Está en la página 1de 70

SERIES TEMPORALES Prof.

Juan Camilo Santana


Msc. Estadstica UFPE Brasil

PARTE 1 Msc. Economa UNAL


2017
TEMARIO
PARTE 1

1. MODELO DE REGRESIN LINEAL (REPASO)

2. MODELO DE REGRESIN EN SERIES DE TIEMPO

3. MODELO DE CAMINATA ALEATORIA (RANDOM WALK)


EL MODELO DE REGRESIN LINEAL
El uso de la regresin se da cuando se quiere explorar o modelar la relacin
existente entre una variable Y, llamada respuesta o variable dependiente o
endgena; y una o ms predictores independientes X, llamada la variable
independiente o exgena. El modelo es lineal sobre los parmetros.

= 0 + 1 1 + 2 2 + + +
La regresin puede cumplir diversos objetivos
1. Predecir o Pronosticar valores a futuro
2. Estimar la relacin existente entre la variable respuesta y las variables
independientes
3. Comprender un fenmeno a travs de la descripcin general de la estructura de
datos
PROPIEDADES
Si = 0 + 1 1 + 2 2 + + + con i = 1, 2, , n observaciones
Entonces debe cumplirse que

~ (0, 2 )
, = 0

, = 0
, = 0
EJEMPLO ESTIMACIN
Instalar el paquete faraway.
Libro: Linear Models with R. Taylor & Francis. (2009)
Podemos obtener el estimador = proporcionado
por la funcin lm manualmente,
Podemos establecer otras variables calculadas por el modelo, a travs del siguiente
comando y compararlo con el clculo manual

Estimamos la volatilidad de la componente residual


Podemos obtener el error de estimacin de la variable endgena como sigue

Mientras que la estimacin directa del modelo gener

Podemos obtener igualmente una medida de bondad de ajuste del modelo


Suponga ahora que creamos una nueva variable, y estimamos el modelo nuevamente
Suponga ahora que, ajustamos a Adiff adicionando una variable aleatoria que sigue
una distribucin uniforme. Qu puede observar?
EJEMPLO - INFERENCIA
Utilizamos la data savings del paquete faraway para ilustrar la inferencia.
Evaluamos la bondad de ajuste del modelo a travs de la prueba F

La cual coincide con la proporcionada por la salida del modelo estimado. Cul es la
hiptesis que estamos probando?
La prueba de hiptesis de un predictor. Suponga que evaluamos la significacin del
parmetro pop15
EJEMPLO INTERVALOS DE CONFIANZA
Suponga que
EJEMPLO INTERVALOS PARA PREDICCIN
La manera ms fcil es asumiendo qu escenarios se quieren evaluar (x0) y obtener
la prediccin (y0). Volvemos sobre la data gala
De manera alternativa tenemos
EJEMPLO DIAGNSTICO
La ltima parte del modelo ajustado requiere la evaluacin de las propiedades de
los residuales.

Retomando la base Savings


Aunque en la prctica revisar el comportamiento de los residuales requiere algo de
experiencia es bueno saber como debera ser la dinmica ideal
Una prueba de varianzas respecto a pop15, podra revelar algn grado de
heterocedasticidad
En algunos otros casos, transformaciones sobre la variable endgena consigue
mejorar el anlisis de diagnstico sobre los residuales

Modelo 1

Modelo 2

Residuales Modelo 1 Residuales Modelo 2


En la prctica es frecuente observar notables variaciones ene el comportamiento de
los residuales
Una prueba de normalidad sobre los residuales

Y una prueba de correlacin de los residuales? Utilice el comando Dwtest. Esta


funcin est en el paquete lmtest. Cmo la realizara?
EJEMPLO DIAGNSTICO (2)
Un paso adicional en el proceso de ajuste de modelos de regresin lineal involucra:
(i) anlisis de influencia y
(ii) deteccin de datos atpicos

Ejemplo. (Atkinson, 1986).


Ver archivo: Diagnostic_Reg - Ejemplo 1
MEDIDAS FRECUENTES PARA EL ANLISIS DE
INFLUENCIA
El anlisis influencia clsico utiliza frecuentemente las siguientes medidas basados en
residuales estandarizados o normalizados ( ) o estudentizados ( )

Uso Indicador Identificacin Comando


Leverage Points = > 2/ hatvalues
= ( )1 3
> ; > 0.5

1
Distancia de Cook = ( )(X X) = > 1 Cooks.distance
2
(Influenciales) 2
1

DFFITS (Influenciales) , > 2 ( + 1)/ Dffits



=
2 () 1 1 > 1; 2 /
DBETAS (Influenciales) > 1; 2/ dfbetas
, / 2 ( ) 1
EJERCICIO
Utilice la serie sat de la librera faraway para estimar un modelo de regresin lineal.
En este caso queremos explicar la variable SAT score como funcin exclusivamente de
expand, salary y takers.
El SAT es un examen a nivel de educacin media en EEUU. Los datos buscan medir la
efectividad del examen relacionado con inversin, salarios y puntajes entre 1994-
1995.
Utilice grficas para explicar lo estrictamente necesario

1. Estime el modelo y analice la estructura de relaciones existentes


2. Revise el supuesto de varianza constante
3. Revise el supuesto de normalidad
FLEXIBILIZACIN DE LOS SUPUESTOS DEL
MODELO DE REGRESIN LINEAL
Qu pasara con el anlisis de regresin lineal no se cumplen los supuestos ?

