3. PROCESOS ESTOCÁSTICOS
definición …
Un proceso estocástico o aleatorio es una colección de variables aleatorias
ordenadas en el tiempo:
𝑌
𝑌𝑡
Serie de tiempo
Serie de tiempo discreto
. . .
Cada una de ellas es una variable aleatoria!!!
𝑃𝐵𝐼𝑅2016 = 503,737.1 Millones de soles de 2007
En teoría, el PBIR del 2016 pudo haber sido otra cifra, según el clima
económico u político.
El valor observado es una realización de todas esas posibilidades
𝑌1 𝑌2 𝑌3 𝑌4 … 𝑌𝑛
𝑌𝑡
4. PROCESOS ESTOCÁSTICOS
definición …
La inflación mensual en el Perú es un proceso estocástico {Yt}
La inflación en el mes t en el Perú es la variable aleatoria Yt de ese
proceso estocástico
La inflación observada en el mes t es la realización de Yt , pero muchas
otras realizaciones pudieron ser posibles.
5. PROCESOS ESTOCÁSTICOS
Estacionario … definición …
𝑌𝑡 −∞
+∞
es un proceso estocástico estacionario si la función de distribución
conjunta f(𝑌𝑡, 𝑌𝑡+1, … , 𝑌𝑡+𝑚 ) es la misma que la distribución conjunta de
f(𝑌𝑡+𝑝, 𝑌𝑡+1+𝑝, … , 𝑌𝑡+𝑚+𝑝) para todo t, m y p
𝑌𝑡 𝑌𝑡+1 … 𝑌𝑡+𝑚 𝑌𝑡+𝑝 𝑌𝑡+1+𝑝 … 𝑌𝑡+𝑚+𝑝
f(𝑌𝑡, 𝑌𝑡+1, … , 𝑌𝑡+𝑚) f(𝑌𝑡+𝑝, 𝑌𝑡+1+𝑝, … , 𝑌𝑡+𝑚+𝑝)
Todas las propiedades estadísticas son iguales!!!
6. PROCESOS ESTOCÁSTICOS
Estacionarios … Débilmente estacionario …
Un proceso estocástico es débilmente estacionario si su media y su varianza son
contantes en el tiempo y si el valor de la covarianza entre dos periodos depende
sólo de la distancia o rezago entre estos dos periodos, y no del tiempo en el cual
se calculó la covarianza.
Media
Varianza
Covarianza
𝐸(𝑌𝑡) = 𝜇
𝑉𝑎𝑟(𝑌𝑡) = 𝐸(𝑌𝑡 − 𝜇)2
= 𝜎2
𝛾𝑘 = 𝐸[(𝑌𝑡 − 𝜇)(𝑌𝑡+𝑘 − 𝜇)]
7. PROCESOS ESTOCÁSTICOS
Estacionarios … Débilmente estacionario …
¿Por qué las series de tiempo estacionarias son tan importantes?
Sólo podemos estudiar su comportamiento durante el periodo en
consideración.
Corresponde a un episodio particular.
No es posible generalizar para otros periodos.
Para propósitos de pronóstico tienen poco valor práctico.
¿Cómo sabemos que una determinada serie de tiempo es estacionaria?
8. 𝐶𝑜𝑣 𝜀𝑡 𝜀𝑡−𝑘 = 0
PROCESOS ESTOCÁSTICOS
Estacionarios … Ruido blanco …
𝜀𝑡~𝑊𝑁(0, 𝜎2)
Proceso estocástico especial
Se dice que un proceso estocástico es puramente aleatorio o de ruido blanco si
dicho proceso tiene una media igual a cero, una varianza constante y no está
serialmente correlacionado.
Media
Varianza
Covarianza
𝐸(𝜀𝑡) = 0
𝑉𝑎𝑟(𝜀𝑡) = 𝜎2
35. PROCESOS ESTOCÁTICOS
Integrados … Notación …
El modelo de caminata aleatoria:
Es un caso específico de una clase más general de procesos estocásticos
conocidos como procesos integrados.
Sin deriva es no estacionario, pero en primeras diferencias, es estacionaria.
Sin deriva se llama proceso integrado de orden 1 y se denota como I(1).
