Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Seriesuniv Mio MP
Seriesuniv Mio MP
m
e
r
o
d
e
p
a
s
a
j
e
r
o
s
0 30 60 90 120 150
0
200
400
600
800
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Clasificaci Clasificaci n de los modelos de series temporales n de los modelos de series temporales
EN FUNCIN DEL NMERO DE RESPUESTAS (nmero de variables
que evolucionan en el tiempo que se estudian):
RESPUESTA UNIVARIANTE
RESPUESTA MULTIVARIANTE
FUNCIONES DE TRANSFERENCIA
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Clasificaci Clasificaci n de los modelos de series temporales n de los modelos de series temporales
Lineales
Estacionarios
No estacionarios
No lineales
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Series estacionarias Series estacionarias: Estacionarias en la media y la varianza
(frecuentes en el mundo fsico, pero no en el social o econmico).
Series no estacionarias Series no estacionarias: Su variabilidad y/o su media cambian
en el tiempo.
El cambio en la varianza implica que la dispersin
(variabilidad) no es constante en el tiempo.
El cambio en la media implica tendencia (a crecer o decrecer),
la serie no oscila alrededor de un valor constante. Fenmenos
sociales.
Pauta que se repite: serie estacional.
NO HISTOGRAMA, NO MEDIA, NO DESVIACIN TPICA
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
C C mo detectamos si una serie es o no estacionaria en varianza? mo detectamos si una serie es o no estacionaria en varianza?
0 50 100 150
100
50
0
50
100
Nonstationary in variance time series
time
0 50 100 150
0.4
0.2
0
0.2
0.4
Stationary in variance time series
time
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
C C mo detectamos si una serie es o no estacionaria en media? mo detectamos si una serie es o no estacionaria en media?
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
C C mo detectamos si una serie es o no estacionaria en media? mo detectamos si una serie es o no estacionaria en media?
Grfico Temporal de la temperatura de un proceso qumico (cada minuto)
T
e
m
p
e
r
a
t
u
r
a
0 40 80 120 160 200
16
16,4
16,8
17,2
17,6
18
18,4
18,8
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Descomposicin bsica de una serie temporal
Valor observado = tendencia+ estacionalidad + comp. irregular
Z
t
= T
t
+S
t
+ I
t
Tendencia: movimiento suave de la serie a largo plazo
Estacionalidad: movimientos de oscilacin dentro del mes, ao (p. ej.)
Irregular: variaciones aleatorias alrededor de los componentes anteriores.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Modelos univariantes de series temporales
Objetivo:
Z
t
=f(Z
t-1
,Z
t-2
,)+ a
t
Z
t
=Z
t
*
+ a
t
(1)
a
t
es independiente de su pasado
Existen dos enfoques bsicos para obtener (1):
Postular la forma de Z
t
*
(siendo Z
t
*
la parte predecible).
Obtener a
t
en la serie (a
t
es la parte no predecible).
Los mtodos clsicos buscan Z
t
*
y el enfoque Box-Jenkins se centra en
a
t
.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
= + *
t t t
z z a
t
z
= Serie observada
= Componente predecible
= Componente aleatoria
Dos enfoques:
1. Mtodo clsico: buscar
2. Metodologa Box-Jenkins: buscar
*
t
z
t
a
FILTRO
t
z
t
a
*
t
z
t
a
Anlisis univariante: enfoques
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Cmo es a
t?
a
t
debe ser un proceso de ruido blanco
E[a
t
]=0 t=1,2,...
Var[a
t
]=
2
t=1,2,...
Cov[a
t ,
a
t-k
]=0 k=1, 2
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Serie observada
Estimacin de parmetros y contrastes
Funcin de verosimilitud
Clculo de estimadores y estadsticos
Crtica y diagnosis: validacin del modelo
Es
el modelo
adecuado?
Prediccin
Analizar estructura
Datos anmalos
NO SI
Identificacin del modelo ARIMA(p,d,q)
Transformaciones
Seleccin p,d,q
Etapas para la construccin de un modelo ARIMA(p,d,q)
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Herramientas a utilizar para identificar el modelo
Grfico de la serie: a la vista de la evolucin temporal de la variable de
inters se detecta 1) La necesidad de estabilizar la varianza y 2) La
necesidad de estabilizar la media si sta no es constante (proceso no
estacionario en media).
Funcin de autocorrelacin simple (FAS, en ingls ACF).
Funcin de autocorrelacin parcial (FAP, en ingls PACF).
