7673 16628 1 SM PDF

Terra nueva etapa, XXX, 47, 2014, pp.
79 - 102 79
U so correcto de la correlación cruzada en Climatología:

el caso de la presión atmosférica entre Taití y Darwin*
Correct use of the correlation crossed in Climatology:

case of the atmospheric pressure between Taití and Darwin
José Manuel Guevara Díaz
RESUMEN
La correlación entre dos series temporales, tanto en tiempo simultáneo, como

desfasadas en el tiempo, se conoce como correlación cruzada y habitualmente se
acepta emplear “croscorrelación”, proveniente el término inglés “cross-correlation”.
En esta nota se discute el uso correcto de la técnica de la correlación cruzada en
Climatología, enfatizando en su interpretación con un caso concreto, y en el requisito
de la estacionariedad de las series, como condición previa y obligatoria a exigir para
el cálculo de la croscorrelación, a menos que las series estén cointegradas. Ha sido
reconocido, que muchos trabajos que incluyen las técnicas de correlación, correlación
cruzada y regresión en diferentes especialidades, carecen de validez, por el descuido
o desconocimiento del problema de la regresión espuria, de allí que insistir sobre este
problema sea otro objetivo de esta contribución. Granger y Newbold (1974) sugieren
que “cuando se modelan regresiones con series de tiempo, si el valor de R 2 es mayor
que el del estadístico Durbin-Watson, se debe sospechar la existencia de una relación
espuria”.
Palabras claves: Correlación cruzada, estacionariedad, croscorrelograma, cointegra-

ción, correlación espuria, Taiti1.
1
Por cuanto en el DRAE no están registradas Taití ni Tahiti, preferimos, la primera
opción al tiempo que coincidimos con Paul Gauguin cuando en su segunda permanencia en
la isla en 1897, pintó el cuadro que tituló “Nevermore o Taití”
* Recibido 25.11.2013 Aprobado: 16.01.2014

80 Revista Terra nueva etapa. Volumen XXX, N° 47
ABSTRACT
The correlation between two time series, both in simultaneous time and outdated over
time is known as crossed correlation and it is commonly accepted as cross-correlation.
This paper discusses the proper use of the technique of cross-correlation in
Climatology, emphasizing its interpretation in a particular case, and the requirement
of stationarity of the series, as a preliminary and required mandatory condition for
calculating the cross-correlation, unless series are co-integrated. It has been recognized
that many works that include the correlation crossed correlation and regression
techniques, in different specialties, lack of validity by the problem carelessness or
ignorance of spurious regression, hence insist on this problem is another objective
of this contribution. Granger and Newbold (1974) suggest that “when regressions are
modeled with time series, if the value is greater than the Durbin-Watson statistic, it
must be suspected the existence of a spurious relationships”
Key words: Crossed Correlation, stationarity, croscorrelograma, co-integration,

spurious Correlation, Taiti

Enero - Junio 2014 81
PRESENTACIÓN
Cuando se desea cuantificar la relación o asociación entre dos series del tiempo o
del clima, o entre una de ellas y otra variable de naturaleza no climática, usualmente
se recurre a métodos paramétricos como el coeficiente de correlación lineal, como
el de Pearson o a no paramétricos de Spearman o el de Mann-Kendall. En muchas
situaciones no hay indicios de correlación entre los eventos expresados por estos
Uso correcto de la correlación cruzada en Climatología: el caso de la presión atmosférica entre Taití y Darwin
coeficientes, puesto que ellos solo expresan la asociación en tiempo simultáneo, pero
cuando se les aplica a las series la técnica estadística de la correlación cruzada, es
posible que resalten asociaciones muy claras entre las series. Esa correlación cruzada
es, entonces, la correlación entre una serie Xt en un tiempo dado, t, con otra serie en
un tiempo posterior, Yt+k.
La correlación cruzada entre dos series estacionarias2, para lag (retardo) positivo
r xy (k) y para lag negativo r yx (-k), se obtiene por las fórmulas (1) y (2) y se ejemplifica en
el cuadro 1. El coeficiente de croscorrelación en el lag cero, tiene el mismo valor que
el coeficiente de correlación lineal de Pearson puesto que las series ocurren simultá-
neamente, no hay lag (retardo o desfase) entre los datos. En la expresión (1) se lee que
la suma de los productos de las desviaciones de la variable Xt por las desviaciones de
la variable Yt, desfasada en 1, 2,...(N-1) lags, se divide entre (N Sx Sy) y es lo mismo que
decir que la correlación cruzada r xy(k), entre dos series estacionarias para un retardo
dado es la media de los productos de las series Xt y Yt normalizadas, desfasadas en 1,
2,...(N-1) lags.
2 Se dice que una serie temporal es estacionaria cuando su media y su varianza no varíen
estadísticamente con el tiempo y la autocovarianza dependa del retardo entre los datos y
no del tiempo mismo. La estacionariedad asegura la independencia de los datos, postulado
esencial en estadística. Si las series son “no estacionarias” o “integradas”, pueden originar
correlaciones cruzadas y regresiones espurias. Se exceptúa el caso de series no estacionarias,
pero que son “cointegradas”, es decir, que entre ellas exista una combinación lineal que sea
estacionaria, Orion, Julius (2009); Smith, J.O.(2007); Podobnik Boris y H. Eugene Stanley
(2007); Nau (2005); Asteriou (2002).
Donde:
• Xt, Xt+k, valor de un dato en el tiempo, t, y el dato en el tiempo k, en la serie
independiente y estacionaria.
• Yt, Yt+k, valor de un dato en el tiempo, t y el dato en el tiempo k en la serie
dependiente y estacionaria
• SX y SY, desviación estándar poblacional de las series Xt y Yt, respectivamente
• N, número de pares de datos de las series Xt y Yt.
• μx y μy, medias de las series Xt y Yt, respectivamente
• k, retardo (lag) entre una observación en tiempo t y otra en tiempo posterior o
anterior, k: 0, ±1, ± 2,... ±.N-1
• N, SX, SY, μx y μy corresponden a la serie de lag cero y se mantienen constantes
en los demás lags
El cuadro 1 resume la fórmula a utilizar según que el retardo sea positivo, sin
retardo o con retardo negativo. Los datos que se desplazan en la variable Xt o Yt
determinan el signo positivo o negativo del retardo de los coeficientes. La correlación
cruzada, igual que la correlación lineal y la autocorrelación, varía de -1 a +1 para

