1

ECONOMETRIA DE LA EMPRESA
SERIES TEMPORALES

M A R T H A M O YA
GRUPO 131

SERIES TEMPORALES
 INTRODUCCIÓN: MÉTODOS
CUANTITATIVOS PARA LA TOMA DE
DECISIONES

DIFERENTES TIPOS DE MODELIZACIÓN

- Modelos básicos de regresión lineal (MBRL).

- Modelos multiecuacioinales.
- Cuando la variable dependiente es denota una calidad, una
característica, variable dicótómica …………. Modelos logit y probit
- Análisis de series temporales, técnicas simples (alisados) y técnicas
avanzadas (Modelos Arima)
- Análisis de series temporales con volatilidad (Modelos Arch y Garch)
- Análisis de datos de panel (modelos de datos transversales a lo largo
del tiempo)

SERIES TEMPORALES 2
 ANALISIS DE SERIES TEMPORALES VS. MBRL

1. PLANTEAMIENTO DEL MODELO BÁSICO DE REGRESIÓN LINEAL

Yi=f(X1 , X2 …. Xi , ) para n observaciones

y = β1x1 + β2x2 + … + βkxk + u

(yi ; x1i , x2i … xki) para i=1,2…n [n observaciones]

2. PLANTEAMIENTO DEL ANÁLISIS SERIES TEMPORALES

Yi=Y(ti) con i=1,2,...n siendo n años, meses, días…

Yi=f(ti)

OBJETIVO: PREDICCIÓN PARA i=n+h

SERIES TEMPORALES 3
 Series temporales: características y
técnicas de predicción
1. Introducción al análisis de series temporales
a) Definición
b) Componentes
c) Esquemas de descomposición de series
temporales
2. Modelos de predicción de series temporales
3. Clasificación de técnicas y modelos de predicción
a) Alisados exponenciales
4. Introducción a los modelos ARIMA

SERIES TEMPORALES 4
 SERIE TEMPORAL Y COMPONENTES

QUÉ ES UNA SERIE TEMPORAL

COMPONENTES:
 TENDENCIA

 CICLO

 ESTACIONALIDAD

 MOVIMIENTO IRREGULAR

SERIES TEMPORALES 5
 SERIES TEMPORALES

Una serie temporal es una variable Yi=f(ti) en la que i = 1,2,...n indica

los diferentes momentos del tiempo para una serie de longitud “n” y
donde todos los intervalos entre observaciones son iguales, es decir,
todos los datos están referidos a días, o todos a meses o a
años.
Análisis series temporales
Yi=f(ti) con i=1,2,...n siendo n años, meses, días…

• Una serie temporal, cronológica, histórica o de tiempo es una

sucesión de observaciones cuantitativas de un fenómeno
ordenadas en el tiempo.
• Permite analizar la evolución de un fenómeno en el pasado y la
predicción del comportamiento de ese fenómeno en el futuro.
• El análisis de una serie temporal debe comenzar con la
representación gráfica de la serie, con el objeto de identificar
ciertas propiedades que no siempre son detectables por la
simple observación de los datos.

SERIES TEMPORALES 6
SERIES TEMPORALES 7
 DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
PIB ALEMANIA

520.000

•TENDENCIA (T): movimiento de larga duración que se 500.000

480.000

mantiene durante el período de observación. 460.000

440.000

420.000
400.000

380.000

•VARIACION ESTACIONAL (S): movimiento que se produce,

dentro de un período anual, inicialmente por motivos climáticos
y, con base a éstos, por motivos económicos y de organización
social (p.e. recolecciones, vacaciones, etc.)
CICLOS REINO UNIDO

12,0%

10,0%

•MOVIMIENTOS CICLICOS (C): oscilaciones alrededor 8,0%

6,0%

de la tendencia producidos por períodos alternativos 4,0%

2,0%

de prosperidad y depresión. 0,0%

197001

197401

197801

198201

198601

199001

199401

199801

200201
-2,0%

-4,0%

-6,0%
20,00

15,00

10,00

•VARIACIONES IRREGULARES O ERRÁTICAS (I): oscilaciones

5,00

0,00

-5,00

-10,00
erráticas que aún quedan en la serie original tras eliminar los
-15,00
tres anteriores componentes.
1997M02
1997M06
1997M10
1998M02
1998M06
1998M10
1999M02
1999M06
1999M10
2000M02
2000M06
2000M10
2001M02
2001M06
2001M10
2002M02
2002M06
2002M10
2003M02
2003M06
2003M10
2004M02
2004M06
2004M10
2005M02
2005M06
2005M10
2006M02
2006M06
2006M10
2007M02
2007M06
2007M10

