HOMOLOGÍA Y AFINIDAD HOMOLOGÍA Y AFINIDAD M.Carmen Lanzón Serra. ://plasticaydibujo.lanzon.es.
Econometría y Estadística para Economistas. - β ( ) ( )γ ( )γ · 2013. 9. 2. · Se comple que...
Transcript of Econometría y Estadística para Economistas. - β ( ) ( )γ ( )γ · 2013. 9. 2. · Se comple que...
Estimación con parámetros dependientes del tiempo
Francisco Parra Rodríguez
Doctor Economía
Coeficiente de regresión.
El coeficiente de regresión mínimo-cuadrático de la estimación: ttt ebxy += es
el siguiente:
∑∑ ⋅
=2
ˆt
ttMVCO x
yxb
La relación de Plancharel muestra que se verifica la siguiente correspondencia
de productos escalares:
( ) ( )γβ ,1
,N
xy =
donde )(yDFT=β y )(xDFT=γ .
Por su parte, la igualdad de Parserval que constituye el caso particular de
xy = .
( ) ( )γγ ,1
,N
xx =
En consecuencia:
( )( )γγ
γβ,
,ˆ =MVCOb
Utilizando la notación de los coeficientes de Fourier, la covarianza de x e y se
obtendría a partir de:
( )
++= ∑
−
= 2
2
2
1
1
**
2
11TT
q
pppppyx aabbaa
Tttσ
La varianza del proceso tx quedaría definida a partir de:
( )
++= ∑
−
=
2
2
1
1
222
2
11T
q
pppx aba
Ttσ
Entonces:
( )
( )∑
∑−
−
+
⋅+≅
1
1
2
2
22
*
22
1
1
**
2
2ˆ
k
=pTpp
TT
k
=ppppp
MCO
ab+a
aab+baa
b
Regresión Band Spectrum
Hannan (1963) fue quien propuso la regresión en dominio de la frecuencia
(regresión band spectrum). Engle (1974), demostró que dicha regresión no
alteraba los supuestos básicos de la regresión clásica, cuyos estimadores eran
Estimadores Lineales Insesgados y Optimos (ELIO).
En Engrel (1974) el periodograma de la explicativas x es definido como
( ) 2ˆ xwf kkx =θ
siendo kw el vector fila:
( )kkk iTiik eeew θθθ )1(2 ,...,,,1 −=
donde Tk
kπθ 2= ; y t=0;1;…;T-1;
Txwk sería el elemento k-ésimo de la
transformada finita de Fourier del vector columna de tx
y el cross-periodograma entre las series tx e ty
( ) ( ) ( )ywxwf kkkxy∗=θˆ
Donde * es la compleja conjugada de la transpuesta.
El periodograma es un estimador insesgado del espectro, sin embargo es
asintóticamente insesgado e inconsistente con la varianza de cada estimador
espectral a medida que la muestra tiende a infinito. Esta inconsistencia que
obligaría al uso de ventanas en el periodograma con el fin de obtener
estimaciones del espectro, no anula las propiedades de la regresión realizada
con el periodograma.
Haciendo
=
−1
2
1
0
.
tw
w
w
w
W
Se comple que WWIWW '' == debido a las ortogonalidad de los productos de
senos y cosenos.
Y obtendiendo el vector x~ como la transformada de Fourier de
x en T periodos, podemos transformar el modelo de regresión múltiple:
uxy += β (1)
En
uxy ~~~ += β
Se trata de una regresión con variables aleatorias complejas pero que no
afecta a los supuestos básicos del modelo de regresión clásico. Las
propiedades del error u~ :
'
')'(
)''(
)'~~()~var(
2 WW
WuuWE
WWuuE
uuEu
u Ω===
=
σ
Si I=Ω , entonces Iu u2)~var( σ= .
Asumiendo que x es independiente de u , el teorema de Gauss-Markov
implicaría que
( ) yxxx ~'~~'~ˆ 1−=β
es un estimador ELIO con la siguiente matriz de varianza y covarianzas:
12 )~'~()ˆvar( −= xxuσβ
El estimador mínimo-cuadrático β en términos del periodograma se formularía:
( ) ( )∑∑−
=
−−
=
=1
0
11
0
ˆˆˆT
kkxy
T
kkxx ff θθβ
donde ( )kxxf θˆ es la matriz de cross-periodogramas de cada frecuencia e
( )kxyf θˆ es el vector del cross-periodograma de tx e ty .
A efectos de transformar los datos originales del dominio del tiempo al dominio
de la frecuencia utilizando series finitas de senos y cosenos en la regresión
band spectrium, Harvey (1978) sugiere utilizar una matriz ortogonal A, con el
elemento (j,t)th :
( )
( )( )
=∀−
−=∀
−−
−−=∀
−
=∀
=
+ TjT
TTjT
tj
T
TTjT
tj
T
jT
a
t
tj
12
1
2
1
2
1
2
1
,
)1(1
/)1(,...,7,5,311
sin2
)1/()2(,...,6,4,21
cos2
11
π
π
De esta forma los problemas derivados del uso de la transformada compleja de
Fourier pueden ser eludidos. Asimismo afirma que el vector de residuos
definido en (1) da lugar a un vector de residuos del modelo transformado a
través de A
( ) uAXyAv ˆˆ =−= β
De manera que :
=
==
−=+=
−=+=
= +
+
21
22
212
22
212
22
ˆ22
,ˆ2
2
1,...,1,ˆˆ
12
,...,1,ˆˆ
vp
imparTyT
jvp
imparTsiT
jvvp
parTsiT
jvvp
p
o
jj
jjj
jjj
j
Puede ser utilizado de forma consistente como estimador del periodograma
de u .Al ser β un estimador MCO de β , puede utilizarse el test del
periodograma acumulado de Durbin (Durbin, 1969) (ver anexo nº1).
