1) Terminar la estimacin del modelo ARIMA de la serie individual.
2) Hacer el Forecast (manualmente).
3) Comprobar dico a!uste " prediccin manual con el automatismo de #vie$s. Census %12 (sa& s'& tc) " Tramo (eats con 'orecast ori)on. Ambos m*todos se encuentran dentro del botn +,roc- de una serie activada " en el submen. de +(easonal Ad!ustment-. 3.1. Reali)ar este mismo e!ercicio en el pro/rama T(0 (Tramo(eats) del 1anco de #spa2a. ttp344$$$.bde.es4servicio4so't$are4ts$.tm ,asos del procedimiento5m*todo ARIMA. Modelos ARIMA. ,or supuesto& en este punto& el alumno "a sabe la teor6a b7sica para reali)ar un modelo ARIMA. #ste contenido solo a"uda4apo"a a la reali)acin pr7ctica del traba!o o tarea. #l alumno debe conocer los botones clave de #vie$s para el procedimiento manual " para el procedimiento autom7tico (revisar botn +,roc- de una serie " sus opciones del men. +(easonal ad!ustment- " +#8ponential (mootin/-). Insistimos& estos pasos se reali)an despu*s de mane!ar correctamente el concepto de +estacionariedad-& la visuali)acin /r7'ica de la serie " los an7lisis estad6sticos b7sicos. ,ues bien& veamos un e!emplo del procedimiento manual3 (tambi*n a" un e!emplo en la p7/ina 29:& 2;2 " 2<; del libro +,rediccin " simulacin aplicada a la econom6a " /estin de empresas- " en la p7/ina 9=: del libro +Modelos econom*tricos-). 1. Especificacin del modelo o identificacin de los rdenes p,d,q (y P,D,Q si es estacional). ARIMA (p,d,q) ARIMA (P,D,Q) !. Estimacin de los par"metros del modelo y contraste de #alide$ del mismo %. Prediccin de los #alores de la serie ori&inal para el periodo ' ( ). #l blo>ue 1. es el m7s laborioso. 1.5 ?bservar el /r7'ico de la serie. Comprobacin de estacionariedad en media " en varian)a mediante estad6sticos. 2.5 Trans'ormacin previa de la serie tomando @o/aritmos. Aenr @B C lo/(B)D corri/e la estacionariedad en varian)a& se debe reali)ar antes del paso si/uiente para evitar lo/aritmos de valores ne/ativos. #s necesaria en caso de eterocedasticidad. ,ermite disponer de valores m7s constantes en la varian)a de la serie. (i es innecesario es >ue la dispersin de la serie es parecida. Ena buena eleccin& con'orme a la e8periencia& es acer una trans'ormacin lo/aritmica cuando una varian)a (o ran/o) creciente con relacin a la media para se/mentos sucesivos de la serie. 3.5 #liminacin de la Tendencia mediante di'erenciacin re/ular ("4o en la parte estacional). Aenr F@B C @B 5 @B(51)D una serie con tendencia lineal ser7 corre/ida simplemente con primeras di'erencias. Ena serie con tendencia no lineal e8i/ir7 una se/unda di'erencia. Adicionalmente& si se observa una tendencia en la parte estacional e8i/ir7 al/una di'erencia (FC1) en la parte estacional (12 =& mensual o trimestral& respectivamente). (i la serie tiene tendencia& d no podr7 ser C G& se/uramente d C 1& "a >ue normalmente no acen 'alta m7s de dos di'erencias (dC2). (i e8iste una tendencia aparte de estos valores& a veces presente en series mensuales (12) o trimestrales (=) abr7 tambi*n >ue considerar F C 1. =.5 ?bservar nuevamente4/ra'icamente la serie ori/inal B& la serie @B " la serie F@B. :.5 Identi'icacin del modelo3 procesos AR(p& ,) " MA (>& H) #s decir& determinar el orden de los procesos autorre/resivos " de medias mviles de los componentes re/ular " estacional. #sta decisin se toma t*cnicamente de las 'unciones de autocorrelacin total " parcial (IAC " IA,). (e a puesto un linJ online a disposicin del alumno para saber interpretar los correlo/ramas. 