3. Ejemplos de procesos no estacionarios.

3.1. El camino aleatorio.

El camino aleatorio (random walk en inglés) tiene la siguiente ecuación: yt = yt -1 + ε t . El

valor del proceso en el momento actual es igual al valor del período inmediato anterior más
un término que es ruido blanco. Es un caso especial del AR (1) en el que a 0 = 0 y en el que
a 1 = 1.

El ejemplo inicial referido a la riqueza obtenida en el juego referido a las sucesivas tiradas
de una moneda es un ejemplo de un camino aleatorio.

Si y0 es una condición inicial se ve que: y1 = y0 + ε 1 . Luego: y2 = y1 + ε 1 = y0 + ε 1 + ε 2.

En general: yt = y0 + ε 1 + ε 2 +…..+ ε t .

Si se aplica el operador Esperanza Matemática a la ecuación precedente se ve que la media

del proceso es y0 . Por otra parte Var (yt) = Var (y0)+ Var (ε 1 ) +…..+ Var( ε t ) = t s e .
2

Como la varianza depende del tiempo el proceso no es estacionario.

Esta varianza no estacionaria trasmite a la serie una tendencia al crecimiento o al

decrecimiento, la serie se aleja de la media del proceso y no retorna a ella inmediatamente,
sino que solo lo hace después de largos paseos. Por este motivo se denomina tendencia
estocástica a estos movimientos de las series hacia arriba o hacia abajo provocados por
factores aleatorios similares a los que se verifican en el camino aleatorio.

Sin embargo, a partir del pgd y t = yt -1 + ε t se ve que yt - yt -1 = ε t . Esto significa que si se

considera la primera diferencia de yt , o sea ∆yt = yt - yt -1 , entonces el camino aleatorio
se transforma en un proceso de ruido blanco y por ende, estacionario.

El camino aleatorio puede escribirse ( 1 – L ) yt = ε t . Se comprueba que la raíz de la

ecuación 1 – L = 0 es L = 1 y por este motivo se ve que lo identifica con un proceso de raíz
unitaria.
Más adelante se analizará el problema que implican las raíces unitarias en el contexto de las
series de tiempo y cómo este problema se relaciona íntimamente con el camino aleatorio.
Por estos motivos se estudiará con más detalle este proceso.

La función de autocovarianzas resulta de: Cov ( y t , y t -s ) = E [ (y t - y0 ) (y t –s - y0 ) ] =

E [ ( ε 1 + ε 2 +…..+ ε t ) (ε 1 + ε 2 +…..+ ε t- s ) ] = (t –s) s e .

2

Si a la función de autocovarianzas se la divide por los respectivos desvíos estándares, que

t-s
son iguales a t se y a t - s s e resulta la función de autocorrelación: r s = .
t

Este último resultado tiene un rol muy importante en la detección de series no estacionarias.
La función de autocorrelación decae muy poco si s es pequeño pero decae más si s es
grande; en definitiva la función de autocorrelación decae muy lentamente a partir de la
unidad. Este comportamiento de la función de autocorrelación coadyuva a identificar un
random walk.

Analizaremos ahora la media condicional del proceso. Esta medida es importante para
efectuar proyecciones y quiere detectar cuál es el valor medio del proceso a partir de la
información contenida en el presente, es decir consiste en: E (y t+1 / yt ). Por propiedades de
la esperanza condicional resulta: E (y t+1 / yt ) = E (yt / yt )+ E ( ε t / yt ) = yt . El significado
de la última relación es que la mejor proyección del valor actual es el valor actual de modo
que el proceso no aporta ninguna información adicional. Como el valor actual es una
constante más un agregado de ruido se puede notar que no es posible predecir el proceso y
que por otra parte el “ruido” se ha incorporado en el camino aleatorio de manera
permanente ya que representa la parte sustancial del valor presente.

A modo de ejemplo se mostrarán los resultados obtenidos mediante el Eviews

correspondientes a un random walk con 500 observaciones cuyas perturbaciones se
construyeron como ruido blanco normal con varianza 1. El modelo se construyó de manera
análoga al AR(1) con la salvedad que a 1 =1.
 Y
40

30

20

10

-10
50 100 150 200 250 300 350 400 450 500

La serie muestra una tendencia general a crecer lo que se hace más notorio a partir de las
últimas observaciones.

En el cuadro siguiente se presentan las 20 primeras autocorrelaciones; se puede comprobar

su lento decaimiento, ya que la vigésima autocorrelación vale 0,641, un valor demasiado
distante de cero.

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

.|******* .|******* 1 0.984 0.984 487.23 0.000

.|******* .|. | 2 0.969 -0.001 960.09 0.000
.|******* .|. | 3 0.952 -0.029 1418.1 0.000
.|******* .|. | 4 0.937 0.009 1862.1 0.000
 .|******* .|. | 5 0.921 -0.013 2292.0 0.000
.|******* .|. | 6 0.904 -0.026 2707.5 0.000
.|******| *|. | 7 0.886 -0.070 3107.3 0.000
.|******| .|. | 8 0.868 -0.012 3491.3 0.000
.|******| .|. | 9 0.849 -0.020 3859.8 0.000
.|******| .|. | 10 0.830 -0.005 4213.0 0.000
.|******| .|. | 11 0.812 -0.019 4551.1 0.000
.|******| .|. | 12 0.793 0.006 4874.8 0.000
.|******| .|. | 13 0.774 -0.019 5183.9 0.000
.|***** | .|. | 14 0.755 -0.034 5478.2 0.000
.|***** | .|. | 15 0.735 -0.019 5757.9 0.000
.|***** | .|. | 16 0.715 -0.005 6023.4 0.000
.|***** | .|. | 17 0.696 -0.012 6275.0 0.000
.|***** | .|. | 18 0.677 0.007 6513.6 0.000
.|***** | .|. | 19 0.658 -0.002 6739.5 0.000
.|***** | .|. | 20 0.641 0.045 6954.2 0.000

Ejercicios.

1. Construya un random walk con 500 observaciones donde las perturbaciones del modelo
son ruido blanco normal con varianza 1.

