Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estimacion de Arimas
Estimacion de Arimas
Modelos ARIMA
ISBN: 978-84-692-3814-1
04-09
Contenido
1. Introduccin
o
2. Procesos estocsticos
a
11
11
2.2. Caracter
sticas de un proceso estocstico . . . . . . . . . . . . . . . . . . . . . . .
a
12
13
14
. . . . . . . . . . . . . . . . . . . . . . . . .
17
18
19
19
22
22
27
31
31
34
38
43
43
44
45
SARRIKO-ON 4/09
47
48
5. Modelizacin ARIMA
o
49
49
5.2. Identicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
o
51
52
61
5.3. Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
o
69
73
73
77
85
86
88
90
92
94
97
101
135
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
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
SARRIKO-ON 4/09
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
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
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
SARRIKO-ON 4/09
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
cov(x, y)
V (x)V (y)
SARRIKO-ON 4/09
(xt x)(yt y )
rxy =
t=1
T
(xt x)2
t=1
(yt y )2
t=1
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
(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
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
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
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
Autocorrelation
55
50
45
40
20
30
40
50
60
70
80
90
00
-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
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
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.
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
{Yt }+
o
simplemente Yt
Dado que el objetivo del libro es el anlisis de series temporales, consideraremos unicamente
a
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
SARRIKO-ON 4/09
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
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
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, . . . ,
t, s (t = s)
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.
y k
SARRIKO-ON 4/09
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 < ,
E(Yt ) = <
(2) Cov(Yt Ys ) =
2
V (Yt ) = Y < t = s
|ts| = k < t = s
V (Yt ) y k , k = 1, 2, . . . ,
2.3.1.
SARRIKO-ON 4/09
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
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
cov(Yt Yt+k )
k =
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
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
k ,
2.3.2.
k = 0, 1, 2, 3, . . .
k ,
k = 1, 2, 3, . . .
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
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.
V (at ) = 2 , t
Cov(at as ) = 0, t = s
k = 0, k > 0
k = 0, k > 0
-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.
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
t = 1, 2, . . .
(3.1)
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
1
at = (L) at = (1 + 1 L + 2 L2 + . . . ) at
(L)
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
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
SARRIKO-ON 4/09
M A(q). Modelo que slo presenta parte medias mviles, es decir, el polinomio autoo
o
rregresivo es de orden 0:
Yt AR(p)
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.
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, . . .
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)
SARRIKO-ON 4/09
at1
at
at+1
at+2
. . . at2
...
...
(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
= 0
= 1
= 2
.
.
=
.
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
k1
k
=
= k1
0
0
k =
k=0
k1
k>0
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
SARRIKO-ON 4/09
= -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
SARRIKO-ON 4/09
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:
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
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
3.2.2.
SARRIKO-ON 4/09
Proceso AR(p).
at RB(0, 2 )
t = 1, 2, . . .
(3.6)
p (L) Yt = at
modulo de las ra del polinomio autorregresivo p (L) est fuera del circulo unidad.
ces
a
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
Condicin de estacionariedad:
o
|L1 | =
1 +
2 + 4 2
1
>1
2 2
|L2 | =
2 + 4 2
1
>1
2 2
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
SARRIKO-ON 4/09
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
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 =
1 0
1 2
29
(3.7)
SARRIKO-ON 4/09
1
k =
1 k1 + 2 k2
por lo tanto:
k=0
k=1
k>1
k
1 k1 + 2 k2
=
= 1 k1 + 2 k2
0
0
k = 1, 2, 3, . . .
k=0
1 k1 + 2 k2
k =
k>0
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
3.3.
SARRIKO-ON 4/09
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 )
3.3.1.
Proceso MA(1).
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
. . . 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
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
1
k =
= (1 + 2 ) 2
k=0
= 2
k=1
=0
k>1
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
SARRIKO-ON 4/09
= -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
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)
Yt = q (L) at
SARRIKO-ON 4/09
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)
at RB(0, 2 )
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
= 1 2 + 1 2 2 = (1 + 1 2 ) 2
2 = E[(Yt E(Yt ))(Yt2 E(Yt ))] = E(Yt Yt2 ) =
= 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
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
0,8
0,8
0,6
0,6
0,4
0,4
0,2
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
-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
(1 + 1 L + 2 L2 + 3 L3 + . . .) Yt = at
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
Yt = at at1
Yt = (1 L) at
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
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
3.4.
