MODELOS ARIMA:

(iii) Identificacin de Modelos ARIMA

Prof. Rafael de Arce www.uam.es/rafael.dearce

Prof. Ramn Maha www.uam.es/ramon.mahia
Dpto. Economa Aplicada
U.D.I. Econometra e Informtica

III.1.- NTRODUCCIN
Una vez realizado el anlisis previo de estacionariedad de la serie temporal de partida (ver
documentos i y ii previos) y aplicados por tanto los eventuales filtros de tendencia y/o diferencias
para corregir la presencia de tendencias deterministas y/o aleatorias podemos entrar en la etapa de
identificacin de estructuras ARMA en las series transformadas.
Obviando por un momento la cuestin del tratamiento de la estacionalidad, que se revisa
ms adelante en un apartado especfico, el anlisis de estacionariedad previo a la identificacin
debe haber finalizado en alguno de los cuatro supuestos representados en la parte inferior del
esquema siguiente:
Esquema de anlisis de estacionariedad previo a la identificacin y eventuales
transformaciones de la serie original segn los resultados
Serie inicial Yt

NO

SI

Es estacionaria en media ?

Aplicar filtro de tendencia

Continuamos con la serie

inicial Yt

Continuamos con la serie filtrada

Yt(ft)

NO

Es Yt(ft) estacionaria
en varianza ?

SI

NO

Aplicar
diferencias

(1)

Continuamos con la
serie filtrada en
diferencias dYt(ft)

Es Yt estacionaria en
varianza ?

SI

Aplicar
diferencias

(2)

Continuamos con
la serie filtrada
Yt(ft)

(3)

Continuamos con la
serie en diferencias
dYt

(4)

Continuamos con
la serie original
Yt

Denominaremos genricamente Zt a la transformada de la serie original Yt que

corresponda a cualquiera de esas cuatro situaciones (o la serie original si esta era estacionaria en
media y varianza). La Identificacin del modelo ARIMA consiste en observar si la transformada
Zt sigue un proceso ARMA o, por el contrario, no presenta ningn componente regular 1 que
pueda ser modelizado con estructuras autorregresivas y/o de medias mviles.
III.2.- PROTOCOLO DE IDENTIFICACIN DE MODELOS ARIMA
III.2.a.- Consideraciones generales
En trminos generales, se conoce como identificacin del modelo ARIMA a la
1

La componente regular se define por oposicin a la estacional y hace referencia a la eventual

presencia de estructuras AR o MA que relacionan valores consecutivos de las series (Yt con Yt-1 y/o
Yt-2).

determinacin de los ordenes p y q, de la estructura ARMA de la transformada Zt de una

serie temporal yt eventualmente integrada o filtrada de tendencia.
Antes de propone algunas tcnicas concretas para la identificacin de la serie Zt,
conviene hacer algunas observaciones preliminares importantes:

La observacin de la estructuras ARMA(p,q) supone la presencia de componentes

regulares en las series, una vez filtrada la presencia de tendencias deterministas y
aleatorias. No todas las series presentan este tipo de componentes regulares o, dicho
de otro modo, no todas las series son susceptibles de ser analizadas mediante un
esquema ARMA: para muchas series corregidas de estacionariedad ser habitual no
encontrar posteriormente ninguna estructura ARMA. A este respecto, conviene
recordar que los modelos ARMA implican estructuras de comportamiento muy
sencillas que no siempre se ajustan a la compleja evolucin de las series reales; por
supuesto, esto no significa que el Anlisis de Series temporales no ofrezca otras
alternativas para su modelizacin.

