SERIESTEMPORALES:MODELOARIMA

FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez

MODELOARIMA(p,d,q)(P,D,Q)s

Sehananalizadolasseriestemporalesdesdeunpuntodevistadeterministaoclsico.Apartirdeahora
seestudiandesdeunpuntodevistaestocsticoomoderno,queutilizamtodosmscomplejosysu
aplicacinrequiereseriesmslargas.

BoxyJenkinshandesarrolladomodelosestadsticosparaseriestemporalesquetienenencuentala
dependenciaexistenteentrelosdatos,estoes,cadaobservacinenunmomentodadoesmodeladaen
funcindelosvaloresanteriores.Losanlisissebasanenunmodeloexplcito.Losmodelosseconocen
conelnombregenricodeARIMA(AutoRegresiveIntegratedMovingAverage),quederivadesustres
componentesAR(Autoregresivo),I(Integrado)yMA(MediasMviles).

ElmodeloARIMApermitedescribirunvalorcomounafuncinlinealdedatosanterioresyerrores
debidosalazar,adems,puedeincluiruncomponentecclicooestacional.Esdecir,debecontenertodos
loselementosnecesariosparadescribirelfenmeno.BoxyJenkinsrecomiendancomomnimo50
observacionesenlaserietemporal.

LametodologadeBoxyJenkinsseresumeencuatrofases:

LaprimerafaseconsisteenidentificarelposiblemodeloARIMAquesiguelaserie,loquerequiere:

Decidirqutransformacionesaplicarparaconvertirlaserieobservadaenunaserieestacionaria.

DeterminarunmodeloARMAparalaserieestacionaria,esdecir,losrdenespyqdesu
estructuraautorregresivaydemediamvil.

Lasegundafase:Seleccionadoprovisionalmenteunmodeloparalaserieestacionaria,sepasaala
segundaetapadeestimacin,dondelosparmetrosARyMAdelmodeloseestimanpormxima
verosimilitudyseobtienensuserroresestndarylosresiduosdelmodelo.

Latercerafaseeseldiagnostico,dondesecompruebaquelosresiduosnotienenestructurade
dependenciaysiguenunprocesoderuidoblanco.Silosresiduosmuestranestructurasemodificael
modeloparaincorporarlayserepitenlasetapasanterioreshastaobtenerunmodeloadecuado.

Lacuartafaseeslaprediccin,unavezquesehaobtenidounmodeloadecuadoserealizan
prediccionesconelmismo.

PASOSASEGUIRPARAELANLISISDEDATOS
1. Recogidadedatos:Esconvenientedisponerde50omsdatos,yenelcasodeseriesmensuales,
trabajarentreseisydiezaoscompletos.

1
2. Representacingrfica:Esdegranutilidaddisponerdeungrficodelaserieparadecidirsobrela
estacionariedad.Enocasiones,seutilizanmediasydesviacionestpicasporsubperiodoparajuzgar
sobrelaestacionariedaddelaserie.
3. Transformacinpreviadelaserie:Cuandolaserienoesestacionariaenvarianzaserequiereuna
transformacinlogartmica.Noobstante,latransformacinlogartmicaesmuyfrecuenteinclusoen
seriescondispersinrelativamenteconstanteeneltiempo.Unaprcticahabitualesensayarconla
serieoriginalyenlogaritmosycomprobarresultados.

4. Eliminacindelatendencia:Laobservacindelgrficodelaserieindicalaexistenciaonode
tendencia.Unatendencialinealsercorregidatomandoprimerasdiferencias,queserelcasoms
frecuente.Unatendencianolinealsuelellevarenlaprcticaalusodedosdiferenciascomomucho.

5. Identificacindelmodelo:Consisteendeterminareltipodemodelomsadecuado,estoes,el
ordendelosprocesosautorregresivosydemediasmvilesdelascomponentesregularyestacional.
Tcnicamenteestadecisinsetomaenbasealasfuncionesdeautocorrelacin(FAC)y
autocorrelacinparcial(FACparcial),tantoenlaparteregularcomoestacional.Eshabitualterminar
eligiendoentrelosprocesosmssimplesAR(1),AR(2),MA(1),MA(2)yARMA(1,1),tantoenlaparte
regularcomoestacional.Encasodedudapuedenseleccionarsevariosmodelosalternativosque
sernestimadosycontrastadosposteriormente,paradefinirfinalmenteelmodeloadoptado.

6. Estimacindeloscoeficientesdelmodelo:Decididoelmodelo,seprocedealaestimacindesus
parmetros,dadoquesetratadeunprocedimientoiterativodeclculo,puedensugerirsevalores
iniciales.

7. Contrastedevalidezdelmodelo:Seutilizandistintosprocedimientosparavalorarelmodeloo
modelosinicialmenteseleccionados:contrastedesignificacindeparmetros,covarianzasentre
estimadores,coeficientedecorrelacin,sumadecuadradosdeerrores,etc.

8. Anlisisdetalladodeloserrores:Setendrnencuentalasdiferenciashistricasentrevaloresreales
yestimadosporelmodeloparasuvaloracinfinal.Hayqueverificaruncomportamientono
sistemticodelosmismos,ascomoanalizarlaposibleexistenciadeerroresespecialmente
significativos.

9. Seleccindelmodelo:Enbasealosresultadosdepasosanteriores,sedecidesobreelmodelo
adoptado.

10. Prediccin:Elmodeloseleccionadoseutilizarcomofrmulainicialdeprediccin.

2
IDENTIFICACINPRCTICADELMODELO

Identificarunmodelosignificautilizarlosdatosrecogidos,ascomocualquierinformacindecmose
generallaserietemporalobjetodeestudio,parasugerirunconjuntoreducidodeposiblesmodelos,que
tenganmuchasposibilidadesdeajustarsealosdatos.Anteunaserietemporalemprica,sedeben
encontrarlosvalores(p,d,q)msapropiados.

Silaserietemporalpresentaunatendencia,loprimeroquedebedehacerseesconvertirlaen
estacionariamedianteunadiferenciacindeordend.Unavezdiferenciadalaserie,unabuena
estrategiaconsisteencompararloscorrelogramasdelafuncindeautocorrelacin(ACF)ylafuncin
deautocorrelacinparcial(ACFP),procesoquesueleofrecerunaorientacinparalaformulacindel
modeloorientativo.
Losprocesosautorregresivospresentanfuncindeautocorrelacinparcial(ACFP)conunnmero
finitodevaloresdistintodecero.UnprocesoAR(p)tienelosprimerosptrminosdelafuncinde
autocorrelacinparcialdistintosdeceroylosdemssonnulos.
Estaafirmacinesmuyfuerte,yenlaprcticaseconsideraqueunamuestradadaprovienedeun
procesoautorregresivodeordenpsilostrminosdelafuncindeautocorrelacinparcialsoncasi
ceroapartirdelqueocupaellugarp.
Unvalorseconsideracasicerocuandosumduloesinferiora 2 / T .Losprogramasdeordenador
constituyenlafranja ( 2 / T , 2 / T ) ydetectanlosvaloresdelaACFPquecaenfueradeella.

Losprocesosdemediasmvilespresentanfuncindeautocorrelacinconunnmerofinitode
valoresdistintosdecero.UnprocesoMA(q)tienelosprimerosqtrminosdelafuncinde
autocorrelacindistintosdeceroylosdemssonnulos.

Lasdospropiedadesdescritassonmuyimportantesconvistasalaidentificacindeunprocesomediante
elanlisisdelasfuncionesdeautocorrelacinyautocorrelacinparcial.

Elresumendelospasosdeidentificacindeunmodelodeseriestemporales:

1) DecidirsiXtnecesitasertransformadaparaeliminarlanoestacionariedadenmediapenlano
estacionariedadenvarianza(heteroscedasticidad).Puedeserconvenienteutilizarlogaritmosdela
serieoaplicarlatransformacindeBoxCox.