2. Utilice las mismas perturbaciones del modelo anterior y elabore un proceso estacionario
considerando las primeras diferencias del random walk. Grafique las observaciones.

Nota: Las primeras diferencias se pueden generar en el Eviews utilizando el comando Genr
y generando por ejemplo, la serie z, es decir completándola con datos y luego utilizando
otra vez ese comando y escribiendo m=z-z(-1) y modificando sample 2 500. La serie
diferenciada se halla en m. También una vez que se generó z se puede escribir
m=d(z,1).Este último procedimiento es más general.

Ejercicios.

1. Construya un random walk con 500 observaciones donde las perturbaciones del modelo
son ruido blanco normal con varianza 1.

2. Utilice las mismas perturbaciones del modelo anterior y elabore un proceso estacionario
considerando las primeras diferencias del random walk. Grafique las observaciones.

3. Enuncie las principales características de un camino aleatorio.

Nota: Las primeras diferencias se pueden generar en el Eviews utilizando el comando Genr
y generando por ejemplo, la serie z, es decir completándola con datos y luego utilizando
otra vez ese comando y escribiendo m=z-z(-1) y modificando sample 2 500. La serie
diferenciada se halla en m. También una vez que se generó z se puede escribir
m=d(z,1).Este último procedimiento es más general.

3.2. El camino aleatorio más una tendencia determinística.

Una tendencia determinística aparece cuando las series se apartan de sus valores medios,
creciendo o decreciendo según una ley o relación funcional determinística de tipo
polinómico que depende del tiempo. Por ejemplo si yt = c1 + c2 t donde c1 y c2 son
constantes y t representa el tiempo, la tendencia determinística es lineal, si
yt = c1 + c2 t + c2t 2 la tendencia es cuadrática, etc.

A modo de ejemplo se construirá el modelo yt = 2 + 0,50 t + ε t donde el término de

perturbación es ruido blanco con varianza unitaria. Se generarán 100 observaciones.

Los pasos son los siguientes 1) generar alea=nrnd. 2) generar y=2+0.50* @trend +alea. La
expresión @trend, que representa a t, es un comando del Eviews que devuelve una serie
ordenada 0,1,2,3,etc.
 Y
60

50

40

30

20

10

0
10 20 30 40 50 60 70 80 90 100

La línea recta está representada por 2+0.50* @trend, las discrepancias con respecto a la
recta corresponden al término aleatorio. La tendencia domina al término aleatorio y se
observa que la serie no es estacionaria ya que, por ejemplo, la media depende del tiempo.
En cambio, si a la serie yt se le quita la tendencia determinística el modelo se convierte en
ruido blanco.

En un problema real el analista se enfrenta siempre con un conjunto de datos, el primer

paso que conviene dar es hacer un gráfico de la serie. Si el gráfico se asemeja al que hemos
presentado se puede efectuar una regresión entre y, la variable dependiente, y el tiempo
representado por @trend. Mediante la regresión se determinan los parámetros c1 y c2.

Los resultados de la regresión se presentan a continuación. La misma estimó el valor de c 1

en 1,838 y el de c2 en 0,502, redondeando las cifras con tres decimales. Si a los datos
originales le quitamos 1,838 + 0,502*@trend, es decir, si generamos con el Eviews la serie
w donde w = y -1,838 + 0,502*@trend entonces la serie resultante es ruido blanco.

Coefficient Std. Error t-Statistic Prob.

C 1.837799 0.197623 9.299538 0.0000

 @TREND 0.501530 0.003449 145.4217 0.0000

R-squared 0.995387 Mean dependent var 26.66355

Adjusted R-squared 0.995340 S.D. dependent var 14.58382

S.E. of regression 0.995533 Akaike info criterion 2.848720

Sum squared resid 97.12643 Schwarz criterion 2.900824

Log likelihood -140.4360 Hannan-Quinn criter. 2.869808

F-statistic 21147.46 Durbin-Watson stat 2.117932

Prob(F-statistic) 0.000000

Ahora bien, el modelo yt = a0 + yt -1 + e t que resulta de agregar la constante a0 al modelo de

random walk, presenta una tendencia estocástica correspondiente a este proceso y, la
mecánica del mismo, debido a la introducción de la constante, genera además una
tendencia determinística. Por el hecho de que en su origen es un camino aleatorio e
incorpora una tendencia determinística este modelo se puede denominar camino aleatorio
con tendencia determinística, pero obviamente esta denominación no es única.

Se mostrará cómo se genera el modelo a partir del valor inicial y0 .

Para y1 se tendrá: y1 = a0 + y0 + ε1. y2 = a0 + y1 + ε2 = 2 a0 + y0 + ε1+ ε2 .

Se observa que en cada período se agrega a0 y un término aleatorio correspondiente a la

perturbación. Para el período t resultará: yt = y0 + a0 t + ε1+ ε2 +….. + εt . Los términos
y0 + a0 t representan una tendencia determinística; la suma de términos εt una tendencia
estocástica.

Es fácil ver que el valor medio de la serie es el valor de la tendencia determinística, y0 +

y que la varianza al igual que en el camino aleatorio es, t s e . Como la media y la
2
a0 t
varianza dependen del tiempo el proceso no es estacionario.
Como ejemplo se construirán 100 observaciones del modelo yt = 2 + 0,5 y t-1 + εt donde
el término de perturbación es ruido blanco normal de varianza unitaria.Las instrucciones
son: 1) alea=0 2) y=0 3) y=2+y(-1)+alea En sample colocar 2 100.

El gráfico presenta una tendencia aleatoria superpuesta y dominada por una tendencia
determinística ya que esta prevalece en todo el recorrido de la serie. El correlograma
muestra un proceso random walk.

