Estimacion de Arimas

Anlisis de series temporales:
Modelos ARIMA
ISBN: 978-84-692-3814-1
Mara Pilar Gonzlez Casimiro
04-09
Anlisis de Series Temporales: Modelos ARIMA

a
Pilar Gonzlez Casimiro
a
Departamento de Econom Aplicada III (Econometr y Estad
a
a
stica)
Facultad de Ciencias Econmicas y Empresariales
o
Universidad del Pa Vasco (UPV-EHU)
s
Contenido
1. Introduccin
o
2. Procesos estocsticos
a
11
2.1. Proceso estocstico y serie temporal . . . . . . . . . . . . . . . . . . . . . . . . .

a
11
2.2. Caracter
sticas de un proceso estocstico . . . . . . . . . . . . . . . . . . . . . . .
a
12
2.3. Procesos estocsticos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . .

a
13
2.3.1. Funcin de autocovarianzas y de autocorrelacin . . . . . . . . . . . . . .

o
o
14
2.3.2. Estimacin de los momentos

o
. . . . . . . . . . . . . . . . . . . . . . . . .
17
2.4. Proceso Ruido Blanco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
3. Modelos lineales estacionarios
19
3.1. Modelo Lineal General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
3.2. Procesos autorregresivos: AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.2.1. Proceso AR(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.2.2. Proceso AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
3.3. Procesos de Medias Mviles: MA(q). . . . . . . . . . . . . . . . . . . . . . . . . .

o
31
3.3.1. Proceso MA(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
3.3.2. Proceso MA(q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
3.4. Procesos Autorregresivos de Medias Mviles: ARMA(p,q). . . . . . . . . . . . . .

o
38
4. Modelos lineales no estacionarios
43
4.1. No estacionariedad en varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
4.2. No estacionariedad en media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
4.3. Modelos ARIMA(p,d,q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
SARRIKO-ON 4/09
Anlisis de Series Temporales: modelos ARIMA

a
4.3.1. Modelo de paseo aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
4.3.2. Modelo de paseo aleatorio con deriva . . . . . . . . . . . . . . . . . . . . .
48
5. Modelizacin ARIMA
o
49
5.1. Estrategia de modelizacin ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . .

o
49
5.2. Identicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
o
51
5.2.1. Anlisis de estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . .

a
52
5.2.2. Identicacin del modelo estacionario . . . . . . . . . . . . . . . . . . . .

o
61
5.3. Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
o
69
5.4. Validacin del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

o
73
5.4.1. Anlisis de coecientes estimados . . . . . . . . . . . . . . . . . . . . . . .

a
73
5.4.2. Anlisis de residuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

a
77
6. Prediccin ptima con modelos ARIMA(p, d, q)

o o
85
6.1. Prediccin con modelos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . .

o
86
6.1.1. Prediccin con modelos MA(q). . . . . . . . . . . . . . . . . . . . . . . . .

o
88
6.1.2. Prediccin con modelos AR(p) . . . . . . . . . . . . . . . . . . . . . . . .

o
90
6.1.3. Prediccin con modelos ARMA(p,q). . . . . . . . . . . . . . . . . . . . . .

o
92
6.1.4. Predicciones con modelos estacionarios estimados . . . . . . . . . . . . . .
94
6.2. Prediccin con modelos no estacionarios. . . . . . . . . . . . . . . . . . . . . . . .

o
97
7. Modelos ARIMA estacionales
101
7.1. Modelos estacionales puros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

7.2. Modelos ARMA estacionales no estacionarios . . . . . . . . . . . . . . . . . . . . 107
7.3. Modelos ARIMA estacionales multiplicativos . . . . . . . . . . . . . . . . . . . . 109
7.4. Modelizacin ARIMA estacional. . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
o
8. Ejercicios
135
8.1. Cuestiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

8.2. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
ii
Cap
tulo 1
Introduccin
o
El objetivo de este documento es presentar un conjunto de tcnicas para el anlisis de series
e
a
temporales en econom Por lo tanto, vamos a comenzar deniendo qu se entiende por serie
a.
e
temporal, cules son sus caracter
a
sticas espec
cas y por qu es necesario desarrollar mtodos
e
e
espec
cos para su anlisis.
a
Una serie temporal es una secuencia ordenada de observaciones cada una de las cuales est asociaa
da a un momento de tiempo. Ejemplos de series temporales las podemos encontrar en cualquier
campo de la ciencia. En Econom cuando buscamos datos para estudiar el comportamiento de
a
una variable econmica y su relacin con otras a lo largo del tiempo, estos datos se presentan
o
o
frecuentemente en forma de series temporales. As podemos pensar en series como los precios
,
diarios de las acciones, las exportaciones mensuales, el consumo mensual, los benecios trimestrales, etc. En Metereolog tenemos series temporales de temperatura, cantidad de lluvia ca
a,
da
en una regin, velocidad del viento, etc. En Marketing son de gran inters las series de ventas
o
e
mensuales o semanales. En Demograf se estudian las series de Poblacin Total, tasas de naa
o
talidad, etc. En Medicina, los electrocardiogramas o electroencefalogramas. En Astronom la
a,
actividad solar, o en Sociolog datos como el nmero de cr
a,
u
menes, etc.
La mayor de los mtodos estad
a
e
sticos elementales suponen que las observaciones individuales
que forman un conjunto de datos son realizaciones de variables aleatorias mutuamente independientes. En general, este supuesto de independencia mutua se justica por la atencin prestada
o
a diversos aspectos del experimento, incluyendo la extraccin aleatoria de la muestra de una
o
poblacin ms grande, la asignacin aleatoria del tratamiento a cada unidad experimental, etc.
o
a
o
Adems en este tipo de datos (tomamos una muestra aleatoria simple de una poblacin ms
a
o
a
grande) el orden de las observaciones no tiene mayor importancia. Sin embargo, en el caso de
las series temporales, hemos de tener en cuenta, sin embargo, que:
el orden es fundamental: tenemos un conjunto de datos ordenado
el supuesto de independencia no se sostiene ya que, en general, las observaciones son
dependientes entre s y la naturaleza de su dependencia es de inters en s misma
SARRIKO-ON 4/09

a
Consideremos algunos ejemplos de series temporales cuya evolucin es bastante habitual cuando
o
se trabaja con variables econmicas.
o
Grco 1.1: Renta Nacional UE 27 miembros
a
)adazilanoicatsesed( 72EU lanoicaN atneR
1200000
1100000
1000000
900000
800000
700000
19
95
TI
19
95
TII
I
19
96
TI
19
96
TII
I
19
97
TI
19
97
TII
I
19
98
TI
19
98
TII
I
19
99
TI
19
99
TII
I
20
00
TI
20
00
TII
I
20
01
TI
20
01
TII
I
20
02
TI
20
02
TII
I
20
03
TI
20
03
TII
I
20
04
TI
20
04
TII
I
20
05
TI
20
05
TII
I
20
06
TI
20
06
TII
I
20
07
TI
20
07
TII
I
20
08
TI
20
08
TII
I
600000
La serie representada en el grco 1.1 es la Renta Nacional de la Unin Europea (27 pa

a
o
ses
miembros). Es una serie trimestral que comienza el primer trimestre de 1995 y naliza el tercer
trimestre de 2008. En el grco no se presentan los datos brutos de la serie, sino lo que se
a
denomina serie desestacionalizada, es decir, la serie sin comportamiento estacional.
Observando este grco se puede concluir que la renta nacional de la UE ha seguido en este
a
periodo una evolucin continuamente creciente, es decir, la serie presenta una tendencia creciente.
o
Ahora bien, tambin hay que sealar que el ritmo de crecimiento de la serie no siempre es el
e
n
mismo. Por ejemplo, al nal de la muestra se puede observar que la serie estaba creciendo a
una tasa muy fuerte a partir de nales de 2005 y que este ritmo se suaviza a partir de nales
del ao 2007. Incluso ms, a pesar de que la inspeccin visual de este grco lleva a decir que
n
a
o
a
el comportamiento general, en promedio, de la serie es creciente, se pueden aislar momentos
espec
cos en que la renta nacional decrece, por ejemplo, principios de 1999, el tercer trimestre
de 2001 o el tercer trimestre de 2003.
El grco 1.2 representa el empleo en el estado espaol. Es tambin una serie trimestral que
a
n
e
comienza el primer trimestre de 1961 y termina el cuarto trimestre de 1994. En este caso el
comportamiento de la serie es muy variable, no se puede decir que tenga un comportamiento
a largo plazo ni creciente ni decreciente sino que est continuamente cambiando de nivel. As
a
,
al principio de la muestra, hasta el ao 1967, la serie crece. De 1967 hasta principios de los
n
80, el empleo crece en promedio suavemente, aunque con fuertes oscilaciones. Con la crisis de
1980, se observa una fuerte ca del empleo hasta el ao 1985 cuando comienza a recuperarse
da
n
rpidamente para estabilizarse en los ao 1988-90. De nuevo, el grco reeja claramente el
a
n
a
efecto en el empleo de la crisis de comienzos de los aos 90 con un descenso espectacular en solo
n
dos aos. Al nal de la muestra, la serie comienza a crecer t
n
midamente.
En el grco 1.3 podemos encontrar los Ingresos por turismo en el estado espaol obtenidos de
a
n
la Balanza de Pagos. Es una serie mensual que comienza el mes de enero de 1990 y termina
2

a
SARRIKO-ON 4/09
Grco 1.2: Empleo en el Estado Espaol

a
n
120
Empleo (1961,I - 1994,IV)
110
100
90
80
62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94
el mes de agosto de 2008. Si tuvieramos que describir brevemente la evolucin de esta serie,
o
resaltar
amos, en primer lugar, que a largo plazo crece ya que en media el nivel de ingresos
es superios al nal de la muestra que al principio de la misma, es decir, la serie tiene una
tendencia creciente. Pero esta variable presenta tambin un tipo de comportamiento c
e
clico que
no observabamos en las dos anteriores. Analizando con ms cuidado el grco observamos que,
a
a
dentro de cada ao, los picos ms altos de los ingresos son siempre en verano (julio y agosto)
n
a
y los ms bajos en invierno. Por lo tanto, si queremos estudiar esta serie y predecirla hemos de
a
tener en cuenta todas sus caracter
sticas, incluyendo los ciclos que se observan con un periodo
anual y que se donominan, estacionalidad.
Grco 1.3: Ingresos por turismo en el estado espaol
a
n
omsirut rop sosergnI
5000000
4000000
3000000
2000000
1000000
2008M05
2007M12
2007M07
2007M02
2006M09
2006M04
2005M11
2005M06
2005M01
2004M08
2004M03
2003M10
2003M05
2002M12
2002M07
2002M02
2001M09
2001M04
2000M11
2000M06
2000M01
1999M08
1999M03
1998M10
1998M05
1997M12
1997M07
1997M02
1996M09
1996M04
1995M11
1995M06
1995M01
1994M08
1994M03
1993M10
1993M05
1992M12
1992M07
1992M02
1991M09
1991M04
1990M11
1990M06
1990M01
SARRIKO-ON 4/09

a
Debido a estas caracter

sticas especicas de los datos de series temporales se han de desarrollar
modelos espec
cos que recojan y aprovechen la dependencia entre las observaciones ordenadas
de una serie temporal.
El conjunto de tcnicas de estudio de series de observaciones dependientes ordenadas en el tiempo
e
se denomina Anlisis de Series Temporales. El instrumento de anlisis que se suele utilizar es
a
a
un modelo que permita reproducir el comportamiento de la variable de inters.
e
Los Modelos de Series Temporales pueden ser:
Univariantes: slo se analiza una serie temporal en funcin de su propio pasado
o
o
Multivariantes: se analizan varias series temporales a la vez. Un ejemplo muy popular en
la literatura son las series de nmero de pieles de visn y rata almizclera capturadas en
u
o
Cnada. Se sabe que existe una relacin v
a
o ctima-depredador entre ambos animales lo que
se supone que afecta a la dinmica de ambas series. La forma de reejar estas interacciones
a
dinmicas entre ambas series es construir un modelo multivariante. Cuando se construye
a
un modelo multivariante, para casos como ste, suponemos que hay cierta dependencia o
e
relacin entre los pasados de las diversas series.
o
Estas interacciones dinmicas tambin aparecen cuando construimos modelos multivariana
e
tes para variables econmicas, tales como la renta, consumo e inversin que, cmo es bien
o
o
o
sabido, inuyen las unas en las otras.
En este libro se van a considerar unicamente los modelos de series temporales univariantes, por
lo que se va a centrar en el anlisis de las series temporales univariantes.

a
Una serie temporal univariante consiste en un conjunto de observaciones de una variable Y . Si
hay T observaciones, se denota por
Yt , t
Yt , t = 1, . . . , T
El sub
ndice t indica el tiempo en que se observa el dato Yt . Los datos u observaciones se suelen
recoger a intervalos iguales de tiempo, es decir, equidistantes los unos de los otros; es el caso de
series mensuales, trimestrales, etc.
Cuando las observaciones se recogen solo en momentos determinados de tiempo, generalmente
a intervalos iguales, nos referimos a una serie temporal discreta. Puede darse el caso de que
los datos se generen de forma continua y se observen de forma continua, como, por ejemplo, la
temperatura, que se observa de forma continua en el tiempo por medio de aparatos f
sicos. En
este caso denotamos la serie temporal por
Yt ,
tR
y contamos con un nmero innito de observaciones. En este caso nos referiremos a una serie
u
temporal continua. Sin embargo, la mayor de las series disponibles, en particular, en las ciencias
a
sociales, se observan en tiempo discreto a intervalos iguales, aunque se puedan suponer generadas
por algn proceso en tiempo continuo. Por lo tanto, este libro se centrar en el estudio de
u
a
variables discretas tomadas a intervalos regulares dejando de lado las variables continuas y las
variables discretas tomadas a intervalos irregulares.
4

a
SARRIKO-ON 4/09
Cada uno de los datos, Yt , puede representar o una acumulacin sobre un intervalo de tiempo de
o
alguna cantidad subyacente, por ejemplo, lluvia diaria, o bien un valor tomado en un momento
dado. Las variables ujo son aquellas que se miden respecto a un intervalo de tiempo. Por
ejemplo, el consumo mensual de petrleo. Las variables stock son aquellas que se miden en un
o
momento determinado de tiempo, por ejemplo, la temperatura, las cotizaciones de bolsa, etc.
Los mtodos de anlisis de series temporales son, en general, los mismos para ambos tipos de
e
a
variables, pero puede haber ocasiones en que la distincin sea de inters debido a las distintas
o
e
caracter
sticas que tienen las observaciones.
Los objetivos que se pueden plantear al analizar una serie temporal son muy diversos, pero entre
los ms importantes se encuentran:
a
a) Describir las caracter
sticas de la serie, en trminos de sus componentes de inters. Por
e
e
ejemplo, podemos desear examinar la tendencia para ver cuales han sido los principales
movimientos de la serie. Por otro lado, tambin el comportamiento estacional es de inters,
e
e
y para algunos propsitos, nos puede interesar extraerlo de la serie: desestacionalizar.
o
Esta descripcin puede consistir en algunos estad
o
sticos resumen (media, varianza, etc.)
pero es ms probable que incluya una o ms representaciones grcas de los datos. La
a
a
a
complejidad de una serie temporal (opuesta a una m.a.s.) es tal que a menudo requiere
una funcin, ms que un simple nmero, para sealar las caracter
o
a
u
n
sticas fundamentales de
las series; por ejemplo, una funcin t en vez de un nmero para recoger el valor medio
o
u
de la serie.
b) Predecir futuros valores de las variables. Un modelo de series temporales univariante se formula unicamente en trminos de los valores pasados de Yt , y/o de su posicin con respecto
e
o
al tiempo (ningn modelo univariante puede ser tomado seriamente como un mecanismo
u
que describe la manera en que la serie es generada: no es un proceso generador de datos). Las predicciones obtenidas a partir de un modelo univariante no son por lo tanto
ms que extrapolaciones de los datos observados hasta el momento T . En este sentido se
a
dice que son na sin embargo, son en muchas ocasiones muy efectivas y nos proporciove;
nan un punto de referencia con el que comprar el funcionamiento de otros modelos ms
a
sosticados.
Cuando las observaciones sucesivas son dependientes, los valores futuros pueden ser predichos a partir de las observaciones pasadas. Si una serie temporal se puede predecir exactamente, entonces se dir que es una serie determinista. Pero la mayor de las series son
a
a
estocsticas en que el futuro slo se puede determinar parcialmente por sus valores pasados,
a
o
por lo que las predicciones exactas son imposibles y deben ser reemplazadas por la idea
de que los valores futuros tienen una distribucin de probabilidad que est condicionada
o
a
al conocimiento de los valores pasados.
Ambos objetivos pueden conseguirse a muy distintos niveles. Es evidente que, dada la muestra,
calcular la media y la desviacin t
o pica de las observaciones supone describir caracter
sticas
de la serie. De la misma manera podemos predecir que los valores futuros de la variable van
a ser iguales al ultimo valor observado. Sin embargo, en ninguno de los dos casos se usa la
informacin muestral de una manera sistemtica. El uso sistemtico de la informacin muestral

o
a
a
o
pasa normalmente por la formulacin de modelos que pueden describir la evolucin de la serie.
o
o
5
SARRIKO-ON 4/09

a
Los modelos utilizados para describir el comportamiento de las variables econmicas de inters,
o
e
siempre responden a la misma estructura:
Yt = P St + at
donde: P St = Parte sistemtica o comportamiento regular de la variable, y at es la parte
a
aleatoria, tambin denominada innovacin.
e
o
En los modelos de series temporales univariantes la P St se determina unicamente en funcin de
o
la informacin disponible en el pasado de la serie:
o
P St = f (Yt , Yt1 , Yt2 , Yt3 , . . .)
El anlisis de series temporales se basa en dos nociones fundamentales:
a
Componentes no observados. Se basa en la idea de que una serie temporal puede ser considerada como la superposicin de varios componentes elementales no observables: tendencia,
o
estacionalidad y ciclo. La estimacin de tendencias y el ajuste estacional atraen mucho la ateno
cin debido a su importancia prctica para el anlisis de series econmicas.
o
a
a
o
e
o
Modelos ARIMA . Son modelos paramtricos que tratan de obtener la representacin de la
serie en trminos de la interrelacin temporal de sus elementos. Este tipo de modelos que cae
o
racterizan las series como sumas o diferencias, ponderadas o no, de variables aleatorias o de las
series resultantes, fue propuesto por Yule y Slutzky en la dcada de los 20. Fueron la base de
e
los procesos de medias mviles y autorregresivos que han tenido un desarrollo espectacular trs
o
a
la publicacin en 1970 del libro de Box-Jenkins sobre modelos ARIMA.
o
El instrumento fundamental a la hora de analizar las propiedades de una serie temporal en
trminos de la interrelacin temporal de sus observaciones es el denominado coeciente de aue
o
tocorrelacin que mide la correlacin, es decir, el grado de asociacin lineal que existe entre
o
o
o
observaciones separadas k periodos. Estos coecientes de autocorrelacin proporcionan mucha
o
informacin sobre como estn relacionadas entre s las distintas observaciones de una serie temo
a
poral, lo que ayudar a construir el modelo apropiado para los datos.

a
Recordemos que el coeciente de correlacin entre dos variables xt e yt , xy , mide el grado de
o
asociacin lineal entre ambas variables y se dene como:
o
xy =
cov(x, y)
V (x)V (y)
Este coeciente no tiene unidades por denicin y toma valores 1 xy 1. Si xy = 0, no

o
existe relacin lineal entre x e y. Si xy = 1, existe relacin lineal perfecta y positiva entre x e
o
o
y. Si xy = 1, existe relacin lineal perfecta y negativa entre x e y.
o
Una vez que tenemos una muestra de las variables x e y, se puede estimar este coeciente
6

a
SARRIKO-ON 4/09
poblacional mediante su correspondiente coeciente muestral:

T
(xt x)(yt y )
rxy =
t=1
T
(xt x)2
t=1
(yt y )2
t=1
El coeciente de correlacin se puede utilizar como instrumento para analizar la estructura de

o
correlacin existente entre las observaciones de una serie temporal Yt .
o
Si tenemos T observaciones Y1 , . . . , YT , podemos crear (T 1) pares de observaciones (Y1 , Y2 ), . . . ,
(YT 1 , YT ) . Si consideramos Y1 , . . . , YT 1 como una variable y Y2 , . . . , YT como otra, podemos
denir la correlacin entre ambas variables Yt , Yt+1 :
o
T 1
(Yt Y(1) )(Yt+1 Y(2) )

rYt Yt+1 = r1 =
t=1
T 1
T 1
(Yt Y(1) )2
t=1
(Yt+1 Y(2) )2
t=1
donde Y(1) es la media muestral de las T 1 primeras observaciones e Y(2) es la media muestral
de las T 1 ultimas observaciones. Esta frmula se suele aproximar por:
o
T 1
(Yt Y )(Yt+1 Y )
r1 =
t=1
T
(Yt Y )2
t=1
El coeciente r1 mide la correlacin, grado de asociacin lineal, entre observaciones sucesivas; se

o
o
le denomina coeciente de correlacin simple o coeciente de correlacin serial, o coeciente de
o
o
autocorrelacin de primer orden. En general, se puede estimar la correlacin entre observaciones
o
o
separadas por k intervalos, es decir, el coeciente de autocorrelacin de orden k, como sigue:
o
T k
(Yt Y )(Yt+k Y )
rk =
t=1
T
(Yt Y )2
t=1
Ejercicio 1.1. Qu valores esperas para el coeciente de correlacin muestral en estos casos?
e
o
SARRIKO-ON 4/09

a
2000
200
180
1500
Consumo
variable Y
160
140
1000
120
100
80
-20
20
40
60
80
100
500
500
120
1000
1500
2000
2500
3000
Renta
variable X
El correlograma es el grco de los coecientes de autocorrelacin de orden k contra el retardo

a
o
k. Este grco es muy util para interpretar el conjunto de los coecientes de autocorrelacin de
a
o
una serie temporal. La interpretacin del correlograma no es fcil pero vamos a dar unas pistas
o
a
al respecto.
(A) Si una serie es puramente aleatoria, entonces para valores de T grandes, rk
cualquier k = 0.
0, para
400
variable Y
200
-200
-400
-30
-20
-10
10
20
30
variable X
(B.1) Correlacin a corto plazo.

o
Sea una serie sin tendencia, que oscila en torno a una media constante, pero cuyas observaciones
sucesivas estn correlacionadas positivamente, es decir, una serie en la que a una observacin
a
o
por encima de la media, le suele seguir otra o ms observaciones por encima de la media (lo
a
mismo, para observaciones por debajo de la media).
El correlograma es de la siguiente forma: un valor relativamente alto de r1 , seguido de algunos
coecientes rk distintos de cero, pero cada vez ms pequeos y valores de rk aproximadamente
a
n
cero para k grande.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
60
AC
65
SARRIKO-ON 4/09
0.882
0.689
0.556
0.448
0.350
0.277
0.207
0.143
0.117
0.128
0.133
0.122
0.101
0.071
0.035
Correlogram of ARMA11

a
Autocorrelation
55
50
45
40
20
30
40
50
60
70
80
90
00
(B.2) Correlacin a corto plazo.

o
-0.716
0.521
-0.375
0.271
-0.194
0.138
-0.097
0.052
-0.029
0.004
-0.006
0.003
-0.014
0.017
-0.016
AC
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Autocorrelation
Correlogram of AR1
Las series sin tendencia que oscilan en torno a una media constante pero que alternan valores
con observaciones sucesivas a diferentes lados de la media general, presentan un correlograma
que tambin suele alternar los signos de sus coecientes.
e
-2
-4
1000 1005 1010 1015 1020 1025 1030 1035 1040 1045 1050
Por ejemplo, si el valor de r1 es negativo, el valor de r2 puede ser, sin embargo, positivo porque
las observaciones separadas dos periodos tienden a estar al mismo lado de la media.
(C) Si la serie contiene una tendencia, es decir, cambia continuamente de nivel, los valores de rk
no van a decrecer hacia cero rpidamente. Esto es debido a que una observacin por encima de
a
o
la media (o por debajo) de la media general es seguida de muchas observaciones por el mismo
lado de la media debido a la tendencia. A lo largo del curso, se estudiar como para que el
a
correlograma sea informativo habremos de eliminar esta tendencia.
Autocorrelation
20
15
10
5
0
1860
0.975
0.955
0.935
0.913
0.892
0.870
0.848
0.828
0.807
0.786
0.766
0.744
0.724
0.703
0.682
25
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
30
AC

a
Correlogram of TRENDD
SARRIKO-ON 4/09
1880
1900
1920
1940
1960
1980
1.1
Autocorrelation
1.0
0.672
0.198
-0.187
-0.428
-0.469
-0.483
-0.483
-0.423
-0.173
0.192
0.619
0.874
0.607
0.184
-0.141
-0.365
-0.407
-0.438
-0.447
-0.390
-0.167
0.174
0.546
0.768
0.536
0.172
-0.095
-0.285
-0.345
-0.388
-0.419
-0.374
-0.175
0.137
0.469
0.679
1.2
AC
1.3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Correlogram of AIRESTM
(D) Si una serie presenta algn tipo de ciclo, el correlograma tambin presentar una oscilacin
u
e
a
o
a la misma frecuencia. Por ejemplo, para series mensuales, r6 ser grande y negativo, y r12
a
ser grande y positivo. En general, el correlograma va a reproducir el comportamiento c
a
clico
presente en la serie. En las series con un comportamiento c
clico permanente, el correlograma da
de nuevo poca informacin porque lo domina el comportamiento c
o
clico presente en los datos.
Si eliminamos la variacin c
o clica de los datos el correlograma podr ser ms util.
a
a
0.9
0.8
0.7
49 50 51 52 53 54 55 56 57 58 59 60
Los modelos de series temporales ARIMA van a ser el objetivo central del libro. Estos modelos
se basan en la teor de los procesos estocsticos que se desarrolla en el cap
a
a
tulo 2. Los modelos
ARMA estacionarios se explican con detalle en el cap
tulo 3 y los modelos ARIMA no estacionarios en el cap
tulo 4. La metodolog de modelizacin ARIMA con las fases de identicacin,
a
o
o
estimacin y contraste de diagnsticos se explica detalladamente en el cap
o
o
tulo 5 y el cap
tulo
6 se dedica a la prediccin. El cap
o
tulo 7 trata sobre la especicacin de los modelos de series
o
temporales adecuados a los datos estacionales. Por ultimo, el cap
tulo 8 reune una coleccin de

o
ejercicios para el trabajo propio del lector.
10
Cap
tulo 2
Procesos estocsticos
a
Una serie temporal univariante consiste en un conjunto de observaciones de una variable de inters. Un modelo de series temporales debe reproducir las caracter
e
sticas de la serie. Si contamos
con T observaciones, Yt , t = 1, 2, . . . , T , el modelo univariante de series temporales se formular en trminos de los valores pasados de Yt y/o su posicin en relacin con el tiempo. Ahora
a
e
o
o
bien, no existe un unico modelo para conseguir este modelo. En este cap
tulo se va a estudiar
la teor de procesos estocsticos para describir la estructura probabil
a
a
stica de una secuencia de
observaciones en el tiempo y para predecir.
2.1.
Proceso estocstico y serie temporal

a
Un proceso estocstico es una familia de variables aleatorias que, en general, estn relacionadas
a
a
entre s y siguen una ley de distribucin conjunta. Se denota por:
o
Yt (), t = . . . , t 2, t 1, t, t + 1, t + 2, . . . ,
o
. . . , Yt2 , Yt1 , Yt , Yt+1 , Yt+2 , . . . ,
{Yt }+
o
simplemente Yt
Dado que el objetivo del libro es el anlisis de series temporales, consideraremos unicamente
a
secuencias de variables aleatorias ordenadas en el tiempo, pero no tiene por qu ser as Se

e
.
podr pensar, por ejemplo, en una ordenacin de tipo espacial.
a
o
Si se ja el tiempo, t = t0 , se tiene una variable aleatoria determinada de la secuencia,
con su distribucin de probabilidad univariante.
o
Yt0 (),
Si se ja la variable aleatoria = 0 , se tiene una realizacin del proceso, es decir, una muestra
o
de tamao 1 del proceso formada por una muestra de tamao 1 de cada una de las variables
n
n
aleatorias que forman el proceso:
. . . , Yt2 (0 ), Yt1 (0 ), Yt (0 ), Yt+1 (0 ), Yt+2 (0 ), . . .
. . . , Yt2 , Yt1 , Yt , Yt+1 , Yt+2 , . . .
En el marco estad
stico de los procesos estocsticos, una serie temporal, Y1 , Y2 , . . . , YT , se puede
a
interpretar como una realizacin muestral de un proceso estocstico que se observa unicamente
o
a
para un nmero nito de periodos, t = 1, 2, . . . , T .

u
11
SARRIKO-ON 4/09

a
En este contexto, por lo tanto, una serie temporal es una sucesin de observaciones en la que
o
cada una de ellas corresponde a una variable aleatoria distinta, y la ordenacin de la sucesin de
o
o
observaciones es esencial para el anlisis de la misma, no se puede alterar, porque se cambiar
a
an
las caracter
sticas de la serie que se quiere estudiar. Sin embargo, en la teor del muestreo
a
aleatorio, una muestra es un conjunto de observaciones de una unica variable aleatoria y, por
lo tanto, su orden es irrelevante. As si se considera el proceso estocstico Consumo Privado,

,
a
+
denotado por {Ct } , la serie temporal dada por los valores del consumo anuales publicados
por la agencia estad
stica correspondiente:
C1996
C1997
C1998
C1999
C2000
C2001
C2002
C2003
C2004
C2005
C2006
C2007
es una realizacin del proceso estocstico, en principio innito, Consumo Privado que se observa
o
a
unicamente de 1996 a 2007. Sin embargo, si se considera el consumo semanal de una determinada
clase de familias de una ciudad en un momento dado, la muestra tomada para N familias :
C1
C2
C3
C4
...
CN
es un conjunto de N observaciones de una variable aleatoria consumo familiar, C (, 2 ).
2.2.
Caracter
sticas de un proceso estocstico
a
Un proceso estocstico se puede caracterizar bien por su funcin de distribucin o por sus
a
o
o
momentos.
Funcin de distribucin. Para conocer la funcin de distribucin de un proceso estocstico
o
o
o
o
a
es necesario conocer las funciones de distribucin univariantes de cada una de las variables
o
aleatorias del proceso, F [Yti ], ti , y las funciones bivariantes correspondientes a todo par de
variables aleatorias del proceso, F [Yti , Ytj ], (ti , tj ) , y todas las funciones trivariantes, ...
En resumen, la funcin de distribucin de un proceso estocstico incluye todas las funciones de
o
o
a
distribucin para cualquier subconjunto nito de variables aleatorias del proceso:
o
F [Yt1 , Yt2 , . . . , Ytn ],
(t1 , t2 , . . . , tn ),
siendo n
nito
Momentos del proceso estocstico. Como suele ser muy complejo determinar las caracter
a
sticas de un proceso estocstico a travs de su funcin de distribucin se suele recurrir a caractea
e
o
o
rizarlo a travs de los dos primeros momentos.
e
El primer momento de un proceso estocstico viene dado por el conjunto de las medias de todas
a
las variables aleatorias del proceso:
E(Yt ) = t < ,
t = 0, 1, 2, . . . ,
El segundo momento centrado del proceso viene dado por el conjunto de las varianzas de todas
las variables aleatorias del proceso y por las covarianzas entre todo par de variables aleatorias:
2
V (Yt ) = E[Yt t ]2 = t , < t = 0, 1, 2, . . . ,
cov(Yt Ys ) = E[Yt t ][Ys s ] = t,s ,

12
t, s (t = s)

a
SARRIKO-ON 4/09
Si la distribucin del proceso es normal y se conocen sus dos primeros momentos (medias,
o
varianzas y covarianzas), el proceso est perfectamente caracterizado y se conoce su funcin de
a
o
distribucin.
o
2.3.
Procesos estocsticos estacionarios

a
En el anlisis de series temporales el objetivo es utilizar la teor de procesos estocsticos para

a
a
a
determinar qu proceso estocstico ha sido capaz de generar la serie temporal bajo estudio con el
e
a
n de caracterizar el comportamiento de la serie y predecir en el futuro. Si se quieren conseguir
mtodos de prediccin consistentes, no se puede utilizar cualquier tipo de proceso estocstico,
e
o
a
sino que es necesario que la estructura probabil
stica del mismo sea estable en el tiempo.
La losof que subyace en la teor de la prediccin es siempre la misma: se aprende de las
a
a
o
regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto,
es preciso que los procesos estocsticos generadores de las series temporales tengan algn tipo
a
u
de estabilidad. Si, por el contrario, en cada momento de tiempo presentan un comportamiento
diferente e inestable, no se pueden utilizar para predecir. A estas condiciones que se les impone a
los procesos estocsticos para que sean estables para predecir, se les conoce como estacionariedad.
a
El concepto de estacionariedad se puede caracterizar bien en trminos de la funcin de distribue
o
cin o de los momentos del proceso. En el primer caso, se hablar de estacionariedad en sentido
o
a
estricto y, en el segundo, de estacionariedad de segundo orden o en covarianza.
Estacionariedad estricta. Un proceso estocstico, Yt , es estacionario en sentido estricto si y
a
solo si:
F [Yt1 , Yt2 , . . . , Ytn ] = F [Yt1 +k , Yt2 +k , . . . , Ytn +k ] (t1 , t2 , . . . , tn )
y k
es decir, si la funcin de distribucin de cualquier conjunto nito de n variables aleatorias del

o
o
proceso no se altera si se desplaza k periodos en el tiempo.
a
Estacionariedad en covarianza. Un proceso estocstico, Yt , es estacionario en covarianza si y
solo si:
a) Es estacionario en media, es decir, todas las variables aleatorias del proceso tienen la misma
media y es nita:
E(Yt ) = < , t
b) Todas las variables aleatorias tienen la misma varianza y es nita, es decir, la dispersin
o
en torno a la media constante a lo largo del tiempo es la misma para todas las variables
del proceso
2
V (Yt ) = E[Yt ]2 = Y < , t
c) Las autocovarianzas solo dependen del nmero de periodos de separacin entre las variables
u
o
y no del tiempo, es decir, la covarianza lineal entre dos variables aleatorias del proceso que
13
SARRIKO-ON 4/09

a
disten k periodos de tiempo es la misma que existe entre cualesquiera otras dos variables
que estn separadas tambin k periodos, independientemente del momento concreto de
e
e
tiempo al que estn referidas
e
cov(Yt Ys ) = E[Yt ][Ys ] = |ts| = k < ,
Por lo tanto, un proceso estocstico es estacionario en covarianza si y solo si:

a
(1)
E(Yt ) = <
(2) Cov(Yt Ys ) =
2
V (Yt ) = Y < t = s
|ts| = k < t = s
Un proceso estocstico estacionario en covarianza est caracterizado si se conoce:

a
a
,
V (Yt ) y k , k = 1, 2, . . . ,
Si un proceso estocstico es estacionario en covarianza y su distribucin es Normal, es estacioa

o
nario en sentido estricto.
La pregunta relevante ahora es si las series econmicas presentan, en general, un comportamiento
o
estacionario. Una simple inspeccin visual de muchas series temporales econmicas, permite
o
o
comprobar que presentan cambios de nivel, tendencias crecientes, estacionalidades. En las guras
del grco 2.1 se observa, por ejemplo, como la serie de Renta Nacional crece sistemticamente
a
a
o como la serie de Nmero de parados cambia constantemente de nivel, creciendo y decreciendo.
u
En ambos casos no se puede sostener el supuesto de que la media de todas las variables de los
procesos que han generado estas series sea la misma, por lo que no son estacionarias en media.
La serie de Ingresos por turismo tampoco reeja un comportamiento estacionario en media
no slo por su crecimiento a largo plazo sino por la presencia de la estacionalidad que hace
o
que el comportamiento promedio de cada mes sea diferente. La serie de Recaudacin de pel
o
culas
parece oscilar en torno a una media constante y, a pesar de ser mensual, no tiene comportamiento
estacional. Sin embargo, tampoco presenta un comportamiento estacionario dado que se puede
observar que la variabilidad de la serie no es la misma para todo el periodo muestral, luego no
seria estacionaria en varianza.
Se puede concluir, por lo tanto, que la mayor de las series econmicas no van a presentar
a
o
comportamientos estacionarios. De todas formas, se proceder a proponer modelos para los
a
procesos estocsticos estacionarios, en primer lugar, para luego pasar a analizar cmo se puede
a
o
generalizar este tipo de modelos para incluir comportamientos no estacionarios del tipo observado
en las series econmicas.
o
2.3.1.
Funcin de autocovarianzas y de autocorrelacin

o
o
En principio, si se considera el proceso estocstico terico, Yt , que comienza en algn momento

a
o
u
del pasado lejano y acaba en un futuro indeterminado se pueden calcular un nmero indenido
u
de autocovarianzas, por lo que conviene denir una funcin que las agrupe a todas.
o
14

a
SARRIKO-ON 4/09
Grco 2.1: Series temporales econmicas

a
o
omsirut rop sosergnI
1200000
5000000
1100000
4000000
1000000
3000000
900000
2000000
800000
1000000
700000
2008M05
2007M12
2007M07
2007M02
2006M09
2006M04
2005M11
2005M06
2005M01
2004M08
2004M03
2003M10
2003M05
2002M12
2002M07
2002M02
2001M09
2001M04
2000M11
2000M06
2000M01
1999M08
1999M03
1998M10
1998M05
1997M12
1997M07
1997M02
1996M09
1996M04
1995M11
1995M06
1995M01
1994M08
1994M03
1993M10
1993M05
1992M12
1992M07
1992M02
1991M09
1991M04
1990M11
1990M01
III
III
8T
7T
8T
20
0
20
0
III
7T
20
0
20
0
III
6T
6T
5T
20
0
I
5T
20
0
20
0
III
III
4T
4T
3T
20
0
20
0
20
0
III
3T
2T
20
0
III
2T
1T
20
0
20
0
20
0
III
1T
20
0
III
0T
9T
0T
20
0
20
0
III
9T
19
9
19
9
III
8T
8T
7T
19
9
19
9
III
7T
6T
19
9
19
9
19
9
III
6T
5T
5T
19
9
19
9
20
0
saluclep ed nicaduaceR
19
9
1990M06
600000
sodarap ed oremN
70000
200
60000
150
50000
100
40000
50
30000
1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
20
00
M
01
20
00
M
04
20
00
M
07
20
00
M
10
20
01
M
01
20
01
M
04
20
01
M
07
20
01
M
10
20
02
M
01
20
02
M
04
20
02
M
07
20
02
M
10
20
03
M
01
20
03
M
04
20
03
M
07
20
03
M
10
20
04
M
01
20
04
M
04
20
04
M
07
20
04
M
10
20
05
M
01
20
05
M
04
20
05
M
07
20
05
M
10
20
06
M
01
20
06
M
04
20
06
M
07
20
06
M
10
20
07
M
01
20
07
M
2 0 04
07
M
07
20
07
M
10
20
08
M
01
20
08
M
04
20
08
M
07
20000
Funcin de autocovarianzas (FACV)

o
La funcin de autocovarianzas de un proceso estocstico estacionario es una funcin de k (nmero
o
a
o
u
de periodos de separacin entre las variables) que recoge el conjunto de las autocovarianzas del
o
proceso y se denota por:
k ,
k = 0, 1, 2, 3, . . . ,
Caracter
sticas de la funcin de autocovarianzas:
o
Incluye la varianza del proceso para k = 0: 0 = E[Yt ][Yt ] = V (Yt )
Es una funcin simtrica: k = E[Yt ][Yt+k ] = E[Yt ][Ytk ] = k
o
e
La funcin de autocovarianzas de un proceso estocstico recoge toda la informacin sobre la
o
a
o
estructura dinmica lineal del mismo. Pero depende de las unidades de medida de la variable,
a
por lo que, en general, se suele utilizar la funcin de autocorrelacin.
o
o
15
SARRIKO-ON 4/09

a
Funcin de autocorrelacin (FAC)

o
o
El coeciente de autocorrelacin de orden k de un proceso estocstico estacionario mide el grado
o
a
de asociacin lineal existente entre dos variables aleatorias del proceso separadas k periodos:
o
k
k
=
=
0 0
0
V (Yt ) V (Yt+k )
cov(Yt Yt+k )
k =
Por ser un coeciente de correlacin, no depende de unidades y |k | 1, k.