En general. Si una serie de tiempo no estacionaria:
Debe diferenciarse dos veces para hacerla estacionaria, esa serie de tiempo
se denomina integrada de orden 2.
Debe diferenciarse d veces para hacerla estacionaria, decimos que la serie es
integrada de orden d.
𝑌𝑡~𝐼(𝑑)
𝑌𝑡~𝐼(0) 𝑌𝑡~𝐼(1) 𝑌𝑡~𝐼(2) ……
36. PROCESOS ESTOCÁTICOS
Integrados … Propiedades …
𝑋𝑡~𝐼(0)
Si y 𝑌𝑡~𝐼(1) 𝑍𝑡 = (𝑋𝑡 + 𝑌𝑡)~𝐼(1)
𝑋𝑡~𝐼(𝑑)
Si 𝑍𝑡 = 𝑎 + 𝑏𝑋𝑡 = 𝐼(𝑑)
𝑋𝑡~𝐼(𝑑1)
Si y 𝑌𝑡~𝐼(𝑑2) 𝑍𝑡 = (𝑎𝑋𝑡 + 𝑏𝑌𝑡)~𝐼(𝑑2) 𝑑1 < 𝑑2
𝑋𝑡~𝐼(𝑑)
Si 𝑌𝑡~𝐼(𝑑) 𝑍𝑡 = (𝑎𝑋𝑡 + 𝑏𝑌𝑡)~𝐼(𝑑∗
) 𝑑∗
< 𝑑
37. REGRESIÓN ESPURIA
Regresión con series de tiempo no estacionarias I(1) …
Existe una relación estadística significativa entre Y y X, aunque a priori se
piensa que no hay ninguna.
Esta regresión sin sentido persiste en las series de tiempo no estacionarias
aun cuando la muestra sea muy grande.
Usualmente el estadístico d de Durbin-Watson nos indica una autocorrelación
de primer orden. Si R2 > d se debe sospechar que la regresión estimada es
espuria
El R2 y el estadístico t son engañosos dado que los estadísticos t no está
distribuido como una distribución t de Student.
Si realizamos una regresión de las primeras diferencias de Y sobre las
primeras diferencias de X el R2 es cercano a cero, como debe ser, y el
estadístico d de Durbin-Watson es de casi 2.
Conclusión: Hay que tener cuidado al realizar un análisis de regresión
basado en series de tiempo que tienen tendencias estocásticas. Es decir, hay
que tomar precauciones al interpretar los resultados de una regresión
basadas en variables I(1).
48. PRUEBAS DE ESTACIONARIEDAD
Correlograma … Elección de la longitud del rezago …
Esencialmente empírico.
Elegir un tercio o una cuarta parte de la longitud de la serie de tiempo.
Elegir rezagos bastante grandes y luego reducirlos mediante algún criterio
estadístico.
49. PRUEBAS DE ESTACIONARIEDAD
Significancia estadística de los coeficientes de autocorrelación …
Si una serie de tiempo es puramente aleatoria:
Por tanto, el intervalo de confianza del 95% para es:
Si el intervalo incluye el valor cero, no rechazamos la hipótesis de que el
verdadero es cero, pero si este intervalo no incluye 0, rechazamos la
hipótesis de que el verdadero es cero.
𝜌𝑘 ± 1.96 1/𝑛
𝜌𝑘 − 1.96 1/𝑛 ≤ 𝜌𝑘 ≤ 𝜌𝑘 + 1.96 1/𝑛
𝜌𝑘~𝑁(0, 1/𝑛)
𝜌𝑘
𝜌𝑘
𝜌𝑘
50. PRUEBAS DE ESTACIONARIEDAD
Estadístico Q de Box y Pierce …
En lugar de probar la significancia individual del coeficiente de
autocorrelación se puede probar la hipótesis conjunta de que todos los
coeficientes de autocorrelación hasta cierto rezago son simultáneamente
iguales a cero (Box y Pierce, 1970)
𝑄 = 𝑛
𝑘=1
𝑚
𝜌𝑘
2 𝑛 = 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑘 = 𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑑𝑒𝑙 𝑟𝑒𝑧𝑎𝑔𝑜
En muestras grandes, este estadístico se distribuye como:
Si la Q calculada excede el valor Q crítico de la distribución ji cuadrada en el
nivel de significancia seleccionado, podemos rechazar la hipótesis nula de
que todos los (verdaderos) son iguales a cero; por lo menos algunos de
ellos deben ser diferentes de cero.