Y
200

160

120

80

40

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

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

.|******* .|******* 1 0.970 0.970 96.991 0.000

.|******* .|. | 2 0.940 -0.028 188.91 0.000

 .|******* .|. | 3 0.910 -0.001 276.00 0.000

.|******| .|. | 4 0.881 -0.008 358.43 0.000

.|******| .|. | 5 0.851 -0.029 436.15 0.000

.|******| .|. | 6 0.821 -0.015 509.26 0.000

.|******| .|. | 7 0.790 -0.025 577.76 0.000

.|***** | .|. | 8 0.760 -0.012 641.82 0.000

.|***** | .|. | 9 0.730 -0.012 701.59 0.000

.|***** | .|. | 10 0.701 -0.009 757.27 0.000

.|***** | .|. | 11 0.672 -0.011 809.00 0.000

.|***** | .|. | 12 0.643 -0.015 856.92 0.000

Si uno se hallara en presencia de datos cuyo gráfico y correlograma son los que se muestran
podría efectuar la estimación en dos etapas: en la primera podría estimar mediante una
regresión los parámetros de la tendencia determinística y eliminar a esta de la serie y en la
segunda, efectuando el correlograma de los datos a los cuales se les quitó la tendencia
determinística, podría identificar el camino aleatorio.

La regresión (con constante) en la que la variable dependiente es y y la variable

independiente @trend es la que se muestra a continuación. La ordenada al origen es
0,720558 y la pendiente es 2,019239.

Coefficient Std. Error t-Statistic Prob.

C 0.720558 0.348430 2.068016 0.0413

@TREND 2.019239 0.006081 332.0787 0.0000

R-squared 0.999112 Mean dependent var 100.6729

Adjusted R-squared 0.999103 S.D. dependent var 58.60716

S.E. of regression 1.755232 Akaike info criterion 3.982876

Sum squared resid 301.9221 Schwarz criterion 4.034979

Log likelihood -197.1438 Hannan-Quinn criter. 4.003963

F-statistic 110276.2 Durbin-Watson stat 0.326528

Prob(F-statistic) 0.000000

Para eliminar la tendencia se generó la variable w quitando a y la tendencia determinística.

Se generó la variable w como w=y-0.720558-2.019239*@trend. El gráfico de la serie w se
muestra seguidamente. Se observa que la tendencia determinística fue eliminada.

W
4

-1

-2

-3

-4
10 20 30 40 50 60 70 80 90 100

Para identificar a la serie w se construyó el correlograma. Puede apreciarse que se asemeja

al de un camino aleatorio.

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

.|******| .|****** 1 0.836 0.836 71.296 0.000

 .|***** | .|. | 2 0.699 0.001 121.69 0.000

.|**** | *|. | 3 0.561 -0.080 154.45 0.000

.|*** | *|. | 4 0.421 -0.094 173.11 0.000

.|** | *|. | 5 0.275 -0.119 181.18 0.000

.|* | .|. | 6 0.152 -0.040 183.67 0.000

.|. | *|. | 7 0.036 -0.076 183.81 0.000

.|. | .|. | 8 -0.034 0.050 183.94 0.000

*|. | .|. | 9 -0.085 -0.002 184.75 0.000

*|. | .|. | 10 -0.111 0.016 186.13 0.000

*|. | *|. | 11 -0.170 -0.170 189.41 0.000

**|. | *|. | 12 -0.226 -0.109 195.25 0.000

Para comprobar si este es el modelo que ha generado los datos se efectuó la primera
diferencia de la serie, es decir se generó z=w-w(-1).

El correlograma de la serie z se presenta a continuación. Se observa que se trata de ruido

blanco.

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

*|. | *|. | 1 -0.083 -0.083 0.7043 0.401

.|. | .|. | 2 0.003 -0.004 0.7054 0.703

.|. | .|. | 3 0.004 0.004 0.7068 0.872

.|. | .|. | 4 0.035 0.036 0.8354 0.934

*|. | *|. | 5 -0.072 -0.067 1.3849 0.926

.|. | .|. | 6 -0.015 -0.027 1.4084 0.965

*|. | *|. | 7 -0.144 -0.150 3.6410 0.820

.|. | *|. | 8 -0.050 -0.078 3.9179 0.864

*|. | *|. | 9 -0.076 -0.087 4.5479 0.872

 .|* | .|* | 10 0.099 0.085 5.6383 0.845

.|. | .|. | 11 -0.028 -0.006 5.7278 0.891

*|. | *|. | 12 -0.070 -0.091 6.2817 0.901

Daremos ahora los pasos necesarios para reconstruir el pgd. Sabemos que z es la primera
diferencia de w y es ruido blanco, así que podemos escribir: z t = ∆ w t = w t - w t-1 = ε t .

Pero w t = y t – 0,72 – 2,02 t. Si se reemplazan estos valores en la ecuación anterior referida

a z t resulta: ε t = y t – y t-1 – 2,02 o bien: y t = 2,02 + y t-1 + ε t cuya diferencia es mínima
con relación al pgd suministrado inicialmente.

El énfasis que debe ponerse en este ejemplo debe recaer en mostrar las diferencias
existentes entre una tendencia determinística y una tendencia estocástica y en comprobar el
tratamiento particular que cada una de ellas merece. A la tendencia determinística se la
puede eliminar quitándole los resultados de una regresión tal como se mostrara en el
ejemplo, a la tendencia estocástica mediante diferenciación.

De esta manera muchos modelos no estacionarios pueden convertirse en estacionarios

mediante los métodos descritos, pero esto no significa que esto sea válido para todos los
procesos y además, si las tendencias son estocásticas en muchos casos se requerirán
diferenciaciones de mayor orden que la primera y si las tendencias son determinísticas a
veces se necesitarán regresiones polinómicas en lugar de lineales.

En cada caso se debe utilizar el método apropiado, pero si uno se equivoca en la

identificación y emplea un procedimiento erróneo el principal perjuicio ocurre en
diferenciar una tendencia determinística ya que se puede introducir un proceso de raíz
unitaria.

Ejercicios.
Construya 100 observaciones del modelo cuyo pgd es y t = 1 + y t-1 + ε t donde ε t ~ N ( 0;
s e2 = 9 ). Identifique el modelo y conviértalo en estacionario. A partir de los resultados
reconstruya el pgd.