Regresión con coeficientes Beta dependientes del ti empo.
El objetivo es estimar un modelo de tipo
ttt XY β=
Donde tX es un vector de T x 1 observaciones de la variable independiente,
tβ , is un vector de T x 1 parámetros , e tY es un vector de T x 1 observaciones
de la variable independiente, asumiendo que las series tX , tβ e tY son transformadas en series de Fourier:
( )[ ] [ ]
⋅+⋅+×
⋅+⋅+= ∑∑
==
R
jj
Xjj
Xj
xR
jjjjjot twbtwaatwbtwaaY
00
0
)sin()cos()sin(cos βββ (2)
Utilizando la matriz A:
( )
( )( )
=∀−
−=∀
−−
−−=∀
−=∀
=
+ Tj
TTjT
tj
TTjT
tj
j
a
t
tj
1
,
)1(
/)1(,...,7,5,311
sin
)1/()2(,...,6,4,21
cos
11
π
π
Pre-multiplicado cada observación de (2) por 1)'( −A se obtiene:
β&&& XY = (3)
Donde tYAY 1)'( −=& , tXAX 1)'( −=& , y tA ββ 1)'( −=& , y asumiendo que β& incluye
ciclos que dan lugar a oscilaciones regulares e irregulares o aleatorias:
tR
tt e+= ββ
Donde te es un vector de T x 1 observaciones de media e y varianza TI2σ .
Pre-multiplicado cada observación de (4) por 1)'( −A se obtiene:
eR&&& += ββ
Donde tRR A ββ 1)'( −=& y teAe 1)'( −=& , el vector transformado e&mantiene las
mismas propiedades estadísticas que te .
Operando en (3):
eXXY R&&&&& += β (5)
La expresión eX && es una transformación lineal de e& construida a partir de los
coeficientes de Fourier de tX (ver anexo). De igual manera RXβ&& es una
transformación lineal de de Rβ& construida a partir de los coeficientes de Fourier
de tX . En forma matricial la expresamos
eY XXRXX&&&
&&&& θβθ +=
Utilizando 'A para pasar al dominio del tiempo:
eAAYA XXRXX&&&
&&&&
''' θβθ +=
tttt eXY ˆˆ += β
Siendo, Rt A ββ &'ˆ = y eAe XX
t &&&
'ˆ θ=
La distribución de te es:
eXa eo && '=
( ) ( )2
0
''
2
1ˆvar eXXXX
t aeee −= &&&&&& θθ
Para operar la transformación hay que tener presente que :
t
t
t
tt X
eX
Y ˆˆ −=β
que en el dominio de la frecuencia se expresaría:
( ) ( ) eY XXXXR&&& &&&& 11 −−
+= θθβ
El periodograma ( ) YXX &&& 1−
θ tendrá un componente aleatorio y otro no aleatorio,
que puede diferenciarse utilizando el test del periodograma acumulado de
Durbin.
En primer lugar habría que calcular:
∑
∑
=
==m
rr
j
rr
j
p
ps
1
1
Donde nm2
1= para n pares y ( )12
1 −= nm para n impares, siendo 01 == vpo .
Entonces:
+−<<+
aleatorionop
aletoriopmjcsm
jcs
j
jojoj
,
Se recuperan los valores de las frecuencias no aleatorias asignando 212vpo = a
al primer término, y se obtendrían las frecuencias esperadas del componente
aleatorio a partir de:
( ) Ye RXX &&&&& −= βθ
Aplicación a la regresión entre el consumo de energ ía eléctrica y el PIB en
España, periodo 2000-2012.
En la tabla nº 1 figuran las cifras de Consumo de energía final eléctrica (TEP) y
del PIB en Millones de euros de España en el periodo 1992 y 2007.