Aunque las tcnicas de identificacin pueden aplicarse a cualquier transformada Zt

de la serie original Yt debe tenerse en cuenta que el resultado del proceso de
identificacin no es independiente de las decisiones adoptadas en el proceso de
anlisis de estacionariedad previo. Todas las decisiones adoptadas en este proceso
previo (aplicacin de filtros de tendencia, eleccin de un filtro frente a otro, orden de
la integracin diferenciacin) implican obtener diferentes versiones, transformadas
distintas Zt de la serie original y, por tanto, alteran las caractersticas del proceso a
observar mediante la identificacin. Aplicar una diferencia cuando no exista una raz
unitaria (sobrediferenciar), no aplicar una diferencia necesaria (infradiferenciar),
elegir un filtro de tendencia incorrecto, etc. implicarn posteriores errores en el
proceso de identificacin. As, por ejemplo, en las siguientes figuras se observa como
la aplicacin incorrecta de un filtro de tendencia lineal genera una seal filtrada Zt
absolutamente distinta de la que se genera cuando se aplica el filtro correcto. La
primera de las transformadas presentara races unitarias con componentes
deterministas que exigira nuevas transformaciones mientras que la segunda, sin
races unitarias, seguira un proceso AR(2) estacionario.

Figura 1: Serie Yt con tendencia polinmica

Figura 2: Serie Yt, filtro de tendencia lineal

incorrectamente aplicado y serie filtrada
Zt=yt(ft) resultante
2000000

1600000

1500000
1000000

1200000

500000
400000

800000

-500000
200000

400000

0
96

97

98

99

00

01

02

SERIE1

03

04

05

-200000
96

97

98

99

00

Residual

01

02

Actual

03

04

05

Fitted

Figura 3: Serie Yt, filtro de tendencia polinmico correctamente aplicado y serie filtrada
Zt=yt(ft) resultante

2000000
1500000
1000000

40000

500000
20000
0
0

-500000

-20000
-40000
96

97

98

99

00

Residual

01

02

Actual

03

04

05

Fitted

La presencia de componentes estacionales en las series obliga a plantearse al menos 3

preguntas previas a la identificacin2:
1. Conviene preservar el componente estacional en la serie o conviene
eliminarlo antes de identificar sus estructuras ARMA y utilizar los
resultados con fines analticos?
2. En caso de que nos interese eliminar el componente estacional, Cundo
conviene aplicar el correspondiente filtro de estacionalidad?. Antes del
tratamiento de la tendencia determinista y las races unitarias? Despus
de los filtros de tendencia pero antes del anlisis de Races Unitarias?
Justo antes de la identificacin?.
3. Suponiendo que tenemos claro cundo conviene eliminar la
estacionalidad, existe un procedimiento estndar o ms de uno? y, lo
que es ms importante, es indiferente la aplicacin de los distintos
mtodos que existen o por el contrario los distintos procedimientos
impactan sobre la serie filtrada resultante y, por tanto, sobre el resto de
las etapas del anlisis?.

Algunas de las preguntas previas tienen una respuesta clara. As, empezando por el final,
parece ms o menos claro que existen distintos mtodos para eliminar la componente estacional y,
lamentablemente, la aplicacin de cada uno de ellos genera resultados que pueden diferir
sustancialmente, influyendo en el resto de las etapas (identificacin y anlisis de estacionariedad).
Entender los distintos procedimientos pasa por comprender una distincin muy simple de 3 tipos
genricos de estacionalidad: la puramente determinista, la estacionalidad estacionaria y la
estacionalidad integrada. Un proceso con estacionalidad determinista asume que este componente
puede ser pronosticado con exactitud a futuro, permaneciendo invariante en el tiempo, y puede,
por tanto, ser modelizado por ejemplo mediante una regresin con variables dummies. Excluida la
estacionalidad determinista, el resto de mtodos ideados para modelizar la estacionalidad no
determinista (X11, X12) impactan de forma distinta, y a veces significativa, en los resultados
obtenidos para la serie filtrada y, adems, generan resultados potencialmente distintos segn el
momento elegido para la aplicacin del filtro. Por ltimo, conviene preguntarse adems si la
estacionalidad es siempre estacionaria o, por el contrario, del mismo modo que aparecen races
unitarias regulares es posible encontrar races unitarias estacionales. Efectivamente, es posible