3.3. Los modelos ARIMA.

Consideremos un modelo ARMA ( p; q ) Cuya ecuación es

yt = a1 yt -1 + a2 yt -2 + …..+ ap yt -p + ε t - b1 ε t-1 - b2 ε t - 2 -…… bq ε t – q

Este se puede escribir:

( 1 – a1 L - a2 L2 -…..- ap Lp ) yt = ε t - b1 ε t-1 - b2 ε t - 2 -…… bq ε t – q

Supongamos que los coeficientes b i cumplen con las condiciones de invertibilidad y que la
ecuación ( 1 – a1 L - a2 L2 -…..- ap Lp ) posee una sola raíz unitaria. Como esta ecuación se
puede escribir como el producto de sus raíces, si denotamos a ellas mediante λ i , se tiene:
1 – a1 L - a2 L2 -…..- ap Lp = (1 - λ 1L ) (1 - λ 2 L2 ) …….(1 - λ p Lp) .

Si la ecuación posee una sola raíz unitaria podemos suponer por ejemplo que λ 1= 1 y
entonces se podría escribir a yt como:

(1 - λ 2 L2 ) …….(1 - λ p Lp) (1 - L ) yt = ε t - b1 ε t-1 - b2 ε t - 2 -…… bq ε t – q

Pero como ( 1- L ) yt = yt - yt-1 = ∆ yt la expresión anterior se puede escribir:

(1 - λ 2 L2 ) …….(1 - λ p Lp) ∆ yt = ε t - b1 ε t-1 - b2 ε t - 2 -…… bq ε t – q

Como λ 1era la única raíz unitaria la serie se convirtió en estacionaria. Esto significa que, en
caso de que una serie tuviera una sola raíz unitaria se la puede convertir en estacionaria
diferenciándola, si tuviera dos raíces unitarias habría que diferenciarla dos veces, si tuviera
d raíces unitarias habría que diferenciarla d veces y así siguiendo.

Por ejemplo: si λ 1= 1 y λ 2= 1 resulta (1 - λ 3 L3 ) …….(1 - λ p Lp) (1 - L ) 2 yt = b( L ) ε t ,

donde b( L ) ε t = ( 1 – b1 L - b2 L2 -…..- bq Lq ) ε t = ε t - b1 ε t-1 - b2 ε t - 2 -…… -bq ε t – q

Como (1 - L ) 2 yt = ∆ 2 yt esto significa diferenciar la serie dos veces, es decir, obtener la

primer diferencia de la serie diferenciada. En el Eviews esto se puede efectuar mediante el
comando genr colocando el nombre de la serie donde se guardarán los datos, por ejemplo
dife y escribiendo dife=d(y,2) , de esta manera se puede obtener la segunda diferencia de la
serie y. Si se coloca un 3 se obtiene la tercera diferencia, etc.

Como el proceso opuesto a la diferencia es la suma y para reconstruir el proceso original y t

es necesario sumar, con reminiscencias del cálculo diferencial donde la operación inversa
de la diferencial es la integración, a la operación de suma se la denomina integración y a
todo el proceso se lo denomina ARIMA. En particular un ARIMA ( p, d, q ) es el proceso
resultante ARMA ( p, q ) estacionario, obtenido diferenciando d veces un proceso ARIMA (
p, d , q ).

También se puede hablar de procesos ARI y de procesos IMA; el primero es un

autoregresivo integrado y el segundo un MA integrado, es decir son respectivamente,
procesos autorregresivos estacionarios y de medias móviles invertibles, obtenidos mediante
la diferenciación de los procesos indicados más arriba.

La nomenclatura empleada más arriba en la que b( L ) ε t = ε t - b1 ε t-1 -…… - bq ε t – q

permite simplificar la escritura de los procesos ARMA y por extensión la de los ARIMA. Si
el operador de rezagos L también se aplica a los coeficientes a i un ARIMA ( p,d, q )se
puede escribir: a( L ) ∆d y t = b( L ) ε t donde el operador de diferencias ∆ = 1 – L y donde

a( L ) y t = ( 1 – a1 L - a2 L2 -…..- ap Lp ) y t = y t - a1 y t-1 - a2 yt - 2 -…… -ap y t – p

Por ejemplo un modelo ARIMA (1, 1, 1 ) donde a1 = 0,60 y b1 = 0,50 se puede escribir:

(1- 0,60 L ) ∆ y t = ε t - 0,50 ε t-1 . O bien: (1- 0,60 L ) (y t - y t-1) = ε t - 0,50 ε t-1 . Si se
efectúan las operaciones del primer miembro y se expresa la ecuación en términos de ∆ y t
queda: ∆ y t = 0,60 ∆ y t-1 + ε t - 0,50 ε t-1 . Si se reemplaza ∆ y t por y t - y t-1 y ∆ y t-1 por y
t-1 - y t--2 se obtiene finalmente: y t = 1,60 y t-1 + 0,60 y t-2 + ε t - 0,50 ε t-1 .

La forma final del proceso semeja la de un ARMA (2,1) donde el coeficiente del término

y t-1 es (1 + a1 ).

Si se desea que el proceso contenga una constante simplemente se agrega la constante al

modelo.

Se construirán mediante el Eviews 60 observaciones del modelo anterior, con

perturbaciones normales de varianza unitaria. No se incluirá ninguna constante y el punto
de partida del proceso será el valor 1. Los pasos donde interviene el comando genr son los
siguientes: 1) alea=nrnd 2) y=1 3) y=1.60*y(-1)+0.60*y(-2)+alea-0.5*alea(-1) Sample
3 60

A continuación se muestra el gráfico del proceso. El coeficiente 1,60 trasmite al proceso un

carácter explosivo. Puede observarse que en 60 observaciones del proceso la serie y alcanza
valores astronómicos que imposibilitan continuar con el análisis.
 Y
2.8E+17

2.4E+17

2.0E+17

1.6E+17

1.2E+17

8.0E+16

4.0E+16

0.0E+00
5 10 15 20 25 30 35 40 45 50 55 60

Muchas series económicas y financieras son no estacionarias, presentan raíces unitarias. Se

ha visto que una forma de lograr estacionariedad es diferenciando la serie, pero también
hay otras transformaciones que producen similares resultados. Una de ellas es la diferencia
de logaritmos, la que para valores no muy grandes de la serie es aproximadamente igual a
la variación porcentual.

