MODELOS ARIMA:

(i) Definiciones bsicas

Prof. Rafael de Arce www.uam.es/rafael.dearce

Prof. Ramn Maha www.uam.es/ramon.mahia
Dpto. Economa Aplicada
U.D.I. Econometra e Informtica

1
I.1.- INTRODUCCIN

En 1970, Box y Jenkins desarrollaron un cuerpo metodolgico destinado a identificar,

estimar y diagnosticar modelos dinmicos de series temporales en los que la variable tiempo juega
un papel fundamental, los modelos ARIMA. La metodologa ARIMA es slo una pequea parte
de los que se conoce normalmente como Econometra de Series Temporales pero, sin duda
alguna, una de las ms utilizadas y germen de otros muchos desarrollos posteriores.
Como se ver a lo largo del curso, esta metodologa libera al investigador econmetra de
la tarea de especificacin de los modelos (revisin de marco terico, identificacin de variables
relevantes, especificacin de forma funcional,) dejando que los propios datos temporales de
la variable a estudiar nos indiquen las caractersticas de la estructura probabilstica subyacente y
nos ayuden a pronosticar el futuro.
En ocasiones, los procedimientos que vamos a analizar se han contrapuesto a la llamada
econometra estructural, es decir, a la especificacin de modelos economtricos apoyada en las
teoras subyacentes; sin embargo, hoy en da los conceptos y procedimientos que examinaremos
constituyen ms una herramienta para apoyar y complementar los conocimientos economtricos
tradicionales que un modo alternativo de hacer econometra. Por otro lado, la utilizacin de
modelos ARIMA se restringe a series largas y de alta frecuencia (meses, semanas, das,.) y su
utilidad finalista los hace tiles para el pronstico a corto plazo pero no para la comprensin
estructural del fenmeno o la simulacin de escenarios.
I.2.- DEFINICIONES BSICAS PARA APROXIMARSE A LOS MODELOS ARIMA

1. Proceso estocstico
Un proceso estocstico es una sucesin de variables aleatorias Yt ordenadas, pudiendo
tomar t cualquier valor entre - y . Por ejemplo, la siguiente sucesin de variables aleatorias
puede ser considerada como proceso estocstico:

Y -5 , y -4 , y -3 , y -2 ,........ y 3 , y 4
El subndice t no tiene, en principio, ninguna interpretacin a priori, aunque si hablamos
de proceso estocstico en el contexto del anlisis de series temporales este subndice representar
el paso del tiempo.
2. Serie temporal y proceso estocstico
Una vez introducido el concepto genrico de proceso estocstico puede decirse que una
serie temporal cualquiera es, en realidad, una muestra, una realizacin concreta con unos valores
concretos de un proceso estocstico terico, real. El anlisis de series temporales tratar, a partir
de los datos de una serie temporal, inferir las caractersticas de la estructura probabilstica
subyacente, del verdadero proceso estocstico. Si logramos entender qu caractersticas tiene este
proceso (cul es la esperanza de sus variables, su varianza y las relaciones entre variables
separadas en el tiempo) y observamos adems que estas caractersticas se mantienen en el tiempo,
podremos utilizar la metodologa ARIMA para proyectar su valor en el futuro inmediato.
3. Estacionariedad de un proceso:
La utilizacin de modelos ARIMA como estrategia de prediccin de series temporales
slo tiene sentido si las caractersticas observadas en la serie (o ms correctamente, en el proceso
estocstico subyacente) permanecen en el tiempo.

Proceso estocstico estacionario en sentido fuerte.

Cada una de las variables Yt que configuran un proceso estocstico tendrn su propia
funcin de distribucin con sus correspondientes momentos. As mismo, cada conjunto de
variables tendrn su correspondiente funcin de distribucin conjunta y sus funciones de
distribucin marginales. Habitualmente, conocer esas funciones de distribucin resulta complejo
de forma que, para caracterizar un proceso estocstico, basta con especificar la media y la varianza
para cada yt y la covarianza para variables referidas a distintos valores de t:
E[ Y t ] = t
2
t2 = Var( y t ) = E[ y t - t ]

t , s = Cov( Y t ,Y s ) = E[( y t - t )( y s - s )]

Decimos que un proceso estocstico es estacionario en sentido estricto o fuerte si las

funciones de distribucin conjuntas (no slo la esperanza, las varianzas o las covarianzas, sino las
funciones de distribucin completas) son constantes, o dicho con ms propiedad, son
invariantes con respecto a un desplazamiento en el tiempo (variacin de t). Es decir,
considerando que t, t+1, t+2, ...., t+k reflejan perodos sucesivos:

F( Y t ,Y t+1 ,.....Y t+k ) = F( Y t+m ,Y t+1+m ,.....,Y t+k +m )

para cualquier t, k y m; por ejemplo:
Proceso estocstico estacionario en sentido dbil
La definicin de estacionariedad en sentido estricto puede relajarse sustancialmente
utilizando la denominada estacionariedad en sentido amplio o dbil. Decimos que un proceso
estocstico es dbilmente estacionario si:
-

