ESTADISTICA ESPAÑOLA Núm. 97, 1982, págs. 9T a 118 La estacional idad y el an á li si s econom étrico : un planteamiento alternativo por DULCE CONTRERp^S BAYARRI Universidad Literaria de Valencia RESUMEN Este artículo estudia el tratamiento de la estacionalidad, relacionado con su aplicación al campo econométrico. EI an^ilisis efectuado sobre el tema conduce a la conclusión de que, a menudo, el enfoque que se le da al prablema es inadecuado. Pur ello, se hace una revisión crítica de lus prucedimientos más usuales, utilizados para eliminar la estacionalidad en Ic^s mudelus ec^nc^métric^s. Planteándose asimismo métcxios alternativus para resulver dichu prublema, que proporcionan una solución para el análisis de la estaciunalidad en la regresión . Pclluhrus c^^u^^Y: Estacionalidad, desestacionaiización, regresión, varidbles fic t i^ ias. 1. INTRUDUCCION La mayor parte de las series temporales económicas presentan tluctuac.iones más o menos regulares; y así, cuando se trab^ja con datos mensuales o trimestrales, surge el problema de la «variación estacional». ^Y qué es la variación estacional? Wallis (1924) nus da una buena definición de la misma: «Pc^r variación estacic^nal entendemc^s aque- ^^ ^+ ^ STADISTIC,+^ ESF'AÑ(}t_A ftu^ mc^^^imientc^s intraanuale^ ^istem^^ticu^, ^aunyue nc^ necesariarr^ente regulares, yue se cian t^n Ir^^ ^trie4 tempe^rale^, cau^acie^^ ^^ menudu pefr ttndmenc^^; nc^ ecc^ncírnicus, tales cc^mc^ c^mbiu^ clim^^ticos c^ festividade^ religic^sas». Subyacente al estudic^ de la estacianalidad se encuentra el estudio de la descampowici^^n cldsica de la^ series tempurales, hien cun cumpunentes aditivus, u multiplicativ^a^, que implican que Id serie e^tá t^rmada pur und cumpunente de tendencia-ciclo, una componente estaciunal y una companente residual. H^titas tluctuacic^ne^; e^taciunales que presentan las serie^ tempurales, cuando su pericadicidad es interic^r al añc^, crean prablemas en su tratamiento y surge la necesidad de la desetitacionalización de lu:^ datc^s. ^std neeesidad puede decirse que ^urge en tres ^untextc^s: i) ii ) iii) E n los e^tudio^, histúricos sohre el ciclu ecunómico. ^n la necesidad de cdptar las condicic^ne^ ecunómicas reales. N^n la e^timación de lu^; parametrus e^tructurale^ en la^ relacic^nes entre series tempurales. E n un ^entidc^ amplic^, el objeto de la desestacionalilación se ha estud iado dentro del cr^ntextu del análi^i^ de ^erie^ tempc^rales; d efectus de puder distinguir y aislar Ic^s cc^mpunentes de 1a ^erie tempural. Perc^ hay utru a^pectc^ en su estudiu, yue es el que vamv^ a tratar en este trahaju, y yue se refiere a! pruhlema que se presenta en la modelización ecunométrica, cudndc^ se trabaja con datos mensuales y trimestrales. ?. PLANTN AM IF NTO C^t^NF RAL DE LA DE:SH STACIE)NAC,t7._AC'lON C'uandu se trata el prublema de la dese^taciundlización en el estudio de las ^eries tempc^rales, es evidente la utilidad que tiene este tratamientu; según Shiskin ( t^SK) «lu^ datu^ deSestaClundll7ddc^^, nc^ ^ulamente evitan algunu^; de 1(^s sesgos a las que están sujetas I^^s comparaciunes entre las mismas muestras de distint^^s años, ^inu que generalmente revelan Ic^s cambic^s cíclicus cun vdrius períudos de anticipacicín. En esta misma línea se encuentra Ddly (1 ^3GU) cuando dice que «en una serie desestacional izada se puede deteetar muc hu más t;^c ilmente ia exi^tencia de «turning-pc^ints» . E^:n general, esta upinic^n e^ ^ cumpartid^^ pur Ic^s autui^es yue tratan este tema, y se puede deducir, p(^r tantc^, una unanimidud de criteriu, ante I^i ventaja de desestaciunalirar lus datc^s de series tempurales de periudic:idad inferiur al añc^, pero surge una diticultad, y es precisamente la tialta de un criterio preciso que permita decidir en cada casu cuncretu cuál es el mejor métudo de desestacionalización a aplicar d unos datos dados. l_A ESTACIUNAL(DAD Y EL ANAUSIS ECONOMETRICO: UN pLANTEAMIENTU ALTh.RNATIVD 99 Lus distintus autures que estudian el tema nus dan criterius a cumplir por lus métudus de desestacionalización, exigiéndc^les determinadas prupiedades, que caso de cumplirlas permiten considerartos como métodos con «buen comportarniento», entenciiendu por buen comportamiento el hecho de que en la serie desestacionalizada, no aparelca ninguna estacionalidad, y que canserve las caracter^sticas de la serie. Shiskin (195H) expresa que para que un rnétodo de desestacionalizacián pueda cunsiderarse comu un m^todo con «buen comportamiento^ debe cumplir los siguientes criterios: 1. Debe eliminar cuatquier esquema iniraanual que sea repetitivo. 