o
La funcin de autocorrelacin de un proceso estocstico estacionario es una funcin de k que
o
o
a
o
recoge el conjunto de los coecientes de autocorrelacin del proceso y se denota por k , k =
o
0, 1, 2, 3, . . . ,. La funcin de autocorrelacin se suele representar grcamente por medio de
o
o
a
un grco de barras denominado correlograma.
a
Grco 2.2: Funciones de autocorrelacin
a
o
1.0
a)
0.5
1.0
b)
0.5
0.0
0.0
-0.5
-0.5
K
-1.0
2
10
12
14
16
18
20
1.0
-1.0
2
10
12
14
16
18
20
1.0
c)
d)
0.5
0.5
0.0
0.0
-0.5
-0.5
K
-1.0
-1.0
2
10
12
14
16
18
20
10
12
14
16
18
20
Las caracter
sticas de la funcin de autocorrelacin de un proceso estocstico estacionario:
o
o
a
El coeciente de autocorrelacin de orden 0 es, por denicin, 1. Por eso, a menudo, no se
o
o
le incluye expl
citamente en la funcin de autocorrelacin.
o
o
0 =
16
0
=1
0

a
SARRIKO-ON 4/09
k
Es una funcin simtrica: k = k = 0 = k . Por ello, en el correlograma se representa
o
e
0
la funcin de autocorrelacin solamente para los valores positivos del retardo k.
o
o
La funcin de autocorrelacin de un proceso estocstico estacionario tiende a cero rpidao

o
a
a
mente cuando k tiende a .
La funcin de autocorrelacin va a ser el principal instrumento utilizado para recoger la eso
o
tructura dinmica lineal del modelo. Los grcos de la gura 2.2 muestran 4 correlogramas
a
a
correspondientes a diferentes series temporales. Los correlogramas a), b) y c) decrecen rpidaa
mente hacia cero conforme aumenta k: exponencialmente en los casos a) y b) y truncndose
a
en el caso c). Son, por lo tanto, correlogramas correspondientes a series estacionarias. Por el
contrario, los coecientes de autocorrelacin del correlograma d) decrecen lentamente, de forma
o
lineal, por lo que no corresponden a una serie estacionaria.
Para caracterizar un proceso estocstico estacionario por sus momentos existen dos opciones:
a
a) Media y funcin de autocovarianzas:
o
k ,
b) Media, varianza y funcin de autocorrelacin:

o
o
2.3.2.
k = 0, 1, 2, 3, . . .
k ,
k = 1, 2, 3, . . .
Estimacin de los momentos

o
Los momentos poblacionales de un proceso estocstico estacionario se estiman a travs de los

a
e
correspondientes momentos muestrales.
T
a) Media: = Y =
1
T
Yt
t=1
T
b) Varianza: 0
= V (Y ) =
(Yt Y )2
1
T
t=1
T k
c) Funcin de Autocovarianzas: k =
(Yt Y ) (Yt+k Y ),
1
T
k = 1, 2, . . . , K
t=1
d) Funcin de Autocorrelacin: k =
o
o
0 ,
k = 1, 2, . . . , K
Aunque para el proceso estocstico terico se cuenta con un nmero indenido de autocovariana
o
u
zas y coecientes de autocorrelacin, cuando se dispone de una serie temporal nita de tamao
o
n
T , como mximo se pueden estimar T 1 coecientes de autocorrelacin, pero, en la prctica,
a
o
a
se van a estimar muchos menos. Se recomienda un mximo de T /3 . Esto es debido a que cuanto
a
mayor sea k menos informacin hay para estimar k y la calidad de la estimacin es menor.
o
o
La estimacin de los momentos poblacionales de un proceso estocstico proporciona otra razn
o
a
o
por la que es necesario imponer la restriccin de estacionariedad de un proceso. Si el proceso
o
que ha generado la serie (Y1 , Y2 , . . . , YT ) no fuera estacionario, ser preciso estimar T medias
a
17
SARRIKO-ON 4/09

a
2
diferentes, t , T varianzas diferentes, t , y un gran nmero de autocorrelaciones, lo que no es
u
posible contando con T observaciones solamente. La solucin habitual a este tipo de problema
o
es buscar ms datos pero, en el caso de las series temporales, esta solucin no es vlida. Si
a
o
a
conseguimos una serie temporal ms larga, por ejemplo, M observaciones ms, tendr
a
a
amos que
estimar M medias ms, M varianzas ms, etc. con lo cual estar
a
a
amos en la misma situacin.
o
2.4.
Proceso Ruido Blanco
El proceso estocstico ms sencillo es el denominado Ruido Blanco que es una secuencia de

a
a
variables aleatorias de media cero, varianza constante y covarianzas nulas. Se denotar habituala
mente por at , t = 0, 1, 2, . . .:
E(at ) = 0, t
V (at ) = 2 , t
Cov(at as ) = 0, t = s
As un proceso ruido blanco, at RB(0, 2 ) , es estacionario si la varianza 2 es nita con

,
funcin de autocovarianzas (FACV):
o
k = 2 , k = 0 y
k = 0, k > 0
y funcin de autocorrelacin (FAC):

o
o
k = 1, k = 0 y
k = 0, k > 0
Grco 2.3: Realizacin de un proceso Ruido Blanco

a
o
3
-1
-2
-3
1020
1040
1060
1080
1100
1120
1140
El grco 2.3 muestra una realizacin de tamao 150 de un proceso ruido blanco normal con
a
o
n
varianza unidad, at RBN (0, 1). Se observa que la serie simulada oscila en torno a un nivel
constante nulo con una dispersin constante y de forma aleatoria, sin ningn patrn de comporo
u
o
tamiento, como corresponde a la ausencia de correlacin en el tiempo entre sus observaciones.
o
Dado que la caracter
stica fundamental de las series temporales es la dependencia temporal entre sus observaciones, por lo que no es de esperar que muchas series econmicas presenten un
o
comportamiento que responda a una ausencia de correlacin temporal en el sentido de que lo
o
que ocurre hoy no tiene relacin lineal con lo sucedido en el pasado. De todas formas, el proceso
o
ruido blanco es muy util en el anlisis de series temporales porque es la base para la construccin
a
o
de los modelos ARIM A(p, d, q).
18
Cap
tulo 3
Modelos lineales estacionarios
3.1.
Modelo Lineal General
La metodolog de la modelizacin univariante es sencilla. Dado que el objetivo es explicar el

a
o
valor que toma en el momento t una variable econmica que presenta dependencia temporal, una
o
forma de trabajar es recoger informacin sobre el pasado de la variable, observar su evolucin
o
o
en el tiempo y explotar el patrn de regularidad que muestran los datos. La estructura de
o
dependencia temporal de un proceso estocstico est recogida en la funcin de autocovarianzas
a
a
o
(FACV) y/o en la funcin de autocorrelacin (FAC). En este contexto, se trata de utilizar
o
o
la informacin de estas funciones para extraer un patrn sistemtico y, a partir de ste, un
o
o
a
e
modelo que reproduzca el comportamiento de la serie y se pueda utilizar para predecir. Este
procedimiento se har operativo mediante los modelos ARMA que son una aproximacin a la
a
o
estructura terica general.
o
En un modelo de series temporales univariante se descompone la serie Yt en dos partes, una
que recoge el patrn de regularidad, o parte sistemtica, y otra parte puramente aleatoria,
o
a
denominada tambin innovacin:
e
o
Yt = P St + at
t = 1, 2, . . .
La parte sistemtica es la parte predecible con el conjunto de informacin que se utiliza para
a
o
construir el modelo, es decir, la serie temporal Y1 , Y2 . . . , YT . La innovacin respecto al cono
junto de informacin con el que se construye el modelo, es una parte aleatoria en la que sus
o
valores no tienen ninguna relacin o dependencia entre s La innovacin en el momento t no
o
.
o
est relacionada, por lo tanto, ni con las innovaciones anteriores ni con las posteriores, ni con
a
la parte sistemtica del modelo. Es impredecible, es decir, su prediccin es siempre cero. A la
a
o
hora de construir un modelo estad
stico para una variable econmica, el problema es formular
o
la parte sistemtica de tal manera que el elemento residual sea una innovacin, en el mundo
a
o
Normal, un ruido blanco.
Dada una serie temporal de media cero, como el valor de Y en el momento t depende de su
pasado, un modelo terico capaz de describir su comportamiento ser
o
a:
Yt = f (Yt1 , Yt2 , Yt3 , . . .) + at
t = 1, 2, . . .
donde se exige que el comportamiento de Yt sea funcin de sus valores pasados, posiblemente
o
innitos.
19
SARRIKO-ON 4/09

a
Dentro de los procesos estocsticos estacionarios se considerar unicamente la clase de procesos

a
a
lineales que se caracterizan porque se pueden representar como una combinacin lineal de vao
riables aleatorias. De hecho, en el caso de los procesos estacionarios con distribucin normal y
o
media cero, la teor de procesos estocsticos seala que, bajo condiciones muy generales, Yt se
a
a
n
puede expresar como combinacin lineal de los valores pasados innitos de Y ms una innovacin
o
a
o
ruido blanco:
Yt = 1 Yt1 + 2 Yt2 + 3 Yt3 + . . . + at
t = 1, 2, . . .
(3.1)
Las condiciones generales que ha de cumplir el proceso son:

a) Que el proceso sea no anticipante, es decir, que el presente no venga determinado por el
futuro, luego el valor de Y en el momento t no puede depender de valores futuros de Y o
de las innovaciones a.
b) Que el proceso sea invertible, es decir, que el presente dependa de forma convergente
de su propio pasado lo que implica que la inuencia de Ytk en Yt ha de ir disminuyendo
conforme nos alejemos en el pasado. Esta condicin se cumple si los parmetros del modelo
o
a
general (3.1) cumplen la siguiente restriccin:
o
2
i <
i=1
El modelo (3.1) se puede escribir de forma ms compacta en trminos del operador de retardos:
a
e
Yt = (1 L + 2 L2 + . . . ) Yt + at
(1 1 L 2 L2 . . . ) Yt = at
(L) Yt = at
Otra forma alternativa de escribir el modelo (3.1) es:

Yt =
1
at = (L) at = (1 + 1 L + 2 L2 + . . . ) at
(L)
Yt = at + 1 at1 + 2 at2 + 3 at3 + . . .
t = 1, 2, . . .
(3.2)
Es decir, el valor Yt se puede representar como la combinacin lineal del ruido blanco at y su
o
pasado innito. El modelo (3.2) cumple la condicin de estacionariedad si los parmetros del
o
a
modelo satisfacen la siguiente restriccin:
o
2
i <
i=1
Esta restriccin implica que el valor presente depende de forma convergente de las innovaciones
o
pasadas, es decir, la inuencia de la innovacin atk va desapareciendo conforme se aleja en el
o
pasado.
20

a
SARRIKO-ON 4/09
Tanto la representacin (3.1) como la (3.2) son igualmente vlidas para los procesos estocsticos
o
a
a
estacionarios siempre que se cumplan las dos condiciones antes mencionadas, o sea que el modelo
sea no anticipante e invertible.
Como en la prctica se va a trabajar con series nitas, los modelos no van a poder expresar
a
dependencias innitas sin restricciones sino que tendrn que especicar una dependencia en
a
el tiempo acotada y con restricciones. Ser necesario simplicar las formulaciones del modelo
a
general (3.1) y/o (3.2) de forma que tengan un nmero nito de parmetros. Acudiendo a la
u
a
teor de polinomios, bajo condiciones muy generales, se puede aproximar un polinomio de orden
a
innito mediante un cociente de polinomios nitos:
p (L)
q (L)
(L)
donde p (L) y q (L) son polinomios en el operador de retardos nitos de orden p y q , respectivamente:
p (L) = 1 1 L 2 L2 . . . p Lp
q (L) = 1 1 L 2 L2 . . . q Lq
Sustituyendo en el modelo (3.1), se obtiene:
(L) Yt
p (L)
Yt = at
q (L)
p (L) Yt = q (L) at
Por lo tanto, el modelo lineal general admite tres representaciones, todas igualmente vlidas
a
bajo los supuestos sealados:
n
Representacin puramente autorregresiva (3.1), AR(): el valor presente de la variable
o
se representa en funcin de su propio pasado ms una innovacin contempornea.
o
a
o
a
Representacin puramente de medias mviles (3.2), M A(): el valor presente de la vao
o
riable se representa en funcin de todas las innovaciones presente y pasadas.
o
Representacin nita:
o
p (L) Yt = q (L) at
(1 1 L 2 L2 . . . p Lp ) Yt = (1 1 L 2 L2 . . . q Lq ) at
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp
parte autorregresiva
at 1 at1 2 at2 . . . q atq

parte medias mviles
o
En este modelo nito, el valor de Yt depende del pasado de Y hasta el momento t p

(parte autorregresiva), de la innovacin contempornea y su pasado hasta el momento
o
a
21
SARRIKO-ON 4/09

a
t q (parte medias mviles). Este modelo se denomina Autorregresivo de Medias Mviles

o
o
de orden (p, q), y se denota por ARM A(p, q).
Esta formulacin nita es una representacin ms restringida que las representaciones
o
o
a
generales (3.1)-(3.2).
Dos casos particulares del modelo ARM A(p, q) de gran inters son:
e
AR(p). Modelo que slo presenta parte autorregresiva, es decir, el polinomio de medias
o
mviles es de orden 0:
o
Yt AR(p)
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
M A(q). Modelo que slo presenta parte medias mviles, es decir, el polinomio autoo
o
rregresivo es de orden 0:
Yt AR(p)
Yt = at 1 at1 2 at2 . . . q atq
Cuando el modelo es conocido se puede utilizar cualquiera de las tres representaciones dependiendo de los intereses. Si el modelo no es conocido y hay que especicarlo y estimarlo a partir
de una serie temporal concreta, hay que utilizar necesariamente la formulacin nita.
o
Cuando se construye un modelo de series temporales univariante el objetivo no es conseguir
el verdadero modelo. Es preciso ser conscientes de que estamos tratando de modelar una
realidad compleja y el objetivo es lograr un modelo parsimonioso y sucientemente preciso
que represente adecuadamente las caracter
sticas de la serie recogidas fundamentalmente en la
funcin de autocorrelacin. Los modelos ARM A(p, q), AR(p) y M A(q) son aproximaciones al
o
o
modelo lineal general. Comenzaremos por caracterizar sus funciones de autocorrelacin para
o
conocer sus propiedades y posteriormente utilizarlos para modelar series y predecir.
Ejercicio 3.1. Deriva el modelo nito a partir del modelo (3.2).
3.2.
Procesos autorregresivos: AR(p).
El modelo autorregresivo nito de orden p, AR(p) es una aproximacin natural al modelo lineal
o
general (3.1). Se obtiene un modelo nito simplemente truncando el modelo general:
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
t = 1, 2, . . .
Para estudiar sus caracter

sticas, comenzaremos por el modelo autorregresivo de orden 1, AR(1).
3.2.1.
Proceso AR(1).
En el proceso AR(1) la variable Yt viene determinada unicamente por su valor pasado, Yt1 , y
la perturbacin contempornea, at :
o
a
Yt = Yt1 + at
t = 1, 2, . . .
22
at RB(0, 2 )
(3.3)

a
SARRIKO-ON 4/09
La estructura de correlacin temporal representada por el modelo AR(1) es como sigue:

o
. . . Yt2 Yt1 Yt Yt+1 Yt+2
at1
at
at+1
at+2
. . . at2
...
...
es decir, la perturbacin at entra en el sistema en el momento t e inuyendo en Yt y en su futuro,

o
1.
pero no en su pasado
Para demostrar si el modelo AR(1) es estacionario para cualquier valor del parmetro es
a
preciso comprobar las condiciones de estacionariedad.
a) Estacionario en media:
E(Yt ) = E( Yt1 + at ) = E(Yt1 )
Para que el proceso sea estacionario, la media ha de ser constante y nita , lo que implica:
E(Yt ) = E(Yt )
(1 ) E(Yt ) = 0
E(Yt ) =
0
=0
1
Por lo tanto, para que el proceso sea estacionario es necesario que el parmetro = 1 .
a
b) Estacionario en covarianza:
Para que el proceso sea estacionario, la varianza ha de ser constante y nita:
0 = E(Yt E(Yt ))2 = E( Yt1 + at 0)2 =
= 2 E(Yt1 )2 + E(at )2 + 2 E(Yt1 at ) = 2 V (Yt1 ) + 2 + 0
Dada la estructura de autocorrelacin del proceso
o
E(Yt1 at ) = E[(Yt1 0)(at 0)] = cov(Yt1 at ) = 0
Bajo el supuesto de que el proceso es estacionario,
E(Yt1 )2 = V (Yt1 ) = V (Yt ) = 0
por lo que:
0 = 0 + 2
(1 2 ) 0 = 2
0 =
2
1 2
Para que el proceso sea estacionario, varianza constante y nita, es necesario que || < 1 .
1
Recurdese adems que suponemos que el proceso es no anticipante, es decir, el futuro no inuye en el
e
a
pasado.
23
SARRIKO-ON 4/09

a
En lo que se reere a la funcin de autocovarianzas, la autocovarianza de orden k es:

o
k = E(Yt E(Yt ))(Ytk E(Ytk )) = E(Yt Ytk ) = E[( Yt1 + at ) Ytk ]
= E(Yt Ytk ) + E(at Ytk ) = k1
Por lo que:
1
2
3
.
.
.
= 0
= 1
= 2
.
.
=
.
Por lo tanto, si el parmetro autorregresivo es || < 1 , la varianza es nita y el resto

a
de las autocovarianzas tambin lo son, y adems dependen unicamente de los periodos de
e
a
separacin entre las variables y no del tiempo, por lo que el proceso es estacionario.
o
Se puede concluir, por lo tanto, que el proceso AR(1) es estacionario si y slo si || < 1.
o
La funcin de autocovarianzas de un proceso AR(1) estacionario es:
o
k =
2
1 2
k=0
k1
k>0
Los coecientes de autocorrelacin de un proceso estacionario AR(1) son:

o
k =
k1
k
=
= k1
0
0
La funcin de autocorrelacin de un proceso AR(1) estacionario es:

o
o
k =
k=0
k1
k>0
Se puede demostrar fcilmente que la FAC de un AR(1) es una funcin exponencial:

a
o
1 = 0 =
2 = 1 = 2
3 = 2 = 3
.
.
.
.
.
.
Por lo que:
k = k
k = 1, 2, 3, . . .
Dado que para procesos estacionarios el parmetro en valor absoluto es menor que la unidad, la
a
funcin de autocorrelacin decrece exponencialmente con k, es decir, se va aproximando a cero
o
o
conforme k pero no llega nunca a valer cero.
24

a
SARRIKO-ON 4/09
Grco 3.1: Procesos Autorregresivos de orden 1: AR(1)

a
= 0,7
= -0,7
10
-2
-4
1010
1020
1030
1040
1050
1060
1070
1080
1090
1100
1110
1120
1130
1140
1010
1150
0,8
1050
1060
1070
1080
1090
1100
1110
1120
1130
1140
1150
0,4
0,2
1040
0,6
0,4
1030
0,8
0,6
1020
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
Las guras del grco 3.1 muestran dos realizaciones de procesos AR(1) y sus correspondientes
a
correlogramas. Ambas han sido simuladas en base a la misma realizacin del ruido blanco at ,
o
por lo que slo se diferencian en el valor del parmetro autorregresivo. El correlograma del
o
a
proceso AR(1) de parmetro = 0,7 tiene todos los coecientes de autocorrelacin positivos
a
o
con decrecimiento exponencial. Como era de esperar esto supone una serie que oscila en torno
a cero (su media) con una dispersin estable, pero con rachas de observaciones por encima de
o
la media seguidas de rachas de observaciones por debajo de la media. Este comportamiento por
rachas de la serie ser ms pronunciado o persistente cuanto ms se acerque el parmetro a
a a
a
a
la unidad. Para el proceso AR(1) de parmetro negativo, = 0,7 , el correlograma presenta
a
un decrecimiento exponencial con coecientes que alternan de signo. La serie correspondiente a
esta estructura de autocorrelacin oscila en torno a cero (su media) con una dispersin estable,
o
o
pero con un comportamiento muy ruidoso, cruzando constantemente la media.
o
a
Ejercicio 3.2. Compara la evolucin de las realizaciones AR(1) del grco 3.1 con la del ruido
blanco de la grco 2.3. Qu diferencias observas entre ellas? A qu son debidas?
a
e
e
Una forma alternativa de escribir el modelo AR(1) es la siguiente:
Yt = Yt1 + at
(1 L) Yt = at
Yt =
1
at
1 L
Como un cociente de polinomios es un polinomio innito y, en particular,

1
= 1 + L + 2 L2 + 3 L3 + 4 L4 + . . .
1 L
25
SARRIKO-ON 4/09

a
tenemos que:
Yt = (1 + L + 2 L2 + 3 L3 + 4 L4 + . . .) at
Yt = at + at1 + 2 at2 + 3 at3 + 4 at4 + . . .
(3.4)
Por lo tanto, el modelo AR(1), no solo es una versin restringida del modelo lineal general (3.1),
o
sino que tambin es una versin restringida del modelo general de medias mviles (3.2), en la
e
o
o
que los innitos coecientes i dependen de un slo parmetro .
o
a
El modelo (3.3) se puede generalizar para representar procesos estocsticos estacionarios con
a
media distinta de cero:
Yt = + Yt1 + at
t = 1, 2, . . .
at RB(0, 2 )
(3.5)
Las caracter
sticas del modelo (3.5) son las mismas que las del modelo (3.3) salvo por la media
que no es nula. Se puede demostrar que:
El modelo (3.5) es estacionario s y solo s || < 1.

Media:
E(Yt ) = E( + Yt1 + at ) = + E(Yt1 )
Si el proceso es estacionario, la media es constante y:
(1 ) E(Yt ) =
E(Yt ) =
<
1
La funcin de autocovarianzas y la funcin de autocorrelacin son las mismas que las del
o
o
o
modelo (3.3):
1
k=0
k=0
1 2
k =
k =
k1
k>0
k1
k>0
Esto es lgico, ya que si restamos la media la media a ambos lados del modelo (3.5):
o
Yt E(Yt ) = + Yt1 E(Yt ) + at
Yt
= + Yt1
=
+ at =
+ Yt1
+ at =
1
1
1
+ Yt1
+ at = Yt1
1
1
1
1
+ at
Por lo que2 :
Yt = Yt1 + at ,
2
donde Yt = Yt E(Yt ) con E(Yt ) = 0
V (Yt )
E(Yt E(Yt ))2 = E(Yt )2 = E(Yt 0)2 = V (Yt )
k (Y )
cov(Yt Yt+k ) = E(Yt E(Yt ))(Yt+k E(Yt )) = E(Yt )(Yt+k ) = E(Yt 0)(Yt+k 0) = k (Y )
26

a
3.2.2.
SARRIKO-ON 4/09
Proceso AR(p).
El proceso autorregresivo de orden p, expresa Yt en funcin de su pasado hasta el retardo t p

o
y una innovacin contempornea:
o
a
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
at RB(0, 2 )
t = 1, 2, . . .
(3.6)
En trminos del operador de retardos,

e
(1 1 L 2 L2 . . . p Lp ) Yt = at
p (L) Yt = at
donde p (L) recibe el nombre de polinomio autorregresivo y (1 , 2 , . . . , p ) es el vector de

parmetros autorregresivos.
a
En primer lugar es preciso comprobar si el proceso AR(p) cumple las condiciones de estacionariedad para cualquier valor de los parmetros. Esta comprobacin que es relativamente sencilla para
a
o
el modelo AR(1), se complica para modelos autorregresivos de orden mayor cuyos parmetros
a
han de satisfacer restricciones complejas para ser estacionarios. El siguiente teorema proporciona
condiciones necesarias y sucientes para que el modelo AR(p) sea estacionario.
Teorema: Un proceso autorregresivo nito AR(p) es estacionario s y solo s el
modulo de las ra del polinomio autorregresivo p (L) est fuera del circulo unidad.
ces
a
Ejemplo 3.1. Condiciones de estacionariedad.

Modelo AR(1):
Yt = Yt1 + at
(1 L) Yt = at
Polinomio autorregresivo:
1 (L) = 1 L
Ra
ces:
L=
1 L = 0
1
>1
|| < 1
Yt = 1 Yt1 + 2 Yt2 + at
(1 1 L 2 L2 ) Yt = at
Condicin de estacionariedad:
o
Modelo AR(2):
Polinomio autorregresivo:
Ra
ces:
|L| =
2 (L) = 1 1 L 2 L2
1 1 L 2 L2 = 0
L1 , L2 =
27
2 + 4 2
1
2 2
SARRIKO-ON 4/09

a
Condicin de estacionariedad:
o
|L1 | =
1 +
2 + 4 2
1
>1
2 2
|L2 | =
2 + 4 2
1
>1
2 2
Cmo se calcula el modulo de estas ra

o
ces?
- Si el radicando es positivo, (2 + 4 2 ) > 0 , las ra son reales y el modulo es el valor
ces
1
absoluto.
- Si el radicando es negativo, (2 + 4 2 ) < 0 , las ra
ces son complejas de la forma
1
L1 , L2 = a b i
y su modulo es igual a:
|L1 | = |L2 | =
a2 + b2
Las otras dos condiciones que tiene que cumplir el modelo lineal general y, por lo tanto, tambin
e
el AR(p) como aproximacin al mismo, es que el modelo fuera no anticipante e invertible.
o
Todo modelo autorregresivo nito, AR(p), cumple estas dos condiciones para cualquier valor de
los parmetros autorregresivos ya que, por denicin, est escrito en forma autorregresiva. Es
a
o
a
decir, es no anticipante porque su formulacin hace depender al valor de Yt de su pasado y no
o
de su futuro y es invertible porque su formulacin nita hace que se cumpla obligatoriamente la
o
condicin
o
2
i <
i=1
El modelo AR(p) (3.6) es una versin restringida del modelo (3.1) ya que supone que todos los
o
parmetros i = 0, i > p . Por otro lado, el modelo AR(p) se puede escribir como un medias
a
mviles de orden innito:
o
1
p (L) Yt = at Yt =
at = (L) at = (1 + 1 L + 2 L2 + 3 L3 + . . .) at
p (L)
Yt = at + 1 at1 + 2 at2 + 3 at3 + . . .
donde los parmetros i estn restringidos a depender del vector de parmetros autorregresivos
a
a
a
(1 , 2 , . . . , p ) . Por lo tanto, el modelo (3.6) es tambin una versin restringida del modelo
e
o
lineal general (3.2).
Las caracter
sticas del proceso estacionario AR(p) estacionario son:
a) Media:
E(Yt ) = E(1 Yt1 + 2 Yt2 + . . . + p Ytp + at ) =
= 1 E(Yt1 ) + 2 E(Yt2 ) + . . . + p E(Ytp ) + E(at )
28

a
SARRIKO-ON 4/09
Como el proceso es estacionario, la media es constante:

(1 1 2 . . . p ) E(Yt ) = 0
E(Yt ) = 0
Este modelo se puede generalizar para representar series con media distinta de cero. El
siguiente modelo AR(p):
Yt = + 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
tiene media:
(1 1 2 . . . p ) E(Yt ) =
E(Yt ) =
1 1 2 . . . p
b) La funcin de autocorrelacin, k , k = 0, 1, 2, . . . de un proceso AR(p) tiene la misma

o
o
estructura que la de un proceso AR(1), es decir, decrece exponencialmente hacia cero sin
truncarse. Ahora bien, para valores de p > 1 al ser el modelo ms complejo, la estructura
a
de la FAC es tambin ms rica y puede presentar ms variedad de formas.
e
a
a
Ejemplo 3.2. Caracter
sticas del modelo AR(2).
Consideremos el modelo autorregresivo de orden 2 estacionario:
at RB(0, 2 )
Yt = 1 Yt1 + 2 Yt2 + at
t = 1, 2, . . .
Las caracter
sticas de este proceso son las siguientes:
a) Media. Como el proceso es estacionario, la media es constante:
(1 1 2 ) E(Yt ) = 0
E(Yt ) = 0
b) Funcin de autocovarianzas:
o
0 = E(Yt E(Yt ))2 = E(Yt )2 = E(1 Yt1 + 2 Yt2 + at )2 =
= 2 E(Yt1 )2 + 2 E(Yt2 )2 + E(at )2 + 2 1 2 E(Yt1 Yt2 ) +
1
2
+
2 1 E(Yt1 at ) + 2 2 E(Yt2 at ) = 2 0 + 2 0 + 2 + 2 1 2 1
1
2
(1 2 2 ) 0 = 2 + 2 1 2 1
1
2
0 =
2 + 2 1 2 1
1 2 2
1
2
1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) = E(Yt Yt1 ) =

= E[(1 Yt1 + 2 Yt2 + at ) Yt1 ] =
= 1 E(Yt1 )2 + 2 E(Yt2 Yt1 ) + E(at Yt1 ) = 1 0 + 2 1
1 =
1 0
1 2
29
(3.7)
SARRIKO-ON 4/09

a
Estas dos ecuaciones proporcionan las dos primeras autocovarianzas, 0 , 1 en funcin de

o
2 , la varianza del ruido blanco.
los parmetros autorregresivos (1 , 2 ) y de
a
Las autocovarianzas, k , k > 1 son:
k = E(Yt E(Yt ))(Ytk E(Ytk )) = E(Yt Ytk ) =
= E[(1 Yt1 + 2 Yt2 + at ) Ytk ] =
= 1 E(Yt1 Ytk ) + 2 E(Yt2 Ytk ) + E(at Ytk ) = 1 k1 + 2 k2
La funcin de autocovarianzas de un modelo AR(2) es,
o
1
k =
1 k1 + 2 k2
por lo tanto:
k=0
k=1
k>1
c) Los coecientes de autocorrelacin son:

o
k =
k
1 k1 + 2 k2
=
= 1 k1 + 2 k2
0
0
k = 1, 2, 3, . . .
La funcin de autocorrelacin de un modelo AR(2) es:

o
o
1
k=0
1 k1 + 2 k2
k =
k>0
Grco 3.2: Procesos Autorregresivos de orden 2

a
1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
0,8
0,8
El grco 3.2 muestra diferentes estructuras de funciones de autocorrelacin para modelos AR(2)
a
o
estacionarios. Cuando las ra
ces del polinomio autorregresivo 2 (L) son reales, la funcin de
o
autocorrelacin es una funcin que decrece exponencialmente con todos los coecientes positivos
o
o
o con alternancia de signos, como para el modelo AR(1). Si las ra del polinomio autorregresivo
ces
son complejas entonces la funcin de autocorrelacin decrece exponencialmente hacia cero pero
o
o
con forma de onda seno-coseno.
0,6
0,6
0,4
0,4
0,2
0,2
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
30
10
11
12
13
14
15
16
17
18
19
20

a
3.3.
SARRIKO-ON 4/09
Procesos de Medias Mviles: MA(q).

o
El modelo de medias mviles de orden nito q, M A(q), es una aproximacin natural al modelo
o
o
lineal general (3.2). Se obtiene un modelo nito por el simple procedimiento de truncar el modelo
de medias mviles de orden innito:
o
Yt = at 1 at1 2 at2 . . . q atq
at RB(0, 2 )
Para estudiar sus caracter

sticas, comenzaremos por el ms sencillo, el modelo medias mviles
a
o
de primer orden, M A(1).
3.3.1.
Proceso MA(1).
El modelo M A(1) determina el valor de Y en el momento t en funcin de la innovacin contemo

o
pornea y su primer retardo:
a
Yt = at at1
at RB(0, 2 )
t = 1, 2, . . .
(3.8)
Los procesos de medias mviles se suelen denominar procesos de memoria corta, mientras que
o
a los autorregresivos se les denomina procesos de memoria larga. Esto es debido a que, como se
puede observar en la estructura de correlacin temporal del modelo M A(1) representada en el
o
esquema siguiente, la perturbacin at aparece en el sistema en el momento t e inuye en Yt
o
e Yt+1 unicamente, por lo que su memoria es de un solo periodo. Sin embargo, en un proceso
autorregresivo la perturbacin at aparece en el sistema en el momento t , inuye en Yt y a

o
travs de Yt en las observaciones futuras, permaneciendo su inuencia en el sistema un periodo
e
ms largo.
a
. . . Yt2
. . . at2
Yt1
at1
Yt
at
Yt+1
at+1
Yt+2
at+2
...
...
Vamos a comprobar si el modelo M A(1) cumple las condiciones de estacionariedad para cualquier
valor del parmetro .
a
a) Estacionario en media:
E(Yt ) = E(at at1 ) = 0
Por tanto, el modelo M A(1) es estacionario en media para todo valor del parmetro .
a
b) Estacionario en covarianza:
0 = E(Yt E(Yt ))2 = E(Yt )2 = E(at at1 )2 =
= E(at )2 + 2 E(at1 )2 2 E(at at1 ) = 2 + 2 2 0
0 = (1 + 2 ) 2 <
31
SARRIKO-ON 4/09

a
Es decir, la varianza del modelo M A(1) es constante y nita para cualquier valor de .
Las autocovarianzas, k , k > 0:
1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) = E(at at1 )(at1 at2 ) =
= E(at at1 ) E(at1 )2 E(at at2 ) + 2 E(at1 at2 ) = 2 <
2 = E(Yt E(Yt ))(Yt2 E(Yt2 )) = E(at at1 )(at2 at3 ) =
= E(at at2 ) E(at1 at2 ) E(at at3 ) + 2 E(at1 at3 ) = 0
La funcin de autocovarianzas de un M A(1) es:

o
1
k =
= (1 + 2 ) 2
k=0
= 2
k=1
=0
k>1
La funcin de autocovarianzas es nita y depende slo de k y no del tiempo, para cualquier

o
o
valor del parmetro .
a
Por lo tanto, se puede concluir que no es necesario poner restricciones sobre el valor del
parmetro para que el modelo M A(1) sea estacionario.
a
La funcin de autocorrelacin de un proceso M A(1)
o
o
k =
1 + 2
es:
k=0
k=1
k>1
La funcin de autocorrelacin de un proceso M A(1) se caracteriza por ser una funcin truncada
o
o
o
que sufre un corte bruco tomando el valor cero a partir del retardo 1.
El grco 3.3 recoge dos realizaciones de los siguientes procesos M A(1) con sus funciones de
a
autocorrelacin correspondientes:
o
(a) Yt = at + 0,8 at1
(b) Yt = at 0,5 at1
Se puede observar que ambas funciones de autocorrelacin se truncan en el primer retardo como
o
corresponde a un proceso medias mviles de orden 1. El coeciente de autocorrelacin, 1 , es
o
o
positivo o negativo dependiente del signo del parmetro de medias mviles. En cuanto a las
a
o
series generadas con estos modelos, se nota que ambas oscilan en torno a la media cero con una
32

a
SARRIKO-ON 4/09
Grco 3.3: Procesos Medias Mviles de orden 1: MA(1)

a
o
= 0,8
= -0,5
13
12
11
10
-1
-2
-3
1010
1020
1030
1040
1050
1060
1070
1080
1090
1100
1110
1120
1130
1140
1150
1010
0,8
1040
1050
1060
1070
1080
1090
1100
1110
1120
1130
1140
1150
0,6
0,4
1030
0,8
0,6
1020
0,4
0,2
0,2
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
varianza constante y que la serie generada por el modelo (a) con parmetro positivo es ms
a
a
suave que la generada por el modelo (b) con parmetro negativo.
a
Los modelos lineales tienen que cumplir, adems, las condiciones de ser modelos no anticipantes
a
e invertibles. Estas condiciones se comprueban fcilmente en modelos escritos de forma autorrea
gresiva. Adems, la representacin autorregresiva siempre es ms intuitiva en el sentido de que
a
o
a
si el objetivo es predecir parece lgico que el modelo relacione lo que sucede en el presente con lo
o
sucedido en el pasado de manera que las predicciones de futuras observaciones se construyan en
base al pasado y presente observado. En principio, un modelo de medias mviles no parece estar
o
escrito de esta forma ya que Yt no depende directamente de las observaciones pasadas sino de
la innovacin y de sus valores pasados. Ahora bien, los modelos de medias mviles tambin se
o
o
e
pueden escribir de forma autorregresiva. Escribiendo el modelo (3.8) en trminos del operador
e
de retardos, se tiene que:
Yt = (1 L) at
1
Y t = at
1 L
(L) Yt = at
(1 L + 2 L2 3 L3 + . . .) Yt = at
Yt = at + Yt1 2 Yt2 + 3 Yt3 + . . .
Esta representacin AR() es restringida ya que, como se puede observar, todos los parmetros
o
a
autorregresivos dependen del unico parmetro de medias mviles del modelo, , como sigue,
a
o
i = ()i .
El modelo M A(1) es no anticipante porque el futuro no inuye en el pasado. Para que el modelo
M A(1) sea invertible es preciso que su representacin autorregresiva sea convergente, es decir,
o
33
SARRIKO-ON 4/09

a
que se cumpla que la inuencia de Ytk va siendo menor conforme nos alejamos en el pasado.
Esta condicin se cumple si:
o
(i )2 <
i=1
Para que se cumpla la condicin anterior es necesario y suciente que || < 1 , por lo que el
o
modelo M A(1) no es siempre invertible sino que hay que poner restricciones sobre el valor del
parmetro .
a
Bajo las condiciones de invertibilidad, en este caso, || < 1 , el modelo M A(1), y cualquier
modelo de medias mviles, en general, se puede escribir en forma autorregresiva, por lo que
o
si deseamos una representacin autorregresiva para el modelo, no hace falta empezar por un
o
AR(p). Siempre vamos a utilizar modelos invertibles porque de esta forma siempre se puede
expresar el valor contemporneo de Yt en funcin de su pasado observado.
a
o
El modelo (3.8) se puede generalizar para representar procesos con media distinta de cero:
Yt = + at at1
at RB(0, 2 )
(3.9)
Este modelo tiene la misma funcin de autocovarianzas y, por lo tanto, de autocorrelacin, que
o
o
el modelo (3.8). La unica diferencia es que su media es distinta de cero:
E(Yt ) = E[ + at at1 ] =
3.3.2.
Proceso MA(q).
El modelo medias mviles nito de orden q, es la aproximacin natural al modelo lineal geneo
o
ral (3.2), ya que supone su truncamiento bajo el supuesto de que:
i = 0 i > q
Este modelo expresa el valor de Yt en funcin de la innovacin contempornea y de su pasado
o
o
a
hasta el retardo q:
Yt = at 1 at1 2 at2 . . . q atq
at RB(0, 2 )
(3.10)
En trminos del operador de retardos queda como sigue:

e
Yt = (1 1 L 2 L2 3 L3 . . . q Lq ) at
Yt = q (L) at
donde q (L) se denomina polinomio de medias mviles y (1 , 2 , 3 , . . . , q ) es el vector de

o
parmetros de medias mviles.
a
o
El modelo M A(q) es una generalizacin del modelo M A(1), por lo tanto sus caracter
o
sticas van
a ser muy similares. Ahora bien, al introducir ms retardos de la perturbacin en el modelo,
a
o
la memoria aumenta y la estructura dinmica representada por el modelo es ms rica. Si una
a
a
perturbacin entra en el momento t , inuye en Yt , en Yt+1 , y en valores posteriores hasta Yt+q .
o
34

a
SARRIKO-ON 4/09
Por lo tanto, la perturbacin at en un modelo M A(q) permanece q periodos en el sistema. Esta

o
memoria ms larga del M A(q) se ver reejada en la estructura de la funcin de autocovarianzas
a
a
o
y / o autocorrelacin.
o
Vamos a comprobar si el modelo M A(q) es estacionario para cualquier valor de los parmetros
a
de medias mviles. Para ello ser preciso comprobar si se cumplen las condiciones de estacionao
a
riedad. Pero teniendo en cuenta que el modelo medias mviles nito de orden q no es ms que
o
a
el resultado de truncar el modelo lineal general (3.2) a partir del retardo q , ser estacionario
a
bajo las mismas condiciones que el modelo general, es decir, si se cumple la condicin de que la
o
sucesin de los parmetros del modelo es convergente:
o
a
q
2
i
2
i <
=
i=1
i=1
Como el nmero de parmetros de un M A(q) es nito, esta condicin siempre se cumple y, por
u
a
o
lo tanto, todos los modelos de medias mviles nitos son siempre estacionarios para cualquier
o
valor de sus parmetros.
a
El modelo de M A(q) (3.10) tiene media constante y cero, varianza constante y nita y su funcin
o
de autocovarianzas est truncada a partir del retardo q, es decir,
a
k =
k = 0
k = 1, 2, . . . , q
k = 0
k>q
El modelo (3.10) se puede generalizar fcilmente para representar modelos con media no nula:
a
Yt = + at 1 at1 2 at2 . . . q atq
at RB(0, 2 )
(3.11)
Ejemplo 3.3. Caracter

sticas del modelo M A(2).
Consideremos el modelo de medias mviles de orden 2:
o
Yt = at 1 at1 2 at2
at RB(0, 2 )
Este proceso es estacionario para cualquier valor de 1 , 2 y sus caracter

sticas son:
a) Media:
E(Yt ) = E(at 1 at1 2 at2 ) = 0
b) Funcin de autocovarianzas, k , k = 0, 1, 2, 3, . . .:
o
0 = E[Yt E(Yt )]2 = E(Yt )2 = E(at 1 at1 2 at2 )2 =
2
2
= E(at )2 + 1 E(at1 )2 + 2 E(at2 )2 2 1 E(at at1 ) 2 2 E(at at2 ) +
2
2
2
2
+ 2 1 2 E(at1 at2 ) = 2 + 1 2 + 2 2 = (1 + 1 + 2 ) 2
35
SARRIKO-ON 4/09

a
1 = E[(Yt E(Yt ))(Yt1 E(Yt ))] = E(Yt Yt1 ) =

= E[(at 1 at1 2 at2 )(at1 1 at2 2 at3 )] =
2
= E(at at1 ) 1 E(at at2 ) 2 E(at at3 ) 1 E(at1 )2 + 1 E(at1 at2 ) +
2
+ 1 2 E(at1 at3 ) 2 E(at1 at2 ) + 2 1 E(at2 )2 + 2 E(at2 at3 ) =
= 1 2 + 1 2 2 = (1 + 1 2 ) 2
= E[(at 1 at1 2 at2 )(at2 1 at3 2 at4 )] =
= E(at at2 ) 1 E(at at3 ) 2 E(at at4 ) 1 E(at1 at2 ) +
2
+ 1 E(at1 at3 ) + 1 2 E(at1 at4 ) 2 E(at2 )2 +
2
+ 2 1 E(at2 at3 ) + 2 E(at2 at4 ) = 2 2

= E[(at 1 at1 2 at2 )(at3 1 at4 2 at5 )] =
= E(at at3 ) 1 E(at at4 ) 2 E(at at5 ) 1 E(at1 at3 ) +
2
+ 1 E(at1 at4 ) + 1 2 E(at1 at5 ) 2 E(at2 at3 ) +
2
+ 2 1 E(at2 at4 ) + 2 E(at2 at5 ) = 0
La funcin de autocovarianzas de un M A(2) es:

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

=0
k
La funcin de autocorrelacin de un M A(2) es:
o
o
1 + 1 2

1 =
2
2
1 + 1 + 2
2
k =
2 =
2
2
1 + 1 + 2
k = 0
k=0
k=1
k=2
k>2
k=1
k=2
k>2
La FAC de un proceso M A(2) es una funcin truncada en el retardo 2. Los coecientes de

o
autocorrelacin, 1 , 2 , pueden ser positivos, negativos, o de distinto signo dependendiendo de
o
36
0,8
0,8
0,6
0,6
0,4
0,4
0,2

a
0
10
11
12
13
14
15
16
17
18
19
0,2
20
-0,2
-0,4
10
11
12
SARRIKO-ON 4/09
13
14
15
16
17
18
19
20
14
15
16
17
18
19
20
-0,4
-0,6
-0,2
-0,6
-0,8
-0,8
Grco 3.4: Procesos Medias Mviles de orden 2: MA(2)

a
o
-1
-1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
los valores de los parmetros autorregresivos. El grco 3.4 muestra dos ejemplos de FAC de un
a
a
M A(2).
El modelo M A(q) (3.11) tiene tambin una representacin AR() restringida:
e
o
Yt = (1 L 2 L2 . . . q Lq ) at
1
Yt = at
1 L 2 L2 . . . q Lq
(L) Yt = at
Yt = at 1 Yt1 + 2 Yt2 + 3 Yt3 + . . .
(1 + 1 L + 2 L2 + 3 L3 + . . .) Yt = at
Esta representacin AR() es restringida ya que todos los parmetros autorregresivos, i ,

o
a
dependen del vector de parmetros de medias mviles del modelo (1 , 2 , . . . , q ) .
a
o
El modelo M A(q) es no anticipante porque el futuro no inuye en el pasado y ser invertible si
a
su representacin autorregresiva es tal que la inuencia de Ytk es menor conforme nos alejamos
o
en el pasado. Esta condicin se cumple si:
o
2
i <
i=1
Por lo tanto, el modelo M A(q) no es invertible para cualquier valor del vector de parmetros de
a
medias mviles, sino que estos tendrn que cumplir algunas restricciones. Derivar estas restrico
a
ciones fue muy sencillo para el M A(1), pero se complica mucho al aumentar el orden del modelo
de medias mviles. El siguiente teorema proporciona condiciones necesarias y sucientes para el
o
un modelo de medias mviles sea invertible.
o
Teorema: Un proceso de medias mviles nito M A(q) es invertible s y solo s el
o
modulo de las ra
ces del polinomio de medias mviles q (L) est fuera del circulo
o
a
unidad.
37
SARRIKO-ON 4/09

a
Ejemplo 3.4. Condiciones de invertibilidad.

