Autoregressive-moving-average model

De Wikipedia, la enciclopedia libre

Para otras aplicaciones de ARMA, vea ARMA (desambiguacin) .
En la estadstica anlisis de series de tiempo , autorregresivo-de media
mvil ( ARMA ) modelos proporcionan una descripcin parsimonioso de un (dbilmente)
proceso estocstico estacionario en trminos de dos polinomios, uno para
la autorregresin y el segundo para la media mvil . El modelo ARMA general fue descrito
en la tesis de 1951 de Peter Whittle , la prueba de hiptesis en el anlisis de series de
tiempo , y fue popularizado en el libro de 1970 por George EP Box y Gwilym Jenkins .
Dada una serie temporal de datos X t , el modelo ARMA es una herramienta para
comprender y, quizs, predecir valores futuros en esta serie. El modelo consta de dos
partes, una parte autorregresiva (AR) y una parte de promedio mvil (MA). La parte AR
implica la regresin de la variable en sus propios valores rezagados (es decir,
pasados). La parte MA implica modelar el trmino de error como una combinacin lineal de
trminos de error que ocurren contemporneamente y en varios momentos en el pasado.
El modelo generalmente se conoce como el modelo ARMA ( p , q ) donde p es el orden de
la parte autorregresiva yq es el orden de la parte promedio mvil (como se define a
continuacin).
Los modelos ARMA se pueden estimar utilizando el mtodo Box-Jenkins .

Contenido
[ ocultar ]

1Modelo autorregresivo
2Modelo de media mvil
3Modelo ARMA
4Nota sobre los trminos de error
5Especificacin en trminos de operador de retraso
o 5.1Notacin alternativa
6modelos de montaje
o 6.1Elegir pyq
o 6.2Estimacin de coeficientes
o 6.3Implementaciones en paquetes de estadsticas
7aplicaciones
8generalizaciones
o 8.1Modelo de promedio mvil autoregresivo con modelo de entradas exgenas (modelo
ARMAX)
9Ver tambin
10referencias
11Lectura adicional

Modelo autorregresivo [ editar ]

Artculo principal: Modelo autorregresivo
La notacin AR ( p ) se refiere al modelo autorregresivo de orden p . El modelo AR ( p )
est escrito

dnde son parmetros , es una constante y la variable aleatoria

es ruido blanco .
Algunas restricciones son necesarias en los valores de los parmetros para que el
modelo permanezca estacionario . Por ejemplo, procesos en el modelo AR (1) con
| 1 | 1 no es estacionario.

Modelo de media mvil [ editar ]

Artculo principal: Modelo de promedio mvil
La notacin MA ( q ) se refiere al modelo de orden promedio mvil q :

donde 1 , ..., q son los parmetros del modelo, es la expectativa de (a

menudo se supone que es igual a 0), y el , , ... son

nuevamente trminos de error de ruido blanco .

Modelo ARMA [ editar ]

La notacin ARMA ( p , q ) se refiere al modelo con p trminos autorregresivos
y q trminos de promedio mvil. Este modelo contiene los modelos AR ( p ) y MA
( q ),

El modelo ARMA general fue descrito en la tesis de 1951 de Peter Whittle ,

quien utiliz el anlisis matemtico ( serie Laurent y anlisis de Fourier ) y la
inferencia estadstica. [1] [2] Los modelos ARMA fueron popularizados por un libro
de 1970 de George EP Box y Jenkins, quienes expusieron un mtodo iterativo
( Box-Jenkins ) para elegir y estimarlos. Este mtodo fue til para polinomios
de bajo orden (de grado tres o menos). [3]

Nota sobre los trminos de error [ editar ]

Los trminos de error generalmente se supone que son variables

aleatorias independientes distribuidas de forma idntica (iid) muestreadas a

partir de una distribucin normal con media cero: ~ N (0, 2 ) donde 2es
la varianza. Estas suposiciones pueden debilitarse pero al hacerlo cambiarn
las propiedades del modelo. En particular, un cambio en la suposicin de iid
sera una diferencia bastante fundamental.