Un buen artculo al respecto de la cuestin de la estacionalidad y su tratamiento puede encontrarse en

Soto, R. (2002). Ajuste Estacional e integracin en variables macroeconmicas. Cuadernos de
Economa V.39 Nmero 116, Santiago, Abril 2002.

encontrar races unitarias estacionales lo que obliga a pensar en la aplicacin de test especficos 3
antes de observar otros componentes estacionales estacionarios en la identificacin.
Con el fin de no complicar en exceso este documento, apartaremos por el momento el
asunto de la estacionalidad y supondremos bien que estamos ante una serie sin componentes
estacionales o, al menos, con componentes estacionales estacionarios que, por tanto, podrn ser
filtrados previamente o bien modelizados en el propio proceso de identificacin ARMA en su
componente estacional (SARMA).
III.2.b.- Tcnicas de identificacin de estructuras ARMA
Correlograma
Tradicionalmente se ha sugerido la utilizacin del correlograma de la serie como mtodo
de identificacin de la estructura ARMA de una serie Zt. La popularidad de este procedimiento
radica en que la modelizacin ARIMA siempre se ha presentado como una herramienta intuitiva,
relativamente sencilla, accesible para el no econmetra; en ese contexto, la utilizacin de un
grfico para resolver la identificacin parece una propuesta muy sugerente. Sin embargo, como se
ver ms adelante, un estudiante de econometra tiene a su disposicin herramientas mucho ms
potentes para decidir qu estructura ARMA representa mejor la serie analizada por lo que no debe
sobrevalorar el correlograma y debe considerarlo, a lo sumo, un punto de apoyo inicial,
meramente orientativo, con el que iniciar el proceso de identificacin.
El correlograma de una serie es una representacin grfica de sus coeficientes de auto
correlacin simple y parcial. La secuencia de coeficientes de autocorrelacin simple se denomina
Funcin de Autocorreacin Simple (FAS) y la secuencia de coeficientes parciales Funcin de
Autcorrelacin Parcial (FAP).
Un coeficiente de autocorrelacin simple de orden k ( k) es un coeficiente de
correlacin simple al uso entre la serie Yt y a la serie Yt-k.

Cov ( y t , y t k )
DT yt DT y t k

y dado que el proceso es estacionario en varianza (DT(Yt)=DT(Yt-k)):

Cov ( y t , y t k )
Var y

Cuando hablamos de auto correlacin parcial de orden k ( k), nos referimos a la

correlacin entre Yt e Yt-k condicionada a los valores de los retardos intermedios de la propia serie.
Por ejemplo, si hablamos de la relacin entre Yt e Yt-3 nos referimos a la correlacin entre estas
dos series condicionado a los valores de Yt-1 e Yt-2.

k Corr y t , y t k y t 1 , y t 2 ,.... y t k 1
La influencia de los retardos intermedios en los valores de Yt e Yt-k podra computarse
estimando una regresin de Yt e Yt-k sobre esos valores intermedios:
y t 1 y t 1 1 y t 1 ..... 1 y t k 1
3

Existen varias propuestas al respecto: DF Estacional (Dickey Fuller) , HEGY (Hyllenerg,Engle,Granger

y Loo) , CH (Canovas Hansen)

y t k 1 y t k 1 y t k ..... 1 y t k 1

La relacin parcial ser entonces la correlacin simple exhibida entre el residuo de ambas
regresiones, es decir, entre la proporcin de Yt e Yt-1 no condicionada a los valores de los retardos
intermedios:

Cov ( y t y t )( y t k y t k )
Var ( y t y t ) Var ( y t k y t k )

La representacin para una determinada serie de un nmero suficiente de coeficientes de

autocorrelacin simple y parcial resulta indicativa de la estructura del proceso estocstico
subyacente. La razn estriba en que, desde un punto de vista estrictamente terico, todo proceso
estocstico estacionario AR(p) presenta funciones de autocorrelacin simple y parcial de un patrn
similar (valores de los coeficientes simples o parciales para los diversos retardos) y lo mismo
ocurre con los procesos MA(q). En concreto, un examen tcnico detallado de las funciones de
autocorrelacin simple y parcial demuestra con sencillez que:
-

Un proceso genrico AR(p) muestra un decrecimiento rpido de los coeficientes de

autocorrelacin simple junto a la presencia de p coeficientes significativos de
autocorrelacin parcial.