9.5 Fecidido el modelo& se procede a la #stimacin de los coe'icientes del modelo mediante MC? (M6nimos Cuadrados ?rdinarios). Ba estamos en el 1lo>ue o ,arte 2. ;.5 Contraste de Kalide) con!unta del modelo (R2& (um (>uared Resid& t& I) <.5 An7lisis detallado de los erroresD correlo/rama de los #rrores (revisar LoutliersM) N.5 (eleccin del Modelo. Ba estamos en el 1lo>ue o ,arte 3. 1G.5 ,rediccin. ACCI?O#( ,RPCTICA(3 1uscamos una serie no estacionaria (random $alJ o paseo aleatorio) para ello el t*rmino de la perturbacin aleatorio (de los errores) debe ser ruido blanco ($ite noise)3 media nula& varian)a constante " ausencia de autocorrelacin. Ha" >uien reali)a un correlo/rama inicial de la serie para ver si a" e8cesivo ruidos indicativos de no estacionariedad en media. B& tambi*n& se ace un /r7'ico (CAT de la media "a la desviacin t6pica. (6 cuando la media aumenta la desviacin t6pica tambi*n aumenta& a" una relacin " por tanto no e8iste estacionariedad en varian)a. 2.5 Aenr @B C lo/(B) en presencia de estacionariedad en varian)a 3.5 Aenr F@B C @B 5 @B(51) en presencia de estacionariedad en media #n este paso& debemos detenernos " veri'icar no solo estad6sticamente la necesidad de acer la serie estacionaria en media& abiendo seleccionado varios periodos maestrales para ver su similitud o di'erencia& sino proceder con el botn +Enit Root Test- del men. +Kie$- cuando la serie en estudio est7 activada. T#(T F# AFI. #n este momento& estamos en la p7/. 9 del e!emplo de T#RRA del pro'. R. F# ARC# (ver enlace si/uiente). (e puede apreciar el test de A. FicJe"5Iuller para la serie en Oiveles (@evel) seleccionando primero Trend and Intercept& lue/o Intercept& " 'inalmente Oone se/.n se indica. Kamos buscando >ue AFI Test nos d* un valor >ue supere (en t*rminos absolutos) al NNQ (N:Q " NGQ) el valor de tablas para descartar la e8istencia de ra6) unitaria u orden de inte/racin (si AFI es ma"or >ue valores cr6ticos reca)amos la Ho >ue es la no e8istencia de estacionriedad). Como el test plantea la Ho como e8istencia de una ra6) unitaria (test 'ormulado en pesimismo). Cuando la serie no es estacionaria& presenta una ra6) unitaria (inte/rada de orden 1) "& por tanto& aceptamos la Ho. Claramente& cuando la serie a"a sido correctamente inte/rada o identi'icada en su orden de inte/racin " se le pre/unte al test sobre +1st Fi''erence- en lu/ar de +@evel- nos indicar7 el acierto de nuestro dia/nstico. K*ase p7/. N del e!emplo citado. #s aconse!able e8i/irnos el NNQ aun>ue en al/.n caso nos pueda llevar a sobredi'erenciar "a >ue el ob!etivo es predecir con una serie estacionaria en sentido estricto. #n el test a" >ue incluir el n.mero de retardo >ue nos lleve a un valor de Furban 0atson cercano a 2. Cuando con un Furban 0atson e8i/ido en esa ci'ra " un AFI test superior al valor de tablas al NNQ podremos reca)ar la iptesis nula de e8istencia de ra6) unitaria. Ouestra serie "a es estacionaria en media " en varian)a. =.5 lo >ue se indica en =. :.5 IF#OT F@B (se escribe en #vie$s) o se activa la serie " se eli/e el comando +Ident-. @a ima/en ser7 de un +correlo/ram- de la serie trans'ormada. #n el e!emplo& el proceso es AR(1). (i tuvi*ramos >ue e8plicar un proceso (ARIMA (,&F&H) en el componente autorre/resivo o de m*dias mviles& se escriben (AR (12) " (MA(12)& respectivamente& en caso de orden 12 t6pico de series mensuales con e'ectos en la parte estacional. 