2. Debe medir las tluctuaciunes sistemáticas superiures al año cc^n factures de tendencia-ciclu, y las tluctuaciones en los residuos superiores al año deben cornportarse comu los cambius de una serie aleatoria. 3. Los muvimientos ciclicos subyacentes no deben ser dist^rsionados. ^1 planteamiento de Nerlove (19b4), desde un ángulu dif'erente, se basa en ana.lizar lus etectus de varios prucedimientos de desestacionalización; y estabiece una comparación entre el espectru esiimada de la serie original y el de la desestacianalizada, examinando además el especiro cruzado de las dvs series, sobre tadu la «cuherencia» y el cambio de fase en varias frecuencias, y en base a ellas plantea los siguientes criterius: 1. La coherenc ia de la serie original debe ser mayor en todas las frec uencias, exceptu quizá en las estacionales. 2. Deben minim izarse los cambios de fase ( aunque éstus en general son imposibles de evitar), subre tudu en las #recuencias bajas. 3. F^inalmente, el ajuste estacional debe eliminar los picos en la serie original que aparecen tipicamente en las denominadas frecuencias estacionales. Pero, en particular, el proceso de desestacionalización no debe eliminar en exceso la potencia del espectro. Para Lovell ( 1963), un método de desestacionalización debe cumplir una serie de propiedades, tales como: l, SUMA Un métuda de desestacianalización cumple esta prapiedad, si sumando dus series desestacionalizadas se ubtiene el mismo resultado que desestaciondlizando la serie suma: ESTADISTIC^ ESpAT^IOLA Xt, Y^ = ^erie^ tempUrale^ ^in desestacionalizar Xa, Y,° = serie^ ternpc^r•dle^ detie^tacit^nalizada^ X; + Y^ -= { }^^ + y^ t^ 2. PR()©U^T() F sta prupiedad ^e c um ple si ^ ^Xt . Y^ }a 3. ID^MI'UTNNT^ l^n métudc^ de desesiacionalización es idernputente si (X,°)^ = X° ^, Ic^ que impli^:a esta prvpiedad es que un métodc^ debe eliminar toda la estaciunalidad de la serie. 4. (JRTt)G(..)NAL[DAD ^:^ta prupiedad implica que ^^{Xr - X°.fX; = ^, y si nc^ se cumple, quiere decir que dlguna eytaciunalidad permanece en lus datus. 5. SlM^TRtA Su cumplimientu implicd que t X, / ^ X, , = ^ ,X; , / i X, Dentro, pues, del contexto del estudio de las series temporales, el problema se centra en Id elección del métodu de de^estaciunalilación m^is adecuadu; peru cuandu tie trahaj^i cun mucielo^; ecc^nt^rnétricu^ s^^rge utru pl^inte^imientu distinto del prublema. ya que el usc^ de datus de^estaciunalizadus, afecta a la^ estima^:iunes de lus parámetros obtenidas en el análisis de la regresión, Fn general, el que un determinado pr^cedimientu de ajuste mejure las propiedades de lus estimad^res de lus parámetros depende de la naturalera de Ic^^ mc^delc^s a estimar y del métudc^ de estimaeión. LA ESTACIUNAL.IDAD Y EL ANALISIS ECONOMETRtCU: t1N PLANTEAMIENTO ALTERNAT[Vt) IU1 Y es precisamente el prublema que se plantea en lv^; mudelos econvmétricos, cuandu se trdbajd cun datus estaciundle^, el que t ^ rma el euerpu t^undamental del presente trabajo. 3. MODELOS ECONOMETRfCOS Y DESE^STACIC)NALIlAC.'[(JN DE ^.US DAT^3S Cuandu se aplica el análisis de regresión a series temp^rales mensuales c^ trimestra- les, surge el problema de elirninar la variación estaciunal. Peru es precisc^ tener en cuenta, que el usu de datos de^estaciondlizados, afecta a lus estimadures de lus parúmetrus. En este sentidu, Wallis (1y71) realiza un estudiu sobre lus distintus prublemds que puede produ ^ ir el tratamiento de la estaciunalidad en lus mudel^^s ecunumétricus, y cumpara lus resultadus ubtenidus al aplicar datos desestaciunalizadus al mudelu de regresión, con los que se ubtienen al desestaciunalizar lus datus de regresión, e igualmente estudia los efectus yue se pruducen, cuandu estando la estaciunalidad presente en lus datos del mcxielu, ^sta :^e ignura. E1 caminu habitua[ que se sigue cuando se trabaja c^^n datus estacionales tiene dos upciunes: i) ii ) Trabajar cun lus datus desestac iunalizados. O utilizar datus sin desestacionalizar y aplicar variables ficticiati para su tratamiento. Pero estcas dus caminus no son demasiadu aprupiados, y generalmente tudc^s lus planteamientos que se establecen para el tratamiento de la estaciunalidad en Ic^s rnodelos de regresión, descansan en hipótesis paco verosímiles y, por tantu, dificiles de cumplirse en la realidad. Establecemus un breve esquema, subre las técnicas de desestacionalización propuestas, a efectu5 de puder captar los problemas que plantean, y en últimu puntu, sugerir qué caminu cunsiderarnus más adecuadu para el tratamiento de la estaciunalidad en los mudelus de regresión: entre i as técnicas prupuestas destacan la^ expresadas pur L^^vell (1963), Jurgensun ( 1964), Shi^;kin (1y67), Sims (1974), Thomas y VWallis (1971), Grether y Nervule (1970). Lc^^^^ll ( 1963) trata el tema de la desestaciunalización partiendo de cincu propiedades lógicas (enumeradas en el puntu anteriur), estableciendu cuáles sun más desea- ESTADiST1CA ESPATVOI_A ble^^ a tenor de !a utilizacirin yue se haga de 1os datc^s desestacic^naiizados; así. pc^r ejemplo, cunsidera que la urtogonalidad es una pr^piedad deseable, siempre y cuandc^ se utili^e en l04 mudelus de regresión, pera nc^ cuando se aplican los métodos de de^^estac.