacio-estado: modelo lineal local y tendencia
estocástica

02/09/2024
 Modelo Espacio-estado: modelo lineal local con nivel estocástico y
pendiente determinista
❑ Aquí la variable nivel es permitida a variar mientras que la pendiente es
fija o tratada con determinística. Se debe estimar por MV:
▪ Varianza del componente irregular: 𝜎𝜀2
▪ Varianza del disturbio de estado: 𝜎𝜉2
▪ El valor inicial de la variable de nivel (no observable), 𝜇1 , y los subsecuentes valores
▪ El valor de 𝑣1
 Modelo Espacio-estado: modelo lineal local con nivel
estocástico y pendiente determinista

• Gráfica de la tendencia
consistente de un nivel
estocástico y pendiente
determinista
• La pendiente determinista
es:

Nota: estimaciones de varianzas de los disturbios

de estado cercana a cero, indica que dicha
variable de estado debe ser tratada como un
efecto determinístico

02/09/2024
Modelo de nivel local con estacionalidad

02/09/2024
 Modelo Espacio-estado: modelo lineal local con estacionalidad
❑ Un patrón recurrente en series de tiempo es referido a un efecto ❑ t=1,…,n
estacional: hora, día, mes, trimestre
❑ 𝛾𝑡 = 𝛾1,𝑡 denota el componente estacional
❑ El efecto estacional es modelado añadiendo un componente
estacional al modelo de nivel local o al modelo de nivel local con ❑ 𝑤𝑡 permite que la estacionalidad cambie en el tiempo
tendencia (este fue redundante después del análisis efectuado).
❑ Los valores iniciales 𝜇1 , 𝛾1,1 , 𝛾2,1 , 𝛾3,1 son desconocidos y fijos
❑ Por lo tanto, en caso de data trimestral, el modelo toma la sgte.
forma: ❑ El componente estacional requiere s-1 ecuaciones de estado: para
data trimestral s=4, luego tres (03) ecuaciones de estado son
necesarias

❑ 𝛾𝑖,t se define como el i-avo trimestre del periodo t

❑ Entonces la cuarta ecuación nos dice que el trimestre del siguiente

período t + 1 es el siguiente trimestre i + 1 desde el período actual t.

❑ La tercera ecuación puede ser reescrita:

identidades

❑ Para t=s-1, …, n, en este caso s-1=3

 Modelo Espacio-estado: modelo lineal local con nivel y
estacionalidad deterministica
❑ Se fija: 𝜉𝑡 y 𝑤𝑡 a cero
❑ Analizando la serie de tiempo y usando inicialización difusa usando valores de 12
ecuaciones estado
❑ Se estima:
▪ La varianza del componente irregular u observado: 𝜎𝜀2
▪ El valor inicial de la variable de nivel (no observable): 𝜇𝑖 = 𝜇1 , i=1,…,11 es
igual a las medias observadas
Modelo Espacio-estado: modelo lineal local con nivel y estacionalidad deterministica

• La figura muestra el
nivel y estacionalidad
determinística
combinada

02/09/2024
 Modelo Espacio-estado: modelo lineal local con nivel y estacionalidad deterministica

02/09/2024
 Modelo Espacio-estado: modelo lineal local con nivel y estacionalidad deterministica

• La figura muestra el
componente irregular
del modelo level y
estacional determinista
• Dicho comportamiento,
como es? Satisface los
supuestos?

02/09/2024
 Modelo Espacio-estado: modelo lineal local con estacionalidad y
nivel estocástico
❑ Analizando la serie de tiempo y usando inicialización difusa usando valores de 12
ecuaciones estado
▪ Se estima la varianza de los disturbios observados:: 𝜎𝜀2
▪ varianza del componente de estado o nivel: 𝜎𝜉2
▪ Varianza del componente estacional: 𝜎𝑤2
▪ El valor inicial de la variable de nivel (no observable): 𝜇𝑡 = 𝜇1 ,
▪ El valor inicial de la variable estacional : 𝛾𝑖 , i=1,…,11
02/09/2024
02/09/2024
02/09/2024
 Modelo Espacio-estado: modelo lineal local con estacionalidad determinística
y nivel estocástico
❑ Se fija el disturbio estacional: 𝑤 a cero
▪ Se estima la varianza del componente irregular o de los disturbios observados: 𝜎𝜀2
▪ Se estima la varianza del componente de estado o nivel: 𝜎𝜉2
▪ El valor inicial de la variable de nivel (no observable): 𝜇1 ,
▪ El valor inicial de la variable estacional : 𝛾𝑖 , i=1,…,4
 MODELO ESPACIO-ESTADO CON VARIABLE EXPLICATIVA

• Si añadimos variables explicativas al modelo de nivel • Si k>1 se requiere añadir k ecuaciones de estado
local la ecuación de medida sería así: adicionales .
• Si se fijan a cero todos los disturbios 𝜉𝑡 𝑦 𝜏𝑡 el
modelo espacio-estado se simplifica a :

Donde: Modelo de nivel local con variables

• 𝑥𝑗,𝑡 : es una variable predictora continua explicativa y nivel determinístico
• 𝛽𝑗,𝑡 : pesos de los regresores o coeficientes
• J=1,…K
• Para k=1 y t=1,…n
• Así, el modelo espacio-estado provee un análisis
de regresión lineal clásico

02/09/2024
 TRATAMIENTO GENERAL DE LOS MODELOS ESPACIO-
ESTADO UNIVARIADOS
• Todos los modelos espacio-estado vistos anteriormente se pueden expresar algebraicamente en una formulación
unificada:
Ecuación de medida u observación

Ecuación de estado o transición

Para t=1,…,n
𝑦𝑡 , 𝜀𝑡 son escalares
𝑧𝑡 : es un vector de observación o diseño de mx1
𝑇𝑡 : es una matriz de transición mxm
𝛼𝑡 : es un vector de estado mx1
m: denota el número de elementos en el vector de estado
R: en muchos casos es simplemente una matriz identidad. En varios modelos es de orden mxr , r<m, y consiste de las
primeras r columnas de la matriz de identidad 𝐼𝑚 .

Luego 𝑅𝑡 es llamado matriz de selección. Ello selecciona de la ecuación de estado cuales tienen termino de disturbio sin
ceros.
𝜂𝑡 : es una vector rx1 que contiene los r disturbios de estado con media cero y varianzas desconocidas (matriz diagonal
𝑄𝑡 ) de dimensión rxr

02/09/2024
 DERIVACION DE LOS CASOS ESPECIALES
Modelo de nivel local: un nivel, m=1 Modelo de nivel local con dummies estacional estocásctica

Modelo de nivel local con tendencia: un nivel,

m=2
𝛼𝑡 : es un vector de estado mx1

02/09/2024
 DERIVACION DE LOS CASOS ESPECIALES
Modelo de nivel local con variable explicativa

02/09/2024