Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2013
Serie Temporal Es el resultado de observar los valores de una variable a lo largo del tiempo en intervalos regulares Modelos univariantes: Se basan u nicamente en la historia de la propia serie. Modelos de regresi on din amica: Incorporan informaci on de la evoluci on de otras variables y construyen modelos que tengan en cuenta esa dependiencia. Modelos multivariantes: Representan conjuntamente relaciones din amicas entre un grupo de series y se obtienen predicciones simult aneas.
Identicaci on de las principales caracter sticas que permiten optimizar el uso de la informaci on disponible para mejorar las predicciones.
Ejemplo 1.- Leguas diarias recorridas por la ota de Crist obal Col on en su primer viaje a Am erica desde la isla de la Gomera a la de San Salvador.
Ejemplo 2.- Rendimientos mensuales obtenidos en la Bolsa de Madrid de acuerdo al ndice general en el per odo 1988-2000.
Ejemplo 3.- Poblaci on mayor de 16 a nos desde el primer cuatrimestre de 1977 al cuarto del 2000.
Ejemplo 5.-Precio del trigo en Valladolid en el periodo julio de 1880 a diciembre 1890.
Ejemplo 6.- Lluvia en Santiago de Compostela desde enero de 1988 a diciembre 1997.
Ejemplo 7.- Lluvia en Santiago de Compostela desde enero de 1988 a diciembre 1997 (Gr aco mensual).
10
11
12
Ejemplo 10.- Logaritmos del n umero de veh culos matriculados y del consumo de gasolina en el per odo 1960 a 1999.
13
14
15
Ejemplo 13.-Precio promedio mensual del trigo en Avila, Segovia, Palencia, Valladolid y Zamora de julio de 1880 a diciembre de 1890.
16
Conclusiones
17
1.- Las series temporales pueden tener o no un nivel estable en el tiempo, si no lo tienen pueden presentar tendencias m as o menos estables. Cuando el nivel de la serie no es estable decimos que la serie no es estacionaria.
El gr aco de la serie es siempre una herramienta muy valiosa para entender su comportamiento
18
2.- Las relaciones entre las variables din amicas pueden ser en ambas direciones.
Un problema importante es modelizar los efectos externos o efectos de intervenci on dentro de la relaci on din amica entre las series
19
3.- Objetivo del an alisis de series temporales: Construir un modelo para representar la evoluci on de la serie temporal y generar predicciones de su comportamiento futuro.
20
4.- Modelos univariantes: Se basan u nicamente en la historia de la propia serie y en la hip oteis de que las condiciones futuras ser an an alogas a las pasadas y son especialmente u tiles para la previsi on a corto plazo.
21
5.- Las previsiones univariantes pueden mejorarse incorporando la informaci on de la evoluci on de otras variables y construyendo modelos que tengan en cuenta esta dependendencia: Modelos de regresi on din amica o de funci on de transferencia.
22
6.- Modelos multivariantes: Representan conjuntamente las relaciones din amicas entre un grupo de series para obtener predicciones simultaneas de sus valores futuros.
23
Un poco de historia...
La metodolog a actual para analizar series temporales es, como suele ocurrir en estad stica, la conuencia de varias l neas de trabajo desarrolladas en distintos campos cient cos.
24
El primero tiene sus ra ces en los estudios de series astron omicas y clim aticas, que dio lugar a la teor a de procesos estoc asticos estacionarios, desarrollada por los matem aticos Kolmogorov, Wiener y Cramer en la primera mitad del siglo XX.
El segundo es el desarrollo de los m etodos de alisado, inventados por los investigadores operativos para prever series de producci on y ventas en la d ecada 1960-1970, aprovechando las facilidades del c alculo aportadas por los primeros ordenadores.
25
El tercero, la teor a de predicci on y control de sistemas lineales, desarrollada en ingenier a de control y autom atica en los a nos 70, y estimulada por el desarrollo de la ingenier a aerona utica y espacial.
El cuarto, es la teor a de procesos no estacionarios y no lineales, desarrollada por estad sticos y econ ometras en los u ltimos veinte a nos del siglo XX.
26
Finalmente, el u ltimo campo son los modelos multivariantes y los m etodos de reducci on de la dimensi on en sistemas din amicos, que se encuentra todav a en la fase de desarrollo.
De esta forma, los m etodos disponibles en la actualidad para el an alisis de las series temporales son deudores de las investigaciones de matem aticos, estad sticos, ingenieros, f sicos y economistas durante el siglo XX para resolver problemas de predicci on y control de variables y sistemas din amicos.
27
Estos procedimientos tienen poca utilidad hoy en d a, ya que se encuentran disponibles m etodos m as generales y ecaces, consideramos interesante presentarlos ya que los m etodos actuales se basan en ellos (y se entienden mejor si se conocen las limitaciones de estos procedimientos m as simples), adem as de estar disponibles como opciones en el an alisis en diferentes programas estad sticos.
