Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tendencias Series de Tiempo Oliveros PDF
Tendencias Series de Tiempo Oliveros PDF
Hugo Oliveros C.
Investigador Adjunto,
IRI Colombia University
TENDENCIAS Y SERIES DE TIEMPO
Agenda:
Motivacin
Conceptos Generales
Definiciones
Tendencia, Estacionalidad, Ciclo
Alternativas Metodologicas
Series Estacionarias/ No-estacionarias
Estrategia de analisis
Ejemplos
Tendencia
Estacionalidad
Ciclo
Comentarios finales
MOTIVACION
Z = + et ;
t t
MOTIVACION
Z = + et
t t
CONCEPTOS GENERALES: DEFINICIONES
QUE ES UNA SERIE DE TIEMPO?
Conjunto ordenado de observaciones de una
variable , comunmente, registradas a
intervalos de tiempo constantes.
Z = + et
t t
PZ z PZ '' z
ti ti
Modelo Z t = t + et
:
E ( et ) = 0; V ( et ) = e2
Preguntas :
Z = + et E ( Z t ) = Z t = + et
t t
2
Z
V (Z t ) =
2
t
CONCEPTOS GENERALES: Tendencia, Estacionalidad, Ciclo
Z es dominado por varias componentes : { tendencia, estacional, ciclo , irregular}
#
*
T
t
*
#
*
t
(
t t
)
Y = T + Z t Y T = Z t : Es posible expresar Z como? Z = Z
t t t 1 t 12
+
t
1
Z Z = (1 B 12 ) Z = Z =
t 1 t 12 t 1 t t t 12 t
(1 B )
1
CONCEPTOS GENERALES: Tendencia, Estacionalidad, Ciclo
Z es dominado por varias componentes : { tendencia, estacional, ciclo , irregular}
(1) : E (Z t ) = ; (2) : V (Z t ) = 2 ;
Z
(3) : CovZ t , Z
= CovZ ,Z
= (h)
(t h) t + k (t + k h)
(A) (3 A) : Cor Z t , Z
= (h) = (h) / Z2
(t h)
Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.
SERIES NO ESTACIONARIAS
Procesos No-estacionarios
Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.
ESTRATEGIA DE ANALISIS
MST
ARIMA
ARMA
TFNM(ARIMAX)
STSM
REGRESION
MODELO
VAR
SERIES
VEC
TIEMPO PANEL
(MST) OTROS..
Graficas de la
serie(s): (patrones,
Tendencia,
Estacionalidad,
Variabilidad)
(Estacionaria(s),
no-estacionaria(s) NO
E-
MST
ESTIME MST (E-MST)
(OK)
Verifique (supuestos)
Bondad de ajuste:
Significancia parmetros
Coherencia, Parsimonia,
Consistencia
ESTRATEGIA DE ANALISIS: EJEMPLOS
Tendencia ?
Decae
lentamente?
Se corta
despues de
rezago 1 ?
Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.
ESTRATEGIA DE ANALISIS: EJEMPLOS
(3A)
Z = c + 1Z + et ; (1 1B12)Z = c + et
t t 12 t
1
Z =+ et ;
(3A) t 12
(1 B )
1
ACF:
( )
(h) = 1 j ; h = j *12 , j = 1,2,3,..;
PACF:
= 1; h = 1; = 0, otro caso
h, h h, h
ESTRATEGIA DE ANALISIS: EJEMPLOS
TENDENCIA
( II ) : Y = + * t + ; donde
t t
~ NI (0, 2 )
t
LA ESTACIONALIDAD
15 ESTACIONALIDAD:
10 - Cuando las series siguen un patron de
5
variacion periodico en su evolucion que esta
atado al calendario, se dice que tienen un
0 S_(2) comportamiento estacional.
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
-5
- Al igual que en el caso de la tendencia es
-10 factible construir patrones similares a
comportamientos estacionales a partir de
-15 representaciones deterministicas [S(L)], o
partir de modelos que dependen de una
Z = c + 1Z +e estructura que depende de la frecuencia
t t 12 t
estacional. (SARMA, SARIMA-(raiz unitaria
estacional)
ESTACIONALIDAD:
- Cuando las series siguen un patron de
variacion periodico en su evolucion que esta
atado al calendario, se dice que tienen un
comportamiento estacional.
CICLO:
- Variaciones inter -anuales recurrentes ( e.g.
m > 1 ao) con fases no necesariamente
This image cannot currently be display ed.
estables son asociadas al concepto de
ciclo.
1 2
(
1 B B 2 Y Y
t
)
t 1 t
(
= c + Y Y
t t 1
)=+
1
1 B B 2 t
1 2
CONSIDERACIONES FINALES
La identicacion de la presencia {T, E,C,I} en una serie de tiempo permite entender su dinamica, la
persistencia y la recurrencia de patrones de comportamiento que se presentan en las series de
tiempo.
Su separacion no es proceso simple. Por ejemplo: dado que los ciclos pueden oscilar a frecuencias
bajas (asociadas con tendencias de largo plazo), la separacion entre la tendencia y el ciclo requiere
de procedemientos especializados (filtros y modelos complejos).
Existen multiples alternativas para eliminar algunos de las componentes de T, C, E, I, de las series
de tiempo (e.g. modelacion, uso de filtros ) y por defecto encontrar los restantes, sin embargo, cada
alternativa escogida tiene costo que necesario evaluar a luz de pruebas adecuadas sobre los
supuestos y la dinamica que las series generadas deben seguir.
R, SAS/ETS, SAS/IML, y MATLAB entre otros paquetes ofrecen rutinas para procesar y filtrar las
series al igual que para evaluar las hipotesis subyacentes. Sin embargo, es importante consultar la
pertinencia de los modelos implicitos en la derivacion de las componentes (estadistica + algo mas)
Si las variables que se analizan causan (o son las fuerzas que determinan parcialmente) la dinamica
de otras variables, sus propiedades estadisticas pueden/deben aparecer en el comportamiento de
dichas variables. En consecuencia analisis conjuntos podrian ofrecer alternativas mas utiles para
confirmar los hallazgos.
Para construir los modelos, o usar los filtros se requieren series de tiempo largas (varias
repeticiones de los patrones existentes) en consecuencia los esfuerzos por recuperar , limpiar y
mantener las series (las bases de datos) deben ser parte fundamental de la estrategia al momento de
discutir el presupuesto.