Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ARIMA1 Conceptos
ARIMA1 Conceptos
1
I.1.- INTRODUCCIN
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.
t , s = Cov( Y t ,Y s ) = E[( y t - t )( y s - s )]
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):
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
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)
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
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....
2000
1995
1990
1985
1980
1975
1970
10%
8%
6%
4%
2%
0%
-2%
-4%
400
350
GRAL. .MADRID
300
250
200
DOW JONES
150
100
NIKKEI
50
0
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
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.