Especificacin en trminos de operador de

retraso [ editar ]
En algunos textos los modelos se especificarn en trminos del operador de
retardos L . En estos trminos, el modelo AR ( p ) est dado por

dnde representa el polinomio

El modelo MA ( q ) est dado por

donde representa el polinomio

Finalmente, el modelo combinado ARMA ( p , q ) viene dado

por

o ms concisamente,

Notacin alternativa [ editar ]

Algunos autores, incluidos Box , Jenkins y
Reinsel, usan una convencin diferente para los
coeficientes de autorregresin. [4] Esto permite
que todos los polinomios que involucran al
operador de retardo aparezcan de forma similar
en todas partes. Por lo tanto, el modelo ARMA se
escribira como

Por otra parte, si establecemos ,

entonces obtenemos una formulacin an

ms elegante:

Modelos de montaje [ editar ]

Elegir p y q [ editar ]
Encontrar los valores apropiados de p y q en
el modelo ARMA ( p , q ) puede facilitarse
trazando las funciones de autocorrelacin
parcial para una estimacin de p , y tambin
usando las funciones de autocorrelacinpara
una estimacin de q . Se puede obtener ms
informacin considerando las mismas
funciones para los residuos de un modelo
equipado con una seleccin inicial de p y q .
Brockwell y Davis recomiendan
usar AICc para encontrar p y q . [5]
Estimacin de coeficientes [ editar ]
 Esta seccin necesita
expansin . Puede
ayudaragregando a esto . (Marzo de
2017)

Los modelos ARMA en general no pueden

ser, despus de elegir p y q , ajustados
por regresin de mnimos cuadrados para
encontrar los valores de los parmetros que
minimizan el trmino de error. En general, se
considera una buena prctica encontrar los
valores ms pequeos de p y q que
proporcionan un ajuste aceptable a los
datos. Para un modelo AR puro,
las ecuaciones de Yule-Walker se pueden
usar para proporcionar un ajuste.
Implementaciones en paquetes de
estadsticas [ editar ]

En R , la funcin arima (en

las estadsticas estndar del paquete )
est documentada en ARIMA Modeling of
Time Series . Los paquetes de extensin
contienen funcionalidades relacionadas y
ampliadas, por ejemplo,
el paquete tseries incluye
una funcin arma , documentada
en "Modelos ARMA ajustados a series
temporales" ; el paquete fracdiff contiene
fracdiff () para procesos ARMA
integrados fraccionalmente, etc. La vista
de tareas CRAN en la serie
temporal contiene enlaces a la mayora
de estos.
Mathematica tiene una biblioteca
completa de funciones de series de
tiempo que incluyen ARMA. [6]
MATLAB incluye funciones tales
como arma y ar para estimar modelos
AR, ARX (autorregresivo exgeno) y
ARMAX. Vea la Caja de herramientas de
identificacin del sistema y
la Caja de herramientas de
econometra para obtener ms
informacin.
El mdulo Python de Statsmodels incluye
muchos modelos y funciones para
anlisis de series temporales, incluido
ARMA. Anteriormente parte de Scikit-
learn ahora es independiente y se integra
bien con Pandas . Mira aqu para ms
detalles .
PyFlux tiene una implementacin de
modelos ARIMAX basada en Python, que
 incluye modelos bayesianos
ARIMAX. Mira aqu para ms detalles .
Las bibliotecas numricas IMSL son
bibliotecas de funcionalidad de anlisis
numrico que incluyen procedimientos
ARMA y ARIMA implementados en
lenguajes de programacin estndar
como C, Java, C # .NET y Fortran.
gretl tambin puede estimar el modelo
ARMA, mira aqu donde se menciona .
GNU Octave puede estimar modelos AR
usando funciones del paquete extra
de octava-forja .
Stata incluye la funcin arima que puede
estimar los modelos ARMA
y ARIMA . Mira aqu para ms detalles .
SuanShu es una biblioteca Java de
mtodos numricos, que incluye
paquetes completos de estadsticas, en
los que se implementan modelos
univariados / multivariantes ARMA,
ARIMA, ARMAX, etc. en un enfoque
orientado a objetos. Estas
implementaciones estn documentadas
en "SuanShu, una biblioteca numrica y
estadstica de Java" .
SAS tiene un paquete economtrico,
ETS, que estima los modelos
ARIMA. Mira aqu para ms detalles .