0 20 40 60 80 100 120 140
-15
-10
-5
0
5
10
15
Tiempo
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
ACF o FAS
Funcin de autocovarianzas
Coeficiente de autocorrelacin
La FAS es la representacin retardo-coeficiente de
autocorrelacin
AR(2)
( ) [( )( )]
, = =
t t k
t t k E z z
,
k
0 1 2 = , , , ... k
( )
( ) ( )
,
= .
t t k
t t k
Cov z z
k
Var z Var z
0 5 1 0 1 5 2 0 2 5 3 0
-1
-0 . 8
-0 . 6
-0 . 4
-0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
R e t a r d o
A
u
t
o
c
o
r
r
e
l
a
c
i
n
x
t
= - . 9 x
t - 1
+ . 5 w
t - 1
+ w
t
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
PACF o FAP
Herramienta fundamental para determinar el orden de un proceso
autorregresivo.
El coeficiente de correlacin parcial mide la relacin entre x
t
y x
t-k
cuando se
elimina el efecto de x
t-1
, x
t-2
,, x
t-k+1
.
La ACF slo tiene en cuenta que x
t
y x
t-2
estn relacionados en ambos casos,
si se mide la relacin directa entre ellos (eliminando el efecto debido a x
t-1
),
para un AR(1) es nulo pero no para un AR(2).
El nmero de coeficientes distinto de cero indica el orden del proceso
autorregresivo.
t t t t t
x x x x x
1 2 3 4
t t t t t
x x x x x
1 2 3 4
AR(1)
AR(2)
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Herramientas a utilizar para identificar el modelo
Grfico de la serie
Funcin de autocorrelacin simple
Funcin de autocorrelacin parcial
0 2 4 6 8 1 0 1 2 1 4 1 6 1 8 2 0
- 1
-0 . 8
-0 . 6
-0 . 4
-0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
r e t ar d o
A
u
t
o
c
o
r
r
e
la
c
i
n
x
t
= 1 . 5 x
t- 1
- . 7 5 x
t- 2
+ w
t
0 5 1 0 1 5 2 0 2 5 3 0
-1
-0 . 8
-0 . 6
-0 . 4
-0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
R e t a r d o
A
u
t
o
c
o
r
r
e
l
a
c
i
n
x
t
= - . 9 x
t - 1
+ . 5 w
t - 1
+ w
t
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Pasos para la identificacin del modelo
Transformaciones para conseguir proceso estacionario
1. Heterocedasticidad: obtencin de
Grfico de la serie y grfico rango-media para z
t
y para z
t
(
Transformacin Box-Cox
Pasajeros de avin
P
a
s
a
j
e
r
o
s
0 30 60 90 120 150
0
200
400
600
800
(en logaritmos)
P
a
s
a
j
e
r
o
s
0 30 60 90 120 150
4.6
5
5.4
5.8
6.2
6.6
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Pasos para la identificacin del modelo
2. Determinacin del orden de diferenciacin regular d: nmero de
diferencias que se deben aplicar para convertir la serie en
estacionaria.
Grfico de la serie y ACF de la serie original: IBM
ACF para IBM
retardo
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s
0 5 10 15 20 25
-1
-0,6
-0,2
0,2
0,6
1
i
b
m
0 20 40 60 80 100 120
450
490
530
570
610
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Pasos para la identificacin del modelo
Grfico de la serie y ACF de la serie diferenciada d (1,2,...) veces
, = =
t t k
t t k E z z ,
k
0 1 2 = , , , ... k
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso Auto-Regresivo de orden 1, AR(1).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
= +
=
=
11
, 1,....
0, 1
k
k
kk
k
k
= =
=
= >
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso Auto-Regresivo de orden 1, AR(1). FAS o ACF.
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
= +
=
=
= +
=
=
1 1 2 2
2
1
2
2
2 2
2 2 1
(0, )
,..., ,...
1
var[ ] ( )
1 {(1 ) }
t t t t
t a
t
a
t
z z z a
a N
a a independientes
z
= + +
=
+
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso Auto-Regresivo de orden 2, AR(2). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIN
La autocorrelacin simple decrece con el retardo de forma exponencial.
La autocorrelacin parcial no es significativa para retardos > 2.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso Auto-Regresivo de orden p, AR(p).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
1 1 2 2
2
1
...
(0, )
,..., ,...
[ ] 0,
t t t p t p t
t a
t
t
z z z z a
a N
a a independientes
E z t
= + + + +
=
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso Auto-Regresivo de orden p, AR(p).
Sobre la notacin: El operador retardo B
1
2
2
1
2 2
2
1 2
2 2
2
1 2
(1 )
(1 ) (1 ...)
.....
(1 ) (1 ...)
.....
t t
t t
p
t t p
t t t t
t t t t
t t t
t t t t
t t t
Bz z
B z z
B z z
z B z z z
B z a z B B a
a a a
B a z a B B z
z z z
=
=
=
= =
= = + + + =
= + + +
= = + + + =
= + + +
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso Auto-Regresivo de orden p, AR(p). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIN
La autocorrelacin simple decrece con el retardo de forma exponencial.
