Seriesuniv Mio MP

Series Temporales Univariantes
Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Profesoras
Carolina Garca-Martos (garcia.martos@upm.es)
Mara Jess Snchez Naranjo (mjsan@etsii.upm.es)
NDICE
Introduccin a las series temporales (objetivos,
clasificacin de los modelos de series, anlisis
descriptivo).
Funciones de autocorrelacin simple y parcial
Procesos estacionarios: Modelos AR, MA y ARMA
Modelos ARIMA
Modelos ARIMA estacionales.
Ejemplos prcticos
Algunas ideas sobre: modelos multivariantes y modelos de
heterocedasticidad condicional
Bibliografa
Box, G.E.P., Jenkins, G.M. y Reinsel, G. (1994). Time Series
Analysis: Forecasting and Control. Prentice Hall.
Pea, D. (2010). Anlisis de Series Temporales.
Alianza Editorial.
Chatfield, C. (1989). The Analysis of Time Series. An Introduction.
Chapman & Hall.
Qu s de Estadstica?
Qu debo saber?
Inferencia (Contrastes) y modelos de regresin lineal
Objetivo del anlisis de series temporales
Explicar la evolucin de una variable a lo largo del tiempo
Prever sus valores futuros
Grfico temporal del precio de un componente elctrico
P
e
c
i
o
0 30 60 90 120 150
25
28
31
34
37
40
43
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
Grfico Temporal para la serie de pasajeros de avin
N
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
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
Clasificaci Clasificaci n de los modelos de series temporales n de los modelos de series temporales
Lineales
Estacionarios
No estacionarios
No lineales
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
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
C C mo detectamos si una serie es o no estacionaria en media? mo detectamos si una serie es o no estacionaria en media?
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
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.
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
.
= + *
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
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
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)
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
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
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)
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
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
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
Grfico de la serie y ACF de la serie diferenciada d (1,2,...) veces
3. Identificacin de la estructura estacionaria: determinacin de los

ordenes p y q del modelo.
Funciones de autocorrelacin simple y parcial (AR(p) y MA(q)).
i
b
m

c
o
n

d
=
1
0 20 40 60 80 100 120
-15
-5
5
15
25
ACF para IBM con d=1
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
Proceso estacionario (en sentido dbil)
1.
2.
3.
= = ,
t
cte
2 2
= =
t
cte
( ) [( )( )]
, = =
t t k
t t k E z z ,
k
0 1 2 = , , , ... k
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
= +
=
=

Proceso Auto-Regresivo de orden 1, AR(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
= +
=
=
11
, 1,....
0, 1
k
k
kk
k
k

= =
=
= >
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
= +
=
=

Proceso Auto-Regresivo de orden 1, AR(1). FAP o PACF.
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
= +
=
=

Proceso Auto-Regresivo de orden 2, AR(2).
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

= + +
=
+
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.
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

= + + + +
=
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

=
=
=
= =
= = + + + =
= + + +
= = + + + =
= + + +
Proceso Auto-Regresivo de orden p, AR(p). FAS y FAP.
La autocorrelacin simple decrece con el retardo de forma exponencial.
La autocorrelacin parcial no es significativa para retardos > p.
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
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
= +
=
= +
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

=
= >
= =
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
= +
=
=

Proceso de Media mvil de orden 2, MA(2).
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

= +
=
= + +
Proceso de Media mvil de orden 2, MA(2). FAS y FAP.
La autocorrelacin simple no es significativa para retardos > 2.
La autocorrelacin parcial decrece con el retardo de forma exponencial.
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

=
=
=
= + + +
Proceso de Media mvil de orden q, MA(q). FAS y FAP.
La autocorrelacin simple no es significativa para retardos > q.
La autocorrelacin parcial decrece con el retardo de forma exponencial.
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

= +
=
+
=

Proceso ARMA(1,1). 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
= +
=
=

Proceso de ARMA (1,1). FAS y FAP.
FAS: decrecimiento geomtrico dependiente del parmetro
autorregresivo.
FAP: Decrecimiento geomtrico dependiente del parmetro de media
mvil.
Proceso ARMA(p,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 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
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
= +
=
=
Muchos coeficientes distintos a