Tabla nº1 Consumo de Energía Final Eléctrica (TEP) y PIB (Mill de euros
constantes) de España correspondientes al periodo 1992-2008
España
Consumo de Energia Final Electrica (TEP) PIB (Mill euros año 2000)
1993 11237 479583,3
1994 11777 491011,6
1995 12116 515405
1996 12655 527862,4
1997 13672 548283,8
1998 14202 572782
1999 15241 599965,8
2000 16205 630263
2001 17279 653255
2002 17759 670920,4
2003 18916 691694,7
2004 19834 714291,2
2005 20827 740108
2006 22052 769850,2
2007 22548 797366,8
2008 22817 804223,1
Tabla nº2. Regresión mínimo cuadrada de las diferencias en logaritmos del
Consumo de energía (Y) y el PIB (X)
Resumen
Estadísticas de la regresión Coeficiente de correlación múltiple 0,65228764 Coeficiente de determinación R^2 0,42547917
R^2 ajustado 0,38444196
Error típico 0,01678338
Observaciones 16
ANÁLISIS DE VARIANZA
Grados de
libertad Suma de
cuadrados Promedio de los
cuadrados F Valor crítico
de F
Regresión 1 4061520070 4061520070 0,01162349 0,00617066
Residuos 15 708135763 47209050,89
Total 16 4769655833
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%
Intercepción -6648,76729 0,00457706 0,349931458 0,73159859 -0,00821516 0,01141847
X 0,03679065 0,30724937 3,219958511 0,00617066 0,33034586 1,64831456
La transformación de los datos del dominio del tiempo al dominio de la
frecuencia se realiza premultiplicando los datos originales por la siguiente
matriz:
Tabla nº3. Matriz A
aj,t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
2 1,000 0,924 0,707 0,383 0,000 -0,383 -0,707 -0,924 -1,000 -0,924 -0,707 -0,383 0,000 0,383 0,707 0,924
3 0,000 0,383 0,707 0,924 1,000 0,924 0,707 0,383 0,000 -0,383 -0,707 -0,924 -1,000 -0,924 -0,707 -0,383
4 1,000 0,707 0,000 -0,707 -1,000 -0,707 0,000 0,707 1,000 0,707 0,000 -0,707 -1,000 -0,707 0,000 0,707
5 0,000 0,707 1,000 0,707 0,000 -0,707 -1,000 -0,707 0,000 0,707 1,000 0,707 0,000 -0,707 -1,000 -0,707
6 1,000 0,383 -0,707 -0,924 0,000 0,924 0,707 -0,383 -1,000 -0,383 0,707 0,924 0,000 -0,924 -0,707 0,383
7 0,000 0,924 0,707 -0,383 -1,000 -0,383 0,707 0,924 0,000 -0,924 -0,707 0,383 1,000 0,383 -0,707 -0,924
8 1,000 0,000 -1,000 0,000 1,000 0,000 -1,000 0,000 1,000 0,000 -1,000 0,000 1,000 0,000 -1,000 0,000
9 0,000 1,000 0,000 -1,000 0,000 1,000 0,000 -1,000 0,000 1,000 0,000 -1,000 0,000 1,000 0,000 -1,000
10 1,000 -0,383 -0,707 0,924 0,000 -0,924 0,707 0,383 -1,000 0,383 0,707 -0,924 0,000 0,924 -0,707 -0,383
11 0,000 0,924 -0,707 -0,383 1,000 -0,383 -0,707 0,924 0,000 -0,924 0,707 0,383 -1,000 0,383 0,707 -0,924
12 1,000 -0,707 0,000 0,707 -1,000 0,707 0,000 -0,707 1,000 -0,707 0,000 0,707 -1,000 0,707 0,000 -0,707
13 0,000 0,707 -1,000 0,707 0,000 -0,707 1,000 -0,707 0,000 0,707 -1,000 0,707 0,000 -0,707 1,000 -0,707
14 1,000 -0,924 0,707 -0,383 0,000 0,383 -0,707 0,924 -1,000 0,924 -0,707 0,383 0,000 -0,383 0,707 -0,924
15 0,000 0,383 -0,707 0,924 -1,000 0,924 -0,707 0,383 0,000 -0,383 0,707 -0,924 1,000 -0,924 0,707 -0,383
16 1,000 -1,000 1,000 -1,000 1,000 -1,000 1,000 -1,000 1,000 -1,000 1,000 -1,000 1,000 -1,000 1,000 -1,000
Las variables transformadas aparecen en la Tabla nº4:
Tabla nº4 Consumo de Energía Final Eléctrica y PIB de España
correspondientes al periodo 1992-2008. Transformados en el dominio de la
frecuencia .
i Y X
Y ajustado dominio frecuencia
Y ajustado dominio tiempo Y Estimado MCO
1 16821,0625 637929,144 16997,263 10694,25575 10995,4155
2 -605,584022 -20021,0146 -794,035308 12007,00373 11415,8701
3 -4479,332 -118223,528 -3449,47993 13684,14948 12313,3192
4 -764,226844 -18416,0277 -750,635668 13895,53275 12771,6351
5 -2015,85899 -56750,8565 -1787,22844 14573,20853 13522,9518
6 -847,416968 -25088,2045 -931,054635 15319,48904 14424,2565
7 -1088,01811 -31573,6642 -1106,42468 15970,71542 15424,3663
8 -725,75 -22900,275 -871,891936 16992,36724 16539,0201
9 -715,125 -21509,4375 -834,283001 17411,6818 17384,9108
10 -752,708817 -22061,7063 -849,216624 18192,27675 18034,8324
11 -382,979271 -13469,9072 -616,890117 18451,11034 18799,1324
12 -731,523156 -20472,3473 -806,239567 19483,60816 19630,4724
13 -326,608995 -9192,63147 -501,230462 19760,22996 20580,2893
14 -815,290194 -19664,9246 -784,406457 21195,25909 21674,5243
15 -196,79316 -4207,67079 -366,434654 21308,53629 22686,878
16 -341,5625 -9721,34375 -515,527104 23016,78447 22939,1257
Los resultados de la regresión en frecuencia aparecen en la tabla nº5 y en la
figura nº1, se han representado los datos centrados de las diferencias
logarítmicas del consumo de energía eléctrica centradas, y los resultados de la
regresión en el domino de frecuencias transformados al dominio del tiempo.
