AnalisisDeSeriesTemporales PDF

29/11/12
Anlisis de Series Temporales
Jose Jacobo Zubcoff
Departamento de Ciencias del Mar y

Biologa Aplicada

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos
Modelizacin Espacio-Temporal de recursos marinos
Introduccin al anlisis de series temporales
Objetivo: analizar la evolucin de una variable a travs del tiempo
Diferencia con anlisis no temporales: en los anlisis previos no

importaba el orden en que estaban tomadas las observaciones y
este se poda variar sin problemas
En series temporales el orden es muy importante y variarlo

supone cambiar la informacin contenida en la serie.
1
29/11/12
Introduccin al anlisis de series temporales
Es muy importante conocer la periodicidad de los datos
Ej.: Anual, mensual, diaria, entre otras.
Existen numerosos ejemplos de series temporales:
Serie de temperaturas en una localidad

Datos de biomasa/especie en lonjas de pescado
Numerosos datos en piscifactoras
Cobertura de especies de algas en la costa alicantina
Adems de series de otro tipo de inters y conocidas:
Serie del ndice del IPC

Serie de cotizaciones en bolsa (para distintos valores)
Descripcin de series temporales

Las series suelen representarse mediante un grfico que muestra
su evolucin con el tiempo
Caractersticas
1- Tendencia: implica que la serie tiende a crecer o a decrecer a

largo plazo
2
29/11/12
La tendencia:
Cuando una serie permanece ms o menos constante, oscilando en
torno a un valor, decimos que la serie
no tiene tendencia
2- Variabilidad:
HOMOCEDSTICA, si su variabilidad se mantiene constante a lo
largo de la serie. Su variabilidad no aumenta con el tiempo.
HETEROCEDSTICA, cuando la variabilidad de la serie aumenta o

disminuye a lo largo del tiempo
3
29/11/12
3- Componente cclica:
Oscilaciones de amplitud y frecuencia variables
4- Estacionalidad:
La disposicin de observaciones en un orden temporal (diaria,
mensual, anual, etc.) permite detectar patrones de comportamiento
regular y repetido en iguales periodos de tiempo
4
29/11/12
5- Componente irregular:
Junto con la tendencia, el ciclo y la estacionalidad este factor
aleatorio denominado irregular permite describir una serie temporal
Descomposicin de series temporales
Modelo aditivo
xt = mt + st + zt
Donde:
mt es la tendencia
st es la estacionalidad
zt es el trmino aleatorio (error)
5
29/11/12
Modelo aditivo
xt = mt + st + zt
Modelo multiplicativo
xt = mt st + zt
Donde:
mt es la tendencia
6
29/11/12
Modelo multiplicativo
xt = mt st + zt
Donde:
mt es la tendencia
Anlisis de series temporales
Cuando se quiere analizar la serie es necesario identificar la

estructura que la genera, es decir cmo influyen las observaciones
del pasado en las observaciones del futuro
7
29/11/12
Autocorrelacin
La idea de la autocorrelacin es proporcionar el coeficiente de
correlacin entre las observaciones separadas un nmero
determinado de periodos
Funcin de Autocorrelacin Simple (FAS), es una sucesin de
nmeros que representan cmo influye una observacin sobre:
la siguiente (1)
sobre la segunda posterior (2)
o sobre la k periodos posterior (k)
Donde i es un coeficiente de correlacin [1-,1]
Funcin de Autocorrelacin Simple (FAS)
8
29/11/12
Funcin de Autocorrelacin Simple (FAS)

Es el conjunto de coeficientes de autocorrelacin k desde 1 hasta
un mximo que no puede exceder la mitad de los valores
observados
Cuando un k vale cero, quiere decir que no existe efecto entre
una observacin y la k posicin posterior
Es de gran importancia para estudiar la estacionalidad de la
serie, ya que si sta existe, los valores separados entre s por
intervalos iguales al periodo estacional deben estar correlacionados
de alguna forma
Es decir, el coeficiente de autocorrelacin para un retardo igual al
periodo estacional debe ser significativamente diferente de 0
Funcin de Autocorrelacin Parcial (FAP)

Proporciona la relacin directa que existe entre observaciones
separadas por k retardos
Elimina el problema que presentaba la funcin de autocorrelacin
simple
9
29/11/12
Series estacionarias
Una serie es estacionaria si la media y la variabilidad se
mantienen constantes a lo largo del tiempo.
Por lo tanto:
Una serie es no estacionaria si la media y/o la
variabilidad cambian a lo largo del tiempo.
Series no estacionarias pueden mostrar cambios de varianza.

