Decimos que una serie temporal es estacional cuando tiene una variación periódica predecible en un periodo inferior al año. Los motivos de estas variaciones predecibles pueden ser diversos, el más importante suele ser la influencia de las estaciones (temperatura, luz, precipitaciones, etc), pero una serie puede ser estacional por muchos otros motivos, como por ejemplo la ecología (migraciones, caída de las hojas de los árboles, etc) o por motivos culturales (temporada de bodas, etc).
Evidentemente otros aspectos, como la tendencia, influirán en la serie. Saber que una serie tiene estacionalidad no significa que sepamos predecir su comportamiento. Por eso, sería más preciso decir que una serie temporal es estacional cuando su valor esperado no es constante, pero varía con una pauta cíclica. Esta pauta se superpone a la tendencia, produciendo un comportamiento cíclico que se repite cada año.
A veces es sencillo detectar estacionalidad, atendiendo sólo al gráfico de la serie. El ejemplo que se suele poner en todo curso de econometría es el de la creación de empleo. Así, si vemos el gráfico de creación de empleo en EEUU comprobamos fácilmente que tiene una clara estacionalidad. Se ve cómo diciembre, enero y julio son meses históricamente malos, frente a marzo, abril u octubre. Aún se ve más claro cuando calculamos las medias mensuales (desde 2001) y las graficamos.
El ejemplo que hemos visto del empleo es un proceso estacional determinista: esto es, constante para el mismo mes de cada año. Sin embargo, la estacionalidad no siempre se presenta así. A veces el proceso estacional varía con otras propiedades de la serie. Para corregir este efecto, podemos considerar que la evolución es estacionaria: el proceso estacional no es determinista, pero oscila alrededor de un valor medio. Así tenemos por un lado un proceso estacional, que varía en función de un proceso estacionario de media cero.
Finalmente, puede darse el caso de una serie temporal estacional que cambia en el tiempo sin valor medio. Es decir, sigue un proceso estacional no estacionario. Para eliminar la estacionalidad en este tipo de casos, el modelo más sencillo asumirá que la variación de la estacionalidad sigue un proceso aleatorio.
La estimación de la estacionalidad es importante no sólo para incorporarla a nuestros modelos, sino para eliminarla de la serie y poder atender así otros componentes como, por ejemplo, su tendencia. Las consecuencias de que una serie sea estacional son claras: Distorsiona el estudio de los datos, los hace no comparables y puede restar precisión a nuestros modelos si no la tenemos en cuenta.
Para analizar la estacionalidad, podemos utilizar la función de autocorrelación. Esta mide la correlación entre los valores de la serie distanciados por un periodo de tiempo. Si existe autocorrelación significativa, aceptaremos que la serie es estacional. Una versión más sofisticada de la autocorrelación consiste en el análisis del espectro de frecuencias.
Otros métodos usados ampliamente para la detección de estacionalidad son el contraste Krustal-Wallis o el contraste KPSS, que analizan la hipotésis de estacionalidad asumiendo que los valores de la serie son la suma de un paseo aleatorio y un componente estacionario.
En el caso de que la serie sea estacional, podemos desestacionalizarla. La desestacionalización o ajuste estacional, consiste en eliminar el componente estacional de la serie. En este sentido, desde los años 70, el trabajo de Box y Jenkins supusieron una revolución en el análisis de las series temporales, introduciendo sus modelos conocidos como modelos ARIMA (y también, como modelos Box-Jenkins).
A grandes rasgos, en este tipo de modelos se transforma una serie temporal en estacionaria (esto es, ni la media, ni la varianza, ni las autocorrelaciones dependerán del tiempo). Tras la transformación, el siguiente paso consiste en identificar un modelo de predicción válido y después, deshacer la transformación para comprobar si los pronósticos son acertados. La gran ventaja de estos modelos es su simplicidad relativa frente a los clásicos.
Por suerte, la mayoría de series de los indicadores más relevantes ya vienen desestacionalizadas y corregidas de otros efectos. No obstante, para las que esto no sea así, podemos servirnos de programas como el X-12-ARIMA o TRAMO para tratar las series.