Tabla nº5. Regresión mínimo cuadrada en el dominio de frecuencias.
Estadísticas de la regresión Coeficiente de correlación múltiple 0,99778811 Coeficiente de determinación R^2 0,99558111
R^2 ajustado 0,99526547
Error típico 314,256671
Observaciones 16
ANÁLISIS DE VARIANZA
Grados de
libertad Suma de
cuadrados Promedio de los
cuadrados F Valor crítico
de F
Regresión 2 311501433 311501432,7 3154,21314 6,905E-18
Residuos 13 1382601,57 98757,25532
Total 15 312884034
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%
Intercepción -252,657151 78,8544875 -3,204093501 0,00636848 -421,783206 -83,5310964
X 0,0270405 0,00048147 56,16238192 6,905E-18 0,02600785 0,02807315
La matriz XX &&θ figura en la tabla nº6:
Tabla nº6. Matriz XX &&θ
Xjjθ
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 637929 -10011 -59112 -9208 -28375 -12544 -15787 -11450 -10755 -11031 -6735 -10236 -4596 -9832 -2104 -9721
2 -20021 628721 -28375 -22555 -74899 -20658 -39130 -23575 -22522 -21686 -15351 -20863 -8839 -19958 -4596 -19665
3 -
118224 -28375 647137 43325 2534 17621 2242 9052 -1513 6158 -1214 4631 -1198 4596 -515 4208
4 -18416 -22555 43325 626479 -10755 -21041 -65847 -19444 -32972 -22377 -17891 -21171 -10755 -20863 -4631 -20472
5 -56751 -74899 2534 -10755 649379 52377 1020 23779 1028 13683 -2712 10755 -1729 8839 -1198 9193
6 -25088 -20658 17621 -21041 52377 627693 -4596 -19843 -61216 -18929 -28375 -22377 -13683 -21686 -6158 -22062
7 -31574 -39130 2242 -65847 1020 -4596 648165 57008 -178 28375 513 17891 -2712 15351 -1214 13470
8 -22900 -23575 9052 -19444 23779 -19843 57008 628208 0 -19843 -57008 -19444 -23779 -23575 -9052 -22900
9 -21509 -22522 -1513 -32972 1028 -61216 -178 0 647650 61216 -178 32972 1028 22522 -1513 21509
10 -22062 -21686 6158 -22377 13683 -18929 28375 -19843 61216 627693 4596 -21041 -52377 -20658 -17621 -25088
11 -13470 -15351 -1214 -17891 -2712 -28375 513 -57008 -178 4596 648165 65847 1020 39130 2242 31574
12 -20472 -20863 4631 -21171 10755 -22377 17891 -19444 32972 -21041 65847 626479 10755 -22555 -43325 -18416
13 -9193 -8839 -1198 -10755 -1729 -13683 -2712 -23779 1028 -52377 1020 10755 649379 74899 2534 56751
14 -19665 -19958 4596 -20863 8839 -21686 15351 -23575 22522 -20658 39130 -22555 74899 628721 28375 -20021
15 -4208 -4596 -515 -4631 -1198 -6158 -1214 -9052 -1513 -17621 2242 -43325 2534 28375 647137 118224
16 -9721 -9832 2104 -10236 4596 -11031 6735 -11450 10755 -12544 15787 -9208 28375 -10011 59112 637929
En la tabla nº7 se recogen los valores de ( ) YXX &&& 1−
θ y la división realizada entre
frecuencias aleatorias y no aleatorias :
Tabla nº7
j/t ( ) YXX &&& 1−
θ Rβ& ( )eXX
&&&θ
1 0,026075787 0,026075787 29,08993026
2 -0,000439772 -0,000439772 60,72969409
3 -0,002122799 -0,002122799 -13,44340972
4 -0,000456221 -0,000456221 74,98721354
5 -0,000824029 -0,000824029 -33,39512833
6 -0,000290338 0 -131,3414332
7 -0,00042142 0 -306,3585378
8 -0,000197298 0 -109,0357438
9 -0,000241289 0 -181,5614012
10 -0,000294102 0 -172,8298929
11 -3,55657E-05 0 -51,46534444
12 -0,000342555 0 -197,8314102
13 -0,000117494 0 -99,66598181
14 -0,000485719 0 -303,7663548
15 -0,000134697 0 -93,28936043
16 -0,000139025 0 -88,81128234
El periodograma Rt A ββ &'ˆ = y eAe XX
t &&&
'ˆ θ= y su representación gráfica figura a
continuación:
Tabla nº8 Periodograma Rβ&
Frecuencia Periodo ap bp Periodograma sj c0+j/m -c0+j/m
1 16 -0,000439772 -0,002122799 5,9838E-06 0,8412052 0,5583700 -0,3083700 2 8 -0,000456221 -0,000824029 1,1296E-06 1,0000000 0,6833700 -0,1833700 3 5 0 0 0 1,0000000 0,8083700 -0,0583700 4 4 0 0 0 1,0000000 0,9333700 0,0666300 5 3 0 0 0 1,0000000 1,0583700 0,1916300 6 3 0 0 0 1,0000000 1,1833700 0,3166300 7 2 0 0 0 1,0000000 1,3083700 0,4416300 8 2 0 0 0
Figura nº1 . Periodograma de tβ
0
0,000001
0,000002
0,000003
0,000004
0,000005
0,000006
0,000007
1 2 3 4 5 6 7 8
Figura nº2 . Test Durbin del periodograma de tβ
-0,4000000
-0,2000000
0,0000000
0,2000000
0,4000000
0,6000000
0,8000000
1,0000000
1,2000000
1,4000000
1 2 3 4 5 6 7
sj
c0+j/m