0
Muchos coeficientes
distintos a 0
ARMA(p,q)
Muchos coeficientes distintos a
0
0 excepto los primeros q MA(q)
0 excepto los primeros p Muchos coeficientes
distintos a 0
AR(p)
PACF ACF
Procesos integrados.
Procesos integrados.
Procesos integrados. Modelos ARIMA (p,d,q).
2 2
1 2 1 2
2
1
( ) ( )
(1 ... )(1 ) (1 ... )
(0, )
,..., ,...
=
=
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
Procesos ARIMA estacionales
Algunos ejemplos...
Un tipo de falta de estacionariedad en la media muy habitual en la
prctica: el comportamiento estacional.
Algunos ejemplos...
Algunos ejemplos...
Precios de energa elctrica. FAS y FAP muestran tambin la presencia de
estacionalidad
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

Tipos de estacionalidad
MODELADO DE LA ESTACIONALIDAD DE FORMA ADITIVA
Consiste en escribir la serie como suma de un proceso estacionario y
un componente estacional:
La serie no es estacionaria, pues el componente estacional no toma
mismo valor en todos los periodos.
z
t
S
t
s
n
t
Representacin del IPI en Espaa para los distintos meses. Efecto
estacional.
Demanda. Efecto estacional.
Formas de modelar la estacionalidad
Que sea determinista, es decir constante para el mismo mes de
distinto ao.
Senos y cosenos.
Introducir s-1 variables ficticias
Que la estacionalidad evoluciona en el tiempo pero oscilando
alrededor de un valor fijo
Permitir que sea cambiante en el tiempo sin ningn valor medio fijo,
en este caso diremos que la estacionalidad es no estacionaria.
Primera forma sencilla de modelar la estacionalidad:
z
t
z
ts
a
t
Diferencia estacional
z
t
z
ts
a
t
, a
t
: Proceso estacionario
En el caso ms sencillo, si a
t
es ruido blanco diremos que la serie z
t
sigue un proceso I(1)
s
z
t
z
ts
a
t

s
z
t
a
t
, a
t
N0,
a
2
s
1 B
s
Operador diferencia estacional

Diferencias regulares y estacionales
Si al aplicar a la serie z
t
: D diferencias estacionales y d diferencias
regulares tenemos un proceso de ruido blanco, diremos que dicha
serie sigue un modelo I(d)xI(D)
s
.
Podemos tener que aplicar ms de una diferencia regular, pero es muy
infrecuente tener que hacer ms de una diferencia stacional. En
cualquier caso d3.
D: nmero de diferencias estacionales
s: orden de la estacionalidad
d: nmero de diferencias regulares
1 B
s
D
1 B
d
z
t
a
t
, a
t
N0,
a
2

Si al aplicar a la serie z
t
: D diferencias estacionales y d diferencias
regulares tenemos un proceso estacionario, pero no ruido blanco:
Generalizar el modelo ARMA incluyendo adems de la dependencia
regular, tambin la estacional.
D: nmero de diferencias estacionales
s: orden de la estacionalidad
d: nmero de diferencias regulares
1 B
s
D
1 B
d
z
t
y
t
, y
t
estacionario, pero con estructura de dependencia...
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
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
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.
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.
Pasos para la construccin de un modelo ARIMA
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
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.
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
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
Se obtienen los valores de los parmetros estimados.

Se obtienen las desviaciones tpicas estimadas
Son nulos los par Son nulos los par metros? metros?
q h q h

,

,...,

,

1 1 2 2 1 1
= = = =

))
( , (
i i i
N
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

Se obtienen los valores de los parmetros estimados.

Se obtienen las desviaciones tpicas estimadas
Son nulos los par Son nulos los par metros? metros?
. 0 ) 2 , 2 (
. 0 ) 2 , 2 (
)
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