Las esperanzas matemticas de las variables aleatorias no dependen del tiempo, son
constantes:

E[ Y t ] = E[ Y t+m ] m
- Las varianzas tampoco dependen del tiempo (y son finitas):

Var[ Y t ] = Var[ Y t+m ] m

- Las covarianzas entre dos variables aleatorias del proceso correspondientes a perodos
distintos de tiempo (distintos valores de t) slo dependen del lapso de tiempo transcurrido
entre ellas:

Cov( Y t ,Y s ) = Cov( Y t+m ,Y s+m ) m

De esta ltima condicin se desprende que, si un fenmeno es estacionario, sus variables

pueden estar relacionadas linealmente entre si, pero de forma que la relacin entre dos variables
slo depende de la distancia temporal k transcurrida entre ellas.

Definicin informal de un proceso estacionario

De una manera informal, diremos que un proceso es estacionario cuando se encuentra en
equilibrio estadstico, en el sentido de que sus propiedades (su media, su varianza, las covarianzas
entre distintas variables del proceso) no varan a lo largo del tiempo
4. Proceso estocstico ruido blanco
En este contexto, un ruido blanco es una sucesin de variables aleatorias (proceso
estocstico) con esperanza nula, varianza constante, y covarianzas nulas para distintos valores de t.
Este tipo de proceso, que slo presenta varianza, que no presenta relacin entre variables de
distintos perodos, no podr ser reproducido con un modelo ARIMA, es un proceso vaco de
informacin de carcter autoproyectivo.
5. Modelos autorregresivos AR(p)
Los modelos ARIMA tratarn de expresar la evolucin de una variable Yt de un proceso
estocstico en funcin del pasado de esa variable o de impactos aleatorios que esa variable sufri
en el pasado. Para ello, se utilizarn dos tipos de formas funcionales lineales sencillas: los
modelos AR (Modelos Autorregresivos), y los modelos MA (de Medias Mviles).
Definimos un modelo AR (autorregresivo) como aquel en el que la variable endgena de
un perodo t es explicada por las observaciones de ella misma correspondientes a perodos
anteriores (parte sistemtica) ms un trmino de error ruido blanco (innovacin).
Los modelos autorregresivos se abrevian con la palabra AR tras la que se indica el orden
del modelo: AR(1), AR(2),....etc. El orden del modelo expresa el nmero de observaciones
retasadas de la series temporal analizada que intervienen en la ecuacin. As, por ejemplo, un
modelo AR(1) tendra la siguiente expresin:

Y t = 0 + 1 Y t -1 + a t
La expresin genrica de un modelo autorregresivo, no ya de un AR(1) sino de un AR(p)
sera la siguiente:
Y t = 0 + 1 Y t -1 + 2 Y t - 2 + ......+ p Y t - p + a t

Esta forma funcional se acompaa de una serie de restricciones conectadas con

importantes hiptesis analticas:
-

El proceso no debe ser anticipante (hiptesis de recursividad temporal); lo que quiere

decir que los valores de una variable en un momento t no dependern de los que esta
misma tome en t+j.

La correlacin entre una variable y su pasado va reducindose a medida que nos

alejamos ms en el tiempo (proceso ergdico)

La magnitud de los coeficientes est limitada en valor absoluto: as, por ejemplo, en
el caso de un AR(1), el coeficiente autorregresivo de un proceso estocstico
estacionario ha de ser inferior a 1 en valor absoluto; en el caso de un Ar(2), es la suma
de los dos coeficientes la que no puede exceder la unidad. Estas restricciones
expresadas en los coeficientes conectan con las propiedades de estacionariedad del
proceso analizado o, dicho de otro modo: slo los modelos cuyos coeficientes
respetan una serie de condiciones (que dependen del orden p del modelo)

representan procesos estocsticos estacionarios y, por tanto, tienen utilidad analtica.

6. Operador y polinomio de retardos

El operador retardo Lp aplicado al valor Yt de una determinada serie devuelve el valor de

esa serie retardado p observaciones, es decir:
LpYt=Yt-p
Un polinomio de retardos de orden p p(L) se compone de una sucesin de p
operadores de retardos con sus respectivos coeficientes:

p (L) = 1 - 1 L - 2 L2 - ...... - p L p
El polinomio de retardos permite abreviar la expresin de u modelo AR(p) escribindose:

p (L)Y t = 0 + a t

La utilidad del polinomio de retardos no es, sin embargo, permitir una notacin abreviada:
las caractersticas del polinomio de retardos o, ms concretamente, el valor de sus races (las
soluciones del polinomio) permiten analizar la estacionariedad del proceso estocstico que
subyace al modelo ARIMA. Es decir, los analistas pueden evaluar caractersticas relevantes del
proceso estocstico que se est modelizando estudiando las propiedades matemticas del
polinomio de retardos, de ah su utilidad.
7. Modelo de medias mviles MA(q)
Un modelo de los denominados de medias mviles es aquel que explica el valor de una
determinada variable en un perodo t en funcin de un trmino independiente y una sucesin de
trminos de error, de innovaciones correspondientes a perodos precedentes, convenientemente
ponderados. Estos modelos se denotan normalmente con las siglas MA, seguidos, como en el caso
de los modelos autorregresivos, del orden entre parntesis. As, un modelo con q trminos de error
MA(q) respondera a la siguiente expresin:

Y t = + a t + 1 at -1 + 2 at -2 + ....+ q a t -q

que de nuevo puede abreviarse utilizando el polinomio de retardos (como en el caso de los
modelos AR):

Y t = q (L) a t +
As como un modelo autorregresivo es intuitivamente sencillo de comprender, la
formulacin de un modelo de medias mviles resulta sorprendente para el no iniciado. Qu
significa que una variable aleatoria se explique en funcin de los errores cometidos en perodos
precedentes?, De dnde proceden esos errores?, Cul es la justificacin de un modelo de este
tipo?. En realidad, un modelo de medias mviles puede obtenerse a partir de un modelo
autorregresivo sin ms que realizar sucesivas sustituciones:

Y t = Y t -1 + a t Y t -1 = Y t - 2 + a t - 1
Y t = at + at -1 + Y t - 2 ........
2

...........Y t = at + at -1 + at - 2 + at -3 + .... + at - j +
2

I.3.- LAS SERIES TEMPORALES: COMPOSICIN DE PATRONES SISTEMTICOS Y

ERRTICOS
El enfoque de anlisis temporal de una serie descansa siempre, en mayor o menor medida,
en la idea genrica de que una serie temporal de datos puede descomponerse siempre en una serie
de componentes parciales que, agregados conforme a un esquema sumativo o multiplicativo,
configuran el aspecto global de la serie observada. Suele as afirmarse que cualquier serie de datos
temporales viene a ser la agregacin de cuatro patrones de evolucin de sus datos: tendencia,
ciclo, estacionalidad y componente errtico o no sistemtico.
Ejemplo de serie compuesta por tendencia,
estacionalidad y componente aleatoria

Ciclo: Patrn de evolucin que revela cierta propensin de la serie a repetir a muy largo
plazo una misma secuencia de comportamientos tendenciales.

Por ejemplo....

Observando los ciclos de crecimiento intertrimestral de la economa americana

podramos sealar que, a principios de 2000, el ciclo econmico de crecimiento
no haba terminado.

2000

1995

1990

1985

1980

1975

1970

10%
8%
6%
4%
2%
0%
-2%
-4%

Componente tendencial: Generalmente asociado con el cambio en la media a lo largo

del tiempo, se identifica la tendencia con el patrn de evolucin sostenido a medio o largo
plazo por encima de la existencia de movimientos rpidos a corto plazo
Por ejemplo....
La representacin de los ndices burstiles DOW JONES, General de la Bolsa de
Madrid y NIKKEI revelan que: en el caso del DOW JONES y la Bolsa de
Madrid, la tendencia de la cotizacin de los ndices ha sido claramente creciente
a lo largo de los ltimos 15 aos y especialmente acelerada desde mediados de
1995.

400
350

GRAL. .MADRID

300
250
200

DOW JONES

150
100

NIKKEI

50
0

Estacionalidad: Patrn de evolucin de la serie que se repite de forma ms o menos

invariable en momentos similares de espacio temporal mayor, generalmente un ao.

Por ejemplo....
Observando la serie mensual de Contratos Registrados en el INEM de duracin
entre 1 y 3 meses puede comprobarse como la contratacin temporal presenta,
junto a una tendencia claramente creciente, una marcada estacionalidad,
especialmente en el perodo estival.

250000
200000
150000
100000

2000

1999

1998

1997

1996

1995

50000

Innovacin, residuo o componente errtica: Porcin no sistemtica del

comportamiento temporal de una serie, o al menos movimiento que no puede catalogarse
como estacional, tendencial y/o cclico.

La idea bsica del anlisis de series consiste en que cada uno de estos componentes de las
series puede ser analizado de forma separada para posteriormente, agregar los anlisis parciales en
un resultado conjunto.
En ocasiones, el anlisis prioriza, se centra slo en alguno de los componentes
sistemticos por separado (la tendencia, la estacionalidad, el ciclo), en otras ocasiones, como es el
caso de la modelizacin ARIMA, lo que interesa es ir ms all de las componente cclicas,
tendenciales y estacionales, analizando la componente no sistemtica, de carcter aparentemente
aleatorio, para tratar de identificar algn patrn de inters en su evolucin que ayude a entender la
progresin de la serie completa.
As pues, la aplicacin de modelos ARIMA suele realizarse por descomposicin,
analizando en primer lugar la tendencia de la serie, pasando despus a observar la estacionalidad y
concentrndose despus en la identificacin del componente filtrado de tendencia y
estacionalidad.