•iunalización ', basadeas en el análisis ^naif» de series tempurales y lo mismu ^ucede cc^^n #a simetría. Ta^rt^bién demuestr`<d l.Qvel1 (1463) que la regresión can variables ficticias sobre los datos desestacionalizadas es equivalente a la utiliZación de una técnica estándar de desestacic^nalización. Así, baju la hipótesis de un esquema de estacionalidad que se mantenga invariable en el tiempu (estable), es deeir, que no cambie de un año para c^tro. el tratamiento de la estacic^nalidad mediante la inetusión de variables ficticias en la regresión implica {bajo el supuesto adieional de que no existe componente tendencial) que 1 ñ^ r^ _., f^l S ^ + t' i.i dunde Xr^ = ubservación para la estación j en el añc^ t ^. = númerc^ de estaciones en el aña ^l si, i = j S'^' ^ ^`'U en otro caso. La medi,^ de la serie original X se suma a !os residuos obtenidos en !a regresión mínimu-cuadrática, a efectus de ubtener la serie desestacionalizada d xr;=^l^+x de^nde Xd = serie desestacíc^nalizada y puede c^mprubarse que esta serie desestaciunalizada, es idéntiea a la que se obtendría mediante un pruc:edimiento de desestaciunalización, tal como xd = x^ + ^ ^ ^ Xv^T^ - 12 r j ^ xl^ r dunde Xr^ = serie c^riginal (sin desestacionalizar) T = númeru de ubservaciunes ' Estos métodos de desestacionalización obtienen las series desestacionalizadas aplicand© un tiltro lineal a la serie original. LA ESTACIONALIDAD Y EL ANALlSIS ECONOMETRICO: UN PL.ANTEAI^tlENTO ALTERNATIVO Baju estati rni^mas hipótesis, establece en yue casus !a aplicación de MC'O ' u datus desestacionalizddus pruducir^ estimadc^res insesgadu^. H stableciendc^ el siguiente mc^ielo. Y= X^^ + Dx +^i dunde E(!^ ^= 0 vector c©lumna de la variable endógena matriz t x k de variables explicativas vector k x l de par^metros vectur culumna de las perturbaciones aleatorias matriz t x d de mc^vimientos estacic^nales ^ x S vector descunocido t x 1 Dx, vectur t x 1 de perturbaciunes estaci^naies, perteneciente a la matriz de pusibles muvimientus estacionales D de urden t x cl --, ^ _ vector descunucidu r^ x 1 la estimación del vectur de parámetrus ^i, implica minimizar e'^, clonde .___.. _ _.. . ^~ = Y^ ^ X^^ dunde Yu -- serie desestaciunalizada Xa = serie desestaciunalizada pc^r tantu -^ _ ( xá xQ ^ ^' xQ ^a = ^ + ( xp ' ^tJ ) - ^ XQ ( Y p - xa Y ! Si (XáXQ)-'XQ(Ya' - Xaa) na desaparece, la aplicación de los MCO a los datos desestacionalizados produce estimadores sesgados. Ahora bien, si la técnica de c^esestacionalizaciún utilizada es suma, esto implica la existencia de una matriz A(t x t), tdl yue YQ = AY = AXR + A©x + A^ [i^ -.-,-.^ Si el procedimientU de ajuste puede eliminar S, en el sentido de que AD = 0, ._.^ __, _^ tenemas entunces que YQ - X^^i = AE . Y baju estas cc^ndiciones, la ecuacitín [ l^ se reduce a ^ ^ [i + ( XQ XQ ^ - ^ XQ AÉ ' MCO es la expresicín abreviada que se utiliza para denominar los mínimc^s cuadrado5 ordinarios. 104 ESTAD15TtCA E:SPAl^tULA - y y^i es el estimadc^r inst:sgadc^ de R, bajo las hipótesis de yue las X sean fijas para clistintas muestras. Si lus datus han ^^ idc^ desestacivnalizadc^s por MCO, con la matriz D, como el cc^njuntu de variables explicativas, la matriz de ajuste: A= 1- D{D` D)" ^ D', ser-d capaz de eliminar S, camo se requiere para la obtención de estimadores insesgadc^s, cun datos desestaeionalizados; y los mínimos cuadrados pueden contemplarse camo un métcxia más, de un conjunto de técnicas, que nos permiten obtener estimadores insesgados de los pr^rámetros, cuando se utilizan datos desestacic^nalizadus. EI prublema de la desestacionalización de los datos es contemplado por Jorgenson { 1967) descie una óptica claramente diferenciadora, a tenor de la utilización posterior de lc^s datos. Establece que la desestacianalización de datos de series temparales tiene ^ un^s prublemas totalmente distintas a la desestacionaiización de datas para el análisis ecanométrico. En la aplicación econométrica, los datos desestacionalizados deben abtenerse a través de la aplicación de ta regresión por mínin^us cuadrados ordinarios; pero el tratamienta correctc^ del prublema exige considerarlo inmerso en un contextu más amplio, cvmo es el de fa estimación de la ecuación, dentro de un