La autocorrelacin parcial no es significativa para retardos > p.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Modelos autorregresivos: AR(1), AR(2),..., AR(p)
1 0 0 ,
) 0 (
) (
) ( < < = =
y h
h
h
h
1 ), 2 ( ) 1 ( ) (
2 1
+ = h h h h
Modelo AR(1)
(Fcil de identificar)
Modelo AR(2)
Modelo AR(p)
1 ) ( ... ) 2 ( ) 1 ( ) (
2 1
+ + + = h p h h h h
p
Si p>1 la identificacin utilizando slo la ACF no es posible
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso de Media mvil de orden 1, MA(1).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
1 1
2
1
2 2
1
(0, )
,..., ,...
[ ] 0,
var[ ] (1 )
t t t
t a
t
t
t a
z a a
a N
a a independientes
E z t
z
= +
=
= +
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso de Media mvil de orden 1, MA(1). FAS y FAP.
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
1
0, 1
, 1,...
k
k
kk
k
k
=
= >
= =
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso de Media mvil de orden 1, MA(1). FAS y FAP
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
= +
=
=
1 1 2 2
2
1
2 2 2
1 2
(0, )
,..., ,...
[ ] 0,
var[ ] (1 )
t t t t
t a
t
t
t a
z a a a
a N
a a independientes
E z t
z
= +
=
= + +
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso de Media mvil de orden 2, MA(2). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIN
La autocorrelacin simple no es significativa para retardos > 2.
La autocorrelacin parcial decrece con el retardo de forma exponencial.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso de Media mvil de orden q, MA(q).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
1 1 2 2
2
1 2
2 2 2
1
...
(1 ... )
[ ] 0,
var[ ] (1 ... )
t t t t q t q
q
t q t
t
t a q
z a a a a
z B B B a
E z t
z
=
=
=
= + + +
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso de Media mvil de orden q, MA(q). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIN
La autocorrelacin simple no es significativa para retardos > q.
La autocorrelacin parcial decrece con el retardo de forma exponencial.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso ARMA(1,1).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
1 1
2
1
2
2
2
(0, )
,...,
[ ] 0,
1 2
var[ ]
1
t t t t
t a
t
t
t a
z z a a
a N
a a independientes
E z t
z
= +
=
+
=
= +
=
=
= +
=
=
1
1 1 2 2 1 2 2
2 2
1 2 1 2
2
1
... ...
(1 ... ) (1 ... )
(0, )
,...,
[ ] 0,
= + + + +
=
t t t p t p t t q t q t
p q
p t q t
t a
t
t
z z z z a a a a
B B B z B B B a
a N
a a independientes
E z t
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Proceso ARMA(p,q). Estructura de la FAS y la FAP.
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]
1
t t t
t a
t
t
a
t
z z a
a N
a a independientes
E z t
z
= +
=
=
d
t t
p d q
p t q t
t a
t
B z B a
B B B B z B B B a
a N
a a independientes
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Procesos ARIMA estacionales
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Algunos ejemplos...
Un tipo de falta de estacionariedad en la media muy habitual en la
prctica: el comportamiento estacional.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Algunos ejemplos...
Un tipo de falta de estacionariedad en la media muy habitual en la
prctica: el comportamiento estacional.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Algunos ejemplos...
Un tipo de falta de estacionariedad en la media muy habitual en la
prctica: el comportamiento estacional.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Precios de energa elctrica. FAS y FAP muestran tambin la presencia de
estacionalidad
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Qu es una serie estacional?
Diremos que una serie es estacional cuando su media no es constante
en el tiempo pero vara de forma peridica, cclica.
Si entonces diremos que la estacionalidad es de periodo s.
En series diarias, en las que suele haber estacionalidad semanal:
s=7.
En series mensuales s=12.
En series horarias, estacionalidad diaria: s=24.
En series bimensuales, la estacionalidad anual hace que s=6, y
anlogamente con las cuatrimestrales (s=3) y trimestrales
(s=4).
Ez
t
Ez
ts
s
1 B
s
D
1 B
d
z
t
a
t
, a
t
N0,
a
2
D
1 B
d
z
t
y
t
, y
t
estacionario, pero con estructura de dependencia...
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Procesos ARIMA estacionales
La ecuacin de un modelo multiplicativo estacional ARMA (p,q)x(P,Q)
s
:
Lo podemos escribir de forma compacta:
Y la frmulacin completa del modelo ARIMA(p.d.q)x(P,D,Q)
s
para z
t
:
1
1
B . . .
p
B
p
1
1
B
s
. . .
p
B
ps
y
t
1
1
B . . .
q
B
q
1
1
B
s
. . .