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
SARRIKO-ON 4/09
(L) Yt = at
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
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, . . .
...
at2
at1
at
at+1
at+2
...
39
(3.13)
SARRIKO-ON 4/09
L=
|L| =
|| < 1
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
0 =
k =
1 =
k =
SARRIKO-ON 4/09
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
at RB(0, 2 )
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
h(t ) + (Yt t ) h (t )
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
1
t
h(t ) = ln(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.
SARRIKO-ON 4/09
4.3.
Modelos ARIMA(p,d,q).
(4.1)
SARRIKO-ON 4/09
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)
(4.3)
4.3.1.
SARRIKO-ON 4/09
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
-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.
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
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.
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
Generacin
o
Realizacin: Y1 , Y2 , . . . , YT
o
49
SARRIKO-ON 4/09
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
SARRIKO-ON 4/09
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
SARRIKO-ON 4/09
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
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
SARRIKO-ON 4/09
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
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
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)
SARRIKO-ON 4/09
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
N (0, 1)
con
o bien
= 1
(5.3)
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
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)
(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
SARRIKO-ON 4/09
at RBN (0, 2 )
(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.
at RBN (0, 2 )
(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
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
SARRIKO-ON 4/09
+- 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)
+- 1,96/T^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
SARRIKO-ON 4/09
60
SARRIKO-ON 4/09
+ 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)
+ 1,96/T^0,5
10
15
20
retardo
25
30
35
(Zt Z)(Ztk Z)
k =
t=k+1
k = 1, 2, . . . , T /3
(5.10)
(Zt Z)2
t=1
SARRIKO-ON 4/09
AR(p)
Decrecimiento rpido
a
No se anula
ARM A(p, q)
Decrecimiento rpido
a
No se anula
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
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)
Decrecimiento rpido
a
No se anula
AR(p)
Decrecimiento rpido
a
No se anula
ARM A(p, q)
Decrecimiento rpido
a
No se anula
Decrecimiento rpido
a
No se anula
63
SARRIKO-ON 4/09
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
V (k )
N (0, 1)
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
SARRIKO-ON 4/09
V (k )
p
N (0, 1)
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
+- 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
+ 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
SARRIKO-ON 4/09
Z H0
t(T 1)
Z
Z =
2
C0
(1 + 21 + 22 + . . . + 2n )
(5.11)
C0
T
SARRIKO-ON 4/09
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
Z
t(180 1)
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 =
AR(3) :
(2)
ARM A(2, 1) :
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
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
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
6,68527
1,14741
0,340902
0,258269
0,114106
0,0902207
0,137053
0,0903199
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
6,68440
1,49195
0,817975
0,328985
0,106330
0,0648607
0,0578566
0,0982730
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
SARRIKO-ON 4/09
AR(3) :
(0, 10)
(2)
(0, 14)
(0, 09)
ARM A(2, 1) :
(0, 13)
(0, 08)
(0, 07)
1 1 2 . . . p
(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)
(0, 07)
2 = 0, 30731
(0, 08)
(0, 13)
71
2 = 0, 30737
SARRIKO-ON 4/09
0,0142529
0,719692
0,00443753
0,0613815
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
0,0142527
0,720531
0,00102293
0,00444005
0,0991205
0,0948359
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
5.4.
SARRIKO-ON 4/09
5.4.1.
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)
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)
V (i )
SARRIKO-ON 4/09
(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.
Ejemplo 6.6. Pieles de lince.
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
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
C
C
H0 : i = 0
Ha : i = 0 ,
6, 68
0, 12
i = 1, 2, 3
1
1
1, 14
0, 10
const
phi 1
phi 2
theta 1
2
2
0, 34
0, 14
SARRIKO-ON 4/09
3
3
0, 26
0, 09
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.
Contrastes de signicatividad individual:
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
SARRIKO-ON 4/09
1 :
1
1
1, 50
0, 07
2
2
0, 82
0, 06
0, 34
0, 13
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
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)
C0 ()
a
N (0, 1)
(5.20)
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
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)
T p q
6
1
Asimetria2 + (Kurtosis 3)2
4
SARRIKO-ON 4/09
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
+- 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
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
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
sticos principales, usando las observaciones 1821 - 1933
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
El estad
stico de Box-Ljung proporciona los siguientes resultados:
Modelo AR(3)
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)
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
Ejercicio 6.6. Produccin de tabaco.
o
Estos son los resultados de estimar dos modelos para la serie Ln(Produccion).