sistema de ecuaciones simultáneas, en el que se estudie también ei cumportamiento de la estacionalidad de las variables explicativas; Ic^ que canduce a furmular el problema de la desestacionalización para el análisis econométrico como un problema de ecuaciones simultáneas, A1 considerar la desestacionalización como el problema de estimar una ecuación en un sistema de ecuaciones sirnultáneas, da lugar a estimad^res sesgadc^s (camo resultado del sesga mínimo-cuadrática) cuandu se aplican MCO para estimar las parámetros de una ecuación, tal y comu prapone Luveli, excep^ión hecha de varios supuestas especia1es que implica que el pracedimientu propuesto por C,ovell es tatalmente válido. Pero en líneas generales, Jc^rgensc^n situó el tratamiento de la estacianalidad para el análisis ecunométrica, en el marco de lus modelos de ecuaciones simultáneas, y en este c^ntexto establece la especificación adecuada para el sistema, así como las condiciones necesarias y sut^cientes para la identifiicación de lus parámetros, y las técnicas de estimación, que pr^porcionen estimadares asintóti^amente insesgadas y e#icientes. EI mcxielc^ planteada es ^ _-, Y= D^ v+ S^^v+ ^v X = Dóx + Sc^x + -yx Y= X^3 + S[c^_y j3] + É - áx [2} (3] ^4) LA ESTACIONALIDAD Y EL, ANALISIS ECONOMETRICO: uN PLANTEAMIENTO ALTERNATIVU lO^ dunde Y, X= vector de T observaciones D= matriz T x k de potencias de tiempc^, que representa la cumpunente tendencia-ciclo S= matriz de ficticias estaciunales ^y, yx = companente irregular -^ ..^ --. --^ ^w, ay, óx, rsx = vectores que contienen componentes desconocidos Lds d^^s primera relaciones pruporciunan una descumpusición de las «hservacic^neti X, Y en compone.nte no estacional, estacional y aleatorio, la tercera relacián se ubtiene partiendo del rnodo propuesto en que -_-. _-. .^ Y=xR+^, [s^ Cc^mu una regresión lineal cun lus datos desestacionalizadus, y combinando [2] y[3J baju la hipótesis de que ^ ^ E(^^ ) = E(y^. = E(vy) = 0, se obtiene la [4] Jorgensun plantea que la aplicación de MCO a [4] nos proporcionará la estimación lineal e insesgada de c^y y sugiere utilizar ésta para obtener una estimación de la componente estacional y por diferencia la serie desestacionalizada. E1 procedimiento planteado por Lovell (1963) sería regresar solamente X sobre S y tomar los residuos como la serie desestaciunalizada. Por esto, el tratamiento, expuesto por Jorgenson prop©rciona estimadores más eficientes en la componente estacional yue el de Lovell. _.^ La aplicación de MCO a[4] producirá estimadares insesgadus de (3, pero esto es equivalente a aplicar el métod^ de Lovell a cada serie y calcular entonces la regresión utilizando datos desestacionalizadus. Lus procedimientos expresados dependen de una determinada especiticación de la componente estacional; pero Jorgenson insiste en que la aplicación de MCO para ^ estimar los [i no produce estimadores insesgados, ya que el modelo planteado tiene el carácter de un modelo de ecuaciones simultáneas, y combinando [2] y[3] el modelo se expresard cumu "L = (YX) = D(óxs_y) + S(csyax) + (r^yYx) = D^ + óE + ^y ^Qb ESTADtSTlCA ESPAÑOLA dr^nde D, S son fija^+, y los errc^res tiatisfacen E(v) = 0 ^/(v) = s2^1 V ` -- ( t' ^^ , ^' ^` , _^ _ (^,^, ^,^, • • ^^n v^ s^2 = matriz definida positiva y las relaciones [2] y[31 son las ecuaciones estructurales de un modelo de ec uaciones simuliáneas [^^X ] t -aX 0 ^ + [DSl ^ - Q^^ + csx a-csx -- j3 l = [E Y ) Así el problema de ia desestacionalización de los datos, para el análisis econométrico, se reduce a un prablema econométricu habitual; el de estimar los parámeirvs de una sola ecuación, en un sistema de ecuaci^nes simultdneas, y en el que habrá que tener en cuenta lus prublemas típicus de identificación y estimación que plantean estus modelos. Sin embargo, Lovell, ba^o la hipótesis de que y.r, E están incorrelacionadas, aplica MCU a la ecuación [4] y obtiene estimadores EL1U '; pero si en la matriz de varianzas-cuvarianzas de los errores no hay restricciones j3 no est^ identificadc^, y entonces, el proc.edimiento de Love11 da estimadores inconsistentes. Un planteamiento muy distinto es el que hace Sims (74) de la desestacionalización de los datos para el análisis econométrico; ya que considera la componente estacional como un problema de errores en variables, y trabaja con un modelo bivariante de retardos distribuidos. Estudia el sesgo asintáticca que se produce en la estimaeión por MCO de la distribución de retardos cuando hay ruido estacional, y la desestacionalización, o no se intenta o es incompleta (una desestacionalización es incompleta cuando en la regresión, ios datos estacionales se tratan con variables