2) Determinacindelgradoddediferenciacinadecuado.
Engeneral,lafaltadeestacionariedadsemanifiestaenqueloscoeficientesdelafuncinde
autocorrelacinestimadatiendenadecrecermuylentamente.
Lapreguntaes,cunlentamentehadesereldecrecimientodeloscoeficientesdelafuncinde
autocorrelacinparcial(ACFP)paraqueelprocesoseaestacionario?.
Engeneral,soloocasionalmentelosdatoseconmicosdelcorrelogramadejarndedecrecertraslas
primerasdiferencias,yenestecasoserannecesariassegundasdiferencias.Unadiferenciacin
superfluasolosirveparaalterarelesquemadeautocorrelacinevidenteenunaserieestacionariay
complicarloinnecesariamente.

3) Decidirlosvaloresde(p,q),ysiexisteunacomponenteestacional,decidirlosrdenesdelos
operadoresestacionales(P,Q).Paraesteapartadoseutilizanlasfuncionesdeautocorrelacin(ACF)
yautocorrelacinparcial(ACFP)segnelsiguientecuadro:

3
 Proceso Funcindeautocorrelacin(ACF) Funcindeautocorrelacinparcial(ACFP)
Sololosqprimeroscoeficientesson
Decrecimientorpidoexponencial
MA(q) significativos.Elrestoseanulan
atenuadouondassinusoidales.
bruscamente(coef.0pararetardo>q)

Decrecimientorpidoexponencial
AR(p)
atenuadouondassinusoidales.
Sololospprimeroscoeficientesson
significativos.Elrestoseanulan
bruscamente(coef.0pararetardo>q)

Comportamientoirregularenlosretardos Decrece(aproximadamentecon
ARIMA(p,d,q) (1,...,q)conqpicos.Decrecimientopara exponencialesatenuadosyondas
retardosposterioresaq. sinusoidales).Noceropronto.

DETENCINPRCTICADELAESTACIONARIEDAD

Paradetectarrpidamentelaestacionariedad(Analizar/Estadsticosdescriptivos/Explorar)se
puedencalcularlasucesindemediasyvarianzasporaos,siseobtienenvariacionessignificativas
crecientesydecrecientesalolargodelosaos,indicaquenohayestacionariedad.Esteresultado
conduceatomarlogaritmosydiferenciarlaserieoriginalconelobjetivodeatenuarlafaltade
estacionariedadenmediayvarianza.

Otromtodo(Analizar/Seriestemporales/Autocorrelaciones),siloscoeficientesdelaACFno
decaenrpidamentehayunindicioclarodefaltadeestacionariedadenmedia,loquellevaraa
tomarprimerasdiferenciasenlaserieoriginal.

Sihaydudasobrediferenciarono,osobrecuntasveceshayquediferenciar,secalculalavarianzadela
serieoriginalydelaseriesometidaadiferentesdiferenciaciones,tomandocomodiferenciacin
adecuadaaquellaparalaquelavarianzaesmnima.Elmtodoestantomsadecuadocuantomayorse
ladiferenciaentrelasvarianzasanteriores.Lasobrediferenciacinsueleevitarseobservandosienla
partedemediasmvilesalgunarazesprximaalaunidad.

DETENCINPRCTICADELAESTACIONALIDAD:PERIODOGRAMA

Paradetectarrpidamentelaestacionalidadsepuedeutilizardirectamenteelgrficodelaserie
(Analizar/Seriestemporales/Anlisisespectral),asseobtieneelPERIODOGRAMA,queesunafigura
quetransformalaserietemporaldesudominionatural(eltiempo)aldominiodelasfrecuencias(alos
valoresdelaserieselesaplicantransformacionesdeFourier),enelejeXsepresentanfrecuenciasyen
elejeYlasamplitudes.RespectoalPERIODOGRAMAhayqueestablecerlassiguientesconsideraciones:

Nohayestacionalidadsinohaypicosdestacables.

Cadapicodestacableidentificaunperodoqueinclusopuedeserunciclo.

Acadaamplituddestacablelecorrespondeunafrecuenciacuyainversaeselperodoestacionalo
elciclo,conloqueelperiodogramaidentificalalongituddelperodoestacionalyensucasoelciclo.

4
 Lasamplitudesmsfuertes(correspondientesavaloresmsbajosdelasfrecuencias)suelen
corresponderaciclosylasmenosfuertes(correspondientesavaloresnotanbajosdelas
frecuencias)suelencorresponderaestaciones.Encasodedudaentreciclosyestacionessepuede
recurriralasfuncionesdeautocorrelacinparadiscriminar.

PERIODOGRAMAACUMULATIVO,representaenelejedeabscisaslasfrecuenciasyenelejede
ordenadaslasamplitudesacumuladas.Enestalnea,hayquehacerlasconsideraciones:

Paraunaseriealeatoriacoincideconladiagonaldelprimercuadrante.

Desvosbruscosdeladiagonalprovocanpresenciadeciclosoestacionesparalasrespectivas
frecuencias,queserncicloscuandolasfrecuenciasseanbajas.

Laestacionalidad,ascomolaestacionariedad,tambinpuededetectarseatravsdelasfuncionesde
autocorrelacin(ACF)yautocorrelacinparcialestimadas(ACFP)Analizar/Series
temporales/Autocorrelaciones(enOpcionespararepresentarACFconuntramosignificativoseeligen
36retardos)

METODOLOGABOXJENKINS

5
MODELOSAUTORREGRESIVOSAR(p)
UnmodeloautorregresivoARdescribeunaclaseparticulardeprocesoenquelasobservacionesenun
momentodadosonpredeciblesapartirdelasobservacionespreviasdelprocesomsuntrminode
error.ElcasomssimpleeselARIMA(1,0,0)oAR(1)odeprimerorden,cuyaexpresinmatemticaes:

AR(1) X t = 1 X t1 + at

Elprocesoautorregresivodeordenp,representadoporARIMA(p,0,0)osimplementeporAR(p):

AR(p) X t = 1 X t1 + 2 X t2 + " + p X tp + at

quepuedeponerse,medianteeloperadordecambioretroactivoB,enlaforma:

(1 1 B 2 B2 " p Bp ) X t = at Bk (X t ) = X tk

UnprocesoautorregresivoAR(p)esestacionariosilasracesdelpolinomioenBdadopor:
(1 1 B 2 B2 " p Bp ) caenfueradelcrculounidad.Estacondicinesequivalenteaquelas
racesdelaecuacin: xp 1 xp1 2 xp2 " p1 x p = 0 seantodasinferioresaunoenmdulo.

Unprocesoautorregresivosiempreesinvertible.

MODELODEMEDIASMVILESMa(q)
UnmodelodemediasmvilesMAdescribeunaserietemporalestacionaria.Enestemodeloelvalor
actualpuedepredecirseapartirdelacomponentealeatoriadeestemomentoy,enmenormedida,de
losimpulsosaleatoriasanteriores.ElmodeloARIMA(0,0,1),tambindenotadoporMA(1),vienedado
porlaexpresin:

X t = at v1 at1

Elprocesodemediasmvilesdeordenq,representadoporARIMA(0,0,q)otambinporMa(q),viene
dadoporlaexpresin:

X t = at v1 at1 v 2 at2 " v q atq

quepuedeponerse,medianteeloperadordecambioretroactivoB,enlaforma:

X t = (1 v1 B v 2 B2 " v q Bq ) at

Unprocesodemediasmvilesessiempreestacionario.