Series no estacionarias pueden mostrar una tendencia, es decir
que la media crece o baja a lo largo del tiempo.
Y pueden presentar efectos estacionales, es decir que el
comportamiento de la serie es parecido en ciertos tiempos
Series estacionarias
Se define una serie como estacionaria cuando cumple las
siguientes caractersticas:
No tiene tendencia
Es homocedstica
No tiene ciclos estacionales
La estructura de dependencia se mantiene constante, es decir si una

observacin influye sobre la posterior, esto ocurre SIEMPRE y no
nicamente entre las observaciones i y j
La influencia de las observaciones sobre las posteriores decrece con el
tiempo
10
29/11/12
Series estacionarias:
Caractersticas
Con series estacionarias podemos obtener predicciones

fcilmente.
Como la media es constante, podemos estimarla con todos los

datos, y utilizar este valor para predecir una nueva observacin.
Tambin se pueden obtener intervalos de prediccin (confianza)

para las predicciones asumiendo que Xt sigue una distribucin
conocida, por ejemplo, normal.
Series estacionarias: RUIDO BLANCO
Un ruido blanco es una serie estacionaria tal que ninguna

observacin influye sobre las siguientes
11
29/11/12
Series estacionarias: RUIDO BLANCO
Las FAS y la FAP del ruido blanco son una sucesin de barras no
significativas
1)Describa qu componentes se pueden observar en esta serie (tendencia-

ciclo, estacionalidad, irregular). Fundamente su respuesta, qu informacin
proporcionan cada uno de los grficos presentados ms arriba
2)Analice la estacionariedad de la serie, de no ser estacionaria, qu
transformacin le realizara para que lo fuera
12
29/11/12
1)Describa qu componentes se pueden observar en esta serie (tendencia-

ciclo, estacionalidad, irregular). Fundamente su respuesta, qu informacin
proporcionan cada uno de los grficos presentados ms arriba
2)Analice la estacionariedad de la serie, de no ser estacionaria, qu
transformacin le realizara para que lo fuera
1)Describa qu componentes se pueden observar en esta serie

(tendencia-ciclo, estacionalidad, irregular)
13
29/11/12
Componente cclico
El componente cclico recorre una especie de crculo que es
posible modelar utilizando funciones trigonomtricas bsicas,
cualquiera de ellas son funciones del crculo que se repiten cada
360 grados o 2 radianes
Componente cclico
3600=2 rad 00=0 rad
2700=3/2 rad 900=/2 rad
1800= rad
14
29/11/12
Componente cclico
Se postula para modelar el componente cclico la siguiente
funcin:
C t ( p ) = cos( p t )
Donde:
wp es la frecuencia angular asociada a un ciclo de p perodos de
duracin
C t (1) vara entre -1 y 1 por ser una funcin coseno
Componente cclico
un ciclo = p periodos un ciclo = p periodos
3600=2 rad 00=0 rad

1
0.8
0.6
0.4
0.2
0
270 =3/2 rad 900=/2 rad
0
-0.2
-0.4
-0.6
-0.8
-1
1800= rad
un ciclo = p periodos
15
29/11/12
Componente cclico
Para generalizar el componente cclico se lo puede
especicar como:
C t ( p ) = p cos( p t )

p correponde a la duracin del ciclo
La determinacin precisa de Wp , la frecuencia del ciclo es
crucial para su capacidad predictiva, lo que fundamenta el
extremo cuidado en captar de manera precisa todos sus
componentes
Modelos de procesos no estacionarios

Si las series no son estacionarias pueden presentar:
Tendencias (variaciones en la media)
Estacionalidad, ciclos (periodicidades)
Variaciones en la dispersin
En resumen, su media y dispersin varan con el tiempo.
16
29/11/12
Diferenciacin
Se ha explicado cmo es una serie estacionaria
Cuando la serie no lo es, es preciso transformarla
Este proceso es muy sencillo: Para eliminar la tendencia se toman
una o varias diferencias en la serie
Una serie se diferencia restando a cada observacin la observacin

anterior
wt = zt zt-1
En caso de que no la haya perdido se diferencia una segunda vez
Introduccin a los modelos ARIMA