-c0+j/m
Tabla nº9.- Periodograma de te
Frecuencia Periodo ap bp Periodograma sj c0+j/m -c0+j/m
1 16 60,72969409 -13,44340972 4925,9359 0,0108364 0,6833700 -0,1833700 2 8 74,98721354 -33,39512833 8579,4914 0,0297102 0,8083700 -0,0583700 3 5 -131,3414332 -306,3585378 141464,713 0,3409141 0,9333700 0,0666300 4 4 -109,0357438 -181,5614012 57109,0409 0,4665465 1,0583700 0,1916300 5 3 -172,8298929 -51,46534444 41404,2903 0,5576305 1,1833700 0,3166300 6 3 -197,8314102 -99,66598181 62478,5963 0,69507525 1,30837 0,44163 7 2 -303,7663548 -93,28936043 128567,786 0,9779076 1,4333700 0,5666300 8 2 -88,81128234 0 10042,6054
Figura nº3 . Periodograma de te
0
20000
40000
60000
80000
100000
120000
140000
160000
1 2 3 4 5 6 7 8
Figura nº4 . Test de Durbin del periodograma de te
-0,4000000
-0,2000000
0,0000000
0,2000000
0,4000000
0,6000000
0,8000000
1,0000000
1,2000000
1,4000000
1,6000000
1 2 3 4 5 6 7
sj
c0+j/m
-c0+j/m
En la tabla nº10 aparece tβ , y en la figura nº5 aparecen los resultados de las
diferentes estimaciones.
Tabla nº10. Estimación modelo tttt eXY ˆˆ += β
B(t) X(t) B(t)X(t) e(t)
1993 0,025179795 479583,3 12075,80928 -
838,8092793 1994 0,023951858 491011,6 11760,64034 16,35965848 1995 0,023439748 515405 12080,96311 35,03688928 1996 0,023686204 527862,4 12503,05639 151,9436117 1997 0,024409209 548283,8 13383,17376 288,8262449
1998 0,025188143 572782 14427,31488 -
225,3148849
1999 0,025709736 599965,8 15424,96229 -
183,9622906
2000 0,025929803 630263 16342,59548 -
137,5954834 2001 0,026059339 653255 17023,39331 255,6066943 2002 0,026389171 670920,4 17705,03306 53,96693545 2003 0,02706377 691694,7 18719,8664 196,1336011
2004 0,027945212 714291,2 19961,01901 -
127,0190084
2005 0,028654807 740108 21207,65204 -
380,6520434
2006 0,028773978 769850,2 22151,65246 -
99,65246348 2007 0,028089896 797366,8 22397,95063 150,049367 2008 0,026741931 804223,1 21506,47866 1310,521335
Figura nº5. Estimaciones del Consumo de consumo de energía final eléctrica.
10000
12000
14000
16000
18000
20000
22000
24000
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Y Estimado RBS Y Y Estimado MCO B(t)X(t)
Anexo nº1. Test de Durbin
Una prueba para estudiar la dependencia serial (Durbin; 1969) en series de
observaciones estacionarias Tyy ,...,1 se realiza sobre la grafica del
periodograma acumulado:
∑∑=
=
=j
rm
rr
rj
p
ps1
1
donde mr ,...,1= es el periodograma ordinario:
( )2
1
22∑
=
=T
t
Tirttr ey
Tp π
El periodograma jp calculado para series Tyy ,...,1 de variables independientes
),( 2σµN ; se calcula:
∑=
=T
tij T
jty
Ta
1
2cos
2 π; ∑
=
=T
tij T
jty
Tb
1
2sin
2 π; ,
2
1,...,1,22
=+= Tjbap jjj
donde TT2
1
2
1 =
para T y 2
1
2
1 −T para el extremo de T; por simplicidad
asumimos que el extremo de T es 12 += mT .
Y su representación gráfica de jp contra j presenta una alta apariencia de
irregularidad en su inspección visual. Por ello; una mejor manera de presentar
la información de los sp j ' es hacerlo a través del gráfico del periodograma
acumulado; js .
Se presupone que cuando Tyy ,...,1 esta independientemente y normalmente
distribuida; 11,..., −mss se distribuye igual que el orden estadístico de 1−m
muestras independientes de la distribución uniforme (0;1). Bartlett’s
(1954;1966; p 361) sugiere para probar la independencia serial; probar la
máxima discrepancia entre js y su expectativa; ie. mj / . Para una probar un
exceso de bajas frecuencias relativas frente a altas frecuencias; que
equivaldría a la expectativa de presencia de correlación serial positiva este
enfoque conduce al estadístico:
−=+
m
jsc j
jmax
Por el contrario un test contra excesos de variaciones de alta frecuencia el
estadístico apropiado es:
−=−j
js
m
jc max
El estadístico que corresponde a las dos partes de la prueba sería:
( )−+=−= ccm
jsc j
j,maxmax
Este estadístico esta estrechamente relacionado con el de Kolmogoroiv-
Smirnov nnn DDD ,, −+ y su forma modificada nnn CCC ,, −+ considerado por Pyke
(1959) y Brunk (1962). Por ejemplo; )1()1(max −−−=− mjsD jj
n y +− = cCn .
