ESTACIONALIDAD

Un procedimiento completo para la detección
de estacionalidad en series económicas
José Antonio Caracena

BBVA
Tesina CEMFI No. 0208

Febrero 2002
Este trabajo constituye una versión revisada de la tesina presentada al completar el

Programa de Estudios de Postgrado 1999-2001 del Centro de Estudios Monetarios
y Financieros (CEMFI). Mi más sincero agradecimiento a Agustín Maravall, por su
labor de supervisión y por haberme demostrado ser un tío muy majo y competente;
y a mis compañeros de clase, especialmente a Laura, por su valor, a Esther, por su
bizcocho, a Merci, por su inglés, a María, por ser lo peor, a Tatiana, por su genio,
a Pau, por su diplomacia, a Sergio, por su demagogia y a Roque, por su inocencia,
y, por supuesto, a todos por ser como son, han sido lo mejor de estos dos últimos
años. Sorte on guztioi eta ikusi arte lagunak. El esfuerzo puesto en este trabajo
está especialmente dedicado a Mari, Cristinita y Mila y a mi familia, por seguir
estando ahí. (E-mail: [email protected]).
CEMFI, Casado del Alisal 5, 28014 Madrid, Spain.

www.cemfi.es
Resumen
El objetivo de este trabajo es hallar un procedimiento simple, robusto y fi-

able que sirva para detectar y clasificar la estacionalidad en series temporales
económicas. Primero se describen los principales procedimientos existentes:
Kendall, HEGY, CH, DHF, TRAMO-SEATS y X12-ARIMA, a continuación
se propone uno alternativo integrado en la modelización ARIMA de la serie
y finalmente se compara la versatilidad de todos ellos mediante un ejercicio
de simulación.
“Entia non sunt multiplicanda sine necessitate”
La navaja de Ockham
1 Introducción
Muchas series temporales económicas presentan un importante comportamiento
estacional. Otras muchas no. Pero, ¿qué es la estacionalidad?, ¿cuándo se
considera una serie estacional?. No existe una definición generalmente aceptada
de estacionalidad. En este trabajo se adopta la definición de estacionalidad
que probablemente sea la más compartida y que aparece ya en Box-Jenkins
(1976, pág. 303-04): “la característica fundamental de las series temporales
estacionales de periodo s es que las observaciones que están separadas s periodos
son similares” y (para observaciones mensuales) “el efecto estacional implica que
una observación de un mes en particular, por ejemplo abril, está relacionada
con las observaciones de los abriles previos”. Se considera estacionalidad “la
relación existente entre las observaciones para el mismo mes en años sucesivos”.
Dada esta definición intuitiva de estacionalidad, parece tarea fácil deter-
minar si una serie es estacional o no, y en ocasiones es suficiente un análisis
detallado de los datos o una simple representación gráfica para obtener una re-
spuesta contundente. Otras veces, en cambio, esta herramienta subjetiva puede
no ser concluyente y es necesaria una herramienta objetiva que determine si las
observaciones para el mismo mes en años sucesivos están relacionadas o no.
Una vez admitida la presencia de estacionalidad en una serie económica, se
plantea el problema de especificar una forma funcional para la misma. Exis-
ten diversas formas de modelizar la estacionalidad. El modo más simple de
modelizarla es a través de una función determinista con variables ficticias esta-
1
cionales:
X
12
xt = β i dit
i=1
con dit = 1 para el mes i y 0 en caso contrario y β i sus respectivos coeficientes
(el presente estudio se centra en el caso de datos mensuales, aunque todos los re-
sultados son fácilmente generalizables a cualquier otra frecuencia muestral). De
modo que el componente estacional podría predecirse sin error si los parámetros
β i fuesen conocidos.
Si la estacionalidad cambia en el tiempo, como ocurre, por ejemplo, con
el clima, uno de los principales responsables de la estacionalidad en las se-
ries económicas, la estacionalidad determinista no es la forma idónea de mod-
elización. En estos casos el modelo adecuado es el de estacionalidad estocástica,
en el cuál se representa la estacionalidad mediante un proceso estocástico, per-
mitiendo de este modo que el componente estacional evolucione en el tiempo. En
el marco del análisis ARIMA de Box y Jenkins un proceso estacional estocástico
puro, xt , es:
Φ(B 12 )∆D 12
12 xt = Θ(B )at (1)
donde at es ruido blanco, Φ(·) y Θ(·) son polinomios en el operador retardo

estacional B 12 (B 12 st = st−12 ), Φ(B 12 ) tiene todas sus raíces fuera del círculo
unidad (es estacionario) y ∆12 = (1 − B 12 ) es el operador diferencia estacional.
En la literatura se consideran habitualmente dos posibilidades en el modelo
(1): D = 0 y D 6= 0, esto es, el modelo de estacionalidad estocástica estacionaria
y el de estacionalidad estocástica integrada. Un ejemplo del primero de estos
dos modelos es el proceso de medias móviles estacional de orden 1:
xt = at + θ12 at−12
con at ruido blanco. En este proceso la observación de un determinado mes,

por ejemplo abril, está relacionada con el abril del año anterior, pero no guarda
2
ninguna relación con ningún otro abril en toda la historia de la serie. ¿Puede
considerarse este proceso como estacional?, ¿y si es de orden 2 y sólo guar-
da relación con los dos abriles anteriores?, ¿y si es autoregresivo estacional
estacionario con parámetro −0, 4, de modo que la correlación con los abriles
anteriores es 0, 4, 0, 16, 0, 064,...?. Estos modelos de estacionalidad estacionaria
no entran dentro de la definición de estacionalidad que se ha considerado. En
estos casos es más adecuado caracterizar al proceso como poseedor de cierta
correlación estacional y no como un proceso puramente estacional. Por otro
lado, el concepto de estacionalidad que se ha definido se asocia también con
un comportamiento diferente de la serie temporal dependiendo del mes al que
corresponde la observación (mayor número de turistas en agosto y menor en
febrero...). Por tanto, lo más frecuente es que conlleve una media distinta en
cada mes. Esto viola la definición de estacionariedad en media. Estacionalidad
y no estacionariedad son conceptos estrechamente relacionados, por tanto, en el
presente estudio, no se consideran los procesos con estacionalidad estacionaria
como procesos estacionales.
Dar respuesta a las dos preguntas que se han planteado, ¿existe estacionali-
dad? y ¿cuál es el modelo más adecuado para el componente estacional?, puede
tener, básicamente, tres objetivos finales: predicción, modelización o desesta-
cionalización de series temporales.
A la hora de predecir o ajustar un modelo que recoja las características
fundamentales de una serie hay que tener en cuenta que las distintas especifica-
ciones del componente estacional conllevan diferentes propiedades estadísticas,
por lo que imponer una de ellas cuando está presente otra puede ocasionar
pérdidas de información y sesgos importantes.
La forma de modelizar el componente estacional también es un factor clave
a la hora de desestacionalizar una serie. La desestacionalización y el empleo de
3
series ajustadas estacionalmente es una práctica frecuente en diversas áreas. En
política económica el estudio se lleva a cabo, en general, sobre series ajustadas
estacionalmente, que proporcionan una señal más limpia de la evolución subya-
cente de las variables y permiten realizar predicciones y tomar decisiones sin el
“ruido” que supone la estacionalidad. Por su parte, en el análisis económico y la
investigación su empleo responde a la creencia de que facilitan la interpretación
de los resultados y simplifican la modelización1 .
Por otro lado, desde el punto de vista de la producción de datos es práctica
generalizada la desestacionalización de series (quizás cientos o miles todos los
meses). Ello conlleva la necesidad de un procedimiento simple, robusto y fiable,
que sea fácilmente implementable en aplicaciones a gran escala, para determinar
si una serie presenta estacionalidad, y en caso de presentarla, para decidir cuál es
la manera más adecuada de modelizarla de entre las dos opciones consideradas:
estacionalidad determinista o estacionalidad estocástica integrada. La búsqueda
de un procedimiento de estas características es el objetivo principal de este
trabajo.
En la siguiente sección se analiza la relación existente entre los dos mode-
los de estacionalidad considerados: determinista y estocástica integrada, como
un paso previo a la descripción y el análisis de los principales procedimientos
existentes, que se realiza en la sección 3. En la sección 4 se propone un proced-
imiento alternativo que se compara con los anteriores mediante una simulación
descrita en la sección 5 y se presentan los resultados en la sección 6.
La forma en que se han comparado los distintos procedimientos ha sido
en función del porcentaje de series simuladas que se clasifican correctamente
dentro del grupo al que realmente pertenecen, dado el modelo estacional o no
1
La controvertida discusión sobre la necesidad o no de desestacionalizar queda fuera de los
propósitos de este estudio.
4
estacional con que fueron generadas. Esta forma de proceder presupone que
el objetivo final no es únicamente la predicción, en cuyo caso considerar como
criterio de comparación, por ejemplo, el error cuadrático medio de predicción
extramuestral sería más acertado.
2 Estacionalidad integrada “ estable”

Considérense los siguientes modelos:
∆xt = (1 + θ1 B)at (i)
X
12
∆xt = (1 + θ1 B)at + β i dit (ii)
i=1
donde B es el operador retardo y at ruido blanco. El primero es un modelo no

estacional, IMA(1,1) y el segundo es estacional determinista. Los dos modelos
tienen características muy distintas, en cuanto a estacionalidad se refiere, pero
si tomamos una diferencia estacional, en ambos casos se obtiene:
∆∆12 xt = (1 + θ1 B)(1 + θ12 B 12 )at , (iii)
con θ12 = −1. De modo que, si se ajusta un modelo puramente ARIMA a la

serie y se presenta una situación análoga a la que recoge el modelo (iii) con
b
θ12 cercano a −1, puede que no haya estacionalidad o que se pueda consider-
ar que la serie presenta estacionalidad determinista y en ambos casos se haya
sobrediferenciado, lo que deberá determinarse en cada caso. Por razones que
se argumentarán más adelante no se considera el caso de presencia de esta-
cionalidad determinista e integrada simultáneamente. Si se concluye que la
serie presenta estacionalidad, el modelo de estacionalidad determinista, (ii), y
el modelo de estacionalidad integrada “estable”, (iii) con θ12 cercano a −1, son
prácticamente indistinguibles en cuanto a ajuste intramuestral se refiere para
5
los tamaños de muestra habituales en series económicas. El modelo integrado
“estable” es equivalente a permitir una pequeña variación en el tiempo de los
coeficientes de las variables ficticias en (ii). Ahora bien, si el modelo estimado
para la serie es (iii), pero con b
θ12 À −1, entonces no surge ningún dilema: la
serie presenta estacionalidad estocástica integrada, ya que no hay peligro de que
se haya sobrediferenciado la serie.
Resta aún una última cuestión por responder: ¿a partir de qué valor del
parámetro de medias móviles estacional, θ12 , se considera la estacionalidad in-
tegrada como “estable”?. El valor crítico, θ∗12 < 0, hasta el cual se considera
que se está próximo a la no invertibilidad, y a la cancelación de los polinomios
estacionales, va a depender del tamaño muestral y se va a fijar mediante simu-
lación.
Se han simulado 10.000 series del modelo (iii) con at ∼ iidN(0, 1), θ1 ∈
U (−1, 1) y θ12 = −1, es decir, no invertible, para los dos tamaños muestrales
considerados en la simulación de la sección 5, T=120 y T=300. Corresponden
a 10 y 25 años respectivamente, dos tamaños de muestra frecuentes en series
económicas. Se ha estimado imponiendo el modelo de líneas aéreas a dichas
series y obteniendo como resultado las estimaciones de θ1 y θ12 que aparecen
representadas en los histogramas del gráfico 1. Para las dos longitudes mues-
trales se observa que θb1 se distribuye aproximadamente como una U(−1, 1) y
que θc
12 se condensa más en torno al verdadero valor, θ 12 = −1, al incrementar
el tamaño muestral2 .
Los valores críticos correspondientes a los percentiles 10%, 5%, 2,5% y 1% de
la cola superior para los dos tamaños muestrales aparecen en la tabla 2. Al 5%
se considerará la estacionalidad integrada como “estable” si θc ∗
12 < θ 12 = −0, 728
2
La simulación se ha realizado empleando el generador de números aleatorios del programa
estadístico Splus 4.0 y la estimación se ha llevado a cabo mediante el programa TRAMO-
SEATS’2001.
6
cuando T=120 y si θc ∗
12 < θ 12 = −0, 887 cuando T=300.
Estos valores críticos no se van a ver afectados en gran medida por varia-
ciones en la parte regular o estacional del modelo empleado, el de líneas aéreas
representado en (iii), uno de los más frecuentes en series económicas. En parte
debido a que empíricamente es raro enfrentarse a modelos con órdenes may-
ores que la unidad en la parte estacional y porque la correlación entre la parte
estacional y regular de los modelos comúnmente empleados es reducida, ver por
ejemplo Box y Jenkins (1976, pág. 319-20).
3 Procedimientos disponibles
En esta sección se presentan los principales procedimientos de decisión disponibles
para clasificar una serie en uno de los 3 grupos descritos: series no estacionales,
series con estacionalidad determinista o series con estacionalidad estocástica
integrada.
Primero se presenta el contraste de Kendall, que únicamente clasifica las
series en dos grupos, estacionales o no estacionales. A continuación, se analiza
el procedimiento de Pierce, que permite la coexistencia de diferentes tipos de
estacionalidad en el mismo modelo. Posteriormente, dada la relevancia que se
ha comprobado tiene la estacionalidad integrada, se exponen los procedimientos
basados en los contrastes de raíces unitarias estacionales como una de las prin-
cipales opciones. Por último, dos procedimientos de especial relevancia son los
basados en los modelos de componentes inobservables y que se hallan implemen-
tados en los programas econométricos TRAMO-SEATS y X11 y X12-ARIMA
y que permiten tratar simultáneamente gran número de series.
7
3.1 Contraste de Kendall
Kendall y Ord (1990) proponen un sencillo contraste de estacionalidad basado