indicar máxima correlación negativa o positiva, respectivamente, pero diferente a la
correlación lineal simple, el coeficiente de correlación cruzada entre las series Xt y Yt
difiere si la correlación es entre Yt y Xt, en lags diferentes de cero.
Significación estadística. Se acepta que un coeficiente de correlación cruzada
es estadísticamente significativo, (estadísticamente diferente a cero) al 95% de
confianza, si se cumple que:
Donde k es el valor absoluto del lag dado, N, el número de datos, y 1/√(N-k) el

error estándar de r xy(k). Aplicado al r de lag +1= 0,614, (cuadro 6); como r es mayor
que (1,96*0,204) se considera estadísticamente significativo.
Cuadro 1.
Fórmulas de los coeficientes de correlación cruzada,
según el signo del retardo, en series con datos mensuales
Fórmula para
Retardos positivos (+)
Xt Yt+k
E E
F F Lag 1
(Los datos del mes en Xt
M M
se asocian con los de Yt
A A de 1 mes después)
M M
J J
Fórmula sin Retardo

(lag cero)
E E Lag 0
Fórmula para
Retardos negativos (-)
Xt+k Yt
E E
Lag -1
F F (Los datos del mes en Yt
M M se asocian con los de Xt
A A de 1 mes después)
M M
J J
Obs: Es los mismo calcular r yx(-k) = r xy(-k) por: Xt+k con Yt; Yt con Xt+k o Xt con Yt-k
LA CROSCORRELACIÓN Y LA ESTACIONARIEDAD DE LAS SERIES
Antes de proceder a calcular la correlación cruzada entre dos series

cronológicas, hay que asegurarse de que ambas series sean “estacionarias”, es decir,
que sus medias y varianzas sean independientes del tiempo; de lo contrario, de ser
“no estacionarias” (o “integradas”), los valores de la media, la varianza o ambas -a
medida que aumenta el tamaño de la serie- con el pase del tiempo, tienden a cambiar,
perdiendo su comportamiento de estabilidad estadística y aunque los coeficientes
resultasen altos y significativos, no tendrían validez y las correlaciones podrían
ser consideradas espurias, ya que serían esencialmente causadas por la tendencia o
por autocorrelación en las series. Es decir, las correlaciones cruzadas de series no
estacionarias no constituirían relaciones reales entre las variables, sino relaciones
artificiales y carentes de sentido, a menos que Xt y Yt sean series cointegradas.
Véase Box, Gep and Jenkins (1979), Makridakis et al. (1983), Gujarati (1999), Smith
(2007), Granger (2004), Nau (2005a), Hagg (2005) y Podobnik (2007), entre otros. En
cuanto a la normalidad de las series, en la determinación de la correlación cruzada,
técnicamente no es necesario que lo sean, pero los residuales sí, Arnaus (2001), Mata,
H (s/f). Ahora, si además de estacionaria, los residuales fuesen normales, las series
serían estrictamente estacionarias.
Enfatizando: cuando las variables no cumplan con la condición de
estacionariedad, pueden ser utilizadas en correlación, croscorrelación y regresión,
solamente si están “cointegradas”, es decir, que siendo variables no estacionarias,
entre ellas existe una combinación lineal que sí es estacionaria, y esa combinación
lineal entre ellas es la serie de los residuales de la regresión, tal como lo estableció
Granger en 1981 y lo ampliaron Engle y Granger (1987) en lo que se conoce como
la teoría de la cointegración. Esta teoría es la base de la metodología que evita que la
regresión, la correlación y la croscorrelación sean espurias, al calcularlos, solo si los
residuales de la regresión entre las series originales o entre las series transformadas,
sean estacionarios.
Con el autocorrelograma se identifica preliminarmente si alguna de las series,
Xt o Yt, es no estacionaria, y se detecta porque los coeficientes de autocorrelación
son altos y significativos en muchos lags y van disminuyendo muy lentamente hasta
alcanzar cero. En cambio, si es estacionaria, los coeficientes van decreciendo de
manera exponencial y rápidamente alcanzan el valor cero.
Identificada la condición de no estacionariedad en una o ambas series, en
la mayoría de los casos, si la serie presenta tendencia determinística, se logra
su estacionariedad mediante regresión. Si posee tendencia estocástica, por la
trasformación de las primeras diferencias, para obtener una nueva serie de diferencias
de valores sucesivos, DXt o DYt, y cada nuevo dato expresado por (5), bien para la serie
X o para la serie Y:
DXt = (Xt – Xt-1) y DYt = (Yt – Yt-1) (5)
Donde Xt, Yt es un valor de la variable en el tiempo t y Xt-1, Yt-1,. es la variable X o Y en el tiempo
anterior, (retardada un lag o unidad temporal empleada).
De no resultar estacionaria la serie de las primeras diferencias, se le aplica a

esta serie diferenciada, las primeras diferencias, lo cual es denominado “diferencias
de segundo orden” o “primeas diferencias de las primeras diferencias”. Las series
estacionarias resultantes, sean del primer orden o de segundo orden, serán las series
a emplear en la croscorrelación y no las series originales. Es decir, en lugar de Xt y Yt
se correlacionará DXt con DYt, puesto que al ser series estacionarias, cumplen con el
supuesto de independencia.
Si la serie posee ciclo anual (estacionalidad), es no estacionaria por periodicidad,
y esta estacionalidad o ciclo anual debe ser removida para convertir la serie en
estacionaria, lo cual se logra al convertir los datos originales en anomalías, en relación
con las medias mensuales.
En cualquiera de los casos, si en el autocorrelograma, las autocorrelaciones de
las series Xt y Yt tienden a no ser significativas, no excederán el valor de las bandas de
confianza del 95%, expresado en la fórmula (4), y las series serán estacionarias, o que
se logró la estacionariedad de las series.
Aunque, en muchos casos, el uso del autocorrelograma es suficiente para
identificar la estacionariedad de una serie cronológica con el propósito del cálculo
de la correlación cruzada, numéricamente, la aceptación de estacionariedad de
una serie se obtiene comúnmente de manera concluyente mediante la prueba de
Dickey Fuller Aumentada (ADF) (1979) o la de Phillips-Perron (PP) (1988), ambas
en el programa econométrico Eviews, Quantitative Micro Software (2002). En estas
pruebas, si el valor absoluto del estadístico ADF es mayor que el valor absoluto
crítico de MacKinnon a un nivel α dado, se acepta que la serie no posee raíz unitaria
y, en consecuencia, es considerada estacionaria. También es empleada la prueba de
Kwiatkosky, Phillips, Schmidt, and Shin conocida por (KPSS) (1992) en las versiones
más recientes del Eviews.
En ausencia de un paquete estadístico, una manera práctica para saber si
una serie es estacionaria en la media, es subdividirla en varios sub períodos de
aproximadamente la misma longitud y se calculan sus medias aritméticas. El proceso
será considerado estacionario si las medias de los sub periodos son aproximadamente
iguales (o que entre dichas medias y la media de la serie completa, no hubiese
diferencias significativas, lo cual se puede decidir mediante la prueba t de Student
para muestras correlacionadas).
Se dijo que la varianza de los residuales debe ser constante con el tiempo, y
ello también se aprecia en el gráfico de los residuales de la regresión. Si existiese
heteroscedasticidad (cambios en la varianza con el tiempo) es recomendable una
transformación logarítmica de la serie original, o bien aplicarle la transformación de
Box-Cox.
Un caso explicado de correlación cruzada:

La presión atmosférica en Taití y Darwin
Metodología y datos
Para reafirmar el procedimiento explicado, se calculará la correlación cruzada

en diferentes retardos (lags) entre la presión atmosférica mensual reducida al nivel del
mar en Papelee, Taití (17º35´S-149º37´W), Polinesia Francesa, y la presión atmosférica

mensual reducida al nivel del mar en Darwin (12º26´S–130º52´E), Australia, ambas
en el océano Pacifico, durante la presencia de La Niña o fase fría del fenómeno
ENSO (El Niño Oscilación del Sur). Las series son expresadas en hectopascales,
hPa, y representan adecuadamente los polos opuestos en el concepto del índice de la
Oscilación del Sur, IOS, o componente atmosférica del ENSO (Guevara, 2008).
Datos. Los datos empleados de la presión atmosférica al nivel del mar en hectopascales,
provienen de CRU (Climate Research Unit, 2009).
Pasos a seguir:
• Se construye el cuadro 2 con el orden que deben llevar las columnas de las series
originales Xt=T y Yt=D; las columnas de los desvíos de las series mensuales, (dXt
y dYt), y los productos de esos desvíos, para obtener la correlación cruzada según
las fórmulas (1) y (2), para los lags +1 y -1.
• Se considera a la serie Taití como la serie independiente, Xt, precursora, líder,
indicativa, en la primera columna del cuadro 2, (a la derecha de las columnas
de años y meses) de allí que también se le denomine serie 1, dada su ubicación
cercana a la alta presión atmosférica generadora de los vientos alisios. La serie
Darwin será considerada la serie dependiente, Yt, y se coloca en la segunda
columna, por ello también es denominada serie 2.
Cuadro 2.
Cálculo de la correlación cruzada entre las presiones atmosféricas
reducidas al nivel del mar (hPa) en Taíti y Darwin
Xt Yt dXt dYt (dXt*dYt-1) (dXt-1*dYt)

Año Mes Taiti Darwin d(Taiti) d(Darwin) Lag+1 Lag-1
1998 5 1013.2 1011.5 -0.54 1.89 -1.41 1.62
1998 6 1014.6 1012.2 0.86 2.59 2.47 5.06
1998 7 1015.7 1012.5 1.96 2.89 6.24 6.52
1998 8 1016 1012.8 2.26 3.19 4.71 6.87
1998 9 1015.9 1011.7 2.16 2.09 0.19 1.37
1998 10 1014.4 1009.7 0.66 0.09 -1.45 -0.14
1998 11 1012.2 1007.4 -1.54 -2.21 5.73 4.08
1998 12 1011.9 1005.9 -1.84 -3.71 8.69 4.25
1999 1 1012.6 1004.9 -1.14 -4.71 3.90 7.28
1999 2 1012.2 1006.2 -1.54 -3.41 4.96 6.29
1999 3 1011.9 1006.4 -1.84 -3.21 1.68 1.75
1999 4 1013.2 1008.7 -0.54 -0.91 -1.35 -0.14
1999 5 1013.9 1012.1 0.16 2.49 0.53 1.38
1999 6 1014.3 1013 0.56 3.39 1.99 3.92
1999 7 1014.9 1013.2 1.16 3.59 4.96 7.74
1999 8 1015.9 1013.9 2.16 4.29 6.01 4.10
1999 9 1014.7 1012.4 0.96 2.79 0.66 2.94
1999 10 1014.8 1010.3 1.06 0.69 -1.70 -0.51
1999 11 1013 1008 -0.74 -1.61 2.24 1.68
1999 12 1012.7 1006.6 -1.04 -3.01 3.04 4.35
2000 1 1012.3 1006.7 -1.44 -2.91 4.49 -0.16
2000 2 1013.8 1006.5 0.06 -3.11 -0.12 2.00
2000 3 1013.1 1007.4 -0.64 -2.21 0.65 2.09
2000 4 1012.8 1008.6 -0.94 -1.01 -1.97 0.15
2000 5 1013.6 1011.7 -0.14 2.09
Suma 55.14 74.47
Media 1013.74 1009.61 Coef. CC 0.614 0.829
S 1.29 2.79 rxy(k=1) rxy(k=-1)
Fuente de los datos: Cru. Southern Oscillation Index SOI.(2009).

Compare resultados con cuadro de figura 4 calculados mediante el SPSS.
• Se establece claramente lo que se desea encontrar con la croscorrelación. En este

caso, como Taití es la variable independiente, precursora, indicativa, se trata
de averiguar si esta serie en el tiempo t estará relacionada con la serie Darwin
en el tiempo t+k, o bien, responder a la interrogante ¿El incremento de la
presión atmosférica superficial en Taití, (expresado por T o Xt) será seguido por
incremento en la presión atmosférica superficial en Darwin (D o Yt)?
• Se debe tener idea del comportamiento las series, individual y comparativamente.
Para ello, se grafica la variación de las series con los meses (figura 1a), así como
su diagrama de dispersión (figura 1b).
• Se realiza el cálculo de la croscorrelación por las fórmulas (1) y (2) si las dos series
son estacionarias, o bien, no estacionarias pero cointegradas de igual orden. Si
no cumplen con ninguna de estas condiciones, transformar previamente, las
series originales Xt y Yt en estacionarias, pero las series transformadas deberán
ser estacionarias del mismo orden de diferenciación, es decir, si las originales
eran de orden uno, las diferenciadas serán de orden cero; si las originales eran
de orden 2, las diferenciadas con dos diferenciaciones serán de orden cero.
• Se construye el croscorrelograma de las series (figuras 2a y 2b) y se interpreta