Los valores críticos para estos estadísticos están dado en la Tabla nº1; y el
procedimiento para utilizar estos valores es como sigue. Si deseamos probar el
test de un exceso de bajas frecuencias frente a las altas frecuencias; entonces
el valor obtenido en la tabla 0c es el valor crítico apropiado al valor de +c ;se
dibujaría en el gráfico la línea; mjcy o += y la trayectoria que muestra js ;
obteniendo los valores que sobrepasan la línea ( )jsmj , . Si js cruza la línea;
se rechaza la hipótesis de independencia serial. De igual manera; un test
sobre al exceso de altas frecuencias frente a las bajas frecuencias se rechaza
si el trayectoria de js cruza la línea mjcy o +−= .
Anexo nº 2: Multiplicación de series por coeficient es de Fourier
La multiplicación de dos armónicos de diferente frecuencia,
[ ] [ ]t)(ωb+t)(ωat)(ωb+t)(ωa mk
mk
nq
nq ⋅⋅×⋅⋅ sincossincos
da lugar a la siguiente suma:
)sin()sin()cos()sin(
)sin()cos()cos()cos(
ttbbttab
ttbattaa
mnkq
mnkq
mnkq
mnkq
⋅⋅⋅+⋅⋅⋅+
+⋅⋅⋅+⋅⋅⋅
ωωωωωωωω
que utilizando la identidad del producto1:
( ) ( )[ ]
( ) ( )[ ]
( ) ( )[ ]
( ) ( )[ ]ttttbb
ttttab
ttttba
ttttaa
mnmn
kj
mnmn
kj
mnmn
kj
mnmn
kj
⋅+⋅−⋅−⋅+
+⋅−⋅+⋅+⋅+
+⋅−⋅−⋅+⋅+
+⋅−⋅+⋅+⋅
ωωωω
ωωωω
ωωωω
ωωωω
coscos2
sinsin2
sinsin2
coscos2
da como resultado:
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )t)(ωt)(ωbaab
t)(ωt)(ωbbaa
t)(ωt)(ωbaab
t)(ωt)(ωbbaa
mn
kjkj
mn
kjkj
mn
kjkj
mn
kjkj
⋅+⋅⋅++⋅+⋅⋅−+
+⋅−⋅⋅−+⋅−⋅⋅+
sin2
cos2
sin2
cos2
1
2
)cos()cos(coscos
βαβαβα −++=⋅
2
)cos()cos(sinsin
βαβαβα +−−=⋅
2
)sin()sin(cossin
βαβαβα −++=⋅
2
)sin()sin(sincos
βαβαβα −−+=⋅
El resultado de multiplicar dos funciones periódicas con dos o más armónicos,
da lugar a una nueva serie cuyos coeficientes de Fourier son transformaciones
lineales de los coeficientes de Fourier de las series multiplos.
Por ejemplo, el producto de dos series obtenidas a partir de dos armónicos:
t)(ωb+t)(ωat)(ωb+t)(ωatf ⋅⋅+⋅⋅= 1111
110
100
10 sincossincos)(
t)(ωb+t)(ωat)(ωb+t)(ωatg ⋅⋅+⋅⋅= 1211
210
200
20 sincossincos)(
Se obtendría la siguiente secuencia de funciones de seno y coseno y
coeficientes de Fourier:
Coeficientes de Fourier
Funciones coseno
Coeficientes de Fourier
Funciones seno
( )2
20
10
20
10 bbaa +
1)cos( =⋅−⋅ tt oo ωω ( )
2
20
10
20
10 baab −
0)sin( =⋅−⋅ tt oo ωω
( )2
20
10
20
10 bbaa −
)2cos(
)cos(
t
tt
o
oo
⋅==⋅+⋅
ωωω ( )
2
20
10
20
10 baab +
)2sin(
)sin(
t
tt
o
oo
⋅==⋅+⋅
ωωω
( )2
20
11
20
11 bbaa +
)cos( 1 tt o ⋅−⋅ ωω ( )
2
20
11
20
11 baab −
)sin( 1 tt o ⋅−⋅ ωω
( )2
20
11
20
11 aaaa −
)cos( 1 tt o ⋅+⋅ ωω ( )
2
20
11
20
11 baab +
)sin( 1 tt o ⋅+⋅ ωω
( )2
21
10
21
10 bbaa +
)cos(
)cos(
01
10
tt
tt
⋅−⋅==⋅−⋅
ωωωω ( )
2
21
10
21
10 baab −
)sin(
)sin(
01
10
tt
tt
⋅−⋅−==⋅−⋅
ωωωω
( )2
21
10
21
10 bbaa −
)cos( 10 tt ⋅+⋅ ωω ( )
2
21
10
21
10 baab +
)sin( 10 tt ⋅+⋅ ωω
( )2
21
11
21
11 bbaa +
1)cos( 11 =⋅−⋅ tt ωω ( )
2
21
11
21
11 baab −