en rangos. Consiste en ordenar las observaciones de cada año y asignarles un
valor de 1, a la menor, hasta 12, a la mayor. Para cada mes se suman todos los
valores de todos los años, obteniendo
X
c
Mi = rank(mes i)j
j=1
donde c es el número de años en la muestra.

Finalmente, bajo la hipótesis nula de no existencia de estacionalidad, el
estadístico:
Xr µ ¶2
12 c(r + 1)
K= Mi − ,
cr(r + 1) i=1 2
donde r es el número de observaciones por año, 12 con datos mensuales, se
distribuye como una X 2 con (r − 1) grados de libertad.
Para valores grandes de K se concluye que existe componente estacional y
2
para valores inferiores al cuantil considerado de la Xr−1 se asigna la serie al
grupo de las no estacionales.
3.2 Procedimiento de Pierce
Pierce (1978) desarrolla un modelo general en el que permite la coexistencia de

estacionalidad determinista y estocástica. Para contrastar la presencia de esta-
cionalidad determinista realiza la siguiente aproximación al contraste F habitual
que tiene en cuenta la estructura estocástica presente en los residuos:
1. Se estima la regresión de la serie sobre variables ficticias mensuales.
2. Se ajusta un modelo ARIMA a los residuos de la regresión anterior y se

calcula la suma de cuadrados de los nuevos residuos, SCNR (desempeña
el papel de suma de cuadrados del modelo no restringido).
8
3. Se ajusta el mismo modelo ARIMA identificado para los residuos a la
serie original (incluyendo una constante) y se halla la suma de cuadrados
residual de este modelo, SCR (es la suma de cuadrados bajo la hipótesis
nula de no significatividad de las variables ficticias estacionales).
4. Se computa el estadístico F del siguiente modo:
(SCR − SCNR)/11
F =
SCNR/(T − 12)
que bajo la hipótesis nula de no estacionalidad determinista se distribuye

como una F de Snedecor con 11 y T − 12 grados de libertad3 , siendo T el
número de observaciones.
Para valores grandes del estadístico se rechaza la hipótesis nula y se estima

un componente estacional determinista. Para ello se transforma en estacionaria
la serie original, tomando diferencias y/o logaritmos cuando sea necesario, de
modo que la estimación por MCO de la regresión de la serie sobre variables
ficticias mensuales proporciona una estimación consistente de la estacionalidad
determinista.
A continuación, a la serie resultante de restar a la serie original el compo-
nente determinista, en caso de haberlo, se le ajusta un modelo ARIMA. La parte
estacional de este proceso es el componente estacional estocástico (estacionario
en general) del modelo global. Su significatividad se contrasta prestando aten-
ción a las autocorrelaciones estacionales de la serie a la que se ajusta el modelo
ARIMA. Pierce sugiere una versión de la Q de Ljung-Box estacional. El gráfico
2 resume el procedimiento de Pierce.
Debido a la forma en que se contrasta y se estima la estacionalidad determin-
ista, el procedimiento de Pierce la favorece enormemente. Aunque la estacional-
3
Son 11 restricciones debido a que se ha excluido una variable ficticia estacional para evitar
colinealidad con la constante.
9
idad presente en la serie no sea en absoluto fija o determinista, prácticamente
de cualquier componente estacional se puede extraer una parte determinista.
Un segundo problema de este procedimiento es que, debido al carácter resid-
ual del componente estacional estocástico, proporciona, en general, estacionali-
dades estocásticas estacionarias, que como ya se ha mencionado, no se pueden
considerar como verdadera estacionalidad. Este problema queda perfectamente
ilustrado en el ejemplo representado en el gráfico 3. En la parte superior aparece
representado el logaritmo del Índice de Producción Industrial de Bienes de Con-
sumo en España (1975:1 a 2000:12, 300 observaciones) y la transformación que
convierte en estacionaria la parte regular de dicha serie. En la parte central se
representan los componentes estacionales que se obtienen aplicando el proced-
imiento de Pierce (ambos significativos). El componente estacional estocástico
es un autoregresivo estacional estacionario de coeficiente −0, 36. ¿Puede real-
mente considerarse dicho componente como estacionalidad?. Realmente no, el
componente estacional estacionario representado tiene poco sentido y una inter-
pretación dudosa. Unos componentes como los representados en los dos gráficos
inferiores, fruto de modelos puramente estocásticos, recogen de modo más co-
herente la estacionalidad presente en la serie a través de modelos integrados.
Debido a estos problemas, en la simulación de la sección 5 se ha obviado
el procedimiento de Pierce y en el resto de las secciones no se ha considerado
la posibilidad de coexistencia de más de uno de los tipos de estacionalidad
expuestos anteriormente.
3.3 Contrastes de raíces unitarias estacionales
Dickey, Hasza y Fuller (DHF, 1984) desarrollaron un procedimiento para con-

trastar la presencia de raíces unitarias estacionales. Sin embargo, no contemplan
la posibilidad de que dicha raíz exista únicamente en alguna de las frecuencias
10
estacionales y su hipótesis alternativa tiene una forma muy cerrada, en la que to-
das las raíces tienen el mismo módulo. Hylleberg, Engle, Granger y Yoo (HEGY,
1990) proponen un procedimiento más refinado que soluciona este problema y
que permite contrastar la presencia de raíces unidad en cada una de las frecuen-
cias estacionales por separado, así como en la frecuencia cero. Franses (1991)
y Beaulieu y Miron (BM, 1993) extienden el contraste HEGY para el caso de
datos mensuales.
Empíricamente se ha constatado que tanto el contraste DHF, como el HEGY,
presentan poca potencia en los tamaños de muestra habituales (Hylleberg, 1995;
Canova y Hansen, 1995; y Franses y Kunst, 1999) y que surgen serios prob-
lemas de tamaño cuando se está próximo a la cancelación de los polinomios
estacionales (Ghysels, Lee y Noh, GLN, 1994; y Clements y Hendry, 1997).
Canova y Hansen (CH, 1995) tratan de paliar este problema considerando
la raíz unitaria como parte de la hipótesis alternativa y no, como en DHF
y HEGY, de la hipótesis nula, de modo que un rechazo de la hipótesis nula
tendría la fuerte implicación de existencia de raíz unitaria.
En las siguientes subsecciones se describen los procedimientos basados en
estos tres contrastes.
3.3.1 Procedimiento HEGY
El operador diferencia estacional ∆12 = (1 − B 12 ) puede expresarse como
(1 − B 12 ) = (1 − B)(1 + B)(1 + B 2 )(1 + B + B 2 )(1 − B + B 2 )(1 − B + B 4 )
de modo que las doce raíces unidad que se derivan son

1³ √ ´ 1³ √ ´ 1 ³√ ´ 1 ³√ ´
1; −1; ±i; − 1 ± 3i ; 1 ± 3i ; − 3±i ; 3±i (2)
2 2 2 2
que corresponden a las frecuencias 0, π, ± π2 , ± 2π
3
, ± π3 , ± 5π
6
y ± π6 respectiva-
mente.
11
El contraste HEGY presupone que el proceso generador de los datos es
puramente autoregresivo
ϕ(B)xt = µt + εt , εt ∼ iid(0, σ 2 ) (3)
donde µt son elementos deterministas (constante, tendencia lineal y variables

ficticias estacionales) y se linealiza el polinomio autoregresivo en torno a las 12
raíces unidad dadas en (2) más un resto4 :
X
12
1 − δ k (B)
ϕ(B) = λk ∆(B) + ∆(B)ϕ∗∗ (B) (4)
k=1
δ k (B)
donde ϕ∗∗ (B) es el resto, un polinomio posiblemente infinito o racional, δ k (B) =

Q12
1 − θ1k B, ∆(B) = δ k (B) y λk = Qϕ(θ k)
δk (θk )
constantes. θk son los puntos en
k=1 j6=k
torno a los cuales se considera la expansión y que en nuestro caso son las 11
raíces unitarias estacionales y la raíz unitaria de la frecuencia cero que aparecen
en (2).
Por definición de las constantes λk es inmediato comprobar que el polinomio
ϕ(B) tendrá como raíz θk si y solo si el λk correspondiente es cero. Contrastar
la hipótesis nula de presencia de raíces unidad se va a reducir a contrastar la
nulidad de los coeficientes de la regresión auxiliar que resulta al sustituir las
raíces de (2) en (4) e introducir el resultado en la ecuación (3):
X
12
ϕ∗ (B)y13t = π k yk,t−1 + µt + εt (5)
k=1
donde ϕ∗ (B) es un polinomio en el operador de retardos con todas las raíces

fuera del círculo unidad,
y1t = (1 + B + B 2 + B 3 + B 4 + B 5 + B 6 + B 7 + B 8 + B 9 + B 10 + B 11 )xt
4
Mediante un teorema empleado en teoría de la aproximación y debido originalmente a
Lagrange. Para más detalles, ver HEGY (1990).
12
y2t = −(1 − B + B 2 − B 3 + B 4 − B 5 + B 6 − B 7 + B 8 − B 9 + B 10 − B 11 )xt
y3t = −(B − B 3 + B 5 − B 7 + B 9 − B 11 )xt
y4t = −(1 − B 2 + B 4 − B 6 + B 8 − B 10 )xt

√
3
y5t = − (y6t + 2y6t−1 )
√3
3
y6t = (1 − B + B 3 − B 4 + B 6 − B 7 + B 9 − B 10 )xt
2√
3
y7t = − (y8t − 2y8t−1 )
√3
3
y8t = − (1 + B − B 3 − B 4 + B 6 + B 7 − B 9 − B 10 )xt
2
³√ ´
y9t = − 3y10t + 2y10t−1
1 √ √ √ √
y10t = (1 − 3B + 2B 2 − 3B 3 + B 4 − B 6 + 3B 7 − 2B 8 + 3B 9 − B 10 )xt
2³ ´
√
y11t = − 3y12t − 2y12t−1
1 √ √ √ √
y12t = − (1 + 3B + 2B 2 + 3B 3 + B 4 − B 6 − 3B 7 − 2B 8 − 3B 9 − B 10 )xt
2
y13t = (1 − B 12 )xt
y π k son combinaciones lineales de las constantes λk 5 .