Universidad Aut onoma de Yucat an 28
M etodos Descriptivos
M etodos descriptivos Son generalizaciones de los m etodos desarrollados para evaluar variables est aticas. Estos m etodos se introdujeron en los a nos 60 y se extendieron mucho en la pr actica por sus buenos resultados y su facilidad de c alculo, gracias a la aparici on de las computadoras.
29
Los an alisis de tendencias deterministas dieron lugar a los m etodos de decomposici on y los m etodos de alisado, a los m etodos de doble alisado, uno para la evoluci on de la serie y otro para el efecto estacional.
Paralelamente, se desarrollaron procedimientos para series c clicas, donde domina el efecto estacional y la serie se representa como una suma de efectos. Esto dio lugar al periodograma, que es una herramienta muy u til para detectar ondas deterministas en una serie temporal.
30
31
Estas innovaciones se caracterizan por tener valor esperado igual a cero, varianza constante y seguir una distribuci on normal. Adem as las obsevaciones correspondientes a dos per odos de tiempo distintos son independientes.
De forma general, realizar una predicci on del nivel de la serie implica extrapolar la funci on z T (k ) = T +k = f (T + k , )
32
Tendencias
Nivel constante zt = + at Tendencia Lineal zt = t + at t = 0 + 1 t donde 1 representa la pendiente de la recta que describe la evoluci on de la serie. Tendencia polin omica T +k = 0 + 1 t + . . . + r t r
33
Limitaciones
La limitaci on principal de estos m etodos es que, aunque las series con nivel constante son frecuentes, es muy raro que una serie real tenga una tendencia determinista lineal o en general polinomica con r 1.
Una posibilidad es intentar ajustar tendencias lineales por tramos, dividir la serie en tramos que tengan aproximadamente tendencia constante y ajustar en cada tramo un modelo lineal o constante. Cu al es el inconveniente de este procedimiento?
34
El principal problema: No sabemos cu antas observaciones pasadas utilizar para ajustar el nivel futuro de la serie.
Un inconveniente adicional de ajustar una tendencia lineal por tramos es que el modelo de crecimiento impl cito es poco razonable.
35
Si admitimos que una serie tiene una tendencia determinista lineal en un intervalo estamos diciendo que la predicci on futura de su crecimiento debe hacerse ponderando los crecimientos observados, pero dando un peso m nimo al u ltimo valor observado.
Este peso es, adem as, igual al que se atribuye al crecimiento m as alejado en el tiempo, es decir, al primer crecimiento observado en la muestra.
36
Adem as, si aumentamos el tama no del intervalo, el peso de los crecimientos en los u ltimos a nos disminuye, pero siempre manteni endose igual al peso de los primero crecimientos observados.
Para resolver las limitaciones de los modelos con tendencias deterministas se introdujeron en los a nos 60 los m etodos de alisado.
37
M etodos de Alisado
El objetivo de los m etodos de alisado es permitir que los u ltimos datos de la serie tengan mas peso en las predicciones que los valores antiguos.
Esto se consigue permitiendo que los par ametros del modelo de tendencias deterministas no sean constantes, si no que puedan ir variando en el tiempo.
38
Holt (1956) propuso hacer una combinaci on lineal de la u ltima predicci on y el u ltimo valor observado de manera que la predicci on del pr oximo periodo, T + 1, viene dada por: z T +1 = z T + (1 )zT donde 0 < < 1 determina el peso que damos a cada uno de los dos componentes para generar las predicciones.
39
Las predicciones generadas por el modelo de alisado simple son una media ponderada de los valores previos de la serie con pesos que decrecen geom etricamente.
La utilizaci on de este modelo requiere determinar el par ametro . En las primeras aplicaciones este par ametro se jaba a priori, habitualmente entre 0.7 y 0.99, progresivamente se obtuvieron mejores resultados al estimar su magnitud a partir de los datos minimizando el error de predicci on.
40
Las ideas anteriores pueden aplicarse a modelos con tendencia lineal. En lugar de suponer que los par ametros son jos, podemos admitir que evolucionan en el tiempo y estimarlos dando un peso decreciente a las observaciones. zt = t + at donde permitimos que el nivel evolucione linealmente en el tiempo, pero con una pendiente que puede ser distinta en los distintos periodos.