adecuadamente, recordando que cuando los coeficientes de correlación cruzados
están en lags positivos significa que la serie independiente, Xt, lidera a la serie
dependiente, Yt, pero, en lags negativos, la serie Yt lidera a la serie Xt.
Figura 1a.
Secuencia de las series originales de la presión atmosférica en Taití y Darwin.
Indicando inicio de la serie en el mes 5 del año 1998 y finalizando en el mes 5
de 2000
Las secuencias de las series indican curvas cuasi paralelas con fluctuaciones,
aunque más acentuadas en Darwin. El diagrama de dispersión (figura 1b) indica
linealidad entre las series de Taití y Darwin, requisito esencial en regresión y
correlación.
Figura 1b.
El diagrama de dispersión de las series de la presión en Taití y Darwin
Los autocorrelogramas de las series de Taiti (figura 2a) y Darwin (figura
2b) muestran la estacionalidad, más acentuada en Darwin, indicativas de la no
estacionariedad de ambas series. En los autocorrelogramas (Figura 2a y 2b) los
coeficientes de correlación serial son significativos en lags: 1, 2, 4, 5, 6, 7, 8, 10,11, 12
y 13, los cuales sobrepasan los umbrales de significación estadística, representados
por las líneas punteadas. La decisión definitiva sobre la estacionariedad o no de las
series se realiza mediante dos de las pruebas clásicas de mayor uso: la de Dickey
Fuller Aumentada, (ADF), y la prueba de Phillips-Perron (PP), con el programa
econométrico Eviews. La prueba ADF acepta que una serie es estacionaria si el valor
absoluto de ADF es mayor que el valor absoluto crítico de MacKinnon al 5%, (u
otro valor) y la de la prueba PP, muy similar, pero con diferentes valores críticos de
comparación.
Figura2a.
Autocorrelograma de la serie de presión atmosférica en Taití indicando
estacionalidad
Cuadro 3.
T, autocorrelaciones
Lag Ac. Error S Box-Ljung Prob.
1 .716 .189 14.425 .000

2 .335 .185 17.716 .000
3 -.044 .181 17.776 .000
4 -.331 .176 21.306 .000
5 -.556 .172 31.723 .000
6 -.548 .168 42.391 .000
7 -.482 .163 51.098 .000
8 -.348 .159 55.914 .000
9 -.089 .154 56.245 .000
10 .165 .149 57.477 .000
11 .303 .144 61.890 .000
12 .399 .139 70.145 .000
13 .382 .133 78.334 .000
14 .187 .128 80.473 .000
15 -.018 .122 80.495 .000
Los estadísticos de Box Ljung en cuadro 3, indican que si su probabilidad es menor

que 0,05, lo coeficientes de autocorrelación son significativamente diferentes de cero.
Figura 2b.
Autocorrelograma de la serie de presión atmosférica en Darwin indicando
estacionalidad
Cuadro 4.
D, Autocorrelación.
Lag Corr. Err. Box-Ljung Prob.
1 .825 .189 19.124 .000

2 .485 .185 26.038 .000
3 .057 .181 26.136 .000
4 -.369 .176 30.508 .000
5 -.682 .172 46.201 .000
6 -.786 .168 68.132 .000
7 -.678 .163 85.385 .000
8 -.413 .159 92.143 .000
9 -.089 .154 92.476 .000
10 .192 .149 94.141 .000
11 .414 .144 102.394 .000
12 .493 .139 115.014 .000
13 .408 .133 124.400 .000
14 .256 .128 128.415 .000
15 .095 .122 129.018 .000
Prueba ADF, modelo con constante: -2,58, y valor crítico al 5% -2,99, con 1
variable dependiente retardada, clasifica a Taití como no estacionaria.
Prueba ADF, modelo con constante: -4,29, valor crítico al 5% -3,00 con 2
variables dependientes retardadas, clasifica a Darwin como estacionaria.
Sin embargo, dado que por la prueba de estacionariedad de Phillips-Perron (PP),
en el mismo Eviews no se cumple con la condición de estacionariedad en ninguna
de las localidades, se aceptó la decisión de no estacionariedad por esta prueba que,
además, concuerda con los autocorrelogramas.
Aceptar la no estacionariedad de ambas series significa que no podrían utilizarse
para obtener la correlación cruzada ni tampoco establecer regresión entre ellas, sin
el peligro de obtener resultados espurios, es decir, resultados altos, pero sin sentido
por no tener significación estadística válida. ¿Qué hacer, entonces? Dos opciones
posibles: a) Aunque las series son no estacionarias (integradas), demostrar que entre
ellas existe una relación lineal que sí es estacionaria, o sea, demostrar que son series
cointegradas. Esto se logra al establecer una regresión con las series originales de
Taití y Darwin, y si los residuales de la regresión (que es la combinación lineal entre las
series) son estacionarios, se aceptará la cointegración de las dos series y se aceptará su
empleo en la correlación cruzada. b) La segunda opción es aplicar una trasformación
matemática a las series, y si estas series trasformadas son estacionarias, podrán ser
empleadas en la croscorrelación.
Comprobación de la cointegración de las series:
Se obtiene la siguiente regresión lineal entre la presión atmosférica en Taití

(PTaití) y Darwin (PDarwin), ambas no estacionarias
PDarwin = -828,65 + 1,81 PTaití (6)

(N: 25; R 2: 0,704; Se:1.57; Error est: 0.24 ; t: 7.4 Pv: 0.00)
En la figura 3 el autocorrelograma de los residuales (Unstandardized Residual) de

la regresión y los valores de los coeficientes de autocorrelación (AC) correspondientes
en el cuadro 5.
Figura 3.
Autocorrelograma de los residuales indicando su estacionariedad
Cuadro 5.
AC de residuales
Lag Ac. SErr. Box-Ljung Prob.
1 .401 .189 4.525 .033