Modelo M A(1):
Yt = at at1
Yt = (1 L) at
Polinomio medias mviles:

o
1 (L) = 1 L
Ra
ces:
L=
1 L = 0
Condicin de invertibilidad:
o
Modelo M A(2):
|L| =
1
>1
Yt = at 1 at1 2 at2
Polinomio de medias mviles:

o
Ra
ces:
1 1 L 2 L2 = 0
|| < 1
Yt = (1 1 L 2 L2 ) at
2 (L) = 1 1 L 2 L2
2
1 + 4 2
2 2
L1 , L2 =
|L2 | =
Condicin de invertibilidad:
o
|L1 | =
1 +
2
1 + 4 2
>1
2 2
2
1 + 4 2
>1
2 2
Ejercicio 3.3. Calcula la media y la varianza del modelo (3.11).
3.4.
Procesos Autorregresivos de Medias Mviles: ARMA(p,q).

o
Los procesos autorregresivos de medias mviles determinan Yt en funcin de su pasado hasta el

o
o
retardo p, de la innovacin contempornea y el pasado de la innovacin hasta el retardo q:
o
a
o
Yt = 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq
at RB(0, 2 )
(3.12)
Este modelo se puede escribir en trminos del operador de retardos como sigue:
e
(1 1 L . . . p Lp ) Yt = (1 1 L . . . q Lq ) at
p (L) Yt = q (L) at
donde p (L) es el polinomio autorregresivo y q (L) es el polinomio medias mviles.
o
El modelo (3.12) es una aproximacin nita al modelo lineal general tanto en su forma AR()
o
(3.1) como M A() (3.2). De hecho, si es estacionario su representacin M A() es
o
Yt =
q (L)
at
p (L)
Yt = (L) at
Yt = at + 1 at1 + 2 at2 + 3 at3 + . . .

38

a
SARRIKO-ON 4/09
y si es invertible una representacin AR()

o
p (L)
Yt = at
p (L)
(L) Yt = at
Yt = at + 1 Yt1 + 2 Yt2 + 3 Yt3 + . . .
Tanto los pesos de la representacin M A innita, como de la forma AR innita, estn restringidos
o
a
a depender del vector nito de parmetros ARMA: 1 , 2 , . . . , p , 1 , 2 , . . . , q .
a
Es estacionario el modelo ARM A(p, q) para cualquier valor de sus parmetros?
a
Teorema: Un proceso autorregresivo de medias mviles nito ARM A(p, q) es eso
tacionario s y solo s el modulo de las ra
ces del polinomio autorregresivo p (L)

est fuera del circulo unidad.
a
Las condiciones de estacionariedad del modelo ARM A(p, q) vienen impuestas por la parte autorregresiva, dado que la parte de medias mviles nita siempre es estacionaria.
o
Para comprobar si el modelo ARM A(p, q) es no anticipante e invertible , se estudia su representacin autorregresiva general.
o
Teorema: Un proceso autorregresivo de medias mviles nito ARM A(p, q) es invero
tible s y solo s el modulo de las ra del polinomio medias mviles p (L) est fuera
ces
o
a
del circulo unidad.
Las condiciones de invertibilidad del modelo ARM A(p, q) vienen impuestas por la parte de
medias mviles, dado que la parte autorregresiva nita siempre es invertible porque est direco
a
tamente escrita en forma autorregresiva
El modelo ARM A(p, q) va a compartir las caracter
sticas de los modelos AR(p) y M A(q) ya
que contiene ambas estructuras a la vez. El modelo ARM A(p, q) tiene media cero, varianza
constante y nita y una funcin de autocovarianzas innita. La funcin de autocorrelacin es
o
o
o
innita decreciendo rpidamente hacia cero pero sin truncarse.
a
Ejemplo 3.5. Modelo ARM A(1, 1).
Consideremos el modelo ARM A(1, 1) en el Yt se determina en funcin de su pasado hasta el
o
primer retardo, la innovacin contempornea y el pasado de la innovacin hasta el retardo 1:
o
a
o
Yt = Yt1 + at at1
at RB(0, 2 )
t = 1, 2, . . .
La estructura de dependencia temporal representada por este modelo es:

...
Yt2 Yt1 Yt Yt+1 Yt+2 . . .
...
at2
at1
at
at+1
at+2
...
39
(3.13)
SARRIKO-ON 4/09

a
La memoria de este proceso es larga debido a la presencia de estructura autorregresiva. La

perturbacin at inuye directamente en Yt y en Yt1 , pero de forma indirecta, a travs de la
o
e
cadena de dependencia temporal de las Y , inuye en todo el futuro del proceso.
Para comprobar la estacionariedad, se calculan las ra
ces del polinomio autorregresivo:
1 L = 0
L=
|L| =
|| < 1
Para comprobar la invertibilidad, se calculan las ra

ces del polinomio medias mviles:
o
1L = 0
L=
|L| =
|| < 1
Las caracter
sticas del proceso ARM A(1, 1) estacionario son:
a) Media: E(Yt ) = E( Yt1 + at at1 ) = E(Yt )
(1 ) E(Yt ) = 0
E(Yt ) = 0
b) Funcin de autocovarianzas:
o
0 = E(Yt E(Yt ))2 = E(Yt )2 = E( Yt1 + at at1 )2 =
= 2 E(Yt1 )2 + E(at )2 + 2 E(at1 )2 + 2 E(Yt1 at ) 2 E(Yt1 at1 )
2 E(at at1 ) = 2 0 + 2 + 2 2 2 2 =
= 2 0 + (1 + 2 2 ) 2
0 =
(1 + 2 2 ) 2
1 2
1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) =

= E(Yt Yt1 ) = E[( Yt1 + at at1 ) Yt1 ] =
= E(Yt1 )2 + E(Yt1 at ) E(Yt1 at1 ) = 0 2
2 = E(Yt E(Yt ))(Yt2 E(Yt2 )) = E(Yt Yt2 ) =
= E[( Yt1 + at at1 ) Yt2 ] =
= E(Yt1 Yt2 ) + E(Yt2 at ) E(Yt2 at1 ) = 1
Para derivar los resultados siguientes, hay que tener en cuenta que:
E(Yt1 at1 ) = E[( Yt2 + at1 at2 ) at1 ] = E(at1 )2 = 2
40

a
La funcin de autocovarianzas de un
o
0 =
k =
1 =
k =
SARRIKO-ON 4/09
ARM A(1, 1) es:

(1 + 2 2 ) 2
1 2
k=0
0 2
k=0
k1
k>1
Como se puede observar, la varianza cuenta con una parte que proviene de la parte de
medias mviles, otra que proviene de la parte autorregresiva y una tercera que es la intero
accin entre ambas partes del modelo. La autocovarianza de orden 1, 1 , es la suma de la
o
autocovarianza de orden 1 de la parte AR(1) y de la autocovarianza de orden 1 de la parte
M A(1). A partir del retardo 1, la parte medias mviles del modelo no aparece de forma
o
expl
cita en la FACV, dependiendo sta slo de la estructura autorregresiva. Esta FACV es
e
o
una funcin innita, que depende de los parmetros AR, , y M A, , hasta k = 1 y luego
o
a
decrece exponencialmente, siguiendo la estructura marcada por la parte autorregresiva de
primer orden.
La funcin de autocorrelacin de un ARM A(1, 1) es:
o
o
1 =
0
k =
k = k1
k=0
k>1
La FAC presenta la misma estructura que la funcin de autocovarianzas, es decir, es una funcin
o
o
innita cuyo primer coeciente, 1 , depende de los parmetros autorregresivos y de medias
a
mviles, pero a partir del retardo 2, decrece exponencialmente, siguiendo la estructura dada
o
por la parte autorregresiva de orden 1. En el grco 3.5, se observan dos ejemplos de funciones
a
de autocorrelacin de modelos ARM A(1, 1) para diferentes valores de los parmetros. Aunque
o
a
las FAC que aqu se muestran son como las de un AR(1), las estructuras posibles para un
ARM A(1, 1) son ms variadas, debido a la contribucin de la parte medias mviles del modelo
a
o
o
en la determinacin del primer coeciente.
o
Grco 3.5: Procesos Autorregresivo de Medias Mviles: ARMA(1,1)
a
o
1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
Los resultados obtenidos para el modelo ARMA ms sencillo, el ARM A(1, 1), se pueden genea
ralizar para el modelo ARM A(p, q) y concluir que su funcin de autocorrelacin ser innita,
o
o
a
41
SARRIKO-ON 4/09

a
con los q primeros coecientes, 1 , . . . , q , dependiendo de los parmetros autorregresivos y de

a
medias mviles. A partir del retardo q, que es el orden de la parte media mvil del modelo, sus
o
o
parmetros no aparecen de forma expl
a
cita en la FAC y est decrece rpidamente hacia cero
a
a
siguiendo la estructura marcada por la parte autorregresiva de orden p, es decir, como funciones
exponenciales si todas las ra
ces del polinomio autorregresivo, p (L) , son reales, o en forma
onda seno-coseno, si este polinomio tiene ra
ces complejas.
El modelo ARM A(p, q) (3.12) se puede generalizar para que su media no sea nula. Basta con
aadir una constante al proceso estacionario:
n
Yt = + 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq
at RB(0, 2 )
Este modelo tiene las mismas caracter

sticas dinmicas que el modelo (3.12), la unica diferencia
a
es que su media no es cero:

E(Yt ) = E( + 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq )
E(Yt ) = + 1 E(Yt ) + . . . + p E(Yt )
(1 1 . . . p ) E(Yt ) =
E(Yt ) =
1 1 . . . p
42
Cap
tulo 4
Modelos lineales no estacionarios
Los modelos presentados en el cap
tulo 3 se basan en el supuesto de estacionariedad en covarianza, es decir, en procesos donde la media y la varianza son constantes y nitas y las autocovarianzas no dependen del tiempo sino slo del nmero de periodos de separacin entre las
o
u
o
variables. Pero la mayor de las series econmicas no se comportan de forma estacionaria, bien
a
o
porque suelen ir cambiando de nivel en el tiempo (serie Renta Nacional) o porque la varianza
no es constante (serie Recaudacin de pel
o
culas).
Grco 4.1: Series temporales econmicas
a
o
saluclep ed nicaduaceR
1200000
70000
1100000
60000
1000000
50000
900000
40000
800000
30000
700000
600000
20
00
M
01
20
00
M
04
20
00
M
07
20
00
M
10
20
01
M
01
20
01
M
04
20
01
M
07
20
01
M
10
20
02
M
01
20
02
M
04
20
02
M
07
20
02
M
10
20
03
M
01
20
03
M
04
20
03
M
07
20
03
M
10
20
04
M
01
20
04
M
04
20
04
M
07
20
04
M
10
20
05
M
01
20
05
M
04
20
05
M
07
20
05
M
10
20
06
M
01
20
06
M
04
20
06
M
07
20
06
M
10
20
07
M
01
20
07
M
2 0 04
07
M
07
20
07
M
10
20
08
M
01
20
08
M
04
20
08
M
07
III
8T
III
8T
7T
20
0
20
0
20
0
III
7T
20
0
III
6T
6T
5T
20
0
20
0
I
5T
20
0
20
0
III
III
4T
4T
3T
20
0
20
0
20
0
III
3T
2T
20
0
III
2T
1T
20
0
20
0
20
0
III
1T
0T
20
0
III
0T
9T
20
0
20
0
19
9
III
9T
19
9
III
8T
8T
7T
19
9
19
9
III
7T
6T
19
9
19
9
19
9
6T
5T
5T
19
9
19
9
4.1.
19
9
III
20000
No estacionariedad en varianza
Cuando una serie no es estacionaria en varianza, es decir, no se puede sostener el supuesto de que
ha sido generada por un proceso con varianza constante en el tiempo, la solucin es transformar
o
la serie mediante algn mtodo que estabilice la varianza. El comportamiento habitual en las
u
e
series econmicas suele ser que la varianza cambie conforme el nivel de la serie cambia. En estos
o
casos, suponemos que la varianza del proceso la podemos expresar como alguna funcin del nivel:
o
V (Yt ) = k f (t )
siendo k una constante positiva y f una funcin conocida. El objetivo es conseguir alguna
o
funcin que transforme la serie de forma que h(Yt ) tenga varianza constante. Utilizando la
o
43
SARRIKO-ON 4/09

a
extensin de Taylor de primer orden alrededor de t :

o
h(Yt )
h(t ) + (Yt t ) h (t )
donde h (t ) es la primer derivada de h(Yt ) evaluada en t . La varianza de la transformacin

o
h(Yt ) se puede aproximar como sigue:
V [h(Yt )]
V h(t ) + (Yt t ) h (t ) =
=
h (t )
V (Yt ) = h (t )
k f (t )
Por lo tanto, para que la transformacin h(Yt ) tenga varianza constante, la funcin h se ha de
o
o
elegir de tal forma que:
1
h (t ) =
f (t )
Si la desviacin t
o pica de la serie Yt es proporcional a su nivel, se tiene que:
f (t ) = 2
t
h(t ) ha de cumplir que h (t ) =
1
t
h(t ) = ln(t )
Por lo tanto, la transformacin logar

o
tmica proporcionar una varianza constante. Ahora bien,
a
si esla varianza de la serie Yt la que es proporcional a su nivel:
f (t ) = t
1
h(t ) ha de cumplir que h (t ) =
t
h(t ) =
y habr que tomar la ra cuadrada de la serie para obtener una varianza constante.
a
z
En general, para estabilizar la varianza se utilizan las transformaciones Box-Cox:
Yt 1
=0
()
Yt =
ln(Yt )
=0
donde es el parmetro de transformacin. Es interesante sealar que, usualmente, las transa
o
n
formaciones Box-Cox no slo estabilizan la varianza sino que tambin mejoran la aproximacin
o
e
o
a la distribucin normal del proceso Yt .
o
4.2.
No estacionariedad en media.
Una de las caracter

sticas dominantes en las series econmicas es la tendencia. La tendencia es
o
el movimiento a largo plazo de la serie una vez eliminados los ciclos y el trmino irregular. En
e
econom esta tendencia se suele producir debido a la evolucin de las preferencias, la tecnoa
o
log de la demograf etc. Este comportamiento tendencial puede ser creciente o decreciente,
a,
a,
exponencial o aproximadamente lineal. Las series que presentan un comportamiento sistemtico
a
de este tipo (vese la gura izquierda del grco 4.1) no son estacionarias, no evolucionan en
a
a
torno a un nivel constante.
44

a
SARRIKO-ON 4/09
La no estacionariedad en media se puede modelar de diferentes maneras. Por un lado, es posible

modelar tendencias, cambios sistemticos de nivel, mediante modelos globales en los que se
a
especica la tendencia como una funcin del tiempo:
o
Yt = Tt + ut
donde Tt = f (t) , es una funcin determinista del tiempo (lineal, cuadrtica, exponencial, ... ) y
o
a
ut es un proceso estocstico estacionario con media cero. Por ejemplo, el modelo con tendencia
a
lineal ser
a:
Yt = a + bt + ut
Estos modelos para la tendencia suponen que la serie evoluciona de una forma perfectamente
predecible, y se denominan modelos de tendencia determinista.
Por otro lado, si un proceso no es estacionario en media tambin se puede modelar dentro de
e
la clase de modelos ARM A(p, q). De hecho, un modelo ARM A(p, q) no es estacionario si las
ra
ces de su polinomio AR no satisfacen la condicin de estacionariedad, es decir, si alguna de
o
sus ra
ces no est fuera del c
a
rculo unidad:
o
z
a
rculo unidad: i | |Li | < 1. El comportaa) El mdulo de alguna ra est dentro del c
miento de las series generadas por estos procesos es explosivo, crecen o decrecen a gran
velocidad hacia innito. Esta no es la evolucin temporal que se suele observar en series
o
econmicas por lo que este tipo de no estacionariedad no es de inters en nuestro campo.
o
e
b) El mdulo de alguna ra es exactamente igual a la unidad: i | Li = 1. Este tipo
o
z
de modelos genera comportamientos no estacionarios que no son explosivos, sino que las
realizaciones se comportan de forma similar a lo largo del tiempo, salvo porque cambian de
nivel. Este comportamiento s es el que observamos en series econmicas, por lo que mo
o
delaremos series no estacionarias mediante modelos ARM A(p, q) no estacionarios porque
tienen al menos una ra exactamente igual a la unidad, denominada ra unitaria.
z
z
4.3.
Modelos ARIMA(p,d,q).
Supongamos el siguiente modelo ARM A(p, q):

p (L) Yt = q (L) at
(4.1)
donde el polinomio AR se puede factorizar en funcin de sus p ra

o
ces L1 , L2 , . . . , Lp ,
p (L) = (1 L1 L) (1 L1 L) . . . (1 L1 L)
p
1
2
Supongamos que (p 1) ra
ces son estacionarias (con mdulo fuera del c
o
rculo unidad) y una
de ellas es unitaria, Li = 1. Entonces, el polinomio AR, se puede reescribir como sigue:
p (L) = (1 L1 L) (1 L1 L) . . . (1 L1 L) = p1 (L) (1 (1)1 L)
p
1
2
p (L) = p1 (L) (1 L)
45
SARRIKO-ON 4/09

a
donde el polinomio p1 (L) resulta del producto de los (p 1) polinomios de orden 1 asociados
a las ra
ces Li con mdulo fuera del c
o
rculo unidad.
Sustituyendo en el modelo ARM A(p, q) (4.1) se tiene que:
p1 (L) (1 L) Yt = q (L) at
p1 (L) Yt = q (L) at
(4.2)
donde el polinomio p1 (L) es estacionario porque todas sus ra

ces tienen modulo fuera del
c
rculo unidad y el polinomio = (1 L) es el que recoge la ra unitaria.
z
El modelo (4.2) representa el comportamiento de un proceso Yt que no es estacionario porque
tiene una ra unitaria. A un proceso Yt con estas caracter
z
sticas se le denomina proceso integrado
de orden 1.
En general, el polinomio AR del modelo (4.1) puede contener ms de una ra unitaria, por
a
z
ejemplo, d, entonces se puede descomponer como:
p (L) = pd (L) (1 L)d
y sustituyendo, de nuevo, en el modelo ARM A(p, q) (4.1), se tiene:
pd (L) d Yt = q (L) at
donde el polinomio
c
rculo unidad, y el
estacionarias. A un
orden d y se denota
pd (L) es estacionario porque sus (p d) ra tienen modulo fuera del

ces
polinomio d = (1 L)d , de orden d, contiene las d ra
ces unitarias no
proceso Yt con estas caracter
sticas se le denomina proceso integrado de
por Yt I(d) .
Denicin: Un proceso Yt es integrado de orden d, Yt I(d) , si Yt no es estacionario, pero

o
su diferencia de orden d, d Yt , sigue un proceso ARM A(p d, q) estacionario e invertible.
El orden de integracin del proceso es el nmero de diferencias que hay que tomar al proceso
o
u
para conseguir la estacionariedad en media, o lo que es lo mismo, el nmero de ra
u
ces unitarias
del proceso. En la prctica, los procesos que surgen ms habitualmente en el anlisis de las
a
a
a
series temporales econmicas son los I(0) e I(1) , encontrndose los I(2) con mucha menos
o
a
frecuencia.
En general, si una serie Yt es integrada de orden d, se puede representar por el siguiente modelo:
p (L) d Yt = + q (L) at
(4.3)
donde el polinomio autorregresivo estacionario p (L) y el invertible de medias mviles q (L)

o
no tienen ra
ces comunes.
El modelo (4.3) se denomina modelo Autorregresivo Integrado de Medias Mviles de orden
o
(p,d,q) o ARIM A(p, d, q) , donde p es el orden del polinomio autorregresivo estacionario, d
es el orden de integracin de la serie, es decir, el nmero de diferencias que hay que tomar a la
o
u
serie para que sea estacionaria, y q es el orden del polinomio de medias mviles invertible.
o
Para comprender mejor el comportamiento representado por los modelos ARIM A(p, d, q) vamos
a estudiar detalladamente dos de los modelos ms sencillos.
a
46

a
4.3.1.
SARRIKO-ON 4/09
Modelo de paseo aleatorio
El modelo de paseo aleatorio es simplemente un modelo AR(1) con parmetro = 1 :

a
at RBN (0, 2 )
Yt = Yt1 + at
(4.4)
Y t = at
En el modelo de paseo aleatorio el valor de Y en el momento t es igual a su valor en el momento
t 1 ms una perturbacin aleatoria. El modelo de paseo aleatorio no es estacionario porque la
a
o
ra del polinomio AR no tiene mdulo mayor que la unidad:
z
o
1L=0
L=1
Pero, sin embargo, como la primera diferencia de la serie, Yt es un ruido blanco, se tiene que
Yt I(1) . En la gura 4.2 se muestra el grco de una realizacin simulada de 150 observaciones
a
o
de un proceso de paseo aleatorio con 2 = 1 . Se puede observar que la evolucin de la serie
o
no tiene una caracter
stica presente en los procesos estacionarios y que se denomina reversin
o
a la media: la serie se mueve aleatoriamente hacia arriba y hacia abajo, sin mostrar ninguna
inclinacin a dirigirse a ningn punto en particular. Si una perturbacin aumenta el valor de Yt
o
u
o
no hay ninguna tendencia a volver a disminuir otra vez, sino que en principio permanece en un
valor alto.
Tomando esperanzas condicionadas a la informacin anterior al modelo (4.4), se obtiene:
o
E[Yt |Yt1 , Yt2 , . . .] = Yt1
1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
lo que implica que el nivel condicionado de la serie en el momento t es aleatorio. Es decir, para
este modelo el nivel promedio de la serie va cambiando de forma estocstica a lo largo del tiempo,
a
por lo que se dice que este modelo tiene tendencia estocstica.
a
En lo que se reere a la FAC del modelo (4.4), se puede comprobar que se caracteriza porque
sus coecientes decrecen muy lentamente (vese la gura derecha del grco 4.2).
a
a
0
10
11
12
13
14
15
16
17
18
19
20
-0,4
-0,6
-0,2
-0,4
-0,2
-0,6
Grco 4.2: Modelo de paseo aleatorio

a
-0,8
-0,8
-1
-1
8
1
0,8
0,8
0,6
0,6
0,4
0,4
0
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-4
-0,2
-0,4
1120
1130
1140
1150
1160
1170
1180
1190
1200
1210
1220
1230
1240
1250
47
-0,8
-1
1110
-0,6
-0,8
-12
-0,4
-0,6
-8
-0,2
-1
SARRIKO-ON 4/09
4.3.2.

a
Modelo de paseo aleatorio con deriva
El modelo de paseo aleatorio con deriva surge de aadir una constante al modelo de paseo
n
aleatorio. Por lo tanto, al igual que para el modelo de paseo aleatorio, se tiene que Yt I(1) .
Yt = Yt1 + + at
Yt = + at
(4.5)
La unica diferencia entre los modelos (4.4) y (4.5) es la presencia de la constante . Ahora bien,
as como en los modelos estacionarios la inclusin de una constante solo afecta al nivel promedio
o
constante de la serie, en los modelos no estacionarios su presencia en el modelo tiene efectos
ms relevantes. Suponiendo que el modelo (4.5) empieza en algn momento t0 y, sustituyendo
a
u
repetidamente, se obtiene:
t
Yt = Y0 + (t t0 ) +
ai
i=t0 +1
Se puede observar que la introduccin de la constante en el modelo implica la inclusin de una

o
o
tendencia determinista con pendiente , junto con la tendencia estocstica. Tomando esperanzas
a
condicionadas a la informacin pasada en el modelo (4.5), se obtiene:
o
E[Yt |Yt1 , Yt2 , . . .] = Yt1 +
es decir, el nivel promedio de la serie se ve afectado por un elemento estocstico a lo largo del
a
tiempo a travs de Yt1 as como por un componente determinista a travs del parmetro .
e
e
a
Grco 4.3: Tendencias deterministas vs. Tendencias estocsticas
a
a
70
60
20
50
40
10
30
20
Estocstica
Determinista
Lineal
10
1760
1780
1800
1820
1840
1860
1880
1900
1920
1940
1960
1980
2000
1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990
La gura izquierda del grco 4.3 muestra una realizacin de tamao 150 simulada por el modelo
a
o
n
de paseo aleatorio con deriva con parmetros = 0, 2 y = 1 . El modelo (4.5) muestra un
a
crecimiento promedio en cada periodo de . Este parmetro de deriva tiene el mismo papel que
a
el parmetro de la pendiente en el modelo determinista lineal. Pero, de la misma manera que el
a
modelo de paseo aleatorio no tiene un nivel promedio al que volver, el modelo de paseo aleatorio
con deriva no tiene una tendencia lineal a la que retornar cuando un shock estacionario lo aleja
de la misma. El grco 4.3 muestra en su gura de la derecha la diferente evolucin que se puede
a
o
observar entre tendencias estocsticas y deterministas. La serie con tendencia determinista oscila
a
aleatoriamente en torno a una tendencia lineal de pendiente constante y, si se separa de ella,
tiende a retornar rpidamente, mientras que si la serie con tendencia estocstica se separa de la
a
a
l
nea de tendencia de pendiente no tiende a volver.
48
Cap
tulo 5
Modelizacin ARIMA
o
En este cap
tulo se van a desarrollar de forma detallada cada una de las etapas de las que consta
la metodolog de modelizacin ARIMA. Para apoyar esta explicacin se va a modelar una serie
a
o
o
clsica en la literatura Pieles de lince (1821-1930) y se va a proponer al lector como ejercicio
a
la modelizacin de una serie articial que se ha denominado Produccin de tabaco (1872-1984).
o
o
Los datos de ambas series se encuentran en el apndice A.
e
Los grcos y resultados de este anlisis se han obtenido mediante el software economtrico
a
a
e
Gretl. Este es un sofware que se puede obtener de forma gratuita de la siguiente direccin:
o
http://gretl.sourceforge.net
5.1.
Estrategia de modelizacin ARIMA

o
En los cap
tulos 3 y 4 se han analizado las propiedades de los procesos ARIM A(p, d, q), tanto
estacionarios (d = 0) como no estacionarios (d > 0):
(L)(1 L)d Yt = + (L)at
(5.1)
Si se conocen los parmetros del modelo terico (5.1) para el proceso Yt , a partir de una
a
o
realizacin concreta del ruido blanco, a1 , a2 , . . . aT , y de valores iniciales para Y y a se genera
o
la serie temporal Y1 , Y2 , . . . , YT , que es una realizacin de tamao T del proceso estocstico.
o
n
a
La estructura es, por lo tanto,
Proceso estocstico
a
(L)(1 L)d Yt = + (L) at

at RBN (0, 2 )
Generacin
o
Realizacin: Y1 , Y2 , . . . , YT
o
49
SARRIKO-ON 4/09

a
A partir de una misma estructura ARIM A(p, d, q) se pueden obtener innitas realizaciones. Para
cada realizacin, la serie del ruido blanco, a1 , a2 , . . . , aT , ser diferente y la serie temporal geneo
a
rada, Y1 , Y2 , . . . , YT , tambin. Ahora bien, todas las series temporales generadas que proceden
e
de una misma estructura conservarn entre s una similitud de comportamiento dinmico.
a
a
En la aplicacin de la metodolog Box-Jenkins el punto de partida es el contrario: se conoo
a
cen los valores de la serie temporal Y1 , Y2 , . . . , YT y se trata de determinar la estructura
ARIM A(p, d, q) que la ha podido generar.
Realizacin: Y1 , Y2 , . . . , YT
o
Inferencia
Proceso estocstico:
a
(L)(1 L)d Yt = + (L) at

at RBN (0, 2 )
La construccin de modelos ARIM A se lleva a cabo de forma iterativa mediante un proceso en

o
el que se pueden distinguir cuatro etapas:
o
o
a) Identicacin. Utilizando los datos y/o cualquier tipo de informacin disponible sobre
cmo ha sido generada la serie, se intentar sugerir una subclase de modelos ARIM A(p, d, q)
o
a
que merezca la pena ser investigada. El objetivo es determinar los rdenes p, d, q que pao
recen apropiados para reproducir las caracter
sticas de la serie bajo estudio y si se incluye
o no la constante . En esta etapa es posible identicar ms de un modelo candidato a
a
haber podido generar la serie.
b) Estimacin. Usando de forma eciente los datos se realiza inferencia sobre los parmetros
o
a
condicionada a que el modelo investigado sea apropiado.
Dado un determinado proceso propuesto, se trata de cuanticar los parmetros del mismo,
a
2 y, en su caso, .
1 , . . . q , 1 , . . . p ,
c) Validacin. Se realizan contrastes de diagnstico para comprobar si el modelo se ajusta
o
o
a los datos, o, si no es as revelar las posibles discrepancias del modelo propuesto para
,
poder mejorarlo.
d) Prediccin. Obtener pronsticos en trminos probabil
o
o
e
sticos de los valores futuros de la
variable. En esta etapa se tratar tambin de evaluar la capacidad predictiva del modelo.
a
e
Esta metodolog se basa, fundamentalmente, en dos principios:
a
50

a
SARRIKO-ON 4/09
Seleccin de un modelo en forma iterativa. En cada etapa se plantea la posibilidad de

o
rehacer las etapas previas.
Identicacin
o
Estimacin
o
Validacin
o
SI
Prediccin
o
SI
NO
NO
Modelo
Principio de parametrizacin escueta, tambin denominado parsimonia. Se trata de proo
e
poner un modelo capaz de representar la serie con el m
nimo de parmetros posibles y
a
unicamente acudir a una ampliacin del mismo en caso de que sea estrictamente necesario
o
para describir el comportamiento de la serie.
5.2.
Identicacin
o
El objetivo de esta etapa de la modelizacin es seleccionar el modelo ARIM A(p, d, q) apropiado

o
para la serie, es decir, que reproduce las caracter
sticas de la serie. La identicacin del modelo
o
se lleva a cabo en dos fases:
A. Anlisis de estacionariedad, en el que se determinan las transformaciones que son necesarias
a
aplicar para obtener una serie estacionaria. Incluye, a su vez, dos apartados:
Estacionariedad en varianza: transformaciones estabilizadoras de varianza.
Estacionariedad en media: nmero de diferencias d que hay que tomar para lograr
u
que la serie sea estacionaria en media.
B. Eleccin de los rdenes p y q. Una vez obtenida la serie estacionaria, el objetivo es detero
o
minar el proceso estacionario ARM A(p, q) que la haya generado.
Los instrumentos que se van a utilizar en estas dos fases de la identicacin del modelo son
o
fundamentalmente los siguientes:
Grco y correlogramas muestrales de la serie original.
a
51
SARRIKO-ON 4/09

a
Grco y correlogramas muestrales de determinadas transformaciones de la serie: logarita

mos, diferencias,...
Contrastes de ra
ces unitarias.
5.2.1.
Anlisis de estacionariedad
a
Estacionariedad en varianza.
Una serie ser estacionaria en varianza cuando pueda mantenerse el supuesto de que existe una
a
unica varianza para toda la serie temporal, es decir, cuando la variabilidad de la serie en torno a
su media se mantenga constante a lo largo del tiempo. Si la serie no es estacionaria en varianza, se

utilizan las transformaciones estabilizadoras de varianza, es decir, las transformaciones Box-Cox,
Yt 1
=0
()
Yt =
ln Yt
=0
Las transformaciones Box-Cox incluye una familia innita de funciones: ra cuadrada, inversa,
z
etc. Como las series econmicas suelen ser positivas y sin valores cero, la transformacin ms
o
o
a
utilizada en la prctica econmica es la logar
a
o
tmica.
Los instrumentos que se utilizan para analizar la estacionariedad en varianza de una serie son
el grco de la serie original y de las transformaciones correspondientes.
a
Ejemplo 6.1. Pieles de Lince
Grco 5.1: Pieles de lince (1821-1930)
a
7000
6000
5000
7
Lince
Ln(lince)
4000
3000
5
2000
1000
3
1820
1840
1860
1880
1900
1920
1820
1840
1860
1880
1900
1920
En el grco 5.1 se presenta la serie Pieles de lince capturadas de 1821 a 1930. En la gura
a
izquierda del grco se puede observar que la serie en niveles presenta un comportamiento c
a
clico
en el que la amplitud de los ciclos es variable en el tiempo. Por lo tanto, no parece adecuado
suponer que la serie es estacionaria en varianza. Tomando logaritmos a la serie (la transformacin
o
Box-Cox ms utilizada para las series econmicas) se observa que la amplitud de estos ciclos se
a
o
ha homogeneizado y que la variabilidad de la serie es mucho ms estable en el tiempo (la gura
a
derecha del grco). Se puede concluir que la serie estacionaria en varianza es Zt = Ln(lince) .
a
52

a
SARRIKO-ON 4/09
Ejercicio 6.1. Produccin de tabaco.

o
En el grco 5.2 se muestra la serie de Produccin de tabaco desde 1872 a 1984 tanto en niveles
a
o
(gura izquierda) como en logaritmos (gura derecha).
Grco 5.2: Produccin de tabaco (1872-1984)
a
o
2500
7.5
2000
Produccin
Ln(Produccin)
1500
1000
6.5
500
5.5
5
1880
1900
1920
1940
1960
1980
1880
1900
1920
1940
1960
1980
Pregunta: Cul es la serie estacionaria en varianza?. Razona tu respuesta.

a
Estacionariedad en media.
En este apartado, se ha de identicar si la serie es estacionaria en media, es decir, si oscila en
torno a un nivel constante o no. Para tomar esta decisin nos basaremos en las caracter
o
sticas
que diferencian las series estacionarias de las no estacionarias.
Caracter
sticas de una serie estacionaria:
Una serie es estacionaria en media cuando se puede mantener el supuesto de que existe
una unica media para toda la serie temporal, es decir, cuando ucta alrededor de una
u
media constante.
La funcin de autocorrelacin terica de un proceso estacionario en media decae rpidao
o
o
a
mente, exponencialmente.
Caracter
sticas de una serie no estacionaria:
La serie no es estacionaria en media cuando presenta tendencia o varios tramos con medias
diferentes.
En general, un proceso con alguna ra unitaria presenta una funcin de autocorrelacin
z
o
o
muestral con un decaimiento muy lento, no siendo necesario que se mantenga prximo a
o
la unidad.
Como se ha visto en el cap
tulo 4, si la serie no es estacionaria en media se puede lograr la
estacionariedad transformndola tomando diferencias. As si la serie no es estacionaria en media,
a
,
se tomarn d sucesivas diferencias de orden 1 sobre la serie hasta obtener una serie estacionaria:
a
Zt = (1 L)d Yt
53
SARRIKO-ON 4/09

a
Ahora bien, el problema es cmo identicar el nmero de diferencias exacto que es preciso tomar
o
u
a la serie para que sea estacionaria ya que pueden aparecer los siguientes problemas:
Ra autorregresiva prxima a la unidad. Consideremos el siguiente modelo AR(1)
z
o
Yt = 0, 95 Yt1 + at
1 0, 95L = 0
L=
1
= 1, 05 > 1
0, 95
que es un proceso estacionario. Sin embargo, en la prctica puede resultar muy dif
a
cil
distinguir una realizacin de este proceso de una serie generada por un paseo aleatorio,
o
Yt = Yt1 + at , de ra unitaria porque est muy prximo a l.
z
a
o
e
Sobrediferenciacin: se dice que la serie est sobrediferenciada si se toman ms diferencias
o
a
a
de las necesarias, por ejemplo, si se elige un orden de integracin d cuando la serie d1 Yt
o
ya es estacionaria.
En este punto conviene recordar que si se diferencia un proceso estacionario sigue siendo
estacionario. Por lo tanto, en principio, el hecho de que d Yt sea estacionario, no signica
necesariamente que d1 Yt no lo sea, por lo que hay tener cuidado ya que el objetivo
en esta fase de la modelizacin ARIM A es determinar el menor nmero de diferencias d
o
u
capaz de convertir a una serie en estacionaria.
Sabemos que para las series econmicas los valores de d ms habituales son d = 0, 1, 2 y
o
a
para decidir cul es el ms apropiado para la serie bajo estudio utilizaremos los siguientes
a
a
instrumentos:
a
a) Grco de la serie original y las transformaciones correspondientes, para observar si se
cumple o no la condicin de estacionariedad de oscilar en torno a un nivel constante.
o
b) Correlograma estimado de la serie original y de las transformaciones correspondientes,
para comprobar si decrece rpidamente hacia cero o no.
a
c) Contrastes de ra
ces unitarias.
Los contrastes de ra
ces unitarias proporcionan unos contrastes estad
sticos que permiten, a
partir del conjunto de informacin, hacer inferencia sobre la existencia o no de una ra unitaria
o
z
en una serie, es decir, sobre la no estacionariedad de la serie. Si se rechaza la hiptesis nula de
o
existencia de ra unitaria en d1 Yt , no se diferenciar ms la serie. En caso contrario, si no
z
a a
se rechaza la hiptesis nula se tomar una diferencia ms de orden 1.
o
a
a
A continuacin, se desarrollan brevemente, los contrastes de ra
o
ces unitarias ms utilizados en
a
la prctica del anlisis de series temporales econmicas y que, a la vez, fueron los pioneros en
a
a
o
este campo.
Contraste de Dickey-Fuller. Supongamos el siguiente proceso AR(1):
Yt = Yt1 + at ,
at RBN (0, 2 )
54
(5.2)

a
SARRIKO-ON 4/09
que es estacionario si || < 1. Si, por el contrario, = 1 el proceso Yt no es estacionario porque

tiene una ra unitaria, de hecho ser un modelo de paseo aleatorio:
z
a
Yt = Yt1 + at
1L=0
L=1
Yt I(1)
Si se desea contrastar alguna hiptesis nula sobre el valor del parmetro en el modelo (5.2), por
o
a
ejemplo, H0 : = 0 , el procedimiento habitual es estimar la regresin de Yt sobre Yt1 y despus
o
e
utilizar el estad
stico t estndar para contrastar la hiptesis nula. Como es bien sabido, si || < 1,
a
o
el modelo AR(1) es estacionario y el estimador de por M

nimos Cuadrados Ordinarios, , es
igual al estimador Mximo Veros
a
mil y sigue asintticamente una distribucin normal. Adems,
o
o
a
el estad
stico t tiene la siguiente distribucin asinttica bajo la hiptesis nula:
o
o
o
t =
N (0, 1)
Para muestras pequeas este estad

n
stico se distribuye aproximadamente como un t de Student
de (T 1) grados de libertad.
Por lo tanto, se podr pensar en contrastar la hiptesis de existencia de ra unitaria en la
a
o
z
serie Yt (no estacionariedad) contrastando la hiptesis nula H0 : = 1 en el modelo (5.2). El
o
problema surge porque no se sabe a priori si el modelo es estacionario o no y cuando = 1 el
modelo AR(1) no es estacionario y los resultados anteriores no se mantienen. Se puede demostrar
que el estimador est sesgado hacia abajo y que el estad

a
stico t bajo la hiptesis nula de ra
o
z
unitaria no sigue una distribucin t de Student ni en el l
o
mite cuando el tamao muestral tiende
n
a innito. Adems si se utilizan los valores cr
a
ticos de esta distribucin se tiende a rechazar la
o
H0 ms veces de las deseadas.
a
El modelo (5.2) se puede escribir como sigue restando Yt1 en ambos lados,
Yt Yt1 = Yt1 Yt1 + at
Yt = Yt1 + at
con
o bien
= 1
(5.3)
Ahora, contrastar la hiptesis nula de ra unitaria (paseo aleatorio) equivale a plantear el

o
z
siguiente contraste de hiptesis en el modelo (5.3):
o
H0 : = 0
Ha : < 0
La hiptesis alternativa de estacionariedad se plantea unicamente en trminos de negativo,
o
e
porque un valor positivo de supondr un modelo no estacionario de comportamiento explosivo.
a
El modelo (5.3) es un modelo de regresin y el estad
o
stico habitual para realizar este tipo de
contraste es:
t =
0