La ecuación (5) se puede estimar por mínimos cuadrados ordinarios, posi-
blemente con retardos adicionales de ∆12 xt debido a ϕ∗ (θk ), para blanquear
el término de error, ya que, mientras que la introducción de retardos no al-
tera la distribución de los estadísticos de interés, la autocorrelación destruye
las propiedades del contraste. Para contrastar la hipótesis ϕ(θk ) = 0, siendo
θk las raíces unitarias, frente a la alternativa de estacionariedad ϕ(θk ) > 0, es
suficiente contrastar que λk = 0. Para las raíces 1 y -1, frecuencias 0 y π respecti-
vamente, es equivalente a contrastar H0 : π k = 0, frente a H1 : πk < 0, k = 1, 2.
En el resto de las frecuencias habrá integración cuando el par {π j , π j+1 } sea
simultáneamente igual a cero (j = 3, 5, 7, 9, 11), debido a que cada una de estas
5
Para más detalles ver Beaulieu y Miron (1993).
13
frecuencias estacionales está asociada a un par complejo conjugado de raíces
unidad6 .
Los valores críticos para los dos estadísticos t a una cola (π 1 y π 2 ) y para los
cinco contrastesF ({π3 , π4 } , {π 5 , π 6 } , {π 7 , π 8 } , {π 9 , π10 } , {π 11 , π 12 }) en mues-
tras finitas se obtienen mediante una simulación de Montecarlo. En Franses y
Hobijn (1997) se proporcionan valores críticos generados mediante Gauss para
T=120, pero no para T=300, el otro tamaño muestral considerado en la simu-
lación de la sección 5. En el presente estudio se emplea Splus 4.0 y para evitar
cualquier posible sesgo en los valores críticos debido al generador de números
aleatorios y hallar los valores críticos para T=300 se han recomputado dichos
valores, tabla 1. Los computados para T=120 son similares a los obtenidos por
Franses y Hobijn.
Para mostrar que no existe raíz unitaria en ninguna frecuencia estacional
hay que probar que π 2 y al menos un miembro de cada par {π3 , π4 } , {π5 , π6 } ,
{π 7 , π 8 } , {π9 , π10 } y {π 11 , π 12 } deben ser no nulos. El tamaño conjunto de estos
contrastes es mucho mayor debido a la desigualdad de Bonferroni, (Dickey, 1993;
y Taylor, 1998). La solución es realizar un contraste F conjunto sobre {π j }12
j=2 .
Otro contraste que puede resultar interesante en algunos contextos es el de

existencia de raíces unitarias estacionales complejas, un contraste F conjunto
sobre {π j }12
j=3 , (GLN, 1994). Valores críticos para estos dos estadísticos aparecen
también en la tabla 1.
El término µt en las ecuaciones (3) y (5) recoge la parte determinista y puede
consistir en una constante, una tendencia y/o variables ficticias estacionales,
dependiendo de la hipótesis que se considere como alternativa a la nula de
6
Hasta ahora otra alternativa era contrastar a dos colas la significatividad de π j y, si no
se rechaza, contrastar la significatividad de π j+1 a una cola. Pero, recientemente, Burridge
y Taylor (1999) han probado que la distribución de estos estadísticos t se puede ver afectada
por la introducción de retardos de ∆12 xt para blanquear el ruido.
14
raíces unidad. Su especificación altera considerablemente la distribución de los
estadísticos de contraste, tal y como se aprecia en la tabla 1.
A la hora de analizar las conclusiones sobre estacionalidad que extraería un
individuo que realizara el contraste HEGY, dos hipótesis alternativas van a ser
relevantes: µt simplemente una constante (contraste A) y µt una constante y
11 variables ficticias estacionales (contraste B).
Se tienen dos contrastes con hipótesis alternativas anidadas7 ,
½
H0 : raíz unitaria estacional en alguna frecuencia
Contraste A
H1A : no estacionalidad
½
H0 : raíz unitaria estacional en alguna frecuencia
Contraste B
H1B : estacionalidad determinista
Para un tamaño de contraste dado, el contraste B tiene menos potencia
que el contraste A. Esto es debido a que parte de la estacionalidad, en caso de
haberla, será recogida por las variables ficticias y los coeficientes cuya nulidad
se contrasta tenderán a ser menos significativos. Si el proceso generador de los
datos no presenta estacionalidad determinista y se lleva a cabo el contraste B,
se están incluyendo regresores irrelevantes en la ecuación auxiliar del contraste
HEGY, ecuación (5). Esta inclusión infla la varianza de los coeficientes esti-
mados y favorece su no significatividad. Por otro lado, si el proceso generador
de los datos presenta variables ficticias estacionales y no se incluyen éstas en la
regresión auxiliar (5), habrá un sesgo por omisión de variables relevantes en la
estimación de los parámetros.
BM (1993, pág. 318) y Ghysels, Lee y Noh (GLN, 1994, pág. 432 y 436)
recomiendan incluir las variables ficticias en la regresión, ya que “la pérdida de
potencia por incluirlas es insignificante en comparación con el sesgo que resul-
taría de su omisión cuando son necesarias”, “incluir una constante y variables
7
Dentro de la hipótesis alternativa del contraste A se engloba también la estacionalidad
estacionaria y dentro de la del contraste B, como ya se argumentó anteriormente, no se
considera la coexistencia de estacionalidad determinista y estacionaria.
15
ficticias estacionales parece una decisión prudente” y “la estrategia más segura
en las aplicaciones empíricas es la inclusión de estos (posiblemente irrelevantes)
términos en el modelo”.
Otro factor importante que conduce al mismo dilema que la inclusión o no de
variables ficticias es la selección del número de retardos de ∆12 xt a incluir en la
regresión para blanquear el ruido. Demasiados retardos generarían una pérdida
de potencia, pero por otra parte su número debe ser suficiente para blanquear
el ruido. En la literatura se han empleado diversos criterios: por ejemplo BM
(1993) y Taylor (1998) emplean la estrategia “general a específico”. Introducen
inicialmente cierto número de retardos y van quitando los no significativos. BM
también consideran la posibilidad de emplear el AIC o el BIC. Otra estrategia
es la seguida, por ejemplo, por Clements y Hendry (1997) y Paap, Franses y
Hoek (1997), que emplean un contraste LM de correlación serial de hasta cuarto
orden en los residuos. Por último otra estrategia considerada y la seguida en
el presente estudio es incluir retardos en la regresión hasta que el estadístico
Q de Ljung-Box de los residuos no sea significativo al 5% y un máximo de 12
retardos8 .
Un problema crucial del contraste HEGY es que el procedimiento es muy
sensible tanto a la especificación del componente determinista, µt , que altera
las distribuciones, como al número de retardos incluidos en la regresión (Taylor,
1997). Como el proceso generador de datos es desconocido, el problema es cómo
determinar qué variables incluir en la regresión. La estrategia sugerida de incluir
las variables ficticias por defecto en la regresión no es, por tanto, adecuada.
Conviene realizar los dos contrastes propuestos para obtener conclusiones más
robustas.
Al realizar los dos contrastes anteriores se pueden presentar cuatro posi-
8
Se ha escogido Q(18) para las series de 120 observaciones y Q(24) para las de 300.
16
bles casos, según se rechace o no la hipótesis nula en cada uno de ellos. Cada
escenario llevará a unas conclusiones distintas con relación a la clase de esta-
cionalidad presente en la serie y que aparecen esquematizadas en el gráfico 4:
- Si no se rechaza H0 en los dos contrastes: en este caso indudablemente

existe raíz unitaria estacional en la serie y por tanto se clasifica la serie
en el conjunto de series con estacionalidad estocástica integrada.
- Si se rechaza H0 en B y no se rechaza en A: en este caso en el contraste

A se acepta la presencia de raíz unitaria estacional, que se rechaza en B
a favor de la estacionalidad determinista. Ocurre cuando la inclusión de
las variables ficticias en la regresión ocasiona la no significatividad de los
coeficientes. Se concluye que la serie presenta estacionalidad determinista.
- Si no se rechaza H0 en B y se rechaza en A: del mismo modo que en el

caso anterior se concluye que la serie no es estacional.
- Si se rechaza H0 en los dos contrastes: en este caso se va a complemen-

tar el contraste HEGY con un contraste F de significatividad conjunta
de las variables ficticias mensuales en una regresión de la serie sobre las
mismas, de modo que se pueda asignar la serie a una de las dos hipótesis
alternativas. Para incrementar la potencia del contraste F se diferencia
previamente la serie si el contraste HEGY detecta raíz unitaria regular,
facilitando así la detección de la posible estacionalidad al quitar parte de
la tendencia. Si se rechaza la hipótesis nula de no significatividad de las
variables ficticias, la serie presenta estacionalidad determinista, y si no se
rechaza se concluye que la serie carece de estacionalidad.
17
3.3.2 Procedimiento DHF
La metodología es completamente análoga a la expuesta para el contraste HEGY

y presenta los problemas ya comentados. Se basa en la siguiente regresión
auxiliar:
p
X
xt = αxt−12 + ∆12 xt−j + µt + εt
j=1
donde la notación es igual a la del contraste HEGY y p de nuevo es el mínimo

suficiente para blanquear εt . El procedimiento de decisión se basa en dos con-
trastes análogos a los del contraste HEGY (gráfico 4), donde ahora H0 : α = 1,
frente a las alternativas de no estacionalidad (contraste A) o estacionalidad
determinista (contraste B). Los valores críticos se toman de DHF (1984).
En la simulación para incrementar la potencia del contraste de significa-
tividad de las variables ficticias mensuales se diferencian todas las series (que
como se verá, es lo correcto, dado que todas han sido simuladas con una raíz
unitaria en la frecuencia cero) sin contrastarlo previamente, lo cual supondría
otra posible fuente de errores adicional. Como se apreciará en los resultados,
esta pequeña ventaja otorgada a este procedimiento será irrelevante, ya que será
ampliamente mejorado por el procedimiento HEGY. Se limita a 24 el número
máximo de retardos de ∆12 xt a introducir para blanquear el ruido, lo que supone
la pérdida, como máximo, de 3 años de muestra.
Prácticamente todos los problemas y matizaciones comentadas para el pro-
cedimiento HEGY también son extensibles al procedimiento basado en el con-
traste de DHF.
3.3.3 Procedimiento CH
Los contrastes de DHF y HEGY tienen como hipótesis nula la existencia de

raíz unitaria estacional. El rechazo de su H0 implica que la serie no tiene
18
raíces unidad en las frecuencias estacionales. Sin embargo, debido a la poca
potencia que se ha comprobado presentan en muestras pequeñas, no rechazar
H0 no puede ser interpretado como evidencia a favor de la presencia de una
raíz unitaria estacional. El contraste de Canova y Hansen (1995) permite dar
solución a este problema.
Contrasta la hipótesis nula de estacionalidad determinista frente a la alter-
nativa de estacionalidad no estacionaria (que los coeficientes de las variables
ficticias siguen un paseo aleatorio, como ya se verá). De esta forma, un rechazo
de H0 implica la existencia de estacionalidad integrada, conclusión que, en mu-
chos casos, no puede extraerse del contraste HEGY o del DHF a causa de su
falta de potencia frente a algunas alternativas.
Contemplar conjuntamente los dos contrastes puede llevar a decisiones más
acertadas, pero, por otro lado, también pueden arrojar resultados contradicto-
rios, (Hylleberg, 1995).
El contraste CH se basa en el siguiente modelo de regresión:
xt = µ + zt0 β + st + εt , t = 1, 2, ...T (6)
donde µ es una constante, zt es un vector de variables explicativas y st es el