L os modelos ARIMA responden al acrnimo de procesos
AutoRregresivos, Integrados, y Medias mviles (Moving Average)
La idea subyacente fundamental consiste en admitir que las series
temporales son generadas mediante un Proceso Generador de Datos
(PGD) que puede ser identificado y cuantificado y que, por tanto,
pueden ser inferidos sus valores a futuro.
En este sentido enlaza con los mtodos clsicos de prediccin basados
en la identificacin de los componentes de una serie temporal.
17
29/11/12

La primera simplificacin que debemos asumir es que el proceso es
estrictamente estacionario lo que supone que la funcin de
distribucin conjunta no se ve afectada por ningn cambio de origen,
es decir: f (Zt, Zt+1,Zt+r)= f (Zt+k,Zt+1+k,Zt+r+k).
Si definimos la media y varianza del proceso como:
t = E ( Z t ) = E ( Z t1 , Z t 2 ,...)
t , s = cov(Z t , Z s ) = E[( Z t t )(Z s s )]
Estaremos ante un proceso dbilmente estacionario(1) si la media es
constante en el tiempo y la covarianza depende nicamente de la
distancia temporal entre las variables.
= t = E ( Z t )
k = cov(Z t , Z t + k )
(1) Si las variables son normales (proceso gaussiano) equivale a un proceso estrictamente estacionario.

La segunda simplificacin que debemos asumir es que el proceso es
ergdico, lo que supone que los elementos suficientemente alejados
en el tiempo estn prcticamente incorrelacionados de forma tal que
todos los elementos de la serie temporal aporten informacin nueva y
til para la media.
De esta forma la media temporal es un estimador insesgado y
consistente de la media poblacional si su varianza tiende a cero
cuando la muestra tiende a infinito:
N
1
ZN = Z t
N t =1
Si Var ( Z N ) 0 N entonces E (Z N ) =
18
29/11/12

Procesos estocsticos elementales: Ruido Blanco
El denominado ruido blanco es un proceso estocstico que presenta
media nula, varianza constante y covarianza nula para cualquier
valor de k, si adems la distribucin es normal, se denomina Ruido
Blanco Gaussiano.
E (at ) = 0
( )
E at2 = a2
Cov ( at , at + k ) = 0 k
Este tipo de procesos es estrictamente estacionario.
El camino aleatorio es un proceso tal que la diferencia entre dos

valores consecutivos de la variable se comporta como un ruido
blanco.
Z t Z t 1 = at o bien Z t = Z t 1 + at
Si existe una tendencia sistemtica en el cambio se denomina camino
aleatorio con deriva.
Z t Z t 1 = m + at o bien Z t = m + Z t 1 + at
El camino aleatorio es no estacionario en varianza mientrast
que si
tiene deriva tampoco lo es en media. Zt = Z0 + a j + t * m
j =1
19
29/11/12

Definimos un proceso autorregresivo de primer orden AR(1) como un
proceso aleatorio que responde a una expresin del tipo

Z t = 0 + 1Z t 1 + at o bien Z t = 1Z t 1 + at con Z t = Z t 0
Para que el proceso AR(1) sea estacionario se debe cumplir que
-1<1<1, para que z2 sea finita y no negativa.
a2
( ) 2 2 2 2
Var Z t = z = 1 z + a =
1 12
Los procesos autoregresivos pueden generalizarse al orden p AR(p)
sin ms que aadir trminos retardados en la expresin general.
Z t = 0 + 1Z t 1 + 2 Z t 2 + ... + p Z t p + at

Funciones de Autocorrelacin de un proceso autorregresivo de primer orden AR(1)
20
29/11/12

Definimos una media mvil de primer orden MA(1) como un proceso
aleatorio que responde a una expresin del tipo
Z t = at + 1a t 1 con Z t en diferencias a la media
Los procesos de medias mviles son estacionarios y, al igual que los

autoregresivos pueden generalizarse al orden q MA(q) sin ms que
aadir trminos retardados en la expresin general.
Z t = at + 1at 1 + 2 at 2 + ... + q at q

Funciones de autocorrelacin de una media mvil de primer orden
MA(1)
21
29/11/12

Un proceso integrado es aquel que puede convertirse en estacionario
aplicando diferencias.
As, por ejemplo, un camino aleatorio sera un proceso integrado de
orden 1 I(1), ya que puede convertirse en estacionario tomando
primeras diferencias.
Definimos el orden de integracin de un proceso como el nmero de

diferencias que debemos aplicarle para convertirlo en estacionario.
En el contexto de las series econmicas los rdenes de integracin
ms frecuentes son 1 2 I(1) I(2).
En algunas ocasiones las diferencias deben aplicarse sobre el valor
estacional.
Zt Z t s = et con s = 4 12 et estacionario