𝑄~𝜒𝑚
2
𝜌𝑘
51. PRUEBAS DE ESTACIONARIEDAD
Estadístico LB de Ljung-Box …
Se define como:
𝐿𝐵 = 𝑛(𝑛 + 2)
𝑘=1
𝑚
(
𝜌𝑘
2
𝑛 − 𝑘
)~𝜒𝑚
2
En muestras grandes, tanto el estadístico Q como el estadístico LB siguen
la distribución ji cuadrada con m gl
El estadístico LB tiene mejores propiedades en muestras pequeñas (más
potente, en el sentido estadístico) que el estadístico Q.
52. Es un modelo de caminata aleatoria sin deriva
Es un proceso estocástico no estacionario.
¿Es posible efectuar una regresión y probar que ρ estimada es estadísticamente
igual a 1?
No es posible probar la hipótesis de que ρ = 1 por medio de la prueba t por
que existe un problema de sesgo.
−1 ≤ 𝜌 ≤ 1 𝜇𝑡~𝐼𝐼𝐷𝑁(0, 𝜎2)
Dado el siguiente proceso estocástico:
𝜌 = 1
PRUEBAS DE ESTACIONARIEDAD
Raíz unitaria … Prueba de Dickey-Fuller …
𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝜇𝑡
53. 𝑌𝑡 − 𝑌𝑡−1 = 𝜌𝑌𝑡−1 − 𝑌𝑡−1 + 𝜇𝑡
Donde: 𝛿 = (𝜌 − 1)
𝑌𝑡 − 𝑌𝑡−1 = (𝜌 − 1)𝑌𝑡−1 + 𝜇𝑡
Δ𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝜇𝑡
𝐻𝑜: 𝛿 = 0
𝐻𝑎: 𝛿 < 0
Si 𝛿 = 0 𝜌 = 1 Raíz unitaria
No estacionaria
Si 𝛿 = 0
Δ𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1 = 𝜇𝑡
Las primeras diferencias de una caminata
aleatoria son estacionarias
𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝜇𝑡
PRUEBAS DE ESTACIONARIEDAD
Raíz unitaria … Prueba de Dickey-Fuller …
54. Δ𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝜇𝑡
Dickey-Fuller probaron que según la hipótesis nula de que el valor
estimado t del coeficiente Yt-1 sigue una distribución (tau)
¿Con qué prueba averiguar si el coeficiente de Yt-1 es o no cero?
Calcularon los valores críticos del estadístico tau con base a simulaciones
Monte Carlo.
La tabla es limitada, pero MacKinnon preparó tablas más extensas, ya
incorporadas en diferentes software estadísticos.
El estadístico o prueba tau se conoce como la prueba Dickey-Fuller (DF)
𝜏
𝛿 = 0
PRUEBAS DE ESTACIONARIEDAD
Raíz unitaria … Prueba de Dickey-Fuller …
56. Al analizar la naturaleza del proceso de raíz unitaria observamos que un proceso
de caminata aleatoria tal vez no tiene deriva, o quizá sí, o posiblemente tiene
tendencia determinista y estocástica. En consideración a estas distintas
posibilidades, la prueba DF se estima con base a tres alternativas:
Δ𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝜇𝑡
Δ𝑌𝑡 = 𝛽1 + 𝛿𝑌𝑡−1 + 𝜇𝑡
Δ𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝛿𝑌𝑡−1 + 𝜇𝑡
Yt es una caminata aleatoria
Yt es una caminata aleatoria con deriva
Yt es una caminata aleatoria con deriva
alrededor de una tendencia determinística
𝐻𝑜: 𝛿 = 0
𝐻𝑎: 𝛿 < 0
Existe una raíz unitaria, la series de tiempo es no estacionaria o
tiene tendencia estocástica
La serie de tiempo es estacionaria, posiblemente alrededor de una
tendencia determinística
PRUEBAS DE ESTACIONARIEDAD
Raíz unitaria … Prueba de Dickey-Fuller …
57. Al llevar a cabo la prueba DF se supone que el término de error no estaba
correlacionado.
