Econometra II Grado en finanzas y contabilidad

Metodologa Box-Jenkins

Profesora: Dolores Garca Martos E-mail:mdgmarto@est-econ.uc3m.es

Este documento es un resumen/modificacin de la documentacin elaborada por D. Antoni Espasa

Metodologa Box-Jenkins

Metodologa Box-Jenkins

Metodologa Box-Jenkins La clase general de modelos de la metodologa Box-Jenkings es la familia de modelos ARIMA con elementos determinsticos (constante, tendencia determinstica, estacionalidad determinstica, efecto semana santa, efecto das laborables, atpicos, etc) En la especificacin de estos modelos entran distintos tipos de parmetros que capturan distintos rasgos de los datos El primer paso es determinar si el modelo se debe formular con los datos originales o con series transformadas. En todo caso, deben recoger: Evolutividad de la tendencia Evolutividad estacional El modelo incorporar: Diferencias regulares Diferencia estacional Constante Factores determinsticos

Metodologa Box-Jenkins

Expresin general de los modelos ARIMA (p,d,q) (P,D,Q)s : (1-1 L-2 L2 3 L3 -..-p Lp) (1-1 L s-2 L2s 3 L3s -..-P L Ps)
(1-L)d (1-Ls)D log Xt = + (1-1 L-2 L2 3 L3 -..-q L q) (1-1 L s-2 L2s 3 L3s -..-Q L Qs )a t s=4,12 Es decir, hace referencia a la parte estacional

d=0,1,2 Hace referencia al nmero de diferenciaciones regulares a realizar de la serie original para hacerla estacionaria
D=0,1 Hace referencia al nmero de diferencias estacionales a realizar de la serie original para hacer la parte estacional estacionaria Otra forma de expresin es: p (L) P(Ls) d Ds log X = c+ q (L) Q (Ls) at

Metodologa Box-Jenkins Transformada una serie en estacionaria (diferencias en la parte regular y estacional y logaritmos), los parmetros que especifican el modelo ARMA capturan la dependencia temporal Los correlogramas simples sern de utilidad para saber si se trata de modelos autorregresivos o de medias mviles En el caso de los procesos de medias mviles, tambin nos servir para determinar el orden del proceso

Para determinar el orden de los procesos autorregresivos se utilizara el criterio de informacin de Akaike.
Se analizan, por tanto, los grficos y los correlogramas de las series: Xt , Xt , s Xt y s Xt. Si las series son anuales tambin habr que analizar 2 Xt .

Metodologa Box-Jenkins

Hay que garantizarse que la serie de los residuos tiene estructura de ruido blanco
1. Ver Anexo

Metodologa Box-Jenkins

Contraste de races unitarias

Las implicaciones de las races unitarias en los datos econmicos son relevantes Si es I(1), los shocks tendrn efectos permanentes Es habitual que la varianza del estimador de pude ser muy pequea y conducir a que en el correspondiente intervalo de confianza no entre el valor unitario, cuando realmente existe tal raz unitaria. Es decir, el contraste de la t habitual podra conducir a rechazar =1

Cuando hay races unitarias, el estimador muestral suele estar sesgado a la baja

Se utilizan unas tablas especficas: las tablas de Dickey-Fuller

Contraste de races unitarias

En la ecuacin (2) se puede aadir una constante e incluso una tendencia determinstica Cuando hay correlacin entre las variables es mejor utilizar un modelo en el que se tenga en cuenta este aspecto. En este caso no estaramos ante la hiptesis de que t se distribuye como ruido blanco

Contraste de races unitarias

Contraste de races unitarias

Contraste de races unitarias

El valor de la t es mayor que los valores crticos, se acepta la hiptesis nula de que =0 y, tanto, hay una raz unitaria