De forma simtrica, un proceso genrico MA(q) muestra un decrecimiento rpido de

los coeficientes de autocorrelacin parcial junto a la presencia de p coeficientes
significativos de autocorrelacin simple.

Aunque el aspecto terico de un AR(p) o un MA(q) es sencillo de diferenciar, cuando

analizamos series temporales reales, la representacin de los correlogramas muestrales resulta
siempre algo menos evidente y, por tanto, ms confusa. En ese sentido, conviene observar las
siguientes recomendaciones:

El anlisis de los correlogramas es slo un anlisis preliminar que despus podr

complementarse con medidas tcnicas adicionales por lo que, en todo caso, el
correlograma deber utilizarse para realizar slo un juicio preliminares que despus
conviene refrendar con otros clculos.

El patrn AR(p) exige la presencia simultnea de un decrecimiento en la funcin

simple y (p) valores estadsticamente significativos en la funcin parcial; la presencia
aislada de una de las dos cosas no puede asociarse a un proceso AR(p). De forma
similar, los patrones de un MA(q) deben aparecer tambin de forma simultnea.

El nmero p o q de retardos significativos en la FAP o en la FAS puede evaluarse

en trminos estadsticos4 pero en un primer momento basta observar si los valores de
los coeficientes son grficamente significativos, es decir, si presentan un valor
evidentemente mayor que el resto de coeficientes. Los retardos estadsticamente
significativos son de orden limitado (de orden uno, es decir, para el primer retardo, de

Bartlett demostr que

k N 0, 1

Como para cualquier distribucin normal estndar, el intervalo de confianza al 95% es 1,96*DT ,
pueden calcularse los lmites de nulidad de los : cualquiera que se salga de esos lmites es
estadsticamente distinto de 0 (lmites que aparecen dibujados en el correlograma de E-Views)

orden dos o, muy rara vez, de tercer orden). Un valor aparente significativo en un
orden elevado (salvo en los retardos estacionales), sin que previamente los anteriores
retardos parezcan significativos, suele indicar algn atipismo en la serie, y no un
patrn de inters analtico.
Evaluacin economtrica de las especificaciones ARMA alternativas
Ms all de la utilizacin del Correlograma de la serie, conviene utilizar los
procedimientos habituales de evaluacin de una estimacin economtrica para decidir el modelo
ARIMA que mejor ajusta la seria analizada. En la prctica real, el nmero de estructuras ARIMA
alternativas para ajustar una serie es muy reducido dado que trminos de orden regular 5 superior a
2 son muy poco habituales: esto supone la mayor parte de las veces elegir entre un AR(1), un
MA(1), un AR(2), un MA(2) o alguna combinacin ARMA de orden 1 2.
As pues, la recomendacin de orden general es comenzar observando el correlograma y,
en base a los indicios apuntados por el mismo, valorar economtricamente las dos o tres posibles
estimaciones alternativas. Par esa evaluacin economtrica, pueden considerarse criterios
estadsticos habituales como los siguientes:
-

Anlisis de la significatividad individual de los coeficientes AR y MA. Para ello

puede utilizarse el contraste t clsico de significacin estadstica individual al modo
habitual.

Criterios de informacin (Akaike 6 y/o Schwarz7 entre otros). Recordando que,

entre modelos alternativos, se elegir aquel con el menor valor del criterio de
informacin.

