Econometra II

Grado en finanzas y contabilidad

Metodologa Box-Jenkins

Profesora: Dolores Garca Martos

E-mail:mdgmarto@est-econ.uc3m.es
Este documento es un resumen/modificacin de la
documentacin elaborada por D. Antoni Espasa
Metodologa Box-Jenkins
Metodologa Box-Jenkins
 Metodologa Box-Jenkins

La clase general de modelos de la metodologa Box-Jenkings es la

familia de modelos ARIMA con elementos determinsticos (constante,
tendencia determinstica, estacionalidad determinstica, efecto
semana santa, efecto das laborables, atpicos, etc)
En la especificacin de estos modelos entran distintos tipos de
parmetros que capturan distintos rasgos de los datos
El primer paso es determinar si el modelo se debe formular con los
datos originales o con series transformadas. En todo caso, deben
recoger:
Evolutividad de la tendencia
Evolutividad estacional
El modelo incorporar:
Diferencias regulares
Diferencia estacional
Constante
Factores determinsticos
 Metodologa Box-Jenkins

Expresin general de los modelos ARIMA (p,d,q) (P,D,Q)s :

(1-1 L-2 L2 3 L3 -..-p Lp) (1-1 L s-2 L2s 3 L3s -..-P L Ps)
(1-L)d (1-Ls)D log Xt = +

(1-1 L-2 L2 3 L3 -..-q L q) (1-1 L s-2 L2s 3 L3s -..-Q L Qs )a t

s=4,12 Es decir, hace referencia a la parte estacional

d=0,1,2 Hace referencia al nmero de diferenciaciones regulares a realizar
de la serie original para hacerla estacionaria
D=0,1 Hace referencia al nmero de diferencias estacionales a realizar de la
serie original para hacer la parte estacional estacionaria

Otra forma de expresin es:

p (L) P(Ls) d Ds log X = c+ q (L) Q (Ls) at

 Metodologa Box-Jenkins

Transformada una serie en estacionaria (diferencias en la parte

regular y estacional y logaritmos), los parmetros que
especifican el modelo ARMA capturan la dependencia
temporal
Los correlogramas simples sern de utilidad para saber si se
trata de modelos autorregresivos o de medias mviles
En el caso de los procesos de medias mviles, tambin nos
servir para determinar el orden del proceso
Para determinar el orden de los procesos autorregresivos se
utilizara el criterio de informacin de Akaike.
Se analizan, por tanto, los grficos y los correlogramas de las
series: Xt , Xt , s Xt y s Xt. Si las series son anuales
tambin habr que analizar 2 Xt .
 Metodologa Box-Jenkins

Hay que garantizarse que la serie de los residuos tiene

estructura de ruido blanco

1. Ver Anexo
Metodologa Box-Jenkins
 Contraste de races unitarias

Las implicaciones de las races unitarias en los datos econmicos son relevantes
Si es I(1), los shocks tendrn efectos permanentes
Es habitual que la varianza del estimador de pude ser muy pequea y conducir a que en el
correspondiente intervalo de confianza no entre el valor unitario, cuando realmente existe tal raz
unitaria. Es decir, el contraste de la t habitual podra conducir a rechazar =1
Cuando hay races unitarias, el estimador muestral suele estar sesgado a la baja

Se utilizan unas tablas especficas: las tablas de Dickey-Fuller

 Contraste de races unitarias

En la ecuacin (2) se puede aadir una constante e incluso una tendencia

determinstica
Cuando hay correlacin entre las variables es mejor utilizar un modelo
en el que se tenga en cuenta este aspecto. En este caso no estaramos
ante la hiptesis de que t se distribuye como ruido blanco
Contraste de races unitarias
Contraste de races unitarias
Contraste de races unitarias

El valor de la t es
mayor que los
valores crticos, se
acepta la hiptesis
nula de que =0 y,
tanto, hay una raz
unitaria
 ESTIMACIN Y VALIDACIN DEL MODELO