Q
B
Qs
a
t
con a
t
N0,
a
2
p
B
p
B
s
y
t
q
B
Q
B
s
a
t
p
B
p
B
s
D
z
t
q
B
Q
B
s
a
t
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Procesos ARIMA estacionales
Para la frmulacin completa del modelo ARIMA(p.d.q)x(P,D,Q)
s
para z
t
:
p
B
p
B
s
D
z
t
q
B
Q
B
s
a
t
con a
t
N0,
a
2
p
B 1
1
B . . .
p
B
p
, operador AR regular de orden p
p
B
s
1
1
B
s
. . .
p
B
ps
, operador AR estacional de orden P
d
1 B
d
, d diferencias regulares
D
1 B
s
D
, D diferencias estacionales
q
B 1
1
B . . .
q
B
q
, operador MA regular de orden q
Q
B
s
1
1
B
s
. . .
Q
B
Qs
, operador MA estacional de orden Q
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Identificacin del modelo ARIMA estacional
PASOS A SEGUIR
Cul es el orden de la estacionalidad? s=? Para ello es importante
conocer de qu datos se trata.
Comprobar si la serie es estacionaria en varianza, y si no lo es tomar
logaritmos.
Comprobar si la serie es estacionaria en media, es necesaria una
diferencia estacional? Es muy infrecuente que sea necesaria ms de
una diferencia estacional, es necesaria alguna diferencia regular?
Usualmente p<4.
Seleccionar el modelo ARMA multiplicativo ms adecuado.
Seleccionando paso a paso, p, P, q y Q.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Identificacin del modelo ARIMA estacional
La funcin de autocorrelacin simple (FAS) de un ARMA(p,d)x(P,D)
En los retardos bajos observamos nicamente lo correspondiente a la
parte regular,
En los retardos estacionales (s, 2s, 3s,...) observamos nicamente lo
correspondiente a la parte estacional.
Alrededor de los retardos estacionales (s-2, s-1, s+1, s+2, 2s-2, 2s-1,
2s+1, 2s+2,...) observamos lo correspondiente a la interaccin entre
la parte estacional y regular. En concreto lo que se observa es la
repeticin de la FAS de la parte regular a ambos lados de los retardos
estacionales: Si la parte regular es MA, a cada lado de los retardos
estacionales tendr q coeficientes significativos. Si la parte regular es
AR, a cada lado de los retardos estacionales tendr el decaimiento
exponencial propio de los AR.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Pasos para la construccin de un modelo ARIMA
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Serie observada
Estimacin de parmetros y contrastes
Funcin de verosimilitud
Clculo de estimadores y estadsticos
Crtica y diagnosis: validacin del modelo
Es
el modelo
adecuado?
Prediccin
Analizar estructura
Datos anmalos
NO SI
Identificacin del modelo ARIMA(p,d,q)
Transformaciones
Seleccin p,d,q
Etapas para la construccin de un modelo ARIMA(p,d,q)
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
Etapas para la construccin de un modelo ARIMA(p,d,q)
Reglas prcticas
1. En primer lugar ha de estabilizarse la varianza si es necesario. Una vez
estabilizada la varianza, y slo si el proceso no es estacionario en media, se
debe estabilizar la media (Tomando diferencias regulares (d), y/o
estacionales, D).
Una vez se tiene una serie estacionaria y en desviaciones a la media...
2. Evitar la identificacin inicial de modelos mixtos ARMA y comenzar con
modelos AR y MA, preferiblemente de orden bajo.
3. Buscar modelos simples que expliquen los rasgos ms obvios de la ACF.
Coeficientes claramente significativos, pautas de decrecimiento geomtricas
o sinusoidales, etc.
4. Luego se utilizar la PACF para completar y confirmar los rasgos de la ACF.
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
ESTIMACIN DEL MODELO (detalles en Pea (2010)).
OBJETIVO: Obtener las estimaciones de los parmetros que definen el modelo
Parmetros:
1
,
2
,...,
p
,
1
,
2
,
q
,
x
y
w
2
X
t
es estacionaria e invertible
=[
1
,
2
,...,
p
,
1
,
2
,
q
]
T
w
t
~ N(0,
w
2
) (i.i.d.)
Diferentes enfoques:
Condicionado
No condicionado (estimacin exacta)
Independientemente del criterio que se elige hay dos problemas:
Determinacin de condiciones iniciales
Modelos no lineales
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
ESTIMACI ESTIMACI N DEL MODELO. Contrastes sobre los par N DEL MODELO. Contrastes sobre los par metros. metros.
0 :
0 :
1
0
=
i
i
H
H
( , (
i i i
N
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos
ESTIMACI ESTIMACI N DEL MODELO. Contrastes sobre los par N DEL MODELO. Contrastes sobre los par metros. metros.
t N
i i
); 1 , 0 (
)
(
0
1 1
0
0
1
=
=
i i
i i
i
i
y H rechaza se Z Si
y H rechaza se no Z Si
Z n Si