Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tendencias Series de Tiempo Oliveros
Tendencias Series de Tiempo Oliveros
Hugo Oliveros C.
Investigador Adjunto,
IRI Colombia University
MOTIVACION
Z = + et ;
t
t
MOTIVACION
Z = + et
t
t
Z = + et
t
t
PZ z PZ '' z
ti
ti
Z = + et
t
t
Z t = t + et
E ( et ) = 0; V ( et ) = e2
Preguntas :
E ( Z t ) = Z t = + et
Modelo
V (Z t ) =
2
t
Z = + et
t
t
*
#
*
#
T
t
*
#
1 t 12
1
t
t
t
t
t
12 t
(1 B )
1
Z = + et
t
t
Dominio del
Tiempo
Dominio de la
Frecuencia
Auto-correlacion, (ACF,PACF),
Correlacion cruzada (CCF)
Peridiograma, densidad
espectral, espectro cruzado
SERIES ESTACIONARIAS
Procesos Estacionarios I(0)
(1) : E (Z t ) = ; (2) : V (Z t ) = 2 ;
Z
(3) : CovZ t , Z
(A)
= CovZ
,Z
= (h)
(t h)
t + k (t + k h)
(3 A) : Cor Z t , Z
= (h) = (h) / Z2
(t h)
(C)
Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.
SERIES NO ESTACIONARIAS
Procesos No-estacionarios
)
=
(4) : E(Z
(A*)
(B*)
Zt ~ I (1) Zt Z
= (1 B)Zt ~ I (0)
t 1
(C*)
Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.
ESTRATEGIA DE ANALISIS
MST
Graficas de la
serie(s): (patrones,
Tendencia,
Estacionalidad,
Variabilidad)
(Estacionaria(s),
no-estacionaria(s)
ARIMA
ARMA
TFNM(ARIMAX)
STSM
REGRESION
VAR
VEC
PANEL
OTROS..
MODELO
SERIES
TIEMPO
(MST)
NO
EMST
(OK)
Tendencia ?
Decae
lentamente?
Se corta
despues de
rezago 1 ?
Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.
(3A)
Z = c + 1Z
+ et ; (1 1B12)Z = c + et
t
t 12
t
1
Z =+
et ;
t
12
(1 B )
1
ACF:
(h) = 1 j ; h = j *12 , j = 1,2,3,..;
PACF:
( )
h, h
= 1; h = 1; = 0, otro caso
h, h
Estimate Std.Error
17.559
5.387
0.825
0.054
t-stat
p-value
Pr(>|t|)
3.259
0.002 **
15.205 <2e-16
***
LA TENDENCIA
TENDENCIA
Y = +Y
+
t
t 1 t
This image cannot currently be display ed.
Y = + *t +
t
t
Y = +Y
+ ; ~ NI (0, 2 )
t
t 1 t t
t
Y = y + *t + ;
t
i
0
i =1
E(Y ) = y + * t; V (Y ) = t 2
t
t
0
t
Y = y + *t +
t
0
i
i =1
( I ) : Y = c + * t + ;
donde
t
t
t
t 1
= = + t = v
+
t
i
i
t 1 t
i =1
i =1
Caso : Y_dt
( II ) : Y = + * t + ; donde
t
t
~ NI (0, 2 )
t
LA ESTACIONALIDAD
ESTACIONALIDAD:
15
10
5
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
0
-5
-10
-15
Z = c + 1Z
+e
t
t 12 t
S_(2)
LA ESTACIONALIDAD
ESTACIONALIDAD:
- Cuando las series siguen un patron de
variacion periodico en su evolucion que esta
atado al calendario, se dice que tienen un
comportamiento estacional.
- Al igual que en el caso de la tendencia es
factible construir patrones similares a
comportamientos estacionales a partir de
representaciones deterministicas [S(L)], o
partir de modelos que dependen de una
estructura que depende de la frecuencia
estacional. (SARMA, SARIMA-(raiz unitaria
estacional)
- Regularmente cuando se identifica su
presencia se le puede asociar con la
existencia de un filtro lineal estacional
(SARMA,SARIMA), o con f-sinusiodales: S(L)
EL CICLO
CICLO:
Fuente:prudentinvestor.com
EL CICLO
(A)
CICLO:
- De igual forma es factible usar filtros
lineales, o bandpass filtros (BPF). BPF
dejan pasar seales en un intervalo
especifico de frecuencia: [x1,x2] El
intervalo esta asociado con la
frecuencias de interes, (Ver: HodrickPrescott , Butterworth Filters).
(B)
LA TENDENCIA Y EL CICLO
Y : Estacionaria (E), es decir, Y ~ I(0) : si para todo t, k, h se tiene :
t
t
(1) E (Yt ) = ; (2) V (Yt ) = 2 ; (3) cor Yt , Yt k = cor Yt +h , Yt +hk = (k )
Y
(B2) w = w
+ w
+ ; w =
t
1 t 1 2 t 2
t
t
t
2
1 1B 2 B
LA TENDENCIA Y EL CICLO
1
1 B B 2 Y Y
= c + Y Y
=+
1
2
t 1
t
t
t 1
t
1 B B 2 t
1
2
CONSIDERACIONES FINALES
La identicacion de la presencia {T, E,C,I} en una serie de tiempo permite entender su dinamica, la
persistencia y la recurrencia de patrones de comportamiento que se presentan en las series de
tiempo.
Su separacion no es proceso simple. Por ejemplo: dado que los ciclos pueden oscilar a frecuencias
bajas (asociadas con tendencias de largo plazo), la separacion entre la tendencia y el ciclo requiere
de procedemientos especializados (filtros y modelos complejos).
Existen multiples alternativas para eliminar algunos de las componentes de T, C, E, I, de las series
de tiempo (e.g. modelacion, uso de filtros ) y por defecto encontrar los restantes, sin embargo, cada
alternativa escogida tiene costo que necesario evaluar a luz de pruebas adecuadas sobre los
supuestos y la dinamica que las series generadas deben seguir.
R, SAS/ETS, SAS/IML, y MATLAB entre otros paquetes ofrecen rutinas para procesar y filtrar las
series al igual que para evaluar las hipotesis subyacentes. Sin embargo, es importante consultar la
pertinencia de los modelos implicitos en la derivacion de las componentes (estadistica + algo mas)
Si las variables que se analizan causan (o son las fuerzas que determinan parcialmente) la dinamica
de otras variables, sus propiedades estadisticas pueden/deben aparecer en el comportamiento de
dichas variables. En consecuencia analisis conjuntos podrian ofrecer alternativas mas utiles para
confirmar los hallazgos.
Para construir los modelos, o usar los filtros se requieren series de tiempo largas (varias
repeticiones de los patrones existentes) en consecuencia los esfuerzos por recuperar , limpiar y
mantener las series (las bases de datos) deben ser parte fundamental de la estrategia al momento de
discutir el presupuesto.