UnprocesodemediasmvilesMa(q)esinvertiblesilasracesdelpolinomioenBdefinidopor
(1 v1 B v 2 B2 " v q Bq ) caenfueradelcrculounidad.Estacondicinesequivalenteaquelas
racesdelaecuacin x q 1 x q1 2 x q2 " q1 x q = 0 seantodasinferioresaunoenmdulo.

6
MODELOSARMA(p,q)
UnaextensinnaturaldelosmodelosAR(p)yMA(q)esuntipodemodelosqueincluyentantotrminos
autorregresivoscomodemediasmvilesysedefinencomoARIMA(p,0,q).Serepresentanporla
ecuacin:

X t = 1 X t1 + 2 X t2 + " + p X tp + at 1 at1 2 at2 " q atq

quepuedeponersedelaforma:

X t 1 X t1 + 2 X t2 + " + p X tp = at 1 at1 2 at2 " q atq

esdecir, X t (1 1 B 2 B2 " p Bp ) = at ( 1 1 B 2 B2 " q Bq )

ElprocesoARMA(p,q)esestacionariosiloessucomponenteautorregresiva,yesinvertiblesiloessu
componentedemediasmviles.

UnmodeloARMA(p,q)esestacionariosilasracesdelpolinomiodefinidopor
(1 1 B 2 B2 " p Bp ) caenfueradelcirculounidad.Estacondicinesequivalenteaquelas
racesdelaecuacin:

x p 1 x p1 2 xp2 " p1 x p = 0 seantodasinferioresaunoenmdulo.

UnmodeloARMA(p,q)esinvertiblesilasracesdelpolinomioenBdefinidomediante
( 1 1 B 2 B2 " q Bq ) caenfueradelcirculounidad.Estacondicinesequivalenteaque
lasracesdelaecuacin:

x q 1 x q1 2 x q2 " q1 x q = 0 seantodasinferioresaunoenmdulo.

MODELOSARIMA(p,d,q)
UnmodeloARIMA(0,d,0)esunaserietemporalqueseconvierteenruidoblanco(procesopuramente
aleatorio)despusdeserdiferenciadadveces.

Elmodelo(0,d,0)seexpresamediante: (1 B)d X t = at

ElmodelogeneralARIMA(p,d,q)denominadoprocesoautorregresivointegradodemediasmvilesde
ordenp,d,q,tomalaexpresin:

(1 1 B 2 B2 " p Bp ) (1 B)d X t = ( 1 1 B 2 B2 " q Bq ) at

UnmodeloARIMA(p,d,q)permitedescribirunaseriedeobservacionesdespusdequehayansido
diferenciadasdveces,afindeextraerlasposiblesfuentesdenoestacionariedad.Estafrmulasepuede

7
aplicaracualquiermodelo.Sihayalgunacomponentep,d,q,igualacero,seeliminaeltrmino
correspondientedelafrmulageneral.

Losmodeloscclicosoestacionalessonaquellosquesecaracterizanporoscilacionescclicas,tambin
denominadasvariacionesestacionales.Lasvariacionescclicasavecessesuperponenaunatendencia
secular.

Lasseriescontendenciasecularyvariacionescclicaspuedenrepresentarsemediantelosmodelos
ARIMA(p,d,q)(P,D,Q).Elprimerparntesis(p,d,q)serefierealatendenciasecularoparteregularde
laserieyelsegundoparntesis(P,D,Q)serefierealasvariacionesestacionales,opartecclicadela
serietemporal.

Enestesentido,seadjuntanalgunasexpresionesdelmodelo:

ARIMA(0,1,1)(0,0,1)12: (1 B) X t = (1 1 B12 ) (1 12 B12 )

ARIMA(0,1,1)(0,1,1)12: (1 B) (1 B12 ) X t = (1 1 B12 ) (1 12 B12 )

ARIMA(2,1,0)(1,0,0)12: (1 1 B 2 B12 ) (1 1 B12 ) (1 B) X t = at

ARIMA(1,1,1)(2,1,1)12: (1 1 B) (1 1 B12 2 B24 ) (1 B12 ) (1 B) X t = ( 1 1 B ) ( 1 12 B12 ) at

IDENTIFICACINDEMODELOSARIMA(p,d,q)
Unprocesoestocstico (X t )t=1, 2 , 3, ... sedefinecomounacoleccindevariablesaleatorias X t ordenadas
deacuerdoconelparmetrottiempo.

Losmodelosestocsticosdeseriestemporalescontemplanunaserietemporal X t comounacoleccin
deobservacionesmustrales,cadaunacorrespondienteaunavariabledelproceso.

Lasleyesdeprobabilidadquerigencualquierprocesoestocsticosedescribenexhaustivamente
mediantelasfuncionesdedistribucindeprobabilidadconjuntadetodosycadaunodelosvectoresde
variablesaleatoriasquesepuedenformarconlasvariablesqueconstituyenelproceso.Noobstante,con
finalidadprctica,losprocesosestocsticossesuelendescribirmediantesusmomentos.

Lamediadelprocesoestocsticosedefinepor ut = E (X t ) ygeneralmenteesunafuncindeltiempo.La
funcindeautocovarianzasedefinecomo:

g(t, t + k) = Cov(X t , X t+k ) = E ( [ X t E(X t )][ X t+k E(X t+k )] ) t = " 3, 2, 1, 0, 1, 2, 3, "

Apartirdelafuncindeautocovarianzaseobtienendosresultadostiles:

Funcindevarianzadelproceso: g(t, t) = Var X t

g(t, t + k)
Funcindeautocorrelacin: h(t, t + k) =
g(t, t) g(t + k , t + k)

8
ESTACIONARIEDAD

Unprocesoestocsticoesestacionarioensentidoestrictosilosvectores [ X t1 , X t2 , " , X tn ]y
[ X t1+s , X t2+s , ", X tn+s ] tienenlamismafuncindedistribucindeprobabilidad,independientementede
s,paracualquierndado.Estadefinicindeestacionariedadimplicaquelascaractersticasdelproceso
estocsticonosufrenalteracinentiemposhistricamentediferentes,condicinquizdemasiadofuerte
paraimponerenlaprctica.

Unprocesoesestacionarioensentidoamplio(oestacionariodesegundoorden,odecovarianza
estacionaria,odbilmenteestacionario)cuandoseverificaque ut = u < y g(t, t + k) = gk < ,esdecir,
lamediadelprocesoesconstante(nodependedeltiempo)ylaautocovarianzaessolofuncindellapso
temporalconsiderado,ynodeltiempohistrico.Losmomentosdeordensuperiorpuedenvariarconel
tiempo.

Enelcasodeprocesosconfuncindedistribucindeprobabilidadnormal,laestacionariedadensentido
amplioimplicalaestacionariedadensentidoestricto.

FUNCINDEAUTOCORRELACIN

Enprocesosestacionarios,lafuncindeautocorrelacines:

gk Cov(X t , X t+k )
hk = = k = " , 2, 1, 0, 1, 2, "
g0 Var(X t )

Paraprocesosrealesseverificaademsque g 0 > 0 , gk = g k , hk = hk , h0 = 1 y hk 1

Sedenominacorrelogramadelprocesoalarepresentacingrficacon hk enordenadasykenabscisas.

Lafuncindeautocorrelacindelasseriesestacionariasdisminuyesensiblementeamedidaque
aumentaeldesfasetemporalk.Estacaractersticanosuelesucederenlasseriesnoestacionarias.

FUNCINDEAUTOCORRELACINESTIMADA

Enaplicacionesprcticas,enlasquesedisponedeciertasobservaciones, (X t )t=1, 2 , 3, ..., T ,relativasaun

T
Xt
procesoestocsticoquesesuponeestacionario,lamediadelprocesoseestimamediante: X =
t =1 T

Anlogamente,lafuncindeautocorrelacin hk seestimamediantelafuncindeautocorrelacin
T
(X t X) (X tk X)
t =1
muestral,quesedefinepor rk = T
(X t X) 2
t =1

9
Sedenominacorrelogramamuestralalarepresentacingrficade rk ,instrumentodegraninters
prcticodelanlisisdeseriestemporales.