Heterocedasticidad de los residuales


No-normalidad de los residuales (inclusive media diferente de cero)
Correlacin latente de los residuales o con los regresores (Xs)
Sesgo de especificacin del modelo
Dependencia entre los regresores (Xs)
HETEROCEDASTICIDAD
CORRELACIN LATENTE DE LOS RESIDUALES
ESPECIFICACIN DEL MODELO
TEORA SOBRE SERIES TEMPORALES
INTRODUCCIN
Serie Anual de Precipitaciones en los ngeles
Serie de la Temperatura Mensual Promedio en Dubuque, Iowa
Ventas Mensuales de Filtros de Aceite

*
LA CAMINATA ALEATORIA
DEMUESTRE QUE
SIMULANDO LA CAMINATA ALEATORIA
FUNDAMENTOS
Proceso Estocstico
Familia de variables aleatorias ; asociadas a un conjunto de
ndices de nmeros reales, de tal forma que a cada elemento del
conjunto le corresponde una y solamente una variable aleatoria.

Si el conjunto T es un intervalo de referencia sobre los reales diremos


que el proceso estocstico es continuo; sin embargo, si el conjunto T es
finito el proceso estocstico es discreto

Una serie temporal corresponde con la realizacin de un proceso


estocstico
MEDIAS, VARIANZAS Y COVARIANZAS
DEMUESTRE QUE
PROPIEDADES DEL VALOR ESPERADO, VARIANZA Y
COVARIANZAS
DEMUESTRE QUE..
ESTACIONARIEDAD
Para hacer inferencias sobre la estructura de un proceso estocstico con
base en una observacin del proceso, frecuentemente se asumen algunos
supuestos acerca de su estructura. Esta es la estacionariedad

Un proceso estocstico ; se dice estrictamente estacionario si


la distribucin conjunta de 1 , 2 , , es la misma que la distribucin
conjunta 1 , 2 , , para cualquier secuencia de puntos en T y
cualquier valor de k
ESTACIONARIEDAD
DEMOSTRAR QUE..
ESTACIONARIEDAD

Un proceso estocstico ; es dbilmente estacionario si


1. La media es constante en el tiempo
2. , = 0, para todo t y k
RUIDO BLANCO
DEMUESTRE QUE
Considere que el proceso de media mvil = ( + 1 )/2.
1. Es un proceso estacionario (estacionariedad dbil)?
2. Encuentre la funcin de media y varianza
3. Encuentre la funcin de correlacin
EJERCICIOS SUGERIDOS 1
MODELOS PARA SERIES TEMPORALES ESTACIONARIAS
Proceso Lineal General
DEMUESTRE QUE
Considere que si = para j=12,3, con < 1
Encuentre para el proceso estacionario y asuma que 0 = 1
1. La media esperada del proceso Yt
2. La varianza del Proceso Yt
3. La covarianza del Proceso con rezago k=1
4. La auto-correlacin del Proceso con rezago k
EL PROCESO DE MEDIAS MVILES

Demuestre que para un proceso MA(1)


DEMUESTRE QUE
1. Realice el ejercicio anterior para un MA(2)
2. Simule un Proceso MA(1) y MA(2) para tamaos de muestra 30, 90, 200
variando entre parmetros positivos y negativos
Dibuje la funcin de auto-correlacin. Qu puede observar?

Cdigo en R para hacer esta Simulacin


set.seed(1)
x.ma <- arima.sim(n = 100, list( ma = 0.5))
Par(mfrow=c(2,2))
Plot(x.ma)
acf(x.ma)
PROCESO MA(Q)
PROCESO AUTOREGRESIVO

Demuestre que para el AR(1):


DEMUESTRE
1. Encuentre los momentos del Proceso AR(2)

2. Simule un proceso AR(1) y AR(2) para y tamaos de muestra 30, 100, 200,
variando entre parmetros positivos y negativos

Dibuje la funcin de Auto-correlacin muestral. Qu Observa?


EL PROCESO AUTOREGRESIVO AR(P)
EL MODELO ARMA(P, Q)
ARMA(1,1)
DEMUESTRE
Escriba el modelo ARMA(1,1) en la forma del proceso lineal general. Recuerde que
este tipo de procesos se escribe de la siguiente manera
INVERTIBILIDAD
EJERCICIOS SUGERIDOS 2
EJERCICIOS SUGERIDOS 3
1.

2.

3.

4.

5.