V ()
55
(5.4)
SARRIKO-ON 4/09

a
donde:
T
yt1 yt
t=2
T

V () =
2
yt1
(5.5)
2
yt1
t=2
t=2
Al estad
stico t se le denomina estad
stico de Dickey-Fuller. Este estad
stico t no sigue
ninguna distribucin conocida bajo la hiptesis nula de no estacionariedad por lo que Dickeyo
o
Fuller calcularon los percentiles de este estad
stico bajo la H0 proporcionando las tablas con los
niveles cr
ticos correctos para el estad
stico en funcin del tamao muestral (T ) y el nivel de
o
n
signicacin () (las tablas de estos valores cr
o
ticos se encuentran en el apndice B.).
e
Se rechaza H0 , es decir, la existencia de ra unitaria a un nivel de signicacin si el valor
z
o
muestral del estad
stico t es menor que el valor cr
tico de las tablas de Dickey-Fuller (DF ):
t < DF
Hasta el momento se ha explicado como contrastar la hiptesis nula de ra unitaria (paseo
o
z
aleatorio) frente a la alternativa de un proceso estacionario AR(1) de media cero. Para las series
econmicas, ser de inters considerar hiptesis alternativas ms generales que puedan incluir
o
a
e
o
a
estacionariedad alrededor de una constante o de una tendencia lineal.
Si el modelo AR(1) incluye una constante:
at RBN (0, 2 )
Yt = c + Yt1 + at ,
(5.6)
el contraste de existencia de ra unitaria se realiza de forma similar. Restando Yt1 en ambos

z
lados del proceso se obtiene:
Yt = c + Yt1 + at
(5.7)
= 1
El contraste de la hiptesis nula de ra unitaria se plantea en este modelo (5.7) como sigue:
o
z
H0 : = 0
Ha : < 0
y el estad
stico de contraste es:
tc =

V ()

donde es el estimador MCO de y V () el de su varianza. Como anteriormente, Dickey-Fuller
construyeron las tablas que proporcionan los niveles cr
ticos correctos para el estad
stico tc en
funcin del tamao muestral, T , y el nivel de signicacin, .
o
n
o
56

a
SARRIKO-ON 4/09
Si el modelo AR(1) incluye una tendencia lineal:

Yt = c + t + Yt1 + at ,
at RBN (0, 2 )
el modelo que se estima por MCO es:

Yt = c + t + Yt1 + at
(5.8)
y se utiliza el estad
stico t que denotaremos por t para contrastar la hiptesis nula de ra
o
z
unitaria H0 : = 0 frente Ha : < 0.
Contraste de Dickey-Fuller aumentado. Los contrastes anteriores de Dickey-Fuller se han

derivado partiendo del supuesto restrictivo de que la serie sigue un proceso AR(1). Pero la
serie puede seguir procesos ms generales ARM A(p, q). Como es bien conocido, todo proceso
a
ARM A(p, q) se puede aproximar hasta el grado de bondad necesario mediante un AR(p):
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
at RBN (0, 2 )
Este modelo se puede reparametrizar como sigue:

Yt = Yt1 + 1 Yt1 + + p1 Ytp+1 + at
(5.9)
donde
p
i 1 y i =
i=1
pi+j
j=1
Dado que un proceso AR(p) tiene una ra unitaria cuando p i = 1, contrastar la hiptesis
z
o
i=1
nula de existencia de ra unitaria es equivalente a contrastar la H0 : = 0 en la regresin (5.9).
z
o
Este contraste de ra unitaria se denomina Dickey-Fuller Aumentado (ADF) y se basa en
z
la estimacin MCO del parmetro en el modelo (5.9) y en el correspondiente estad
o
a
stico t.
Este estad
stico tiene la misma distribucin que para el caso del modelo AR(1) y, por lo tanto,
o
podemos utilizar los mismos valores cr
ticos tabulados por Dickey-Fuller.
El modelo (5.9) se puede tambin generalizar introduciendo una constante y/o una tendencia
e
lineal:
Yt = + Yt1 + 1 Yt1 + + p1 Ytp+1 + at
Yt = + t + Yt1 + 1 Yt1 + + p1 Ytp+1 + at
procedindose a la realizacin del contraste de la hiptesis nula de ra unitaria por un procedie
o
o
z
miento similar al desarrollado para el modelo AR(1).
57
SARRIKO-ON 4/09

a
Grco 5.3: Grcos de Ln(Lince) y su primera diferencia.

a
a
9
1.5
8
1
0.5
D Ln(Lince)
Ln(lince)
-0.5
-1
-1.5
4
-2
3
1820
1840
1860
1880
1900
-2.5
1820
1920
1840
1860
1880
1900
1920
Cuadro 5.1: Contrates de ra

ces unitarias
Contrastes aumentados de Dickey-Fuller, orden 4, para Ln(lince):
tama~o muestral 108 hiptesis nula de raz unitaria: a = 1
n
o
contraste con constante

modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Coef. de autocorrelacin de primer orden de e: -0,019
o
valor estimado de (a - 1): -0,451665
Estadstico de contraste: tau c(1) = -5,13165
valor p asinttico 1,089e-005

o
Ejemplo 6.2. Pieles de lince.

Analicemos la estacionariedad en media de la serie que es estacionaria en varianza, Zt = ln(Yt ) =
Ln(Lince).
En el grco 5.3 se representan la serie en logaritmos (Ln(Lince)) y su primera diferencia (D
a
Ln(Lince)). Se puede observar que la serie Zt oscila c
clicamente en torno a un nivel promedio
ms o menos constante y al diferenciarla no cambia su comportamiento salvo que pasa a oscilar
a
en torno a un nivel prximo a cero. Se puede concluir, por lo tanto, que Zt es ya estacionaria
o
en media y no es preciso realizar ms transformaciones. Analizando los correlogramas de Zt
a
y su primera diferencia recogidos en el grco 5.4 se obtiene la misma conclusin ya que el
a
o
correlagrama de Zt decrece rpidamente hacia cero en forma de onda seno-coseno amortiguada.
a
El tomar una diferencia a la serie no cambia el comportamiento del correlograma, como era de
esperar, ya que si diferenciamos un proceso estacionario sigue siendo estacionario.
Para contrastar la existencia de ra unitaria en la serie Zt = Ln(Lince) se lleva a cabo el
z
contraste ADF aumentado. Los resultados del cuadro 5.1 muestran que el valor del estad
stico
ADF, tc = -5,13, es menor que el valor cr
tico DF0,05 = 2, 89 (vese apndice B). Por lo
a
e
tanto, se rechaza la hiptesis nula de existencia de ra unitaria a un nivel de signicacin
o
z
o
del 5 % y la transformacin estacionaria en media y varianza de la serie Pieles de Lince es
o
Zt = ln(Yt ) = Ln(Lince).
58

a
SARRIKO-ON 4/09
Grco 5.4: Correlogramas de Ln(Lince) y su primera diferencia.

a
FAC de Ln(lince)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
FAC de D Ln(Lince)
FACP de Ln(lince)
1
1
+- 1,96/T^0,5
+- 1,96/T^0,5
0.5
0.5
0
0
-0.5
-0.5
-1
-1
0
0
5
5
10
10
15
15
20
20
retardo
retardo
25
25
30
30
35
35
FACP de D Ln(Lince)
Ejercicio 6.2. Produccin de Tabaco.

o
1
+- 1,96/T^0,5
Considera la siguiente informacin sobre la serie Produccin de Tabaco.

o
o
0.5
a) Grco 0
a
5.5: muestra en la gura de la izquierda la serie Ln(Produccin) y en la gura de
o
la derecha la serie D Ln(Produccin) = ln(P roduccion).
o
-0.5
b) Grco -1
a
5.6: muestra en la gura superior el correlograma de la serie Ln(Produccin) y en
o
0
10
15
25
30
35
la gura inferior el5 correlograma de la serie D20
Ln(Produccin) = ln(P roduccion).
o
retardo
c) Cuadros 5.2 y 5.3 muestran los resultados de los contrastes de ra
ces unitarias ADF para
las series Ln(Produccin) y D Ln(Produccin) respectivamente.
o
o
Grco 5.5: Grcos de Ln(Produccin) y su primera diferencia.
a
a
o
8
1.2
1
7.5
0.8
0.6
D Ln(Produccin)
Ln(Produccin)
6.5
0.4
0.2
0.2
5.5
0.4
0.6
1880
1900
1920
1940
1960
1980
1880
1900
1920
1940
1960
1980
Pregunta: Analiza la estacionariedad en media de la serie en logaritmos.

59
SARRIKO-ON 4/09

a

ces unitarias
Contrastes aumentados de Dickey-Fuller, orden 4, para Ln(Produccin):
o
n
o

modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o
valor p asinttico 0,0907

o
contraste con constante y tendencia
modelo: (1 - L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
o
Estadstico de contraste: tau ct(1) = -1,46933

o

ces unitarias
Contrastes aumentados de Dickey-Fuller, orden 4, para D Ln(Produccin):
o
n
o
contraste sin constante

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o
Estadstico de contraste: tau nc(1) = -6,5554

o
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o

o
60

a
SARRIKO-ON 4/09
Grco 5.6: Correlogramas de Ln(Produccin) y su primera diferencia.

a
o
FAC de Ln(Produccin)
1
+ 1,96/T^0,5
0.5
0
0.5
1
0
10
15
20
retardo
25
30
35
FAC de D Ln(Produccin)
FACP de Ln(produccin)
1
1
+ 1,96/T^0,5
+ 1,96/T^0,5
0.5
0.5
0
0
0.5
0.5
1
1
5.2.2.
0
0
5
5
10
10
15
15
20
20
retardo
retardo
25
25
30
30
35
35
FACP de D Ln(Produccin)
Identicacin del modelo estacionario

o
1
+ 1,96/T^0,5
Una vez determinado el orden de diferenciacin d, se tiene la transformacin estacionaria de la

o
o
serie Zt = (10 L)d Yt que puede representarse mediante un proceso ARM A(p, q) estacionario.
En esta fase se trata de identicar los rdenes p y q del proceso que puede reproducir las
o
0.5
caracter
sticas de la serie estacionaria y de analizar la conveniencia de la incorporacin del
o
1
parmetro asociado a la media, .
a
0.5
10
15
20
retardo
25
30
35
A. Identicacin de los rdenes p, q.

o
o
Las caracter
sticas dinmicas del proceso estacionario estn recogidas en la funcin de autocoa
a
o
rrelacin, FAC, por lo que sta ser el instrumento bsico para identicar los ordenes p y q del
o
e
a
a
modelo ARMA adecuado para representar las caracter
sticas de la serie estacionaria Zt .
Los coecientes de autocorrelacin muestral de Zt son:
o
T
(Zt Z)(Ztk Z)
k =
t=k+1
k = 1, 2, . . . , T /3
(5.10)
(Zt Z)2
t=1
donde T = T d es la longitud de la serie estacionaria Zt .

Para identicar los ordenes p y q, se compararn las funciones de autocorrelacin muestrales con
a
o
las FAC tericas de los modelos ARMA cuyas caracter
o
sticas conocemos:
61
SARRIKO-ON 4/09

a
FAC
M A(q)
Se anula para j > q
AR(p)
Decrecimiento rpido
a
No se anula
ARM A(p, q)
Decrecimiento rpido
a
No se anula
Si el correlograma muestral de la serie Zt presenta un corte a partir de un retardo nito j,

la identicacin del proceso adecuado para la misma es sencilla, ya que se corresponder con
o
a
la FAC terica de un M A(j). Pero si el correlograma muestral no presenta ningn corte sino
o
u
que parece decrecer rpidamente siguiendo una estructura exponencial o de onda seno-coseno,
a
la identicacin no es tan clara, ya que basndose unicamente en la FAC podr corresponder a
o
a
a
un modelo terico AR o ARM A de cualquier orden.
o
Para ayudarnos en la identicacin de modelos ARM A(p, q) en estos casos acudimos a otro
o
instrumento complementario, la funcin de autocorrelacin parcial.
o
o
El coeciente de autocorrelacin parcial de orden k, denotado por pk , mide el grado de asociacin
o
o
lineal existente entre entre las variables Yt e Ytk una vez ajustado el efecto lineal de todas las
variables intermedias, es decir:
pk = Yt Ytk .Yt1 ,Yt2 ,...,Ytk+1
Por lo tanto, el coeciente de autocorrelacin parcial pk es el coeciente de la siguiente regresin
o
o
lineal:
Yt = + p1 Yt1 + p2 Yt2 + . . . + pk Ytk + et
Las propiedades de la funcin de autocorrelacin parcial (FACP), pk , k = 0, 1, 2, 3, . . . , son
o
o
equivalentes a las de la FAC:
p0 = 1 y p1 = 1
Los coecientes pk no dependen de unidades y son menores que la unidad en valor absoluto.
La FACP es una funcin simtrica.
o
e
La FACP de un proceso estocstico estacionario decrece rpidamente hacia cero cuando
a
a
k .
La funcin de autocorrelacin parcial se puede estimar a partir de los datos de la serie como
o
o
una funcin de los coecientes de autocorrelacin simples estimados, k .
o
o
La estructura de la funcin de autocorrelacin parcial para un modelo estacionario ARM A(p, q)

o
o
es como sigue:
62

a
SARRIKO-ON 4/09
Modelo AR(p):
Yt = 1 Yt1 + 2 Yt2 + 3 Yt3 + . . . + p Ytp + at
La estructura de la FACP es la siguiente:
pk =
pk = 0
k = 1, 2, . . . , p
pk = 0
k = p + 1, p + 2, . . .
Si un proceso sigue un modelo AR(p), Yt depende directamente de su pasado hasta el retardo p de forma que las variables aleatorias separadas un periodo, dos, y hasta p periodos
mantienen una relacin lineal directa aunque se elimine el efecto de las variables intero
medias, por lo que pk = 0 . Sin embargo, para variables separadas ms de p periodos el
a
coeciente de autocorrelacin parcial es cero porque no existe relacin lineal directa entre
o
o
ellas: existe relacin lineal, k = 0 , pero es indirecta a travs de las variables intermedias
o
e
por lo que, una vez controlado el efecto de estas, la correlacin entre Yt e Ytk es nula y
o
pk = 0 .
Modelo M A(q):
Yt = at + 1 at1 + 2 at2 + 3 at3 + . . . + q atq
La FACP de un modelo de medias mviles nito es innita y decrece rpidamente hacia
o
a
cero, de forma exponencial cuando las ra del polinomio de medias mviles son reales y
ces
o
en forma de onda seno-coseno amortiguada si las ra del citado polinomio son complejas.
ces
Esta estructura es lgica dado que la representacin AR de un modelo M A(q) es innita.
o
o
Modelo ARM A(p, q):
Yt = at + 1 Yt1 + 2 Yt2 + . . . + p Ytp + at + 1 at1 + 2 at2 + . . . + q atq
La FACP de un modelo ARM A(p, q) es innita y los p primeros coecientes de la FACP
dependen de los parmetros autorregresivos y de los de medias mviles y, a partir del
a
o
retardo p + 1 , depende unicamente de la estructura de la parte de medias mviles, de
o
forma que, decrece rpidamente hacia cero, de forma exponencial cuando las ra
a
ces del
polinomio de medias mviles son reales y en forma de onda seno-coseno amortiguada si
o
las ra
ces del citado polinomio son complejas.
Comparando la estructura de las funciones de autocorrelacin simple y parcial estimadas con
o
las caracter
sticas bsicas de las funciones de autocorrelacin tericas de la tabla siguiente, se
a
o
o
puede identicar el / los procesos que podr haber generado la serie bajo estudio.
an
FAC
FACP
M A(q)
Se anula para j > q
Decrecimiento rpido
a
No se anula
AR(p)
Decrecimiento rpido
a
No se anula
Se anula para j > p
ARM A(p, q)
Decrecimiento rpido
a
No se anula
Decrecimiento rpido
a
No se anula
63
SARRIKO-ON 4/09

a
Ahora bien, para la identicacin del modelo apropiado slo se cuenta con las estimaciones de
o
o
la FAC y de la FACP a partir de los datos de la serie Yt . Los estimadores de los coecientes de
autocorrelacin k y pk son variables aleatorias que tienen una distribucin de probabilidad y
o
o
tomarn diferentes valores para diferentes realizaciones de Yt . Por lo tanto, para identicar el
a
orden del proceso ARM A(p, q) adecuado para la serie, es preciso determinar la estructura de las
FAC y FACP estimadas realizando contrastes sobre la signicacin individual de los coecientes
o
de autocorrelacin simple y parcial estimados.
o
El estimador de los coecientes de autocorrelacin k dado por (5.10) es una variable aleatoria
o
que se distribuye asintticamente como sigue bajo el supuesto de que Zt es gaussiano y k > 0,
o
a
k N (k , V (k ))
con
V (k )
1
T
Se desea realizar el siguiente contraste de hiptesis para k = 1, 2, . . . , T /3

o
H0 : k = 0
Ha : k = 0
Bajo la hiptesis nula el estad
o
stico de contraste se distribuye asintticamente como
o
a
V (k )
N (0, 1)
Se rechaza la H0 a un nivel de signicacin del 5 % si

o
k
V (k )
N0,025 = 1, 96
o anlogamente,
a
k
|k | 1,96
2
Por lo tanto,
son las bandas de conanza que delimitan la zona de signicatividad del
T
coeciente k .
En lo que se reere a la funcin de autocorrelacin parcial, los coecientes de autocorrelacin
o
o
o
parcial muestrales pk , con k > p, se distribuyen asintticamente como sigue para procesos AR(p):
o
a
pk N (0, V (k ))
con
V (k )
p
1
T
En la prctica, para obtener las bandas de conanza para pk se aplica esta distribucin indea
o
pendientemente del tipo de proceso que haya generado la serie.
Se desea realizar el siguiente contraste de hiptesis para k = 1, 2, . . . , T /3
o
H0 : pk = 0
Ha : pk = 0
64

a
SARRIKO-ON 4/09
Bajo la hiptesis nula el estad

o
stico de contraste se distribuye asintticamente como
o
pk
V (k )
p
N (0, 1)
Se rechaza la H0 de no signicatividad del coeciente de autocorrelacin a un nivel de signicao

cin del 5 % si
o
pk
V (k )
p
N0,025 = 1, 96
o anlogamente,
a
|k | 1,96
p
(k )
p
2
Por lo tanto,
son las bandas que delimitan la zona de signicatividad del coeciente pk .
T
Cuando se procede a la identicacin de un modelo ARM A(p, q) hay que tener en cuenta que
o
identicar el modelo a travs de las funciones de autocorrelacin simple y parcial estimadas no es
e
o
una tarea sencilla. En esta primera etapa no se trata tanto de identicar el modelo correcto, sino
de acotar un subconjunto de modelos ARIMA que han podido generar la serie. Posteriormente,
en la fase de estimacin y validacin, dependiendo de los resultados, se vuelve a plantear la
o
o
identicacin del proceso.
o
A la hora de interpretar las funciones de autocorrelacin estimadas no se debe dar demasiada
o
importancia a cada detalle que pueda aparecer en los datos. En general, se trata de buscar los
modelos ms sencillos que reproduzcan las caracter
a
sticas de la serie. Es preciso tener en cuenta
que, por un lado, hay cierta probabilidad de obtener algn coeciente signicativo aunque los
u
datos fueran generados por un ruido blanco y, por otro lado, que al determinar qu retardos
e
pueden ser signicativamente distintos de cero, tambin hay que considerar la interpretacin
e
o
que se les pueda dar. Adems, los coecientes de autocorrelacin muestral estn correlacionados
a
o
a
entre s por lo que en el correlograma muestral pueden aparecer ciertas ondulaciones que no se
,
corresponden con el correlograma terico. La tarea de identicacin ser ms fcil cuanto mayor
o
o
a a a
sea el tamao de muestra.
n
Ejemplo 6.3. Pieles de Lince.
El grco 5.7 muestra las funciones de autocorrelacin simple y parcial estimadas para la serie
a
o
estacionaria Zt = ln(Yt ) = Ln(lince). La FAC estimada muestra una estructura innita decreciendo en forma de onda seno-coseno amortiguada que sugiere un modelo AR(p) o ARM A(p, q)
con parte autorregresiva de orden mayor o igual que 2. El anlisis de la FACP muestra, segn
a
u
el resultado de los contrastes de signicacin individual, que los tres primeros coecientes son
o
signicativamente distintos de cero y el resto no. Segn esta interpretacin, la FACP estar
u
o
a
truncada en el retardo 3 y el modelo adecuado para haber generado la serie ser un AR(3).
a
Ahora bien, estudiando el comportamiento general de la FACP, tambin se puede interpretar que
e
tiene una estructura innita que 2 decrece rpidamente a partir del retardo con forma c
a
clica.
En este caso el modelo ms sencillo que recoger esta estructura ser un ARM A(2, 1).
a
a
a
Por lo tanto, se podr identicar dos modelos adecuados, en principio, para la serie estacionaria:
an
a) Zt AR(3)
b) Zt ARM A(2, 1)
65
SARRIKO-ON 4/09

a
Grco 5.7: FAC y FACP estimadas de la serie Ln(lince).

a
FAC de Ln(lince)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
FACP de Ln(lince)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
Grco 5.8: FAC y FACP estimadas de la serie (1-L) Ln(Produccion).

a
FAC de D Ln(Produccin)
1
+ 1,96/T^0,5
0.5
0
0.5
1
0
10
15
20
retardo
25
30
35
FACP de D Ln(Produccin)
1
+ 1,96/T^0,5
0.5
0
0.5
1
0
10
15
20
retardo
66
25
30
35

a
SARRIKO-ON 4/09

o
La gura 5.8 muestra las funciones de autocorrelacin simple y parcial estimadas para la transo
formacin estacionaria de la serie Produccin de Tabaco, Zt = ln(Yt ) = D Ln(Produccion).
o
o
Pregunta: Qu modelo o modelos ARM A(p, q) propones para la serie estacionaria?
e
B. Inclusin del trmino independiente
o
e
Recordemos que la media de un proceso ARM A(p, q) estacionario est directamente relacionada
a
con la constante . Si esta constante es cero, entonces la media del proceso es cero. Para decidir
si se incluye un trmino independiente no nulo en el modelo, se contrastar si la media de la
e
a
serie estacionaria es o no cero,
H0 : E(Zt ) = 0
Ha : E(Zt ) = 0,
El estad
stico de contraste es:
t =
Z H0
t(T 1)
Z
donde Z es el estimador de la varianza de la media muestral Z que viene dado por:

2
Z =
2
C0
(1 + 21 + 22 + . . . + 2n )
(5.11)
donde C0 = (Zt Z)2 /(T 1) es la varianza muestral de la serie estacionaria y (1 , 2 , . . . , n )

representan las n primeras autocorrelaciones muestrales signicativas de Zt .

En ocasiones, para calcular esta varianza, se aplica la siguiente aproximacin:
o
Z =
2
C0
T
Se rechazar la H0 : E(zt ) = 0 a un nivel de signicacin y, por lo tanto, se incluir el

a
o
a
parmetro en el modelo si:
a
t > t/2 (T 1)

La gura de la izquierda del grco 5.3 muestra la serie estacionaria Ln(lince) que parece oscilar
a
en torno a una media diferente de cero. La siguiente tabla muestra los estad
sticos descriptivos
principales de la serie estacionaria Zt = ln(Yt ) que se van a utilizar para contrastar si la media
es o no nula.
67
SARRIKO-ON 4/09

a
Estad
sticos principales, usando las observaciones 1821 - 1933
para la variable Ln(lince) (113 observaciones vlidas)
a
Media
Mediana
6, 68671
6, 66441
Mximo
a
3, 66356
8, 85238
C.V.
Asimetr
a
Exc. de curtosis
0, 190462
0, 374282
0, 668913
Desv. T
p.
1, 27356
M
nimo
La distribucin del estad

o
stico de contraste bajo la hiptesis nula H0 : E(Zt ) = 0 es:
o
t =
Z
t(180 1)
Z
Segn los estad

u
sticos principales, Z = 6, 66 y:
Z =
(1, 276)2
(1 + 2 0, 78 + 2 0, 35 + . . . 2 0, 192) = 0,0095
180
por lo tanto,
6, 66
= 701, 05 > t0,025 (180 1) 2
0, 0095
Se rechaza la H0 : E(Zt ) = 0 para un del 5 % y se incluye un trmino constante en el modelo.
e
t =
Resumiendo, se proponen los dos modelos siguientes para la serie estacionaria:

(1)
AR(3) :
Zt = + 1 Zt1 + 2 Zt2 + 3 Zt3 + at
(2)
ARM A(2, 1) :
Zt = + 1 Zt1 + 2 Zt2 + at + at1
Ejercicio 6.4. Serie Produccin de tabaco.

o
En la gura derecha del grco 5.5 se presenta la transformacin estacionaria de la serie Proa
o
duccin de Tabaco, Zt = ln(Yt ) que parece oscilar en torno a cero y la siguiente tabla muestra
o
los principales estad
sticos descriptivos de la misma.
Estad
para la variable D Ln(Produccion) (113 observaciones vlidas)
a
Media
Mediana
M
nimo
0, 0147324
0, 0199342
0, 565523
1, 03192
Desv. T
p.
C.V.
Asimetr
a
Exc. de curtosis
0, 711632
4, 94746
0, 203842
13, 8363
Mximo
a
Preguntas:
Es preciso incluir un trmino independiente en la especicacin del modelo?
e
o
Escribe el/los modelos ARM A(p, q) que podr
an haber generado la serie.
68

a
5.3.
SARRIKO-ON 4/09
Estimacin
o
Una vez identicados el/los procesos estocsticos que han podido generar la serie temporal Yt ,
a
la siguiente etapa consiste en estimar los parmetros desconocidos de dichos modelos:
a
= (, 1 , . . . , p , 1 , . . . , q )
2
a
Estos parmetros se pueden estimar de forma consistente por M

a
nimos Cuadrados o Mxima
a
Verosimilitud. Ambos mtodos de estimacin se basan en el clculo de las innovaciones, at , a
e
o
a
partir de los valores de la serie estacionaria. El mtodo de M
e
nimos Cuadrados minimiza la suma
de cuadrados:
M in
a2
(5.12)
t
t
La funcin de verosimilitud se puede derivar a partir de la funcin de densidad conjunta de las

o
o
innovaciones, a1 , a2 , . . . , aT , que, bajo el supuesto de normalidad, es como sigue:
f (a1 , a2 , . . . , aT )
exp
t=1
a2
t
2 2
(5.13)
Para resolver el problema de estimacin, las ecuaciones (5.12) y (5.13) se han de expresar en
o
funcin del conjunto de informacin y de los parmetros desconocidos del modelo. Para un
o
o
a
modelo ARM A(p, q), la innovacin se puede escribir como:
o
p
at = Zt
i Zti
i=1
i ati
(5.14)
i=1
Por lo tanto, para calcular las innovaciones a partir de un conjunto de informacin y de un vector
o
de parmetros desconocidos, se necesitan un conjunto de valores iniciales Z0 , Z1 , . . . , Zp1 y
a
a0 , a1 , . . . , aq1 .
En la prctica, el procedimiento seguido es aproximar las innovaciones imponiendo una serie de
a
condiciones sobre los valores iniciales, con lo que se obtienen los denominados estimadores de
M
nimos Cuadrados Condicionados y Mximo veros
a
miles Condicionados. La condicin que se
o
impone habitualmente sobre los valores iniciales es que las p primeras observaciones de Zt son
los valores iniciales y las innovaciones previas son cero. En este caso, se calculan las innovaciones segn la ecuacin (5.14) de t = p + 1 en adelante. Los estimadores Mximo veros
u
o
a
miles
condicionados a las p primeras observaciones son iguales a los estimadores M
nimos Cuadrados
condicionados.
Existen mtodos para obtener estimadores Mximos veros
e
a
miles no condicionados, basados en la
maximizacin de la funcin de verosimilitud exacta que se obtiene como una combinacin de la
o
o
o
funcin de verosimilitud condicionada y la funcin de densidad no condicionada para los valores
o
o
iniciales.
69
SARRIKO-ON 4/09

a

En las siguientes tablas se encuentran los resultados de la estimacin de los dos modelos proo
puestos para la transformacin estacionaria Zt = ln(Yt ) = Ln(lince).
o
Modelo 1: estimaciones ARMA utilizando las 113 observaciones 18211933
Variable dependiente: Ln(lince)
Coeciente
Desv. t
pica
estad
stico t
valor p
const
1
2
3
6,68527
1,14741
0,340902
0,258269
0,114106
0,0902207
0,137053
0,0903199
Media de la var. dependiente

D.T. de la variable dependiente
media de las innovaciones
Varianza de las innovaciones
Log-verosimilitud
AR
Ra
z
Ra
z
Ra
z
1
2
3
Real
0, 9064
0, 9064
3, 1327
Imaginaria
0, 6438
0, 6438
0, 0000
58,5883
12,7179
2,4874
2,8595
0,0000
0,0000
0,0129
0,0042
6,68671
1,27356
0,00562629
0,296613
92,887
Mdulo
o
1, 1117
1, 1117
3, 1327
Frecuencia
0, 0983
0, 0983
0, 5000
Modelo 2: estimaciones ARMA utilizando las 113 observaciones 18211933

Variable dependiente: Ln(lince)
Coeciente
Desv. t
pica
estad
stico t
valor p
const
1
2
1
6,68440
1,49195
0,817975
0,328985
0,106330
0,0648607
0,0578566
0,0982730

Log-verosimilitud
AR
MA
Ra
z
Ra
z
Ra
z
1
2
1
Real
0, 9120
0, 9120
3, 0397
Imaginaria
0, 6252
0, 6252
0, 0000
70
62,8649
23,0023
14,1380
3,3477
6,68671
1,27356
0,00587872
0,296583
92,876
Mdulo
o
1, 1057
1, 1057
3, 0397
Frecuencia
0, 0956
0, 0956
0, 0000
0,0000
0,0000
0,0000
0,0008

a
SARRIKO-ON 4/09
Los modelos estimados son:

(1)
AR(3) :
Zt = + 1, 14 Zt1 0, 34 Zt2 0, 26 Zt3 + at
(0, 10)
(2)
(0, 14)
(0, 09)
Zt = + 1, 50 Zt1 0, 82 Zt2 + at 0, 34 at1
ARM A(2, 1) :
(0, 13)
(0, 08)
(0, 07)
La estimacin de la constante dada por Gretl es la media estimada de la serie estacionaria:

o

const = C = =
si el modelo estimado es un M A(q):
si el modelo estimado es un AR(p) o ARM A(p, q):

const = C = =
1 1 2 . . . p
Para la serie de Pieles de lince:
(1) C = = 6, 68 =
(2) C = = 6, 68 =
1 1 2 3
1 1, 14 + 0, 34 + 0, 26
1 1, 50 + 0, 82
1 1 2
= 6, 68 0, 46 = 3, 07
= 6, 68 0, 32 = 2, 13
Por ultimo, la estimacin de la varianza del ruido blanco, 2 , viene dada por:
o
2 =
a2
pq
T
Por lo tanto,
(1) 2 =
a2
32, 88223
=
= 0, 30731
pq
T
110 3 0
(2) 2 =
32, 88891
a2
=
= 0, 30737
T p q
110 2 1
Por lo que los modelos estimados para la serie de Pieles de lince son:
(1) Zt = 3, 07 + 1, 14 Zt1 0, 34 Zt2 0, 26 Zt3 + at
(0, 10)
(0, 14)
(0, 09)
(2) Zt = 2, 13 + 1, 50 Zt1 0, 82 Zt2 + at 0, 34 at1
(0, 07)
2 = 0, 30731
(0, 08)
(0, 13)
71
2 = 0, 30737
SARRIKO-ON 4/09

a

o
En las siguientes tablas se encuentran los resultados de la estimacin de varios modelos para
o
la transformacin estacionaria, Zt = ln(Yt ) = DLn(P roduccion), de la serie Produccin de
o
o
Tabaco.
Pregunta: Escribe los correspondientes modelos estimados.
Modelo 1: estimaciones ARIMA utilizando las 113 observaciones 18721984

Variable dependiente: (1 L) Ln(Produccion)
Coeciente
Desv. t
pica
estad
stico t
valor p
const
1
0,0142529
0,719692
0,00443753
0,0613815

Log-verosimilitud
MA
Ra
z
Real
1, 3895
Imaginaria
0, 0000
3,2119
11,7249
0,0013
0,0000
0,0147324
0,203842
0,00227119
0,0270321
43,3014
Mdulo
o
1, 3895
Frecuencia
0, 0000

Variable dependiente: (1 L) Ln(Produccion)
Coeciente
Desv. t
pica
estad
stico t
valor p
const
1
2
0,0142527
0,720531
0,00102293
0,00444005
0,0991205
0,0948359

Log-verosimilitud
MA
Ra
z
Ra
z
1
2
Real
1, 3906
702, 9871
Imaginaria
0, 0000
0, 0000
72
3,2100
7,2692
0,0108
0,0147324
0,203842
0,00226524
0,0270320
43,3014
Mdulo
o
1, 3906
702, 9871
Frecuencia
0, 0000
0, 0000
0,0013
0,0000
0,9914

a
5.4.
SARRIKO-ON 4/09
Validacin del modelo

o
En la etapa de validacin, diagnosis o chequeo se procede a evaluar la adecuacin de los modelos

o
o
estimados a los datos. Se tiene en cuenta:
a) Si las estimaciones de los coecientes del modelo son signicativas y cumplen las condiciones de estacionariedad e invertibilidad que deben satisfacer los parmetros del modelo.
a
b) Si los residuos del modelo tienen un comportamiento similar a las innovaciones, es decir,
si son ruido blanco.
5.4.1.
Anlisis de coecientes estimados

a
En primer lugar, se han de realizar los contrastes habituales de signicacin individual de los
o
coecientes AR y M A:
= (, 1 , 2 , . . . , p , 1 , . . . , q )
para comprobar si el modelo propuesto est sobreidenticado, es decir, si se ha incluido estructura
a
que no es relevante.
En el caso ms general de un ARM A(p, q) con constante se plantean los siguientes contrastes:
a
H0 : = 0
frente a
Ha : = 0
(5.15)
H0 : i = 0
frente a
Ha : i = 0
(5.16)
H0 : i = 0
frente a
Ha : i = 0
(5.17)
En general, la distribucin asinttica de los estimadores es la siguiente:

o
o
i N (i , V (i ))
con la varianza dada por la inversa de la matriz de informacin. De forma que, para contrastar
o
la H0 de no signicatividad individual de los parmetros se utilizar el estad
a
a
stico t habitual que
sigue asintticamente una distribucin normal:
o
o
t=
i 0
V (i )
N (0, 1)
Se rechazar la hiptesis nula a un nivel de signicacin = 5 %, cuando:

a
o
o
V (i )
> N/2 (0, 1)
Por otro lado, es importante comprobar si las condiciones de estacionariedad e invertibilidad se

satisfacen para el modelo propuesto. Para ello, se calculan las ra del polinomio autorregresivo,
ces
73
SARRIKO-ON 4/09

a
(L) = 0 , y las ra
ces del polinomio de medias mviles, (L) = 0. Si alguna de estas ra
o
ces
est prxima a la unidad podr indicar falta de estacionariedad y/o invertibilidad.
a o
a
Por ultimo, es conveniente tambin analizar la matriz de covarianzas entre los parmetros esti
e
a
mados con el n de detectar la posible presencia de una correlacin excesivamente alta entre las
o
estimaciones de los mismos lo que puede ser una indicacin de la presencia de factores comunes
o
en el modelo.
Para realizar los contrastes de diagnstico sobre los coecientes, se analizan los resultados de la
o
estimacin de los modelos 1 y 2 y las matrices de covarianzas siguientes.
o
Matriz de covarianzas de los coecientes (Modelo AR(3))
const
0, 0130202
phi 1
2, 48347e-05
0, 00813977
phi 2
4, 80732e-05
0, 0108657
0, 0187835
phi 3
5, 56654e-05
0, 00573862
0, 0109509
0, 00815768
const
phi 1
phi 2
phi 3
Matriz de covarianzas de los coecientes (Modelo ARMA(2,1))

const
0, 0113060
phi 1
6, 16782e-05
0, 00420691
phi 2
5, 83053e-05
0, 00318008
0, 00334739
theta 1
0, 000117743
0, 00379432
0, 00256617
0, 00965758
Modelo AR(3). Anlisis de los coecientes.

a
Contrastes de signicatividad individual:
H0 : C = 0
Ha : C = 0
C:
C
C
H0 : i = 0
Ha : i = 0 ,
6, 68
0, 12
i = 1, 2, 3
= |55, 87| > N0,025 2
Se rechaza H0 : C = 0 para un nivel de signicacin del 5 %.

o
1 :
1
1
1, 14
0, 10
= |12, 03| > N0,025 2
Se rechaza H0 : 1 = 0 para un nivel de signicacin del 5 %.

o
74
const
phi 1
phi 2
theta 1

a
2 :
2
2
0, 34
0, 14
SARRIKO-ON 4/09
= | 2, 35| > N0,025 2

o
3 :
3
3
0, 26
0, 09
= | 2, 78| > N0,025 2

o
Estacionariedad del modelo AR(3).
Los mdulos de las ra del polinomio autorregresivo cumplen la condicin de estacionao
ces
o
riedad:
|L1 | =
1
>1
0, 32
|L2 | = |L3 | =
1
0, 732
(0, 52)2
1
>1
0, 89
Las correlaciones entre los coecientes estimados que muestran la matriz de covarianzas
no son muy altas:

Corr(1 , 2 ) =

Corr(1 , 3 ) =

Corr(2 , 3 ) =

Cov(1 , 2 )
V (1 )V (2 )

Cov(1 , 3 )
V (1 )V (3 )

Cov(2 , 3 )
V (2 )V (3 )
0, 01
=
= 0, 745
0, 009 0, 02
0, 006
=
= 0, 666
0, 009 0, 009
0, 01
=
= 0, 745
0, 02 0, 009
a
Modelo ARMA(2,1). Anlisis de los coecientes.
H0 : C = 0
Ha : C = 0
C:
C
C
H0 : i = 0
Ha : i = 0 ,
6, 67
0, 11
i = 1, 2
H0 : = 0
Ha : = 0
= |60, 87| > N0,025 2
Se rechaza H0 : C = 0 para un nivel de signicacin del 5 %.

o
75
SARRIKO-ON 4/09

a
1 :
1
1
1, 50
0, 07
= |20, 62| > N0,025 2

o
2 :
2
2
0, 82
0, 06
= | 12, 87| > N0,025 2

o
:
0, 34
0, 13
= | 2, 70| > N0,025 2
Se rechaza H0 : = 0 para un nivel de signicacin del 5 %.

o
Estacionariedad e invertibilidad del modelo ARM A(2, 1).

Los mdulos de las ra del polinomio autorregresivo cumplen la condicin de estacionao
ces
o
riedad:
1
1
|L1 | = |L2 | =
>1
=
2 + (0, 51)2
0, 91
0, 75
El mdulo de la ra del polinomio medias mviles cumple la condicin de invertibilidad:
o
z
o
o
|L| =
1
>1
0, 34
Las correlaciones entre los coecientes estimados que se recogen en la matriz de covarianzas
no son muy altas.