0)sin( 11 =⋅−⋅ tt ωω
( )2
21
11
21
11 bbaa −
)2cos(
)cos(
1
11
t
tt
⋅==⋅+⋅
ωωω ( )
2
21
11
21
11 baab +
)2sin(
)sin(
1
11
t
tt
⋅==⋅+⋅
ωωω
Que daría lugar a la siguiente serie de Fourier:
t)t(ωb+t)t(ωat)ω(b+t)ω(a
t)t(ωb+t)t(ωat)ω(b+t)ω(atgtf
⋅−⋅⋅−⋅+⋅⋅+
+⋅+⋅⋅+⋅+⋅⋅+=×
0120131212
1011010000
sincos2sin2cos
sincos2sin2cos)()(
ωωωωα
Donde:
( ) ( )2
21
11
21
11
20
10
20
10 bbaabbaa +++
=α
( )2
20
10
20
10
0
bbaaa
−=
( )2
20
10
20
10 baab
bo
+=
( ) ( )2
20
11
20
11
21
10
21
10
1
bbaabbaaa
−+−=
( ) ( )2
20
11
20
11
21
10
21
10
1
baabbaabb
+++=
( )2
21
11
21
11
2
bbaaa
−=
( )2
21
11
21
11
2
baabb
+=
( ) ( )2
21
10
21
10
20
11
20
11
3
bbaabbaaa
+++=
( ) ( )2
21
10
21
10
20
11
20
11
3
baabbaabb
−−−=
La multiplicación de dos series de longitud T obtenidas como sumas de
k armónicos, cuyas frecuencias angulares son obtenidas a partir de
T
ii
⋅= πω 2
es decir
( ) ( )∑ ⋅⋅⋅⋅k
=iii T
tb+Tta=tg
0
11 2πisin2πicos)(
e
( ) ( )∑ ⋅⋅⋅⋅k
=iii T
tb+Tta=tf
0
22 2πisin2πicos)(
da como resultado una nueva serie armónica de T/2 periodos
( ) ( )∑ ⋅⋅⋅⋅+⋅=k
=iii T
tib+Ttia=tgtfth
0
2πsin2πcos)()()( η
En donde2
∑−
+=1
0
2121
22
k
=ik
iiii ab+baaη
Partiendo de dos series armónicas de T=8:
t)(ωb+t)(ωat)(ωb+t)(ωa
t)(ωb+t)(ωat)(ωb+t)(ωatf
⋅⋅+⋅⋅+
+⋅⋅+⋅⋅=
3133
132
122
12
1111
110
100
10
sincossincos
sincossincos)(
2 Notese queη es la covarianza poblacional entre )(tf y )(tg .
t)(ωb+t)(ωat)(ωb+t)(ωa
t)(ωb+t)(ωat)(ωb+t)(ωatg
⋅⋅+⋅⋅
+⋅⋅+⋅⋅=
3233
232
222
22
1211
210
200
20
sincossincos
sincossincos)(
Donde
141,38
24
356,28
23
571,18
22
785,08
21
3
2
1
=⋅=
=⋅=
=⋅=
=⋅=
πω
πω
πω
πωo
La multiplicación sucesiva de los cuatro armónicos de )(tf por el primer
armónico de )(tg daría lugar a las siguientes frecuencias angulares:
230
12
010
0
8
23
8
24
8
218
22
8
23
8
218
21
8
22
8
21
08
21
8
21
ωπππωω
ωπππωω
ωπππωω
ππωω
−=⋅−=⋅−⋅=−
−=⋅−=⋅−⋅=−
−=⋅−=⋅−⋅=−
=⋅−⋅=−
o
o
πππωω
ωππππωω
ωπππωω
ωπππωω
+=⋅+⋅=+
==⋅=⋅+⋅=+
=⋅=⋅+⋅=+
=⋅=⋅+⋅=+
785,08
24
8
218
24
8
23
8
218
23
8
22
8
218
22
8
21
8
21
30
320
210
100
de forma que3
3
)cos()cos( 00 ωπω −−=+
)sin()sin( 00 ωπω −=+
La multiplicación sucesiva de los cuatro armónicos de )(tf por el segundo
armónico de )(tg daría lugar a las siguientes frecuencias angulares:
131
021
11
001
8
22
8
24
8
228
21
8
23
8
22
08
22
8
228
21
8
21
8
22
ωπππωω
ωπππωω
ππωω
ωπππωω
−=⋅−=⋅−⋅=−
−==⋅−=⋅−⋅=−
=⋅−⋅=−
=⋅=⋅−⋅=−
πωππωω
πωππππωω
ωππππωω
ωπππωω
+=⋅+⋅=+
+=⋅+⋅=⋅+⋅=+
==⋅=⋅+⋅=+
=⋅=⋅+⋅=+
131
021
311
201
8
24
8
228
24
8
21
8
23
8
228
24
8
22
8
228
23
8
21
8
22
de forma que
)cos()cos( 11 ωπω −−=+
)sin()sin( 11 ωπω −=+
La multiplicación sucesiva de los cuatro armónicos de )(tf por el tercer
armónico de )(tg daría lugar a las siguientes frecuencias angulares:
)sin()sin(
)cos()cos(
ππ
+=−+−=−
xx
xx
132
22
012
102
8
21
8
24
8
23
08
23
8
238
21
8
22
8
238
22
8
21
8
23
ωπππωω
ππωω
ωπππωω
ωπππωω
−=⋅−=⋅−⋅=−
=⋅−⋅=−
=⋅=⋅−⋅=−
=⋅=⋅−⋅=−
πωππωω
πωππππωω
