ECONOMETR IA II: ECONOMETR IA DE SERIES TEMPORALES

Modelos ARMA

 Denici on: Ruido blanco. Se dice que el proceso { t } es ruido blanco (white noise) si: Var ( t ) Cov ( i j ) = = E( t) E( 2 t) E( i j) = = = 0 2 0

Para todo i = j : Notaci on:

t

WN
t

Ruido blanco Gaussiano: Para todo t , 2 t WN (0, )

N (0, 2 ). Notaci on:

 Denici on: Modelo ARMA. Un modelo autoregresivo-media m ovil (autoregressive moving averageARMA) tiene la forma:
p q

yt = 0 +
i =1

i yt i +
j =0

t j ,

donde el proceso { t } es ruido blanco. Este modelo se denota como ARMA(p , q ), y normalmente se normaliza 0 a 1. Nota: Suponemos que todas las ra ces caracter sticas est an dentro del c rculo de unidad. Si una o varias ra ces caracter sticas estan encima o fuera del circulo de unidad, el modelo se llama autoregresivo-integrado-media m ovil (autoregressive integrated moving averageARIMA(p , d , q ), donde d es el orden de integraci on)

Ejemplos de modelos ARMA: ARMA(0,0): ARMA(0,1): ARMA(1,0): ARMA(1,0) (paseo : aleatorio) ARMA(1,1): yt = 0 + yt = 0 +
t t

+ 1

t 1 t

yt = 0 + 1 yt 1 + yt = yt 1 +

yt = 0 + 1 yt 1 +

+ 1

t 1

Ejemplos de modelos ARMA (cont.): Modelos ARMA(p ,0) con 0 = 1:

p

yt = 0 +
i =1

i yt i +

tambi en se denotan modelos AR(p ). Modelos ARMA(0,q ):

q

yt = 0 +
j =0

t j

tambi en se denotan modelos MA(q )

Modelos MA(q ): MA(1): yt = 0 +

t

+ 1

t 1 ,

donde { t } es ruido blanco

= E (yt ) = 0
2 ) 2 0 = Var (yt ) = (1 + 1

k = Cov (yt , yt k ) =

1 2 para k = 1 0 para k > 1

Es el modelo MA(1) estacionario? Si Qu e es Corr (yt , yt k )? k = Corr (yt , yt k ) =

k 0

Modelos MA(q ) (cont.): MA(q ): yt = 0 + donde 0 = 1 = 0

2 + + 2 ) 2 0 = (1 + 1 q q j =0 q t q ,

donde { t } es ruido blanco y

k =

(k + k +1 1 + + q q1 ) 2 para k = 1, . . . , q 0 para k > q

Es el modelo MA(q ) estacionario? Si Qu e es Corr (yt , yt k )? k =

k 0

Modelos MA(q ) (cont.): MA(): yt = 0 + donde 0 = 1 Notaci on: MA() Como podemos saber si MA() es un proceso estacionario y bien denido? Una de las condiciones siguientes es suciente: a)
2 j =0 j j =0 j t j ,

donde { t } es ruido blanco y

<

b)
j =0 |j |

<

Modelos MA(q ) (cont.): Entonces, por el MA() tenemos que: = 0

2 + 2 + + 2 ) 2 0 = limT (0 1 T

k = 2 (k 0 + k +1 1 + k +2 2 + )

Modelos AR(p ): AR(1): yt = 0 + 1 yt 1 +

t,

donde { t } es ruido blanco

Es el modelo AR(1) estacionario (estable)? Si |1 | < 1 si Si |1 | 1 no Por qu e |1 | < 1 AR(1) estacionario?

Modelos AR(p ) (cont.): Porque eso implica que el modelo AR(1) se puede escribir como un modelo MA(): yt = = = . . . = = = = 0 + 1 yt 1 +
t t 1 )

0 + 1 (0 + 1 yt 2 +

t t 2 )

0 + 1 [0 + 1 (0 + 1 yt 3 + + t 1 ] + t (0 + 0
0 11 t)

+ 1 (0 + +
t

t 1 )

+ 2 1 (0 + + 2 1
t 2

t 2 )

+
t 3

i i =0 1

+ 1

t 1

+ 3 1

+ 1

t 1

+ 2 1

t 2

+ 3 1

t 3

MA()

Modelos AR(p ) (cont.): Recuerda: j =0 |j | < MA(q ) estacionario, y en nuestro caso (dado que |1 | < 1) tenemos
j =0 |j |

j j =0 |1 |

<

De todo esto se deduce (cuando |1 | < 1): = 0 = k = k =

0 11 2 (12 1) k 1 2 12 1 k 0

= k 1

Modelos AR(p ) (cont.): El modelo AR(2) se dene como: yt = 0 + 1 yt 1 + 2 yt 2 +

t

(1)

Aplicando el operador de retardo el AR(2) se puede escribir como (1 1 L 2 L2 )yt = 0 +

t

y (1) es estacionario si las p ra ces caracter sticas 1 y 2 est an dentro del c rculo de unidad (es decir, |1 |, |2 | < 1) C omo calculamos las 2 ra ces caracter sticas 1 , 2 de un AR(2)? (1 1 z 2 z 2 ) = 0 donde =
1 z

(2 1 2 ) = 0

Modelos AR(p ) (cont.): Nota: A veces se utiliza una terminolog a diferente que puede confundir: ra ces del polinomo 1 1 z 2 z 2 est a fuera del c rculo de unidad Las ra ces caracter sticas est an dentro del circulo de unidad Si todas las ra ces caracter sticas est an dentro del c rculo de unidad, entonces podemos escribir (L) = (1 1 L 2 L2 )1 = 0 + 1 L + 2 L2 + y nalmente yt = (L)0 + (L) = MA()
t

