Seasonality in Mixed Causal-Noncausal Processes

Este artículo demuestra que, en los modelos autorregresivos mixtos causales y no causales, las raíces estacionales pueden aislarse en la representación de media móvil sin generar nuevos efectos estacionales conjuntos, lo cual tiene implicaciones cruciales para la selección de modelos que se validan mediante simulaciones y aplicaciones empíricas.

Lo esencial

🌪️ El Baile de los Datos: Cuando el Futuro y el Pasado se Mezclan

Imagina que estás intentando predecir el clima. Normalmente, miras el cielo de hoy para adivinar el de mañana (eso es causalidad: el pasado determina el futuro). Pero, ¿qué pasa si el clima de mañana también parece influir en cómo se comporta el viento hoy? Suena loco, ¿verdad? En economía y finanzas, a veces los datos se comportan así: tienen "memoria" del futuro. A esto los autores lo llaman modelos mixtos.

Este paper es como un manual de instrucciones para entender un tipo de datos muy especial que tiene dos características:

1. Se comporta de forma explosiva: A veces sube o baja de golpe (como una burbuja financiera).
2. Tiene "estacionalidad": Tiene un ritmo o un ciclo que se repite (como las estaciones del año o las ventas de juguetes en Navidad).

El objetivo de los autores es responder a una pregunta clave: ¿Cómo se mezclan estos ciclos y explosiones cuando el pasado y el futuro se tocan?

---

🔍 La Analogía de la Sopa de Letras (Descomposición de Fracciones)

Para entender su descubrimiento principal, imagina que tienes una sopa de letras muy complicada. En esta sopa hay letras que representan el pasado (letras normales) y letras que representan el futuro (letras al revés).

Los autores dicen: "¡Espera! No necesitas mezclar todo en una olla gigante para entenderlo".

Usan una herramienta matemática llamada descomposición en fracciones parciales (suena aburrido, pero es como separar una pizza en rebanadas). Lo que descubren es sorprendente:

• Aunque mezcles el pasado y el futuro, los ciclos estacionales no crean "nuevos" ritmos mágicos.
• Es como si tuvieras un tambor que suena en verano y otro que suena en invierno. Si los tocas al mismo tiempo, no creas un "tercer sonido" de primavera. Simplemente escuchas el tambor de verano y el de invierno por separado.

La conclusión simple: Si ves un patrón repetitivo (estacional) en los datos, ese patrón pertenece o bien al pasado o bien al futuro, pero no es un "hijo" de la mezcla de ambos. Esto hace que sea mucho más fácil identificar de dónde viene el problema.

---

🧩 El Rompecabezas de las Raíces (Selección de Modelos)

Ahora, imagina que eres un detective intentando resolver un crimen. Tienes una lista de sospechosos (los números o "raíces" que explican el comportamiento de los datos). Tu trabajo es decidir: ¿Quién es el culpable del pasado y quién del futuro?

El problema es que hay muchas combinaciones posibles. Es como intentar adivinar qué pieza de un rompecabezas va en cada lado de la caja.

El truco de los autores:
Si encuentras dos sospechosos que son "gemelos" (en matemáticas, se llaman raíces conjugadas complejas, que son como un par de números que siempre van juntos, uno positivo y uno negativo en su parte imaginaria), ¡tienes una pista!

• Regla de oro: Estos gemelos nunca pueden separarse. Tienes que ponerlos juntos en el lado del pasado O juntos en el lado del futuro. No puedes poner uno en cada lado.
• ¿Por qué importa? Esto reduce drásticamente las posibilidades. En lugar de probar miles de combinaciones, solo tienes que probar unas pocas. Es como si el detective te dijera: "Olvídate de separar a los gemelos, solo prueba estas dos opciones".

Esto hace que encontrar el modelo correcto sea mucho más rápido y menos propenso a errores.

---

🌍 Ejemplos de la Vida Real

Los autores probaron su teoría con dos casos reales:

1. La Pandemia de COVID-19 (Bélgica e Italia):

   • Miraron las muertes diarias. En Bélgica, los datos tenían un "zig-zag" muy fuerte (subía un día, bajaba el siguiente, y la intensidad crecía).
   • Usando su método, descubrieron que este comportamiento no era solo un error, sino una "burbuja estacional". El modelo les dijo exactamente qué parte de la historia (pasado) y qué parte del futuro estaban causando ese baile loco.
   • Lección: Si no entiendes que hay un ritmo estacional, podrías pensar que es una explosión aleatoria, cuando en realidad es un patrón predecible.