Paraobtenercorrelogramasdebepartirseenlaprcticademuestrasdetamaosuficientementegrande
(almenos50observaciones).
Lafuncindeautocorrelacinmuestralnosepuedecalcularcuando (k > T + 1) ,yenlaprcticanodebe
calcularsepara (T > T / 4)

RUIDOBLANCO

Esunprocesopuramentealeatorio,sedefineporlascondiciones:

u = E(X t ) = 0 , g 20 = var(X t ) , gk = cov(X t , X t+k ) = 0 k = " , 2, 1, 0, 1, 2, "

Enestetipodeprocesospuramentealeatorioselcorrelogramasereduceaunsegmentodelongitud
unitariasobreelejedeordenadas.

ESTACIONARIEDADYELIMINACINDELATENDENCIA

Muypocasseriestemporalesrealesdelmundoeconmicosonestacionarias.Lamayorapresentan
tendencia,varianzanoconstanteyvariacionesestacionales.

Lapresenciadevariacionesestacionalessetraduceenunavariabilidaddelamediadelproceso,loque
escontrarioalahiptesisdeestacionariedad.

Normalmente,esposibletransformarmuchasserieseconmicasrealesnoestacionariasenotras
aproximadamenteestacionarias,sometindolasaoperacionesalgebraicasadecuadas.

Alasseriesnoestacionariasquepresentanunatendencialinealselessometealatransformacin
Z t = X t X t1 paraconvertirlasenestacionarias.Si X t muestraunatendencialineal,laprimeradiferencia
delaserie Z t yanotendresatendencia.Enestecasosediceque X t esunaserietemporalhomognea
deprimerordenointegradadeprimerordenysedenotaporI(1).

Laeliminacindeunatendenciacuadrticapuedeconseguirsemedianteunadoblediferenciacin.Esta
operacinserealizaendosetapas,primeroseobtiene Wt = X t X t1 y,sisigueexistiendotendencia,se
obtiene Z t = Wt Wt1 .Si Z t yanoincorporatendencia(esestacionaria)sediceque X t esunaserie
temporalhomogneadesegundoordenI(2).

Anlogamente,unatendenciadeordenppuedeeliminarsellevandoacabounadiferenciacindeorden
pdandolugaraunaseriehomogneaointegradaI(p)deordenp.

10
TRANSFORMACINLOGARTMICA

Engeneral,sedenominaprocesohomogneodeordenh,ointegradodeordenh,denotadoporI(h),aun
procesonoestacionarioqueseconvierteenestacionariodespusdehoperacionesdediferenciasyno
antes.

Si X t muestraunatendenciaexponencial,puedeeliminarselatendenciahallandoprimeroellogaritmo
delaserie,yluegoladiferenciaprimeradelanuevaserieascalculada.Laserie Z t = Ln X t Ln X t1
puedetenerlatendenciaeliminada.

TRANSFORMACINDEBoxCox

Permiteestabilizarlavarianzadeunaserietemporal(serieestacionariaenvarianza)yaproximarsu
distribucinaunanormal.

( X + l ) l1 1
Si X t eslaserietemporalinicial,la Z t = t l21 si l1 0 y X t > l2
l1 g 1
transformacinvienedadapor: Z = g Ln( X + l ) si l = 0 y l < 0
t t 2 1 2

dondegeslamediageomtricasimplede X t + l2 ,elprimerparmetro l1 gobiernalafuerzadela

transformacin.Para l1 = 1 setienelaserieoriginal X t y l2 seeligedeformaque X t + l2 seasiempre
positiva.Enconsecuencia, l2 sercerosisetrabajacondatospositivoseigualenvalorabsolutoalvalor
msnegativoobservado,enotrocaso.

LatransformacindeBoxCoxesunafamiliadetransformacionesdependientedelparmetro l1 ,que
incluyecomocasosparticulareslatransformacinlogartmica,larazcuadradaylainversa.

Laeliminacindelasvariacionesestacionales,parainducirlaestacionariedad,suelehacersecasi
siempre,medianteladiferenciacinestacional.

Silosdatossonmensuales,ladiferenciacinestacionaldelaserietemporal X t consisteencalcular
Z t = X t X t12 .Condatostrimestralessecalcula Z t = X t X t4 .Sidespusdeefectuaresta
transformacinlaseriesiguepresentandoevidenciasdevariacionesestacionales,esposibleaplicarde
nuevoelprocedimiento,esdecir,calcularlasdiferenciasdesegundoorden,yassucesivamente.

FUNCINDEAUTOCORRELACINPARCIALESTIMADA

Unconceptomuytilenelanlisisdeseriestemporaleseslafuncindeautocorrelacinparcial.

Elprimertrminodelafuncindeautocorrelacinparcialsedenotapor 11 ,puedeestimarse
transformandolaserie X t endesviacionesrespectoasumediamuestral Yt = X t X yacontinuacin
estimandounaregresinde Yt sobre Yt1 .

Elmodeloderegresin: Yt = 11 Yt1 + ut ,lapendienteestimadadeestaregresines 11 .

11
Adems,elprimervalordelafuncindeautocorrelacinparcial 11 esigualalprimervalordelafuncin
deautocorrelacin,propiedaddelasfuncionesdeautocorrelacindetodoprocesoestocstico
estacionario.

Elsegundovalordelafuncindeautocorrelacinparcial 22 seestimamedianteunaregresinde Yt
sobre Yt1 e Yt2 .Elmodeloderegresin: Yt = 21 Yt1 + 22 Yt2 + ut .

Eltercervalordelafuncindeautocorrelacinparcial 33 seestimamedianteunaregresinde Yt
sobre Yt1 , Yt2 e Yt3 .Elmodeloderegresin: Yt = 31 Yt1 + 32 Yt2 + 33 Yt3 + ut .

Lafuncindeautocorrelacinparcialpuedeestimarsemedianteunaseriederegresiones,cadaunade
lascualescontienecomovariableexplicativaunretardomsquelaanterior,yencadacasoseeligenlos
coeficientesestimadosenlosretardosmsaltos ( 11 , 22 , 33 , " ) ,quesonaslosvaloresestimadosde
lafuncindeautocorrelacinparcial.

Otramaneradeobtenerlafuncindeautocorrelacinparcialestimadaesmediantefrmulasrecursivas,
utilizandolafuncindeautocorrelacinpreviamenteestimadayutilizandolasecuacionesde
YuleWalker.Avecessesueledenominarcorrelogramaalarepresentacingrficadelasfuncionesde
autocorrelacinyautocorrelacinparcial.

IDENTIFICACINDELTRMINOINDEPENDIENTE

Paraajustarlaserietemporalavecesconvieneintroduciruntrminoindependienteenelmodelo
ARIMA.
Paracontrastarlahiptesisnuladequeelmodeloseajustaconunaconstante,seutilizaelestadstico:

X
Si X t esruidoblanco(procesoaleatorio),elestadstico: tN1 = (tStudent)
S2X /(N 1)

Si X t estautocorrelacionada,siendosignificativoslosprimeroskcoeficientesdeautocorrelacin
X
(r1 , r2 , " , rk ) ,elestadsticoautilizares: tN1 =
S2X (1 + 2 r1 + 2 r2 + " + 2 rk ) / N

ESTIMACINDEMODELOSARIMA(p,d,q)

Losparmetrossesuelenobtenerdemaneraquelasumacuadrticadeloserroressealamenorposible.
RepresentandoelprocesoARIMA(p,d,q)delaforma (B) X t = (B) at ,loserroresdelmodelopueden
expresarsedelaforma at = 1 (B) (B) at .