Dickey y Fuller desarrollaron una prueba cuando el término de error está
correlacionado: Prueba Dickey-Fuller aumentada (DFA).
Esta prueba implica “aumentar” a las tres ecuaciones anteriores valores
rezagados de la variable dependiente.
Δ𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝛿𝑌𝑡−1 +
𝑖=1
𝑚
𝛼𝑖 ∆𝑌𝑡−𝑖 + 𝜀3𝑡
Δ𝑌𝑡 = 𝛿𝑌𝑡−1 +
𝑖=1
𝑚
𝛾𝑖 ∆𝑌𝑡−𝑖 + 𝜀1𝑡
Δ𝑌𝑡 = 𝛽1 + 𝛿𝑌𝑡−1 +
𝑖=1
𝑚
𝜋𝑖 ∆𝑌𝑡−𝑖 + 𝜀2𝑡
PRUEBAS DE ESTACIONARIEDAD
Raíz unitaria … Prueba de Dickey-Fuller aumentada …
58. El número de términos de diferencia rezagados que debemos incluir con
frecuencia se determina de manera empírica, con la idea de incluir los
términos suficientes para que el término de error no esté serialmente
relacionado y sea posible obtener una estimación insesgada de
Δ𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝛿𝑌𝑡−1 +
𝑖=1
𝑚
𝛼𝑖 ∆𝑌𝑡−𝑖 + 𝜀3𝑡
Donde:
𝜀3𝑡 Ruido blanco
∆𝑌𝑡−1 = 𝑌𝑡−1 − 𝑌𝑡−2
∆𝑌𝑡−2 = 𝑌𝑡−2 − 𝑌𝑡−3
𝛿
PRUEBAS DE ESTACIONARIEDAD
Raíz unitaria … Prueba de Dickey-Fuller aumentada …
59. En la prueba de DFA se sigue probando:
La serie de tiempo es estacionaria, posiblemente alrededor de una
tendencia determinística
Además esta prueba sigue la misma distribución asintótica del estadístico DF,
por lo que aun nos sirven los mismos valores críticos.
𝐻𝑜: 𝛿 = 0
𝐻𝑎: 𝛿 < 0
Existe una raíz unitaria, la series de tiempo es no estacionaria o
tiene tendencia estocástica
PRUEBAS DE ESTACIONARIEDAD
Raíz unitaria … Prueba de Dickey-Fuller aumentada …
60. Prueba de Phillips-Perron (1988) (PP)
La prueba DF supone que los términos de error están idéntica e
independientemente distribuidos.
La prueba DFA ajusta la prueba DF a fin de tener cuidado de una posible
correlación serial en los términos de error agrega términos de diferencia
rezagados de la variable regresada.
Phillips y Perron utilizan métodos estadísticos no paramétricos para evitar la
correlación serial en los términos de error, sin añadir términos de diferencia
rezagados.
Cambio estructural
Perron (1989) sostiene que las pruebas estándar de raíz unitaria pueden no
ser confiables en presencia de cambios estructurales.
PRUEBAS DE ESTACIONARIEDAD
Raíz unitaria … Pillips-Perron …
61. TRANSFORMACIÓN DE LAS SERIES DE TIEMPO NO ESTACIONARIAS
Procesos estacionarios en diferencias …
Si una serie de tiempo tiene una raíz unitaria, las primeras diferencias de
tales series son estacionarias.
En consecuencia, la solución aquí es tomar las primeras diferencias de las
series de tiempo.
62. TRANSFORMACIÓN DE LAS SERIES DE TIEMPO NO ESTACIONARIAS
Procesos estacionarios en tendencia …
La manera más sencilla de convertir en estacionaria una serie de tiempo es
hacer la regresión de ella sobre el tiempo y los residuos de tal regresión serán
estacionarios.
𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝜇𝑡
𝑒𝑡 = 𝑌𝑡 − 𝛽1 − 𝛽2𝑡
𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝛽2𝑡2
+ 𝜇𝑡
𝑒𝑡 = 𝑌𝑡 − 𝛽1 − 𝛽2𝑡 − 𝛽2𝑡2
Será estacionaria
Será estacionaria