2 .055 .185 4.612 .100
3 -.129 .181 5.122 .163
4 -.121 .176 5.592 .232
5 -.294 .172 8.502 .131
6 -.138 .168 9.177 .164
7 -.306 .163 12.694 .080
8 -.411 .159 19.390 .013
9 -.248 .154 21.988 .009
10 -.022 .149 22.009 .015
11 .120 .144 22.702 .019
12 .262 .139 26.263 .010
13 .324 .133 32.153 .002
14 .182 .128 34.195 .002
15 .014 .122 34.208 .003
16 -.001 .115 34.208 .005
Prueba ADF de estacionariedad de los residuales, mediante Eviews:

Seleccionando “level” “None” (sin tendencia, sin intercepto) con una variable
dependiente retardada. ADF= -2,71; valor crítico al 5% -1,95
Prueba PP de estacionariedad de los residuales mediante Eviews:

Seleccionando “level” “None” (sin tendencia, sin intercepto) con una variable
independientes retardada: PP= -3,13; valor crítico al 5% -1,95
Decisión: Como el valor absoluto de ADF |-2,71|; y el valor absoluto de PP |-3,13| son
mayores que el valor absoluto del valor crítico,|-1,95|, se acepta que los residuales
de la regresión son estacionarios, lo que significa que las series están cointegradas
y poseen una relación estable en el largo plazo; en consecuencia, aunque las series
mensuales de presión atmosférica en Taití y en Darwin utilizadas, resultaron no
estacionarias pero cointegradas, pueden ser utilizadas para calcular la correlación
cruzada entre ellas, sin necesidad de remover la estacionalidad anual que causa la no
estacionariedad en ambas series.

Aplicando las fórmulas (1) y (2) y siguiendo el procedimiento indicado en el
cuadro 2, se calculan los coeficientes de correlación cruzada con retardos desde el
lag -7 hasta el lag +7 (cuadro 6 y el croscorrelograma respectivo, figura 4), según el
programa SPSS. Estos resultados coinciden con los obtenidos directamente online
por el calculador de Wessa (2009).
Interpretación del croscorrelograma
La figura 4 es el correlograma de la correlación cruzada y representa todas

las correlaciones cruzadas del cuadro 6, para visualizar la influencia del desfase
temporal en las asociaciones entre las dos variables. El lag cero está en el centro del
croscorrelograma. Hacia la derecha, los lags o retardos positivos 1, 2, 3, 4, 5, 6, 7, en
meses, que indican que la variable independiente, Xt, lidera el proceso, y hacia la
izquierda del lag 0, los coeficientes en retardos negativos, que indican que la variable
dependiente, Yt , lidera el proceso.
Se considera que un coeficiente está en retardo positivo cuando los datos de la
variable dependiente, Yt, ocurren en una o más unidades temporales después que los
datos de la variable independiente, Xt. Por ejemplo, si la presión atmosférica en Xt es en
enero, la de Yt+1 será en febrero, un mes más tarde, en relación con la de Xt. (atrasada,
retardada, después). Se considera que un coeficiente está en retardo negativo cuando
los datos de la variable dependiente, Yt, ocurren en una o más unidades temporales
Figura 4. Cuadro 6.
Croscorrelograma de las series Croscorrelaciones
de Taití y Darwin.
Lag Corr. Er E
-7 -0,582 0,236
-6 -0.574 0.229
-5 -0.412 0.224
-4 -0.113 0.218
-3 0.252 0.213
-2 0.611 0.209
-1 0.829 0.204
0 0.840 0.200
1 0.614 0.204
2 0.229 0.209
3 -0.177 0.213
4 -0.562 0.218
5 -0.763 0.224
6 -0.773 0.229
7 -0.522 0.236
En la ordenada, escala de los coeficientes, y en la abscisa, los lags positivos y negativos.

Las líneas horizontales punteadas, los límites de confianza del 95%.
A la derecha, el cuadro 6, con los coeficientes de correlación cruzada calculados por

el SPSS desde lag -7 a +7 y sus respectivos errores estándar.
antes que los datos de la variable independiente, Xt. Por ejemplo, si la presión
atmosférica en Xt es en enero, la de Yt+1 será en diciembre, un mes antes en relación
con la de Xt. (Antes, adelantada, retardada negativamente).
La variable independiente, Xt, es la presión atmosférica reducida al nivel del mar,
en la localidad de Taití, océano Pacífico. La variable dependiente, Yt, es la presión
atmosférica reducida al nivel del mar, en la localidad de Darwin, Australia.
Las series utilizadas corresponden a un periodo de 25 meses durante el cual
estuvo presente la Niña, o fase fría del fenómeno El Niño-Oscilación del Sur (ENSO)
y el número de coeficientes calculados fue de siete aunque, usualmente, para obtener
el croscorrelograma se calcula ¼ del número de datos. En el croscorrelograma de
la figura 4, el coeficiente de mayor valor ocurre en el lag 0 con +0,84, correlación

alta y estadísticamente significativa, al sobrepasar la línea del límite de confianza del
95% (fórmula 4). Este valor significa que la presión atmosférica reducida al nivel del
mar, aumenta o disminuye simultáneamente en Taití y Darwin. Es decir, durante la
Niña, cuando la presión atmosférica aumenta en Taití, también lo hace en Darwin, y
cuando disminuye en Taití, disminuye en Darwin.
Con un desfase o retardo positivo de un mes entre las series (lag positivo 1),
el coeficiente es +0,614, estadísticamente significativo, que al estar en lag positivo,
la variable que lidera el proceso es la Xt, Taití, interpretándose que el incremento
o descenso bárico en Darwin, se inicia un mes después que el aumento o descenso
ocurrido en Taití, es decir, el aumento o el descenso de presión en Taití precede en un
mes al aumento o descenso de presión en Darwin, durante la presencia de La Niña en
el océano Pacífico.
En el croscorrelograma (figura 4) se ve que con desfases de cuatro, cinco, seis y
siete meses desde el inicio de la serie en Taití (lags positivos), el proceso de la presión
atmosférica entre las dos localidades, durante la Niña tienen otro comportamiento,
ahora existe una relación inversa: al aumentar o disminuir la presión en Taití, a los 4,
5, 6 y 7 meses después, respectivamente, la presión atmosférica disminuye o aumenta
en Darwin. Ese comportamiento inverso en desfase de 6 meses, por ejemplo, es
expresado por la correlación cruzada alta y negativa de -0,773 (cuadro 6) y por la
figura 5.
Figura 5.
Comportamiento de la presión atmosférica en Taití y Darwin durante La Niña y
con desfase de 6 meses
En lags negativos, (cuadro 6 y figura 4) se observa una repetición de lo que