Realizamos una prediccin de la evolucin de una serie temporal
mediante descomposicin
El procedimiento consiste en identificar comportamientos regulares a lo
largo de la serie (movimientos estacionales, tendenciales y cclicos ) y
extrapolarlos a futuro, asumiendo que los comportamientos irregulares
tendrn un efecto promedio nulo.
En el caso de los modelos ARIMA identificaremos igualmente una
serie de comportamientos regulares asociados a procesos de evolucin
temporal conocidos (Procesos de integracin, autorregresivos y de
Medias mviles) que interactan con procesos completamente
aleatorios (Ruido blanco).
22
29/11/12

La modelizacin ARIMA asume que toda serie temporal est generada
por un proceso estocstico (Proceso Generador de datos PGD)
Los distintos valores observados Yt responden a realizaciones
(muestras) concretas de un conjunto de N variables aleatorias Zt, que
tienen unas determinadas probabilidades de ocurrencia asociadas a sus
respectivas funciones de densidad f(Zt).
Estas funciones de densidad sern, en general, desconocidas y no
pueden ser estimadas ya que slo disponemos de una observacin de
cada una de ellas, por lo que se hace necesario asumir una serie de
simplificaciones para poder realizar cualquier tipo de inferencia
estadstica.

El proceso de prediccin con modelo ARIMA puede, por tanto,
resumirse en las siguientes etapas:
1) Identificacin de los procesos subyacentes (P.G.D.):
1.1. Orden de integracin
1.2.- Tipologa de procesos AR y MA
2) Estimacin de los coeficientes asociados a los procesos AR y MA.
3) Validacin del modelo estimado.
4) Cuantificacin a futuro de los valores de la serie objetivo.
23
29/11/12

Herramientas de identificacin: Correlograma.
Si al aumentar k, el coeficiente de correlacin presenta una tendencia clara a

disminuir, entonces es un proceso ergdico

Modelo AR(1): Propiedades
X t = 0.5 X t 1 + et
0.5 0.5
acf pacf
24
29/11/12

Modelo MA(1): Propiedades
X t = et + 0.5et 1
0.5 0.5
acf pacf

Proceso FAC FAP
1 1
2 2
3 3
4
AR(1) 4
5 5
6 6
1 1
2 2
3 3
MA(1) 4
5
4
5
6 6
25
29/11/12

Proceso FAC FAP
1 1
2 2
3 3
AR(2) 4
5
4
5
6 6
1 1
2 2
3 3
MA(2) 4 4
5 5
6 6

Proceso FAC FAP

12 12

SAR(12) 24 24

36
36

12 12
SMA(12) 24 24

36
36
26
29/11/12
Como determinar un modelo ARIMA

s es el periodo (componente de estacionalidad)
d es el orden (polinmico) de la tendencia
p es el orden de dependencia de los ds anteriores valores
diferenciacin de la serie
q es el orden de dependencia de los anteriores valores
aleatorios
Como determinar un modelo ARIMA

Asumir que no hay tendencia
Determinar s, el periodo de cada ciclo
Hacer el plot del ACF y PACF de la serie
Mirar el subconjunto de ACF y PACF a los intervalos s, 2s, 3s,

4s, 5s, . (ignorar todos los otros lags!!!!)
Si el subconjunto PACF cae lentamente y el ACF se corta

abruptamente despus de Ps, entonces P es el orden del
componente de estacionalidad de las MA
Si el subconjunto ACF cae lentamente y PACF se corta
abruptamente despues de Qs, entonces Q es el orden del
componente de estcacionalidad de AR
27
29/11/12
MODELOS GENERALES
Cuando existe tendencia y estacionalidad se puede modelizar la
dependencia en la serie estacionaria
W(t)= d sD X(t)
examinando:
la parte no estacional mediante un ARMA(p,q)

y la estacional con un ARMA(P,Q)s ,
obteniendo un Modelo ARIMA(p,d,q)x(P,D,Q)s
MODELOS GENERALES
Ejemplo:
Si X(t) es mensual (precipitaciones o caudales en un ro) con ARIMA
(1,0,0)x(0,1,1)12,
El modelo proporciona cada valor de X en t, en funcin de los valores