2DTípica Menos2DTípica Valor Promedio

SERIES TEMPORALES 8
 COMPONENTES SERIE TEMPORAL

600

 TENDENCIA
IND. GRAL. MADRID
500 IBEX 35

400

300

Patrón de evolución
200

sostenido a medio y
100

largo plazo de la serie

0

ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
PIB ALEMANIA

520.000

Pueden producirse en 500.000

series con todas 480.000

periodicidades (anual,
460.000

440.000
trimestral, mensual, 420.000

semanal, diario…) 400.000

380.000

SERIES TEMPORALES 9
 COMPONENTES SERIE TEMPORAL
CICLOS REINO UNIDO

 CICLO 12,0%

10,0%

8,0%

6,0%

Oscilaciones alrededor 4,0%

2,0%

de la tendencia 0,0%

197001

197401

197801

198201

198601

199001

199401

199801

200201
producidos por
-2,0%

-4,0%

períodos alternativos -6,0%

de prosperidad y
depresión. CICLO ESTADOS UNIDOS

10,0%

8,0%

6,0%

Sólo se producen en 4,0%

series ANUALES y a muy 2,0%

largo plazo 0,0%

197001

197401

197801

198201

198601

199001

199401

199801

200201
-2,0%

-4,0%

SERIES TEMPORALES 10
 COMPONENTES SERIE TEMPORAL

 ESTACIONALIDAD

Oscilaciones de una
serie temporal que se
completa dentro de un
año y que se repiten
más o menos de
forma invariable en
años sucesivos.

Sólo puede producirse en series con

periodicidad inferior al año (trimestral,
mensual, semanal, diario…) relacionadas
con un factor de estacionalidad.

SERIES TEMPORALES 11
 COMPONENTES SERIE TEMPORAL

 IRREGULAR
20,00

Oscilaciones de una
15,00

serie temporal que se

10,00

atribuyen a factores
5,00

fortuitos, aleatorios y
0,00

esporádicos -5,00

-10,00

-15,00
1997M02
1997M06
1997M10
1998M02
1998M06
1998M10
1999M02
1999M06
1999M10
2000M02
2000M06
2000M10
2001M02
2001M06
2001M10
2002M02
2002M06
2002M10
2003M02
2003M06
2003M10
2004M02
2004M06
2004M10
2005M02
2005M06
2005M10
2006M02
2006M06
2006M10
2007M02
2007M06
2007M10
Pueden producirse en
series con todas
2DTípica Menos2DTípica Valor Promedio

periodicidades (anual,
trimestral, mensual,
semanal, diario…)

SERIES TEMPORALES 12
 Las componentes de las series temporales se combinan entre sí en base a dos
tipos de esquema:

•ESQUEMA MULTIPLICATIVO  Y = T * S * C * I

•ESQUEMA SUMATIVO  Y = T + S + C + I

Esquema simplificado: El caso más habitual es el

esquema multiplicativo
donde la estacionalidad es un
•MULTIPLICATIVO  Y = T * S factor de proporcionalidad.

•SUMATIVO  Y = T + S En el esquema sumativo, la

estacionalidad es una cantidad
a añadir.

SERIES TEMPORALES 13
 Series temporales: características y
predicción
1. Introducción al análisis de series temporales
a) Definición
b) Componentes
c) Esquemas de descomposición de series
temporales
2. Modelos de predicción de series temporales
3. Clasificación de técnicas y modelos de predicción
a) Alisados exponenciales
4. Introducción a los modelos ARIMA

SERIES TEMPORALES 14
 2. MODELOS DE PREVISIÓN DE SERIES TEMPORALES

Las técnicas de predicción desarrolladas para series temporales se basan en el análisis aislado
de las variables, estudiando la propia evolución del fenómeno en sí mismo a través de su
evolución temporal, es decir, en períodos anteriores (series temporales o históricas). Así,
podemos encontrar diversas técnicas según su complejidad:
- Técnicas simples en las que las predicciones se generan mediante un mecanismo
automático establecido a priori y de cálculo recursivo. Medias Móviles, alisado exponencial,
modelos naïve, etc.
- Análisis de descomposición temporal de series según sus componentes de tendencia y
estacionalidad.
- Análisis temporal de procesos estocásticos (modelos ARIMA univariantes)

La principal diferencia de estas técnicas de predicción frente los modelos econométricos es que
no se analizan las relaciones de causalidad con otras variables, sino que el análisis se realiza
aisladamente sobre la propia evolución temporal o histórica de la variable.