Elobjetivoesencontrarelvectordeparmetros = (1 , ", p ) y = (1 , " , p ) queminimicelasuma

decuadradosdeloserrores a2t = S (, ) .
t

12
Laestimacinescomplicadayaquelaecuacinesnolinealenlosparmetros.Sedeberecurriraun
mtodoiterativodeestimacinnolineal(Marquardt).Paracomenzarelalgoritmosenecesitan
estimacionespreliminaresdelosparmetros,queseobtienenmedianteelmtododelosmomentos.

DIAGNSTICO,VALIDACINOCONTRSTEDEMODELOSARIMA(p,d,q)

BoxyJenkinssugirieronunnmeroconsiderabledetestsparaverificarsielmodeloelegidoseajusta
correctamentealconjuntodedatosdado.Unodeellos,conocidocomosobreparametrizacin,consiste
enajustarunmodelodeordensuperioralelegidoycomprobarsilosparmetrossonsignificativamente
distintosdecero.

Deotrolado,sielmodeloseaproximasatisfactoriamentealaserieobservada,losresiduosdeben
tenderacomportarsecomoruidoblanco,loquesecomprobaramediantelasfuncionesde
autocorrelacindelosresiduos(ACF,ACFP).Dichasfuncionesdeautocorrelacindebendesernulas
entodosurecorrido,exceptoenelcero.

Sielmodelonoseaproximasatisfactoriamentealaserieobservada,losresiduossecomportaran
comounruidoautocorrelado.Porello,debenemplearsecontrastescomoeldeDurbinWatson(para
laautocorrelacindeprimerorden)oeldeWallis(paraladecuartoorden).

Otrostestsaplicadosalosresiduosvanencaminadosacomprobarsilosresiduosobtenidosson
consistentesconelsupuestoderuidoblanco(aleatorios):

m at atk
BoxyPierceproponenelestadstico Q = rk2 donde rk = t =k +1
n
,siendo at residuos
k =1
a2t
t =1
estimadosynelnmerodeobservaciones.Bajoelsupuestodequemessuficientementegrande,
BoxyPiercedemuestranqueelestadsticoQsedistribuyecomounaChicuadradocon (m p q)
gradosdelibertad.Rechazndoselahiptesisdequelosresiduossonunruidoblancoparavalores
deQmuyaltos.Msconcretamente,sehallalaregincrticaparaunniveldesignificacin ,
calculandounvalorIquecumpla P( Q > I) = .CuandoelvalordeQcaedentrodelaregincrticase
rechazalahiptesisnuladequelosresiduossonunruidoblanco.Sicaefueradelaregincrticase
aceptalahiptesisnula.Elvalordemesarbitrario,aunqueconvienetomarlolomselevadoposible.

Paravaloresdemnomuygrandes,LjungyBoxproponenunestadsticoalternativo:
m
n (n + 2) rk2
k =1
Q' = m
2
p q
(n k)

Sehallalaregincrticaparaunniveldesignificacin ,calculandounvalorIquecumpla
P( Q ' > I) = .CuandoelvalordeQ'caedentrodelaregincrticaserechazalahiptesisnuladeque
losresiduossonunruidoblanco.Sicaefueradelaregincrticaseaceptalahiptesisnula.

13
 Undiagnsticocompletosurgedelainspeccindelgrficodelosresiduos.Silosresiduosprovienen
deunprocesoderuidoblanco,debendeserincorrelacionadosentres,loquelesharalternaren
signo,sinningncriterioobvio.Porelcontrario,rachasderesiduosconsecutivosdeunmismosigno
son,engeneral,unindicativodemalaespecificacindelmodelo,bienporserunaindicacinde
autocorrelacindelosresiduosoporindicarnoestacionariedadenlosmismos.Sielgrfico
(t, at ) tieneunatendenciaconocida,puedehaberheteroscedasticidaddelosresiduos.

PREDICCINENMODELOSARIMA

LosmodelosARIMAproporcionan,ademsdeunaprediccinpuntual,ladistribucindeprobabilidad
completaparalosfuturosvaloresdelaserie.

Considerandocomoprediccinptimalaquetieneunerrorcuadrticomediodeprediccinmnimo,se
[ ]
tratadeelegirunaprediccinahorizontel, Z t (l) ,talque E e2t (I) = E[ X t+1 Z t (l) ]2 fuesemnimo.

Engeneral,sedemuestraquedichaprediccinvienedadaporlaesperanzacondicionadade X t+1 :

Z t (l) = E [ X t+1 / X t , X t1 , " , X1 ]

Elclculorealdelaprediccin Z t (l) puedehacersedeformarecursivautilizandoelmodeloARIMA

estimado,deformaquesielmodeloseexpresacomo:

dt = 1 dt1 + 2 dt2 + " + p dtp + at 1 at1 2 at2 " q atq

donde dt diferenciadeordendde X t (supuesto X t noestacionariayconvertibleenestacionaria

medianteunprocesodeddiferenciacionesconsecutivas).

Paracalcularlaprediccin Z t (l) secomienzacalculandolaestimacinde dt (1) comolaesperanza

condicionadade dt+1 ,yposteriormentesecalculalaestimacinde dt (2) ,yassucesivamentehasta
calcularlaestimacinde dt (l) .Unavezquelaserie dt hasidopredicha,sepudeobtenerunaprediccin
de X t sumando dt dveces.Paracalcularlaprediccin Z t (l) seutilizalafrmula:

Z t (l) = l dt + l+1 dt1 + l+2 dt2 + " = Z t+l

14
IDENTIFICACINDEMODELOSARIMA(p,d,q)(P,D,Q)s

Elarchivoratios.savmuestraunaseriederatiosmensualesdeenerode1993afebrerode2011.

Lafasedeidentificacincomienzarealizandounarepresentacingrficadelavariable[Analizar/Series
temporales/Grficosdesecuencia]conobjetodeobservarlaestacionalidad.

15
Laseriemuestramuchospicos,muchosdeloscualesparecenestarespaciadosuniformemente,
sugiriendolapresenciadeuncomponenteperidicoenlaserie.

Paraobservarmejorlaestacionalidad,serepresentaelPERIODOGRAMAporfrecuenciadelaserie
mediante[Analizar/Seriestemporales/Anlisisespectral].

16
Elpicosealadocorrespondealafrecuencia0,08,esdecir,laestacines1/0,08=12meses.

Laestacionalidad,ascomolaestacionariedad,puedendetectarsetambinmediantelasfuncionesde
autocorrelacinyautocorrelacinparcialestimadas(ACFyACFPrespectivamente).Paraelloseelige
Analizar/Seriestemporales/Autocorrelaciones.EnelbotnOpcionesseescribe36,nmeromximode
retardospararepresentaralafuncindeautocorrelacinACFconuntramosignificativo.

17
 Seobservaquelasfuncionesde
autocorrelacin(ACF)y
autocorrelacinparcial(ACFP)
estimadastambinvalidanlos
periodosestacionalesporquelos
coeficientesdelaACFpararetardos
mltiplosdelperodoestacionaldela
seriesonsignificativamentedistintos
decero.

Adems,paraunacantidadgrande
deretardoslaACFseconfiguraen
formadeabanicoquecompletasu
ciclogirandosobreelejedeabscisas
paraunacantidadderetardosigual
alperodoestacional.Porotrolado,
laACFPpresentaestructurade
coeficientessignificativospara
retardosperidicoslargos.LaACFy
ACFPdebenconsiderarsealavez,
puestoqueavecesintercambiansus
papelesenelcomportamiento
estacional.

LoscoeficientesdelaACFno
decaenrpidamente,indicandofalta
deestacionariedadenmedia.