componente estacional determinista. En primer lugar desarrollan el contraste
para errores εt iid, pero dado que este supuesto carece de lógica en el con-
texto de las series temporales, lo generalizan empleando una estimación de la
matriz de covarianzas robusta a heterocedasticidad y correlación serial en las
perturbaciones, que será la empleada en el presente trabajo.
Con objeto de poder distinguir la no estacionariedad en la frecuencia cero y
en las frecuencias estacionales, el contraste CH presupone que la variable depen-
diente no posee raíz unidad en la frecuencia cero; requiere quitar la tendencia
de la variable dependiente. Canova y Hansen recomiendan incluir xt−1 como
19
regresor en (6), lo que captaría esa posible raíz unidad y solucionaría el proble-
ma. Sin embargo, como apuntan Hylleberg (1995) y Busetti y Harvey (2000),
su inclusión puede absorber raíces unidad en algunas frecuencias estacionales
bajo la hipótesis alternativa y el contraste carecería de potencia. Por los mismos
motivos también se presupone que las variables explicativas carecen de raíces
unitarias regulares. Para evitar la posible absorción de raíces unidad en las fre-
cuencias estacionales, en el presente trabajo no se incluye xt−1 como regresor,
además no se considera ninguna otra variable explicativa. En la simulación de
la sección 5 para asegurar que la variable dependiente en (6) no presenta raíz
unidad en la frecuencia cero se han diferenciado las series (de nuevo lo correcto).
Al igual que en Hylleberg (1995) y Busetti y Harvey (2000) se presupone esta
raíz unidad y se contrasta la presencia de raíces unidad en otras frecuencias.
Otra opción es realizar un primer contraste de raíz unitaria regular, pero esto
presentaría problemas similares a los comentados para el contraste DHF.
Canova y Hansen consideran dos especificaciones para st , la primera con
variables ficticias estacionales y como segunda la representación trigonométri-
ca equivalente. Emplean esta última formulación para contrastar la presencia
de raíces unitarias estacionales en una o en un subconjunto de frecuencias y
la primera para atender a la estabilidad del patrón estacional. Muestran que,
cuando se contrasta la no estacionariedad en todas las frecuencias, el estadístico
de contraste de las dos formulaciones es numéricamente idéntico. Como ocurría
en el contraste HEGY, es suficiente con una raíz unitaria estacional en alguna
frecuencia estacional para concluir que la serie presenta estacionalidad estocás-
tica no estacionaria, por tanto se ha optado por la especificación trigonométrica
de st .
La hipótesis a contrastar se basa en la siguiente especificación del modelo:
xt = µ + ft0 γ t + εt (7)
20
s.a. A0 γ t = A0 γ t−1 + ut , ut ∼ iidN(0, Σu ) (8)
donde el valor inicial γ 0 está dado, Σu = τ 2 (A0 ΩA)−1 tiene rango positivo, Ω
es la matriz de covarianzas de largo plazo de ft εt , ft = (f1t0 , f2t
0
, ..., f6t0 ) es un
vector 11 × 1 con fjt0 = (cos λj t, sin λj t) para j < 6 y f6t = cos λ6 t, donde
πj
λj = 6
, j = 1, 2, ..., 6, son las 6 frecuencias estacionales, γ t es un vector 11 × 1
de coeficientes y A0 es una matriz de constantes de rango completo con a ≤ 11
filas.
La hipótesis nula es H0 : τ 2 = 0, frente a la alternativa H1 : τ 2 > 0,
que supone que A0 γ t sigue un paseo aleatorio multivariante. Cuando τ 2 = 0,
el componente estacional especificado por A0 γ t es puramente determinista y
estacionario. La matriz A permite seleccionar las frecuencias estacionales cuya
estacionariedad se quiere contrastar. Para contrastar la presencia de una raíz
unitaria en la frecuencia π, A0 = (e A0 = (e
0 I2 e
πj
0 1); en la frecuencia 6
, 0); y si
A = I11 se contrasta simultáneamente la presencia de raíz unidad en todas las
frecuencias.
El contraste CH es un contraste tipo multiplicadores de Lagrange, sólo re-
quiere realizar la estimación bajo la hipótesis nula, por lo que basta estimar
(7) por mínimos cuadrados ordinarios. Se rechaza la hipótesis nula para valores
grandes del estadístico
1 X b0
T
L= b −1 A0 Fbt
Ft A(A0 ΩA)
2
T t=1
P
t
donde Fbt = fi ebi , b b una estimación de
ei son los residuos MCO de (7) y Ω
i=1
la matriz de covarianzas de largo plazo de ft εt robusta a heterocedasticidad y
correlación serial. Canova y Hansen proponen una estimación de kernel de la
misma:
X
m
b=
Ω b
w(k, m)Γ(k)
k=−m
21
donde w(·) es cualquier función kernel que produzca matrices de covarianzas
b 1
P 0
semidefinidas positivas, Γ(k) = T −k ft b
et ebt+k ft+k es la autocovarianza mues-
t
b
tral de ft εt de retardo k (y por tanto Γ(−k) b0 (k)) y m el ancho de banda
=Γ
considerado.
En CH (1995) emplean el kernel de Barlett y consideran un ancho de banda
fijo tomando los valores de m de Andrews (1991). Hylleberg (1995), siguiendo
las recomendaciones de Andrews, emplea el kernel cuadrático espectral y un
ancho de banda seleccionado según el método descrito por Andrews. En el
presente trabajo al igual que en CH (1995) y Busetti y Harvey (2000) se emplea
el kernel de Barlett y un ancho de banda fijo óptimo para cada uno de los dos
tamaños muestrales considerados en la simulación, tomado también de la tabla
|k|
1 de Andrews (1991)9 . De modo que, w(k, m) = 1 − m+1
, con m = 4 para
T = 120 y m = 6 para T = 300.
Bajo la hipótesis nula de estacionariedad (τ 2 = 0) el estadístico sigue una
distribución Von Mises generalizada con a grados de libertad:
d
L → V M(a)
donde a es el rango de A. La distribución únicamente depende del número

de elementos de γ t cuya variabilidad se está contrastando. Para el contraste
d
conjunto de raíces unidad en todas las frecuencias estacionales, LF → V M(11)
πj
bajo H0 ; para contrastar la existencia de raíz unidad en sólo una frecuencia 6
,
d d
j = 1, 2, ..., 6, L πj → V M(2) y para la frecuencia π, Lπ → V M(1). Los valores
6
críticos aparecen en la tabla 1 de CH (1995).

Las conclusiones sobre estacionalidad que se extraen mediante el contraste
CH y que aparecen representadas en el gráfico 5 son las siguientes:
9
CH (1995) y Hylleberg (1995) concluyen que el contraste no se ve significativamente
afectado por la elección de la función de kernel, ni del ancho de banda.
22
- Si se rechaza H0 : la serie presenta estacionalidad estocástica no esta-
cionaria.
- Si no se rechaza H0 : en este caso caben dos posibilidades, que la serie

presente estacionalidad determinista o que no presente estacionalidad. Al
igual que en el contraste HEGY, se realiza un contraste F de significa-
tividad conjunto de los coeficientes estacionales en (7). Si se rechaza su
nulidad, la serie se clasifica en el grupo de estacionalidad determinista y
si no se rechaza, en el de las no estacionales. Un contraste similar se haya
implementado en el programa econométrico STAMP.
3.4 Modelos de componentes inobservables
Esta subsección recoge procedimientos implementados en dos de los programas

econométricos más empleados para la desestacionalización y estimación de gran
número de series simultáneamente, TRAMO-SEATS (TS, versión 2001) y X11 y
X12-ARIMA (X12, versión 0.2.8, 2001)10 . Ambos se basan en la descomposición
de la serie en sus componentes inobservables, y aunque el enfoque de cada uno
de ellos es distinto, parece que X12 va convergiendo hacia la descomposición
“basada en el modelo” de TS11 . Ambos procedimientos se integran dentro del
proceso de estimación de un modelo ARIMA para la serie.
3.4.1 Procedimiento implementado en TS
El primer paso es ajustar un modelo ARIMA a la serie, bien “manualmente”,

mediante el proceso iterativo Box-Jenkins, o mediante la modelización automáti-
ca de TRAMO (esta opción es la empleada en la simulación, ya que es la que
10
Para más detalles y funcionamiento de los programas, consultar Gómez y Maravall (1997
y 2001) para TS y Ladiray y Quenneville (1999) y U.S. Census Bureau (2001) para X12.
11
Hood, Ashley y Findley (2000) concluyen que SEATS funciona mejor que X12-ARIMA
en series con gran componente irregular y apuntan hacia su empleo en el Census Bureau..
23
se emplea en la práctica al enfrentarse a un número de series elevado). Si el
modelo ajustado carece de parte estacional se concluye que la serie es no esta-
cional y si tiene parte estacional se realiza la descomposición de la serie en sus
componentes inobservables en SEATS y se atiende a la significatividad del com-
ponente estacional (CE). Si éste no es significativo, se reestima un modelo no
estacional para la serie. Pero, si, por el contrario, sí es significativo y el modelo
ajustado no tiene raíz unitaria estacional se concluye que existe estacionalidad
estacionaria12 ; si dicha raíz esta presente, la estacionalidad es integrada.
No obstante, como ya se apuntó en la sección 2, hasta cierto valor del
parámetro de medias móviles estacional esa estacionalidad puede considerarse
determinista (integrada “estable”). Si b
θ12 > θ∗12 se concluye que la estacional-
idad es integrada (lo que incluye el caso en el que b
θ12 = 0) y si b
θ12 < θ∗12 que
dicha estacionalidad es determinista13 . El procedimiento aparece representado
en el gráfico 6.
El problema fundamental que presenta este procedimiento es que los errores
estándar estimados para el componente estacional son sesgados cuando se está
cerca de la no invertibilidad y cancelación de la parte estacional. Es debido
a un cambio distribucional que no se tiene en cuenta. Otro inconveniente de
TRAMO-SEATS es que tiende al sobreajuste estacional, de modo que infraes-
tima el número de series no estacionales.
En la simulación para determinar la significatividad o no del componente
estacional se estudian varios criterios. Se consideran dos estimaciones del com-
12
Siempre y cuando el parámetro de medias móviles estacional no sea negativo y el autore-
gresivo estacional no sea positivo, lo que en ningún caso es estacionalidad, corresponde a un
ciclo de dos años. En todo caso, a efectos de la definición de estacionalidad considerada, la
serie se considerará no estacional.
13
En la práctica es difícil encontrarse con órdenes de los polinomios estacionales mayores que
la unidad. En todo caso, el procedimiento es el mismo, pero vigilando posibles cancelaciones
de polinomios.
24
ponente estacional que proporciona SEATS, la histórica y la preliminar14 . Para
cada una de estas estimaciones se obtienen 12 estadísticos t y en base a ellos se
consideran 6 criterios de significatividad, dependiendo del número de estadís-
ticos significativos y del grado de significatividad de los mismos: componente
estacional significativo si 3 estadísticos t son en valor absoluto mayores que 2,
si 4 |t| > 2, si 2 |t| > 3, si 3 |t| > 3, si 4 |t| > 3 y la combinación 2 |t| > 2 y 1
|t| > 3, que arroja resultados aceptables en la práctica.
En resumen, se ensayan 12 posibles medidas de significatividad del compo-
nente estacional, entre las cuales se escoge mediante simulación la que arroja
mejores resultados.
3.4.2 Procedimiento implementado en X11 y X12-ARIMA
El procedimiento es similar al empleado en TS. Primero se ajusta un modelo