ocurre en los lags positivos, pero con interpretación opuesta ya que la variable que
lidera el proceso es la variable Yt, Darwin. En los desfases negativos de 1 y 2 meses, los
coeficientes son positivos y estadísticamente significativos, expresando que cuando
la presión atmosférica en Darwin durante La Niña, aumenta, 1 y 2 meses después, se
incrementa en Taití.
Con desfase de 6 y 7 meses, desde el inicio de la serie en Darwin, cuando la
presión aumenta o disminuye, 6 y 7 meses después, disminuye o aumenta en Taití.
Las correlaciones cruzadas en estos desfases son -0,57 y -0,58, respectivamente.
Enfatizando sobre el cálculo de los coeficientes de correlación cruzada
Los programas estadísticos y econométricos resuelven los cálculos de manera

rápida y efectiva, pero parte de nuestro interés es enfatizar la realización de los cálculos
paso a paso, pensando en los que se inician en el tema de la correlación cruzada como
una herramienta imprescindible en las ciencias ambientales, para que los cálculos
sean correctamente entendidos y los resultados aplicados adecuadamente. Así, si
un coeficiente empieza con la variable independiente, Xt, en lag positivo, se escribe
r xy(k) y si por ejemplo, la croscorrelación entre la lluvia diaria y el caudal de un río
fuese +0,52 en lag de dos días, (r xy(2) = 0,52) significa que el caudal del río aumentará
dos días después de ocurrida la lluvia. O bien, cuando el intenso El Niño de 1988
incrementó la temperatura media global hasta 6 meses, en términos de correlación
cruzada, se dirá que el incremento de la temperatura global siguió a El Niño durante
seis meses.
Regresemos, entonces, al cuadro 1. Allí están las fórmulas para obtener los
coeficientes en los lags positivos, negativos y sin retardo, con flechas señalando la
dirección de la asociación entre los datos mensuales de las variables. Con lapsos
diferentes la explicación es similar. En los lags positivos, los datos de la variable
independiente, Xt permanecen fijos, para asociar su primer dato, en enero, X1, con el
dato del mes siguiente de la variable dependiente, en febrero, Yt+1 = Y2, en la columna
derecha. Luego, el dato de febrero en Xt, Xt+2, se combina con el de marzo en Yt, Yt+3, y
así sucesivamente, hasta que el penúltimo de Xt, se combine con el último de Yt.
Si se recalculase manualmente el coeficiente de correlación cruzada en desfase
positivo de 6 meses (curvas representadas en figura 5) se constatará que el número de
datos y la desviación estándar de las series son los mismos para los coeficientes en
el lag 1, -1 y para los cálculos de todos los coeficientes, y esta es una de las razones
por las cuales las series a usar en correlación cruzada deben ser estacionarias y con
suficiente número de datos.
En el cálculo del coeficiente en lag -1, permanece fija la variable Yt, y la variable
independiente, Xt, es la que se desplaza o desfasa. El dato de enero de Yt = Y1 se
combina con el dato de febrero de la variable Xt,=X 2. El de febrero de Y2 con el de
marzo de X3, hasta que el penúltimo de Yt se combine con el último de Xt. El proceso
continua hasta los lag positivos y negativos 2, 3, 4, etc, hasta calcular los coeficientes
necesarios, generalmente, hasta N/4 coeficientes.
En el cuadro 2, se identifican las columnas de las series originales y sus desvíos.
El desvío de la serie Xt, (dxt) se multiplica por el desvío de la serie Yt (dy t) para formar
el primer dato de la columna de los productos de los desvíos. Estos productos se
suman y esta suma se divide entre el producto: (N Sx Sy). Remplazando en las fórmulas
(1 y 2) con los datos requeridos, se obtiene el coeficiente de correlación cruzada del
primer lag positivo (+0,614) y del primer lag negativo (+0,829) entre las series Xt y la
serie Yt, valores que coinciden con los del cuadro 6 obtenido por Wessa (2009) y el
SPSS, con indicaciones de sus significaciones estadísticas.
Σ[(Xt - μx)*(Tt+k – μY)] 55,14

rXY(K=1) = = = + 0,614 (7)
NSX SY 25*1,29*2,79
Σ[(Yt - μy)*(Xt+k – μY)] 74,47

rXY(K=–1) = = = + 0,829 (8)
N SX SY 25*1,29*2,79
CONCLUSIONES Y RECOMENDACIONES
• En el cálculo del coeficiente de correlación cruzada, denominado en inglés

“cross-correlation” y castellanizado en la practica como crosscorrelación y
croscorrelación, siempre es conveniente utilizar como primera variable, a la
variable Xt, a la que se considere o sospeche que sea la variable independiente,
precursora, líder o causal, y como variable Yt o segunda variable, la que se
considere como variable dependiente. Si se invierte este orden, los coeficientes
mantienen sus magnitudes, signos y lags, pero cambiarán los signos de los
lags, y como consecuencia, el coeficiente máximo se ubicará en el lag de signo
opuesto.
• Si las series fuesen anomalías de los datos originales (en relación con las medias
de sus series), los valores de los coeficientes no cambiaran, ya que las anomalías
de las anomalías, y la desviación estándar de las anomalías, son las mismas que
las de las series originales.
• En lag cero, el valor del coeficiente es el mismo que el coeficiente de correlación