ParacertificarlafaltadeestacionariedadenvarianzaserecurreaAnalizar/Informes/Informes
estadsticosencolumnas

18
 Aos Media Varianza
1993 1,23 0,01
1994 1,24 0,02
1995 1,29 0,02
1996 1,33 0,01
1997 1,39 0,01
1998 1,43 0,01 Seobtieneunasucesindemediasyvarianzasporaos
1999 1,31 0,01 convariacionessignificativascrecientesydecrecientesalo
2000 1,19 0,01 largodelosaos,indicandoquenohayestacionariedadni
2001 1,31 0 enmedianienvarianzaenlaserieoriginal.
2002 1,3 0,01
2003 1,19 0,01 Paraatenuarlafaltadeestacionariedadenmediayen
2004 1,24 0,01 varianzasetomanlogaritmosysediferencialaserie
2005 1,21 0,01 original.
2006 1,26 0,01
2007 1,29 0,01
2008 1,28 0,02
2009 1,25 0,02
2010 1,25 0,02
2011 1,1 0,01

Paraello,Analizar/Seriestemporales/Autocorrelaciones

19
Aplicandologaritmos,comolaserieesestacional,elproblemaconsisteenidentificarsisediferenciala
parteregularolaparteestacionaldelaserie.Paraelloserepresentanlasfuncionesdeautocorrelacin
estimadayautocorrelacinparcialestimadabajolossupuestosdediferenciacinenlaparteregularo
enlaparteestacional(Diferenciarciclo:1).

20
 DIFERENCIACINPARTEREGULAR

Aldiferenciarsololaparteregular,lasfuncionesdeautocorrelacin(ACF)yautocorrelacinparcial
estimadas(ACFP)nosuperanelproblemadelafaltadeestacionariedad,pueslaACFnodecae
rpidamente.

21
Aldiferenciarsolounavezlaparteestacional,lasfuncionesdeautocorrelacin(ACF))yautocorrelacin
parcialestimadas(ACFP)superanelproblemadelanoestacionariedad.

PARTEESTACIONAL

22
Lasdosfunciones(ACF,ACFP)cumplenlascondicionesparaqueexistaestacionalidad,dadoquelos
coeficientesdelasACFpararetardosmltiplosdelperodoestacional(12,24,36)delaserieson
significativamentedistintosdecero.

Adems,paraunacantidadderetardosigualalperiodoestacional,laACFseconfiguraenformade
abanicoquecompletasuciclogirandosobreelejedeabscisas.

Elproblemadeestacionalidadyestacionariedadenmediayenvarianzaseresuelvetomandologaritmos,
diferenciandounavezlaparteestacionalynodiferenciandolaparteregular.
Enconsecuencia,laparteregulardelaserieenlogaritmosesintegradadeordenceroI(0)ylaparte
estacionalesintegradadeordenunoI(1).

ParaidentificarlaparteautorregresivaARylapartedemediasmvilesMAseutilizalaACFyACFPcon
loquesehaobtenidolaestacionariedadylaestacionalidad.
Observandoestasdosfuncionessedistinguecomosuscoeficientesnoseanulanbruscamentecon
periodicidadesyquesusestructurasseajustanaunmodeloARMA(1,1)(0,1)12

LaparteAR(1)delaparteregularprovienedeldecrecimientorpidoinicialylasondassinusoidales
delaACFaadidoaquelaACFPpresentasolouncoeficientesignificativoenlamayoradelos
periodos(salvoenelprimero),anulndosebruscamenteelrestodeloscoeficientes.

LaparteMA(1)delaparteregularprovienedequelaACFpresentaunsoloretardosignificativoen
lamayoradelosperiodos(salvoenelprimero).

LanicadudaposibleseraconsiderartambinAR(1)laparteestacional.

IdentificadalaserieinicialcomounmodeloARIMA(1,0,1)(0,1,1)12quedarealizadoeltrabajoms
importanteenlamodelizacindelaserietemporalmediantelametodologadeBoxJenkins.
.
Paraestimarelmodeloseejecuta:Analizar/Seriestemporales/ARIMA

23
 Desactivar<Incluirconstante
enelmodelo>sinosedesea
Incluirconstante.

SeeligeGuardarparacrearnuevas
variablesquecontenganvalores
pronosticados(FIT_1),residuos
(ERR_1),intervalosdeconfianza
(LCL_1,UCL_1),erroresestndar
paralaspredicciones(SEP_1).Todas
lasvariablesseaadenalEditorde
datoscomonuevascolumnas.

EnOpcionesseseleccionanloscriteriosde
convergencia,establecervaloresiniciales
paraelmodeloyelegircmomostrarlos
parmetrosenlosresultados.

24
AlpulsarAceptarseobtieneelajusteaunmodelodeBoxJenkinsARIMA(1,0,1)(0,1,1)12:

25
 AR1 MA1 SMA1 AR1 MA1 SMA1

AR1 0 ,02 0,02 0 AR1 1 0 ,693 0,118
Matrizcovarianzas: Matrizcorrelaciones:
MA1 0,02 0,07 0 MA1 0,693 1 0,09

SMA1 0 0 0,05 SMA1 0,118 0,09 1

Exceptolaconstante,elrestodelosparmetrossonsignificativos,loqueconduceaestimarelmodelo
sinconstante.

26
Elnuevoajustesincontraste:

Elnuevoajusteesbuenoconunasignificacinmuyaltadesusparmetros(pvalornulosparasus
parmetros).

27
EnelEditordedatos:

LavariableFIT_1hegeneradolasprediccioneshastafebrerode2014,lavariableERR_1hageneradolas
estimacionesdeltrminodeerrordelmodelo,lasvariablesLCL_1,UCL_1hangeneradolimites
inferioresysuperioresdelosintervalosdeconfianzaal95%defiabilidad,lavariableSEP_1contienelos
erroresestndarparalaspredicciones.

ParaobtenerlarepresentacindelaserieoriginalylaseriedeprediccionesFIT_1serecurrea
Analizar/Seriestemporales/Grficodesecuencia

28
Anlogamente,conlainstruccinAnalizar/Seriestemporales/Grficodesecuenciaseobtienela
representacindeloserroresdelmodeloestimado,quepresentaunaestructuraaleatoria,hecho
favorablecomoverificacindeldiagnsticodelamodelizacinARIMArealizada.

29
30
Fichero:ratios.sav

1993 1994 1995 1996 1997 1998 1999

Enero 1,46 1,46 1,42 1,5 1,44 1,54 1,52
Febrero 1,34 1,33 1,42 1,45 1,41 1,52 1,43
Marzo 1,23 1,26 1,47 1,27 1,4 1,46 1,4
Abril 1,17 1,34 1,23 1,26 1,38 1,44 1,35
Mayo 1,19 1,2 1,2 1,4 1,34 1,5 1,32
Junio 1,09 1 1,17 1,14 1,25 1,28 1,22
Julio 1,17 1,12 1,22 1,34 1,31 1,34 1,27
Agosto 1,12 1,14 1,11 1,19 1,26 1,33 1,18
Septiembre 1,25 1,16 1,14 1,33 1,43 1,43 1,31
Octubre 1,19 1,17 1,19 1,35 1,41 1,35 1,23
Noviembre 1,23 1,22 1,48 1,3 1,47 1,47 1,25
Diciembre 1,29 1,42 1,48 1,47 1,6 1,54 1,29

