Desestacionalización de series económicas

Qué es

Muchas series económicas mensuales o trimestrales, como la producción, las ventas del comercio, el empleo o el consumo eléctrico, siguen un patrón que se repite casi igual cada año. Diciembre trae más ventas por las fiestas, febrero baja la actividad por las vacaciones y los meses con más feriados producen menos. Estos vaivenes son predecibles y no dicen mucho sobre si la economía está mejorando o empeorando. La desestacionalización es el procedimiento estadístico que los estima y los retira de la serie, para que quede a la vista el movimiento de fondo.

La idea de partida es la descomposición clásica de una serie temporal en componentes no observables:

• Tendencia-ciclo (T): la evolución de mediano y largo plazo, incluidas las fases de expansión y contracción.
• Componente estacional (S): el patrón que se repite dentro del año.
• Componente irregular (I): el ruido residual, como shocks puntuales, errores de medición o eventos sin patrón.

Estos componentes pueden combinarse de forma aditiva (Y = T + S + I) o multiplicativa (Y = T × S × I). La forma multiplicativa es la más habitual en series económicas, porque la amplitud del patrón estacional suele crecer con el nivel de la serie. La serie desestacionalizada es la original sin S, es decir, T + I o T × I.

A la estacionalidad pura se suman los efectos calendario. Un mes puede tener más o menos días hábiles que el mismo mes del año anterior, Semana Santa cae a veces en marzo y a veces en abril, y los años bisiestos agregan un día a febrero. Los métodos modernos estiman estos efectos por regresión y los corrigen junto con la estacionalidad. Por eso a veces se habla de series "corregidas de estacionalidad y calendario".

En la práctica, la desestacionalización oficial descansa en dos familias de métodos:

1. Familia X-11. El método X-11 fue desarrollado en la Oficina del Censo de Estados Unidos (Shiskin, Young y Musgrave, 1967). Estima los componentes mediante promedios móviles aplicados de forma iterativa. Su sucesor, X-12-ARIMA (Findley et al., 1998), agregó un modelo ARIMA para extender la serie hacia adelante antes de filtrarla. Así se reducen las revisiones en los datos más recientes, que es donde los promedios móviles tienen menos información.
2. Familia TRAMO-SEATS. Fue desarrollada en el Banco de España (Gómez y Maravall, 1996). Ajusta un modelo ARIMA a toda la serie y extrae los componentes a partir de ese modelo.

El programa X-13ARIMA-SEATS, mantenido por la Oficina del Censo de Estados Unidos, integra ambos enfoques y hoy es un estándar en institutos de estadística y bancos centrales. En contextos académicos también se usa STL, un método de descomposición basado en regresiones locales (Cleveland et al., 1990).

Hay dos advertencias importantes:

• La serie desestacionalizada es una estimación y se revisa. Cada dato nuevo cambia la estimación de los factores estacionales, sobre todo en los meses finales.
• Conviene fijarse en qué variación se reporta. En la serie original lo habitual es comparar contra el mismo mes del año anterior (variación interanual), lo que ya neutraliza buena parte de la estacionalidad pero no los efectos calendario. En la serie desestacionalizada tiene sentido además la comparación contra el mes inmediatamente anterior, que capta mejor los cambios de dirección recientes.

Cómo lo explicó el programa

En el episodio del 2 de noviembre de 2026 ([bdm-2026-11-02]), dedicado al "Imacec de septiembre: original versus desestacionalizado", el programa usó este concepto para interpretar un dato que, leído en bruto, parecía casi de estancamiento. Willy Díaz destacó el contraste: "la diferencia entre el Imacec de 0.2 y el Imacec desestacionalizado que es de 1.9% de crecimiento".

El argumento central fue que el 0,2% de la serie original subestima la actividad. La cifra desestacionalizada, de 1,9%, anticipa mejor hacia dónde se está moviendo la economía. El caso más llamativo fue la minería, que en la serie original caía 12,1%, mientras que en la desestacionalizada crecía casi 10%. La diferencia ilustra cuánto pueden distorsionar la lectura de un mes puntual los factores estacionales y de calendario.

A partir de esa lectura, el programa proyectó que 2026 cerraría con un crecimiento entre 1% y 2%, con un mejor impulso en el último trimestre que se proyectaría hacia 2027.

Relación con otros conceptos

La desestacionalización es un paso previo al análisis del ciclo económico. Para saber si una economía está en expansión o en recesión, primero hay que retirar lo que se repite cada año. Una vez obtenida la serie desestacionalizada, se suelen aplicar filtros para separar tendencia y ciclo, como el filtro de Hodrick-Prescott (Hodrick y Prescott, 1997).

El concepto está muy ligado a indicadores de coyuntura como el Imacec y el PIB trimestral. También a la distinción entre variación interanual y variación mensual o trimestral y al efecto base, que aparece cuando una variación interanual se ve inflada o deprimida por lo que ocurrió en el mismo período del año anterior. Por último, se conecta con los modelos ARIMA de series de tiempo, que son la base técnica de X-12-ARIMA, TRAMO-SEATS y X-13ARIMA-SEATS.

Fuentes y lecturas

• Shiskin, J., Young, A. H. y Musgrave, J. C. (1967), The X-11 Variant of the Census Method II Seasonal Adjustment Program, Technical Paper No. 15, U.S. Bureau of the Census.
• Findley, D. F., Monsell, B. C., Bell, W. R., Otto, M. C. y Chen, B.-C. (1998), "New Capabilities and Methods of the X-12-ARIMA Seasonal-Adjustment Program", Journal of Business & Economic Statistics, 16(2).
• Gómez, V. y Maravall, A. (1996), Programs TRAMO and SEATS: Instructions for the User, Documento de Trabajo 9628, Banco de España.
• Ladiray, D. y Quenneville, B. (2001), Seasonal Adjustment with the X-11 Method, Springer (Lecture Notes in Statistics).
• Hyndman, R. J. y Athanasopoulos, G. (2021), Forecasting: Principles and Practice (3.ª ed.), OTexts.