Corr(1 , 2 ) =

Corr(1 , ) =

Corr(2 , ) =

Cov(1 , 2 )
V (1 )V (2 )
0, 004
=
= 0, 894
0, 005 0, 004

Cov(1 , )
0, 006
=
= 0, 671
0, 005 0, 016
V (1 )V ()

Cov(2 , )
0, 004
= 0, 5
=
0, 004 0, 016
V (2 )V ()
76

a
5.4.2.
SARRIKO-ON 4/09
Anlisis de residuos.
a
Si el modelo ARM A(p, q) elegido para la serie estacionaria Zt (por simplicidad, suponemos que
EZt = 0)
p (L) Zt = q (L) at
es correcto, entonces at =
estimado
(5.18)
p (L)
Zt es un proceso ruido blanco. Los residuos del modelo
q (L)
at =
p (L)
q (L)
Zt
(5.19)
son estimaciones de at . El anlisis de residuos consiste en una serie de contrastes de diagnstico

a
o
con el objetivo de determinar si los residuos replican el comportamiento de un ruido blanco, es
decir, si su media es cero, su varianza constante y las autocorrelaciones nulas.
a) Para comprobar si la media es cero, se realiza un anlisis grco, representando los residuos
a
a
a lo largo del tiempo y observando si los valores oscilan alrededor de cero.
Adems se puede llevar a cabo el siguiente contraste de hiptesis:
a
o
H0 : E(at ) = 0
Ha : E(at ) = 0,
El estad
stico de contraste se distribuye bajo la hiptesis nula como sigue:
o
t =
C0 ()
a
N (0, 1)
(5.20)
donde a y C0 () son, respectivamente, la media y la varianza muestrales de los residuos.
a
No se rechaza la hiptesis nula al nivel de signicacin del 5 % si |t| 1,96.
o
o
b) Varianza constante. Si en el grco de los residuos la dispersin de los mismos es constante,
a
o
concluiremos que la varianza de at permanece constante.
c) Ausencia de correlacin serial.
o
Si los residuos se comportaran como un ruido blanco, los coecientes de la FAC y FACP
muestrales deben ser prcticamente nulos para todos los retardos. Para comprobarlo, se
a
pueden llevar a cabo:
Contrastes de signicatividad individual sobre los coecientes de autocorrelacin:.
o
H0 : k (a) = 0
Ha : k (a) = 0
Bajo la hiptesis nula, se tiene que
o
a
k (a) N
77
0,
1
T
SARRIKO-ON 4/09

a
Se dir que at es un ruido blanco si los coecientes de autocorrelacin estimados estn

a
o
a
dentro del intervalo de no signicacin, es decir, si
o
2
|k (a)|
T
para todo k o al menos para el 95 % de los coecientes estimados.
Otra alternativa es realizar un contraste de signicatividad sobre un conjunto de
coecientes de autocorrelacin, siendo la hiptesis nula,
o
o
H0 : 1 (a) = 2 (a) = . . . = M (a) = 0
y la hiptesis alternativa que algn coeciente k sea no nulo, para k = 1, . . . , M .
o
u
El estad
stico ms utilizado para contrastar esta hiptesis es el propuesto por Ljunga
o
Box(1978):
M
Q (M ) = T (T + 2)
k=1
2 (a)
k
T k
H0 ,a
2 (M p q)
(5.21)
Se rechaza la hiptesis nula de ausencia de correlacin serial, para un nivel de signio

o
cacin del 5 %, para valores grandes del estad
o
stico, es decir, si
Q (M ) > 2 (M p q)
0,05
En este caso, existir correlacin serial en los residuos del modelo por lo que se
a
o
concluye que el modelo no ha sido capaz de reproducir el patrn de comportamiento
o
sistemtico de la serie y habr que reformularlo.
a
a
d) Contraste de normalidad. El estad

stico ms utilizado es el de Jarque-Bera, que se dene:
a
JB =
T p q
6
1
Asimetria2 + (Kurtosis 3)2
4
y que bajo la hiptesis nula de normalidad se distribuye asintticamente como 2 (2). Se

o
o
rechaza la hiptesis nula de normalidad al nivel de signicacin del 5 % si JB > 5, 99.
o
o

El grco 5.9 muestra el grco y el correlograma de los residuos para cada uno de los modelos
a
a
propuestos y estimados para esta serie.
Se puede observar que el grco de los residuos de los dos modelos propuestos y estimados es
a
muy similar y oscila en torno a cero con una varianza bastante homognea.
e
En lo que se reere al correlograma de los residuos, tambin en los correlogramas de los residuos
e
de los dos modelos se observa, que la prctica totalidad de los coecientes de autocorrelacin
a
o
78

a
SARRIKO-ON 4/09
Grco 5.9: Ln(pieles de lince). Contrastes de diagnstico.

a
o
Modelo AR(3)
Modelo ARMA(2,1)
1.5
1.5
0.5
Residuo
0.5
Residuo
-0.5
-0.5
-1
-1
-1.5
-1.5
-2
-2
1820
1840
1860
1880
1900
1920
1820
1840
1860
1880
1900
1920
FAC de los residuos
FAC de los residuos

1
+- 1,96/T^0,5
0.5
0.5
-0.5
+- 1,96/T^0,5
-0.5
-1
-1
0
10
15
20
retardo
25
30
35
FACP de los residuos
10
15
20
retardo
25
30
35
+- 1,96/T^0,5
+- los
simple estimados se encuentran dentro de las bandas de no signicacin, sobre todo1,96/T^0,5 de los
o
0.5
0.5
retardos ms bajos.
a
0
Las0 siguientes tablas muestran los estad
sticos descriptivos principales de los residuos de los dos
modelos estimados para esta series.
-0.5
-0.5
-1
-1
10
Estad 20 principales, usando las observaciones 1821 - 20

1933
15 sticos
25
30
35
0
5
10
15
retardo
para retardovariable uhat1 (113 observaciones vlidas) AR(3)
la
a
Media
Mediana
0, 00562629
0, 0931793
Desv. T
p.
0, 554851
M
nimo
25
Mximo
a
1, 7580
1, 87878
C.V.
Asimetr
a
Exc. de curtosis
98, 6175
0, 128958
1, 00983
Estad
para la variable uhat2 (113 observaciones vlidas) ARMA(2,1)
a
Media
Mediana
0, 00587872
0, 0845680
Desv. T
p.
0, 554805
M
nimo
Mximo
a
1, 8127
1, 78708
C.V.
Asimetr
a
Exc. de curtosis
94, 3750
0, 203604
0, 871798
79
30
35
SARRIKO-ON 4/09

a
El estad
stico de Box-Ljung proporciona los siguientes resultados:
Modelo AR(3)
Modelo ARM A(2, 1)
Q(15) = 22, 42 < 2 (12) = 28, 30

0,05
Q(15) = 21, 51 < 2 (12) = 28, 30

0,05
Q(36) = 54, 36 < 57, 672 (33) = 28, 30

0,05
Q(36) = 51, 70 < 2 (33) = 57, 67

0,05
Por lo que no se rechaza la hiptesis nula de que los coecientes de autocorrelacin son cero.
o
o
En lo que se reere al contraste de Jarque-Bera de Normalidad, se tiene que:
Modelo AR(3)
Modelo ARM A(2, 1)
JB = 4, 71 < 2 (2) = 5, 99
0,05
JB = 4, 05 < 2 (2) = 5, 99
0,05
No se rechaza H0
No se rechaza H0
Ambos modelos propuestos satisfacen los contrastes de diagnstico por lo que ambos recogen la
o
estructura de la serie Pieles de Lince
o
Estos son los resultados de estimar dos modelos para la serie Ln(Produccion).
Estad
para la variable uhat1 (113 observaciones vlidas) MA(1)
a
Media
Mediana
M
nimo
0, 00227119
0, 00881448
0, 550063
Desv. T
p.
C.V.
Asimetr
a
0, 166397
73, 2644
0, 0241193
Mximo
a
0, 650369
Exc. de curtosis
2, 14855
Estad
para la variable uhat2 (113 observaciones vlidas) MA(2)
a
Media
Mediana
M
nimo
0, 00226524
0, 00864620
0, 550058
Desv. T
p.
C.V.
Asimetr
a
0, 166395
73, 4557
0, 0253168
80
Mximo
a
0, 649804
Exc. de curtosis
2, 14227

a
SARRIKO-ON 4/09
Modelo ARIMA(0,1,1)
Modelo ARIMA(0,1,2)
Residuos de la regresin (= L_Produccion observada estimada)
Residuos de la regresin (= L_Produccion observada estimada)
0.6
0.6
0.4
0.4
0.2
0.2
residuo
0.8
residuo
0.8
0.2
0.2
0.4
0.4
0.6
0.6
1880
1900
1920
1940
1960
1980
1880
1900
1920
1940
1960
1980
FAC de los residuos
FAC de los residuos

1
+- 1,96/T^0,5
0.5
0.5
-0.5
+- 1,96/T^0,5
-0.5
-1
-1
0
10
15
20
retardo
25
30
35
FACP
a = 0, 0025 de los residuos t = 0, 145
Normalidad: JB = 2,49
0.5
Autocorrelacin: Q(15) = 10,86

o
0
15
20
retardo
25
30
Normalidad: JB = 2,59
0.5
Q(36) = 18,59
10
35
a = 0, 0028
at = 0, 145
+- 1,96/T^0,5
Autocorrelacin: Q(15) = 10,86

o
0
+- 1,96/T^0,5
Q(36) = 18,58
-0.5
-0.5
Matriz de covarianzas de los coecientes (Modelo MA(1)).

-1
-1
0
10
15
20
retardo
25
const 30
1, 96917e-05
35theta
1
6, 82024e-07
0, 00376769
10
15
const
theta 1
20
retardo
25
30
Matriz de covarianzas de los coecientes (Modelo MA(2)).

const
1, 97140e-05
theta 1
1, 90397e-06
0, 00982488
theta 2
1, 50197e-06
0, 00737726
0, 00899385
const
theta 1
theta 2
Pregunta: Qu modelo de los dos propuestos seleccionar para la serie Produce

as
cin de tabaco?
o
81
35
SARRIKO-ON 4/09

a
Apndice A. Datos.
e
Cuadro 5.4: Pieles de lince (1821-1930)

Ao
n
Pieles
Ao
n
Pieles
Ao
n
Pieles
Ao
n
Pieles
Ao
n
Pieles
Ao
n
Pieles
1821
1822
1823
1824
1825
1826
1827
1828
1829
1830
1831
1832
1833
1834
1835
1836
1837
1838
1839
269
321
585
871
1475
2821
3928
5943
4950
2577
523
98
184
279
409
2285
2685
3409
1824
1840
1841
1842
1843
1844
1845
1846
1847
1848
1849
1850
1851
1852
1853
1854
1855
1856
1857
1858
409
151
45
68
213
546
1033
2129
2536
957
361
377
225
360
731
1638
2725
2871
2119
1859
1860
1861
1862
1863
1864
1865
1866
1867
1868
1869
1870
1871
1872
1873
1874
1875
1876
1877
684
299
236
245
552
1623
3311
6721
4254
687
255
473
358
784
1594
1676
2251
1426
756
1878
1879
1880
1881
1882
1883
1884
1885
1886
1887
1888
1889
1890
1891
1892
1893
1894
1895
1896
299
201
229
469
736
2042
2811
4431
2511
389
73
39
49
59
188
377
1292
4031
3495
1897
1898
1899
1900
1901
1902
1903
1904
1905
1906
1907
1908
1909
1910
1911
1912
1913
1914
1915
587
105
387
758
1307
3465
6991
6313
3794
1836
345
382
808
1388
2713
3800
3091
2985
790
1916
1917
1918
1919
1920
1921
1922
1923
1924
1925
1926
1927
1928
1929
1930
674
81
80
108
229
1132
2432
3574
2935
1537
529
485
662
1000
1590
82

a
SARRIKO-ON 4/09
Cuadro 5.5: Produccion de tabaco (1872-1984)

Ao
n
Pieles
Ao
n
Pieles
Ao
n
Pieles
Ao
n
Pieles
Ao
n
Pieles
Ao
n
Pieles
1872
1873
1874
1875
1876
1877
1878
1879
1880
1881
1882
1883
1884
1885
1886
1887
1888
1889
1890
327
385
382
217
609
466
621
455
472
469
426
579
509
580
611
609
469
661
525
1891
1892
1893
1894
1895
1896
1897
1898
1899
1900
1901
1902
1903
1904
1905
1906
1907
1908
1909
648
747
757
767
767
745
760
703
909
870
852
886
960
976
857
939
973
886
836
1910
1911
1912
1913
1914
1915
1916
1917
1918
1919
1920
1921
1922
1923
1924
1925
1926
1927
1928
1054
1142
941
1117
992
1037
1157
1207
1326
1445
1444
1509
1005
1254
1518
1245
1376
1289
1211
1929
1930
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1373
1533
1648
1565
1018
1372
1985
1302
1163
1569
1386
1881
1460
1262
1408
1406
1951
1991
1315
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
2107
1980
1969
2030
2332
2256
2059
2244
2193
2176
1668
1736
1796
1944
2061
2315
2344
2228
1855
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1887
1968
1710
1804
1906
1705
1749
1742
1990
2182
2137
1914
2025
1527
1786
2064
1994
1429
83
SARRIKO-ON 4/09

a
Apndice B. Contraste de Dickey-Fuller

e
Tablas de valores cr
ticos del estad
stico de Dickey-Fuller
Modelo sin constante
T
Nivel de signicacin
o
0,01
0,025
0,05
0,10
0,9
0,95
0,975
0,99
25
-2,66
- 2,26
-1,95
-1,60
0,92
1,33
1,70
2,16
50
-2,62
- 2,25
-1,95
-1,61
0,91
1,31
1,66
2,08
100
-2,60
- 2,24
-1,95
-1,61
0,90
1,29
1,64
2,03
250
-2,58
- 2,24
-1,95
-1,62
0,89
1,29
1,63
2,01
500
-2,58
- 2,23
-1,95
-1,62
0,89
1,28
1,62
2,00
-2,58
- 2,23
-1,95
-1,62
0,89
1,28
1,62
2,00
Por ejemplo, para un tamao de muestra T = 25 y = 0, 01, se tiene que

n
P rob(t < 2, 66) = 0, 01.
Modelo con constante

T
Nivel de signicacin
o
0,01
0,025
0,05
0,10
0,9
0,95
0,975
0,99
25
-3,75
- 3,33
-3,00
-2,63
-0,37
0,00
0,34
0,72
50
-3,58
- 3,22
-2,93
-2,60
-0,40
-0,03
0,29
0,66
100
-3,51
- 3,17
-2,89
-2,58
-0,42
-0,05
0,26
0,63
250
-3,46
- 3,14
-2,88
-2,57
-0,42
-0,06
0,24
0,62
500
-3,44
- 3,13
-2,87
-2,57
-0,43
-0,07
0,24
0,61
-3,43
- 3,12
-2,86
-2,57
-0,44
-0,07
0,23
0,60
Por ejemplo, para un tamao de muestra T = 25 y = 0, 01, se tiene que

n
P rob(tc < 3, 75) = 0, 01.
84
Cap
tulo 6
Prediccin ptima con modelos
o o
ARIMA(p, d, q)
El objetivo es obtener predicciones ptimas de Yt en algn momento futuro basadas en un
o
u
conjunto de informacin dado que en el caso del anlisis de series temporales univariante esta
o
a
formado por el pasado disponible de la serie temporal
IT = {YT , YT 1 , YT 2 , YT 2 , . . .}
(6.1)
Supongamos que se observa una serie temporal denotada por Yt , para t = 0 hasta t = T , donde
T es la ultima observacin de que disponemos. La prediccin de series temporales supone decir
o
o
algo sobre el valor que tomar la serie en momentos futuros T + , donde representa el nmero
a
u
de periodos en el futuro que estamos considerando. A la prediccin de YT + con informacin
o
o
hasta el momento T la vamos a denotar por YT ( ). Si = 1, entonces se predice el valor de
YT +1 y se calcula lo que se denomina prediccin un periodo hacia adelante. Si = 3, entonces
o
se predice el valor de YT +3 y se calcula la prediccin tres periodos hacia adelante, etc.
o
Como estamos considerando que la serie temporal es una realizacin de un proceso estocstico
o
a
estacionario, el valor que se quiere predecir, YT + , es tambin una variable aleatoria. Para
e
predecir una variable aleatoria, se deber predecir su funcin de distribucin y as poder hacer
a
o
o
armaciones tales como: prob(163 < YT + 190) = 0, 42. Ahora bien, en general, va a ser
muy dif determinar completamente la forma de la funcin de densidad sin hacer supuestos
cil
o
muy fuertes y poco realistas sobre la forma de esta funcin. Un objetivo menos ambicioso
o
ser disear unos intervalos de conanza alrededor del valor YT + , que nos permitan decir que
a
n
prob(B < YT + A) = 0, 95 . Estos valores A y B permiten poner unos l
mites al valor que se
quiere predecir con un grado de conanza de estar en lo cierto sucientemente alto.
Es interesante distinguir entre prediccin por intervalo que conlleva la construccin de estos
o
o
intervalos de prediccin y la prediccin por punto, que implica simplemente asignar un valor
o
o
a YT + que de alguna manera represente a toda la distribucin de valores. Por ejemplo, una
o
prediccin por punto ser armar que se predice un nmero de ocupados en el sector industrial
o
a
u
el primer trimestre de 2010 de 120.000. Un ejemplo de la prediccin por intervalo, ser decir:
o
a
se predice un nmero de ocupados en el sector industrial el primer trimestre de 2010 entre
u
100.000 y 140.000 con una probabilidad de 0,95. Si el mtodo de prediccin es bueno y si
e
o
pudiramos hacer un secuencia de predicciones de este tipo, es de esperar que el nmero real de
e
u
ocupaados estar fuera de los intervalos construidos solo en un 5 % de los casos.
a
85
SARRIKO-ON 4/09

a
Por predictor ptimo (o prediccin ptima) se denomina a quel que es la mejor en el sentido de
o
o o
a
que minimiza una determinada funcin de prdida. Lo ms usual es minimizar el Error Cuadrtio
e
a
a
co Medio de Prediccin, por lo que diremos que YT ( ) es un predictor ptimo si minimiza el
o
o
ECMP, es decir, si cumple que:
E[YT + YT ( )]2 E[YT + YT ( )]2
YT ( )
Se puede demostrar que, bajo condiciones de regularidad muy dbiles, el predictor por punto
e
o
ptimo viene dado por la esperanza condicionada al conjunto de informacin:
o
YT ( ) = E[YT + |IT ] = E[YT + |YT , YT 1 , YT 2 , YT 3 , . . .] = ET [YT + ]
es decir, por el valor esperado de la distribucin de YT ( ) condicionada la informacin disponible.
o
o
Nada garantiza que esta esperanza condicionada sea una funcin lineal del pasado de la serie.
o
Pero si el proceso sigue una distribucin normal, se puede demostrar que la esperanza condicioo
nada se puede expresar como una funcin lineal del conjunto de informacin, IT . Por lo tanto,
o
o
bajo el supuesto de normalidad, el predictor ptimo en el sentido de minimizar el ECMP es
o
lineal. Si no se cumple este supuesto, la proyeccin lineal de YT + en su pasado proporcionar
o
a
el predictor ptimo dentro de la clase de predictores lineales.
o
La prediccin ptima por intervalo se construir a partir de la distribucin del error de prediccin
o o
a
o
o
que, bajo el supuesto de que at RBN (0, 2 ) , es la siguiente:
eT ( ) = YT + YT ( ) N (0, V (eT ( )))
Tipicando se obtiene:
YT + YT ( ) 0
V (eT ( ))
N (0, 1)
De forma que el intervalo de prediccin de probabilidad (1 ) % es:

o
YT ( ) N/2
6.1.
V (eT ( )),
YT ( ) + N/2
V (eT ( ))
Prediccin con modelos estacionarios

o
Consideremos el modelo lineal general (3.2), M A() y el conjunto de informacin dado por (6.1).
o
La estrategia de prediccin se va a basar en escribir el valor que se desea predecir, YT + , tal
o
y como se genera en funcin del modelo para luego obtener la prediccin ptima calculando
o
o o
la esperanza condicionada al conjunto de informacin. Para la representacin medias mviles
o
o
o
general, YT + viene dado por:
YT + = aT + + 1 aT +
+ 2 aT +
+...+
1 aT +1
+ aT +
+1 aT 1
+2 aT 2
Tomando la esperanza condicionada al conjunto de informacin, se obtiene:

o
YT ( ) = ET [YT + ] = aT +
+1 aT 1
86
+2 aT 2
+3 aT 3
+ ...
+...

a
SARRIKO-ON 4/09
dado que:
aT +j
j0
E(aT +j ) = 0
ET (aT +j ) =
j>0
La perturbacin at es la innovacin en el momento t. Si, dado el conjunto de informacin IT , se

o
o
o
conoce el verdadero valor de Yt , como la parte sistemtica se puede predecir mediante el modelo,
a
la perturbacin at = Yt P S t est determinada, es ja. Si, dado IT , no se conoce el verdadero
o
a
valor de Yt , entonces la innovacin at no est determinada por el conjunto de informacin, con
o
a
o
lo que su media condicionada ser la misma que su media no condicionada, es decir, cero.
a
Los errores de prediccin son:
o
eT (1) = YT +1 YT (1) = aT +1 + 1 aT + 2 aT 1 + 3 aT 2 + . . .
(1 aT + 2 aT 1 + 3 aT 3 + . . .) = aT +1
eT (2) = YT +2 YT (2) = aT +2 + 1 aT +1 + 2 aT + 3 aT 1 + . . .
(2 aT + 3 aT 1 + 4 aT 2 + . . .) = aT +2 + 1 aT +1
... = ...
eT ( ) = YT + YT ( ) = aT + + 1 aT +
+ aT +
+1 aT 1
( aT +
+1 aT 1
= aT + + 1 aT +
+2 aT 2
+ 2 aT +
+ ... +
1 aT +1
+ ...
+2 aT 2
+ 2 aT +
+3 aT 3
+ ... +
+ . . .) =
1 aT +1
Los errores de prediccin son una combinacin lineal de las perturbaciones futuras aT + , =
o
o
1, 2, . . . con valor medio cero:
ET (eT ( )) = ET [aT + + 1 aT +
+ 2 aT +
+ ... +
1 aT +1 ]
= 0
La varianza del error de prediccin o Error Cuadrtico Medio de Prediccin viene dado por:
o
a
o
VT (eT (1)) = ET [eT (1)]2 = ET [aT +1 ]2 = 2
2
VT (eT (2)) = ET [eT (2)]2 = ET [aT +2 + 1 aT +1 ]2 = (1 + 1 ) 2
... = ...
V (eT ( )) = ET [eT ( )]2 = ET [aT + + 1 aT +
+ 2 aT +
+ ... +
2
1 aT +1 ]
(1 +
2
1
2
2
+ ... +
21 )
2
i
i=0
87
(6.2)
SARRIKO-ON 4/09

a
Como se puede observar la varianza del error de prediccin va creciendo conforme nos alejamos
o
en el futuro. Ahora bien, si el proceso es estacionario se cumple que:
2
i <
i=1
por lo que esta varianza no crece indenidamente, sino que tiene una cota mxima nita.
a
Se puede observar que la perturbacin o innovacin at y su varianza 2 tienen una nueva
o
o
interpretacin:
o
- at = Yt Yt1 (1) , es el error de prediccin un periodo hacia adelante.
o
- V (at ) = 2 , es la varianza del error de prediccin un periodo hacia adelante.
o
Si el proceso ruido blanco sigue una distribucin normal, se tiene que:
o
eT ( ) = YT + YT ( ) N [0, V (eT ( ))]
Por lo que el intervalo de prediccin de probabilidad (1 ) % es:
o
YT +1 :
YT (1) N/2
YT +2 :
YT (2) N/2
.
.
.
YT + :
2
2 (1 + 1 )
.
.
.
YT ( ) N/2
YT (1) + N/2
;
YT (2) + N/2
1
2
i
YT ( ) + N/2
i=0
6.1.1.
2
2 (1 + 1 )
2
i
2
i=0
Prediccin con modelos MA(q).

o
Comencemos por un modelo de medias mviles sencillo, por ejemplo, el M A(2) de media cero:
o
Yt = at 1 at1 2 at2
at RBN (0, 2 )
t = 1, 2, . . .
La funcin de prediccin es:

o
o
YT +1 = aT +1 1 aT 2 aT 1
YT (1) = ET [YT +1 ] = ET [aT +1 1 aT 2 aT 1 ] = 1 aT 2 aT 1
YT +2 = aT +2 1 aT +1 2 aT
YT (2) = ET [YT +2 ] = ET [aT +2 1 aT +1 2 aT ] = 2 aT 1
88

a
SARRIKO-ON 4/09
YT +3 = aT +3 1 aT +2 2 aT +1
YT (3) = ET [YT +3 ] = ET [aT +3 1 aT +2 2 aT +1 ] = 0
YT ( ) = ET [YT + ] = 0 (= E(Yt )) > 2
Por lo tanto, la funcin de prediccin de un M A(2), depende del conjunto de informacin, IT ,
o
o
o
para = 1, 2 . A partir de > 2 , la prediccin ptima viene dada por la media del proceso.
o o
Estos resultados se pueden generalizar fcilmente para el modelo M A(q):
a
Yt = at 1 at1 2 at2 . . . q atq
o
o
YT ( ) =
at RBN (0, 2 )
YT (1) =
1 aT 2 aT 1 . . . q aT +1q
YT (2) =
...
2 aT 3 aT 2 . . . q aT +2q
...
YT (q) =
q aT
YT ( ) =
t = 1, 2, . . .
0 = q + 1, q + 2, . . .
Como el modelo M A(2) est escrito directamente en forma medias mviles, se obtiene la varianza
a
o
del error de prediccin aplicando la expresin (6.2) con i = i , i = 1, 2, . . . , q y i = 0, i > q:
o
o
V (eT (1)) =
2
2
V (eT (2)) =
(1 + 1 ) 2
...
...
V (eT ( )) =
2
2
2
V (eT (q)) = (1 + 1 + 2 + . . . + q1 ) 2
V (e ( )) = (1 + 2 + 2 + . . . + 2 ) 2 (= V (Y ))
= q + 1, q + 2, . . .
t
T
q
1
2
Aunque la varianza del error de prediccin es una funcin creciente de , el horizonte de predico
o
cin, tiene una cota mxima que viene dada por la varianza no condicionada del proceso y que
o
a
se alcanza para = q.
Se puede concluir que para un modelo M A(q) las predicciones para los q primeros horizontes
de prediccin, = 1, 2, . . . , q , dependen del conjunto de informacin a travs de los errores de
o
o
e
prediccin un periodo hacia adelante aT , aT 1 , . . . , aT +1q , con lo que se mejora la prediccin
o
o
respecto de la media no condicionada del proceso porque se predice con una varianza del error
de prediccin menor que la varianza no condicionada del proceso. A partir de = q , el conjunto
o
de informacin no aporta nada a la prediccin porque las predicciones ptimas son la media no
o
o
o
condicionada del proceso y la varianza del error de prediccin es la varianza no condicionada del
o
proceso. Esto signica que, condicionando al conjunto de informacin, se obtienen los mismos
o
resultados que sin condicionar, luego a partir de = q , IT ya no es informativo.
89
SARRIKO-ON 4/09

a
La prediccin por intervalo viene dada por:

o
=1
1 aT 2 aT 1 . . . q aT +1q N/2
=2
2 aT 3 aT 2 . . . q aT +2q N/2
...
2
2
2 (1 + 1 )
...
=q
q aT N/2
>q
0 N/2
2
2
2 (1 + 1 + . . . + q1 )
2
2
2
2 (1 + 1 + . . . + q1 + q )
La amplitud de los intervalos de prediccin va creciendo con , con el l

o
mite impuesto por
N/2
6.1.2.
2
2
2
2 (1 + 1 + . . . + q1 + q ) = N/2
V (Yt )
Prediccin con modelos AR(p)

o
Consideremos el modelo autorregresivo ms sencillo, el AR(1).

a
Yt = Yt1 + at
at RBN (0, 2 )
t = 1, 2, . . .

o
o
YT +1 = YT + aT +1
YT (1) = ET [YT +1 ] = ET [ YT + aT +1 ] = YT
YT +2 = YT +1 + aT +2
YT (2) = ET [YT +2 ] = ET [ YT +1 + aT +2 ] = ET [YT +1 ] = YT (1)
YT +3 = YT +2 + aT +3
YT (3) = ET [YT +3 ] = ET [ YT +2 + aT +3 ] = ET [YT +2 ] = YT (2)
De forma que la funcin de prediccin es:
o
o
YT ( ) = YT ( ),
= 1, 2, 3, . . .
dado que:
ET (YT +j ) =
YT +j
j0
E(YT (j))
j>0
90
(6.3)

a
SARRIKO-ON 4/09
La funcin de prediccin (6.3) recoge una regla de cadena para obtener las predicciones de un
o
o
proceso autorregresivo unas en funcin de las otras hasta un futuro indenido. La trayectoria
o
de la funcin de prediccin depende de la estructura de la parte autorregresiva:
o
o
YT (1) = YT
YT (2) = YT (1) = YT = 2 YT
YT (3) = YT (2) = 2 YT = 3 YT
YT (4) = YT (3) = 3 YT = 4 YT
YT ( ) = YT
= 1, 2, 3, . . .
Como el proceso autorregresivo es estacionario, || < 1, y por lo tanto cuando nos alejamos en
el futuro la funcin de prediccin tiende hacia la media no condicionada del proceso:
o
o
l YT ( ) = 0 ( = E(Yt ))
m
Para construir los intervalos de prediccin, se ha de obtener la varianza del error de prediccin.
o
o
Para ello es preciso partir del modelo escrito en forma medias mviles. En el caso del AR(1):
o
(1 L) Yt = at Yt =
1
at
1 L
Yt = (1 + L + 2 L2 + 3 L3 + . . . ) at
Yt = at + at1 + 2 at2 + 3 at3 + . . .
Por lo que la varianza del error de prediccin se obtiene aplicando la frmula general (6.2) con
o
o
i , i :
1 =
2
V (eT (1)) =
V (e (2)) =
(1 + 2 ) 2
V (eT (3)) = (1 + 2 + (2 )2 ) 2
V (eT ( )) =
V (e (4)) = (1 + 2 + (2 )2 + (3 )2 ) 2
V (eT ( )) = (1 + 2 + (2 )2 + . . . + ( 1 )2 ) 2
La varianza del error de prediccin es monotonamente creciente conforme nos alejamos en el
o
futuro. Como el proceso es estacionario, esta varianza no crece indenidamente sino que tiene
una cota superior dada por la varianza no condicionada del proceso:
l V (eT ( )) = l 2
m
m
1 + 2 + (2 )2 + . . . + (
91
1 2
2
= V (Yt )
1 2
SARRIKO-ON 4/09

a
La prediccin por intervalo es:

o
=1
YT N/2
=2
YT (1) N/2
2 (1 + 2 )
=3
YT (2) N/2
2 (1 + 2 + (2 )2 )
...
...
YT ( 1) N/2
2 (1 + 2 + (2 )2 + . . . + (
1 )2 )
La amplitud de los intervalos de prediccin va creciendo con , con el l

o
mite impuesto por
N/2
2
= N/2
1 2
V (Yt )
Los resultados obtenidos para el modelo AR(1) se pueden extender para el modelo AR(p). En
general, las funciones de prediccin de procesos autorregresivos puros, se obtendrn a partir de
o
a
reglas de cadena:
YT ( ) = 1 YT ( 1) + 2 YT ( 2) + 3 YT ( 3) + . . . + p YT ( p),
= 1, 2, 3, . . .
La funcin de prediccin de un proceso AR(1) utiliza la ultima observacin YT para obtener

o
o
o
la prediccin un periodo hacia adelante y luego, a partir de sta, se obtienen el resto de las
o
e
predicciones. En el caso de un autorregresivo de orden p autorregresivo de orden p, se utilizarn
a
las p ultimas observaciones para obtener las predicciones para
= 1, 2, . . . , p, y el resto se
obtienen a partir de las p primeras.
6.1.3.
Prediccin con modelos ARMA(p,q).

o
Consideremos un modelo ARM A(p, q) sencillo, el ARM A(1, 2):

Yt = + Yt1 + at 1 at1 2 at2
at RBN (0, 2 )
La media de este proceso no es cero si = 0 :

E(Yt ) =
92
t = 1, 2, . . .
(6.4)

a
SARRIKO-ON 4/09
Las predicciones por punto son:

YT +1
+ YT + aT +1 1 aT 2 aT 1
YT (1) = ET [YT +1 ] = ET [ + YT + aT +1 1 aT 2 aT 1 ] =
= + YT 1 aT 2 aT 1
YT +2
+ YT +1 + aT +2 1 aT +1 2 aT
YT (2) = ET [YT +2 ] = ET [ + YT +1 + aT +2 1 aT +1 2 aT ] =
= + YT (1) 2 aT
YT +3
+ YT +2 + aT +3 1 aT +2 2 aT +1
YT (3) = ET [YT +3 ] = ET [ + YT +2 + aT +3 1 aT +2 2 aT +1 ] =
= + YT (2)
YT ( ) = ET [YT + ] = + YT ( 1) > 2
La estructura de la funcin de prediccin es la siguiente. Las dos primeras predicciones dependen
o
o
de la ultima observacin YT (parte autorregresiva) y de los ultimos errores de prediccin un
o
periodo hacia adelante aT y aT 1 (parte medias mviles). Para > 2, la parte medias mviles
o
o
no aparece de forma expl
cita en la funcin de prediccin, y cada prediccin se va obteniendo de
o
o
o
las anteriores siguiendo una regla en cadena marcada por la parte autorregresiva. Esta funcin
o
se va acercando a la media del proceso conforme nos alejamos en el futuro:
YT (3) = + YT (2)
YT (4) = + YT (3) = + ( + YT (2)) = (1 + ) + 2 YT (2)
YT (5) = + YT (4) = + ((1 + ) + 2 YT (2)) = (1 + + 2 ) + 3 YT (2)
...
...
YT ( ) = + YT ( 1) = (1 + + 2 + . . . +
)+
YT (2)
de forma que como el modelo ARM A(2, 1) es estacionario, || < 1 y:

3
i =
l YT ( ) =
m
i=0
( = E(Yt ))
1
Para obtener la varianza del error de prediccin y, por lo tanto, las predicciones por intervalo,
o
se deriva la representacin medias mviles innita:
o
o
(1 L) Yt = (1 1 L 2 L2 ) at
Yt =
1 1 L 2 L2
at = (1 + 1 L + 2 L2 + 3 L3 + . . .) at
1 L
93
SARRIKO-ON 4/09
de donde:

a
1 1 L 2 L2
= 1 + 1 L + 2 L2 + 3 L3 + . . .
1 L
1 1 L 2 L2 = (1 L)(1 + 1 L + 2 L2 + 3 L3 + . . .)
e igualando coecientes:
L
1 L = (1 ) L
1 = 1
1 = 1
L2
2 L2 = (2 1 ) L2 2 = 2 1 2 = 1 2 = ( 1 ) 2
L3
0 L3 = (3 2 ) L3
...
...
Los pesos de la forma medias mviles

o
k=0
k=1
i =
k=2
k>2
0 = 3 2
3 = 2
innita son:
0 = 1
1 = 1
2 = 1 2 = ( 1 ) 2
k = k1
con estos pesos se pueden construir los intervalos de prediccin. Como el proceso ARM A(1, 2)
o
es estacionario, la amplitud de los intervalos ir creciendo conforme nos alejamos en el futuro
a
pero con una cota mxima dada por N/2 V (Yt ) .
a
6.1.4.
Predicciones con modelos estacionarios estimados
Habitualmente no se conoce el proceso que ha generado la serie temporal Yt por lo que hay que
estimarlo con los datos disponibles, obteniendo:
p (L) Yt = q (L) at
t = 1, 2, . . . , T
donde at son los residuos del modelo, pero tambin una estimacin del error de prediccin un
e
o
o
periodo hacia adelante.
Por ejemplo, en el caso del modelo (6.4), la funcin de prediccin estimada ser
o
o
a:

YT (1) = + YT 1 aT 2 aT 1
=1

YT ( ) =
=2
YT (2) = + YT (1) 2 aT

>2
YT ( ) = + YT ( 1)
94

a
SARRIKO-ON 4/09
Ejemplo 4.1. Modelo M A(2)

Yt = 10, 3 + at + 0, 67 at1 0, 31 at2
t = 1, 2, . . . , T
Funcin de prediccin:
o
o
YT ( ) =
=1
=2
YT (2) = 10, 3 0, 31 aT
>2
YT (1) = 10, 3 + 0, 67 aT 0, 31 aT 1
YT ( ) = 10, 3 ( = E(Yt ))
Todos los procesos medias mviles nitos son estacionarios y, como se puede observar en la gura
o
de la izquierda del grco 6.1, a partir de = 2 la funcin de prediccin permanece constante
a
o
o
en la media del proceso con una amplitud constante del intervalo de prediccin.
o
Grco 6.1: Proceso MA(2) versus Proceso AR(2)
a
16
10
14
12
10
AR(2)
AR(2)F
AR(2)F-2*SD
AR(2)F+2*SD
MA(2)
MA2F
MA2F+2*SD
MA2F-2*SD
3
70
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
70
75
80
85
90
95
00
05
10
15
20
25
30
35
40
45
50
Ejemplo 4.2. Modelo AR(2)

Yt = 2, 4 + 1, 33 Yt1 0, 69 Yt2 + at
Funcin de prediccin:
o
o
=1
=2
YT ( ) =
= 1, 2, 3, . . .
t = 1, 2, . . . , T
YT (1) = 2, 4 + 1, 33 YT 0, 69 YT 1
YT (2) = 2, 4 + 1, 33 YT (1) 0, 69 YT
YT ( ) = 2, 4 + 1, 33 YT ( 1) 0, 69 YT ( 2)
El proceso AR(2) es estacionario:

1 1, 33 L + 0, 69 L2 = 0
L1 , L2 =
1, 33
1, 33 0, 99
1, 33
1, 332 4 0, 69
0, 99
=
=
i = a bi
2 0, 69
1, 38
1, 38
1, 38
95
SARRIKO-ON 4/09

a
|L1 | = |L1 | =
a2
b2
1, 33
1, 38
0, 99
1, 38
1, 4486 = 1, 2 > 1
Por lo que la funcin de prediccin tiende a su media cuando nos alejamos en el futuro:
o
o
2, 4
=
= 6, 67
1 2
1 1, 33 + 0, 69
1
l YT ( ) = E(Yt ) =
m
Este resultado se puede observar claramente en la gura de la derecha del grco 6.1. La serie
a
presenta un comportamiento c
clico que se reeja en la funcin de prediccin que presenta un
o
o
ciclo amortiguado antes de dirigirse sistemticamente hacia la media del proceso.
a
Ejemplo 4.3. Modelo ARM A(1, 1)
Yt = 9, 3 + 0, 82Yt1 + at + 0, 62 at1
t = 1, 2, . . . , T

o
o
=1
YT (1) = 9, 3 + 0, 82 YT + 0, 62 aT
>2
YT ( ) =
YT ( ) = 9, 3 + 0, 82 YT ( 1)
Grco 6.2: Funcin de prediccin: ARMA(1,1) estacionario

a
o
o
65
65
60
60
55
55
50
50
45
45
40
40
ARMA(1,1)
ARMA11F
ARMA(1,1)
ARMA11F
ARMA11F+2* SD
ARMA11F-2* SD
35
ARMA11F+2*SD
ARMA11F-2*SD
35
60
65
70
75
80
85
90
95
00
05
10
60
65
70
75
80
85
90
95
00
05
10
15
20
25
30
Como el proceso es estacionario dado que cumple la condicin de que la ra del polinomio
o
z
autorregresivo es, en valor absoluto, mayor que la unidad,
1 0, 82 L = 0
L=
1
= 1, 22
0, 82
|L| = |1, 22| > 1
la funcin de prediccin tiende a su media cuando nos alejamos en el futuro:

o
o
l YT ( ) = E(Yt ) =
m
1
96
9, 3
= 51, 67
1 0, 82

a
SARRIKO-ON 4/09
En las guras del grco 6.2 se puede observar el comportamiento de la funcin de prediccin
a
o
o
por punto y por intervalo. Las ultimas observaciones se encuentran por debajo de la media lo que
lleva a que la funcin de prediccin parta de un valor inferior a la media estimada del proceso. De
o
o
forma que la trayectoria de la funcin de prediccin es creciente al principio para dirigirse hacia
o
o
la media del proceso donde se va estabilizando. Asimismo, se observa el comportamiento de los
intervalos de prediccin, de amplitud creciente al principio hasta estabilizarse con la varianza
o
del proceso.
6.2.
Prediccin con modelos no estacionarios.