ARIMA a la serie y después se extraen conclusiones del output que proporciona
X12. En nuestro caso van a ser de interés los contrastes de estacionalidad que
realiza y los estadísticos de control de calidad del ajuste estacional que calcula.
X12 realiza varios contrastes de estacionalidad15 :
- Dos contrastes de “estacionalidad estable”, uno paramétrico y el otro no

paramétrico. El primero se basa en un modelo de análisis de la varianza
con un factor, la estacionalidad, que se supone afecta únicamente a la
media y no a las varianzas de las distribuciones. El segundo es el contraste
no paramétrico de Kruskal-Wallis, muy similar al contraste de Kendall y
también basado en rangos.
14
El filtro Wiener-Kolmogorov empleado en su obtención precisa valores adelantados de
la serie, por ello para los últimos valores del componente estacional se emplean predicciones
de la propia serie, es la llamada preliminar de la estacionalidad (ver por ejemplo Gómez y
Maravall, 2001).
15
Para más detalles sobre estos contrastes consultar, por ejemplo, Ladiray y Quenneville
(1999).
25
- Un contraste de “estacionalidad evolutiva”, basado también en un análisis
de la varianza con 2 factores, el mes y el año, en el que se contrasta la
hipótesis nula de que la estacionalidad no evoluciona con el paso de los
años.
- Un contraste de presencia de “estacionalidad identificable” que está elabo-

rado a partir de los valores de los estadísticos de los tres contrastes anteri-
ores y que determina si el componente estacional ajustado es identificable
o no.
Además de estos contrastes X12-ARIMA proporciona una serie de estadísti-

cos de control del ajuste estacional (M1 a M11), que resume en el estadístico Q.
En función del valor de este estadístico se acepta o rechaza el ajuste estacional
realizado (más detalles en Ladiray y Quenneville, 1999 y Monsell, 1989).
Dados estos contrastes y estadísticos el procedimiento a seguir aparece rep-
resentado en el gráfico 7. Si la estacionalidad no es identificable o si el ajuste
estacional se rechaza, la serie se clasifica como no estacional. Si es identificable
y no se rechaza, se presta atención a los contrastes de “estacionalidad estable”
(EE) y “estacionalidad evolutiva” (EV) basados en análisis de la varianza. Si
no se rechaza la hipótesis nula de no estacionalidad en ambos casos, la serie
es no estacional. Si se rechaza el contraste de EE y no se rechaza el de EV la
estacionalidad es determinista. Por otro lado, si se rechaza la hipótesis nula en
los dos contrastes o si no se rechaza en el contraste de EE y sí en el de EV
la estacionalidad es estocástica (estacionaria o integrada, dependiendo de si el
modelo ARIMA estimado para la serie tiene o no raíz unitaria estacional).
A diferencia de TS, a X12 es necesario proporcionarle un listado de modelos
entre los que buscar, si se emplea la modelización ARIMA automática, como es
el caso de la simulación llevada a cabo en este trabajo. A pesar de que el listado
26
de modelos que se ha suministrado a X12 es bastante extenso (lo cual incrementa
enormemente el tiempo de ejecución del programa, ya de por sí notablemente
superior al tiempo de ejecución de TS) e incluye el modelo verdadero, X12 no
ajusta ningún modelo de los especificados a algunas series incluso empleando
los criterios de ajuste más laxos posibles. Otra desventaja de X12 con respecto
a TS es que el máximo número de series a tratar simultáneamente es 500, lo
cual incrementa el tiempo de ejecución en caso de estudios que requieran tratar
un número de series mayor.
Por último Maravall (1998) muestra que fiarse de los estadísticos de control
de calidad de X12 puede, en ocasiones, llevar a dos tipos de error: ajustes
estacionales espurios y no ajustar estacionalmente series estacionales.
4 Procedimiento alternativo
En esta sección se propone un nuevo procedimiento , que al igual que los dos
anteriores, está integrado en el proceso de modelización ARIMA de la serie.
Un resultado añadido de estos procedimientos con respecto a los basados en los
contrastes de raíces unitarias es que, además de clasificar la serie en uno de los
grupos descritos, la modeliza completamente. tras los procedimientos HEGY,
DHF y CH habría que modelizar la serie en base a las conclusiones extraídas
sobre el tipo de estacionalidad presente.
La primera etapa de este procedimiento de nuevo es ajustar un modelo
ARIMA a la serie, bien mediante el proceso iterativo de Box-Jenkins o mediante
la modelización automática de alguno de los programas econométricos anteriores
(en la simulación se emplea TS, cuya modelización automática arroja resultados
mucho mejores que los obtenidos mediante X12).
El procedimiento, que aparece esquematizado en el gráfico 8, es el sigu-
iente: si el modelo ajustado no tiene parte estacional la serie es no estacional.
27
Si la tiene, pero no tiene raíz unitaria estacional, se realiza la descomposición
en componentes inobservables y se atiende a la significatividad del componente
estacional en SEATS, ya que en este caso sus errores estándar no están sesgados.
Si no es significativo, la serie es no estacional y si lo es, presenta estacionali-
dad estacionaria y se engloba también en el mismo grupo. Ante un modelo
ARIMA ajustado integrado, pero no integrado “estable” (b
θ12 > θ∗12 , incluyendo
de nuevo la posibilidad b
θ12 = 0) se concluye que la serie es estacional integra-
da. Si es integrado “estable”, b
θ12 < θ∗12 , de modo que se está próximo a la
cancelación de polinomios estacionales, se realiza un contraste adicional para
determinar el grupo al que pertenece la serie. Consiste en reestimar el mismo
modelo, pero cancelando el polinomio de medias móviles estacional con la raíz
unidad e incluyendo en su lugar variables ficticias mensuales y atender a la
significatividad de las mismas. Si éstas son significativas la estacionalidad es
determinista (o integrada si hay parte autoregresiva estacional, dado que, como
ya se ha mencionado, no se considera la coexistencia de estacionalidad deter-
minista y estocástica). Si, por el contrario, no son significativas, en el modelo
se ha sobrediferenciado y la serie no es estacional (o presenta estacionalidad
estacionaria si hay parte autoregresiva estacional).
Una alternativa asintóticamente equivalente, que también se considera en
la simulación, es estimar el modelo sin la raíz unidad y sin la parte de medias
móviles estacional y regresar los residuos de esta estimación sobre las variables
ficticias, prestando de nuevo atención a su significatividad. Estas dos alter-
nativas, aunque asintóticamente equivalentes, en ocasiones arrojan diferentes
resultados con los tamaños muestrales habituales.
La principal ventaja de este sencillo procedimiento con respecto al resto
radica en que la significatividad de las variables ficticias estacionales se contrasta
en el momento en que estos contrastes tienen mayor potencia, cuando toda la
28
estructura de la parte regular ya ha quedado completamente recogida. De este
modo es más fácil detectar si existe o no componente estacional en la serie.
A la hora de analizar la significatividad del componente estacional (histórico
y preliminar) y la significatividad de las variables ficticias estacionales (en las
dos alternativas asintóticamente equivalentes planteadas) en la simulación, se
consideran los mismos criterios que se emplean en el procedimiento de TS: 3
estadísticos t mayores en valor absoluto que 2, 4 |t| > 2, 2 |t| > 3, 3 |t| > 3, 4
|t| > 3 y la combinación 2 |t| > 2 y 1 |t| > 3. En este caso también se considera
la significatividad conjunta de las variables ficticias al 5%, 3% y 1% como un
último criterio a tener en cuenta. De esta multitud de posibles combinaciones
de criterios se seleccionará, en la simulación, la que arroje mejores resultados.
5 Simulación
Se simulan series sin estacionalidad, series con estacionalidad determinista y
series con estacionalidad integrada. Como ya se anticipó no se considera la
estacionalidad estocástica estacionaria en el análisis. Para que los resultados
obtenidos sean extensibles a la mayor parte posible de series económicas se ha
escogido el marco del modelo de líneas aéreas tan frecuente en economía.
Los modelos simulados son los siguientes:
No estacional: ∆xt = (1 + θ1 B)at , θ1 = −0, 5 (i)