ficticias, pero ei ruido estaciunal evoluciona lentamente en el tiempo, y nu de la forma f^ja que implica la utilización de la:^ variables fiicticids para !a desestacionalización de los datos). Considera y = variable dependiente _r = variable independiente ' Se denomina con estas siglas a los estimadores lineales, insesgados y óptim^s. t_A ESTACIONALIDAD Y EL ANALtSiS ^ONUMETRlCO: UN PLANTEAMIENTO AL_TERNATIVO V = X b -^- l ! x = H^c• + ti• [6] ^O7 ^, ^+• = ruidos estacic^nales Hipótesis cov (i!, x ) = 0 cov (^•, H^ ) = 0 v, x, r^, K', ^, ^• son estac ionarios x. _r • b(t) = ^ b{s)x(t - s) y ademds cov (^ , x ) -- 0 C4v (1^'. V ) _ ^ Si en vez de observar x, v observamos x -- x + K ^ _ v + ^ x' ^jdonde v obtendremos una relac ión análoga a la [ó] = x'b + r! donde cov (r^'x') = U La relación entre b y h' viene dada por ^ sy,X, b` _ Sx` , ^ = b[Sx!(Sx + Sw^) + ^ (SH^/Sx + Sx')] Thomas y Wallis (1971) estudian diversos problemas clásicos en el tratamiento de la estacionalidad; pero el punto que reeogemos aquí es aquel en que estudian la variación estacional como una variación que se presenta en los residuos del modelo. Lo que plantean estos autores es que la variación estacional no es algo sistemcític^^. y que debido a ello nunca puede recogerse completamente, por tanto, sean cuales sean las variables estacionales, sus efectos aparecerán siempre en el término de error, provocando con ello la aparición de perturbaciones autocorreiacionadas. EI test utilizado generalmente para detectar la presencia de perturbaciones autocorelacionadas es el de Durbin-Watson. pero cuando se trabaja en datos mensuales o 1(}^ ESTADISTICA ESPAÑOLA trimestrales, etite test ya nu es aprcypiado, ya que la autc^correlación debidd a lo^ ^ factc^re^ estacic^nales surgirá, nc? entre periodos de tiempo correlativos, sino, por ejemplu, enire Ic^ti retiiciuus en los correspc^ndientes pe^od^^s de añus sucesivos. Así, no se contrastará Id hipótesis típica de que ^^ = 0 en el esquema u^ _ ^t^^_1 - l < ^ ^ + Er Sino que hdbrá que contrastar autocorrelaciones de mayor orden, tales como tt^ =^l/t_q -F- ^t - 1 G^ C j Y el camin^ a seguir será el de contrastar la autocorrelación del onden que sea (mayor al uno; por ejemplo, cuatro) y el de estimar los parámetros de un modelo en pre5encia de perturbaciones autocorrelacionadas, con esquemas de un orden mayor a los habituales. Thomas y Wallis (1971) sugieren un test para contrastar la autocorrelación de orryden cuatru, y proponen como método de estimación def modelo bajo la presencia de las perturbaciones autocorrelacionadas el de los mínimos cuadrados generalizados. En esta misma línea de considerar la estacionalidad como una parte de la perturbación, es decir, inexplicada por el modelo, se encuentra el planteamiento que hacen del terna Grether y Nerlove (?0) que adoptan un modelo de compo ^nentes de varianza y plantean los datos como una serie temporal de datos «cross-section», donde la unidad de tiempo es el ar^o y las estaciones son los «cross-section». Así la perturbación es Ekt = Sk -+- r^kr k = 1, 2, ..., 12 t = 1, 2, ..., T dunde E ^Sk^ ^ ^^r^kr^ i ^ ^^ F ts^ s^ ^ _ ^o cs 2 ^ ^r^ kr 1^.i^ ^ Co ^[Sk , ^1^r) = 0 j - k j ^0 ^ _ .i y r = s k ^,j y t ^ s bj, k y t LA ESTACIUNALIDAD Y EL ANALISIS ECUNOMETRICO: UN PLANTEAMIENTU ALTERNATIVU lO9 Sean Wxx matrices de cuadradc^s y sumas cie productos Wyy cruzados ci,^ntrc^ de grupos Bxx matrices de cuadrados y sumas de productos Bvy cruzados entrc^ grupos Para este modelo, las estimaciones por MCG de los coefícientes de regresián vienen dados por ^ ^3 = [ Wx_r + t)^3.Kx j ! I [ W.^^^ + ^^^ixti^ 1 donde tl = c^s I( 6^ + Ta 2) Según aumenta T, E^ tiende a cer^, y los estimadores c^btenidos por MCG ' se transforman en los estimadores obtenidos por MCU en la regresión, en la que se incluye variables ficticias. 2. ALGUNAS CONSIDERACIONES SOBRE EL TRATAMlENTO DE LA ESTACIONALIDAD EN EL ANALISIS ECONOMETRICU Es evidente que bajo la hipótesis de que el esquema estacional es constante, la desestac ional izac ión puede l levarse a cab^o med iante la apl icaç ión de variabl es fic tic ias; y en este caso la desestacionalización de la serie Xr implica la estimación mínimo cuadrática del siguiente modelo ,j = 1, 2, 3. 4 X ft -t = I, 2, ..., m = 1 en e l t r i mes t re j donde D^ ^_ f' 0 en los otros casos a^ = son los coeficientes estimados (y son las medias trimestrales) u^ _ m - I ^ X^^ + ^ ^ ^ X1 l, 2, 3, 4) l=I ' MCG es la expresián abreviada que se utiliza para indicar los mínimos cuadrados generalizados. 