2. El Precio de la Soja:

   • Los precios de la soja suben y bajan con el tiempo, a veces de forma explosiva.
   • El modelo tradicional (que solo mira el pasado) fallaba al predecir los picos máximos.
   • El modelo "mixto" de los autores, al separar correctamente los ritmos estacionales (como los ciclos de 6 meses), logró explicar mejor por qué los precios explotaban y luego caían.

---

💡 ¿Por qué nos debería importar esto?

Imagina que eres un inversor o un político. Si usas un mapa antiguo (modelos viejos) para navegar por un mar con mareas nuevas (datos con estacionalidad y explosiones), te perderás.

Este paper nos da un GPS mejorado:

1. Nos dice que no necesitamos inventar reglas nuevas para los ciclos; solo hay que saber dónde buscarlos.
2. Nos da una regla simple (los gemelos no se separan) para no perdernos en miles de opciones matemáticas.
3. Nos ayuda a entender que, a veces, el futuro "empuja" al presente, y eso es normal en economías volátiles.

En resumen: Los datos pueden ser caóticos, pero si sabes cómo separar las piezas del rompecabezas (pasado, futuro y ritmos), puedes ver la imagen completa con mucha más claridad.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Seasonality in Mixed Causal-Noncausal Processes" (Estacionalidad en Procesos Mixtos Causales-No Causales) de Tomás del Barrio Castro, Alain Hecq y Sean Telg.

1. Planteamiento del Problema

El modelo autorregresivo mixto causal-no causal (MAR) ha ganado relevancia en la literatura econométrica por su capacidad para capturar dinámicas no lineales, como burbujas especulativas y episodios localmente explosivos, asumiendo errores no gaussianos. Sin embargo, la mayoría de los estudios se han centrado en raíces reales positivas (frecuencia cero).

El problema central abordado en este trabajo es la estacionalidad en modelos MAR. Específicamente, los autores investigan:

• Cómo se comportan las raíces negativas y complejas (asociadas a frecuencias estacionales y cíclicas) dentro de la estructura multiplicativa de los polinomios causales y no causales.
• Si la combinación de componentes causales y no causales puede generar nuevos efectos estacionales conjuntos que no estén presentes en los componentes individuales.
• Cómo la presencia de estas raíces afecta la identificación, estimación y selección de modelos, especialmente dado el problema de la bimodalidad y la no anidación de los modelos MAR.

2. Metodología

Los autores emplean un enfoque teórico riguroso combinado con simulaciones y aplicaciones empíricas:

• Descomposición en Fracciones Parciales: Utilizan esta herramienta matemática para descomponer la representación de media móvil (MA) de los modelos AR puros (causales y no causales) y mixtos (MAR). Esto permite aislar los factores asociados a diferentes frecuencias.
• Representación de Raíces: Analizan las raíces inversas en forma exponencial ($\alpha_k = \rho_k e^{i\omega_k}$), donde $\omega_k$ representa la frecuencia. Distinguen entre raíces reales (frecuencia cero y de Nyquist) y pares de conjugados complejos (frecuencias armónicas).
• Modelo Pseudo-Causal (SOE): Utilizan la representación "débil" o de segundo orden equivalente (SOE), que es un modelo puramente causal que es equivalente en términos de segundo orden al modelo MAR. Esto permite identificar el orden total autorregresivo ($p = r + q$) y las raíces totales antes de asignarlas a los componentes causal ($r$) y no causal ($q$).
• Estimación por Máxima Verosimilitud Aproximada (AMLE): Para la estimación final, asumen una distribución de errores no gaussiana (generalmente $t$ de Student o $\alpha$-estable) y maximizan la función de verosimilitud.
• Simulaciones de Monte Carlo: Realizan un estudio extenso para evaluar la consistencia de la estimación de raíces y la eficacia del procedimiento de selección de modelos en presencia de raíces estacionales.
• Aplicaciones Empíricas: Analizan datos de variación de muertes por COVID-19 (Bélgica e Italia) y precios de soja, demostrando la utilidad práctica del enfoque.