2000 2001 2002 2003 2004 2005 2006

Enero 1,23 1,37 1,45 1,14 1,2 1,27 1,21
Febrero 1,16 1,36 1,37 1,15 1,26 1,26 1,32
Marzo 1,15 1,24 1,45 1,2 1,32 1,3 1,23
Abril 1,18 1,35 1,4 1,26 1,21 1,21 1,3
Mayo 1,12 1,34 1,28 1,14 1,2 1,18 1,25
Junio 1,07 1,15 1,13 1,1 1,08 1,07 1,08
Julio 1,11 1,32 1,21 1,17 1,12 1,13 1,18
Agosto 1,11 1,26 1,13 1,13 1,24 1,12 1,18
Septiembre 1,25 1,35 1,36 1,36 1,4 1,36 1,55
Octubre 1,24 1,34 1,24 1,13 1,3 1,2 1,33
Noviembre 1,23 1,28 1,17 1,21 1,25 1,2 1,21
Diciembre 1,36 1,36 1,36 1,29 1,36 1,26 1,34

2007 2008 2009 2010 2011

Enero 1,39 1,34 1,23 1,22 1,02
Febrero 1,34 1,35 1,29 1,28 1,18
Marzo 1,25 1,38 1,28 1,34
Abril 1,31 1,3 1,29 1,02
Mayo 1,28 1,23 1,15 1,18
Junio 1,06 1,02 1,03 1,04
Julio 1,22 1,21 1,16 1,18
Agosto 1,16 1,13 1,12 1,22
Septiembre 1,49 1,56 1,53 1,55
Octubre 1,31 1,28 1,24 1,37
Noviembre 1,28 1,22 1,25 1,26
Diciembre 1,34 1,33 1,37 1,34

31
EJERCICIO2.Elarchivotraficoariama.savmuestralosdatosrelativosaltrficomensualenelpuente
GoldenGatedeenerode1980adiciembrede1993.

Lafasedeidentificacincomienzarealizandounarepresentacingrficadelavariable[Analizar/Series
temporales/Grficosdesecuencia]conobjetodeobservarlaestacionalidad.

32
Paraobservarmejorlaestacionalidad,serepresentaelPERIODOGRAMAporfrecuenciadelaserie
mediante[Analizar/Seriestemporales/Anlisisespectral].

Elpicosealadocorrespondealafrecuencia0,08,esdecir,laestacines1/0,08=12meses.

33
Laestacionalidad,ascomolaestacionariedad,puedendetectarsetambinmediantelasfuncionesde
autocorrelacinyautocorrelacinparcialestimadas(ACFyACFPrespectivamente).Paraelloseelige
Analizar/Seriestemporales/Autocorrelaciones.EnelbotnOpcionesseescribe36,nmeromximode
retardospararepresentaralafuncindeautocorrelacinACFconuntramosignificativo.

Seobservaquelasfuncionesdeautocorrelacin(ACF)yautocorrelacinparcial(ACFP)estimadas
tambinvalidanlosperiodosestacionalesporqueloscoeficientesdelaACFpararetardosmltiplos
delperodoestacionaldelaseriesonsignificativamentedistintosdecero.

Adems,paraunacantidadgrandederetardoslaACFseconfiguraenformadeabanicoque
completasuciclogirandosobreelejedeabscisasparaunacantidadderetardosigualalperodo

34
 estacional.Porotrolado,laACFPpresentaestructuradecoeficientessignificativospararetardos
peridicoslargos.LaACFyACFPdebenconsiderarsealavez,puestoqueavecesintercambiansus
papelesenelcomportamientoestacional.

LoscoeficientesdelaACFnodecaenrpidamente,indicandofaltadeestacionariedadenmedia.
ParacertificarlafaltadeestacionariedadenvarianzaserecurreaAnalizar/Informes/Informes
estadsticosencolumnas

Conlafinalidaddecalcularvarianzasporestaciones(aos),obteniendovariacionessignificativas
crecientesydecrecientesalolargodelosaos,loqueindicaquenohayestacionariedadnienmediani
envarianzaenlaserieoriginal.

Conelobjetivodeatenuarlafaltadeestacionariedadenmediayenvarianzasetomanlogaritmosyse
diferencialaserieoriginal.Paraello,Analizar/Seriestemporales/Autocorrelaciones

35
Aplicadosloslogaritmos,comolaserieesestacional,elproblemaesidentificarsisediferencialaparte
regulardelaserieoenlaparteestacional.Bajolossupuestosdediferenciacinenlaparteregularoen
laparteestacional(Diferenciarciclo:1).

DIFERENCIACINPARTEREGULAR

Aldiferenciarsololaparteregular,lasfuncionesdeautocorrelacin(ACF)yautocorrelacinparcial
estimadas(ACFP)nosuperanelproblemadelafaltadeestacionariedad,pueslaACFnodecae
rpidamente.

36
Aldiferenciarsolounavezlaparteestacional,,lasfuncionesdeautocorrelacin(ACF)yautocorrelacin
parcialestimadas(ACFP)nosuperanelproblemadelafaltadeestacionariedad,pueslaACFnodecae
rpidamente.

DIFERENCIANDOPARTEESTACIONAL

37
 Dadoquenosecumplenlas
condicionesdeestacionariedaden
media,seaplicanlogaritmos
diferenciandounavezlaparte
estacionalylaparteregular.

EnOpcionesseindicaqueel
nmeromximoderetardoses
36.

38
DIFERENCIANDOPARTEREGULARYPARTEESTACIONAL

SeobservaquelaACFnopresentaclaramenteretardossignificativosalolargodelosperodosylaACFP
presentacomomuchounretardosignificativoalolargodelaACFyambasfuncionestienenestructura
sinusoidal,loqueconduceapensarenunaestructuraARIMA(1,1,0)paralaparteregularylamisma
estructuraparalaparalaparteestacional.Laestructurafinalparalaserieser
ARIMA(1,1,0)(1,1,0)12

Elproblemadelaestacionalidadylaestacionariedadenmediayenvarianzaseresuelveaplicando
logaritmos,diferenciandounavezlaparteestacionalylaparteregular.Conlocual,laparteregulardela
serieenlogaritmosesintegradadeordenunoI(1)ylaparteestacionalesintegradadeordenunoI(1).

ElordendelaparteautorregresivaARylapartedemediasmvilesMAserealizaobservandoquelos
coeficientesdelasltimasACFyACFPnoseanulanbruscamenteconperiodicidadesyquesus
estructurasseajustanclaramenteaunmodeloARMA(1,0)(1,0)12.

LaparteMA(0)delaparteregularprovienedequelaACFnopresentaunsoloretardosignificativo,
mientrasquelaparteAR(1)delaACFprovienedelasondassinusoidales.

39
Paraestimarelmodeloseejecuta:Analizar/Seriestemporales/ARIMA

40
SeeligeGuardarparacrearnuevasvariablesquecontenganvalorespronosticados(FIT_1),residuos
(ERR_1),intervalosdeconfianza(LCL_1,UCL_1),erroresestndarparalaspredicciones(SEP_1).Todas
lasvariablesseaadenalEditordedatoscomonuevascolumnas:

SeobtieneelajusteaunmodelodeBoxJenkinsARIMA(1,1,0):

41
 AR1 SAR1 AR1 SAR1

Matrizcovarianzas: AR1 0,06 0 Matrizcorrelaciones: AR1 1 0,02
SAR1 0 0,05 SAR1 0,02 1

ElajusteharesultadomuybuenoconunasignificatividaddelparmetroMAaltsima(pvalornulo),el
diagnsticodelmodeloescorrecto.

Analizar/Seriestemporales/GrficodesecuenciaparaobtenerlarepresentacindelaserieoriginalXty
laseriedelasprediccionesFIT_1

42
Anlogamente,conlainstruccinAnalizar/Seriestemporales/Grficodesecuenciaseobtienela
representacindeloserroresdelmodeloestimado,quepresentaunaestructuraaleatoria,hecho
favorablecomoverificacindeldiagnsticodelamodelizacinARIMArealizada.