Por ejemplo la variación porcentual entre 2,10 y 2,20 es 100* ( 0,10 / 2,10 ) = 4,545% en
tanto que 100*(ln 2,20 –ln 2,10 ) = 4,652.

En las series no estacionarias, con tendencias estocásticas tanto la diferenciación de la serie

como la diferencia de logaritmos son dos herramientas idóneas para lograr estacionariedad.

3.4. Los modelos estacionales.

El enfoque tradicional de las series de tiempo, iniciado a fines del siglo XIX y comienzos
del siglo XX, consideraba que estas estaban integradas por componentes: la componente
cíclica, la de tendencia, la estacional y la irregular. Consistía en un análisis estructural de la
serie.
La componente cíclica es un movimiento de largo plazo de las series económicas y
financieras y corresponde a los movimientos o fluctuaciones de naturaleza ondulatoria que
periódicamente ocurren en el mundo de los negocios. Por ejemplo, la gran depresión de los
años 30 fue seguida de un auge en los 40 y en la posguerra, la crisis de 2008 fue otro
movimiento hacia abajo y posiblemente en 2010 se inicie la recuperación de las economías.
La tendencia es otro movimiento de largo plazo, las series suben o bajan o se mantienen
estacionarias y a ellas nos hemos referido con anterioridad. Algunos autores engloban estas
dos componentes en una sola y la denominan tendencia-ciclo.

Las otras dos componentes son de corto plazo. La estacionalidad se refiere a los
movimientos que ocurren en las series dentro del año producto de las estaciones; la
cantidad de turistas es diferente en julio o en enero que en abril o septiembre, también es
bastante estacional la venta de cerveza o de bebidas gaseosas, etc.

La componente irregular engloba tanto a fenómenos no habituales como por ejemplo una
huelga o el número de feriados en un mes o trimestre y a movimientos aleatorios.

Estas componentes suelen combinarse en forma aditiva cuando el analista considera que
son independientes o en forma multiplicativa cuando considera que no lo son, es decir el
movimiento de una componente influye sobre el movimiento de la otra. Por ejemplo, la
tendencia puede influir sobre la estacionalidad, esta sobre la irregular, etc.

Un modelo aditivo es: Y = T + S + I donde Y es el valor observado de la serie, T es la

componente de tendencia ciclo, S es la componente estacional e I es la componente
irregular.

Un modelo multiplicativo es Y = T * S * I. Este modelo se aplica a la mayoría de las series

económicas y financieras e implica por ejemplo, que si la tendencia crece también aumenta
la componente estacional. El ajuste estacional o desestacionalización se calcula dividiendo
el valor de la serie Y por una estimación de la componente estacional denominada factor o
coeficiente de estacionalidad. En los modelos aditivos la desestacionalización se obtiene
mediante una diferencia entre el valor observado y la estimación de la componente
estacional.

Con menor frecuencia se postulan modelos mixtos como por ejemplo: Y = T * S + I en el

que la tendencia – ciclo y la estacionalidad se influencian pero son independientes de la
componente irregular.
El objetivo de este punto es ver en qué consiste la estacionalidad, de qué manera se la
puede detectar es decir, cuáles son los métodos para reconocerla y cómo se la puede
eliminar. Como la estacionalidad se manifiesta dentro del año las series consideradas son
mensuales o trimestrales, aun cuando, por ejemplo, puede haber una estacionalidad diaria o
en las semanas de un mes. La gente concurre a los centros de compra con más asiduidad los
fines de semana y tal vez las dos primeras semanas del mes generen los mayores volúmenes
de compra,etc.

El reconocimiento de la estacionalidad y su detección reside en el conocimiento de las

series y en su representación gráfica: las series estacionales presentarán picos y caídas en
períodos más o menos iguales en el trascurso de los años. En forma más simple el
comportamiento de la serie dentro del año calendario “se repite” con el trascurso de los
años. Si uno superpone los datos mensuales de una serie durante algunos años comprobará
movimientos muy parecidos en los mismos meses, por ejemplo el consumo de cerveza
crecerá en los meses de verano y descenderá en los meses de invierno, otro tanto ocurrirá
con las bebidas gaseosas y hay muchas series con comportamientos similares.

Estos casos son de estacionalidad estable. Pero puede suceder que por diversos factores los
períodos en los que se producen picos y caídas no se mantengan estables en el curso de los
años y este tipo de estacionalidad es más difícil de detectar.

Pero además de los métodos gráficos existen procedimientos analíticos para detectar la
estacionalidad. El más importante es el ideado por el Departamento de Comercio de los
Estados Unidos ( Bureau of Census ) que desde 1930 aproximadamente está
perfeccionando estos métodos. Actualmente está vigente la versión X 12 ARIMA y este
procedimiento es usado por las oficinas estadísticas de casi todo el mundo.

Está basado en promedios móviles y filtros que someten a las series a continuas
“depuraciones” de manera que como resultado se obtienen las componentes, los
denominados factores de estacionalidad y las series desestacionalizadas. El Eviews ha
incorporado este método.

El programa originalmente no contenía la denominación ARIMA, por ejemplo era X-11 a

secas e iba incorporando modificaciones fruto del análisis, los estudios académicos y las
experiencias concretas. Pero, debido a que el procedimiento está basado en promedios
móviles tenía problemas de estimación de las componentes estacionales en las primeras y
las últimas observaciones de las series ya que carecía de suficientes datos en ambos
extremos y producía pobres perfomances. Entonces, se trató de evitar esta falencia
proyectando las series mediante los métodos ARIMA y de allí el agregado de esta sigla. El
método X-12 es una actualización del X-11.

En España se utiliza un método denominado TRAMO-SEATS también incluido entre los

procedimientos del Eviews.

Otros procedimientos se basan en series trigonométricas empleando funciones de naturaleza

ondulatoria tales como el seno y el coseno, otros emplean técnicas lineales de regresión con
variables de valor 0, para indicar la ausencia de estacionalidad o 1, para indicar su
presencia, (cada par se aplica en cada período del año menos uno para evitar
multicolinealidad) y otros se basan en análisis de tipo estructural. Pero estos métodos son
poco utilizados.