SERIES TEMPORALES 15
 2.1. EVALUACIÓN DE LAS TÉCNICAS DE PREDICCIÓN

Al utilizar cualquiera de las técnicas de predicción, existen diferentes posibilidades

para valorar sus resultados, siendo la forma más directa de valorar las
predicciones realizadas con el análisis a posteriori, es decir, calculando las
diferencias predicción-realización. Sin embargo, tal valoración sólo es posible
cuando se alcanzan realmente las fechas a que la predicción está referida.
En las técnicas que utilizan series históricas bien de variables aisladas (series
temporales) o de relación entre diversas variables (modelos econométricos) es
posible realizar una cierta valoración del proceso de predicción con base en el
análisis de los errores históricos, es decir, de las diferencias entre los valores
reales del pasado y los cálculos que se hubieran realizado con la fórmula de
predicción (estimación) correspondiente.
Si bien es cierto que el comportamiento de los errores en el pasado no tiene por
qué ser igual al de los relativos al periodo de predicción, resulta una garantía
inicial para un buen funcionamiento de una técnica de predicción que se
presenten errores relativamente reducidos en el pasado.

SERIES TEMPORALES 16
 MEDIDAS ELEMENTALES: ANÁLISIS DE ERRORES

El error en el periodo i se define como ei=yi – ŷi

Siendo Yi= valor real en el período i
Ŷi= valor estimado en el período i
n = número de datos
i = 1,2….n

Error medio (EM) Porcentaje de error Error cuadrático medio

medio absoluto (PEMA) (ECM)
1/ n ∑ ei [1/ n ( ∑ |ei | / yi )] *100 1/ n ∑ ei2

ELEGIREMOS AQUELLA TÉCNICA DE PREDICCIÓN QUE TENGA EL MENOR

ERROR COMETIDO A PASADO

SERIES TEMPORALES 17
 2.2 TÉCNICAS ELEMENTALES DE PREDICCIÓN

Las técnicas simples o elementales son aquellas en las que las

predicciones se generan mediante un mecanismo automático
establecido a priori y de cálculo recursivo. Entre estas técnicas
podemos encontrar:

• Modelos ingenuos (o naïve)

• Medias móviles
• Alisado exponencial simple

SERIES TEMPORALES 18
 1) MODELOS INGENUOS (O NAÏVE)

NAÏVE 1 => EL VALOR DE PREDICCIÓN EN n+1 = ÚLTIMO VALOR DE LA SERIE HISTÓRICA

Naïve I : Ŷ t+1 = Yt

NAÏVE 2 => EL VALOR DE PREDICCIÓN EN n+1 = AUMENTO DE ÚLTIMOS VALORES DE LA SERIE HISTÓRICA
Naïve II : Ŷ t+1 - Yt = Yt - Yt-1 ;
Ŷ t+1 = Yt + (Yt - Yt-1)

Una variante un poco más elaborada utiliza el valor

medio de un periodo como valor de predicción:
Ŷ t+1 = Ῡt

SERIES TEMPORALES 19
 2) MÉTODO DE MEDIAS MÓVILES

La técnica de predicción con medias móviles consiste en calcular las medias de un número
preestablecido de datos en que se va añadiendo sucesivamente un dato nuevo y quitando
al mismo tiempo el más antiguo de los incluidos en la media anterior.

Así, una media móvil de S términos se calculará mediante la expresión:

A efectos de predicción debemos limitarnos, en principio, a aceptar la última media móvil

calculada  Ŷt+1 = Mt lo que supone admitir la no existencia de tendencia ni
estacionalidad.

La serie resultante que corresponde a la media móvil “alisa” las variaciones de la serie
original, por ello se incluye a esta técnica dentro de las técnicas de alisado y el número
de términos de la media móvil se denominada banda de alisado.