Evaluacin de los errores. El anlisis de errores clsico de una regresin puede

proporcionar criterios suficientes para elegir entre posibles modelos alternativos. En
este sentido, pueden utilizarse cualesquiera medidas que resuman A PROIRI el
tamao (suma de errores, porcentaje medio de error, ) y sus caractersticas
(ausencia de trazas autocorrelacionadas o heterocedsticas, capacidad de ajuste de los
puntos de cambio de tendencia, ) o que permitan intuir su comportamiento A
POSTERIORI (comportamiento de los errores con enfoque de validacin cruzada,
comportamiento del ajuste hacia el final del perodo histrico,)

Evaluacin de la especificacin SARMA (estacionales)

Del mismo modo que se ha identificado la presencia de trminos AR y/o MA en la
componente regular, observando los correlogramas o utilizando criterios clsicos de evaluacin
economtrica, pueden as mismo identificarse estructuras AR y MA para retardos estacionales.
Este tipo de estructuras SAR y/o SMA se identifican con los mismos instrumentos
5

Para la componente estacional ocurre algo similar. rdenes estacionales superiores a 1 (4, 12,
dependiendo de la frecuencia de la serie) son inhabituales.
6
El coeficiente AIC: responde a la expresin:

e' e

2k n ln( L) 2k n ln

Para muestras pequeas, se propone la versin corregida AICc (muestras pequeas): AIC
7

2k k 1
n k 1

El criterio de Schawrz, denominado generalmente BIC, es algo ms exigente que el AICE para la

e' e
ln(n)
k

n
n

inclusin de nuevas variables y responde a la expresin ln

especificados anteriormente.
Con relacin al correlograma, en el caso de las componentes estacionales las estructuras
SAR y SMA se identifican grficamente con los mismos patrones sealados para la componente
regular. Sin embargo, para evaluar en este caso un decrecimiento en la FAP o FAS debemos
fijarnos exclusivamente en los valores de los coeficientes de autocorrelacin (simples o parciales)
correspondientes a los retardos estacionales (por ejemplo para una serie trimestral, deberamos
observar grficamente el valor de los coeficientes de autocorrelacin para t-4, t-8, t-12etc).
Dado que habr que observar coeficientes de autocorrelacin para retardos estacionales,
debern solicitarse correlogramas ms extensos que par la identificacin de la componente
regular: en una serie mensual, por ejemplo, una docena de coeficientes son suficientes para
observar cualquier estructura en la componente regular y, sin embargo, no podra observarse la
componente estacional dado que el nico coeficiente estacional disponible sera el correspondiente
a t-12.
Por lo que se refiere a la evaluacin economtrica de las especificaciones SARMA
alternativas, todos los consejos citados para la evaluacin economtrica de la componente regular
son igualmente aplicables para evaluar la conveniencia de la inclusin de trminos SAR y/o SMA
en una especificacin.
III.3.- INTRODUCCIN AL ANLISIS DE INTERVENCIN
La modelizacin economtrica ARIMA de una serie temporal rara vez concluye con la
identificacin de una estructura AR / MA. La razn es que este tipo de estructuras ARMA
regulares y/o estacionales pueden servir como regla general de comportamiento para la serie
disponible, pero slo capturarn aquella porcin de la variabilidad sistemtica que se observe a lo
largo de la serie completa. Esto significa que, an utilizando una estructura ARMA pueden quedar
fuera de anlisis:
-

Ciertos componentes de variabilidad sistemtica (y por ello previsible en gran

medida) pero de carcter irregular o de frecuencia anmala
Como componente sistemtico de carcter puntual podemos, por ejemplo, imaginar
el efecto de la semana santa sobre la serie semanal de entrada de turistas. Dado que
la Semana Santa es un fenmeno puntual dentro del ao (no ocurre todos los meses)
y adems no siempre cae en la misma semana natural, su efecto sobre la serie
no se puede recoger con el componente regular ARMA previamente identificado.
Otros efectos de esta naturaleza pueden ser el efectoao bisiesto, la presencia de
fiestas de distinto carcter (internacional, nacional, regional, local,) que afecten a
la serie o a parte de ella.
Otro ejemplo de variabilidad sistemtica pero irregular puede ser el desigual nmero
de das no laborables que existen en cada mes. As, por ejemplo, si tomamos una
serie mensual de gasto en servicios mdicos, los meses con mayor nmero de
sbados y domingos presentarn un sesgo de atencin a la baja, un sesgo sistemtico
pero de frecuencia irregular.