Estimacin del modelo por MCO o Mxima Verosimilitud

Contrastes de los parmetros por medio de la t
Varianza residual
Ver si la correlacin entre los parmetros estimados es muy
elevada, de ser as, habra que eliminar alguno
Contrastar que los residuos tienen estructura de ruido blanco a
partir del correlograma
Se puede aplicar un test conjunto de la independencia de
las correlaciones muestrales. Test Q
Si los residuos no son ruido blanco hay que reformular el
modelo
Criterios de informacin (Akaike, Schwarz, etc). Cuanto ms
pequeos mejor
 ESTIMACIN Y VALIDACIN DEL MODELO

Si el modelo inicial no es satisfactorio:

Se recurre a considerar algunas de las hiptesis
manejadas al principio de la identificacin del modelo
Dudas en las diferencias regulares
Dudas en relacin con la estacionalidad
Dudas en cuanto al orden del modelo AR o MA
A partir de la estructura que presenten los residuos
se reformula el modelo.
Aunque el modelo estimado se pueda validar, es
conveniente analizar modelos alternativos y de funcin del
criterio de informacin (Akaike, Schwarz ) se puede decidir
sobre el modelo final
ESTIMACIN Y VALIDACIN DEL MODELO
 ESTIMACIN Y VALIDACIN DEL MODELO

El contraste de la Q es un contraste conjunto

 PREDICCIN DE VARIABLES ECONMICAS

Como se viene diciendo a lo largo del curso, los

objetivos principales de la modelizacin ARIMA son:
Prediccin
Estimacin de los componente de una serie
temporal: Tendencia, estacional y ciclo
 Esperanza y varianza incondicional vs condicional

Esperanza Marginal

W = W t-1 + at
E (W t )= E (Wt-1 )+ E (a t ) at es un proceso ruido blanco con
esperanza nula
= + 0 , E(Wt )= E (Wt-1 ) por estacionariedad
(1- ) = 0
=E (W t )= 0

Varianza Marginal

Var (W t )= 2 var (Wt-1 )+ var (a t ) at es un proceso ruido blanco

con con varianza 2
0 = 2 0 + 2 , Var(Wt )= Var (Wt-1 ) por estacionariedad
(1- 2) 0 = 2
0 =var (W t )= 2/ (1- 2)
 Esperanza y varianza incondicional vs condicional

Esperanza Condicional

Wt = W t-1 + at
Et-1 (W t )= Et-1 (Wt-1 )+ Et-1 (a t ) at es un proceso ruido blanco con
esperanza nula
Et-1 (W t )= Et-1 (Wt-1 ) = W t-1

Varianza Condicional
Vart-1 (W t )= Et-1 (Wt condicional )2

Vart-1 (W t ) = Vart-1 (W t-1 + a t) =Var t-1 (W t-1 ) + Vart-1 (at) +

+2 covt-1 (W t-1, a t)= 2

dado que W t-1 en el periodo t-1 es un dato conocido y, adems, en ese

periodo el valor observado, es independiente de la innovacin o shock
que se producir en t
Estos conceptos vienen de la estimacin de una regresin, con la que se trata de
estimar la media condicional de la variable dependiente dados los valores de las
variables independientes. La diferencia es la variable residual
 PREDICCIN DE VARIABLES ECONMICAS

Prediccin
Se apoya en el concepto de expectativa condicional:
Se trata de obtener el valor esperado de la variable
econmica en t+1 en funcin de la informacin
disponible.
E(xt+1| t)

Depender del tipo de modelo. Si se trata de un

modelo AR(1), se tendra:

yt = y t-1 + a t

Et (y t+1 )= Et (yt ) + E t (a t +1) = y t

La varianza de la prediccin un periodo por delante

es igual a 2. Y aumenta a medida que aumenta el
horizonte de prediccin
ANEXO
ESPECIFICACION DEL MODELO ARMA
ESPECIFICACIN DEL MODELO ARMA
ESPECIFICACION DEL MODELO ARMA
ESPECIFICACIN DEL MODELO ARMA
ESPECIFICACIN DEL MODELO ARMA
ESPECIFICACIN DEL MODELO ARMA