Los investigadores que emplean modelos de series cronológicas como los que nos ocupan
también han propuesto métodos basados en los modelos ARIMA para captar la
estacionalidad. Esta se detecta mediante el correlograma; tanto las funciones de
autocorrelación como las de autocorrelación parcial de las series estacionales presentan
comportamientos particulares: cada cuatro períodos en las series trimestrales y cada doce
períodos en las series mensuales. Es posible reconocer para estos períodos estacionales,
modelos similares a los ya considerados: AR, MA, ARMA, ARIMA, etc. Pero estos son
modelos referidos exclusivamente a la estacionalidad y a la par de ellos, junto a ellos,
acompañándolos, interactúan los patrones no estacionales de las series que hemos
considerados anteriormente. En síntesis, en las series estacionales se requiere una
estimación conjunta: una para los patrones estacionales y otra para los movimientos no
estacionales y esto complica la identificación práctica del modelo.

Se puede presentar un problema adicional referido al número de datos: en una serie con 60
datos mensuales analizar el comportamiento estacional requiere observar el
comportamiento del correlograma en los períodos 12, 24, 36, 48 y 60, solo se cuenta con
cinco medidas para determinar la naturaleza del modelo estacional y este número es
presumiblemente, bastante exiguo.
Los modelos estacionales de series cronológicas propuestos también son aditivos o
multiplicativos, ( aunque por lo general estos últimos son los más utilizados),así por
ejemplo para series trimestrales:

Estacionalidad aditiva.

Modelo MA estacional yt = a1 yt -1 + ε t - b1 ε t-1 - b4 ε t - 4 .

Modelo AR estacional yt = a1 yt -1 + a 4 y t - 4 + ε t - b1 ε t-1 .

El primer modelo es un modelo ARMA( 1, 1) con un término estacional. La estacionalidad

se capta por el término b4 ε t - 4 . El segundo modelo también es un modelo ARMA ( 1, 1 )
con el término a 4 y t – 4 que trata de captar la estacionalidad. Si las series hubieran sido
mensuales los términos estacionales hubieran incorporado el subíndice 12.

Estacionalidad multiplicativa.

Modelo MA estacional ( 1 - a1 L ) yt = ( 1 - b1 L ) (1 - b4 L4 ) ε t .

Modelo AR estacional ( 1 - a1 L ) (1 - a4 L4 ) yt = ( 1 - b1 L ) ε t .

También son modelos ARMA (1, 1) con componentes estacionales multiplicativas MA y

AR, (1 - b4 L4 ) y (1 - a4 L4 ), que se aplican a ε t y a yt respectivamente.

Si las series estacionales presentan raíces unitarias o son no estacionarias y por lo tanto,
necesitan ser diferenciadas, conviene diferenciarlas en el período estacional, es decir hacer
yt - y t - 4 en el caso de las series trimestrales y y t - y t - 12 en el caso de las series mensuales.
Esto se puede explicar por el hecho de que los cambios de las series en los períodos
estacionales, por ejemplo enero contra enero, febrero contra febrero, etc., serán menores a
causa de la estacionalidad, que los cambios de enero contra febrero, marzo contra abril, etc.
y puesto que tendrán menor varianza serán estimados con mayor precisión. Además, puede
observarse que: (1 – L4 ) = ( 1- L ) (1 + L) (1 – i) (1 + i) es decir (1 – L 4 ) contiene a (1 –L),
esto significa que cuando se efectúa la diferencia yt - y t - 4 en cierta forma se está efectuando
también la diferencia yt - y t - 1 . Otro tanto ocurre con (1 – L 12 ) que también contiene a (1 –
L).

Sintetizando lo expuesto acerca de los métodos para desestacionalizar series económicas y

financieras los métodos más empleados son el Census X- 11 ARIMA o X-12 ARIMA,
utilizado por la gran mayoría de las oficinas estadísticas del mundo y los métodos de series
cronológicas que generalmente están restringidos a los análisis académicos. Desde estos
ámbitos si bien se reconoce la practicidad del Census, sus calidades de procedimiento
estandarizado y su utilidad para las oficinas estadísticas que deben desestacionalizar cientos
o miles de series durante un año, se señala que este método puede no eliminar toda la
estacionalidad de la serie y se indica que el procedimiento que debe ser adoptado cuando se
emplea el programa del Bureau de Census: desestacionalizar primero la serie y luego
proceder a la identificación de los modelos de series cronológicas puede no ser el adecuado
porque los modelos estacionales y los modelos ARMA se identifican mejor cuando la
estimación se efectúa de manera conjunta.

A modo de ejemplo se analizará el PBI a precios básicos, base 1993 = 100 desde el I
trimestre de 1985 hasta el IV trimestre de 2005. Los datos, trascriptos por columna son los
que se consignan en el cuadro siguiente.

160.218 182.433 179.983 213.877 231.723 214.421

170.271 183.920 204.200 215.739 253.432 216.428
167.096 169.709 199.993 206.854 244.208 204.093
175.837 171.816 198.493 230.113 249.402 240.224
161.297 163.680 190.227 229.832 231.522 235.522
181.209 174.139 213.765 235.105 252.262 240.297
188.503 148.618 212.792 223.772 243.093 225.444
 185.055 165.261 215.916 247.224 245.297 256.304
168.241 172.120 203.859 247.219 226.832 254.752
189.477 178.419 226.365 251.917 252.681 261.564
193.787 160.640 223.019 236.240 232.746 241.838
186.807 184.711 227.351 264.321 222.461 282.408
176.863 188.202 209.234 255.084 194.317 277.362
188.356 195.251 219.436 251.363 223.787 283.983

El gráfico de los mismos muestra que la serie es no estacionaria, tiene tendencia y presenta
estacionalidad: en el segundo y el tercer trimestre el pbi por lo general crece, muchas veces
lo hace también en el cuarto, en tanto que en el primer trimestre decrece.