Impactos puntuales en la serie debidos a la presencia de observaciones extraas,

imprevisibles, no sistemticas, relacionadas con acontecimientos extraordinarios
o errores en la manipulacin de datos (atpicos)
Ejemplos de puntos atpicos con influencia sobre cualquier serie hay tantos como
acontecimientos imprevisibles puedan ocurrrsele a uno (un atentado, un sesmo, un
cambio legislativo, una fusin empresarial, ..)

La presencia de este tipo de componentes deficientemente incluidos en la especificacin,

pueden generar problemas en los modelos estimados. En primer lugar, la presencia de puntos o
perodos atpicos eleva el error de estimacin, lo que repercute en varios aspectos clave en materia
de evaluacin general del modelo (tests de significatividad, precisin en el contraste de hiptesis,
tamao de los intervalos para los parmetros y la prediccin, ). En segundo lugar, la propia
presencia no atendida de tramos o puntos anmalos puede inducir errores en la identificacin de
las estructuras ARMA; en este sentido, algunos puntos atpicos pueden tener una elevada
influencia en los resultados de las medidas y los test que se utilizan en la tarea de especificacin.
Adicionalmente, la presencia de seales atpicas en las series y su correcta deteccin aporta en
muchas ocasiones una fuente auxiliar de conocimiento del fenmeno analizado que no conviene
desperdiciar.
En lneas generales, el anlisis de intervencin aspira a complementar la identificacin
ARMA de la componente de variabilidad sistemtica regular de la serie, aadiendo al modelo una
componente (de tipo determinista) que recoja los efectos de los anmalos. Esa componente
determinista puede ser, a futuro, previsible o imprevisible en funcin, precisamente, del carcter
determinista o no sistemtico del acontecimiento incluido.
La forma que adoptar la componente determinista del anlisis de intervencin depender
del tipo y duracin fenmeno a incorporar en el modelo. En ocasiones se tratar de series
completas de tiempo (por ejemplo el nmero de das no laborables en cada mes de una muestra)
en otras de meras variables ficticias (generalmente dicotmicas) pensadas para capturar algn
acontecimiento puntual. As, por ejemplo, en el caso de la modelizacin de puntos atpicos, suelen
distinguirse algunos perfiles habituales (se muestran slo algunos ejemplos de los diversosperfiles
que podran imaginarse) :
Impulso: El acontecimiento es puramente
puntual afectando a una nica observacin

Escaln: Se produce un cambio de nivel

(media) en la serie a partir de un determinado
acontecimiento

Meseta: Una variante del atpico de escaln pero Tendencia (o rampa): El acontecimiento
de duracin determinada
impacta progresivamente en la serie generando
una tendencia determinista.

Los distintos acontecimientos que requieren anlisis de intervencin pueden ser conocidos
previamente por el analista (laboralidad, semana santa, fiestas,) por lo que su deteccin tcnica
no es necesaria. Sin embargo, la exploracin puramente tcnica de la serie en busca de atpicos
puede ser tambin importante por cuanto algunos fenmenos que impactan en la serie pueden no
ser conocidos a priori (bien por falta de atencin o estudio del analista, bien por tratarse de
cuestiones particularmente raras e inexplicables incluso a posteriori). En este sentido, muchos
programas con mdulos especficos de anlisis de series temporales (TRAMO-SEATS, SPSS)
ofrecen mecanismos de deteccin y caracterizacin de atpicos que complementan las ideas a
priori del analista.