de Pearson y significa que los eventos ocurren de manera simultánea, puesto
que no hay separación de tiempo (lag) entre ellos.
• Para aplicar la correlación cruzada es necesario que las series sean estacionarias,
o si no lo fuesen, que sean cointegradas. Por ello se recomienda, previamente,
establecer una regresión lineal entre las series, y si sus residuales son estacionarios,
las series originales estarán cointegradas y con ellas se puede calcular la
croscorrelación, aunque sean no estacionarias. Mediante el autocorrelograma
y por las pruebas de estacionariedad de Dickey Fuller Aumentada (ADF) y la de
Phillips-Perron (PP), se conoce la estacionariedad de los residuales y de las series
originales. Makridakis et al. (1983) exigen que la serie independiente sea “ruido
blanco”, aleatoria, para lo cual emplean la transformación del “preblanqueo”.
Pero, si se sigue el criterio de H. Mata (s/f) de que ruido blanco es igual a
estacionario, habría coincidencia con Makridakis et al (1983).
• Se debe tener seguridad en la escogencia de las variables: la variable líder
o precursora, se identifica en el croscorrelograma por el signo del lag que es
positivo y significa que ella lidera o conduce a la serie Yt. Si el signo del lag es
negativo, la variable líder o precursora, es la serie Yt, y significa que ella lidera
o conduce a la serie Xt.
• Es conveniente que los programas estadísticos se empleen después de entendido
el proceso de la correlación cruzada de manera manual. Para el cálculo en la
primera columna debe colocarse la serie Xt (1, independiente, precursora, causal
o la que se sospeche que lo sea) y a la derecha, la serie de la variable dependiente,
Yt o 2.
• En muchos casos solo es posible la correlación cruzada Xt y Yt. Por ejemplo,
si El Niño y la malaria en un área es +0,60 en lag de 6 meses, significa que “la
malaria ocurrió 6 meses después de iniciado el fenómeno El Niño” o “la malaria
sigue a El Niño ocurrido 6 meses antes”. Si la correlación fuese 0,60 en lag -6,
el coeficiente se calculó con la malaria como variable independiente, sin serlo, y
sería un contrasentido decir que “El Niño se inició 6 meses después que ocurrió
la malaria”. O que ¡la malaria lidera El Niño!
• Un gran número de trabajos que emplean correlación cruzada no cumplen
con las condiciones exigidas y entre las cuales se enumeran las siguientes: no
emplean series estacionarias o si lo son, no explican el procedimiento empleado
de estacionarización; no titulan adecuadamente el croscorrelograma; las
variables que se utilizan no se especifican claramente, no se sabe si son series
cronológicas originales o transformadas; los croscorrelogramas carecen de
líneas de significación; la interpretación del croscorrelograma generalmente
es incompleto o poco explicativo y el caso extremo, solo indican el valor de la

correlación con su lag, lo demás queda a la imaginación.
• Se recomienda investigar la afirmación de Nau (2005b) de solo aceptar valederos
los coeficientes de croscorrelación de los lags 0, 1 y 2, ya que por la condición
de “ruido” que contiene la croscorrelación, los coeficientes más allá del tercer
lags son puramente accidentales, a excepción de cuando la influencia estacional
es importante. Igualmente “ruidosos” son los coeficientes de autocorrelación,
considerando probablemente, no ciertos los coeficientes en los lags 5 y 7, en datos
mensuales.
REFERENCIAS BIBLIOGRAFÍCAS
ARNAUS, GRASS, J (Ed). (2001). Diseño de series temporales: Técnicas de Análisis.

Documento en Línea. Ediciones Universitat Barcelona. Barcelona, España.
Disponible en: http://books.google.com [Consultado: 15-1-2009].
ASTERIOU, DIMITRIOS (2002). Notas sobre Análisis de Series de Tiempo:

Estacionariedad, Integración y Cointegración. Documento en Línea. Traducida
por H Mata. Disponible en: http://www.personal.rdg.ac.uk/~less00da/lecture3.
htm [Consultado: 11-4-2010].
BOX, GEP AND JENKINS, GM. (1979). Time series analysis: forecasting and control.
San Francisco. Holden-Day, 1976.
CLIMATE RESEARCH UNIT (CRU) (2009). Data: Southern Oscillation Index (SOI),
Documento en Línea. UK. http://www.cru.uea.ac.uk/ftpdata/soi.dat [Consultado:
10-5-2009].
EVIEWS v. 2.0. ECONOMETRIC (1997). The Eviews Help. Documento en Línea.

Dipsonible en: http://onlinelibrary.wiley.com/doi/10.1111/1467-6419.00026/
abstract
ENGLE, R. y GRANGER, C.W. (1987). Cointegration and Error Correction:

Representation. Estimation and Testing. Econométrica. Vol. 55, pp 251-276.
GRANGER, C. W. J. AND P, NEWBOLD (1974). Spurious Regressions in Econometrics.

Journal of Econometric. Vol. 2, N° 2, pp 111-120.
GRANGER, C.W.J. (1981). Some Properties of Time Series Data and Their Use in
Econometric Model Specification. Journal of Econometrics. Vol. 16, N° 1. pp
121-130.
GRANGER, C.W.J (1986). Developments in the Study of Cointegrated Economic

Variables Oxford Bulletin of Economics and Statistics. Vol. 48. N° 3, pp. 213-227.
GRANGER, CLIVER W. J (2004). Análisis de series temporales, cointegración y
aplicaciones. Revista Asturiana de Economía - RAE. Nº 30.
GUEVARA DÍAZ, JOSÉ M. (2008). El ABC de los índices usados en la identificación

y definición cuantitativa de El Niño - Oscilación del Sur (ENSO). Terra. Nueva
Etapa. Vol, XXIV, No. 35, pp 85-140.
GUJARATI, DAMODAR (1999). Econometría. 3ª ed. Mc Graw Hill, Bogotá.
MAKRIDAKIS, SPIROS; STEVEN WHEELWRIGHT AND VICTOR MCGEE.

(1983). Forecating. Methods and application. Second edition. John Wiley and Sons,
New York.
MATA, H. L. (s/f). Nociones elementales de cointegración. Enfoque de Engle-Granger.

Documento en Línea. Disponible en: http://webdelprofesor.ula.ve.hmata.
[Consultado: 12-5-2008].
NAU, ROBERT. (2005a). Stationarity and differencing. Decisión 411 Documento en

Línea. Disponible en: http://www.duke.edu/~rnau/411diff.htm [Consultado:
10-3-2009].
NAU, ROBERT. (2005b). Fitting time series regression models. Decisión 411.
Documento en Línea. Disponible en: http://www.duke.edu/~rnau/timereg.html.
[Consultado: 1-4-2009].
ORION, JULIUS. (2009). Cross-Correlation en DSP Relat.com. Documento en Línea.