43
DATOS(enmiles)traficoariama.sav

1980 1981 1982 1983 1984 1985 1986

Enero 73637 75225 79245 85169 86141 84883 81714
Febrero 77136 79418 85536 87973 89156 89476 81222
Marzo 81481 84813 89313 88696 93795 93191 74295
Abril 84127 85691 88785 92686 93422 96919 87121
Mayo 84562 87490 91307 91807 94277 95869 89099
Junio 91959 92995 96394 98593 99927 100272 93743
Julio 94174 95375 99864 100677 102451 102103 96741
Agosto 96087 98396 100744 103084 105003 104381 99366
Septiembre 88952 92791 96009 97644 98477 97779 95184
Octubre 83479 88018 89428 92648 93219 94369 90407
Noviembre 80814 86899 85518 89486 90413 88432 88968
Diciembre 77466 83636 84603 88593 87763 84314 86765

1987 1988 1989 1990 1991 1992 1993

Enero 83674 87656 89609 88047 92926 87958 90707
Febrero 84265 87534 92934 92172 96196 89159 94949
Marzo 88551 92763 95272 98050 99117 94853 94970
Abril 89998 97427 96791 97874 97932 95799 100286
Mayo 93421 99845 96478 101700 89270 98193 101497
Junio 98109 103349 101938 105794 98836 103468 106352
Julio 100235 102438 105094 108016 102335 104989 107415
Agosto 102866 104467 108158 111475 106912 108179 109385
Septiembre 96903 99744 101625 104945 102047 103084 103266
Octubre 92426 96101 97255 100496 97428 99781 99432
Noviembre 91024 93858 95378 97555 95025 96403 93965
Diciembre 91072 93265 92997 95556 91530 95072 94385

44
Ejercicio3.Elarchivofarma.savrecogeciendatosrelativosalademandamensualdecontenedoresde
plsticoqueutilizanlascompaasfarmacuticasdesdeenerode2002.
Elobjetivoespredecirelnmerodecontenedoresqueserndemandadosenlosprximosdiez
primerosmesesconvistasalaproduccin.

UtilizandolametodologadeBoxJenkins

Lafasedeidentificacincomienzarealizandounarepresentacingrficadelavariable[Analizar/Series
temporales/Grficosdesecuencia]conobjetodeobservarlaestacionalidad.

45
Laestructuradelaserietemporalesnoestacional.
Paraobservarmejorlaestacionalidad,serepresentaelPERIODOGRAMAporfrecuenciadelaserie
mediante[Analizar/Seriestemporales/Anlisisespectral].

Tienepuntosmximosparavaloresdelafrecuenciamuypequeos,cuyosinversosproducenunos
posiblesperodosestacionalesmselevadosinclusoquelalongituddelaserie.Circunstanciaque
indicaquenohayestacionalidad,hechoqueseextraadelarepresentacingrficaanterior.

Laestacionalidad,ascomolaestacionariedad,puedendetectarsetambinmediantelasfuncionesde
autocorrelacinyautocorrelacinparcialestimadas(ACFyACFPrespectivamente).

ParaelloseeligeAnalizar/Seriestemporales/Autocorrelaciones.EnelbotnOpcionessedeja16,valor
pordefectopararepresentarlafuncindeautocorrelacinACFconuntramosignificativo.

46
SeobservaqueloscoeficientesdelafuncindeautocorrelacinACFnodecaenrpidamente,indicando
faltadeestacionariedadenmedia.Enconsecuencia,sediferencialaserieoriginal.

47
 LosretardosdelafuncindeautocorrelacinACFdecaentanrpidamentequesloelprimeroes
significativo,conloquenoexistenproblemasdeestacionariedadenlaseriediferenciada.En
concreto,laseriediferenciadaesI(0)ylaserieoriginalesI(1).

Respectoalaidentificacindelapartedelamediamvildelaserie,soloelprimerretardodelaACF
essignificativoyeldecrecimientodelosretardosdelaACFPesmuyrpido.Enconsecuencia,laparte
demediamvilsemodelizacomounprocesoMA(1).

ParalaidentificacindelaparteautorregresivaseobservaqueaunquehaytresretardosdelaACF
estimadaningunodeellosesclaramentesignificativo,decreciendorpidoloscoeficientes
significativosdelaACF.LaparteautorregresivasemodelizacomounprocesoAR(0).

Considerandolasdosfuncionesdeautocorrelacinenconjunto,seobservaquesusretardosnose
anulandemasiadobruscamente.Portanto,esunaestructuraARMA(0,1)paralaseriediferenciada,
concluyendoquelaserieoriginalseajustaaunmodeloARIMA(0,1,1).

48
ParaestimarelmodeloARIMA(0,1,1)seejecutaelprocedimientoARIMA(ModeloAutorregresivo
IntegradodeMediaMvil)mediantelainstruccinAnalizar/Seriestemporales/ARIMA

Paraestimarelmodeloseejecuta:Analizar/Seriestemporales/ARIMA

EnelcampoPronosticarhastase
incluyen110observacionescomo
sedeseaba.

SeeligeGuardarparacrearnuevasvariablesquecontenganvalorespronosticados(FIT_1),residuos
(ERR_1),intervalosdeconfianza(LCL_1,UCL_1),erroresestndarparalaspredicciones(SEP_1).Todas
lasvariablesseaadenalEditordedatoscomonuevascolumnas.

AlpulsarAceptarseobtieneelajusteaunmodelodeBoxJenkinsARIMA(0,1,1):

49
ElparmetroMAtieneunasignificacinmuyalta(pvalorasociadoaproximadamentedecero),en
consecuencialadiagnosisdelmodeloescorrecto.

LaecuacindelmodeloARIMA(0,1,1)estimadaser:

(1 B) Yt = (1 + 0,727) a t Yt Yt1 = a t + 0,727 B a t1

50
EnelEditordedatos:

LavariableFIT_1hegeneradolasprediccioneshastafebrerode2011.
LavariableERR_1hageneradolasestimacionesdeltrminodeerrordelmodelo,lasvariablesLCL_1,
UCL_1hangeneradolimitesinferioresysuperioresdelosintervalosdeconfianzaal95%defiabilidad,la
variableSEP_1contieneloserroresestndarparalaspredicciones.

ParaobtenerlarepresentacindelaserieoriginalylaseriedeprediccionesFIT_1serecurrea
Analizar/Seriestemporales/Grficodesecuencia

51
Anlogamente,conlainstruccinAnalizar/Seriestemporales/Grficodesecuenciaseobtienela
representacindeloserroresdelmodeloestimado,quepresentaunaestructuraaleatoria,hecho
favorablecomoverificacindeldiagnsticodelamodelizacinARIMArealizada.

52
Fichero:farma.sav

2002 2003 2004 2005 2006 2007

Enero 5000 5039 5550 7367 5818 5572
Febrero 4965 5054 5657 6934 5982 5744
Marzo 4496 4940 6010 6506 6132 6005
Abril 4491 4913 6109 6374 6111 6239
Mayo 4566 4871 6052 6066 5948 6523
Junio 4585 4901 6391 6102 6056 6652
Julio 4724 4864 6798 6204 6342 6585
Agosto 4951 4750 6740 6138 6626 6622
Septiembre 4917 4856 6778 5938 6591 6754
Octubre 4888 4959 7005 5781 6302 6712
Noviembre 5087 5004 7045 5813 6132 6675
Diciembre 5082 5415 7279 5811 5837 6882

2008 2009 2010

Enero 7011 6954 5627
Febrero 7140 6551 5679
Marzo 7197 6022 5455
Abril 7411 5974 5443
Mayo 7233 6052
Junio 6958 6033
Julio 6960 6030
Agosto 6927 5944
Septiembre 6814 5543
Octubre 6757 5416
Noviembre 6765 5571
Diciembre 6870 5571

53