110 ESTA©ISTICA ESPAI^CiLA X;, = Serie desestacionalizada; se obtiene añadiendo a la media total de la serie los residuos de la regresián. Así la serie desestacionalizada se ha abienido restando de cada una de las observaciones originales la diferencia entre la media trimestral y la media total de la serie. Para discutir 1os efectos de la desestacionaliz,ación en la regresión, planteamos el siguiente rrtodelo: Y = X^ + Dx + ú ^ Y vector col umna de la variable endógena x ^ matriz t x k de variables explicativas a [7] vector de parámetros de orden k x 1 1 vector de perturbaciones estacionarias n x 1 formado por: D(n x j) matriz conocida (no estocástica) á(j x 1^ vector de scanac ido Et rango de X, D, tiene que ser k+ j. EI modelo alternativo sería ^ [8] Ya ^ Xaa + l1 en que las variables X e Y están desestacionalizadas. L©vell (19ó3) demuestra, que si la desestacionalización en [8] se ha hecho regre^ sando Y, X sobre D, la estimación por MCO de [i en [7j y en [8] es idéntica. Aplicando MCO al [7] \al -( D ' X X'D ^^ D' D X'Y d' Y °^rando obtenemos: b=( X' A X),^ I.X' A y Y = AY tanto b=( Xó X^ )-1 X^, Yo Xa = a X por que es la estimación de á obtenida aplicando MCO a[8l. Ambos procedimientos producen el mismo conjunto de residuos de regresión y, por tanto, la misma surna inexplicada de cuadrados. La desestacionaiización «a priori» de la variable dependiente reduce la suma total de cuadrados, y asi, la segunda regresión tendrá un R2 más bajo que la primera, presentando así un aspecto peor. L_A EST'ACIUNALQ^AD Y EL ANALIStS ECUNOMETRICO: t.1N PLANTEAMIENTO ALTERNATIVO ^^ 1 U n argu mento c larame nte a favor de la dese stac ional i zac ión de los d atos a part i r de [7] surge al considerar el tema de los grados de libertad, ya que cuando se utilizan datos desestacionalizados es preciso tener en cuenta la pérdida de grados de libertad que la utilización de estas datos implica; aunque es habitual que na se cansidere este aspecto de la desestacionaliZación, y esto produce una sobreestimación de la significatividad de los coefícientes de regresión. Aunque la aplicación de variables ficticias presenta determinadas ventajas, es precisu mencionar que la inclusión de es^tas variables en la regresión es apenas una explicación esiructural de las f^uctuaciones estacionales: por ello, a veces se considera más adecuado tratar la estacionalidad como una parte de la perturbación, es decir, inexplicada por el modelo. En este caso, el prucedimientu adecuada para estimar el modelo son los MCG ', utilizando una especificación adecuada para las errores medianie un análisis de series temporales {es decir, identificación de la clase de modelu AR1MA, que se suponga como más susceptible de haber generado dichos residuos). En el modelo de este tipo, la estimación del mismo por MCO implica ignurar ia estacionalidad y, en este caso, el error c^metido no pruvacará estimadores sesgados de los parámetros, pero se producirán los efectos típicas que conlleva la existencia de perturbaciones autocorrelacionadas. En líneas generales, estamos considerando la estacionalidad como un fenómena aislado, pero corrientemente, cuando se trabaja con datos desestacionalizados, los residuos de la regresión están serialmente correlacionados, y además la estacionalidad de una variable puede estar relacionada con la estacionalidad de otras variables con las que la variabie en cuestión esté interrelacionada, y asi los componentes estacionales en sí mismas pueden contener información acerca de las relaciones entre tieries. 5. 5.1. CRlT1CA Y PLANTEAMlENTO AC.TERNATIV() CRÍTICA Ya hemos comentado en el punto 3 que la presencia de variables que cantengan estacionalidad provoca un comportamiento típico respecto a su trat;amiento en la modelización econométrica, caracterizado por dos alternatiuas: Intraducción de varia- ` MCG representa 1a expresión abreviada del método de estimación de los minimos cuadr•ados generalizados, como se ha indicado anteriormente. ESTADISTlCA ESPAti1Ul..A j1^ bles ficticias en la regresián, o bien utilizaci©n de datos desestacionalizados por algún método de desesta+cionalizacián univariante © de series temporales (lo que se denomina métodos oficiales de des.estacionalizacián, que no es más que la aplicación de un ^ltro • tineal a la serie origi nal ). Este planteamiento tiene, sin embargo, graves inconvenientes: en primer lugar, es habituai que las variables independientes no recojan en forma total la estacionalidad de la variable dep^endiente, la que provoca que los residuos del m©delo presenten un esquema estacional que provocará autocorrelación entre éstas. Además, al estudiar la estacionalidad surge otro prublema que frecuentemente se ignura y es el de la existencia de la propiedad de la «separatibilidad» en la estacionalidad '. Así, si supunemos que Xr es una serie tempUral estacional x^ _.