SERIES TEMPORALES 20
 Ejemplo de medias móviles

EJEMPLO DE APLICACIÓN DE MEDIAS MÓVILES

periodo serie A MM3 MM6
ERRORES DE ESTIMACIÓN MM3 MM6
1 6,3 - -
 EM 0,351 0,373
2 5,4 - -
3 6,4 6,0 -  ECM 0,171 0,199
4 6,8 6,2 -
5 6,6 6,6 -  PEMA 5,34 % 5,62%
6 5,8 6,4 6,2
7 6,6 6,3 6,3
8 6,6 6,3 6,5
9 6,4 6,5 6,5
10 7,5 6,8 6,6
La predicción para el periodo 16 será:
11 6,1 6,7 6,5
12 6,8 6,8 6,7
ŷ 16 = MM3 (15) = 6,7
13 6,0 6,3 6,6
14 7,2 6,7 6,7
15 7,0 6,7 6,8

SERIES TEMPORALES 21
 Problemas de las técnicas simples como
método de predicción:

• No recogen ni tendencia ni estacionalidad de la

serie original
• No son fiables a más de un periodo de predicción
(n+1)

Por ello se suelen usar con series SIN TENDENCIA

Y SIN ESTACIONALIDAD y sólo para un período
de predicción.

SERIES TEMPORALES 22
 En los siguientes apartados veremos de manera
aplicada en Eviews:

• Cómo trabajar con una serie que tenga tendencia (T) y

estacionalidad (S)
• Realizaremos las estimaciones-predicciones a la serie
con TyS
• Realizaremos la descomposición de la serie en T, S:
Extraeremos los factores estacionales y conseguiremos
una serie que sólo tenga tendencia.
• Realizaremos las estimaciones-predicciones de la serie
con T (y sin S) y posteriormente aplicaremos los
factores estacionales a T para obtener las estimaciones-
predicciones de la serie completa

SERIES TEMPORALES 23
 Gracias a las técnicas de DESCOMPOSICIÓN de la serie temporal
podemos llegar de la serie más compleja (T,S) a la más simple

 TÉCNICAS DE PREDICCIÓN PARA SERIES CON

TENDENCIA Y CON ESTACIONALIDAD
• IDENTIFICAR LA ESTACIONALIDAD.
•ELIMINAR

 TÉCNICAS DE PREDICCIÓN PARA SERIES CON

TENDENCIA Y SIN ESTACIONALIDAD
• IDENTIFICAR LA TENDENCIA.
•ELIMINAR

 TÉCNICAS DE PREDICCIÓN PARA SERIES SIN

TENDENCIA Y SIN ESTACIONALIDAD
SERIES TEMPORALES 24
 PRÁCTICA 2º parcial: SERIES TEMPORALES

Consiste básicamente en:

1) Trabajará cada grupo con una SERIE TEMPORAL,

MENSUAL, CON TENDENCIA Y
ESTACIONALIDAD que se facilitará
2) APLICAR TÉCNICAS DE PREDICCIÓN ALISADOS
Y DESESTACIONALIZACIÓN
3) APLICAR TÉCNICA DE MODELIZACIÓN ARIMA
4) COMPARAR PREDICCIONES OBTENIDAS CON
MÉTODOS EVALUACIÓN (ERRORES)

SERIES TEMPORALES 25
 OBTENCIÓN DE SERIES TEMPORALES MENSUALES
CON TENDENCIA Y ESTACIONALIDAD

• SERIE Y 1
REPRESENTACIÓN 2
GRÁFICA. 3
4
• NÚMERO ÓPTIMO DE 5
DATOS = 6 AÑOS (72 6
observaciones) 7
8
• PERÍODO DE 9
ANÁLISIS: 2014.01 A 10
2020.02 (inicio Covid) 11
12
• Cada grupo tendrá una 13
serie para analizar. 14

SERIES TEMPORALES 26
 PRÁCTICA SERIES TEMPORALES – OBJETIVO

CASO PRÁCTICO: Desarrollar un caso practico indicando el

objetivo del estudio de la serie temporal. Explicar el caso
práctico por el que realizamos el estudio de la serie que
incluye descripción del entorno socio económico de la
variable, etc.

OBJETIVO FINAL: predicción de la serie y toma de decisiones

(basado en el caso práctico explicado en el punto anterior).

HORIZONTE TEMPORAL PREDICCIÓN… Marzo 2020 a

Diciembre 2020 ¿Qué hubiera sucedido con el estudio de
nuestra variable con el análisis de series temporales si no
hubiera existido el COVID?
SERIES TEMPORALES 27
 Año 2020

Ningún modelo habría podido

predecir el impacto que esta
crisis social, económica y
sanitaria tuvo a nivel mundial
y en España en particular

SERIES TEMPORALES 28