3. Contribuciones Clave

El artículo ofrece varias contribuciones teóricas y prácticas significativas:

1. Teorema de Aislamiento de Raíces Estacionales: Demuestran que, mediante descomposición en fracciones parciales, todas las raíces asociadas a frecuencias estacionales pueden aislarse y asignarse exclusivamente a la parte causal o a la parte no causal de la representación de media móvil.
2. Ausencia de Efectos Estacionales Conjuntos: Un hallazgo crucial es que, a pesar de la estructura multiplicativa de los polinomios en los modelos MAR, no se generan nuevos efectos estacionales a través de la interacción entre los componentes causal y no causal. Los efectos estacionales son puramente aditivos en la representación de frecuencias.
3. Simplificación de la Selección de Modelos: Proponen que la presencia de pares de raíces conjugadas complejas simplifica drásticamente la selección de modelos. Dado que un polinomio con coeficientes reales debe contener pares conjugados completos, estos no pueden dividirse entre el polinomio causal y el no causal. Esto reduce el espacio de búsqueda de combinaciones factibles de órdenes $(r, q)$.
4. Procedimiento de Selección Mejorado: Desarrollan un protocolo de tres pasos que utiliza el modelo pseudo-causal para identificar raíces y frecuencias, y luego asigna pares conjugados conjuntamente a uno de los polinomios, evitando asignaciones inviables (como un modelo MAR(1,1) cuando se detecta un par conjugado).

4. Resultados Principales

• Resultados Teóricos: La representación de un modelo MAR admite una descomposición donde los factores de diferentes frecuencias se separan. Esto confirma que la estacionalidad en un MAR es el resultado de la suma de efectos estacionales de sus componentes individuales, no de una sinergia multiplicativa nueva.
• Simulaciones de Monte Carlo:
  • La estimación de raíces (reales y complejas) mediante el modelo pseudo-causal es consistente a medida que aumenta el tamaño de la muestra.
  • El procedimiento de selección de modelos basado en la verosimilitud es altamente efectivo cuando se respeta la restricción de asignar pares conjugados juntos. Ignorar esta restricción (asignando un par conjugado a diferentes polinomios) lleva a especificaciones inviables o a una menor capacidad de detección de la no causalidad.
• Aplicación COVID-19:
  • En los datos de Bélgica, se identifica un comportamiento de "burbuja estacional" (zig-zag con amplitud creciente). El modelo seleccionado es un MAR(2,2) donde el componente no causal captura la frecuencia de Nyquist (oscilación de 2 periodos) y el componente causal captura un par conjugado.
  • En Italia, se selecciona un modelo puramente causal MAR(2,0), demostrando que no siempre se requiere un componente no causal incluso con errores no gaussianos.
• Aplicación Precios de Soja:
  • El modelo pseudo-causal sugiere una raíz compleja con una frecuencia que no encaja perfectamente con el calendario mensual (ciclo de 8 meses).
  • Al reasignar las raíces en el modelo MAR(2,3) usando AMLE, la frecuencia compleja se ajusta a un ciclo de 6 meses ($\omega = \pi/3$), lo cual tiene sentido económico para datos mensuales. Esto demuestra que la estimación directa del modelo MAR puede corregir las aproximaciones del modelo pseudo-causal.

5. Significancia e Implicaciones

Este trabajo es fundamental para la econometría de series temporales no lineales por las siguientes razones:

• Validación de Modelos MAR Estacionales: Proporciona la base teórica para incluir estacionalidad en modelos MAR sin necesidad de especificar modelos estacionales multiplicativos separados (como SARIMA), ya que el MAR general ya cubre estos casos de forma más flexible.
• Guía Práctica para Investigadores: Ofrece un algoritmo claro para la selección de modelos: primero estimar el modelo pseudo-causal, identificar raíces y frecuencias, y luego restringir la búsqueda de modelos MAR a aquellas asignaciones donde los pares conjugados complejos permanecen intactos en un solo polinomio.
• Interpretación de Dinámicas Complejas: Ayuda a distinguir entre burbujas especulativas (raíces en cero) y burbujas estacionales o ciclos económicos (raíces en Nyquist o complejas), mejorando la comprensión de la volatilidad en series financieras y macroeconómicas.
• Robustez ante No Gaussianidad: Refuerza la utilidad de los modelos MAR para datos con colas pesadas, mostrando que la estructura de la estacionalidad se mantiene incluso bajo distribuciones de error no gaussianas.

En resumen, el artículo demuestra que la estacionalidad en procesos mixtos es más manejable de lo que se pensaba, ya que las raíces estacionales no se "mezclan" de formas indescifrables, lo que permite una identificación y selección de modelos más robusta y eficiente.