ESTIMACIN Y VALIDACIN DEL MODELO

Estimacin del modelo por MCO o Mxima Verosimilitud Contrastes de los parmetros por medio de la t Varianza residual Ver si la correlacin entre los parmetros estimados es muy elevada, de ser as, habra que eliminar alguno Contrastar que los residuos tienen estructura de ruido blanco a partir del correlograma

Se puede aplicar un test conjunto de la independencia de las correlaciones muestrales. Test Q

Si los residuos no son ruido blanco hay que reformular el modelo Criterios de informacin (Akaike, Schwarz, etc). Cuanto ms pequeos mejor

ESTIMACIN Y VALIDACIN DEL MODELO

Si el modelo inicial no es satisfactorio: Se recurre a considerar algunas de las hiptesis manejadas al principio de la identificacin del modelo Dudas en las diferencias regulares Dudas en relacin con la estacionalidad

Dudas en cuanto al orden del modelo AR o MA

A partir de la estructura que presenten los residuos se reformula el modelo. Aunque el modelo estimado se pueda validar, es conveniente analizar modelos alternativos y de funcin del criterio de informacin (Akaike, Schwarz ) se puede decidir sobre el modelo final

ESTIMACIN Y VALIDACIN DEL MODELO

ESTIMACIN Y VALIDACIN DEL MODELO

El contraste de la Q es un contraste conjunto

PREDICCIN DE VARIABLES ECONMICAS

Como se viene diciendo a lo largo del curso, los objetivos principales de la modelizacin ARIMA son: Prediccin

Estimacin de los componente de una serie temporal: Tendencia, estacional y ciclo

Esperanza y varianza incondicional vs condicional Esperanza Marginal

W = W t-1 + at
E (W t )= E (Wt-1 )+ E (a t ) = + 0 , (1- ) = 0 =E (W t )= 0 Varianza Marginal Var (W t )= 2 var (Wt-1 )+ var (a t ) con 0 = 2 0 + 2 , (1- 2) 0 = 2 0 =var (W t )= 2/ (1- 2) at es un proceso ruido blanco con varianza 2 at es un proceso ruido blanco con esperanza nula

E(Wt )= E (Wt-1 ) por estacionariedad

Var(Wt )= Var (Wt-1 ) por estacionariedad

Esperanza y varianza incondicional vs condicional Esperanza Condicional Wt = W t-1 + at

Et-1 (W t )= Et-1 (Wt-1 )+ Et-1 (a t )

Et-1 (W t )= Et-1 (Wt-1 ) = W t-1 Varianza Condicional

at es un proceso ruido blanco con esperanza nula

Vart-1 (W t )= Et-1 (Wt condicional )2

Vart-1 (W t ) = Vart-1 (W t-1 + a t) =Var t-1 (W t-1 ) + Vart-1 (at) + +2 covt-1 (W t-1, a t)= 2

dado que W t-1 en el periodo t-1 es un dato conocido y, adems, en ese periodo el valor observado, es independiente de la innovacin o shock que se producir en t
Estos conceptos vienen de la estimacin de una regresin, con la que se trata de estimar la media condicional de la variable dependiente dados los valores de las variables independientes. La diferencia es la variable residual

PREDICCIN DE VARIABLES ECONMICAS

Prediccin Se apoya en el concepto de expectativa condicional: Se trata de obtener el valor esperado de la variable econmica en t+1 en funcin de la informacin disponible. E(xt+1| t) Depender del tipo de modelo. Si se trata de un modelo AR(1), se tendra: yt = y t-1 + a t Et (y t+1 )= Et (yt ) + E t (a t +1) = y t La varianza de la prediccin un periodo por delante es igual a 2. Y aumenta a medida que aumenta el horizonte de prediccin

ANEXO

ESPECIFICACION DEL MODELO ARMA

ESPECIFICACIN DEL MODELO ARMA

ESPECIFICACION DEL MODELO ARMA

ESPECIFICACIN DEL MODELO ARMA

ESPECIFICACIN DEL MODELO ARMA

ESPECIFICACIN DEL MODELO ARMA