DIAGNOSIS DEL MODELO. DIAGNOSIS DEL MODELO. Se cumplen las hip Se cumplen las hip tesis asumidas? tesis asumidas?
1. Anlisis sobre los coeficientes
2. Los coeficientes del modelo son suficientes para representar
la serie
3. El modelo seleccionado debe tener un grado de ajuste
elevado (en comparacin con otros)
4. Anlisis de residuos
Los coeficientes estimados deben cumplir condiciones de
estacionariedad e invertibilidad.
Clculo de races de los polinomios
Si alguna raz est muy cerca de la unidad hay que tener cierta
precaucin. Si es la correspondiente a la parte autorregresiva puede
suceder que la serie est subdiferenciada.
Si existen races comunes se podra utilizar un modelo con dos
parmetros menos.
DIAGNOSIS DEL MODELO. (1. An DIAGNOSIS DEL MODELO. (1. An lisis sobre los coeficientes) lisis sobre los coeficientes)
Consiste en introducir parmetros adicionales para estudiar si el
modelo est infradimensionado.
ARMA (p,q) ARMA(p+1,q)
ARMA (p,q) ARMA(p,q+1)
Problema: redundancia paramtrica.
DIAGNOSIS DEL MODELO. (2. DIAGNOSIS DEL MODELO. (2. Son suficientes los par Son suficientes los par metros metros
para representar la serie? ) para representar la serie? )
Fase de identificacin: varios modelos alternativos.
Cul es el ms adecuado?
AIC
AIC
BIC
BIC
DIAGNOSIS DEL MODELO. (3. Selecci DIAGNOSIS DEL MODELO. (3. Selecci n del modelo m n del modelo m s adecuado ) s adecuado )
Comprobar las hiptesis realizadas:
Los residuos tienen media cero,
La varianza de los residuos es constante: homocedasticidad,
Los residuos son independientes,
Los residuos se distribuyen normalmente.
DIAGNOSIS DEL MODELO. (4. An DIAGNOSIS DEL MODELO. (4. An lisis de los residuos) lisis de los residuos)
Predicci
Predicci
n con modelos ARIMA

n con modelos ARIMA
Dos fuentes de incertidumbre: Media condicional y varianza
condicional
( )
t t
z B a = == =
0
T k j T k j
j
z a

+ + + + + + + +
= == =
= == =

1 1 1 1
( ) ( ) ...
T T k T T k T k k T
e k z z k a a a
+ + + + + + + + + + + + + + + +
= = + + + = = + + + = = + + + = = + + +
2 2 2
1 1
( ( )) (1 ... )
T k
Var e k

= + + + = + + + = + + + = + + +
2 2 1/ 2
1 1
( ) 1.96 (1 ... )
T k
z k

+ + + + + + + + + + + +
Un ejemplo prctico
Un ejemplo prctico
Datos de pasajeros de avin: Datos mensuales en miles de pasajeros,
desde Enero de 1949 hasta Diciembre de 1960.
Time Series Plot for Col_1
0 30 60 90 120 150
0
200
400
600
800
C
o
l
_
1
Un ejemplo prctico
Proceso no estacionario. Adems son necesarias una diferencia estacional
y una diferencia regular (para que el proceso sea estacionario en media).
Time Series Plot for log(Col_1)
l
o
g
(
C
o
l
_
1
)
0 30 60 90 120 150
4.6
5
5.4
5.8
6.2
6.6
Un ejemplo prctico
Tras una diferencia estacional y otra regular
Residual Autocorrelations for adjusted log(Col_1)
ARIMA(0,1,0)x(0,1,0)12 with constant
lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
s
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
Un ejemplo prctico
Modelo ARIMA (0,1,1) x (0,1,1)
12
DIAGNOSIS DEL MODELO
Residual Autocorrelations for adjusted log(Col_1)
lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
s
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
Residual Partial Autocorrelations for adjusted log(Col_1)
lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
s
0 5 10 15 20 25
-1
-0.6
-0.2
0.2
0.6
1
Un ejemplo prctico
Modelo ARIMA (0,1,1) x (0,1,1)
12
. Prediccin para los tres aos siguientes.
Time Sequence Plot for log(Col_1)
l
o
g
(
C
o
l
_
1
)
actual
forecast
95.0% limits
0 40 80 120 160
4.6
5
5.4
5.8
6.2
6.6
7
Algunos temas avanzados en series temporales: Modelos
multivariantes (VARMA) y modelos de heterocedasticidad
condicional (GARCH)
Ejemplo de serie temporal multivariante
Fuente: Course on Time Series Analysis (Prof. Andrs M. Alonso) y Pea (2010).
Modelos de heterocedasticidad condicional (Ver documento
adjunto)
Ejemplo de serie con heterocedasticidad condicional.
Series financieras: No predecimos la media condicional sino la volatilidad
o varianza condicional.
Ejemplo de serie con heterocedasticidad condicional.
Series financieras: No predecimos la media condicional sino la volatilidad
o varianza condicional.

Seriesuniv Mio MP

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Seriesuniv Mio MP

Cargado por

Copyright:

Formatos disponibles

Series Temporales Univariantes

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

3. Identificacin de la estructura estacionaria: determinacin de los

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Muchos coeficientes distintos a

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Operador diferencia estacional

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

Se obtienen los valores de los parmetros estimados.

Se obtienen los valores de los parmetros estimados.

Series Temporales Univariantes Mara Jess Snchez Naranjo y Carolina Garca-Martos

n con modelos ARIMA

También podría gustarte