πωππππωω
ωππππωω
+=⋅+⋅=+
+=⋅+⋅=⋅+⋅=+
+=⋅+⋅=⋅+⋅=+
==⋅=⋅+⋅=+
232
122
012
302
8
24
8
238
24
8
22
8
23
8
238
24
8
21
8
22
8
238
24
8
21
8
23
de forma que
)cos()cos( 22 ωπω −−=+
)sin()sin( 22 ωπω −=+
La multiplicación sucesiva de los cuatro armónicos de )(tf por el cuarto
armónico de )(tg daría lugar a las siguientes frecuencias angulares:
08
24
8
248
21
8
23
8
248
22
8
22
8
248
23
8
21
8
24
33
023
113
203
=⋅−⋅=−
=⋅=⋅−⋅=−
=⋅=⋅−⋅=−
=⋅=⋅−⋅=−
ππωω
ωπππωω
ωπππωω
ωπππωω
πππωω
ωπππωω
ωπππωω
ωπππωω
28
24
8
248
23
8
248
22
8
248
21
8
24
33
223
113
003
=⋅+⋅=+
+=⋅+⋅=+
+=⋅+⋅=+
+=⋅+⋅=+
Teniendo presente que:
1)2cos(
0)2sin(
1)cos(
0)sin(
1)0cos(
0)0sin(
==−=
===
ππ
ππ
se obtienen los coeficientes de fourier de la serie resultante de la multiplicación
de )()( tgtf ⋅ a partir del siguiente sistema matricial:
−−−−−−−−−
−−−+−+−−−−−−−+
−++−+−−−−+−−
+++
=+
0
22
22
220
202
22
22
2
2221
21
22
22
221
21
22
222
223
21
21
221
21
22
222
221
23
21
21
22
222
223
22
222
2
21
22
222
223
22
222
2
22
32
21
21
22
222
221
21
22
21
23
21
22
222
221
21
23
22
22
21
21
22
,1
oo
ooo
ooo
oooo
oooo
oo
oo
oo
ggii
bababa
babaabbaab
ababbaabaa
baabbaabba
abbaaabbaa
baabaabbab
abaabbaaba
abababa
&&θ
=
13
12
12
11
11
10
10
a
b
a
b
a
b
a
f&
f
a
b
a
b
a
b
a
h ggii
o
o
&& && ×=
= + ,1
3
2
2
1
1
2
1θ
η
Prescindiendo de la primera fila de ggii
&&
,1+θ se obtiene una matriz ii × ( ggii&&θ ) que da
lugar a la parte armónica de )(th , en consecuencia, cabría obtenerse
f& operando con los coeficientes de Fourier:
( ) hi
ggiif θθ 1
2−= &&&
En caso de que ( ) ( )∑ ⋅⋅⋅⋅+=k
=iiit T
tb+Tta=tgX
0
111 2πisin2πicos)( η , y T=8,
definimos:
−−−−−−−−−
−−−+−+−−−−−−−+
−++−+−−−−+−−
+++
+=
0
22
22
220
202
2
22
2
2
2
2
2
2
2
2
0
2
1
20
20
21
21
22
22
20
21
21
22
20
22
20
23
21
21
20
21
21
22
20
22
20
21
23
21
21
22
20
22
20
23
22
20
22
20
21
22
20
22
20
23
22
20
22
20
22
23
21
21
22
20
22
221
21
22
21
23
21
22
20
22
20
21
21
23
22
22
21
21
20
20
23
22
22
21
21
2
20
81
bababa
babaabbaab
ababbaabaa
baabbaabba
abbaaabbaa
baabaabbab
abaabbaaba
abababa
a
b
a
b
a
b
a
I
oo
XX ηθ &&
Demostrandose que:
YZ XX && &&θ=
Siendo tZAZ 1)'( −=& , tXAX 1)'( −=& y tYAY 1)'( −=& , y A una matriz TxT cuyo
elemento genérico es:
( )
( )( )
=∀−
−=∀
−−
−−=∀
−=∀
=
+ Tj
TTjT
tj
TTjT
tj
j
a
t
tj
1
,
)1(
/)1(,...,7,5,311
sin
)1/()2(,...,6,4,21
cos
11
π
π
Operando
( ) ( ) ( ) ( ) YAIXYAXAAYAXAYXZ Tttttt&&&& 11111 )'(')'(''' −−−−− ====
Es decir
YAIXZA Tt&& 11 )'()'( −− =
Operando
YYAIXAZ XXTt
&&& &&θ== −1)'()'(
Siendo
YAIXA TtXX &&& 1)'()'( −=θ
Y
( ) ZY XX &&&& 1−
= θ
Bibliografia:
Engle, Robert F. (1974), “Band Spectrum Regression,” International Economic Review 15,1-11.
Hannan, E.J. (1963), ‘Regression for Time Series’, in Rosenblatt, M. (ed.), Time Series Analysis, New York, John Wiley. Harvey, A.C. (1978), ‘Linear Regression in the Frequency Domain’, International Economic Review, 19, 507-512.