en t-1, t-12 y t-13, as como de los residuos en t-12
X(t)= X(t-12)+1[X(t-1)-X(t-13)]+at-1at-12
28
29/11/12
Metodologa de Box-Jenkins
Identicacin de p, d y q
Correlograma
Correlograma Parcial
Estimacin de parmetros
Diagnostico (Validacin)
Aceptar el modelo si los residuales son estacionarios, en caso contrario
probar otro modelo
Predecir
Para identicar un modelo de la clase general ARIMA, es
necesario que la serie sea estacionaria, por ello, habr que
seguir un procedimiento con herramientas de tipo
descriptivo para detectar y eliminar las causas de falta de
estabilidad de los datos.
Observacin del grco de la serie inicial.
Estabilizar la media con diferencias
Estabilizar la varianza transformando los datos con alguna de las
transformaciones de potencia Box-Cox
29
29/11/12
Observacin del grco de los datos en funcin del tiempo.
Para detectar la presencia de variaciones en la dispersin o en la media
por tendencias o periodicidades.
Se debe extraer toda la informacin posible del anlisis descriptivo de
la serie inicial observada.
PROBLEMAS OBSERVADOS EN LA SERIE INICIAL: Falta de

estacionariedad por variaciones en la media o en la
dispersin.
ESTABILIZAR LA SERIE
Por transformacin de los datos p.e.: zt=log x(t), y as se elimina la
variacin en la dispersin (varianza)
Con diferencias d o D, obteniendo una serie estacionaria al eliminar
variaciones en la media (tendencias o estacionalidad)
ANLISIS DE LA ESTRUCTURA DE DEPENDENCIA.
Con ayuda de la funcin de autocorrelacin simple (f.a.s.) y
su grco o correlograma (coecientes de correlacin segn
distintos retardos k = 1, 2, ...
La evolucin de las autocorrelaciones permite identicar el
tipo de modelo:
AR, MA o ARMA
El anlisis conjunto de fas y fap permitir identicar el tipo
de modelo y el nmero de coecientes o parmetros a
estimar. De aqu el inters de estas dos funciones en la
metodologa Box-Jenkins.
30
29/11/12
Las Funciones de autocorrelacin Simple y Parcial varian de
manera inversa en el caso de procesos AR o MA y son
similares cuando corresponden a un ARMA:
funcin autocorrelacin simple funcin autocorrelacin parcial

(fas) (fap)
AR(p) Muchos coef. no nulos que p primeros coecientes no nulos y

decrecen con k como mezcla de fc. el resto 0.
exp. y senoidales
MA(q) q primeros coecientes no nulos y Muchos coef. no nulos que
elresto0. decrecen con k como mezcla de fc.
exp. y senoidales

ARMA(p,q) Decrecimiento hacia 0. Decrecimiento hacia 0.
Ejemplos
Media inestable
por tendencia
Estabilizar tomando
d=1 2
Media inestable
por estacionalidad Estabilizar tomando
D=1
31

AnalisisDeSeriesTemporales PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

AnalisisDeSeriesTemporales PDF

Cargado por

Copyright:

Formatos disponibles

29/11/12

Anlisis de Series Temporales

Jose Jacobo Zubcoff

Departamento de Ciencias del Mar y

Modelizacin Espacio-Temporal de recursos marinos

Introduccin al anlisis de series temporales

Objetivo: analizar la evolucin de una variable a travs del tiempo

Diferencia con anlisis no temporales: en los anlisis previos no

En series temporales el orden es muy importante y variarlo

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Introduccin al anlisis de series temporales

Es muy importante conocer la periodicidad de los datos

Ej.: Anual, mensual, diaria, entre otras.

Existen numerosos ejemplos de series temporales:

Serie de temperaturas en una localidad

Adems de series de otro tipo de inters y conocidas:

Serie del ndice del IPC

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descripcin de series temporales

1- Tendencia: implica que la serie tiende a crecer o a decrecer a

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descripcin de series temporales

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descripcin de series temporales

HETEROCEDSTICA, cuando la variabilidad de la serie aumenta o

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descripcin de series temporales

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descripcin de series temporales

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descripcin de series temporales

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descomposicin de series temporales

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descomposicin de series temporales

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descomposicin de series temporales

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Descomposicin de series temporales

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Anlisis de series temporales

Cuando se quiere analizar la serie es necesario identificar la

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Anlisis de series temporales

Donde i es un coeficiente de correlacin [1-,1]

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos

Modelizacin Espacio-Temporal de recursos marinos

Anlisis de series temporales

Funcin de Autocorrelacin Simple (FAS)

Mster Ocial en Anlisis y Gestin de Ecosistemas Mediterrneos