^^ [ ^ ct), u ct^, ^l donde: ;, (t )= vector de otras variables económicas (puede cumprender valores desfasados de la misma variable ) u(t )= vector de perturbaciones aleatorias t^ = vector de parámetras Si 3i(t) se puede descomponer en dos partes, en la que una (S) varía sistemáticamente con la estación y na dependa de z{t), y otra (t ) no muestra ninguna variación estacional sisternática, entonces ^(t) presenta estacionalidad separable, lo cual implica, que pudemos escribir X(t) como X{tl =^^[^(t). t^(t), E^^] + S(t. E^21 EI esyuema expresado también podría ser multiplicativo; pero, en cualquier caso, es sulamente bajo esta característica de separatibilidad cuando podremos tratar de estaciunalidad desde un puntu de vista práctico, ya que será la única circunstancia que nos permitirá estimar 1 ^ ,, independientemente de f^,. En la realidad, el c^nocimiento que se tiene sobre la estacionalidad es bastante superticiai; hecha que se ve agravado porque la teoría económica no nus proporciona ninguna infurmación adicional subre la naturaleza de csta caracteristica; pero hay además otr^ hecho importante a tener en cuenta, y es que en el mundo real, la mayoria de las series tempc^rales económicas que exhiben estaciunalidad presentan una estacio- ' Seguimos la terminolc^gía utilizada por Gersovitz y MacKinnon (197R). LA ESTACION^^ LIDAD Y E L ANALlSIS ECC)lYUMETRICO: UN PLANTEAMIENTO ALTERNATI VO 1 1^ nalidad «no separable», y, sin embargo, todas las técnicas de desestacionalización que se aplican hacen caso omiso de la ausencia de dicha propiedad, y desestacionalizan las variables bajo la hipótesis implícita de existencia de estaciunalidad separable. Si la estacionalidad es no separable, debemos plantear un modelo con variables ticticias para captar la estacionalidad, per^ teniendo en cuenta yue esta variará de año en año, lo cual implica que los parámetros deben ser cambiantes con la estación. El modelo adecuado será una generalización del prucedimiento tradicional del iratamiento de la estacionalidad eon variables ficticias pero de forma que tcxlos los parámetros varien estacionalmente. En esta linea, Gersovitz y MacKinnon (1y7^> expresan el siguiente mocielo ^ }^r ` _ ^ D ir ^r Ri + E r ^^ t - año i = estación donde: ^f = variable independiente ^ Z, = vector de varíables independientes D;r = escalar, igual a uno, en la estación r-ésima y ceru en utre^ caso ^ ^i; = vector de coef^icientes para la estación r" ^^ = número de estac iones La estimación de este modelo por mínimos cuadrados ordinarios es equivalente a estimar una relación separada para cada estación. Esto provocará problemas en la estimación, a menas que la muestra sea lo suticientemente amplia. 5.2. SOLUCI©NES Gersovitz y MacKinnon { 197H) prupunen c^mc^ solución el aplicar un mudelo con parámetros cambiantes con [a estación, per^ con la limitación de que la variación sea suave, de forma que los valores de los parámetros pertenecientes a estaciones consecutivas difieran en pequeño grado. Denominando a esta hipótesis cc^mo la hipótesis de la «estac ionalidad suave» . La dificultad que surge con este planteamiento es la de la estimación del citado modelo, ya que al igual que ocurre con los modelc^s de retardos distribuidos, el prcablema se plantea con el elevado número de parámetros yue putencialmente se pueden estimar. I ^4 ESTADISTICA ESPAÑO[_A Ld técnica bdyesiana propuesta pur Shiller (15t73) de imponer restriccianes sobre los parámetros de lus mcxlelos c:un retardus, es seguida, en la medida de lc^ posible, por los autores, adapidndola al caso de la estaciunalidad, y solucionando a5í los problemas planteados en la estimacibn, C^^tra alternativa es la seguida por Harrison y Stevens ( t9^b): En su exposicibn parten de dos hipótesis básicas: 1a primera supone que la estacionalidad está restringida a tener un determinado esquema y 1a segunda plantea la estacionalidad como un fenómeno que puede variar en cuatquier forma, asignando un factor estacional para cada mes. Especificando igualmente una serie de restricciones sobre la estacionalidad, tales como: l. Si la estacionalidad en el momento t es aditiva S,, r = o 2. Si es multiplicativa , t =T 3. S i S; -- ^ S^i .^ , . . . . S T., } y s, = s^-^ + bs, á^ ^Nto, w^ y la matriz W está sujeta a la limitación ^^w1=^^^wl.i=o Bajo la primera hipótesis planteada se supone que la estacionalidad sigue el siguiente esquema 2nk ^ ^ `' S,^ _^ u, cos .