o
La prediccin con modelos no estacionarios ARIM A(p, d, q) se lleva a cabo de la misma manera
o
que con los modelos estacionarios ARM A(p, q). El predictor por punto ptimo de YT + viene
o
dado por la esperanza condicionada al conjunto de informacin YT ( ) = ET [YT + ]. Para obtener
o
esta esperanza condicionada basta con escribir el modelo en forma de ecuacin en diferencias y
o
obtener las esperanzas condicionadas, sabiendo que:
ET [YT +j ] =
YT +j
j0
YT (j)
j>0
ET [aT +j ] =
aT +j
j0
j>0
Para construir los intervalos de prediccin,

o
1
YT ( ) N/2
V (eT ( ))
2
j
donde V (eT ( )) =
j=0
el modelo ha de estar escrito en forma M A() ya que j son los pesos del modelo ARIM A
escrito en forma medias mviles.
o
Para analizar las caracter
sticas de la funcin de prediccin para modelos no estacionarios
o
o
ARIM A(p, d, q), consideremos varios ejemplos sencillos.
Ejemplo 5.1. Modelo ARIM A(0, 1, 1).
Consideremos que la serie Yt ha sido generada por el siguiente modelo:
(1 L) Yt = (1 + L) at
Yt = Yt1 + at + at1
o
o
YT (1) = ET [YT +1 ] = YT + aT
YT (2) = ET [YT +2 ] = YT (1) = YT + aT
YT (3) = ET [YT +3 ] = YT (2) = YT (1) = YT + aT
.
.
.
.
.
.
YT ( ) = ET [YT + ] = YT ( 1) = YT + aT
97
= 1, 2, 3, . . .
SARRIKO-ON 4/09

a
Por lo tanto, la funcin de prediccin es una l

o
o
nea horizontal: pasa por la prediccin un periodo
o
hacia adelante, YT (1) , que depende del conjunto de informacin a travs de YT y aT y del
o
e
parmetro del modelo, , y permanece all conforme crece.
a
En el caso del modelo de paseo aleatorio, como = 0 , la funcin de prediccin es:

o
o
YT ( ) = ET [YT + ] = YT
= 1, 2, 3, . . .
Por lo tanto, las predicciones ptimas vienen dadas por la ultima observacin independienteo
o
mente del horizonte de prediccin (vese la gura izquierda del grco 6.3).
o
a
a
Se puede demostrar que si la serie Yt ha sido generada por un proceso integrado de orden 1, de
forma que se puede representar mediante un modelo ARIM A(p, 1, q) sin trmino independiente
e
( = 0), la funcin de prediccin cuando , tiende a una constante:
o
o
YT ( )
KT
Hay que tener en cuenta que K T no es la media del proceso porque como no es estacionario
no tiene una media hacia dnde ir, sino que es una constante que depende del conjunto de
o
informacin y de los parmetros AR y M A del modelo.
o
a
Obtengamos la funcin de prediccin para un proceso integrado de orden 1 con constante, por
o
o
ejemplo, el modelo de paseo aleatorio con deriva (4.5).
YT (1) = ET [YT +1 ] = YT +
YT (2) = ET [YT +2 ] = YT (1) + = YT + 2
YT (3) = ET [YT +3 ] = YT (2) + = YT + 3
.
.
.
.
.
.
YT ( ) = ET [YT + ] = YT ( 1) + = YT +
= 1, 2, 3, . . .
La funcin de prediccin es una linea recta de pendiente (vese la gura derecha del grco 6.3).
o
o
a
a
Se puede demostrar que si la serie Yt ha sido generada por un proceso integrado de orden 1, de
forma que se puede representar mediante un modelo ARIM A(p, 1, q) con trmino independiente
e
( = 0), la funcin de prediccin tiende a una l
o
o
nea recta cuando ,
YT ( )
KT +
La pendiente de la funcin de prediccin viene dada por la constante y el intercepto, K T ,

o
o
depende del conjunto de informacin y de los parmetros del modelo.
o
a
En lo que se reere a la prediccin por intervalo para modelos no estacionarios, las guras
o
del grco 6.3 muestran como la amplitud de los intervalos de prediccin para los modelos
a
o
ARIM A(p, d, q) crece indenidamente conforme el horizonte de prediccin se hace mayor. Hay
o
que tener en cuenta que cuando el proceso no es estacionario el l
mite l V [eT ( )] no
m
existe.
98

a
SARRIKO-ON 4/09
Grco 6.3: Modelos ARIMA: Funciones de prediccin.

a
o
30
P.A.
P.A.F
P.A.D.
P.A.D.F
P.A.F+2*SD
P.A.F-2*SD
P.A.D.+2*SD
P.A.D.-2*SD
150
20
10
100
50
-10
-20
-30
1760
1110 1120 1130 1140 1150 1160 1170 1180 1190 1200 1210 1220 1230 1240 1250 1260 1270 1280 1290 1300
1780
1800
1820
1840
1860
1880
1900
1920
1940
1960
1980
2000
2020
2040
Para calcular la V [eT ( )] de un modelo no estacionario ARIM A(p, d, q) es necesario escribir

el modelo en forma M A(). Pongamos como ejemplo el modelo de paseo aleatorio (4.4) que,
escrito en forma M A() queda como sigue:
Yt = at + at1 + at2 + at3 + . . .
de forma que
j = 1 j
La varianza del error de prediccin es:

o
0
V [eT (1)] =
2
j = 2
j=0
1
V [eT (2)] = 2
2
j = 2 (1 + 1) = 2 2
j=0
2
V [eT (3)] = 2
2
j = 2 (1 + 1 + 1) = 3 2
j=0
.
.
.
.
.
.
1
V [eT ( )] = 2
2
j = 2 (1 + 1 + ... + 1) =
= 1, 2, 3, . . .
j=0
que no tiene l
mite nito.
Por ultimo, considerando el caso de procesos integrados de orden 2, ARIM A(p, 2, q), su funcin
o
de prediccin nal toma la forma:
o
YT ( )
T
T
K1 + K2
Es decir, conforme el horizonte de prediccin aumenta y nos alejamos en el futuro la funcin

o
o
T
T
de prediccin tiende a una l
o
nea recta donde tanto el intercepto, K1 , como la pendiente, K2 ,
dependen del conjunto de informacin y de los parmetros del modelo. Por lo tanto, aunque la
o
a
99
SARRIKO-ON 4/09

a
estructura de esta funcin de prediccin es la misma que la de los modelos ARIM A(p, 1, q) con
o
o
trmino independiente (por ejemplo, la funcin de prediccin del paseo aleatorio con deriva),
e
o
o
esta funcin de prediccin es ms exible.
o
o
a
100
Cap
tulo 7
Modelos ARIMA estacionales
Muchas series econmicas si se observan varias veces a lo largo del ao, trimestral o mensualo
n
mente, presentan comportamiento estacional. Este tipo de comportamiento puede ser debido
a factores metereolgicos, tales como la temperatura, pluviosidad, etc. que afectan a muchas
o
actividades econmicas como el turismo; a costumbres sociales como las Navidades que estn
o
a
muy relacionadas con cierto tipo de ventas como juguetes; a fenmenos sociales como el caso del
o
ndice de produccin industrial que en este pa desciende considerablemente todos los aos el
o
s
n
mes de agosto debido a las vacaciones, etc.
A la hora de elaborar el modelo ARIMA adecuado para una serie temporal se ha de tener en
cuenta el comportamiento estacional, si lo hubiere, porque implica que la observacin de un mes
o
y observacin del mismo mes del ao anterior tienen una pauta de comportamiento similar por lo
o
n
que estarn temporalmente correlacionadas. Por lo tanto, el modelo de series temporales ARIMA
a
apropiado para este tipo de series deber recoger las dos clases de dependencia intertemporal
a
que presentan, a saber
la relacin lineal existente entre observaciones sucesivas (comportamiento tendencial o
o
regular) y
o
n
la relacin lineal existente entre observaciones del mismo mes en aos sucesivos (comportamiento estacional).
El objetivo de este tema es extender los modelos ARIMA estudiados en los cap
tulos 3 y 4 para
las series con comportamiento estacional.
Supongamos que la serie Yt presenta un componente estacional y se especica un modelo
ARIM A(p, d, q) general:
p (L) Yt = q (L) at
Para recoger las dos estructuras de correlacin anteriormente mencionadas, la regular y la estao
cional, bastar con aadir al modelo los retardos de Yt y at necesarios. As si la serie estacional
a
n
,
es mensual y se quiere representar, adems de la dependencia entre observaciones consecutivas,
a
la autocorrelacin entre observaciones del mismo mes separadas un ao, dos aos, etc. ser neceo
n
n
a
sario incluir en el modelo retardos hasta de orden 12, 24, etc. con lo que esto supone de aumento
en el nmero de los parmetros del modelo. As por ejemplo, un modelo sencillo para una serie
u
a
,
estacional, un ARM A(12, 12), contiene 24 parmetros desconocidos. Como se ha discutido en
a
el cap
tulo 5, uno de los criterios que se ha de seguir al construir un modelo ARIM A es el de
101
SARRIKO-ON 4/09

a
parsimonia, es decir, buscar el modelo ms sencillo y con el menor nmero de parmetros posible
a
u
a
que reproduzca las caracter
sticas de la serie. Por lo tanto, en este cap
tulo se derivarn modelos
a
capaces de recoger el comportamiento estacional pero con un nmero pequeo de parmetros,
u
n
a
es decir, ms parsimoniosos.
a
Antes de especicar un modelo apropiado, dentro del marco ARIM A, para una serie con tendencia y estacionalidad comenzaremos por estudiar las caracter
sticas de la dependencia lineal
estacional a travs de unos modelos muy sencillos, los modelos estacionales puros.
e
7.1.
Modelos estacionales puros
Se entiende por modelo estacional puro aquel que recoge unicamente relaciones lineales entre
observaciones del mismo mes para aos sucesivos, es decir, entre observaciones separadas s pen
riodos o mltiplos de s, donde s = 4 si la serie es trimestral y s = 12 si la serie es mensual. Por
u
lo tanto, en estos modelos, para simplicar, se parte del supuesto de que no existe estructura
regular, es decir, correlacin entre observaciones consecutivas. Como este supuesto es poco reao
lista, este tipo de modelos no va a ser muy util en la prctica pero su estudio permitir identicar
a
a
en qu retardos de la funcin de autocovarianzas y/o autocorrelacin se reeja la estructura de
e
o
o
tipo estacional de una serie. Se denotarn, en general, ARM A(P, Q)s , donde P es el orden del
a
polinomio autorregresivo estacionario y Q es el orden del polinomio medias mviles invertible.
o
Vamos a analizar las caracter
sticas de los modelos estacionales puros espec
cos para un proceso
Yt estacionario y con estacionalidad trimestral, s = 4.
Modelo M A(1)4
Yt = (1 L4 ) at
Yt = at at4
En este proceso, el valor de Y en el momento t depende de la perturbacin contempornea y

o
a
de la perturbacin del mismo trimestre del ao anterior. Como este proceso es un modelo de
o
n
medias mviles nito es estacionario para cualquier valor de y su media es cero. El proceso
o
ser invertible si y solo si las cuatro ra del polinomio de medias mviles tienen modulo fuera
a
ces
o
del c
rculo unidad.
Las autocovarianzas vienen dada por:
0 = V (Yt ) = E[Yt ]2 = E[at at4 ]2 = (1 + 2 ) 2
1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(at at4 )(at1 at5 )] = 0
k = Cov(Yt Ytk ) = E[Yt Ytk ] = E[(at at4 )(atk at4k )] = 0, k > 4
Por lo tanto, la funcin de autocovarianzas y la funcin de autocorrelacin son las siguientes:
o
o
o
102

a
Retardo
SARRIKO-ON 4/09
FACV
FAC
k=0
0 = (1 + 2 ) 2
0 = 1
k=4
4 = 2
4 =
k=4
k = 0
k = 0
(1 + 2 )
Se puede observar que, como para todo modelo de medias mviles nito, la funcin de autocorreo
o
lacin se trunca y se hace cero a partir de un determinado retardo. Como el orden de la media
o
mvil es uno, solo un coeciente de autocorrelacin es distinto de cero y el resto son nulos, pero
o
o
como la estructura de correlacin temporal es estacional, este coeciente de autocorrelacin no
o
o
nulo es el asociado a k = s = 4 (vese el grco 7.1). Denominemos retardos estacionales a
a
a
los asociados con s y mltiplos de s: k = s, 2s, 3s, . . . ., para distinguirlos as de la estructura
u
regular, existente entre las observaciones sucesivas y que se reeja fundamentalmente para los
retardos ms cortos: k = 1, 2, 3, . . . . Por lo tanto, la estructura de la funcin de autocorrelacin
a
o
o
de un M A(1)4 es la siguiente: funcin truncada en el primer retardo estacional.
o
Grco 7.1: Funcin de autocorrelacin. Modelo M A(1)4
a
o
o
1
Parmetro MA = 0,7
0,8
Parmetro MA = -0,7
0,8
0,6
0,6
0,4
0,4
0,2
0,2
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
Generalizando el resultado obtenido para el modelo M A(1)4 , se puede demostrar que la estructura de la funcin de autocorrelacin para un modelo de medias mviles, M A(Q)s :
o
o
o
Yt = Q (Ls ) at = (1 1 Ls 2 L2s . . . Q LQs ) at
Yt = at + 1 ats + 2 at2s + . . . + Q atQs
es como sigue:
k=0
k = s, 2s, . . . , Qs
k =
k = s, 2s, . . . , Qs
0 = 1
k = 0
k = 0
Es decir, un proceso de medias mviles de orden Q, tendr Q coecientes de autocorrelacin

o
a
o
diferentes de cero, correspondientes a los Q primeros retardos estacionales, k = s, 2s, . . . , Qs, y
el resto son cero. La funcin de autocorrelacin es, por lo tanto, nita, truncndose a partir del
o
o
a
Q-simo retardo estacional, es decir, para k = Qs .
e
103
SARRIKO-ON 4/09

a
Modelo AR(1)4 :
(1 L4 ) Yt = at
Yt = Yt4 + at
En este proceso, el valor de Y en el momento t depende de la perturbacin contempornea

o
a
y del valor pasado de la serie Y en el mismo trimestre del ao anterior. Como es un modelo
n
autorregresivo nito es invertible para cualquier valor de y su media es cero. El proceso
ser estacionario s y solo s las cuatro ra
a
ces del polinomio autorregresivo tienen modulo fuera

del c
rculo unidad.
Las autocovarianzas son:
0 = V (Yt ) = E[Yt ]2 = E[Yt4 + at ]2 = 2 0 + 2 =
2
1 2
1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(Yt4 + at )Yt1 ] = 0

8 = Cov(Yt Yt8 ) = E[Yt Yt8 ] = E[(Yt4 + at )Yt8 ] = 4 = 2 0
... = ...
De lo que se deduce que la funcin de autocovarianzas y, como consecuencia, la funcin de
o
o
autocorrelacin son:
o
Retardo
FACV
FAC
k = 4.j, j = 1, 2, . . .
2
1 2
k = k/4 0
k = k/4
k = 4.j, j = 1, 2, . . .
k = 0
k = 0
k=0
0 =
0 = 1
La funcin de autocorrelacin es, por lo tanto, innita y decrece como una funcin exponencial
o
o
o
del parmetro , siendo nulos los coecientes de autocorrelacin asociados a valores de k no
a
o
estacionales, k = j4. Como se puede observar en el grco 7.2 si el parmetro es positivo, todos
a
a
los coecientes de autocorrelacin no nulos son positivos, mientras que si es negativo los
o
coecientes van alternando de signo.
El modelo AR(P )s , P (Ls ) Yt = at , se puede escribir en forma extendida como:
Yt = 1 Yts + 2 Yt2s + . . . + P YtP s + at
104

a
SARRIKO-ON 4/09
Grco 7.2: Funcin de autocorrelacin. Modelo AR(1)4

a
o
o
1
Parmetro AR = 0,7
0,8
Parmetro AR = - 0,7
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
A partir de los resultados para el modelo AR(1)s se puede generalizar que su funcin de autoo
correlacin es innita y decrece exponencialmente o en forma onda seno-coseno amortiguada,
o
pero con valores no nulos unicamente para los retardos estacionales, k = s, 2s, 3s, . . . .
Modelo ARM A(1, 1)4 .

(1 L4 ) Yt = (1 L4 ) at
Yt = Yt4 + at at4
En los procesos generados por este modelo ARMA estacional puro el valor de Y en el momento
t depende del valor pasado de Y del mismo trimestre del ao anterior, de la perturbacin
n
o
contempornea y su retardo correspondiente al mismo trimestre de hace un ao. Este modelo
a
n
ser estacionario cuando las cuatro ra del polinomio autorregresivo tengan mdulo fuera del
a
ces
o
c
rculo unidad y ser invertible cuando las cuatro ra del polinomio de medias mviles tengan
a
ces
o
mdulo fuera del c
o
rculo unidad.
Es fcil demostrar que la media de este proceso estacionario es cero y sus autocovarianzas
a
0 = V (Yt ) = E[Yt ]2 = E[Yt4 + at at4 ]2 =
= 2 0 + 2 + 2 2 2 2
0 =
2 (1 + 2 2)
1 2
1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(Yt4 + at at4 )Yt1 ] = 0

4 = Cov(Yt Yt4 ) = E[Yt Yt4 ] = E[(Yt4 + at at4 )Yt4 ] = 0 2
6 = Cov(Yt Yt6 ) = E[Yt Yt6 ] = 7 = Cov(Yt Yt7 ) = E[Yt Yt7 ] = 0
... = ...
105
SARRIKO-ON 4/09

a
De donde se deducen la funcin de autocovarianzas y de autocorrelacin siguientes:

o
o
Retardo
FACV
FAC
(1 + 2 2) 2
1 2
0 = 1
k=0
0 =
k=4
4 = 0 2
4 =
k = 4.j, j = 2, 3, . . .
k = k4
k = k4
k = 4.j, j = 1, 2, . . .
k = 0
k = 0
( )(1 )
1 + 2 2
En el grco 7.3 se representan las funciones de autocorrelacin para los siguientes modelos
a
o
ARM A(1, 1)4 :
(A) Yt = 0, 7 Yt4 + at + 0, 4 at4
(B) Yt = 0, 3 Yt4 + at 0, 8 at4
Grco 7.3: Funcin de autocorrelacin. Modelos ARM A(1, 1)4

a
o
o
1,2
Modelo A
Modelo B
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
0
1
10
11
12
13
14
15
16
17
18
19
20
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
En ambas guras de este grco se observa que la funcin es innita y decrece exponencialmente
a
o
tomando valores no nulos unicamente en los retardos estacionales. La estructura que puede tomar
esta FAC innita es ms compleja que la del AR(1)4 porque el primer coeciente estacional de la
a
FAC depende tanto de la parte autorregresiva como medias mviles del modelo. Luego, a partir
o
del segundo retardo estacional la trayectoria de la FAC depende slo de la parte autorregresiva.
o
Por eso, podemos tener FAC con todos los coecientes positivos o todos negativos, o alternando
de signo.
A partir de estos resultados se puede generalizar que la funcin de autocorrelacin de un modelo
o
o
ARM A(P, Q)s :
(1 P Ls ) Yt = (1 Q Ls ) at
(1 1 Ls 2 L2s . . . P LP s ) Yt = (1 1 Ls 2 L2s . . . Q LQs ) at
Yt = 1 Yts + 2 Yt2s + . . . + P YtP s + at 1 ats + 2 at2s + . . . + Q atQs
106

a
SARRIKO-ON 4/09
La FAC de este modelo es innita y decrece exponencialmente pero con valores no nulos unica
mente para los retardos estacionales, k = s, 2s, . . . . Los Q primeros coecientes de autocorrelacin k , k = s, 2s, 3s, . . . , Qs dependen de los parmetros autorregresivos y de medias mviles;
o
a
o
a partir de k = s(Q + 1) las autocorrelaciones se derivan de la estructura autorregresiva exclusivamente, por lo que decrecern exponencialmente o en forma de onda seno-coseno amortiguada
a
dependiendo de si las s ra del polinomio autorregresivo (1 P Ls ) son reales o complejas.
ces
En lo que se reere a la estructura de la funcin de autocorrelacin parcial de los modelos estao
o
cionales puros que estamos estudiando es anloga a la estudiada en el cap
a
tulo 3 para los modelos
ARM A(p, q) no estacionales, pero en estos modelos aparece slo en los retardos estacionales.
o
As se puede demostrar que la FACP de un modelo AR(P )s es nita, toma valores no nulos
,
unicamente en los P primeros retardos estacionales, es decir, y se trunca a partir de k = P s . La
FACP de un modelo M A(Q)s es innita y decrece exponencialmente tomando valores no nulos

unicamente para los retardos no estacionales. Por ultimo, la FACP de un modelo ARM A(P, Q)s
ser tambin innita con valores no nulos slo en los retardos estacionales y tal que los coeciena
e
o
tes de autocorrelacin parcial, pk , asociados a los P primeros retardos estacionales dependen de
o
los parmetros autorregresivos y de medias mviles y a partir de k = (P + 1)s , su estructura
a
o
depender de la parte de medias mviles.
a
o
Por lo tanto, podemos concluir que la estructura estacional, es decir, la dependencia temporal
de las observaciones separadas por un ao, aparece exclusivamente en los coecientes de auton
correlacin simple y parcial asociados a los retardos estacionales, k = s, 2s, 3s, . . ., siendo nulos
o
para el resto de los valores k = s, 2s, 3s, . . ..
7.2.
Modelos ARMA estacionales no estacionarios
Hasta el momento hemos supuesto que la serie Yt es estacionaria, quizs tras algn tipo de
a
u
transformacin. En la prctica, dado que por estacionalidad entendemos una pauta regular de
o
a
comportamiento c
clico de periodo 1 ao de la serie que implica que, en promedio, cada mes
n
tiene un comportamiento diferente, las series estacionales suelen presentar problemas de falta
de estacionariedad en media o lo que es lo mismo cambios sistemticos en el nivel de la serie.
a
Si la estacionalidad fuese siempre exactamente peridica, St = Sts se podr eliminar de la serie
o
a
como un componente determinista previamente estimado (especicado, por ejemplo, en funcin
o
de variables cticias estacionales). Ahora bien, este esquema estacional es muy r
gido porque
exige que los factores estacionales estacionales permanezcan constantes a lo largo del tiempo.
Sin embargo, la mayor de las series no se comportan de una forma tan regular y, en general,
a
el componente estacional ser estocstico y estar correlacionado con la tendencia. Por lo tanto,
a
a
a
un esquema de trabajo ms exible es suponer que la estacionalidad es slo aproximadamente
a
o
constante y que evoluciona estocsticamente:
a
Yt = St + t
con
St = Sts + t
donde t es un proceso estocstico estacionario.

a
Para solucionar la no estacionariedad en media que genera el comportamiento estacional, se
toman diferencias entre observaciones separadas s periodos, que llamaremos diferencias estacio107
SARRIKO-ON 4/09

a
nales:
s Yt = (1 Ls ) Yt = St + t Sts ts = t + t ts
de forma que s Yt M A(1)s estacionario e invertible.
En conclusin, el operador s convierte un proceso estacional no estacionario en estacionario, de
o
forma anloga a como de un proceso no estacionario en media obten
a
amos una serie estacionaria
aplicando el operador de diferencias de orden 1 o regular, (1 L).
La formulacin general de un modelo para una serie estacional pura no estacionaria es:
o
P (Ls ) D Yt = Q (Ls ) at
s
(7.1)
En teor D, el nmero de las diferencias estacionales que se han de aplicar para convertir a la
a,
u
serie en estacionaria, puede tomar cualquier valor dependiendo de las caracter
sticas de la serie,
aunque en la prctica nunca es superior a 1.
a
El modelo (7.1) es un modelo estacional puro que se denomina ARIM A(P, D, Q)s , donde P
es el orden del polinomio autorregresivo estacional estacionario, Q es el orden del polinomio
medias mviles estacional estacionario y D es el nmero de diferencias estacionales (1 Ls )
o
u
que es necesario aplicar a la serie Yt para que sea estacionaria, es decir, el orden de integracin
o
estacional de la serie. De hecho, si la serie Yt sigue el modelo (7.1) se dice que es integrada
estacional de orden D , Yt I(D)s .
El modelo (7.1) no es estacionario, no tiene una media constante y, al igual que para los modelos
lineales no estacionarios en la parte regular, su funcin de autocorrelacin no va a decrecer
o
o
rpidamente hacia cero, sino lentamente.
a
En el grco 7.4 se representan dos series de 100 observaciones, as como sus correspondientes
a
correlogramas, generadas a partir de los siguientes modelos:

(A)
Yt = at 0, 4 at4
(B) (1 L4 ) Yt = at 0, 4 at4
Aunque ambos modelos representan series con estructura de dependencia temporal entre observaciones separadas un ao, el modelo (A) es un M A(1)4 estacionario y el modelo (B) es
n
un ARIM A(0, 1, 1)4 , lo que implica que la serie Yt no es estacionaria y hay que tomar una
diferencia estacional de orden 4 para transformarla en estacionaria.
El hecho de que la estructura estacional sea estacionaria o no se reeja en las caracter
sticas de
cada proceso mostradas en las guras del grco 7.4. En cuanto a las realizaciones de ambos
a
procesos, ambas oscilan en torno a una media constante con un comportamiento c
clico de
periodo anual. Pero mientras, la evolucin c
o clica estacionaria del modelo (A) es ms irregular y
a
aleatoria, la mostrada por el modelo (B) es ms persistente y sistemtica, reejando claramente
a
a
el hecho de que cada mes tiene una media diferente. Analizando los correlogramas se puede
concluir que el correspondiente al modelo (A) decrece rpidamente hacia cero como corresponde
a
a un modelo estacionario (de hecho se trunca en el retardo 4, primer retardo estacional), mientras
que si nos jamos en los coecientes asociados a los retardos estacionales del correlograma del
modelo (B), se observa que decrecen muy lentamente. Adems, la no estacionariedad del ciclo
a
estacional hace que la estructura c
clica sistemtica de la serie se reproduzca en el correlograma,
a
108

a
SARRIKO-ON 4/09
apareciendo correlaciones negativas en los retardos js/2, j = 1, 2, . . . que decrecen lentamente

y recogen la relacin lineal inversa entre los valles y los picos del ciclo, etc.
o
Grco 7.4: Modelos estacionales estacionarios vs. no estacionarios
a
45
52
Modelo B
Modelo A
43
41
39
42
37
35
33
32
31
29
27
:3
:4
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
94
95
19
19
94
19
92
93
19
19
91
19
90
91
19
19
89
19
88
88
19
87
19
19
85
86
19
19
84
85
19
19
83
19
82
82
19
19
81
19
79
80
19
19
79
19
77
78
19
19
76
19
76
75
19
:2
:1
73
74
19
19
19
:3
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-0,4
7.3.
73
:4
0,6
0,4
19
:1
0,8
0,6
72
71
70
0,8
19
19
19
:3
70
19
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
95
94
19
19
94
19
92
93
19
19
91
19
90
91
19
19
89
88
19
19
88
19
87
86
19
19
85
19
84
85
19
19
83
19
82
82
19
19
81
19
79
80
19
79
19
19
77
78
19
19
76
76
19
19
75
19
73
74
19
19
73
19
71
70
70
72
19
19
19
19
:4
22
:1
25
-1
Modelos ARIMA estacionales multiplicativos
En general, las series econmicas adems del componente estacional, presentan otros componeno
a
tes, como tendencia, etc. de los que, por otro lado, el componente estacional no es independiente.
Se trata de proponer un modelo ARIM A que recoja no solo las relaciones entre periodos (aos)
n
sino tambin las relaciones dentro de los periodos (intranuales) y la interaccin entre ambas
e
o
estructuras.
Consideremos una serie estacional Yt con periodo s conocido, por ejemplo, una serie mensual
observada durante N aos, de forma que en total contamos con T = 12N observaciones. Si
n
la serie es estacional podemos dividirla en 12 subseries, una por mes, de N observaciones que
denotaremos:
(1)
(2)
(3)
(12)
y , y , y , . . . , y ,
= 1, 2, . . . , N
La relacin entre estas subseries y la serie de partida es:
o
(j)
y = Yj+12( 1) = Yt
= 1, 2, . . . , N
j = 1, 2, . . . , 12
(7.2)
Cada una de estas doce subseries no presenta comportamiento estacional por lo que podemos
representarlas mediante los modelos ARIM A(p, d, q) derivados en el cap
tulo 4. Supongamos
(j)
que el modelo ARIM A adecuado para las doce subseries y es el mismo:
(j)
(1 1 L . . . p Lp ) (1 L)D y = (1 1 L . . . q Lq ) u(j) = 1, 2, . . . , N (7.3)
109
SARRIKO-ON 4/09

a
Si hay estacionalidad en la serie de partida Yt se cumple que D 1. Notse que si D = 0 y, por

e
(j)
lo tanto, las series y fueran estacionarias, todos los modelos (7.3), al ser el mismo, tendr
an
la misma media, lo que es incompatible con el supuesto de estacionalidad que implica que la
(j)
media de cada mes, o sea de cada subserie y , j = 1, 2, . . . , 12 , es diferente.
Los modelos para las doce subseries, al ser todos iguales, se pueden escribir conjuntamente en
funcin de la serie de partida Yt , teniendo en cuenta que, dada la relacin (7.2):
o
o
(j)
(j)
L y = y 1 = Yj+12( 2) = Yj12+12( 1) = L12 Yj+12( 1)
(j)
Lo que implica que aplicar el operador L a y

serie original Yj+12( 1) .
es equivalente a aplicar el operador L12 a la
Adems habr que denir una serie de ruido comn para las doce subseries, t , asignando a
a
a
u
cada mes t el ruido del modelo univariante correspondiente a dicho mes. En consecuencia, t se
(j)
obtendr a partir de las doce subseries u como sigue:
a
u(j) = j+12( 1)
= 1, 2, . . . , N
Aplicando ambos resultados al modelo (7.3), se obtiene el modelo conjunto para toda la serie
mensual, Yt :
(j)
(1 1 L12 . . . p L12p ) (1L12 )D y = (1 1 L12 . . . q L12q ) t ,
t = 1, 2, . . . , 12N
(j)
Para cada uno de los modelos (7.3) las series u son, por construccin, ruido blanco, pero la
o
serie conjunta, t , t = 1, 2, . . . , T , no tiene por qu serlo, en general, ya que la mayor de las
e
a
veces existir dependencia entre las observaciones contiguas que, como no ha sido todav tenida
a
a
en cuenta, quedar recogida en esta serie de ruido. Es lo que se denomina estructura regular o
a
estructura asociada a los intervalos naturales de medida de la serie (meses en nuestro caso).
Suponiendo que t sigue el modelo ARIM A no estacional siguiente:
p (L) (1 L)d t = q (L) at
at RBN (0, 2 )
Sustituyendo este modelo en el general para Yt se obtiene el modelo completo para la serie
observada:
P (Ls ) p (L) d D Yt = q (L) Q (Ls ) at
(7.4)
s
donde p (L) y q (L) son los polinomios autorregresivos y medias mviles de la parte regular y d
o
es el orden de integracin de la parte regular; mientras que P (L) y Q (L) son los polinomios
o
autorregresivos y medias mviles de la parte estacional y D es el orden de integracin de la parte
o
o
estacional.
Los modelos ARIMA estacionales multiplicativos, ARIM A(p, d, q) (P, D, Q)s . Estos modelos
son exibles en el sentido de que especican estacionalidades estocsticas, tendencias estocsticas
a
a
y adems recogen la posible interaccin entre ambos componentes.
a
o
Esta clase de modelos, como hemos visto, se basa en la hiptesis central de que la relacin de deo
o
pendencia estacional es la misma para todos los periodos. Este supuesto no se tiene por qu cume
plir siempre pero, de todas maneras, estos modelos son capaces de representar muchos fenmenos
o
110

a
SARRIKO-ON 4/09
estacionales que encontramos en la prctica de una forma muy simple. Supongamos, por ejemplo,
a
que Yt es una serie estacional mensual que sigue el siguiente modelo ARIM A(0, 1, 1)(0, 1, 1)12 ,
denominado Modelo de L
neas Areas y que es muy utilizado en la prctica,
e
a
12 Yt = (1 1 L) (1 12 L12 ) at = (1 1 L 12 L12 + 1 12 L13 ) at
Notse que este modelo para la transformacin estacionaria, es un M A(13) con restricciones, de
e
o
forma que solo contiene dos parmetros desconocidos, en vez de los trece de un M A(13) general.
a
Lo que muestra que los modelos ARIM A(p, d, q) (P, D, Q)s son modelos muy parsimoniosos.
A continuacin, se derivan las caracter
o
sticas de algunos modelos sencillos bajo el supuesto de
que Yt es una serie trimestral con comportamiento estacional y estacionaria, posiblemente trs
a
aplicar los operadores de diferencias oportunos.
Modelo ARM A(0, 1) (0, 1)4 .
Sea Yt un proceso estocstico estacionario de media cero que sigue el modelo:
a
Yt = (1 1 L)(1 4 L4 )at
Yt = at 1 at1 4 at4 + 1 4 at5
que se puede considerar la transformacin estacionaria del Modelo de L
o
neas Areas para una
e
serie trimestral.
La media es cero y sus autocovarianzas son:
0 = V (Yt ) = E[Yt 0]2 = E[at 1 at1 4 at4 + 1 4 at5 ]2
2
2
2
= (1 + 1 + 2 + 1 2 ) 2 = (1 + 1 ) (1 + 2 ) 2
4
4
4
1 = Cov(Yt Yt1 ) = E[(Yt 0) (Yt1 0)] =

= E[(at 1 at1 4 at4 + 1 4 at5 )(at1 1 at2 4 at5 + 1 4 at6 )]
= (1 1 2 ) 2 = 1 (1 + 2 ) 2
4
4
2 = Cov(Yt Yt2 ) = E[(Yt 0) (Yt2 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 ) (at2 1 at3 4 at6 + 1 4 at7 )] = 0
3 = Cov(Yt Yt3 ) = E[(Yt 0) (Yt3 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 ) (at3 1 at4 4 at7 + 1 4 at8 )]
= 1 4 2
4 = Cov(Yt Yt4 ) = E[(Yt 0) (Yt4 0)] =
2
2
= (4 1 4 ) 2 = 4 (1 + 1 ) 2
111
SARRIKO-ON 4/09

a
5 = Cov(Yt Yt5 ) = E[(Yt 0) (Yt5 0)] =

= 1 4 2
k = Cov(Yt Ytk ) = E[(Yt 0) (Ytk 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 )
(atk 1 atk1 4 atk4 + 1 4 atk41 )] = 0
k > 5
Las funciones de autocovarianzas y la de autocorrelacin son:

o
Retardo
FACV
FAC
k=0
2
0 = (1 + 1 )(1 + 2 ) 2
4
0 = 1
k=1
1 = 1 (1 + 2 ) 2
4
1 =
k=2
2 = 0
2 = 0
k=3
3 = 1 4 2
3 =
1 4
2
(1 + 1 )(1 + 2 )
4
k=4
2
4 = 4 (1 + 1 ) 2
4 =
4
1 + 2
4
k=5
5 = 1 4 2
5 =
1 4
2
(1 + 1 )(1 + 2 )
4
k>5
k = 0
k = 0
1
2
1 + 1
Modelo ARM A(1, 0) (0, 1)4 .

Sea Yt un proceso estocstico estacionario que sigue el modelo:
a
(1 L) Yt = (1 4 L4 ) at
Yt = Yt1 + at 4 at4
La media es cero y su varianza es:

0 = V (Yt ) = E[Yt 0]2 = E[ Yt1 + at 4 at4 ]2
= 2 0 + 2 (1 + 2 ) 2 4 E(Yt1 at4 )
4
Es necesario calcular la covarianza entre at4 e Yt1 :
E(Yt1 at4 ) = E[ Yt2 + at1 4 at5 ] at4 = E(Yt2 at4 )
112

a
SARRIKO-ON 4/09

E(Yt4 at4 ) = E[ Yt5 + at4 4 at8 ] at4 = 2
Por lo que,
E(Yt1 at4 ) = 3 2
y la varianza del proceso es:
0 =
2 (1 + 2 2 4 4 )
4
1 2
El resto de las autocovarianzas vienen dadas por:

1 = Cov(Yt Yt1 ) = E[(Yt Yt1 )] = E[( Yt1 + at 4 at4 ) Yt1 ] = 0 4 3 2
2 = Cov(Yt Yt2 ) = E[(Yt Yt2 )] = E[( Yt1 + at 4 at4 ) Yt2 ] = 1 4 2 2
3 = Cov(Yt Yt3 ) = E[(Yt Yt3 )] = E[( Yt1 + at 4 at4 ) Yt3 ] = 2 4 2
4 = Cov(Yt Yt4 ) = E[(Yt Yt4 )] = E[( Yt1 + at 4 at4 ) Yt4 ] = 3 4 2
5 = Cov(Yt Yt5 ) = E[(Yt Yt5 )] = E[( Yt1 + at 4 at4 ) Yt5 ] = 4
k = Cov(Yt Ytk ) = E[(Yt Ytk )] = E[( Yt1 + at 4 at4 ) Ytk ] = k1
y las funciones de autocovarianzas y de autocorrelacin son:
o
Retardo
FACV
FAC
2 (1 + 2 2 4 4 )
4
1 2
k=0
0 =
k=1
1 = 0 4 3 2
k=2
2 = 1 4 2 2
k=3
3 = 2 4 2
k=4
4 = 3 4 2
4 = 3
k5
k = k1
k = k1
113
0 = 1
1 =
4 3 2
0
4 2 2
0
4 2
3 = 2
0
2 = 1
4 2
0
k 5
SARRIKO-ON 4/09

a
Modelo ARM A(0, 1) (0, 2)4 .