9.5 (e reali)an MC? CR @( F@B c AR(1) ;.5 (e revisan los ratios. R2& Furbin 0atson " t5(tatistic principalmente. Recordemos >ue son ptimos valores de Furbin 0atson cercanos a 2. T (tatistic ampliamente superiores a 2. " R2 lo m7s pr8imo posible de 1.GG <.5 Correlo/ram o' Residuals (correlo/rama de Residuos) para ver si "a es ruido blanco. IF#OT R#(IF #l /r7'ico debe ser su'icientemente ilustrativo. Como a2adido& consultar la columna del estad6stico H5 (tat (nos muestra la probabilidad i/ual a cero de >ue a"a al/una autocorrelacin en el residuoD es decir& a'irma >ue estamos ante un ruido blanco). Cuando los valores H5(tat crecen desde el retardo 1 acia retardos superiores pro/resivamente pero su ma/nitud es pe>ue2a (e in'erior a :G en el retardo 39) nos indica >ue no a" correlacin entre valores. Oormalmente valores de Residuos acotados en las bandas " valores de ,robabilidad (H5(tat) mu" pr8imos a cero. As6 las cosas& los residuos no nos aportan in'ormacin C ruido blanco. (i no lo 'uera& deber6amos se/uir identi'icando el modelo e inclu"endo otros t*rminos ARIMA " otros n.meros de orden visibles en el propio correlo/rama del Residuals. #s decir& si despu*s de reali)ar MC? " revisar el correlo/rama de Residuals no es ruido blanco& identi'icamos el nuevo modelo ARIMA& acemos MC? " volvemos a comprobar ratios " el correlo/rama de Residuals asta >ue estemos con'ormes en >ue nuestra serie es ruido blanco. N.5 Conocido el Modelo& se ace la estimacin nuevamente (estimate)& se consulta el residual /rap& "S 1G.5 (e usa para ,redecir con el comando forecast (siempre despu*s de una accin reciente de estimate >ue /uarda temporalmente en memoria como modelo con el >ue predecir). ,ara poder acer ,rediccin el simple (smpl) del modelo deber7 ser superior al periodo observado. (i las series lle/an asta 2GG<.G1 abr7 >ue ampliar ran/e " simple asta 2GG<.12. ?btendremos F@BI& como la serie est7 di'erenciada " trans'ormada en lo/aritmos abr7 >ue desacer las trans'ormaciones. ,rimero& eliminamos las di'erencias& sumamos los valores de 'orecast (smpl del 'orecast 51) al .ltimo valor observado sin di'erenciar& o bien a todo el sample le eliminamos las di'erencias Tsi icimos /enr F@B C @B U @B(51) aora aremos /enr @B C F@B V @B (51)W " volvemos a reali)ar la prediccin. (e/undo& lue/o aplicamos e8ponencial /enr BI C e8p(serie pro"ectada) a todo el sample. Ba abremos recorrido los puntos 1 " 2 para el pr8imo d6a de clase " adem7s abremos resuelto el traba!o 4 tarea indicada. Aora estamos en 3) Comprobar dico a!uste " prediccin manual con el automatismo de #vie$s. Census %12 (sa& s'& tc) " Tramo (eats con 'orecast ori)on. Ambos m*todos se encuentran dentro del botn +,roc- de una serie activada " en el submen. de +(easonal Ad!ustment-. #l primero nos o'rece la identi'icacin autom7tica del modelo ARIMA sin 'orecast para >ue el analista pueda aplicarlo " la se/unda "a lo o'rece directamente. 3.1) I/ualmente& la clase termina con un e!emplo de actuacin pr7ctica con el so't$are /ratuito del 1anco de #spa2a (Tramo (eats& T(0).