P
12
Estac. determinista: ∆xt = (1 + θ1 B)at + β i dit , θ1 = −0, 5 (ii)
i=1
Estac. integrada - Airlines: ∆∆12 xt = (1 + θ1 B)(1 + θ12 B 12 )at (iii)
donde at ∼ iidN(0, 1).
Se han considerado 4 tipos de modelo (ii), introduciendo distinto número de
variables ficticias significativas y distinto grado de significatividad de las mis-
mas. Todo ello de modo que el componente estacional sea significativo pero
29
esté relativamente “cerca” de la no significatividad. Los coeficientes emplea-
dos aparecen en la tabla 3. La estacionalidad A presenta 4 variables ficticias
significativas, la estacionalidad B es “menos” significativa, en la C se incre-
menta el número de variables ficticias significativos y en la D se reduce, pero
incrementando su nivel de significatividad.
Del mismo modo, se han simulado 2 tipos de modelo (iii). Uno, airlines I,
con θ1 = −0, 8 y θ12 = −0, 3, que tiene una parte regular relativamente estable
y una estacionalidad más móvil y otro, airlines II, con θ1 = 0, 2 y θ12 = −0, 7,
con una parte estacional más estable (aunque por encima de θ∗12 ), sobre una
parte regular más móvil. De este modo se tiene un modelo en el que es más
fácil detectar la parte estacional, pero ésta es menos marcada, airlines I, y otro
en el que es más difícil hacerlo aunque ésta es más estable, airlines II.
En la simulación se emplea el generador de números aleatorios del programa
estadístico Splus 4.0. Inicialmente, para evitar cualquier dependencia de los
valores nulos iniciales, se simulan series de 600 observaciones, de las cuales
se conservan las últimas para los dos tamaños muestrales considerados en la
simulación: T=120 y T=300, 10 y 25 años de datos mensuales respectivamente.
Se eligen esta frecuencia y tamaños muestrales porque ambos datos son bastante
representativos de las situaciones más frecuentes en la realidad.
En total se simulan 1.000 series de 120 observaciones y 1.000 series de 300
observaciones mensuales de cada uno de los 7 modelos descritos anteriormente:
no estacional, estacionalidades A, B, C y D y airlines I y II. A cada serie se le
aplica el contraste de Kendall y los procedimientos HEGY, DHF, CH, TS, X12 y
el procedimiento alternativo propuesto, con el objetivo de clasificarla en uno de
los tres tipos de series considerados desde el principio de este estudio: series no
estacionales, series con estacionalidad determinista o series con estacionalidad
estocástica integrada.
30
La clasificación se ha realizado para cada una de las alternativas y variantes
descritas para cada procedimiento. Para seleccionar una variante y para com-
parar posteriormente los distintos procedimientos entre sí es necesario establecer
un criterio en base al cual realizarlo. Lo óptimo sería minimizar una función de
pérdida que ponderase por la frecuencia de cada tipo de series en la realidad
y penalizase por los errores de clasificación cometidos en base a su gravedad.
En este estudio se opta como primera aproximación por una función de pérdi-
da extremadamente simple y se supone que únicamente se quiere maximizar la
frecuencia de correcta clasificación.
Por otro lado, esta función de pérdida es inadecuada si el objetivo final
del análisis no es la modelización o desestacionalización, sino la predicción,
en cuyo caso, minimizar, por ejemplo, el error cuadrático medio de predicción
extramuestral sería lo más adecuado para comparar los distintos procedimientos.
6 Resultados
El primer resultado que se extrae de la simulación realizada es la selección
de la variante que mejores resultados arroja dentro de los procedimientos que
presentan varias opciones: el procedimiento TS y el procedimiento alternativo.
De todas las alternativas consideradas en el procedimiento de TS, la que
menores errores de clasificación comete, tanto en las series de 120 observaciones
como en las de 300, consiste en atender a la significatividad del componente
estacional histórico, considerándolo significativo cuando 3 estadísticos t sean
mayores que 2. Con el componente estacional histórico se obtienen mejores
resultados que con el preliminar, seguramente fruto de la fuente adicional de
errores que supone el empleo de predicciones en el cálculo de este último. Otros
dos criterios de significatividad que también arrojan buenos resultados, en gen-
eral, son considerar el componente estacional significativo si 2 estadísticos t son
31
mayores que 3, o según el combinado de 2 estadísticos t mayores que 2 y 1 mayor
que 3. El resto de los criterios, en cuanto a frecuencia de correcta clasificación
se refiere, se encuentran a mayor distancia.
En el procedimiento alternativo, las dos variantes asintóticamente equiv-
alentes que se emplean arrojan resultados prácticamente idénticos cuando se
emplea el contraste F de significatividad conjunta de las variables ficticias, pero
no así cuando se emplean los estadísticos-t de las mismas. En este caso, el pro-
cedimiento en dos etapas consistente en regresar los residuos de la estimación
ARIMA sobre las variables ficticias funciona sustancialmente mejor (al igual
que en TS el criterio que mejor funciona es el de considerar las variables ficti-
cias significativas si al menos 3 lo son al 5%). En las dos variantes equivalentes
el contraste F funciona considerablemente mejor que los diversos criterios sobre
los estadísticos t individuales. Para las series de 120 observaciones el criterio que
menos errores de clasificación comete es emplear el contraste F con un tamaño
del 5% y para las de 300 observaciones el contraste F con un tamaño del 1%
domina ligeramente al del 5%.
En las tablas 4 a 10 aparecen los principales resultados de la simulación.
Se omiten los resultados concretos de cada una de las alternativas consideradas
para cada procedimiento, y únicamente se muestran las clasificaciones obtenidas
para los criterios que maximizan la frecuencia de correcta clasificación en cada
procedimiento y que se acaban de comentar en los dos párrafos anteriores. Es
decir, se comparan las mejores alternativas de los procedimientos TS y alterna-
tivo, con el resto de los procedimientos. Cada tabla corresponde a uno de los
7 tipos de series simuladas. En ellas aparece el porcentaje de las 1.000 series
clasificadas en cada uno de los tres grupos (series no estacionales, con estacional-
idad determinista o con estacionalidad integrada) empleando cada uno de los 7
procedimientos considerados (Kendall, HEGY, DHF, CH, TS, X12 y el proced-
32
imiento alternativo). En negrita están los porcentajes de series correctamente
clasificados para cada tipo de series simuladas, y se señala con un asterisco el
procedimiento con el que se maximiza la frecuencia de correcta clasificación.
El sencillo contraste de Kendall funciona razonablemente bien con todos los
tipos de series simuladas, con todos sus porcentajes de correcta clasificación
por encima del 70% y rozando el 100% para las series de 300 observaciones. Si
únicamente se quiere determinar si la serie es estacional o no es un contraste a
tener muy en cuenta.
Los resultados para el procedimiento HEGY son los esperados. Los por-
centajes de acierto tan elevados en las series de 300 observaciones empeoran
considerablemente al reducir el tamaño muestral. Es fruto de la anticipada
pérdida de potencia del contraste HEGY al reducir el tamaño muestral. En la
literatura también hay evidencia de problemas de tamaño cuando el parámetro
de medias móviles estacional se acerca a la no invertibilidad. De nuevo queda
patente en los resultados obtenidos este problema del contraste HEGY. Los por-
centajes de acierto tan elevados del procedimiento HEGY en las series de 300
observaciones tienen como excepción el modelo airlines II, en el que el contraste
HEGY funciona “sorprendentemente” mal (incluso peor que en las series de 120
observaciones). Esto es debido a que en este modelo, con θ12 = −0, 7, se está
relativamente próximo a la no invertibilidad y el contraste HEGY sufre una gran
pérdida de potencia. Este hecho también es un reflejo de la cercanía existente
entre la estacionalidad determinista y la estacionalidad integrada “estable”, a
pesar de que en este caso θ12 es mayor que θ∗12 = −0, 88, HEGY clasifica la
mayoría de estas series en el grupo de estacionalidad determinista.
Como cabía esperar el procedimiento DHF funciona considerablemente pe-
or que el HEGY, con unos porcentajes de correcta clasificación muy inferiores.
Cabe destacar que, sorprendentemente, funciona mejor al reducir el tamaño
33
muestral. Este hecho se debe a que en las series de 300 observaciones se incre-
menta notablemente el número de series en las que se alcanza el número máximo
de retardos (24) sin blanquearse el término de error (el criterio es más estricto
que para las series cortas y la estructura presente en la serie más fácilmente
identificable), lo que ocasiona que las estimaciones MCO no sean consistentes
y se deterioran las cualidades del contraste.
La característica principal del procedimiento CH es su regularidad. En casi
todos los tipos de series simuladas los porcentajes de correcta clasificación ron-
dan el 70%, tanto para las series de 120 observaciones, como para las de 300.
Además cabe destacar que en las series de 300 observaciones se obtiene el mismo
resultado con los 4 tipos de estacionalidad determinista, es un procedimiento
robusto en este sentido.
Respecto a los procedimientos implementados en TS y X12 vemos que pre-
sentan unos porcentajes de correcta clasificación similares para las series sin
estacionalidad, o con estacionalidad determinista, pero para las series con esta-
cionalidad integrada TS proporciona mejores resultados. Además X12 presenta
cierto porcentaje de series “no clasificadas”, a las que no ajusta ningún modelo
de los suministrados.
Finalmente el procedimiento alternativo propuesto presenta unos porcenta-
jes de correcta clasificación notables para los dos tamaños muestrales. Al igual
que el procedimiento CH es muy regular, pero presenta, en general, porcenta-
jes superiores. En la tabla 11 aparecen los porcentajes de series correctamente
clasificadas del total de series simuladas. La alternativa propuesta es superior
a las restantes para los dos tamaños muestrales considerados. La regularidad
del procedimiento CH queda patente y el deterioro del procedimiento HEGY al
reducir el tamaño muestral también. El análisis de esta tabla debe realizarse
con cuidado, ya que en su construcción influye significativamente la composición
34
de las series simuladas en cuanto al tipo de estacionalidad que presentan. Por
ejemplo, el procedimiento HEGY es prácticamente el que mejor funciona para
las series de 300 observaciones, salvo, en el caso del modelo airlines II, por lo
que su evaluación global debería tener en cuenta la frecuencia de este tipo de
series en la realidad (y como ya se ha comentado la función de pérdida que se
emplea no lo tiene en cuenta). Para procedimientos como el de CH o la alterna-
tiva propuesta este problema no es tan grave, ya que sus porcentajes de correcta
clasificación son bastante regulares en todos los tipos de series considerados.
Por último, dado que los resultados de algunos de los procedimientos se
basan en una modelización ARIMA automática previa, en la tabla 12 se ex-
ponen los resultados de dicha modelización en TRAMO’2001 y en la tabla 13
los correspondientes a X12-ARIMA. La modelización automática de TRAMO
funciona considerablemente mejor, por ello ha sido la empleada en el proced-
imiento alternativo propuesto en este estudio. Este hecho da un valor adicional
al procedimiento alternativo y al de TRAMO-SEATS con respecto al resto de
los procedimientos que no se ha considerado en el presente estudio: generan
como resultado añadido un modelo para la serie. X12 también genera dicho
modelo, pero su modelización automática funciona peor y el resto de los pro-
cedimientos se basan únicamente en contrastes, por lo que restaría modelizar la
serie una vez que el tipo de estacionalidad ha sido determinado.
7 Conclusiones
En este estudio se trata de dar respuesta a dos preguntas de gran relevancia
cuando nos enfrentamos a una serie temporal: ¿tiene la serie estacionalidad?,
y si la tiene, ¿qué tipo de estacionalidad tiene?, ¿determinista o estocástica?.
Para ello se revisan los principales procedimientos disponibles en la literatura y
se propone uno alternativo para clasificar una serie en uno de los tres grupos de
35
series considerados: series no estacionales, series con estacionalidad determinista
y series con estacionalidad estocástica integrada. La creciente necesidad de
tratar gran número de series simultáneamente hace que unas características
deseables de ese procedimiento sean la sencillez, robustez y fiabilidad, de modo
que sea implementable en un proceso de modelización y/o desestacionalización
automático.
Dada la definición de estacionalidad adoptada, se ha dejado la estacionalidad
estacionaria en un segundo plano y se han considerado estas series dentro del
grupo de las no estacionales. Tampoco se ha considerado la presencia conjunta
de estacionalidad determinista y estocástica en un mismo modelo, ya que da
lugar a modelos en los que se pondera en exceso la estacionalidad determinista
y se generan componentes estacionales estocásticos con poco sentido.
También se establece un nexo entre la estacionalidad determinista y la esta-
cionalidad integrada, determinando un valor crítico del parámetro de medias
móviles estacional, función del tamaño muestral, a partir del cuál se está próx-
imo a la cancelación de polinomios estacionales y se puede considerar la esta-
cionalidad integrada “estable” como determinista.
Los dos grandes grupos de procedimientos existentes son los basados en los
contrastes de raíces unitarias estacionales (HEGY, DHF y CH) y los imple-
mentados en los programas econométricos TRAMO-SEATS y X12-ARIMA. El
procedimiento alternativo planteado se basa en un sencillo proceso de decisión
secuencial integrado en la modelización ARIMA de la serie que únicamente se
complementa con un contraste F de significatividad en una regresión sobre vari-
ables ficticias estacionales. Su principal ventaja radica en el modo de ordenar
el proceso secuencial y realizar el contraste F en el momento en que éste tiene
mayor potencia.
Se comparan los distintos procedimientos mediante simulación y se encuentra
36
que los procedimientos basados en los contrastes de raíces unitarias presentan
los problemas de escasa potencia descritos en la literatura, siendo el CH el
más robusto de todos ellos. Los procedimientos implementados en TS y X12
funcionan, en general, razonablemente bien, siendo TS superior a X12 en el caso
de la estacionalidad integrada y en la modelización automática.
El procedimiento alternativo es el que maximiza la frecuencia de correc-
ta clasificación de entre todos los considerados, siendo además robusto a los
distintos tipos de estacionalidad considerados. Presenta por tanto las tres car-
acterísticas deseadas: es un procedimiento simple, robusto y fiable.
37
Referencias
[1] Andrews, D.W.K. (1991), “Heteroskedasticity and Autocorrelation Consis-
tent Covariance Matrix Estimation”, Econometrica, 59, 817-858.
[2] Beaulieu, J.J. y J.A. Miron (1993), “Seasonal Unit Roots in Aggregate U.S.
data”, Journal of Econometrics 55, 305-328.
[3] Box, G.E.P. y G.M. Jenkins (edición revisada, 1976), Time Series Analysis:
Forecasting and Control, Holden Day, San Francisco.
[4] Burridge, P. y A.M.R. Taylor (edición revisada, 2001), “On the Proper-
ties of Regression-Based Tests for Seasonal Unit Roots in the Presence of
Higher Order Serial Correlation”, University of Birmingham, Department
of Economics, Discussion Paper no 99-10.
[5] Busetti, F. y A. Harvey (2000), “Testing Against Stochastic Seasonality:

Trends, Breaks and Partly Periodic Models”, mimeo, Faculty of Economics
and Politics, University of Cambridge.
[6] Canova, F. y B.E. Hansen (1995), “Are Seasonal Patterns Constant Over
Time? A Test for Seasonal Stability”, Journal of Business & Economic
Statistics 13, 237-252.
[7] Clements, M.P. y D.F. Hendry (1997), “An Empirical Study of Seasonal
Unit Roots in Forecasting”, International Journal of Forecasting 13, 341-
355.
[8] Dickey, D.A. (1993), Discussion to “Seasonal Unit Roots in Aggregate U.S.
data”, Journal of Econometrics 55, 329-331.
38
[9] Dickey, D.A., D.P. Hasza y W.A. Fuller (1984), “Testing for Unit Roots in
Seasonal Time Series”, Journal of the American Statistical Association 79,
355-367.
[10] Franses, P.H. (1991), “Seasonality, Non-Stationarity and the Forecasting

of Monthly Time Series”, International Journal of Forecasting 7, 199-208.
[11] Franses, P.H. y B. Hobijn (1997), “Critical Values for Unit Root Tests in
Seasonal Time Series”, Journal of Applied Statistics, 24, 25-47.
[12] Franses, P.H. y R.M. Kunst (1999), “Testing Common Deterministic Sea-
sonality, with an Application to Industrial Production”, Erasmus Univer-
sity of Rotterdam, Econometric Institute Report 9905/A.
[13] Ghysels, E., H.S. Lee y J. Noh (1994), “Testing for Unit Roots in Seasonal
Time Series: Some Theoretical Extensions and a Monte Carlo Investiga-
tion”, Journal of Econometrics 62, 415-442.
[14] Gómez, V. y A. Maravall (1997), Programs TRAMO y SEATS: Instructions

for the User, Beta Version, Banco de España.
[15] Gómez, V. y A. Maravall (2001), “Seasonal Adjustment and Signal Extrac-

tion in Economic Time Series”, en D. Peña, G.C. Tiao y R.S. Tsay, eds.,
A Course in AdvancedTime Series Analysis, Cap. 8, Nueva York: J. Wiley
and Sons.
[16] Hylleberg, S. (1995), “Tests for Seasonal Unit Roots: General to Specific
or Specific to General”, Journal of Econometrics 69, 5-25.
[17] Hylleberg, S., R.F. Engle, C.W.J. Granger y B.S. Yoo (1990), “Seasonal
Integration and Cointegration”, Journal of Econometrics 44, 215-238.
39
[18] Hood, C.C., J.D. Ashley y D.F. Findley (2000), “An Empirical Evaluation
of the Performance of TRAMO/SEATS on Simulated Series”, mimeo, U.S.
Census Bureau.
[19] Kendall, M.G. y J.K. Ord (3a edición, 1990), Time Series, Edward Arnold,
Londres.
[20] Ladiray, D. y B. Quenneville (1999), “Compren-

dre la Methode X11”, mimeo, Statistique Canada,
ftp://ftp.census.gov/pub/ts/papers/x11doc.pdf.
[21] Maravall, A. (1998), Comment to “New Capabilities and Methods of the

X12-ARIMA Seasonal-Adjustment Program”, Journal of Business & Eco-
nomic Statistics 16, 155-160.
[22] Monsell, B.C. (1989), “The Uses and Features of X-11.2 and X-11Q.2”,
U.S. Census Bureau, Supplement to Census Technical Paper No. 15.
[23] Paap, R., P.H. Franses y H. Hoek (1997), “Mean Shifts, Unit Roots and
Forecasting Seasonal Time Series”, International Journal of Forecasting 13,
357-368.
[24] Pierce, D.A. (1978), “Seasonal Adjustment When Both Deterministic and
Stochastic Seasonality are Present”, en A. Zellner, ed., Conference on the
Seasonal Analysis of Economic Time Series, 242-269 , Washington, DC:
U.S. Department of Comerce, Bureau of the Census.
[25] Taylor, A.M.R. (1997), “On the Practical Problems of Forecasting”, Inter-
national Journal of Forecasting 13, 307-318.
[26] Taylor, A.M.R. (1998), “Testing for Unit Roots in Monthly Time Series”,
Journal of Time Series Analysis, 19, 349-368.
40
[27] U.S. Census Bureau (2001), X-12-ARIMA Reference Manual: Version
0.2.8, Washington, DC: U.S. Census Bureau.
41
Tablas
Tabla 1. Valores críticos para el contraste HEGY
Estadístico Muestra Modelo 0,01 0,025 0,05 0,1
tπ1 (a una cola) T=120 c -3,319 -2,975 -2,705 -2,421
cd -3,255 -2,921 -2,672 -2,377
T=300 c -3,342 -3,041 -2,785 -2,496
cd -3,325 -3,017 -2,760 -2,474
tπ2 (a una cola) T=120 c -2,498 -2,135 -1,836 -1,515
cd -3,282 -2,946 -2,676 -2,382
T=300 c -2,507 -2,184 -1,886 -1,574
cd -3,306 -3,000 -2,747 -2,469
Fπ3 ,π4 T=120 c 4,617 3,656 3,007 2,301
cd 8,014 6,848 5,953 4,910
T=300 c 4,758 3,780 3,054 2,359
cd 8,443 7,226 6,249 5,291
Fπ5 ,π6 T=120 c 4,762 3,690 3,023 2,297
cd 7,936 6,757 5,825 4,862
T=300 c 4,618 3,700 3,008 2,344
cd 8,417 7,242 6,348 5,321
Fπ7 ,π8 T=120 c 4,603 3,706 3,006 2,308
cd 7,991 6,804 5,819 4,879
T=300 c 4,648 3,705 3,010 2,319
cd 8,496 7,226 6,297 5,302
Fπ9 ,π10 T=120 c 4,685 3,767 3,034 2,326
cd 7,905 6,724 5,814 4,855
T=300 c 4,617 3,758 3,069 2,361
cd 8,308 7,180 6,303 5,332
Fπ11 ,π12 T=120 c 4,603 3,746 2,996 2,291
cd 7,664 6,686 5,868 4,878
T=300 c 4,580 3,699 3,054 2,363
cd 8,475 7,195 6,241 5,296
Fπ2 a π12 T=120 c 2,413 2,115 1,887 1,636
cd 5,428 4,902 4,480 4,054
T=300 c 2,361 2,092 1,871 1,635
cd 5,230 4,821 4,470 4,083
Fπ3 a π12 T=120 c 2,483 2,148 1,908 1,651
cd 5,484 4,947 4,516 4,063
T=300 c 2,434 2,138 1,893 1,654
cd 5,367 4,905 4,518 4,133
La regresión auxiliar contiene constante (c) o constante y dummies (c d).
El proceso generador de datos es (1−B12 )xt =εt , con εt ∼N(0,1), y la ecuación
de contraste es la (5). Basados en 24.000 replicaciones.
42
Tabla 2. Distribución acumulada empírica de b
θ12
Probabilidad de un valor mayor
1% 2.5% 5% 10%
T=120 -0,657 -0,698 -0,728 -0,764
T=300 -0,855 -0,872 -0,887 -0,903
Basados en 10.000 replicaciones.
Tabla 3: Valores de los coeficientes de las variables ficticias

Estac. A Estac. B Estac. C Estac. D
Ene 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Feb -0,8 -0,7 -0,7 -0,6 -0,7 -0,55 0,0 0,0
Mar 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Abr 0,0 0,0 0,0 0,0 -0,8 -0,65 0,0 0,0
May -0,9 -0,85 -0,8 -0,75 0,0 0,0 -0,95 -0,9
Jun 0,0 0,0 0,0 0,0 -0,85 0,7 0,0 0,0
Jul 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Ago 0,0 0,0 0,0 0,0 0,85 0,7 0,0 0,0
Sep 0,9 0,85 0,8 0,75 0,0 0,0 0,95 0,9
Oct 0,0 0,0 0,0 0,0 0,8 0,65 0,0 0,0
Nov 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Dic 0,8 0,7 0,7 0,6 0,7 0,55 0,0 0,0
Valores para las series de 120 observaciones (izquierda) y
para las series de 300 observaciones (derecha).
Tabla 4. Clasificación de las series no estacionales

Kendall HEGY DHF CH X12 TS Alternativa
T=120 No estac. 92,8 93,5 90,2 69,2 93,8 90,7 98,0∗
Est. determ. 3,3 1,0 6,5 1,5 8,8 2,0
7,2
Est. integ. 3,2 8,8 24,3 0,0 0,5 0,0
T=300 No estac. 94,9 91,1 80,0 71,4 92,7 90,2 99,6∗
Est. determ. 8,9 0,2 6,9 1,8 9,4 0,4
5,1
Est. integ. 0,0 19,8 21,7 0,0 0,4 0,0
Nota: Valores en porcentaje de series. En negrita los porcentajes bien clasificados
y con (*) el procedimiento completo que mejores resultados presenta.
43
Tabla 5. Clasificación de las series con estacionalidad tipo A
T=120 No estac. 10,8 33,9 79,7 0,5 24,0 19,2 17,3
Est. determ. 45,2 12,4 75,2 67,9 75,3 78,7∗
89,2
Est. integ. 20,9 7,9 24,3 1,7 5,5 4,0
T=300 No estac. 0,0 1,0 78,0 0,0 1,1 11,6 8,9
∗
Est. determ. 99,0 2,2 78,3 89,6 85,5 82,1
100
Est. integ. 0,0 19,8 21,7 0,4 2,9 9,0
Tabla 6. Clasificación de las series con estacionalidad tipo B

T=120 No estac. 21,0 41,7 79,6 1,8 32,9 35,2 24,7
∗
Est. determ. 44,0 12,2 73,9 59,7 59,9 71,4
79,0
Est. integ. 14,3 8,2 24,3 1,0 4,9 3,9
T=300 No estac. 0,8 1,9 78,0 0,0 2,7 22,2 12,9
∗
Est. determ. 98,1 2,1 78,3 88,5 74,2 77,8
99,2
Est. integ. 0,0 19,9 21,7 0,3 3,6 9,3
Tabla 7. Clasificación de las series con estacionalidad tipo C

T=120 No estac. 3,6 27,6 81,0 0,0 16,1 9,3 8,1
Est. determ. 45,8 11,2 75,7 74,3 86,6 89,1∗
96,4
Est. integ. 26,6 7,8 24,3 2,3 4,1 2,8
T=300 No estac. 0,2 1,2 78,2 0,0 0,8 7,9 6,7
∗
Est. determ. 98,8 2,2 78,3 90,5 90,0 86,6
99,8
Est. integ. 0,0 19,6 21,7 0,3 2,1 6,7
44
Tabla 8. Clasificación de las series con estacionalidad tipo D
T=120 No estac. 30,4 50,8 80,4 5,0 44,1 48,2 34,6
∗
Est. determ. 42,0 11,4 70,7 50,2 47,6 61,7
69,6
Est. integ. 7,2 8,2 24,3 0,9 4,2 3,7
T=300 No estac. 1,1 2,2 77,8 0,0 4,0 43,8 20,7
∗
Est. determ. 97,8 2,0 78,3 89,0 54,3 70,9
98,9
Est. integ. 0,0 20,2 21,7 0,2 1,9 8,4
Tabla 9. Clasificación de las series con estacionalidad integrada airlines I

T=120 No estac. 0,0 0,0 17,0 0,0 5,3 0,0 0,0
Est. determ. 0,0 4,4 0,5 73,9 0,0 0,0
100,0
Est. integ. 100,0∗ 78,6 99,5 18,4 100,0∗ 100,0∗
T=300 No estac. 0,0 0,0 21,0 0,0 2,8 0,0 0,0
Est. determ. 0,1 0,7 0,0 58,1 0,0 0,0
100,0
Est. integ. 99,9 78,3 100,0∗ 36,5 100,0∗ 100,0∗
Tabla 10. Clasificación de las series con estacionalidad integrada airlines II

T=120 No estac. 0,0 0,2 19,8 0,0 7,2 0,3 0,2
Est. determ. 24,5 0,3 29,6 51,4 51,5 51,6
100,0
Est. integ. 75,3 79,9∗ 70,4 37,9 48,2 48,2
T=300 No estac. 0,0 0,2 16,0 0,0 0,5 0,1 0,0
Est. determ. 92,5 0,0 0,3 36,8 0,1 0,1
100,0
Est. integ. 6,3 84,0 99,7 60,4 99,8 99,9∗
Tabla 11. Porcentaje total de series bien clasificadas