La tendencia se considera aleatoria, característica común de muchas series económico-

financieras lo que origina raíces unitarias. Se observa un movimiento ascendente continuo
desde 1990 hasta 1998 aproximadamente, estancamiento y caída hasta el 2002 y un nuevo
impulso hacia arriba a partir de esta última fecha.

La estacionalidad es bastante marcada y los picos y caídas dentro del año se repiten durante
todo el período considerado. Pareciera, merced a la observación del gráfico, que la
estacionalidad es estable, pero como se refiriera anteriormente más allá de la simple
observación se requieren pruebas analíticas para aceptar o rechazar las hipótesis
estadísticas.
 PBI
280,000

260,000

240,000

220,000

200,000

180,000

160,000

140,000
86 88 90 92 94 96 98 00 02 04

Para eliminar la tendencia de la serie se consideraron variaciones porcentuales, o sea se

definió una nueva variable pbi1 como: pbi1 = 100 * ( pbi- pbi ( - 1 ) ) / pbi1 ( - 1 ). En el
gráfico de la serie que se presenta a continuación se puede observar que la serie del pbi es
aproximadamente estacionaria y que presenta picos estacionales.

PBI1
20

15

10

-5

-10

-15
86 88 90 92 94 96 98 00 02 04

El correlograma de la serie presenta picos en las funciones de autocorrelación en los

rezagos cuarto, octavo, doceavo, etc.. El gráfico parece mostrar que la función de
autocorrelación parcial presenta un solo pico significativo en el cuarto rezago y que la
estacionalidad sigue un proceso autoregresivo. Como por otra parte también parece que la
estacionalidad permanece constante, es decir no aumenta con el tiempo, se puede pensar
que se trata de un modelo estacional autoregresivo aditivo.

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

****| . | ****| . | 1 -0.511 -0.511 21.416 0.000

. |*. | .*| . | 2 0.200 -0.083 24.740 0.000

***| . | ****| . | 3 -0.463 -0.537 42.763 0.000

. |******| . |***** | 4 0.834 0.689 102.18 0.000

****| . | .*| . | 5 -0.535 -0.082 126.90 0.000

. |*. | .|. | 6 0.209 -0.052 130.71 0.000

***| . | .*| . | 7 -0.456 -0.193 149.21 0.000

. |***** | .*| . | 8 0.691 -0.153 192.30 0.000

****| . | .|. | 9 -0.489 0.051 214.12 0.000

. |*. | .*| . | 10 0.205 -0.092 218.03 0.000

***| . | .*| . | 11 -0.451 -0.133 237.20 0.000

. |***** | . |*. | 12 0.648 0.103 277.28 0.000

Con respecto a los movimientos no estacionales se ensayó en primera instancia un modelo

ARMA (2, 2 ) pero los estadísticos “t_ Student” no resultaron significativos tanto para la
constante, como para el MA ( 2 ) y el AR (2) motivo por el cual fueron eliminados de la
estimación. Los resultados de la misma se presentan a continuación.
 Coefficient Std. Error t-Statistic Prob.

AR(1) -0.182725 0.068352 -2.673298 0.0093

AR(4) 0.797993 0.064501 12.37175 0.0000

MA(1) 0.360203 0.127356 2.828318 0.0061

R-squared 0.785173 Mean dependent var 0.908396

Adjusted R-squared 0.779206 S.D. dependent var 7.367622

S.E. of regression 3.461951 Akaike info criterion 5.360720

Sum squared resid 862.9276 Schwarz criterion 5.453419

Log likelihood -198.0270 Hannan-Quinn criter. 5.397734

Durbin-Watson stat 2.078906

Los residuos de esta regresión se muestran en el gráfico siguiente. Se puede apreciar que
son ruido blanco y que solo presenta un pico significativo en el lag 8.

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

.|. | .|. | 1 -0.064 -0.064 0.3160 0.574

.*| . | .*| . | 2 -0.122 -0.127 1.4940 0.474

. |*. | . |*. | 3 0.123 0.108 2.7022 0.440

.|. | .|. | 4 -0.000 -0.001 2.7022 0.609

.*| . | .*| . | 5 -0.195 -0.173 5.8436 0.322

.|. | .|. | 6 -0.003 -0.040 5.8442 0.441

.|. | .|. | 7 -0.001 -0.046 5.8443 0.558

**| . | .*| . | 8 -0.221 -0.203 10.052 0.261

.|. | .|. | 9 0.017 -0.016 10.078 0.344

.|. | .*| . | 10 0.003 -0.080 10.079 0.434

.|. | .|. | 11 -0.031 -0.014 10.164 0.516

Para eliminar el pico del lag 8 se incorporó al modelo un término MA (8), pero como esto
no mejoró la perfomance, puesto que se mantuvo el alto valor de la autocorrelación en ese
lag y los criterios de Akaike y de Schwarz presentaron valores más altos se mantuvo el
modelo en su forma previa.

En definitiva el modelo estimado fue: z t = - 0,183 z t-1 + 0,798 z t-4 + ε t + 0,360 ε t -1 donde
z es la variación porcentual del PBI.

Con el propósito de comparar el procedimiento descrito anteriormente con los resultados

del Census X-12 ARIMA y el posterior análisis mediante los métodos de Box – Jenkins los
datos del pbi fueron procesados mediante este programa.

Como se había señalado anteriormente el Census posee una serie de filtros basados en
promedios móviles que procuran estimar las componentes de una serie: la tendencia-ciclo,
la estacional y la irregular. A partir de estimaciones iniciales estos filtros son usados
repetidamente y mejoran continuamente esas estimaciones en sucesivas etapas del
programa. Debido a la extensión y la complejidad de este procedimiento solo se
consignarán los resultados más importantes. Bibliografía adicional se puede hallar en la
página web del Bureau of Census o bien se puede recurrir al texto The econometric análisis
of time series,E. Ghysels y D. R. Osborn, Cambridge 2001.