Sea Yt un proceso estocstico estacionario que sigue el modelo:
a
Yt = (1 1 L)(1 4 L4 8 L8 )at
Yt = at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9
La media es cero y sus autocovarianzas son:
0 = V (Yt ) = E[Yt 0]2 = E[at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ]2
2
2
2
2
= (1 + 1 + 2 + 2 + 1 2 + 1 2 ) 2 = (1 + 1 ) (1 + 2 + 2 ) 2
4
8
4
8
4
8
1 = Cov(Yt Yt1 ) = E[(Yt 0) (Yt1 0)] =

= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at1 1 at2 4 at5 8 at9 + 1 4 at6 + 1 8 at10 )] = 1 (1 + 2 + 2 ) 2
4
8
2 = Cov(Yt Yt2 ) = E[(Yt 0) (Yt2 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at2 1 at3 4 at6 8 at10 + 1 4 at7 + 1 8 at11 )] = 0
3 = Cov(Yt Yt3 ) = E[(Yt 0) (Yt3 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at3 1 at4 4 at7 8 at11 + 1 4 at8 + 1 8 at12 )] = 1 4 (1 8 ) 2
4 = Cov(Yt Yt4 ) = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at4 1 at5 4 at8 8 at12 + 1 4 at9 + 1 8 at13 )] =
2
= (4 + 4 8 ) (1 + 1 ) 2
5 = Cov(Yt Yt5 ) = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )

(at5 1 at6 4 at9 8 at13 + 1 4 at10 + 1 8 at14 )] = 1 4 (1 8 ) 2
6 = Cov(Yt Yt6 ) = E[(Yt 0) (Yt6 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at6 1 at7 4 at10 8 at14 + 1 4 at11 + 1 8 at15 )] = 0
7 = Cov(Yt Yt7 ) = E[(Yt 0) (Yt7 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at7 1 at8 4 at11 8 at15 + 1 4 at12 + 1 8 at16 )] = 1 8 2
8 = Cov(Yt Yt8 ) = E[(Yt 0) (Yt8 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
2
(at8 1 at9 4 at12 8 at16 + 1 4 at13 + 1 8 at17 )] = 8 (1 + 1 ) 2
114

a
SARRIKO-ON 4/09
9 = Cov(Yt Yt9 ) = E[(Yt 0) (Yt9 0)] =

= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at9 1 at10 4 at13 8 at17 + 1 4 at14 + 1 8 at18 )] = 1 8 2
10 = Cov(Yt Yt10 ) = E[(Yt 0) (Yt10 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at10 1 at11 4 at14 8 at18 + 1 4 at15 + 1 8 at19 )] = 1 8 2
k = Cov(Yt Ytk ) = E[(Yt 0) (Ytk 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 )
(atk 1 atk1 4 atk4 + 1 4 atk41 )] = 0
k > 10
Las funciones de autocovarianzas y de autocorrelacin son las siguientes:

o
Retardo
FACV
FAC
k=0
2
0 = (1 + 1 )(1 + 2 + 2 ) 2
4
8
0 = 1
k=1
1 = (1 )(1 + 2 + 2 ) 2
4
8
1 =
k=2
2 = 0
2 = 0
k=3
3 = 1 4 (1 8 ) 2
3 =
1 4 (1 8 )
2
(1 + 1 ) (1 + 2 + 2 )
4
8
1
2
1 + 1
k=4
2
4 = (1 + 1 ) (4 + 4 8 ) 2
4 =
4 (1 8 )
1 + 2 + 2
4
8
k=5
5 = 1 4 (1 8 ) 2
5 =
1 4 (1 8 )
2
(1 + 1 ) (1 + 2 + 2 )
4
8
k=6
6 = 0
6 = 0
k=7
7 = 1 4 2
7 =
(1 +
+ 2 )
8
8
1 + 2 + 2
4
8
k=8
2
8 = 8 (1 + 1 ) 2
8 =
k=9
9 = 1 4 2
9 =
k>9
k = 0
k = 0
115
1 4
2 ) (1 + 2
1
4
(1 +
1 4
2 ) (1 + 2
1
4
+ 2 )
8
SARRIKO-ON 4/09

a
En las cuatro guras del grco 7.5 se muestran las funciones de autocorrelacin de los siguientes
a
o
modelos para la serie Yt estacionaria posiblemente trs alguna transformacin:
a
o
Yt = (1 + 0, 4 L) (1 + 0, 7 L4 ) at
(A)
(B) (1 0, 7 L4 ) Yt = (1 + 0, 4 L) at
(1 0, 4 L) Yt = (1 + 0, 8 L4 ) at
(C)
Yt = (1 + 0, 7 L 0, 2 L2 ) (1 + 0, 4 L4 ) at
(D)
Grco 7.5: Funcin de autocorrelacin. Modelos ARIMA multiplicativos.

a
o
o
1
Modelo A
0,8
Modelo B
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
Modelo D
0,8
Modelo C
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,4
10
11
12
13
14
15
16
17
18
19
20
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-1
Con los resultados derivados para los dos modelos presentados y la ayuda de la gura 7.5, se
puede aproximar la estructura general de la FAC del proceso ARIM A estacional multiplicativo
(7.4):
a
a) El clculo de la FAC puede llegar a ser muy laborioso, sobre todo si incluye parte autorregresiva y los rdenes de los polinomios autorregresivos regular y/o estacional son altos.
o
b) La FAC del proceso ARIM A multiplicativo es una mezcla de las FAC correspondientes a
su estructura regular y a su estructura estacional por separado, con trminos de interaccin
e
o
porque ambas estructuras no son independientes.
c) En los retardos ms bajos, k = 1, 2, ..., que recogen la estructura regular (observaciones
a
contiguas) se reproduce la estructura marcada por los polinomios p (L) y q (L) de la parte
regular. As si es un M A(1), como en los modelos (A), (B) y (D), se tiene que 1 = 0
,
y luego el resto son cero. Mientras que si es un AR(1) como en el modelo (C) la parte
regular es innita y decrece exponencialmente hacia cero.
d) En los retardos estacionales, k = 2, 2s, 3s, ..., se representa la estructura estacional generada por los polinomios P (L) y Q (L). Para estructuras medias mviles estacionales
o
116

a
SARRIKO-ON 4/09
como las de los modelos (A) y (C) de forma M A(1)4 , se observa que 4 = 0 y luego los
siguientes coecientes estacionales son cero, es decir, 8 = 1 2 = . . . , = 0 son cero. Para el
modelo (D), M A(2)4 , sin embargo, los dos primeros coecientes estacionales, 4 , 8 , son
distintos de cero y el resto son cero. En los modelos con estacionalidad autorregresiva la
FAC es innita para los retardos estacionales y decrece exponencialmente (vese modelo
a
(B)).
e) Alrededor de los retardos estacionales se observa la interaccin entre la estructura regular
o
y la estacional que se maniesta en la repeticin a ambos lados de cada retardo estacional
o
de la funcin de autocorrelacin simple de la parte regular.
o
o
En los modelos (A), (B) y (D) la parte regular es un M A(1), por lo que s1 = s+1 = 0. Si
la parte regular fuera, en cambio, un M A(2), aparecer a ambos lados de cada retardo
an
estacional no nulo 2 coecientes distintos de cero. Por ultimo, si la parte regular es un
AR(1) como en el modelo (C), a ambos lados de los retardos estacionales se observa el
decrecimiento exponencial impuesto por esta estructura autorregresiva. Notse que para
e
este modelo los coecientes 1 , 2 , 3 y4 recogen por un lado la estructura regular de la
serie y la de interaccin entre la parte regular y la parte estacional.
o
Para completar la descripcin de las caracter
o
sticas de los procesos estacionales multiplicativos,
se va a tratar la estructura de la funcin de autocorrelacin parcial (FACP) de un modelo
o
o
ARM A(p, q) (P, Q)s :
a) La FACP del proceso multiplicativo es una mezcla de las FACP correspondientes a su
estructura regular y a su estructura estacional por separado, con un componente de interaccin porque ambas no son independientes.
o
a
b) En los retardos ms bajos, k = 1, 2, ..., que recogen la estructura regular se reproduce la
estructura marcada por los polinomios p (L) y q (L) de la parte regular. Si es un M A(q)
o un ARM A(p, q) presentar el decaimiento rpido y continuado caracter
a
a
stico de estos
modelos, mientras que si fuera un AR(p) se truncar en el retardo p.
a
c) En los retardos estacionales, k = s, 2s, 3s, ..., se representa la estructura estacional generada por los polinomios P (L) y Q (L). Si es un M A(Q)s o un ARM A(P, Q)s presentar
a
el decaimiento rpido y continuado caracter
a
stico de estos modelos, mientras que si fuera
un AR(P ) se truncar en el retardo k = P s.
a
d) Alrededor de los retardos estacionales se observa la interaccin entre la parte regular y la
o
estacional que se maniesta como sigue:
A la derecha de cada coeciente estacional, k = js + 1, js + 2, ..., se reproduce la
FACP de la parte regular. Si el coeciente estacional es positivo la FACP regular
aparece invertida, mientras que si es negativo la FACP regular aparece con su propio
signo.
A la izquierda de los coecientes estacionales, k = js 1, js 2, ..., se reproduce la
FAC de la parte regular.
117
SARRIKO-ON 4/09
7.4.

a
Modelizacin ARIMA estacional.

o
La metodolog para construir el modelo ARIM A(p, d, q)(P, D, Q)s apropiado para la serie estaa
cional Y1 , Y2 , . . . , YT consta de las fases de Identicacin, Estimacin, Validacin y Prediccin.
o
o
o
o
Se ilustrar el proceso de construccin del modelo con una serie clsica en la literatura, Pasajeros
a
o
a
de L
neas Areas, serie mensual observada desde Octubre de 1949 a Septiembre de 1961. Al nal
e
de esta seccin se propone como ejercicio al lector la modelizacin de la serie trimestral
o
o
ndice
de produccin industrial austr
o
aco. Los datos de ambas series se encuentran en el apndice C.
e
Identificacion.
Se trata de proponer el/los modelos ARIM A(p, d, q)(P, D, Q)s que puedan representar la evolucin de la serie Yt . En primer lugar, se analiza la estacionariedad de la serie tanto en varianza
o
como en media y, despus, para la serie original o aquella transformacin estacionaria de la
e
o
misma, se seleccionn los ordenes (p, q) de la estructura regular estacionaria y (P, Q)s de la estructura estacional estacionaria. Por ultimo, se estudia la necesidad de incluir o no un trmino
e
independiente en el modelo.
a
A. Anlisis de estacionariedad
El instrumento utilizado para estudiar la estacionariedad en varianza de la serie es su
grco que permite observar si la variabilidad de la serie es homognea a lo largo del
a
e
tiempo o no. En las series con comportamiento estacional suele suceder que la variabilidad
o amplitud del ciclo estacional crece con la tendencia. Este es el caso de la serie Pasajeros
de L
neas Areas (Pasajeros) como muestra la gura de la izquierda del grco7.6. Como
e
a
la serie original no es estacionaria en varianza, tomamos la transformacin logar
o
tmica que
presenta una variabilidad homognea en toda la muestra (vese la gura de la derecha
e
a
del grco 7.6). Por lo tanto, consideramos que la serie Ln(P asajeros) es estacionaria en
a
varianza.
Grco 7.6: Pasajeros de L
a
neas Areas (datos originales y logaritmos).
e
700
6.6
6.4
600
6.2
6
Ln(pasajeros)
Pasajeros
500
400
5.8
5.6
5.4
300
5.2
5
200
4.8
100
4.6
1950
1952
1954
1956
1958
1960
1950
1952
1954
1956
1958
1960
El anlisis de la estacionariedad en media de una serie se lleva a cabo, en general, utilia

zando tres instrumentos: el grco, la funcin de autocorrelacin y los contrastes de ra
a
o
o
ces
unitarias.
118

a
SARRIKO-ON 4/09
Inspeccionando en primer lugar el grco de la serie Ln(P asajeros)t , se observa que no

a
es estacionaria en media porque no oscila en torno a un nivel constante. De hecho, no es
estacionaria porque, por un lado, su tendencia (comportamiento a largo plazo) es creciente
y, por otro lado, presenta un ciclo estacional sistemtico con los meses de verano en los
a
valores mximos del ciclo y los de invierno en los m
a
nimos, con lo que la media de cada mes
es distinta. Por otro lado, la gura superior del grco 7.7 muestra como el correlograma
a
de la serie Ln(P asajeros) decrece lentamente hacia cero tanto en la estructura regular
como en la estacional: notse el lento decrecimiento para los tres retardos estacionales: 12,
e
24 y 36.
Grco 7.7: Correlogramas de la Ln(Pasajeros) y algunas transformaciones.
a
FAC de Ln(pasajeros)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
FAC de D12 Ln(pasajeros)

FACP de Ln(pasajeros)
11
+- 1,96/T^0,5
+- 1,96/T^0,5
0.5
0.5
00
-0.5
-0.5
-1
-1
00
5
5
10
10
15
15
20
20
retardo
retardo
25
25
30
30
35
35
FAC de de D12 Ln(pasajeros)

FACP D1 D12 Ln(Pasajeros)
1
1
+- 1,96/T^0,5
+- 1,96/T^0,5
0.5
0.5
0
0
-0.5
-0.5
-1
-1
0
0
5
5
10
10
15
15
20
20
retardo
retardo
25
25
30
30
35
35
Podemos concluir que la serie en FACP de D1 D12no es estacionaria en media ni en la estructura

logaritmos Ln(Pasajeros)
regular 1 en la estacionalidad. Para buscar una transformacin1,96/T^0,5serie que s sea estani
o de la
+cionaria, se suele proceder a diferenciar la serie. Tomaremos, en primer lugar, diferencias

0.5
estacionales para solucionar el problema de la no estacionariedad estacional.
0
La gura izquierda del grco 7.8 muestra la serie (1 L12 ) Ln(P asajeros) . Ya no se
a
-0.5
119
-1
0
10
15
20
retardo
25
30
35
SARRIKO-ON 4/09

a
aprecia un comportamiento estacional sistemtico y no se observan diferencias de media por

a
cada mes. Por otro lado, hay que sealar tambin que ha desaparecido el comportamiento
n
e
tendencial creciente de la serie. Esto es debido a que el operador de diferencias estacional
se puede escribir como:
(1 L12 ) = (1 L) S12 (L) = (1 L) (1 + L + L2 + . . . + L11 )
lo que implica que al tomar diferencias estacionales, estamos eliminando, por un lado, la
estacionalidad no estacionaria mediante el operador S12 (L) que suma las observaciones
de cada ao, pero al estar aplicando a la vez el operador de diferencias regular, (1 L) ,
n
se est actuando tambin sobre la no estacionariedad en tendencia.
a
e
Grco 7.8: Grcos de algunas diferencias de la serie Ln(Pasajeros).
a
a
0.35
0.15
0.3
0.1
(1-L) (1-L12) Ln(Pasajeros)
(1-L12) Ln(pasajeros)
0.25
0.2
0.15
0.1
0.05
-0.05
0.05
-0.1
0
-0.05
-0.15
1952
1954
1956
1958
1960
1952
1954
1956
1958
1960
La serie (1 L12 ) Ln(P asajeros) ya no crece sistemticamente sino que parece oscilar
a
en torno a un nivel pero con grandes rachas de observaciones por encima y por debajo
del promedio. No parece el grco de una serie estacionaria en media sino el de una serie
a
que va cambiando de nivel. El anlisis de su correlograma (vese la gura intermedia del
a
a
grco 7.7) muestra un decrecimiento hacia cero que no es exponencial en la parte regular,
a
aunque ya no hay problemas en los retardos estacionales. Este resultado parece indicar
que la serie an no es estacionaria en la parte regular.
u
Por ultimo, el contraste ADF para la hiptesis nula de existencia de ra unitaria en la
o
z
serie (1 L12 ) Ln(P asajeros) , proporciona el siguiente resultado (vese cuadro 7.1):
a
tc = 2, 71 > DF0,05 = 2, 89
Por lo que no se rechaza la hiptesis nula de existencia de ra unitaria.
o
z
Concluimos que la serie (1 L12 ) Ln(P asajeros) no es estacionaria en la parte regular,
por lo que se toma otra diferencia regular y se analiza la posible estacionariedad de la serie
(1 L)(1 L12 ) Ln(P asajeros) . Se observa que el grco de esta transformacin de la
a
o
serie (vese la gura derecha del grco 7.8) oscila en torno a una media cero y que su
a
a
correlograma (gura inferior del grco 7.7) decrece rpidamente hacia cero tanto en la
a
a
estructura regular como en la estacional.
120

a
SARRIKO-ON 4/09
Cuadro 7.1: Contrastes de ra

ces unitarias. (1 L12 )Ln(P asajeros).
Contrastes aumentados de Dickey-Fuller, orden 12, para (1-L12) Ln(Pasajeros):

n
o

modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o

o

ces unitarias. (1 L)(1 L12 )Ln(P asajeros)
Contrastes aumentados de Dickey-Fuller, orden 12, (1-L)(1-L12) Ln(Pasajeros):

n
o

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o

o
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o

o
121
SARRIKO-ON 4/09

a
En lo que se reere al contraste de ra unitarias sobre la serie (1L)(1L12 ) Ln(P asajeros) ,

ces
los resultados del cuadro 7.2 muestran que se:
tc = 4, 44 < DF0,05 = 2, 89
Por lo que se rechaza la hiptesis nula de existencia de ra unitaria.
o
z
Podemos concluir que la serie (1 L)(1 L12 ) Ln(P asajeros) es estacionaria, por lo que
la serie Ln(P asajeros) es integrada de orden 1 en la parte regular, d = 1 e integrada de
orden 1 en la parte estacional, D = 1 .
B. Seleccin de los rdenes (p, q) y (P, Q)
o
o
La eleccin del / los modelos apropiados para la serie estacionaria se realiza estudiando su
o
funcin de autocorrelacin simple y parcial (grco 7.9). El grco de la funcin de autoo
o
a
a
o
correlacin simple muestra que el primer coeciente regular signicativamente distinto de
o
cero y que en la parte estacional tambin solo el primer coeciente, 12 , es signicativae
mente distinto de cero. En la funcin de autocorrelacin parcial se observa que el primer
o
o
coeciente es signicativamente distinto de cero, aunque se aprecia una estructura general
exponencial decreciente, y que en la parte estacional el coeciente p12 es signicativamente
distinto de cero y decrecen.
En principio, como tanto en la parte regular como en la estacional observamos que el primer
coeciente de la FAC es distinto de cero y el resto no son signicativos proponemos una
estructura medias mviles de orden 1 para ambas, osea, ARM A(0, 1)(0, 1)12 . Observse
o
e
como a ambos lados de los coecientes estacionales de la FAC se reproduce la estructura
de la parte regular.
Por ultimo, para acabar de identicar el/los modelos que pueden haber generado la serie
Pasajeros de l
neals areas, es preciso decidir si es necesario incluir o no un trmino indee
e
pendiente. El grco de la serie (gura derecha del grco 7.9) parece sugerir que la media
a
a
de esta transformacin estacionaria es cero y que, por lo tanto, no hay que aadir ninguna
o
n
constante. Para conrmar esta conclusin, contrastamos la hiptesis nula de que la media
o
o
de la serie Zt = 12 Ln(P asajeros)t es cero, con el estad
stico:
t=
Z
Z
Para calcular este estad

stico se utilizan los siguientes datos sobre la serie estacionaria
(1 L)(1 L12 )Ln(P asajeros)
Estad
sticos principales, usando las observaciones 1949:10 - 1963:09
para la variable (1-L) (1-L12) Ln(Pasajeros) (131 observaciones vlidas)
a
Media
Mediana
M
nimo
0, 000290880
0, 000000
0, 141343
0, 140720
Desv. T
p.
C.V.
Asimetr
a
Exc. de curtosis
157, 619
0, 0381906
1, 14778
0, 0458483
122
Mximo
a

a
SARRIKO-ON 4/09
Grco 7.9: FAC y FACP estimadas de la serie estacionaria.

a
FAC de D1 D12 Ln(Pasajeros)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
FACP de D1 D12 Ln(Pasajeros)

1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
As se obtiene:
,
0, 04582
2

Z = V (Z) (1 + 2 1 + 2 12 ) =
(1 + 2 0, 34 + 2 0, 387) = 0, 0000395
(131 1)
t =
0, 000291
= 0, 04628 < 2 t0,025 (130)
0, 006287
Por lo tanto, no se rechaza la hiptesis nula y no se incluye un trmino independiente en

o
e
el modelo.
En la etapa de Identicacin se ha propuesto el siguiente modelo candidato a haber generado la

o
serie Pasajeros de l
neas areas:
e
ARIM A(0, 1, 1)(0, 1, 1)12 :
12 Ln(P asajeros)t = (1 L) (1 L12 ) at
Estimacion.
El modelo estimado segn el output obtenido con Gretl que se presenta a continuacin es:
u
o
12 Ln(P asajeros)t = (1 0, 4018 L) (1 0, 5569 L12 ) at
123
SARRIKO-ON 4/09

a
Modelo 1: estimaciones ARIMA utilizando las 131 observaciones 1950:111961:09

Variable dependiente: (1 L)(1 L12 )Ln(P asajeros)
Desviaciones t
picas basadas en el Hessiano
Coeciente
1
1
Desv. t
pica
0,401823
0,556937
0,0896453
0,0731050

Log-verosimilitud
MA
MA (estacional)
estad
stico t
Ra
z
Ra
z
1
1
Real
2, 4887
1, 7955
Imaginaria
0, 0000
0, 0000
4,4824
7,6183
valor p
0,0000
0,0000
0,000290880
0,0458483
0,00100838
0,00134810
244,696
Mdulo
o
2, 4887
1, 7955
Frecuencia
0, 0000
0, 0000
Validacion.
En esta etapa se trata de comprobar de que el modelo propuesto se ajusta bien a los datos y
reproduce la estructura de comportamiento de la serie.
Comenzando por el anlisis de los coecientes, comprobaremos, en primer lugar, si son o no
a
estad
sticamente signicativos.
H0 : = 0
Ha : = 0
:
H0 : = 0
Ha : = 0
0, 265
0, 0699
= | 3, 79| > N0,025 2

o
:
0, 527
0, 072
= | 7, 346| > N0,025 2

o
El modelo propuesto es estacionario porque es un medias mviles nito y es invertible porque
o
el mdulo de las trece ra
o
ces medias mviles est fuera del c
o
a
rculo unidad.
124

a
SARRIKO-ON 4/09
Comenzamos el anlisis de los residuos con el anlisis de la gura izquierda del grco 7.10 en la
a
a
a
que se observa que los residuos oscilan en torno a cero con una variabilidad bastante homognea.
e
Por otro lado, el correlograma de los residuos muestra que ningn coeciente de autocorrelacin
u
o
est fuera de la regin cr
a
o
tica, por lo que ninguno es signicativamente distinto de cero.
Grco 7.10: Serie: 12 Ln(P asajeros). Estimacin y diagnsticos.
a
o
o
FAC de los residuos
0.15
0.1
0.5
-0.05
-0.5
-0.1
Residuo
0.05
+- 1,96/T^0,5
-1
0
10
-0.15
1952
1954
1956
1958
1960
15
20
retardo
25
30
35
En cuanto al contraste de signicacin conjunto de la siguiente hiptesis nula:

o
o
1
+- 1,96/T^0,5
H0 : 1 = 2 = .0.5 . = 36 = 0
.
El estad
stico de Box-Ljung, Q = 43, 75 < 2 , 0por lo que no se rechaza la hiptesis nula de
o
0,05
que los 36 primeros coecientes de autocorrelacin son conjuntamente cero.
o
-0.5
Estad
sticos principales, usando las -1
observaciones 1949:10 - 1963:09
0
5
10
25
para la variable uhat1 (131 observaciones vlidas) 20
a 15
30
35
retardo
Media
Mediana
M
nimo
0, 00100838
0, 00280376
0, 118741
0, 112436
Desv. T
p.
C.V.
Asimetr
a
Exc. de curtosis
0, 0770597
0, 547118
0, 0376848
37, 3715
Mximo
a
En lo que se reere al contraste de Jarque-Bera de Normalidad, se tiene que:

JB = 32, 46 > 2 (2) = 5, 99
0,05
Por lo tanto, podemos concluir que los residuos se comportan como un ruido blanco si bien no
parecen seguir una distribucin normal.
o
125
SARRIKO-ON 4/09

a
Ejercicio 7.1.
Indice de Produccin Industrial austr
o
aco.
Dados los siguientes grcos y tablas, construye del modelo ARIM A(p, d, q)(P, D, Q)s apropiado
a
para la serie trimestral del
Indice de produccin industrial austriaco (IPI) para la que se cuenta
o
con datos desde el primer trimestre de 1975 hasta el cuarto de 1988 (los datos originales se
encuentran en el apndice C).
e
Identificacion.
A. Anlisis de estacionariedad.
a
Pregunta:
Es la serie estacionaria en varianza? Busca la transformacin estacionaria.
o
Grco 7.11: Serie: Indice de Produccin Industrial (1975:I - 1988:IV)
a
o
140
4.9
130
4.8
4.7
120
4.6
110
4.5
IPI
Ln(IPI)
100
90
4.4
4.3
80
4.2
70
4.1
60
50
3.9
1976
1978
1980
1982
1984
1986
1988
1976
1978
1980
IPI
1982
1984
1986
1988
Ln(IPI)
Pregunta:
Es la serie estacionaria en media? Busca la transformacin estacionaria.
o
Grco 7.12: Grcos de diferencias de la serie Ln(IPI).
a
a
0.06
0.12
0.04
0.1
0.02
(1-L) (1-L4) Ln(IPI)
0.08
0.14
(1-L4) Ln(IPI)
0.16
0.08
0.06
-0.02
0.04
-0.04
0.02
-0.06
0
1976
1978
1980
(1
1982
1984
1986
-0.08
1976
1988
L4 )Ln(IP I)
1978
1980
(1 L)(1
126
1982
1984
1986
L4 )Ln(IP I)
1988

a
SARRIKO-ON 4/09
Grco 7.13: Correlogramas de diferencias de la serie Ln(IPI).

a
FAC de Ln(IPI)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
8
retardo
ln(IP I)
10
12
14
16
FACP de Ln(IPI)
1
FAC de D4 Ln(IPI)
+- 1,96/T^0,5
1
0.5
+- 1,96/T^0,5
0.5
0
0
-0.5
-0.5
-1
0
-1
8
retardo
8
retardo
4 ln(IP I)
10
12
14
16
10
12
14
16
FACP de D4 Ln(IPI)
1
+- 1,96/T^0,5
FAC de D1 D4 Ln(IPI)
1
0.5
+- 1,96/T^0,5
0.5
0
0
-0.5
-0.5
-1
0
8
retardo
8
retardo
-1
4 ln(IP I)
10
12
14
16
10
12
14
16
FACP de D1 D4 Ln(IPI)
1
+- 1,96/T^0,5
0.5
0
127
-0.5
-1
0
8
retardo
10
12
14
16
SARRIKO-ON 4/09

a

ces unitarias.
Contrastes aumentados de Dickey-Fuller, orden 4, para (1 L4 ) Ln(IPI):

n
o

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o

o
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Coef. de autocorrelacin de primer orden de e: 0,005
o

o
Contrastes aumentados de Dickey-Fuller, orden 4, para (1 L)(1 L4 ) Ln(IPI):

n
o

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o

o
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o

o
128

a
SARRIKO-ON 4/09
B. Seleccin de los ordenes (p, q) y (P, Q), y del trmino independiente.

o
e
Grco 7.14: FAC y FACP estimadas de la serie 4 ln IP It .
a
FAC de (1-L) (1-L4) Ln(IPI)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
12
14
16
retardo
FACP de (1-L) (1-L4) Ln(IPI)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
8
retardo
10
12
14
16
Estad
para la variable D1D4 LnIPI (51 observaciones vlidas)
a
Media
Mediana
M
nimo
0, 00113181
0, 00316331
0, 0795702
Desv. T
p.
C.V.
Asimetr
a
0, 0260694
23, 0334
0, 0446416
Mximo
a
0, 0788784
Exc. de curtosis
1, 73581
Pregunta:
Qu modelo/modelos ARIMA estacionales propones para la serie IPI?
e
129
SARRIKO-ON 4/09

a
Estimacion.
Un investigador ha propuesto los siguientes modelos para la serie IPI:
Modelo A :
(1 L) 4 ln IP It = (1 L4 ) at
Modelo B :
4 ln IP It = (1 L) (1 L4 ) at
Pregunta: Ests de acuerdo? Por qu?

a
e
Con los resultados que se presentan a continuacin, escribe los modelos estimados.
o
Modelo A: estimaciones ARIMA utilizando las 51 observaciones 1976:21988:4
Variable dependiente: (1 L)(1 L4 ) Ln(IPI)
Variable
Coeciente
Desv. t
pica
Estad
stico t
valor p
1
1
0,353517
0,868740
0,131443
0,177300

Log-verosimilitud
AR
MA (estacional)
Ra
z
Ra
z
1
1
Real
2, 8287
1, 1511
2,6895
4,8998
0,0072
0,0000
0,00171446
0,000401395
124,237
Imaginaria
0, 0000
0, 0000
Mdulo
o
2, 8287
1, 1511
Frecuencia
0, 5000
0, 0000
Modelo B: estimaciones ARIMA utilizando las 51 observaciones 1976:21988:4

Variable dependiente: (1 L)(1 L4 ) Ln(IPI)
Variable
1
1
Coeciente
Desv. t
pica
0,296070
0,855573
0,115774
0,161817

Log-verosimilitud
MA
MA (estacional)
Ra
z
Ra
z
Estad
stico t
1
1
Real
3, 3776
1, 1688
130
2,5573
5,2873
0,00184053
0,000413225
123,660
Imaginaria
0, 0000
0, 0000
Mdulo
o
3, 3776
1, 1688
Frecuencia
0, 0000
0, 0000
valor p
0,0105
0,0000

a
SARRIKO-ON 4/09
Validacion
Con los resultados mostrados en los grcos y tablas del cuadro 7.4 contesta a las siguientes
a
pregunta:
Pregunta:
Se ajustan los modelos a los datos? Qu modelo seleccionar para predecir?
e
as
Cuadro 7.4: Serie: 4 ln IP It . Diagnstico.

o
Modelo ARIM A(1, 1, 0)(0, 1, 1)4
Modelo ARIM A(0, 1, 1)(0, 1, 1)4
Residuos de la regresin (= L_IPI observada estimada)
Residuos de la regresin (= L_IPI observada estimada)
0.06
0.06
0.04
0.04
0.02
0.02
residuo
0.08
residuo
0.08
0.02
0.02
0.04
0.04
0.06
1976
1978
1980
1982
1984
1986
0.06
1976
1988
1978
1980
FAC de los residuos
1982
1984
1986
1988
FAC de los residuos
+- 1,96/T^0,5
0.5
0.5
-0.5
+- 1,96/T^0,5
-0.5
-1
-1
0
10
12
14
16
retardo
10
12
14
16
retardo
+- 1,96/T^0,5
0.5
0.5
-0.5
+- 1,96/T^0,5
-0.5
-1
-1
0
8
retardo
10
12
14
16
Q(24) = 16,465
8
retardo
10
Q(24) = 18,00
131
12
14
16
SARRIKO-ON 4/09

a
Modelo ARIM A(1, 1, 0)(0, 1, 1)4

Estad
para la variable uhatA (51 observaciones vlidas)
a
Media
Mediana
M
nimo
0, 00171446
0, 00158269
0, 0430086
Desv. T
p.
C.V.
Asimetr
a
0, 0208678
12, 1716
Mximo
a
0, 0740437
Exc. de curtosis
0, 706177
1, 47041
Modelo ARIM A(0, 1, 1)(0, 1, 1)4

Estad
para la variable uhatB (51 observaciones vlidas)
a
Media
Mediana
M
nimo
0, 00184053
0, 000717917
0, 0479773
Desv. T
p.
C.V.
Asimetr
a
0, 0211028
11, 4656
0, 588185
132
Mximo
a
0, 0747304
Exc. de curtosis
1, 67900

a
SARRIKO-ON 4/09
Apndice C. Datos.
e
Cuadro 7.5: Pasajeros de l

neas areas (Octubre 1949 - Septiembre 1961)
e
Ao
n
Ene.
Febr.
Marzo
Abril
Mayo
Jun.
Jul.
Agos.
Sept.
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
129
135
163
181
235
227
269
313
348
348
396
461
121
125
172
183
229
234
270
318
355
363
420
472
135
149
178
218
243
264
315
374
422
435
472
535
148
170
199
230
264
302
364
413
465
491
548
622
148
170
199
242
272
293
347
405
467
505
559
606
136
158
184
209
237
259
312
355
404
404
463
508
119
133
162
191
211
229
274
306
347
359
407
461
104
114
146
172
180
203
237
271
305
310
362
390
118
140
166
194
201
229
278
306
336
337
405
432
133
Oct.
Nov.
Dic.
112
115
145
171
196
204
242
284
315
340
360
417
118
126
150
180
196
188
233
277
301
318
342
391
132
141
178
193
236
235
267
317
356
362
406
419
SARRIKO-ON 4/09

a
Cuadro 7.6:
Indice de produccin industrial (1o trimestre 1975 - 4o trimestre 1988)
o
Fecha
IPI
Fecha
IPI
Fecha
IPI
Fecha
IPI
Fecha
IPI
1975:1
1975:2
1975:3
1975:4
1976:1
1976:2
1976:3
1976:4
1977:1
1977:2
1977:3
1977:4
54,1
59,5
56,5
63,9
57,8
62,0
58,5
65,0
59,6
63,6
60,4
66,3
1978:1
1978:2
1978:3
1978:4
1979:1
1979:2
1979:3
1979:4
1980:1
1980:2
1980:3
1980:4
60,6
66,8
63,2
71,0
66,5
72,0
67,8
75,6
69,2
74,1
70,7
77,8
1981:1
1981:2
1981:3
1981:4
1982:1
1982:2
1982:3
1982:4
1983:1
1983:2
1983:3
1983:4
72,3
78,1
72,4
82,6
72,9
79,5
72,6
82,8
76,0
85,1
80,5
89,1
1984:1
1984:2
1984:3
1984:4
1985:1
1985:2
1985:3
1985:4
1986:1
1986:2
1986:3
1986:4
84,8
94,2
89,5
99,3
93,1
103,5
96,4
107,2
101,7
109,5
101,3
112,6
1987:1
1987:2
1987:3
1987:4
1988:1
1988:2
1988:3
1988:4
105,5
115,4
108,0
129,9
112,4
123,6
114,9
131,0
134
Cap
tulo 8
Ejercicios
8.1.
Cuestiones
C1. Sea Yt un proceso estocstico tal que Yt = a + b X, para todo t, donde a, b son constantes
a
y X una variable aleatoria con media y varianza 2 . Demuestra que el proceso estocstico Yt
a
es estacionario en covarianza. Cul es la funcin de autocovarianzas del proceso Yt ?
a
o
C2. Supongamos que la funcin de autocovarianzas del proceso Yt no depende de t, pero sin
o
embargo, la media del proceso viene dada por E(Yt ) = 4t. Es el proceso Yt estacionario?.
Considera ahora el proceso Zt = 10 4t + Yt , es estacionario?
C3. Considera el proceso estocstico Zt = X + Yt , donde Yt es un proceso estocstico estacioa
a
nario en covarianza y X es una variable aleatoria independiente de Yt . Suponiendo conocidas la
media y varianza de X y la media y la funcin de autocorrelacin simple de Yt , obtn la media
o
o
e
y la funcin de autocorrelacin simple del proceso Zt .
o
o
a
o
C4. Sea Yt un proceso estocstico estacionario con funcin de autocovarianzas k . Demuestra
que:
Zt = Yt = Yt Yt1 es estacionario.
Zt = 2 Yt es estacionario.
Zt = 4 Yt es estacionario.
en general, Zt =
N
j=0 aj Ytj
es estacionario.
Qu conclusin general puedes obtener de los resultados obtenidos en los cuatro apartados
e
o
anteriores?
C5. Demuestra que el proceso M A() siguiente:
Yt = at + c (at1 + at2 + . . . )
135
SARRIKO-ON 4/09

a
donde c es una constante, no es estacionario. Demuestra tambin que las primeras diferencias
e
del proceso:
Wt = Yt Yt1
son un proceso MA(1) estacionario. Busca la funcin de autocorrelacin simple de Wt .
o
o
C6. Considera el proceso MA estacionario Yt = (1 L)at y sea Zt = Yt Yt1 . Es el proceso
Zt estacionario? Es la varianza del proceso Zt mayor o menor que la del proceso Yt ? Cul es
a
la funcin de autocovarianzas del proceso diferenciado?.
o
C7. Considera el proceso AR estacionario (1 L)Yt = at y sea Zt = Yt Yt1 . Es el proceso
Zt estacionario? Es la varianza del proceso Zt mayor o menor que la del proceso Yt ? Cul es
a
la funcin de autocovarianzas del proceso diferenciado?.
o
C8. Si un analista presenta el siguiente modelo AR(4) para una muestra dada:
(1 + 0,48L + 0,22L2 + 0,14L3 + 0,05L4 )Yt = at
Podr sugerirle un modelo ms parsimonioso? Por qu?
as
a
e
C9. Contesta a las siguientes preguntas:
Cmo se obtienen las funciones de autocorrelacin simple y parcial tericas?
o
o
o
Cmo se obtienen las funciones de autocorrelacin simple y parcial estimadas o muestrao
o
les?
o
e
Las facs y facp estimadas se corresponden exactamente con las tericas? Por qu?
C10. Sea el proceso Yt = + at + at1 , donde es una constante, demuestra que la f.a.c.s.
de Yt no depende de .
o
C11. Si IT es un conjunto de informacin que incluye los valores pasados y presente de la serie
que queremos predecir, Yt , y YT (1) es la prediccin ptima basada en el citado conjunto de

o o
informacin IT , de forma que el error de prediccin es eT (1). Por qu esperas que eT (1) sea
o
o
e
ruido blanco?
C12. Comenta las siguientes frases:
Un modelo ARIM A(p, d, q) bien construido tiene autocorrelaciones residuales que son
todas cero.
Un modelo ARIMA estimado con residuos que estn signicativamente autocorrelacionaa
dos no es apropiado.
136

a
8.2.
SARRIKO-ON 4/09
Problemas
Problema 1. Contamos con la siguiente serie temporal estacionaria:

1,5
0,8
0,9
1,2
0,5
1,3
0,8
1,6
0,8
1,2
0,5
0,9
1,1
1,1
0,6
1,2
En base al grco de las observaciones, sugiere un valor aproximado para el coeciente de

a
autocorrelacin muestral de orden 1, 1 .
o
Dibuja Yt contra Yt+1 e Yt contra Yt+2 y, en base a estos grcos, sugiere valores aproxia
mados para 1 y 2 .
Comprueba si tus sugerencias eran apropiadas calculando k , k = 0, 1, 2, 3, 4, 5

Problema 2. Considera los siguientes procesos estocsticos:
a
1.
Yt = 1, 05 Yt1 0, 5 Yt2 + at
2.
Yt = 1, 03 Yt1 + at
3.
Yt = 0, 7 Yt1 + at 0, 45 at1
4.
Yt = at + 0, 7 at1 0, 5 at2
5.
Yt = at 1, 05 at2
6.
Yt = 0, 09 Yt2 + at 0, 3 at1
7.
Yt = 0, 6 Yt1 + at + 0, 4 at2
Qu modelo ARM A(p, q) son? Son estacionarios e invertibles? Por qu?

e
e
Problema 3. Sean los modelos AR(1) siguientes:
(a)
Yt = 0,8 Yt1 + at
(b)
2
a = 2
Yt = 0,5 Yt1 + at
Son estacionarios? Son invertibles?

Calcula las autocovarianzas, 0 , 1 , . . . , 5 .
Calcula los coecientes de autocorrelacin simple, 1 , 2 , . . . , 5 . Represntalos grcameno
e
a
te.
Calcula los coecientes de autocorrelacin parcial, p1 , p2 , p3 , p4 , p5 . Represntalos grcao
e
a
mente.
Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma M A() en que, si es posible, puede
transformarse los dos modelos AR(1) dados.
137
SARRIKO-ON 4/09

a
Problema 4. Considera el proceso AR(1) siguiente:

Yt = 20 + 0,6 Yt1 + at
2
a = 4
Es estacionario? Es invertible?
Calcula la media y la funcin de autocovarianzas del proceso. Dibuja la funcin de autoo
o
correlacin terica.
o
o
Si Y50 = 21 , es de esperar que Y51 sea mayor o menor que la media?
Problema 5. Sea at un proceso ruido blanco. Encuentra la funcin de autocorrelacin simple

o
o
de los siguientes procesos lineales:
(1)
Yt = at + 0, 4 at1
(2)
Yt = at + 2, 5 at1
Crees que estos dos modelos lineales se pueden distinguir en base a observaciones de {Yt }?.
Problema 6. Sean los modelos M A(1) siguientes:
1.
Yt = at 0, 9 at1
2.
2
a = 4
Yt = at + 0, 5 at1

e
a
te.
Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma AR() en que, si es posible, puede
transformarse los dos modelos M A(1) dados.
Problema 7. Considera el proceso M A(1) siguiente:

Yt = 5 + at + 0, 2 at1
2 = 3
Calcula la media y la funcin de autocovarianzas del proceso. Dibuja la funcin de autoo
o
correlacin terica.
o
o
Si Y100 es mayor que la media del proceso, es de esperar que Y101 sea tambin mayor?
e
138

a
SARRIKO-ON 4/09
Problema 8. Sean los modelos AR(2) siguientes:

1.
Yt = 0, 6 Yt1 + 0, 3Yt2 + at
2.
Yt = 1, 3 Yt1 0, 4Yt2 + at
3.
Yt = 1, 2 Yt1 0, 8Yt2 + at
4.
2 = 3
Yt = 0, 8 Yt1 0, 5Yt2 + at

Cual es la estructura de la funcin de autocorrelacin simple y de la funcin de autocoo
o
o
rrelacin parcial?
o
Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coecientes de autocorrelacin simo
ple, 1 , 2 , . . . , 5 . Represntalos grcamente.
e
a
transformarse los cuatro modelos AR(2) dados.
Problema 9. Considera el proceso AR(2) siguiente:

Yt = 10 + 0, 8 Yt1 0, 2 Yt2 + at
2 = 1
o
o
o
o
Calcula su media y funcin de autocovarianzas. Dibuja la funcin de autocorrelacin terica.
Si Y45 = 12, es de esperar que Y46 sea mayor o menor que la media?
Problema 10. Sean los modelos M A(2) siguientes:

1.
Yt = at 0, 4 at1 + 1, 2 at2
2.
Yt = at + 0, 7 at1 0, 2 at2
3.
Yt = at 1, 3 at1 + 0, 4 at2
4.
2
a = 2
Yt = at 0, 1 at1 + 0, 21 at2

Cual es la estructura de la funcin de autocorrelacin simple y de la funcin de autocoo
o
o
rrelacin parcial?
o
Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coecientes de autocorrelacin simo
ple, 1 , 2 , . . . , 5 . Represntalos grcamente.
e
a
transformarse los cuatro modelos M A(2) dados.
139
SARRIKO-ON 4/09

a
Problema 11. Sean los modelos ARM A(1, 1) siguientes:

(a)
Yt = 0, 9 Yt1 + at + 0, 8 at1
(b)
2 = 5
Yt = 0, 6 Yt1 + at 0, 6 at1

e
a
te.
Pueden simplicarse estos modelos?
transformarse los dos modelos ARM A(1, 1) dados.
transformarse los dos modelos ARM A(1, 1) dados.
Problema 12. Supongamos que la serie Yt ha sido generada como sigue:

Yt = 0,2Yt1 + 0,48Yt2 + at + 0,6at1 0,16at2
e
Qu proceso lineal sigue la serie Yt ? Es estacionario? Es invertible?
Est el modelo sobreparametrizado? En caso armativo, escribe un modelo equivalente
a
con menos parmetros.
a
Problema 13. Sea el modelo ARMA(2,2) siguiente:

Yt = 0, 9 Yt1 0, 2 Yt2 + at 1, 3 at1 + 0, 4 at2
Puede simplicarse este modelo?
Problema 14. Encuentra un proceso invertible tal que:
0 = 1
1 = 0,49
k = 0 k > 1
Problema 15. Indica a qu tipo de modelo ARM A(p, q) se puede asociar cada uno de los
e
siguientes pares de funciones de autocorrelacin simples y parciales tericas, explicando por
o
o
qu.
e
140

a
SARRIKO-ON 4/09
F.AC.S.
F.AC.P.
0,700
0,7
0,500
0,5
0,300
0,3
0,1
0,100
1)
10
11
12
13
14
15
16
17
18
19
20
10
10
12
13
14
15
16
17
18
19
20
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,1
13
14
15
16
17
18
19
20
-0,3
-0,4
-0,5
12
-0,2
-0,4
11
-0,1
-0,3
-0,5
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
14
15
16
17
18
19
20
16
17
18
19
20
-0,8
-1
13
-0,6
-0,8
12
-0,4
-0,6
11
-0,2
-0,4
-1
0,8
0,800
0,6
0,600
0,4
0,400
0,2
0,200
0,000
1
10
11
12
13
14
15
16
17
18
19
20
10
11
12
10
11
12
10
11
12
13
14
15
0,900
0,700
0,5
-0,800
0,7
-0,600
0,9
-0,400
-0,8
-0,200
-0,6
-0,2
-0,4
0,500
0,3
0,300
0,1
-0,1
0,100
10
11
12
13
14
15
16
17
18
19
20
-0,100
-0,3
17
18
19
20
0,600
0,4
16
-0,900
0,6
15
-0,700
-0,9
14
-0,500
-0,7
13
-0,300
-0,5
0,400
0,2
0,200
0,000
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
14
15
16
17
18
19
20
-0,400
-0,6
13
-0,200
-0,4
-0,600
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
10
11
12
13
14
15
16
17
18
19
20
0,6
0,4
0,8
0,6
-1
0,8
-0,8
-1
-0,6
-0,8
-0,4
-0,6
-0,2
-0,4
0,4
0,2
8)
11
0,1
-0,2
7)
10
0,2
0,1
6)
0,3
0,2
5)
0,4
0,3
4)
0,5
0,4
3)
-0,7
0,5
2)
-0,5
-0,700
-0,3
-0,500
-0,1
-0,300
-0,100
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
141
10
11
12
13
14
15
16
17
18
19
20
SARRIKO-ON 4/09

a
Problema 16. Considera la siguiente secuencia de coecientes de autocorrelacin:

o
1 = 0, 75 2 = 0, 56 3 = 0, 42 4 = 0, 31 5 = 0, 23
De qu proceso ARM A(p, q) pueden provenir estos coecientes? (considera slo valores bajos
e
o
de p y q).
Problema 17. Las funciones de autocorrelacin simple y parcial estimadas para una serie
o
temporal de 110 obeservaciones son las siguientes:
k
pk
1
2
3
4
5
-0,38
-0.16
0.12
-0.08
-0.06
-0.38
-0.37
-0.20
-0.18
-0.03
Calcula la desviacin t
o pica asinttica para cada coeciente estimado, k y pk bajo el
o
supuesto de que se trata de una realizacin que procede de un ruido blanco.

o
Qu modelo ARM A(p, q) ha podido generar la serie de datos?
e
Problema 18. La funcin de autocorrelacin estimada para una serie Yt de 144 observaciones
o
o
es:
k
rk
0.84
0.57
0.43
0.34
0.25
0.18
Sugiere un modelo ARM A(p, q) posible para Yt .