41
Se describe el nivel de la serie en el instante t como t = t 1 + t 1 donde t 1 es la pendiente en el momento t 1. La predicci on con informaci on hasta t 1, denotada por z t 1 (1) se obtiene como: t 1 t |t 1 = t 1|t 1 + z t 1 ( 1 ) = donde la estimaci on del nivel de la serie en el instante t es la suma de las ultimas estimaciones del nivel y de la pendiente con informaci on hasta t 1
42
Como ahora tenemos que estimar dos par ametros, el m etodo de Holt generaliza esta idea introduciendo dos factores de descuento. Estimaci on del nivel de la serie T +1|T +1 = T +1|T + (1 )(zT +1 T +1|T ) Estimaci on del crecimiento T +1 = T + (1 )( T +1|T +1 T +1|T )
43
44 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
Cuando la serie adem as de tendencia y componente aleatorio tiene estacionalidad, los m etodos de descomposici on suponen que los datos se generan como suma de esos tres efectos: zt = t + St + at donde t es el nivel de la serie, St es el componente estacional y at es el componente estacional y at es el componente puramente aleatorio que, como en modelos anteriores, es una secuencia de variables incorreladas de media cero y varianza constante.
Los m etodos cl asicos de descomposici on suponen que tanto el nivel como la estacionalidad son deterministas.
44
45 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
El nivel t se modela mediante un polinomio del tiempo de orden menor o igual a dos, y la estacionalidad como una funci on peri odica, que verica la condici on: St = St s donde s es el periodo de la funci on, que depende de la estacionalidad de los datos.
45
46 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
Una serie mensual con estacionalidad anual tiene periodo s = 12 meses, ya que suponemos que los coecientes estacionales, St , se repetir an cada 12 observaciones; una serie trimestral con estacionalidad anual tendr a periodo s = 4 trimestres y una serie diaria con estacionalidad semanal tendr a s = 7 d as.
El procedimiento de construcci on del modelo para la serie se realiza en las tres etapas siguientes:
46
47 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
1.- Se estima el nivel de la serie observada como en el modelo de tendencia determinista. A continuaci on se resta a la serie el nivel t , para obtener una serie residual, Et =Zt t , que estimado, contendr a la estacionalidad y el componente aleatorio. Esta serie se denomina serie sin tendencia
47
48 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
2.-Los coecientes estacionales, S1 , ..., S12 , se denen como un conjunto de coecientes que suman cero y que se repiten cada a no. Se estiman de la seriesin tendencia como la diferencia entre la media de los periodos estacionales y la media general. j = E j E S La suma de los factores estacionales es cero
48
49 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
Para concretar, supongamos que tenemos T = 12n datos de una serie mensual correspondientes a n a nos de datos mensuales. Podemos etiquetar las observaciones para poner de maniesto el mes y el a no al que pertenecen deniendo t = 12i + j , donde la variable i toma los valores 0, 1, 2, ..., n 1 y representa los a nos transcurridos y la j toma valores 1, 2, ..., 12 y representa los meses del a no.
49
50 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
Con esta notaci on, las observaciones de la serie sin tendencia pueden escribirse como E12i +j , la media total se calcula como
n1 12 E = i =1 j =1 12i +j E T
50
51 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
3.- Se obtiene la serie de innovaciones estimada restando a la serie sin tendencia el factor estacional de cada observaci on. Por ejemplo, para datos mensuales con la notaci on anterior: j a 12i +j = E12i +j S
51
52 An alisis descriptivo de una serie temporal M etodos de descomposici on para series estacionales
4.- La predicci on de la serie se realiza sumando las estimaciones de la tendencia y del factor estacional que corresponde a cada observaci on cada mes.
Por otro lado, si restamos a la serie original el coeciente estacional del mes se obtiene la serie desestacionalizada.
52
Un procedimiento alternativo para modelar la estacionalidad es representarla por una funci on arm onica de periodo s . Suponiendo que hemos eliminado la tendencia, consideremos series que tienen solo componente estacional, con estructura Zt = St + at La alternativa m as simple para representar St como una funci on peri odica, con St = St s , es suponer una funci on arm onica, como seno o coseno. Estas funciones se repiten exactamente cada S observaciones.
53
que indica la fracci on de un ciclo completo que se observa entre dos unidades de tiempo. Por ejemplo, en una serie trimestral (s=4), la frecuencia es f = 1 4, indicando que entre dos observaciones, un trimestre, ha transcurrido 0.25 del periodo de la funci on.
54
La representaci on de una serie estacional mediante el uso de funciones arm onicas es poco pr actica para ajustar un modelo a datos reales, ya que se puede utilizar siempre que la estacionalidad sea exactamente sinusoidal de periodo s, pero no es u til para describir funciones peri odicas generales. Fourier demostr o que toda funci on peri odica puede representarse como una suma de funciones sinusoidales de distinta amplitud y frecuencia. Este resultado sugiere generalizar el an alisis realizado par aun ciclo permitiendo que la funci on sea suma de varias funciones arm onicas.
