Serie temporal

Las series temporales son muy importantes en economía. Ya que, en economía, casi todas las variables se recogen a lo largo del tiempo. Es decir, es interesante ver la evolución de una variable a lo largo del tiempo, no el valor concreto en un determinado instante. De ahí que siempre que se analizan las variables económicas se hable de ciclos económicos o de tendencias.

Puesto que el orden de los datos es de vital importancia, hay que tener en cuenta que eso modifica el análisis e interpretación de los datos. De ahí que la econometría, que es la encargada de buscar y estimar relaciones entre variables económicas, deba tener en cuenta este hecho.

Teniendo en cuenta que el orden de los datos importa podemos decir que las observaciones no son independientes. Esto es, el pasado puede afectar al futuro. La econometría debe ser consciente de esta característica y utilizar herramientas matemáticas que le permitan hacer estimaciones de forma fiable. En definitiva:

1. El orden de los datos importa.
2. Las observaciones no son independientes.
3. Al estimar relaciones se debe tener en cuenta que no son independientes.
4. Por tanto, debe utilizar técnicas matemáticas y estadísticas diferentes.

Sabiendo esto, cabe entonces preguntarse:

• ¿Qué significa exactamente que las observaciones no son independientes?
• ¿Con qué técnicas se analizan los datos de serie temporal?

La respuesta a la primera pregunta hace referencia a la dependencia temporal. Una variable presenta dependencia temporal cuando los datos del pasado afectan al valor de la variable en el futuro. Por ejemplo, el producto interior bruto (PIB) mundial a largo plazo tiene una tendencia alcista prolongada. Lo cual quiere decir que el crecimiento económico es sostenido en el tiempo. Por tanto, lo que ocurrió en el pasado tiene un efecto en el futuro.

Al contrario, si tiramos un dado y apuntamos la fecha en la que lo tiramos, veremos que no existe relación ninguna entre los datos pasados y los presentes. En este último caso el pasado no afecta al futuro.

Existen muchas técnicas para analizar los datos de serie temporal. No obstante, lo que suele ser más sencillo es utilizar un modelo de regresión. Eso sí, un modelo de regresión que tenga en cuenta el tipo de serie temporal con el que se trabaja.

Una de las técnicas más utilizadas y más sencillas podría ser modificar las series o tenerlo en cuenta en el modelo. Por ejemplo, eliminar la tendencia de una serie de PIB o incluir una variable tendencial en el modelo. Aunque no es objeto de esta definición, pondremos un ejemplo muy sencillo para que se entienda.

Miremos los siguientes gráficos:

Si calculamos un modelo de regresión de las dos series anteriores, seguramente los cálculos indiquen que hay relación estadística. Sin embargo, nada tienen que ver los goles que marca Messi con el crecimiento de un país latino. Sin embargo, al eliminar el componente tendencial, saldría que no tienen relación alguna.

Lo descrito en el párrafo anterior, es algo que ocurre muchas veces con series que aparentemente tienen relación, pero cuando se realiza bien la investigación no la tienen.

Me parece importante sobre todos aquellos por ejemplo los publicados Bloomberg. Ello contribuye no solo al desarrollo académico formativo sino a la investigación.