Disponible en: http://www.dsprelated.com/dspbooks/mdft/Cross_Correlation.
html. [Consultado: 21-4-2010].
PODOBNIK, BORIS y EUGENE STANLEY (2007). Detrended Cross-Correlation

Analysis: A New Method for Analyzing Two Non-stationary Time Series. Documento
en Línea. Disponible en: http://arxiv.org/PS_cache/arxiv/pdf/0709/0709.0281v1.
pdf [Consultado: 1-3-2011].
SMITH, J.O. (2007). Mathematics of the Discrete Fourier Transform (DFT) with
Audio Applications. Documento en Línea. Second Edition. Disponible en Línea:
http://ccrma.stanford.edu/~jos/mdft/. Cross_Correlation.html [Consultado:
10-1-2008].
WESSA, P. (2009). Free Statistics Software. Documento en Línea. Office for Research
Development and Education. Versión 1.1.23-r3. Disponible en Línea: http://
www.wessa.net/ . [Consultado: 15-5-2009].
José Manuel Guevara Díaz. Egresado de la Universidad Central

de Venezuela como Licenciado en Geografía, obtiene maestría en
la Universidad de Boston y posteriormente, doctorado en la UCV.
Profesor Titular. Durante su labor educativa universitaria de pregrado
ha dictado los cursos de Meteorología, Climatología, Geografía Física,
Geografía de Venezuela, Geografía Regional y trabajo de Campo. A
nivel de postgrado, Climatología Urbana y Problemas Climáticos
de Venezuela. Su obra escrita es diversa con artículos publicados en
revistas nacionales y extranjeras y en libros como: Meteorología; La
Geografía Regional, la Región y la Regionalización; Métodos de
estimación y ajuste de datos climáticos, Geografía de las regiones
Central y Capital de Venezuela y su más reciente, Historia de la
Escuela de Geografía de la UCV.
Correo Electrónico:

7673 16628 1 SM PDF

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

7673 16628 1 SM PDF

Cargado por

Copyright:

Formatos disponibles

Terra nueva etapa, XXX, 47, 2014, pp.

U so correcto de la correlación cruzada en Climatología:

Correct use of the correlation crossed in Climatology:

José Manuel Guevara Díaz

La correlación entre dos series temporales, tanto en tiempo simultáneo, como

Palabras claves: Correlación cruzada, estacionariedad, croscorrelograma, cointegra-

* Recibido 25.11.2013 Aprobado: 16.01.2014

Key words: Crossed Correlation, stationarity, croscorrelograma, co-integration,

spurious Correlation, Taiti

cruzada, igual que la correlación lineal y la autocorrelación, varía de -1 a +1 para

Donde k es el valor absoluto del lag dado, N, el número de datos, y 1/√(N-k) el

Fórmula sin Retardo

LA CROSCORRELACIÓN Y LA ESTACIONARIEDAD DE LAS SERIES

Antes de proceder a calcular la correlación cruzada entre dos series

DXt = (Xt – Xt-1) y DYt = (Yt – Yt-1) (5)

Donde Xt, Yt es un valor de la variable en el tiempo t y Xt-1, Yt-1,. es la variable X o Y en el tiempo

De no resultar estacionaria la serie de las primeras diferencias, se le aplica a

Un caso explicado de correlación cruzada:

Para reafirmar el procedimiento explicado, se calculará la correlación cruzada

mar en Papelee, Taití (17º35´S-149º37´W), Polinesia Francesa, y la presión atmosférica

Xt Yt dXt dYt (dXt*dYt-1) (dXt-1*dYt)

Fuente de los datos: Cru. Southern Oscillation Index SOI.(2009).

• Se establece claramente lo que se desea encontrar con la croscorrelación. En este

• Se construye el croscorrelograma de las series (figuras 2a y 2b) y se interpreta

Lag Ac. Error S Box-Ljung Prob.

1 .716 .189 14.425 .000

Los estadísticos de Box Ljung en cuadro 3, indican que si su probabilidad es menor

1 .825 .189 19.124 .000

Comprobación de la cointegración de las series:

Se obtiene la siguiente regresión lineal entre la presión atmosférica en Taití

PDarwin = -828,65 + 1,81 PTaití (6)

En la figura 3 el autocorrelograma de los residuales (Unstandardized Residual) de

1 .401 .189 4.525 .033

Prueba ADF de estacionariedad de los residuales, mediante Eviews:

Prueba PP de estacionariedad de los residuales mediante Eviews:

Interpretación del croscorrelograma

La figura 4 es el correlograma de la correlación cruzada y representa todas

En la ordenada, escala de los coeficientes, y en la abscisa, los lags positivos y negativos.

A la derecha, el cuadro 6, con los coeficientes de correlación cruzada calculados por

la figura 4, el coeficiente de mayor valor ocurre en el lag 0 con +0,84, correlación

En lags negativos, (cuadro 6 y figura 4) se observa una repetición de lo que

Enfatizando sobre el cálculo de los coeficientes de correlación cruzada

Los programas estadísticos y econométricos resuelven los cálculos de manera

Σ[(Xt - μx)*(Tt+k – μY)] 55,14

Σ[(Yt - μy)*(Xt+k – μY)] 74,47

• En el cálculo del coeficiente de correlación cruzada, denominado en inglés

• En lag cero, el valor del coeficiente es el mismo que el coeficiente de correlación

es incompleto o poco explicativo y el caso extremo, solo indican el valor de la

ARNAUS, GRASS, J (Ed). (2001). Diseño de series temporales: Técnicas de Análisis.

ASTERIOU, DIMITRIOS (2002). Notas sobre Análisis de Series de Tiempo:

EVIEWS v. 2.0. ECONOMETRIC (1997). The Eviews Help. Documento en Línea.

ENGLE, R. y GRANGER, C.W. (1987). Cointegration and Error Correction:

GRANGER, C. W. J. AND P, NEWBOLD (1974). Spurious Regressions in Econometrics.

GRANGER, C.W.J (1986). Developments in the Study of Cointegrated Economic

GUEVARA DÍAZ, JOSÉ M. (2008). El ABC de los índices usados en la identificación

GUJARATI, DAMODAR (1999). Econometría. 3ª ed. Mc Graw Hill, Bogotá.

MAKRIDAKIS, SPIROS; STEVEN WHEELWRIGHT AND VICTOR MCGEE.

MATA, H. L. (s/f). Nociones elementales de cointegración. Enfoque de Engle-Granger.

NAU, ROBERT. (2005a). Stationarity and differencing. Decisión 411 Documento en

ORION, JULIUS. (2009). Cross-Correlation en DSP Relat.com. Documento en Línea.

PODOBNIK, BORIS y EUGENE STANLEY (2007). Detrended Cross-Correlation

José Manuel Guevara Díaz. Egresado de la Universidad Central

Xt Yt dXt dYt (dXtdYt-1) (dXt-1dYt)