Dr. Carlos Minchón Medina
Dr. Carlos Minchón Medina
Dr. Carlos Minchón Medina
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
<strong>Dr</strong>. <strong>Carlos</strong> <strong>Minchón</strong> <strong>Medina</strong>
• PROCESO ESTOCÁSTICO<br />
Colección de variables aleatorias ordenadas en el<br />
tiempo.<br />
• PROCESO ESTOCÁSTICO ESTACIONARIO<br />
Media y varianza constantes en el tiempo y si el valor<br />
de la covarianza entre dos periodos depende<br />
solamente de la distancia o rezago entre dos períodos y<br />
no del tiempo en el cual se ha calculado la covarianza.
• PROCESO PURAMENTE ESTACIONARIO<br />
Ruido blanco, si tiene su media igual a cero, una<br />
varianza constante σ 2 y no está serialmente<br />
correlacionada.<br />
• CAMINATA ALEATORIA<br />
Serie no estacionaria, en la cual:<br />
a) Sin variaciones: Sin término constante o intercepto.<br />
b) Con variaciones: Está presente el intercepto
Caminata aleatoria<br />
Sin variaciones<br />
Operador de primera diferencia<br />
Caminata aleatoria<br />
con variaciones
• PROCESO DE RAIZ UNITARIA<br />
Si =1, se convierte en una caminata aleatoria sin<br />
variaciones, por este hecho se le conoce como raíz<br />
unitaria.<br />
Los términos no estacionariedad, caminata<br />
aleatoria y raíz unitaria se consideran sinónimos.<br />
Si //1, la serie es estacionaria.
• Si la tendencia de una serie de tiempo es del todo<br />
predecible y no variable, se le llama tendencia<br />
determinista; en tanto si no es predecible, se le<br />
llama tendencia estocástica.<br />
• Sea la serie:<br />
• u t es un término de error con ruido blanco y donde t<br />
se mide cronológicamente.
• Proceso estacionario en diferencia (PED)<br />
Caminata aleatoria pura:<br />
No estacionaria<br />
Estacionaria<br />
Caminata aleatoria con variaciones: Tendencia<br />
estocástica<br />
No estacionaria<br />
Estacionaria
• Proceso estacionario de tendencia (PET)<br />
Tendencia determinista<br />
Media (Y t) =<br />
Varianza (Y t) = Constante<br />
La estacionariedad se logra restando la media a Y t )o,<br />
centrando).<br />
Caminata aleatoria con variaciones y tendencia<br />
determinista:
Tendencia determinista con componente estacionario<br />
AR(1):<br />
Es estacionaria alrededor de la tendencia determinista
• Integrado de orden 1: I(1)<br />
Estacionarios en primera diferencia.<br />
• Integrado de orden 2: I(2)<br />
Estacionarios en segunda diferencia (primera<br />
diferencia de la primera diferencia)<br />
• Integrados de orden d: I(d)<br />
Si la serie debe diferenciarse d veces para<br />
hacerla estacionaria.
• ¿Cómo se sabe que<br />
una serie de tiempo<br />
es estacionaria?<br />
• Si es no<br />
estacionaria, ¿hay<br />
alguna forma de que<br />
ésta se convierta en<br />
estacionaria?
Estacionariedad débil o de covarianza<br />
• Análisis gráfico: Serie a través del tiempo para<br />
analizar tendencia.<br />
• Función de autocorrelación (FAC) y<br />
correlograma<br />
• Prueba de la raíz unitaria
1. Identificación<br />
2. Estimación<br />
No<br />
3. Verificación<br />
4. Predicción<br />
Si
Prueba la no<br />
estacionariedad<br />
(estacionariedad )<br />
de la serie de<br />
tiempo
Sea del proceso estocástico de raíz unitaria AR(1):<br />
Si =1, el modelo es caminata aleatoria sin<br />
variaciones (estacionario).
HIPÓTESIS<br />
Proceso AR(1)<br />
Serie no estacionaria y su varianza se incrementa<br />
con el tiempo y tiende al infinito<br />
Serie estacionaria (de tendencia)
=1 =0<br />
Prueba de la raíz unitaria
No estacionaria Ho: =0 Ha:
• La prueba de DF supone que el término de error<br />
no estaba correlacionado.<br />
• La prueba DF aumentada (DFA) hace la prueba<br />
cuando el error está correlacionado (aumenta<br />
valores rezagados de la variable
PATRONES TEÓRICOS DE LAS FAC y FACP
Funciones de<br />
autocorrelación<br />
(FAC) y funciones<br />
de autocorrelación<br />
parcial (FACP)
Correlograma PBI - EEUU
Correlograma d(PBI) - EEUU
Caminata aleatoria con variaciones<br />
Ha:
Tendencia determinista
2
2
SARIMA (2,0,0)(4,0,0)<br />
SARIMA (0,0,1)(0,0,4)<br />
SARIMA (1,0,1)(4,0,4)
Modelos con heterocedasticidad autorregresiva
Los modelos ARCH están diseñados para<br />
modelar y predecir la media, pero también<br />
la varianza volatilidad, la cual se expresa a<br />
su vez en función de sus valores pasados.<br />
El análisis de la volatilidad puede ser<br />
requerida para:<br />
• Decidir mantener o no un activo o el valor<br />
de una opción.<br />
• Obtener estimadores más eficientes.<br />
• Producir estimaciones confidenciales más<br />
exactas.
GARCH (1,1)<br />
GARCH (q,p)
Modelos con heterocedasticidad autorregresiva generalizada
Los modelos GARCH constituyen una extensión<br />
de los modelos ARCH.
El modelo EGARCH fue propuesto por Nelson. En<br />
estos modelos la especificación de la varianza es:<br />
Tiene asimetría si =0. Actualmente se emplean<br />
más los modelos exponenciales que cuadráticos
PERÚ: INGRESO TRIMESTRAL DE DIVISAS GENERADO<br />
POR EL TURISMO RECEPTIVO, 2002-2011<br />
(Millones de US$)
Millones US$<br />
800<br />
700<br />
600<br />
500<br />
400<br />
300<br />
200<br />
100<br />
0
AEROPUERTO INTERNACIONAL JORGE CHAVEZ<br />
LIMA: LLEGADA MENSUAL DE VISITANTES EXTRANJEROS, ENERO 2002 - AGOSTO 2011
Visitantes<br />
140,000<br />
120,000<br />
100,000<br />
80,000<br />
60,000<br />
40,000<br />
20,000<br />
0<br />
ene-02<br />
Jul<br />
ene-03<br />
Jul<br />
ene-04<br />
Jul<br />
ene-05<br />
Jul<br />
ene-06<br />
Jul<br />
ene-07<br />
Jul<br />
ene-08<br />
Jul<br />
ene-09<br />
Jul<br />
ene-10<br />
Jul<br />
ene-11