Las variaciones porcentuales del pbi fueron procesadas mediante el programa Census X 12
Arima en su versión aditiva. Este programa contiene pruebas estadísticas en las que emplea
tests “F-Snedecor” y no paramétricos (Krhuskal-Wallis), tendientes a determinar por una
parte, la existencia de estacionalidad y por otra, si esta es estable. En ambos casos la
respuesta fue afirmativa, lo que confirmó las presunciones que se tenían y que fueron
originadas en la observación del gráfico de la serie. Entre otras “salidas” el Census
suministra, la serie desestacionalizada, los “términos estacionales” y la tendencia ciclo. La
serie desestacionalizada se obtiene deduciendo de la serie original los “términos
estacionales”, si el modelo hubiera sido multiplicativo la serie desestacionalizada se obtiene
multiplicando la serie original por el factor estacional.

Para determinar el modelo ARMA correspondiente a la serie de tiempo desestacionalizada

se efectuó el correlograma, el que se presenta a continuación.
 Autocorrelation Partial Correlation AC PAC Q-Stat Prob

. |*. | . |*. | 1 0.143 0.143 1.6769 0.195

.|. | .|. | 2 -0.017 -0.038 1.6998 0.427

. |** | . |** | 3 0.314 0.329 9.9834 0.019

. |*. | .|. | 4 0.093 -0.007 10.723 0.030

**| . | **| . | 5 -0.256 -0.272 16.383 0.006

. |*. | . |*. | 6 0.126 0.136 17.765 0.007

. |*. | .|. | 7 0.074 -0.015 18.252 0.011

***| . | **| . | 8 -0.405 -0.326 33.064 0.000

.*| . | .|. | 9 -0.087 0.009 33.754 0.000

. |*. | .|. | 10 0.081 0.008 34.358 0.000

.*| . | .|. | 11 -0.163 0.066 36.848 0.000

.*| . | .*| . | 12 -0.180 -0.119 39.934 0.000

Se comprueba que se eliminó en buena parte el pico estacional en el cuarto rezago pero
aún persiste bastante alto en los lags 8 y 12. Para eliminar el pico estacional del lag 8 se
incorporó en el modelo el término MA (8).

El correlograma muestra también un posible modelo ARMA con bastante intensidad en el

tercer rezago. Por este motivo se ensayaron diversos modelos obteniéndose los mejores
resultados con el que se expone a continuación.

Coefficient Std. Error t-Statistic Prob.

C 0.787892 0.174849 4.506128 0.0000

 AR(3) 0.225853 0.109660 2.059575 0.0430

MA(8) -0.584007 0.095726 -6.100800 0.0000

R-squared 0.271166 Mean dependent var 0.802154

Adjusted R-squared 0.251198 S.D. dependent var 2.680792

S.E. of regression 2.319779 Akaike info criterion 4.559495

Sum squared resid 392.8405 Schwarz criterion 4.651497

Log likelihood -170.2608 Hannan-Quinn criter. 4.596263

F-statistic 13.57998 Durbin-Watson stat 1.699979

Prob(F-statistic) 0.000010

El correlograma de los residuos que se expone a continuación muestra que son ruido blanco. En
particular el test Q y el de Bartlett muestran que los residuos no son significativamente distintos de
cero.

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

. |*. | . |*. | 1 0.139 0.139 1.5238 0.217

.|. | .|. | 2 0.059 0.040 1.7981 0.407

.|. | .|. | 3 -0.001 -0.014 1.7982 0.615

.|. | .|. | 4 0.050 0.050 2.0000 0.736

.*| . | .*| . | 5 -0.148 -0.164 3.8303 0.574

.|. | .|. | 6 0.030 0.072 3.9087 0.689

.|. | .|. | 7 0.022 0.024 3.9511 0.785

.|. | .|. | 8 0.073 0.059 4.4170 0.818

.|. | .|. | 9 -0.043 -0.048 4.5784 0.869

.|. | .|. | 10 0.048 0.027 4.7894 0.905

.|. | .|. | 11 -0.033 -0.029 4.8877 0.936

.*| . | .*| . | 12 -0.181 -0.190 7.9317 0.790

En síntesis el segundo modelo puede escribirse: w t = 0,788 + 0,226 w t-3 + ε t - 0,584 ε t-8
donde w denota la serie desestacionalizada, mediante el método Census X 12 ARIMA, de
las variaciones porcentuales del pbi.

Los desarrollos que hemos presentado pretenden ilustrar cómo operan los dos
procedimientos analizados. El método basado en los modelos Box-Jenkins efectúa una
estimación conjunta del modelo estacional y del modelo ARMA referido a la parte de la
serie que no es estacional, el Census se aplica para desestacionalizar la serie y el modelo de
series cronológicas se obtiene a partir de la serie desestacionalizada. Mediante el
correlograma habrá que discernir cuál es la perfomance de cada uno y, por otra parte, la
elección de algún método debe estar basada en el problema concreto que se deba resolver,
por ejemplo el Census constituye una buena elección si uno desea solamente obtener
factores estacionales o series desestacionalizadas, si uno requiere estimaciones conjuntas y
más estilizadas pareciera que los métodos de series cronológicas son más satisfactorios
pero, en última instancia lo más efectivo parece desarrollar ambos procedimientos y
comparar los resultados.

En el caso que nos ocupa el segundo procedimiento que incluye 76 observaciones presenta
valores más bajos de los criterios de Akaike y de Schwarz que el primero, que incluye a 75
observaciones. Sin embargo, si bien esta comparación no sería estrictamente válida porque
ambos modelos no poseen igual número de observaciones, como ellas son prácticamente
iguales y el modelo que posee más observaciones tiene residuos más bajos, se puede
concluir que las pruebas estadísticas hacen preferible al modelo que emplea el Census.

Ejercicio. Utilice los datos del pbi, utilizando una transformación distinta a las variaciones
porcentuales, para efectuar una estimación de la serie y proyecciones. Aplique el método
Census y el de series de tiempo. Compare los resultados y halle el valor del pbi para el
primer trimestre del 2005 si se prevé (con respecto al cuarto trimestre de 2004): a) un
aumento del 2% en la serie desestacionalizada y b) una caída de 0,7% en la serie con
estacionalidad.