(2)

(3)

Modelos AR(p ) (cont.): Suponiendo que las 2 ra ces caracter sticas est an dentro del c rculo de unidad, entonces tenemos que: =
0 11 2

0 = 1 1 + 2 2 + 2 k = 1 k 1 + 2 k 2 k =
k 0

Modelos AR(p ) (cont.): El modelo AR(p ) se dene como:

p

yt = 0 +
i =1

1 yt i +

Suponiendo que todas las ra ces caracter sticas est an dentro del c rculo de unidad, entonces tenemos que: =
0 11 p

0 = 1 1 + + p p + 2 k = k k 1 + + p k p k =
k 0

Nota: Las p + 1 ecuaciones denidas por 0 , . . . , p se llaman las ecuaciones de Yule-Walker

ARMA(p , q ), representaci on de media m ovil MA(): Un modelo ARMA(p , q ) estacionario/estable siempre tiene una representaci on de media m ovil MA(): yt = 0 + se puede escribir (1 1 L p Lp )yt = 0 + (1 + 1 L + + q Lq ) t , y si el ARMA(p , q ) es estable entonces yt = = donde (L) =
0 11 p p i =1 i yt i

q j =0 j t j

+ (L)

MA()

1+1 L++q Lq 11 Lp Lp

Teorema de Wold (1938): Hemos visto que procesos ARMA(p , q ) estacionarios se pueden escribir como un modelo MA(), es decir, como yt = 0 + j =0 j t j donde 0 = 1, si j =0 |j | < El teorema de Wold establece que esto es cierto para todo proceso estacionario

Teorema de Wold (1938) (cont.): Teorema (Wold): Cualquier proceso estacionario {yt } con media cero se puede representar de la forma

yt =
j =0

t j

+ t

(4)

2 donde 0 = 1 y j =0 j < . El proceso { t } es ruido blanco y representa el error resultante de predecir yt con una funci on lineal de los retardos de yt : t

= yt E (yt |yt 1 , yt 2 , . . . )

El valor de t es incorrelado con t j para cualquier j , pero se puede predecir t arbitrariamente bien con una funci on lineal de los valores pasados de yt : t = E (t |yt 1 , yt 2 , . . . )

Teorema de Wold (1938) (cont.): Nota 1: La parte j =0 j linealmente indetermin stico

t j

se llama el componente

Nota 2: La parte t se llama el componente linealmente determin stico Problema: Estimar la representaci on de Wold de una serie requiere la estimaci on de un n umero innito de par ametros Tenemos solamente un n umero nito de observaciones Soluci on: Hacer supuestos adicionales sobre la naturaleza de 1 , 2 , . . .

Teorema de Wold (1938) (cont.): Estrategia 1: Aproximar la suma innita con una suma nita: 1 + 1 L + 2 L2 + + q Lq = 1 1 L 2 L2 p Lp
r

j Lj
j =0 j =0

j Lj

Entonces se obtiene (en general) una buena aproximaci on con pocos par ametros Estrategia 2: Hamilton (1994, cap tulo 6)

Invertibilidad de MA(q ): Recordamos: Si un modelo AR(p ) es estable, entonces podemos escribirlo como un MA() Si un modelo MA(q ) es invertible, entonces podemos escribirlo como un AR() Denici on: Invertibilidad de MA(q ). Un modelo MA(q ) se puede escribir como yt 0 = (1 + 1 L + 2 L2 + + q Lq ) t . Si el MA(q ) se puede escribir como un modelo AR() utilizando la inversa del (1 + 1 L + 2 L2 + + q Lq ), entonces se dice que MA(q ) es invertible. Condici on suciente para la invertibilidad: Que todas las ra ces del polinomo (1 + 1 z + 2 z 2 + + q z q ) = 0 est an fuera del c rculo de unidad

Invertibilidad de MA(q ) (cont.): MA(q ): yt = 0 +

q j =0 t j t

yt 0 = (1 + 1 L + 2 L2 + + q Lq )

Si todas las ra ces est an fuera del circulo de unidad tenemos que (1 + 1 L + 2 L2 + ) = (1 + 1 L + 2 L2 + + q Lq )1 y entonces (1 + 1 L + 2 L2 + )(yt 0 ) = es un AR() representaci on del modelo MA(q ).
t

Causalidad: Denici on: Causalidad. Un proceso {yt } es causal, o una funci on causal de { t }, si existen constantes j as que i) ii )
j =0 |j |

< para todo t

yt =

j =0 j t j

Ejemplos: Modelos AR(1) con |1 | < 1: yt = 1 yt 1 +

t t

yt = 0 + 1 yt 1 +

q -correlaci on: Denici on: q -correlaci on. Un proceso {yt } estacionario es q -correlacionado si Cov (yt , yt k ) = 0 para todo |k | > q , y si Cov (yt , yt k ) = 0 para todo |k | q . Recuerda: Cov (yt , yt k ) = 0 Corr (yt , yt k ) = 0 y Cov (yt , yt k ) = 0 Corr (yt , yt k ) = 0 Ejemplo: Modelos MA(q )

Referencias: Hamilton, J. D. (1994). Time Series Analysis. Princeton, New Jersey: Princeton University Press. Wold, H. (1938). A Study in the Analysis of Stationary Time Series. Uppsala, Sweden: Almqvist and Wiksell.