55
Dada una serie de longitud T , se denominan periodos b asicos o de Fourier a los que son fracciones exactas completas del tama no muestral. Es decir, los periodos b asicos est an denidos por: sj = T j para j = 1, 2, ..., T 2
56
En el ajuste de ciclos suele trabajarse con las frecuencias, en lugar de con los periodos, y se denen las frecuencias b asicas o de Fourier como las inversas de los periodos b asicos. fj = j T para j = 1, 2, ..., T 2
57
Utilizando estas deniciones, podemos obtener una representaci on general de una funci on periodica como una suma de ondas asociadas a todas las frecuencias b asicas.
El problema radica ahora en encontrar un procedimiento para seleccionar las frecuencias que debemos incluir para explicar la evoluci on de la serie.
58
Se conoce como periodograma a la representaci on de la contribuci on de cada frecuencia. Puede verse como una herramienta para la detecci on de los posibles ciclos deterministas en una serie temporal.
Inconveniente: La cantidad de datos, si el tama no de muestra es grande, el n umero de frecuencias b asicas es muy grande y siempre existir a alguna frecuencia b asica muy pr oxima a la que pueda interesarnos.
59
1.- Los modelos de tendencias deterministas tienen muchas limitaciones para representar series reales. 2.-Los m etodos basados en dar peso decreciente al pasado funcionan mejor, pero suponen una estructura de dependencia que aunque es exible no es esperable que se aplique a todas las series reales. 3.- Los m etodos de descomposici on son u tiles, pero es necesario disponer de modelos m as exibles para los componentes. 4.- El periodograma es una herramienta muy valiosa para detectar componentes sinusoidales deterministas en la serie como efectos estacionales c clicos.
60
Cuanto m as amplio es el per odo de observaci on es m as dicil que la serie sea estable.
Las series temporales evolucionan con cierta incercia, esta se maniesta en la dependiencia existente entre los valores actuales y los previos.
61
Distribuciones Marginales
Funci on de Medias Proporciona la esperanza de las distribuciones marginales para cada tiempo t E [ zt ] = t Si t es constante para todo t decimos que el proceso es estable en media.
63
Funcion de Varianzas Proporciona las varianzas en cada instante temporal 2 Var (zt ) = t
2 es constante para todo t el An alogamente, si t proceso es estable en la varianza.
64
Ejercicio
65
En general, Var (zt ) = t 2 esto quiere decir que la varianza de un paseo aleatorio evoluciona con el tiempo. Tarea: Simulaci on de 100 trayectorias de caminata aleatoria. Objetivo: Vericar (de forma gr aca) las caracter sticas antes demostradas para este proceso estoc astico.
66
Funci on de autocovarianzas Funci on de dos argumentos encargada de describir la covarianza existente entre dos variables, en dos instantes cualesquiera.
(t , t + j ) = Cov (zt , zt +j ) = E [(zt t )(zt +j t +j )] La dimensi on de las autocovarianzas es la del cuadrado de la serie, por esto no es conveniente para comparar series medidas en unidades distintas.
67
Funci on de autocorrelaci on Funci on de dos argumentos que describe el coeciente de autocorrelaci on para dos variables (t , t + j ) = Cov (t , t + j ) (t , t + j ) = t t +j t t +j
68
Procesos de Markov
f (zt +1 |zt , . . . , z1 ) = f (zt +1 |zt ) La nueva observacion depende u nicamente del valor anteriormente observado.
69
Proceso Martingala
E [zt |zt 1 , . . . , z1 ] = E [zt |zt 1 ] = zt 1 Es una propiedad m as d ebil que la markoviana, la esperanza puede ser cualquier funci on del u ltimo valor observado.
70
La obtenci on de las distribuciones de probabilidad del proceso es posible en situaciones en las que se puede obtener m as de una realizaci on del mismo proceso estoc astico. En caso contrario para poder estimar las caracter sticas transversales del proceso a partir de su evoluci on temporal es necesario suponer que las propiedades observables de forma transversal son estables a lo largo del tiempo.
71
Diremos que un proceso estoc astico es estacionario en sentido estricto si: Distribuciones marginales de todas las variables son id enticas Las distribuciones conjuntas solo dependen del retardo: F (zi , zj , . . . , zk ) = F (zi +n , zj +n , . . . , zk +n )
72
(t , t k ) = E [(zt )(zt k )] = k
73
74
Tarea
Considerando: zt = (z1t , z2t , . . . , zkt ) Vector de k procesos estacionarios. c = (c1 , . . . , ck ) Vector de k constantes yt = c z1t = c1t z1 + . . . + ck zkt Demuestra que la combinaci on lineal es un proceso estacionario.
75
Un proceso estacionario muy importante es el denido por las condiciones: a) E [zt ] = 0 b) Var (zt ) = 2 t = 1, 2, ... t = 1, 2, ... t = 1, 2, ...
c) Cov (zt , zt k ) = 0
76