Estad
sticos principales, usando las observaciones 1871 - 1984
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
sticos principales, usando las observaciones 1871 - 1984
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
SARRIKO-ON 4/09
Modelo ARIMA(0,1,1)
Modelo ARIMA(0,1,2)
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
+- 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
Normalidad: JB = 2,49
0.5
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
+- 1,96/T^0,5
Q(36) = 18,58
-0.5
-0.5
-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
theta 1
1, 90397e-06
0, 00982488
theta 2
1, 50197e-06
0, 00737726
0, 00899385
const
theta 1
theta 2
81
35
SARRIKO-ON 4/09
Apndice A. Datos.
e
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
SARRIKO-ON 4/09
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
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
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
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
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:
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)
6.1.
V (eT ( )),
YT ( ) + N/2
V (eT ( ))
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
+1 aT 1
86
+2 aT 2
+3 aT 3
+ ...
+...
SARRIKO-ON 4/09
dado que:
aT +j
j0
E(aT +j ) = 0
ET (aT +j ) =
j>0
+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
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
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, . . .
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
La funcin de prediccin es:
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
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 )
6.1.2.
2
2
2
2 (1 + 1 + . . . + q1 + q ) = N/2
V (Yt )
at RBN (0, 2 )
t = 1, 2, . . .
= 1, 2, 3, . . .
dado que:
ET (YT +j ) =
YT +j
j0
E(YT (j))
j>0
90
(6.3)
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
=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 )
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, . . .
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.
at RBN (0, 2 )
t = 1, 2, . . .
(6.4)
SARRIKO-ON 4/09
+ 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)
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:
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
...
...
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.
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
SARRIKO-ON 4/09
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
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)
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
|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
YT (1) = 9, 3 + 0, 82 YT + 0, 62 aT
>2
YT ( ) =
YT ( ) = 9, 3 + 0, 82 YT ( 1)
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 YT ( ) = E(Yt ) =
m
1
96
9, 3
= 51, 67
1 0, 82
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.
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
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
La funcin de prediccin es:
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
= 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 +
SARRIKO-ON 4/09
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
de forma que
j = 1 j
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
SARRIKO-ON 4/09
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
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.
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
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
SARRIKO-ON 4/09
Modelo AR(1)4 :
(1 L4 ) Yt = at
Yt = Yt4 + at
2
1 2
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
SARRIKO-ON 4/09
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, . . . .
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
SARRIKO-ON 4/09
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
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
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
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.
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
SARRIKO-ON 4/09
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
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
SARRIKO-ON 4/09
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
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
(j)
L y = y 1 = Yj+12( 2) = Yj12+12( 1) = L12 Yj+12( 1)
(j)
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
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
111
SARRIKO-ON 4/09
k > 5
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
Yt = Yt1 + at 4 at4
SARRIKO-ON 4/09
2 (1 + 2 2 4 4 )
4
1 2
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
114
SARRIKO-ON 4/09
k > 10
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
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)
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
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.
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
SARRIKO-ON 4/09
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
+- 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
+- 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
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
0.15
0.3
0.1
(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
SARRIKO-ON 4/09
121
SARRIKO-ON 4/09
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
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
SARRIKO-ON 4/09
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
+- 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
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
Desv. t
pica
0,401823
0,556937
0,0896453
0,0731050
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.
Contrastes de signicatividad individual:
H0 : = 0
Ha : = 0
:
H0 : = 0
Ha : = 0
0, 265
0, 0699
0, 527
0, 072
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
+- 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
125
SARRIKO-ON 4/09
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
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
SARRIKO-ON 4/09
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
128
SARRIKO-ON 4/09
+- 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
sticos principales, usando las observaciones 1975:1 - 1988:4
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
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
0,353517
0,868740
0,131443
0,177300
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
Coeciente
Desv. t
pica
0,296070
0,855573
0,115774
0,161817
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
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
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
1982
1984
1986
1988
+- 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
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
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
SARRIKO-ON 4/09
Apndice C. Datos.
e
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
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
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
8.2.
SARRIKO-ON 4/09
Problemas
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
Dibuja Yt contra Yt+1 e Yt contra Yt+2 y, en base a estos grcos, sugiere valores aproxia
mados para 1 y 2 .