Estima l/los parmetros del modelo propuesto (Nota: Recuerda las expresiones para la
e
a
funcin de autocorrelacin simple en funcin de los parmetros del modelo tanto para los
o
o
o
a
modelos AR como MA.)
Suponiendo que el error de prediccin un periodo hacia adelante cometido al predecir Y6
o
con informacin hasta el momento t = 5 es de 0,36 y si Y7 = 1 , obtn la prediccin
o
e
o
para Y8 .
Problema 19. A partir de una muestra de 64 observaciones se ha ajustado el siguiente modelo:

(1 0,8L) Yt = (1 + 0,6L) at
Las funciones de autocorrelacin simple y parcial de los residuos, at , vienen dadas por:
o
142

a
SARRIKO-ON 4/09
pk
0.390
0.390
0.160
0.030
0.054
-0.033
0.021
0.025
-0.004
0.026
A la vista de la informacin anterior, consideras aceptable el modelo ajustado? En caso cono

trario, cual podr ser la reformulacin del modelo?
a
o
Problema 20. Se ha estimado con una muestra de 110 observaciones de la variable Yt el siguiente modelo:
2 = 4
Yt = at + 0, 5 at1 + 0, 4 at2 + 18
Se cuenta con la siguiente informacin acerca de at e Yt :
o
Y106 = 20
Y107 = 21
Y108 = 19
Y109 = 19
Y110 = 17
Obtn la prediccin de Yt por punto para los periodos 111, 112 y 113.
e
o
Calcula los errores cuadrticos medios de prediccin.
a
o
Obtn la prediccin de Yt por intervalo para los periodos 111, 112 y 113.
e
o
Suponiendo que se dispone de la informacin adicional: Y111 = 17, actualiza la prediccin
o
o
de los periodos 112 y 113.
Problema 21. Consideremos el proceso AR(1) siguiente:

(1 L) (Yt ) = at
donde: = 0, 6
2
a = 0, 1
= 9.
Supongamos que se cuenta con las siguientes observaciones:

Y100 = 8, 9
Y99 = 9
Y98 = 9
Y97 = 9, 6
Predice Y101 , Y102 , Y103 , Y104 tanto por punto como por intervalo.
Si se dispone de la informacin adicional: Y101 = 9, 7, actualiza la prediccin de los periodos 102,
o
o
103 y 104.
Problema 22. Para predecir la serie Yt se han utilizado dos modelos diferentes:
Yt = 20 + 0, 5 Yt1 + vt
Yt = 50 + at + 0, 6 at1
donde at y vt son procesos ruido blanco con media cero. En el momento t = 20, las predicciones
de ambos modelos para Y21 han sido de 110 y 90 respectivamente. Qu predicciones para Y22
e
proporcionar ambos modelos con informacin hasta t = 21, sabiendo que Y21 = 100?
an
o
143
SARRIKO-ON 4/09

a
Problema 23. El economista del servicio de planicacin del Ayuntamiento quiere predecir
o
los ingresos mensuales por impuestos en base a los datos recogidos los ultimos 100 meses, Yt .
Analizando el correlograma estimado de la serie Yt , propone los siguientes modelos:

Yt = 90 + 0, 7 Yt1 + at
(8.1)
Yt = 300 + at + 0, 62 at1 + 0, 5 at2
(8.2)
Sabiendo que Y100 = 280 y a98 = 0,5, a99 = 2, a100 = 10

Obtn las predicciones por punto de Y101 , . . . , Y110 con ambos modelos.
e
Representa ambas predicciones y compara sus caracter
sticas. Cul es la estructura de la
a
funcin de prediccin cuando para ambos modelos?
o
o
Sabiendo que los verdaderos valores para Y son:
t
101
102
103
104
105
106
107
108
109
110
yt
295
310
302
275
320
310
290
283
315
303
Representa los errores de prediccin cometidos con ambos mtodos de prediccin. Qu moo
e
o
e
delo proporciona las mejores predicciones?. Utiliza para compararlos aquellos criterios
de precisin de la prediccin que te parezcan ms convenientes?
o
o
a
Problema 24. La serie temporal representada en el grco corresponde a una variable obsera
vada trimestralmente desde el primer trimestre de 1966 al tercer trimestre de 2003. Se desea
15
10
-5
-10
-15
1970
1975
1980
1985
1990
1995
2000
predecir la evolucin de la variable a lo largo de 2004.

o
Basndose en la informacin proporcionada por los correlogramas simple y parcial estimados,
a
o
un experto ha propuesto el siguiente modelo para predecir Yt :
Yt = + at + 1 at1 + 2 at2 +
at N ID(0, 2 )
Crees que la eleccin es correcta? Qu modelo hubieras propuesto t? Por qu?

o
e
u
e
144

a
SARRIKO-ON 4/09
FAC de Y
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
12
14
16
retardo
FACP de Y
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
8
retardo
10
12
14
16
La estimacin del modelo propuesto ha producido los siguientes resultados:

o
1 = 1, 37
= 0, 0275
2 = 0, 51
Calcula las predicciones por punto para los cuatro primeros meses de 2004, con los siguientes
datos adicionales:
Y145 = 23,62 Y146 = 23,18 Y147 = 24,41
Problema 25. Una empresa tiene datos de sus ventas anuales y propone el siguiente modelo:
Vt = 100 + yt
donde Vt son las ventas del trimestre t-simo, son las ventas medias e yt es un proceso ese
tocstico.
a
Las correlaciones estimadas para los valores de y con datos de los ultimos aos son:
n
k
0,8
0,66
0,50
0,40
0,33
0,25
0,2
siendo la media de y durante el periodo muestral cero.

El estad
stico de la compa sugiere que el modelo apropiado para la y es:
na
yt = 0, 8 yt1 + at
donde at es un ruido blanco con media cero. Ests de acuerdo con su decisin? Por qu?
a
o
e
Dado que las ventas de ao 2008 han sido 213, predice las ventas para el ao 2009.
n
n
145
SARRIKO-ON 4/09

a
Problema 26. Sea Yt = 7 + t + Xt , donde Xt es un proceso estacionaria de media cero y

funcin de autocovarianzas k :
o
Cual es la funcin media de Yt ? Cual es la funcin de autocovarianzas de Yt ? Es Yt
o
o
estacionario?
Es Yt estacionario?
Problema 27. Sea una serie anual, Yt que est generada por el siguiente proceso estocstico:
a
a
Yt = a + b t + c t2 + at
donde at es ruido blanco y a, b, c son constantes.
Es el proceso Yt estacionario en covarianza? Es el proceso Yt estacionario en covarianza?
e
Qu operador de diferencias se ha de aplicar para convertir al proceso Yt en estacionario?.
Discute la invertibilidad del proceso resultante.
Existe algn otro mtodo para transformar al proceso Yt en estacionario?
u
e
Problema 28. Sea Yt una serie mensual estacional con factores estacionales constantes, St =
St12 y at una serie de perturbaciones estacionarias.
Si suponemos que la serie Yt consta de una tendencia global lineal y una estacionalidad
aditiva, el modelo apropiado es:
Yt = a + b t + St + at
Es la serie Yt estacionaria? Es la serie Yt estacionaria? Demuestra que la aplicacin
o
del operador 12 a la serie Yt la convierte en estacionaria.
Si suponemos que la serie Yt consta de una tendencia global lineal y una estacionalidad
multiplicativa, el modelo apropiado es:
Yt = (a + bt) St + at
Convierte el operador 12 en estacionaria a la serie Yt ? Si no es as encuentra el operador
que lo hace.
146

a
SARRIKO-ON 4/09
Problema 29. Para cada uno de los siguientes procesos estocsticos:

a
(1)
Yt = 0,7 Yt1 + at
at RBN (0, 9)
(2)
Yt = 5 + 0,7 Yt1 + at
(3)
Yt = Yt1 + at 0,7 at1
(4)
Yt = 5 + Yt1 + at 0,7at1
at RBN (0, 9)
at RBN (0, 9)
at RBN (0, 9)
o
Es Yt estacionario? Si no lo es , existe alguna transformacin que lo convierta en estacionario? Qu modelo ARIM A(p, d, q) sigue?
e
Comenta las caracter
sticas de cada uno de los procesos por separado.
Compara las caracter
sticas de los distintos procesos en las siguientes l
neas:
Funciones de autocorrelacin
o
Evolucin de las series generadas por los distintos modelos.
o
Simula una serie temporal de tamao 50, 100, 200. Comenta los resultados.
n
Problema 30. Considera los siguientes procesos:

1. (1 0, 99L) (1 L) Yt = (1 0, 5L) at
2. (1
L)2 Yt
5. (1 0, 8L) Yt = (1 0, 12L) at
= at 0, 81at1 + 0, 38at2
3. 1 0, 6L) Yt = (1 1, 2L +
4. (1 1, 1L +
0, 8L2 ) Yt
6. (1 L) Yt = (1 1, 5L) at
0, 2L2 ) at
= (1 1, 5L +
7. (1 L) Yt = at + 0, 5at1
0, 72L2 ) a
8. Yt = Yt2 + at + 0, 2 at1
Es el proceso Yt estacionario? Es invertible?

Si no son estacionarios busca una transformacin que los convierta en estacionarios. Qu moo
e
delo ARIM A(p, d, q) son?
Problema 31. Sean los modelos siguientes:

Yt = 0,1Yt1 + 0,9Yt2 + at
Yt = 0,3Yt1 + 0,7Yt2 + at at1
Yt = Yt1 + at
Analiza las condiciones de estacionariedad e invertibilidad del proceso Yt .
En el caso de que no sea estacionario, puede hacerse alguna transformacin para convero
tirlo en estacionario?
Qu modelo ARIM A(p, d, q) son?
e
147
SARRIKO-ON 4/09

a
Problema 32.
A. Escribe estos siguientes modelos en forma ARIM A(p, d, q) y en forma de ecuacin en
o
diferencias:
1.
(1 L)(1 L) Yt = at
2.
(1 L)2 Yt = (1 L) at
3.
(1 L) Yt = (1 L) at
4.
(1 L)Yt = (1 1 L 2 L2 ) at
5.
Yt = (1 L2 ) at
B. Escribe los siguientes modelos en trminos del operador de retardos L :

e
1.
ARIM A(1, 1, 1)
2.
ARIM A(0, 2, 1)
3.
ARIM A(2, 0, 2)
4.
Yt = (1 1 2 ) + 1 Yt1 + 2 Yt2 + at
5.
Yt = (1 1 ) + 1 Yt1 1 at + at
6.
Yt = Yt1 1 at1 2 at2 + at
7.
Yt = 2 Yt1 Yt2 1 at1 + at
8.
Yt = Yt1 + 1 (Yt1 Yt2 ) + 2 (Yt2 Yt3 ) + at
Problema 33. Sea el modelo ARIM A(2, 1, 0) siguiente:

(1 1 L 2 L2 ) Yt = at
Es el proceso Yt estacionario?
Es el proceso Wt = Yt estacionario? Qu proceso lineal sigue la serie Wt ?
e
Calcula la media y la funcin de autocorrelacin simple terica del proceso Wt .
o
o
o
Problema 34. A partir de una muestra de 100 datos se ha ajustado el siguiente modelo:
Yt = (1 0, 324L) at
Las funciones de autocorrelacin simple y parcial de los residuos vienen dadas por:
o
k
pk
-0,508
-0,508
0,013
-0,329
-0,032
-0,220
0,015
-0,143
0,043
-0,093
A la vista de la informacin anterior, consideras aceptable el modelo ajustado? En caso cono

trario, cual podr ser la reformulacin del modelo?
a
o
148

a
SARRIKO-ON 4/09
Problema 35. Considera los siguientes modelos:

1. (1 1 L 2 L2 ) Yt = (1 1 L) at
T = 100, Y99 = 53, Y100 = 56, a100 = 1,4, 1 = 1,4, 2 = 0,7, a = 3,3
1 = 0,3, = 50
2. Yt = (1 1 L 2 L2 ) at
T = 100, a99 = 1,3, a100 = 2, ,6, 1 = 0,7, 2 = 0,5, |mu = 100, a = 2,5
1 = 0,3, = 50
3. (1 1 L)(1 L) Yt = at
T = 100, Y99 = 217, Y100 = 232, 1 = 0,7, a = 8

2
4. (1 L) Yt = (1 1 L) at
T = 100, Y100 = 28, 1 = 0,5, a100 = 0,7, a = 6,7
2
5. (1 1 L) Yt = (1 1 L 2 L2 ) at
T = 100, Y100 = 103, a100 = 1,2, a99 = 0,3, 1 = 0,6
1 = 0,8, 2 = 0,3, a = 2,5

2
6. (1 1 L) ( Yt ) = at
T = 100, Y100 = 1, Y99 = 1, 5, a100 = 0,005, a99 = 0,3, 1 = 0,8 = 0, 2
7. (1 1 L) (1 L) Yt = (1 1 L) at
T = 100, Y100 = 23, Y99 = 18, a100 = 0,2, a99 = 0,3, 1 = 0,8 1 = 0,6
Para cada uno de ellos, obtn las predicciones por punto y por intervalo para
e
= 1, 2, 3, 4, 5.
Problema 36. Sea el modelo estimado:

(1 + 0,6L)(1 L) Yt = (1 0,5L) at + 0,8
a = 1
2
Dado Y79 = 40, Y80 = 41, Y81 = 41 y a80 = 0,2, predice Yt para los periodos 81, 82 y 83.
Calcula los errores cuadrticos medios de prediccin y establece una banda de conanza
a
o
del 95 % para la prediccin.
o
Suponiendo que Y81 = 41, actualiza la prediccin de los periodos 82 y 83.
o
149
SARRIKO-ON 4/09

a
Problema 37. Contamos con 221 datos para analizar la evolucin temporal de la tasa de
o
cambio de Hungr T ipot . Con ayuda de los grcos y la informacin siguientes, contesta a las
a,
a
o
preguntas:
Es estacionaria la serie T ipot ? Por qu?
e
Es preciso tomar alguna diferencia a la serie T ipot para que sea estacionaria?
Qu modelo ARMA(p,q) propones para la serie que has elegido como estacionaria?
e
Estad
para la variable Tipo (221 observaciones vlidas)
a
Media
19, 9115
Desv. T
p.
3, 24292
Mediana
M
nimo
21, 0973
Mximo
a
10, 5407
24, 8438
C.V.
Asimetr
a
Exc. de curtosis
0, 162867
0, 756369
0, 312477
Estad
para la variable DTipo (220 observaciones vlidas)
a
Media
Mediana
0, 0174748
0, 00373450
Desv. T
p.
C.V.
0, 810736
46, 3946
M
nimo
Mximo
a
2, 4866
2, 31328
Asimetr
a
Exc. de curtosis
0, 0622331
0, 357541
Contrastes aumentados de Dickey-Fuller, orden 2, para Tipo:

n
o

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o

o
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o

o
150

a
SARRIKO-ON 4/09
Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) Tipo:

n
o

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o

o
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o
valor p asinttico 5,749 e-016

o
26
2.5
2
24
1.5
22
1
(1-L) Tipo cambio
Tipo cambio
20
18
16
0.5
0
-0.5
-1
14
-1.5
12
-2
10
-2.5
0
50
100
150
200
50
FAC de Tipo
100
150
200
FAC de (1-L) Tipo
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
FACP de Tipo
10
retardo
15
20
FACP de (1-L) Tipo
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
151
10
retardo
15
20
SARRIKO-ON 4/09

a
Problema 38. Los siguientes datos corresponden a la serie Yt a la que se ha ajustado el siguiente
modelo:
Yt = 0,5 + at at1 + 0,5at2
a = 0,04
2
t
Yt
96
172
97
169
98
164
99
168
100
172
Obtn las predicciones para Y101 , Y102 , Y103 , Y104 , Y105 , Y106 .
e
Cul es el comportamiento de la funcin de prediccin conforme
a
o
o
Calcula los Errores Cuadrticos Medios de Prediccin y obtn los intervalos de conanza
a
o
e
del 95 % para las predicciones.
Suponiendo que Y101 = 174, actualiza las predicciones para Y102 , Y103 , . . . , Y106 . Representa
grcamente la serie, las predicciones obtenidas con informacin hasta T = 100 y las
a
o
actualizadas con informacin hasta T = 101.
o
Problema 39. Con una muestra de 110 observaciones se ha estimado el siguiente modelo:
(1 0,5L) Yt = (1 + 0,7L) at
Tambin se dispone de la siguiente informacin:
e
o
t
yt
106
66
107
65
108
64
109
63
110
68
Expresa el modelo en la forma de ecuacin en diferencias nitas.

o
Calcula las predicciones de Yt para los periodos 111, 112, 113, 114 y 115, sabiendo que
a110 = 0,5.
Representa la funcin de prediccin. Cul es su estructura cuando
o
o
a
Expresa el modelo en la forma M A().

2
Calcula los errores cuadrticos medios de prediccin sabiendo que a = 2.
a
o
Calcula las predicciones por intervalo.

Suponiendo que Y121 = 70 actualiza las predicciones.
152

a
SARRIKO-ON 4/09
Problema 40. El director del Servicio de Estudios de una Divisin de la Unin Europea le ha
o
o
pedido a uno de sus economistas que prediga la evolucin de la poblacin de la Unin Europea
o
o
o
hasta el ao 2000. Con los datos de los ultimos 100 aos (1896-1995), el economista estima el
n
n
siguiente modelo:
Pt = (1 0,7L + 1,2L2 )at
Qu modelo ARIM A(p, d, q) ha propuesto el economista?
e
Basndote en este modelo obtn las predicciones de la poblacin hasta el ao 2000 por
a
e
o
n
punto y por intervalo, sabiendo que los ultimos datos de la poblacin y de la prediccin
o
o
obtenida con un ao de antelacin son:
n
o
Mes
Valor real de Poblacin

o
Pt
Prediccin hecha el mes anterior

o
Pt1 (1)
1992
1993
1994
1995
105
109
111
113
104
110.5
110
113.5
sticas del modelo propuesto, cmo se

o
Dadas las predicciones obtenidas y las caracter
comporta la poblacin a largo plazo?
o
Problema 41. Supongamos que el modelo:

Yt = (1 0,5L)et
(8.3)
se utiliza para predecir una serie que de hecho ha sido generada por el modelo:
Yt = (1 0,9L + 0,2L2 )at
(8.4)
Obtn la funcin de autocorrelacin simple del error de prediccin un periodo hacia adee
o
o
o
lante et , obtenidos del modelo ARIM A(0, 1, 1).
o
o
Comenta como esta funcin de autocorrelacin puede utilizarse para identicar un modelo
para la serie et , llevndonos a la identicacin de un ARIM A(0, 1, 2) para la serie Yt .
a
o
Problema 42. El servicio de estudios de un Banco quiere predecir el

ndice de Bolsa de New
York mediante un modelo ARIM A(p, d, q). Para ello cuenta con 78 observaciones diarias del
ndice de bolsa (Yt = DowJonest ). Con la informacin presentada en los grcos y tablas
o
a
siguientes:
153
SARRIKO-ON 4/09

a
Estad
para la variable DowJones (78 observaciones vlidas)
a
Media
115, 683
Desv. T
p.
5, 50606
Mediana
M
nimo
113, 755
Mximo
a
108, 540
124, 140
C.V.
Asimetr
a
Exc. de curtosis
0, 0475960
0, 246937
1, 6263
Estad
para la variable (1-L) DowJones (77 observaciones vlidas)
a
Media
0, 133636
Desv. T
p.
0, 426950
Mediana
M
nimo
0, 130000
0, 770000
1, 53000
C.V.
Asimetr
a
Exc. de curtosis
0, 521255
0, 939981
3, 19487
Mximo
a
Estad
para la variable (1 L)2 DowJones (76 observaciones vlidas)
a
Media
Mediana
0, 00684211
0, 0100000
Desv. T
p.
0, 447974
M
nimo
Mximo
a
1, 2100
1, 23000
C.V.
Asimetr
a
Exc. de curtosis
65, 4731
0, 112599
0, 141083
Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) DowJones:

n
o

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o

o
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o

o
Contrastes aumentados de Dickey-Fuller, orden 2, para (1 L)2 DowJones:
n
o

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o

o
154

a
SARRIKO-ON 4/09
Grco 8.1: Grcos y correlogramas

a
a
126
124
122
FAC de DowJones
Indice Dow Jones
120
+- 1,96/T^0,5
118
0.5
116
114
112
-0.5
110
-1
0
10
108
0
10
20
30
40
50
60
70
15
20
retardo
80
FACP de DowJones
1
2
+- 1,96/T^0,5
1.5
0.5
0
-0.5 0.5
(1-L)(1-L) Indice Dow Jones
(1-L) Indice Dow Jones
1.5
0.5
-0.5
-1
00
10
retardo
15
20
-0.5
-1
-1
-1.5
10
20
30
40
50
60
70
80
10
20
FAC de (1-L) DowJones
30
40
50
60
70
FAC de (1-L)(1-L) DowJones
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
15
20
retardo
10
15
20
retardo
FACP de (1-L) DowJones
FACP de (1-L)(1-L) DowJones
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
10
retardo
15
20
Analiza la estacionariedad de la serie Yt , es decir, es la serie Yt estacionaria en media o es

preciso hacer alguna transformacin para convertirla en estacionaria? Por qu?
o
e
Qu modelo (o modelos) ARM A(p, q) propones para la serie estacionaria? Por qu?
e
e
155
SARRIKO-ON 4/09

a
El economista consultado por el servicio de estudios, basndose en la misma informacin de la

a
o
que t dispones, ha identicado los siguientes modelos:
u
Modelo 1
Yt AR(1)
Modelo 2
Yt ARM A(1, 1)
Modelo 3
2 Yt M A(1)
Modelo 4
2 Yt ARM A(1, 1)
Discute si te parecen razonables los cuatro modelos que l propone.

e
Analiza los resultados que obtiene en la estimacin de cada uno de los modelos. Se ajustan
o
los modelos bien a los datos?
Cul de los cuatro modelos estimados elegir para predecir el futuro de la serie Yt ? Por
a
as
qu?
e

Variable dependiente: (1 L)DowJones
Desviaciones t
Coeciente
1
Desv. t
pica
0,499168
estad
stico t
0,100102
valor p
4,9866

Log-verosimilitud
0,0000
0,133636
0,426950
0,0619386
0,149332
36,190
Real
Imaginaria
Mdulo
o
Frecuencia
2, 0033
0, 0000
2, 0033
0, 0000
AR
Ra
z
Residuos de la regresin (= DowJones observada estimada)

1.5
FAC de los residuos

1
+- 1,96/T^0,5
0.5
residuo
0.5
0
-0.5
0.5
-1
0
1
10
20
30
40
50
60
70
10
15
20
retardo
80

1
+- 1,96/T^0,5
0.5
0
156
-0.5
-1
0
10
retardo
15
20

a
SARRIKO-ON 4/09

Variable dependiente: (1 L)DowJones
Desviaciones t
Coeciente
1
1
Desv. t
pica
0,850965
0,526265
estad
stico t
0,138465
0,254785
valor p
6,1457
2,0655

Log-verosimilitud
0,0000
0,0389
0,133636
0,426950
0,0341779
0,143363
34,689
Real
Imaginaria
Mdulo
o
Frecuencia
AR
Ra
z
1, 1751
0, 0000
1, 1751
0, 0000
Ra
z
1, 9002
0, 0000
1, 9002
0, 0000
MA

1.5
FAC de los residuos

1
+- 1,96/T^0,5
0.5
residuo
0.5
0
0.5
-0.5
-1
0
10
retardo
1.5
10
20
30
40
50
60
70
80
15
20

1
+- 1,96/T^0,5
0.5
0

-0.5
Variable dependiente: (1 L)2 DowJones
-1
0
10
15
Desviaciones t
picas basadas en el 5 Hessiano
20
retardo
Coeciente
1
Desv. t
pica
0,715732
estad
stico t
0,113333

Log-verosimilitud
6,3153
0,00684211
0,447974
0,00664944
0,150368
36,201
Real
Imaginaria
Mdulo
o
Frecuencia
1, 3972
0, 0000
1, 3972
0, 0000
MA
Ra
z
157
valor p
0,0000
SARRIKO-ON 4/09

a

1.5
FAC de los residuos

1
0
-0.5
+- 1,96/T^0,5
0.5
0.5
residuo
0.5
-1
0
10
retardo
1.5
10
20
30
40
50
60
70
15
20

1
+- 1,96/T^0,5
0.5

0
Variable dependiente: (1 L)2 DowJones
-0.5
Desviaciones t
-1
0
Coeciente
1
1
Desv. t
pica
0,247838
0,839131
10
15
20
estad
retardo stico t
0,144741
0,0819245
1,7123
10,2427

Log-verosimilitud
0,0868
0,0000
0,00684211
0,447974
0,00467602
0,144924
34,848
Real
Imaginaria
Mdulo
o
Frecuencia
AR
Ra
z
4, 0349
0, 0000
4, 0349
0, 0000
Ra
z
1, 1917
0, 0000
1, 1917
0, 0000
MA

1.5
FAC de los residuos

1
residuo
0.5
+- 1,96/T^0,5
0.5
0
0.5
-0.5
1
-1
0
1.5
10
20
30
40
50
60
10
15
20
retardo
70

1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
158
10
retardo
15
valor p
20

a
SARRIKO-ON 4/09
Problema 43. Disponemos de 250 observaciones, desde octubre de 1978 hasta julio de 1999,
para analizar y predecir la serie de tipo de inters a largo plazo (Yt = Interest .
e
Analiza la estacionariedad en media de la serie Yt en base a los grcos y la informacin
a
o
presentada. Es preciso hacer alguna transformacin a la serie Yt para que sea estacionaria?
o
Por qu?
e
Propn razonadamente uno (o varios) modelos ARIM A(p, d, q) para la serie estacionaria.
o
Estad
para la variable Interes (250 observaciones vlidas)
a
Media
11, 4799
Desv. T
p.
3, 41329
Mediana
M
nimo
11, 2492
5, 35361
C.V.
Asimetr
a
0, 297328
0, 0707997
Mximo
a
17, 2649
Exc. de curtosis
1, 0438
Estad
para la variable (1-L) Interes (249 observaciones vlidas)
a
Media
Mediana
M
nimo
0, 0477041
0, 0499643
0, 130352
0, 0475899
Desv. T
p.
C.V.
Asimetr
a
Exc. de curtosis
0, 287116
0, 273057
0, 0360135
0, 754934
Mximo
a
Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) Interes:

n
o

modelo: (1 - L)y = (a-1)*y(-1) + ... + e
o

o
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
o

o
159
SARRIKO-ON 4/09

a
Grco 8.2: Grcos y correlogramas

a
a
18
0.06
0.04
16
0.02
14
(1-L) Interes
Interes
12
10
-0.02
-0.04
-0.06
-0.08
-0.1
6
-0.12
4
-0.14
1980
1985
1990
1995
2000
1980
1985
FAC de Interes
1990
1995
2000
FAC de (1-L) Interes
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
FACP de Interes
10
retardo
15
20
FACP de (1-L) Interes
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
10
retardo
15
20
Problema 44. Siguiendo con los datos del Problema anterior, el economista de un servicio de
estudios ha propuesto los siguientes modelos para el tipo de inters:
e
Modelo 1
Yt ARIM A(1, 1, 0)
Modelo 2
Yt ARIM A(1, 1, 1)
Modelo 3
Yt ARIM A(0, 1, 2)
Te parecen apropiados los tres modelos propuestos? Por qu?

e
Basndote en los resultados de la estimacin de los tres modelos (tablas y correlogramas
a
o
simple y parcial de los residuos) que se presentan a continuacin, cul de los tres modelos
o
a
elegir para predecir el futuro de la serie Yt ?
as
160

a
SARRIKO-ON 4/09

Variable dependiente: (1 L)Interes
Variable
Coeciente
const
1
Desv. t
pica
0,0471185
0,589559
Estad
stico t
10,5401
11,4294
0,00447042
0,0515826

Log-verosimilitud
valor p
0,0000
0,0000
0,0477041
0,0360135
0,000160249
0,000847352
527,108
Real
Imaginaria
Mdulo
o
Frecuencia
1, 6962
0, 0000
1, 6962
0, 0000
AR
Ra
z
0.08
0.06
FAC de Residuo Modelo 1
Residuo Modelo 1
0.04
+- 1,96/T^0,5
0.02
0.5
0
0
-0.02
-0.5
-0.04
-1
-0.06
-0.08
1980
1985
1990
1995
2000
10
retardo
15
20
FACP de Residuo Modelo 1

1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
Variable
const
1
1
Coeciente
Desv. t
pica
0,0468605
0,699453
0,161248
9,2591
11,1340
2,1885
0,0477041
0,0360135
0,000220568
0,000831130
529,499
Real
Imaginaria
Mdulo
o
Frecuencia
AR
Ra
z
1, 4297
0, 0000
1, 4297
0, 0000
Ra
z
6, 2016
0, 0000
6, 2016
0, 0000
MA
161
15
Estad
stico t
0,00506103
0,0628214
0,0736799

Log-verosimilitud
10
retardo
20
valor p
0,0000
0,0000
0,0286
SARRIKO-ON 4/09

a
0.08
0.06
Residuo Modelo 2
0.04
0.02
+- 1,96/T^0,5
0.5
0
-0.02
-0.5
-0.04
-1
-0.06
-0.08
1980
1985
1990
1995
2000
10
retardo
15
20

1
+- 1,96/T^0,5
0.5
Modelo 3: estimaciones ARIMA utilizando las0 249 observaciones 1978:111999:07

-0.5
-1
Variable
Coeciente
const
1
2
Desv. t 0
pica
0,0473130
0,615351
0,746517
0,00375620
0,0437706
0,0402836

Log-verosimilitud
10
Estad
stico 15t
retardo
20
12,5960
14,0586
18,5315
valor p
0,0000
0,0000
0,0000
0,0477041
0,0360135
1,85507e-05
0,000634269
562,501
Real
Imaginaria
Mdulo
o
Frecuencia
0, 4121
0, 4121
1, 0815
1, 0815
1, 1574
1, 1574
0, 3079
0, 3079
MA
Ra
z
Ra
z
1
2
0.08
0.06
Residuo Modelo 3
0.04
0.02
0.5
-0.02
-0.5
-0.04
+- 1,96/T^0,5
-1
0
-0.06
1980
1985
1990
1995
2000
10
retardo
15
20

1
+- 1,96/T^0,5
0.5
Sabiendo que:
0
-0.5
Y98,9 = 5, 37
Y98,10 = 5, 35
a98,9 = 0,018
-1
0
a98,10 = 0,023
10
retardo
15
20
predice el tipo de inters a largo plazo desde Noviembre de 1998 hasta Diciembre de 1999.
e
Calcula los errores cuadrticos medios de prediccin Hacia donde tiende la prediccin del tipo
a
o
o
de inters a largo plazo?
e
162

a
SARRIKO-ON 4/09
Problema 45. Supongamos que la serie Yt sigue el siguiente modelo:

(1 1 L 2 L2 ) Yt = at
Qu modelo sigue la serie Yt ?. Es la serie Yt estacionaria?
e
Es estacionaria la serie Zt = Yt ? Qu modelo sigue?
e
e
o
o
o
Obtn la funcin de autocorrelacin simple terica para la serie Zt , k , k = 1, 2, . . . . Explica
cual ser la estructura de la funcin de autocorrelacin parcial terica.
a
o
o
o
En base a una muestra de 100 observaciones para Zt , hemos obtenido que los dos primeros
coecientes de autocorrelacin simple estimados son r1 = 0,93 y r2 = 0,81. Estima los
o
parmetros del modelo para Zt .
a
Supongamos que las ultimas observaciones de la serie Yt son:
t
Yt
95
145
96
141
97
142
98
148
99
150
100
143
y que el error de predecir Y100 con informacin hasta t = 99 es -0.5. Basndote en el

o
a
modelo para Yt con parmetros estimados:
a
Predice los valores de Yt para t = 101, 102, 103, 104, 105, 106.
Cual es el comportamiento de la funcin de prediccin a largo plazo, es decir, cuando
o
o
.?
Calcula los errores cuadrticos medios de prediccin, sabiendo que la varianza del
a
o
error de prediccin un periodo hacia adelante es 2.
o
Si sabemos que Y101 = 155, actualiza el resto de las predicciones.
Problema 46. Compara los modelos estacionales siguientes:

1. Yt = (1 1 L)(1 1 L12 ) at
2. Yt = (1 1 L 12 L12 13 L13 ) at
Se puede distinguir entre las funciones de autocorrelacin del modelo (1) y del modelo (2)?
o
Problema 47. Con una muestra de 120 observaciones se ha estimado el siguiente modelo:
(1 0,5L)(1 + 0,7L4 )(1 L) Yt = (1 0,5L4 ) at
Tambin se dispone de la siguiente informacin:
e
o
t
110
111
112
113
114
115
116
117
118
119
Yt
56
59
58
60
63
66
65
64
63
68
Se pide:
163
SARRIKO-ON 4/09

a
Expresar el modelo en la forma de ecuacin en diferencias nitas.

o
Expresar el modelo en la forma M A().
Efectuar la prediccin de Yt para los periodos 121, 122, 123, 124 y 125.
o
Calcular los errores cuadrticos medios de prediccin y las predicciones por intervalo.
a
o
Suponiendo que Y121 = 70, actualiza las predicciones para los periodos 122, 123, 124 y 125.
Problema 48. Deriva la funcin de autocorrelacin terica para los siguientes procesos:
o
o
o
1. Yt = (1 0, 8L12 )(1 + 0, 6L) at
2. Yt = (1 0, 9L4 )(1 0, 7L) at
Problema 49. Cules de los siguientes modelos estimados son estacionarios e invertibles?
a
1.
(1 0, 8L)(1 L4 )Yt = (1 0, 8L4 ) at
2.
Yt = (1 0, 4L12 0,3L24 ) (1 0, 5L2 ) at
3.
(1 1, 2L + 0, 5L2 )(1 0, 5L12 )(1 L)Yt = at
Problema 50. Escribe los siguientes modelos en trminos del operador de retardos L y en forma
e
de ecuacin en diferencias:
o
1.
ARIM A(0, 1, 1)(0, 1, 1)s
4.
ARIM A(0, 2, 2)(2, 1, 2)12
2.
ARIM A(1, 1, 0)(0, 1, 1)4
5.
ARIM A(0, 1, 0)(0, 1, 1)7
3.
ARIM A(2, 0, 0)(0, 0, 1)12
6.
ARIM A(1, 1, 1)(1, 1, 1)4
164
Lecturas recomendadas
vez (1993). Mtodos de Prediccin en Econom Volumen II. Ed. Ariel.
e
o
a.
a) Aznar, A. y F.J. Tr
Barcelona.
b) Box, G.E.P. y G.M. Jenkins (1970). Time series analysis: forecasting and control. San
Francisco, Holden Day.
c) Franses, P.H. (1998). Time series models for business and economic forecasting. Cambridge
University Press. Cambridge.
d) Pea, D. (2005). Anlisis de series temporales. Alianza editorial. Madrid.
n
a
e) Uriel, E. (2000). Introduccin al anlisis de series temporales. Editorial AC. Madrid.
o
a
165

Estimacion de Arimas

Cargado por

Información del documento

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

Estimacion de Arimas

Cargado por

Copyright:

Formatos disponibles

Anlisis de series temporales:

Mara Pilar Gonzlez Casimiro

Anlisis de Series Temporales: Modelos ARIMA

2.1. Proceso estocstico y serie temporal . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. Procesos estocsticos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.1. Funcin de autocovarianzas y de autocorrelacin . . . . . . . . . . . . . .

2.3.2. Estimacin de los momentos

2.4. Proceso Ruido Blanco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3. Modelos lineales estacionarios

3.1. Modelo Lineal General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2. Procesos autorregresivos: AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.1. Proceso AR(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.2. Proceso AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3. Procesos de Medias Mviles: MA(q). . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.1. Proceso MA(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.2. Proceso MA(q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.4. Procesos Autorregresivos de Medias Mviles: ARMA(p,q). . . . . . . . . . . . . .

4. Modelos lineales no estacionarios

4.1. No estacionariedad en varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2. No estacionariedad en media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3. Modelos ARIMA(p,d,q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Anlisis de Series Temporales: modelos ARIMA

4.3.1. Modelo de paseo aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3.2. Modelo de paseo aleatorio con deriva . . . . . . . . . . . . . . . . . . . . .

5.1. Estrategia de modelizacin ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.1. Anlisis de estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.2. Identicacin del modelo estacionario . . . . . . . . . . . . . . . . . . . .

5.4. Validacin del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.4.1. Anlisis de coecientes estimados . . . . . . . . . . . . . . . . . . . . . . .

5.4.2. Anlisis de residuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6. Prediccin ptima con modelos ARIMA(p, d, q)

6.1. Prediccin con modelos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . .

6.1.1. Prediccin con modelos MA(q). . . . . . . . . . . . . . . . . . . . . . . . .

6.1.2. Prediccin con modelos AR(p) . . . . . . . . . . . . . . . . . . . . . . . .

6.1.3. Prediccin con modelos ARMA(p,q). . . . . . . . . . . . . . . . . . . . . .

6.1.4. Predicciones con modelos estacionarios estimados . . . . . . . . . . . . . .

6.2. Prediccin con modelos no estacionarios. . . . . . . . . . . . . . . . . . . . . . . .

7. Modelos ARIMA estacionales

7.1. Modelos estacionales puros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

8.1. Cuestiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

Anlisis de Series Temporales: modelos ARIMA

La serie representada en el grco 1.1 es la Renta Nacional de la Unin Europea (27 pa

Anlisis de Series Temporales: modelos ARIMA

Grco 1.2: Empleo en el Estado Espaol

Empleo (1961,I - 1994,IV)

Anlisis de Series Temporales: modelos ARIMA

Debido a estas caracter

lo que se va a centrar en el anlisis de las series temporales univariantes.

Anlisis de Series Temporales: modelos ARIMA

informacin muestral de una manera sistemtica. El uso sistemtico de la informacin muestral

Anlisis de Series Temporales: modelos ARIMA

poral, lo que ayudar a construir el modelo apropiado para los datos.

Este coeciente no tiene unidades por denicin y toma valores 1 xy 1. Si xy = 0, no

Anlisis de Series Temporales: modelos ARIMA

poblacional mediante su correspondiente coeciente muestral:

El coeciente de correlacin se puede utilizar como instrumento para analizar la estructura de

(Yt Y(1) )(Yt+1 Y(2) )

El coeciente r1 mide la correlacin, grado de asociacin lineal, entre observaciones sucesivas; se

Anlisis de Series Temporales: modelos ARIMA

El correlograma es el grco de los coecientes de autocorrelacin de orden k contra el retardo

(B.1) Correlacin a corto plazo.

Anlisis de Series Temporales: modelos ARIMA

(B.2) Correlacin a corto plazo.

Anlisis de Series Temporales: modelos ARIMA