^, T + b, sen 2nk^^ T 2n k 1 ^ 2 `-^ Ur = -- ^ Sk CUS T ^. _ ^ t^ r T = ? ^ S sen ^^^ Tk k T k= 1... T LA ESTACtONALlDAD Y EL ANALISIS ECONOMETRICU: UN PLANTEAMtENTO ALTERNATIVO 11S La segunda hi póte sis nos plantea lo que los autores denom inan un modelo de estacionalidad libre, y daria lugar a las siguientes expresiones: Yr = F„^{,^5, + V^ Vr -•. N(0. V^) Sr = Sr _ t + s Sr b S, ... N[0, Wr 1 -- 1 para el elemento m( t)' , y donde F^, ^, ) e s^ ^ = 0 en los restantes caisos W^ ={ w^ }^ donde W;;,, = W, W^,^ - --W,l(t - 1) i $J Como se desprende de todo lo expuesto, consideramos que una de las soluciones más adecuadas para el tratamiento de la estacionalidad en el análisis de regresiá ^ n es la utilización de modelos con parámetros cambiantes. * * * Un madelo adecuado en este caso sería el «modelo de regresión» adaptivo de Cooley y Prescott ( 1973), donde Yr = ^cr + ^iXr ^Lt + u, = ^t^- t + Vr- 1 u, ^ NI (0, a2) v^ -^. Nl (o, ^2) t/t, s Cov (u,, V,) = 4 También se puede plantear una extensión de este modo, en que no sólo varíe el término constante, sino que también varía la pendiente, dando lugar al siguiente modelo Y, = a', X^ R^ = ai ^- u^ a r = Rp^ -' + Vt donde p es la componente permanente del parámetro. Cooley y Prescott (1973) suponen la siguiente matriz de varianzas-covarianzas para u y V cov (c^r) _ ( 1 - E^)6^^u cov (Vr) = E^cs2^^ 0 ^ ^^ ^ 1 ^ ^b ESTADISTiCA ESPAÑOL.A donde E„ y^v se suponen conocidas; por simplicidad y sin pérdida de generalidad suponemos tarnbién que son matrices identidad. EI prublema que surge es el de la estimación de c^ ^l y^3P ; teniendu en c uenta, además, que no se puede estimar ^3; para tado t. Lo que se puede hacer entonces es tomar un determinado valor de (3° camo valor de referencia. Otra solución par<a resolver el prablema de la estacionalidad en los modelos econométricos sería la propuesta por Plosser (1979), pero dado el enfoque del trabaja, no nos parece adecuado incluir aquí su estudio ya que su planteamiento, no es homogéneo con el que hemos desarroll ado, Concluímos, por tanto, expresando que en nuestra opinión, el tratamiento más correcto de la estacionalidad en la modelización econométrica es el que se obtiene mediante la utiliz^c iún de lus modelus con parámetros cambiantes en cualquiera de las versiones apuntadas, y solamente en aquellas casos especiales en yue se den determinadas características ya enunciadas (tales corno estacionalidad «estable», «separable», etcétera) serd adecuada la utilizacián de variables ficticias según el esquema tradicional, que implica que la estacionalidad es la misma para las mismas estaciones en los distintos años. No sienda aconsejable en ningún caso ' la utilizaci^^n de datos desestacionalizados par los procedimientos oficiales de desestacionalización basadas en el análisis «naif» de ser^es temparales, BIBLIOGRAFIA COOLEY, Y., y PRESCaTT, E. C.: «Test on a Adaptive Regression Model». Rel^ie^^ cí^^ Ecc^nc^mic•s und Stutistic•s. 24é-24H. May, 1973. DALY, D.: «The direct adjustment of aggregates compared with the sum of adjusted components ^a. Seasonal adjustment of Elecironic Computer, proceedings of Conference of Paris. Nuvembrer 1960. GERSOVITZ. M., y MwCK1NNUN, J.: «Seasunality in Regressión: An Application of Smoothenes PriorsN . Jurrrna! c^j' th^ Am^ric•an Stutistic•aI Assc^ciutiun. Val. 73, núm. 362, 1978. GRETHER, D. M,: «Some properties of 'optimal' seasona! adjustment». Ec•c^nvm^tric•u, 38, 6K2-703, 1970. HARRISON, P. J., y STEVENS, C. F.: Bay^siu,^ Fc^rec•ustink. Royal Statistical Society. May. JottGENSON, D. W.: «Minimum Variance, Linear Unbiased Seasonal Adjustment of Economic time Series» . Ju^^rnu! uf' thE^ Amrric•an Statistic•a^ Assnc•iatiurr. 59, óK 1-724, 1964. ' Siempre y cuando se esté planteando el problema de la estacionalidad respecto a su tratamiento en el análisis econométrico. LA ESTACIC)NALLDAD Y E L ANALIS[S ECONOMETRiCC^: [.IN PLANTE^IMiENTU ALTERNAT)VU I 17 1ORGENSON, D. W.: <*Seasonal Adjustment of Data fur Ecunometric Analysis», Am^ric•un Slatistr'c•u! Assucrutiun Jc,urnul. March l967. LovELL, M. C.: «Seasunal Adjustment of Eccanomic Time Series and Multiple regression Analysis» . Jurirnul uf • th^ Americ^n StWlistic•al Assc^c•iulic^n, 5K, t 9ó3. NERLOVE, M.: ^Spectral analysis of^ seasonal adjustment procedures». ^cunum^trr'c•u, 32, 24l-2^ó, 1964. SUMMARY ln this paper, we deal with seasonality in connection with Econometrics. To my advice, the treatment of seansonality in utten inadecuate. Having revised the usual procedures for eliminating seasonality in econometric models, we proceed to critizise most of them, and we propose alternative procedures to solve problems which arise ín econometric models with seasonally adjusted data. K^y ^1^c^rds: Seasonality, regression, seasonally adjusted, dummy variables. AMS 1970, subjet classification; ó2P20.