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
Yt = 0,8 Yt1 + at
(b)
2
a = 2
Yt = 0,5 Yt1 + at
SARRIKO-ON 4/09
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?
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
2 = 3
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 Y100 es mayor que la media del proceso, es de esperar que Y101 sea tambin mayor?
e
138
SARRIKO-ON 4/09
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
2 = 1
Es estacionario? Es invertible?
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?
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
139
SARRIKO-ON 4/09
Yt = 0, 9 Yt1 + at + 0, 8 at1
(b)
2 = 5
Yt = 0, 6 Yt1 + at 0, 6 at1
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
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
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
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
Las funciones de autocorrelacin simple y parcial de los residuos, at , vienen dadas por:
o
142
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
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.
2
a = 0, 1
= 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
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 .
(8.1)
(8.2)
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
at N ID(0, 2 )
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
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
SARRIKO-ON 4/09
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
SARRIKO-ON 4/09
Yt = 0,7 Yt1 + at
at RBN (0, 9)
(2)
Yt = 5 + 0,7 Yt1 + at
(3)
(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
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
SARRIKO-ON 4/09
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
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.
7.
8.
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
SARRIKO-ON 4/09
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
2
5. (1 1 L) Yt = (1 1 L 2 L2 ) at
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.
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
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
sticos principales, usando las observaciones 1 - 221
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
sticos principales, usando las observaciones 1 - 221
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
SARRIKO-ON 4/09
26
2.5
2
24
1.5
22
1
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
+- 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
+- 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
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
152
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
1992
1993
1994
1995
105
109
111
113
104
110.5
110
113.5
(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
ndice de bolsa (Yt = DowJonest ). Con la informacin presentada en los grcos y tablas
o
a
siguientes:
153
SARRIKO-ON 4/09
Estad
sticos principales, usando las observaciones 1 - 78
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
sticos principales, usando las observaciones 1 - 78
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
sticos principales, usando las observaciones 1 - 78
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
154
SARRIKO-ON 4/09
124
122
FAC de DowJones
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
1.5
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
30
40
50
60
70
+- 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
+- 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
155
SARRIKO-ON 4/09
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)
Desv. t
pica
0,499168
estad
stico t
0,100102
valor p
4,9866
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
+- 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
+- 1,96/T^0,5
0.5
0
156
-0.5
-1
0
10
retardo
15
20
SARRIKO-ON 4/09
Desv. t
pica
0,850965
0,526265
estad
stico t
0,138465
0,254785
valor p
6,1457
2,0655
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
+- 1,96/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
+- 1,96/T^0,5
0.5
0
20
retardo
Coeciente
1
Desv. t
pica
0,715732
estad
stico t
0,113333
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
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
+- 1,96/T^0,5
0.5
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
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
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
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
158
10
retardo
15
valor p
20
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
sticos principales, usando las observaciones 1978:10 - 1999:07
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
sticos principales, usando las observaciones 1978:10 - 1999:07
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
159
SARRIKO-ON 4/09
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
+- 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
+- 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)
160
SARRIKO-ON 4/09
Coeciente
const
1
Desv. t
pica
0,0471185
0,589559
Estad
stico t
10,5401
11,4294
0,00447042
0,0515826
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
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
+- 1,96/T^0,5
0.5
0
-0.5
Modelo 2: estimaciones ARIMA utilizando las 249 observaciones 1978:111999:07
-1
Variable dependiente: (1 L)Interes
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
10
retardo
20
valor p
0,0000
0,0000
0,0286
SARRIKO-ON 4/09
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
+- 1,96/T^0,5
0.5
Variable
Coeciente
const
1
2
Desv. t 0
pica
0,0473130
0,615351
0,746517
0,00375620
0,0437706
0,0402836
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
+- 1,96/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
SARRIKO-ON 4/09
t
Yt
95
145
96
141
97
142
98
148
99
150
100
143
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
Problema 48. Deriva la funcin de autocorrelacin terica para los siguientes procesos:
o
o
o
1. Yt = (1 0, 8L12 )(1 + 0, 6L) at
Problema 49. Cules de los siguientes modelos estimados son estacionarios e invertibles?
a
1.
2.
3.
Problema 50. Escribe los siguientes modelos en trminos del operador de retardos L y en forma
e
de ecuacin en diferencias:
o
1.
4.
2.
5.
3.
6.
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