HEGY DHF CH X12 TS Alternativa
T=120 63,7 42,3 76,4 57,5 72,6 78,1
T=300 84,4 35,8 78,1 78,1 84,9 88,0
En negrita el procedimiento que mejores resultados presenta.
45
Tabla 12. Modelización ARIMA automática con TRAMO’2001
No est. Est. A Est. B Est. C Est. D Air. I Air. II
T=120 IMA(1,1) 73,1 4,4 9,1 1,4 20,5 0,0 0,0
Airlines 10,6 67,3 62,9 77,1 56,7 65,4 61,3
D=1 11,1 79,6 72,2 89,7 63,0 100,0 99,7
D=0 y P>0 2,0 8,1 8,2 6,0 9,0 0,0 0,3
D=0 y Q>0 3,0 3,0 3,2 2,4 3,6 0,0 0,0
D=0, P>0, Q>0 0,0 0,4 0,4 0,6 0,3 0,0 0,0
T=300 IMA(1,1) 82,8 0,6 4,3 0,9 10,1 0,0 0,0
Airlines 11,6 70,6 68,5 76,4 67,2 93,3 77,2
D=1 11,7 89,2 83,7 91,4 77,0 100,0 100,0
D=0 y P>0 0,4 6,7 6,9 5,1 10,6 0,0 0,0
D=0 y Q>0 1,7 1,7 2,9 2,0 2,0 0,0 0,0
D=0, P>0, Q>0 0,0 0,4 0,5 0,4 0,3 0,0 0,0
Valores en porcentajes de series.
(P,D,Q) es la parte ARIMA estacional.
Tabla 13. Modelización ARIMA automática con X12-ARIMA

No est. Est. A Est. B Est. C Est. D Air. I Air. II
T=120 IMA(1,1) 5,0 1,8 2,1 0,8 6,1 0,0 0,0
Airlines 2,5 5,6 4,8 5,4 3,5 10,7 8,9
D=1 28,6 55,3 50,7 60,0 39,2 78,6 81,3
D=0 y P>0 21,4 18,0 18,2 17,9 20,6 19,0 15,2
D=0 y Q>0 23,1 12,1 13,8 12,3 17,3 0,0 0,0
D=0, P>0, Q>0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Sin modelo 4,7 6,4 6,4 7,3 4,8 2,4 3,4
T=300 IMA(1,1) 5,3 0,2 0,6 0,3 2,6 0,0 0,0
Airlines 3,8 9,4 8,6 9,6 7,0 17,8 13,0
D=1 32,9 76,2 69,5 77,8 56,0 89,7 96,9
D=0 y P>0 18,9 9,9 12,4 8,7 16,8 7,7 0,8
D=0 y Q>0 22,4 4,0 6,5 4,4 13,7 0,0 0,0
D=0, P>0, Q>0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Sin modelo 5,5 8,9 8,5 8,4 6,8 2,6 2,2
Valores en porcentajes de series.
(P,D,Q) es la parte ARIMA estacional.
46
Gráficos
Gráfico 1: Parámetros estimados, modelo de líneas aéreas
N=10.000 replicaciones
Parametro de medias moviles regular, T=120 Parametro de medias moviles estacional, T=120
10 12
0.8
0.6
frecuencia
frecuencia
8
0.4
6
4
0.2
5%
2
0.0
0
-1.0 -0.5 0.0 0.5 1.0 -1.0 -0.9 -0.8 -0.7 -0.6
parametro de medias moviles regular parametro de medias moviles estacional
Parametro de medias moviles regular, T=300 Parametro de medias moviles estacional, T=300
15
0.6
frecuencia
frecuencia
10
0.4
0.2
5%
0.0
-1.0 -0.5 0.0 0.5 1.0 -1.0 -0.9 -0.8 -0.7 -0.6
parametro de medias moviles regular parametro de medias moviles estacional
Gráfico 2. Esquema del procedimiento de Pierce

Test-F
¿estac. determinista?
SÍ NO
Q de Ljung-Box
¿estac. estocástica?
SÍ NO SÍ NO
ESTAC. ESTAC. ESTAC. NO

DETERMINISTA DETERMINISTA ESTOCÁSTICA ESTACIONAL
+
ESTAC.
ESTOCÁSTICA
47
Gráfico 3: Indice de Producción Industrial de Bienes de Consumo (IPICON)
IPICON: Serie Original en Logaritmos IPICON: Serie Original en Diferencias y Logaritmos
0.6
4.6
0.2
4.2
-0.2
-0.6
3.8
0 50 100 150 200 250 300 0 50 100 150 200 250 300
observacion observacion
IPICON: Componente Estacional Determinista IPICON: Componente Estacional Estocastico
0.20
0.4
0.10
0.0
0.0
-0.10
-0.4
0 50 100 150 200 250 300 0 50 100 150 200 250 300
IPICON: Componente Estacional (1,1,0) IPICON: Componente Estacional - Airlines

10
90 100
0
-20
80
70
-40
60
0 50 100 150 200 250 300 0 50 100 150 200 250 300
48
Gráfico 4. Esquema de los procedimientos HEGY y DHF
Contraste B
Rechaz. No rechaz.
Contraste A
Rechaz. No rechaz. Rechaz. No rechaz.
Test-F
ESTAC. NO ESTAC.
DETERMINISTA ESTACIONAL INTEGRADA
Rechaz. No rechaz.
ESTAC. NO
DETERMINISTA ESTACIONAL
Gráfico 5. Esquema del procedimiento CH

Test-CH
Rechaz. No rechaz.
Test-F
ESTAC.
INTEGRADA Rechaz. No rechaz.
ESTAC. NO
49
Gráfico 6. Esquema del procedimiento TRAMO-SEATS
(p ,d ,q ) x (P ,D ,Q ) 1 2
(0 ,0 ,0 ) 1 2 ≠ (0 ,0 ,0 ) 1 2
NO CE CE
E S T A C IO N A L N o S ignif S ignif
NO
E S T A C IO N A L D=0 D≠0
ESTAC.
E S T A C IO N A R IA
||
N O E S T A C IO N A L θ 1 2 > θ *1 2 θ 1 2 < θ *1 2
ESTAC. ESTAC.
IN T E G R A D A D E T E R M IN IS T A
Gráfico 7. Esquema del procedimiento X12-ARIMA

(p,d,q) x (P,D,Q) 12
Estac. no Estac.
Identificable Identificable
NO
Ajuste estac. Ajuste estac.
ESTACIONAL
rechazado No rechazado
Test EE
NO
ESTACIONAL
Rechaz. No rechaz.
Test EV
Rechaz. No rechaz. Rechaz. No rechaz.
ESTAC. NO
D=0 D≠0 D=0 D≠0
ESTAC. ESTAC. ESTAC. ESTAC.

ESTACIONARIA INTEGRADA ESTACIONARIA INTEGRADA
|| ||
NO NO
ESTACIONAL ESTACIONAL
50
Gráfico 8. Esquema del procedimiento alternativo
(p,d,q) x (P,D,Q) 12
(0,0,0)12 ≠(0,0,0) 12
NO
ESTACIONAL
D=0 D≠0
θ 12 > θ *12 θ 12 < θ *12

CE CE
No Signif Signif
ESTAC.
Test significatividad
INTEGRADA
dummies
NO ESTAC.
ESTACIONAL ESTACIONARIA
|| Rechaz. No rechaz.
NO
ESTACIONAL
P=0 P≠0 P=0 P≠0
ESTAC. ESTAC. NO ESTAC.

DETERMINISTA INTEGRADA ESTACIONAL ESTACIONARIA
||
NO
ESTACIONAL
51

ESTACIONALIDAD

Cargado por

Copyright:

Formatos disponibles

ESTACIONALIDAD

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ESTACIONALIDAD

Cargado por

Copyright:

Formatos disponibles

Un procedimiento completo para la detección

de estacionalidad en series económicas

José Antonio Caracena

Tesina CEMFI No. 0208

Este trabajo constituye una versión revisada de la tesina presentada al completar el

CEMFI, Casado del Alisal 5, 28014 Madrid, Spain.

El objetivo de este trabajo es hallar un procedimiento simple, robusto y fi-

donde at es ruido blanco, Φ(·) y Θ(·) son polinomios en el operador retardo

con at ruido blanco. En este proceso la observación de un determinado mes,

2 Estacionalidad integrada “ estable”

∆xt = (1 + θ1 B)at (i)

donde B es el operador retardo y at ruido blanco. El primero es un modelo no

∆∆12 xt = (1 + θ1 B)(1 + θ12 B 12 )at , (iii)

con θ12 = −1. De modo que, si se ajusta un modelo puramente ARIMA a la

Kendall y Ord (1990) proponen un sencillo contraste de estacionalidad basado

donde c es el número de años en la muestra.

3.2 Procedimiento de Pierce

Pierce (1978) desarrolla un modelo general en el que permite la coexistencia de

1. Se estima la regresión de la serie sobre variables ficticias mensuales.

2. Se ajusta un modelo ARIMA a los residuos de la regresión anterior y se

4. Se computa el estadístico F del siguiente modo:

que bajo la hipótesis nula de no estacionalidad determinista se distribuye

Para valores grandes del estadístico se rechaza la hipótesis nula y se estima

3.3 Contrastes de raíces unitarias estacionales

Dickey, Hasza y Fuller (DHF, 1984) desarrollaron un procedimiento para con-

3.3.1 Procedimiento HEGY

El operador diferencia estacional ∆12 = (1 − B 12 ) puede expresarse como

(1 − B 12 ) = (1 − B)(1 + B)(1 + B 2 )(1 + B + B 2 )(1 − B + B 2 )(1 − B + B 4 )

de modo que las doce raíces unidad que se derivan son

ϕ(B)xt = µt + εt , εt ∼ iid(0, σ 2 ) (3)

donde µt son elementos deterministas (constante, tendencia lineal y variables

donde ϕ∗∗ (B) es el resto, un polinomio posiblemente infinito o racional, δ k (B) =

donde ϕ∗ (B) es un polinomio en el operador de retardos con todas las raíces

y3t = −(B − B 3 + B 5 − B 7 + B 9 − B 11 )xt

y4t = −(1 − B 2 + B 4 − B 6 + B 8 − B 10 )xt

y π k son combinaciones lineales de las constantes λk 5 .

Otro contraste que puede resultar interesante en algunos contextos es el de

- Si no se rechaza H0 en los dos contrastes: en este caso indudablemente

- Si se rechaza H0 en B y no se rechaza en A: en este caso en el contraste

- Si no se rechaza H0 en B y se rechaza en A: del mismo modo que en el

- Si se rechaza H0 en los dos contrastes: en este caso se va a complemen-

La metodología es completamente análoga a la expuesta para el contraste HEGY

donde la notación es igual a la del contraste HEGY y p de nuevo es el mínimo

Los contrastes de DHF y HEGY tienen como hipótesis nula la existencia de

xt = µ + zt0 β + st + εt , t = 1, 2, ...T (6)

donde µ es una constante, zt es un vector de variables explicativas y st es el

donde a es el rango de A. La distribución únicamente depende del número

críticos aparecen en la tabla 1 de CH (1995).

- Si no se rechaza H0 : en este caso caben dos posibilidades, que la serie

3.4 Modelos de componentes inobservables

Esta subsección recoge procedimientos implementados en dos de los programas

3.4.1 Procedimiento implementado en TS

El primer paso es ajustar un modelo ARIMA a la serie, bien “manualmente”,

3.4.2 Procedimiento implementado en X11 y X12-ARIMA

El procedimiento es similar al empleado en TS. Primero se ajusta un modelo

- Dos contrastes de “estacionalidad estable”, uno paramétrico y el otro no

- Un contraste de presencia de “estacionalidad identificable” que está elabo-

Además de estos contrastes X12-ARIMA proporciona una serie de estadísti-

No estacional: ∆xt = (1 + θ1 B)at , θ1 = −0, 5 (i)

[5] Busetti, F. y A. Harvey (2000), “Testing Against Stochastic Seasonality:

θ 12 > θ 12 θ 12 < θ 12