Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodologia Arima PDF
Metodologia Arima PDF
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)
Sololospprimeroscoeficientesson
Decrecimientorpidoexponencial
AR(p) significativos.Elrestoseanulan
atenuadouondassinusoidales.
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:
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:
quepuedeponersedelaforma:
ElprocesoARMA(p,q)esestacionariosiloessucomponenteautorregresiva,yesinvertiblesiloessu
componentedemediasmviles.
UnmodeloARMA(p,q)esestacionariosilasracesdelpolinomiodefinidopor
(1 1 B 2 B2 " p Bp ) caenfueradelcirculounidad.Estacondicinesequivalenteaquelas
racesdelaecuacin:
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:
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:
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:
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
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:
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
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 .
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 .
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 :
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
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
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:
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
53