Aplicaciones [ editar ]
ARMA es apropiado cuando un sistema es
una funcin de una serie de descargas no
observadas (la parte MA o media mvil), as
como su propio comportamiento. Por
ejemplo, los precios de las acciones pueden
verse afectados por la informacin
fundamental, as como exhibir tendencias
tcnicas y efectos de reversin a la media por
parte de los participantes en el mercado.

Generalizaciones [ editar ]
Se supone que la dependencia de X t en los
valores pasados y los trminos de error t es
lineal a menos que se especifique lo
contrario. Si la dependencia no es lineal, el
modelo se denomina especficamente
un promedio mvil no lineal (NMA),
un autorregresivo no lineal (NAR) o
un modelo de promedio mvil autorregresivo
no lineal (NARMA).
Los modelos de promedio mvil
autorregresivo pueden generalizarse de otras
maneras. Ver tambin modelos
autorregresivos de heterocedasticidad
condicional (ARCH) y
modelos autorregresivos de promedio mvil
integrado (ARIMA). Si se van a instalar varias
series temporales, se puede ajustar un
modelo vectorial ARIMA (o VARIMA). Si la
serie temporal en cuestin exhibe una
memoria larga, entonces el modelado
fraccional de ARIMA (FARIMA, algunas
veces llamado ARFIMA) puede ser
apropiado: ver el promedio mvil
autoregresivo integrado fraccionalmente . Si
se cree que los datos contienen efectos
estacionales, se pueden modelar mediante
un SARIMA (ARIMA estacional) o un modelo
ARMA peridico.
Otra generalizacin es el modelo
autorregresivo de escala mltiple (MAR). Un
modelo MAR est indexado por los nodos de
un rbol, mientras que un modelo
autorregresivo estndar (tiempo discreto)
est indexado por nmeros enteros.
Tenga en cuenta que el modelo ARMA es
un modelo univariado . Las extensiones para
el caso multivariado son Vector
Autoregression (VAR) y Vector
Autoregression Moving-Average (VARMA).
Modelo autorregresivo-promedio
mvil con modelo de entradas
exgenas (modelo ARMAX) [ editar ]
La notacin ARMAX ( p , q , b ) se refiere al
modelo con p trminos
autorregresivos, q trminos medios mviles
y b trminos de entradas exgenas. Este
modelo contiene los modelos AR ( p ) y MA
( q ) y una combinacin lineal de los
ltimos b trminos de una serie temporal

conocida y externa . Est dado por:

dnde son los parmetros de la

entrada exgena .
Se han definido algunas variantes no
lineales de modelos con variables
exgenas: vase, por ejemplo, el modelo
exgeno autoregresivo no lineal .
Los paquetes estadsticos implementan
el modelo ARMAX mediante el uso de
variables "exgenas" o
"independientes". Se debe tener cuidado
al interpretar el resultado de esos
paquetes, ya que los parmetros
estimados usualmente (por ejemplo,
en R [7] y gretl ) se refieren a la regresin:

donde m t incorpora todas las

variables exgenas (o
independientes):

Ver tambin [ editar ]

Autoregresivo promedio
mvil integrado (ARIMA)
Suavizado exponencial
Codificacin predictiva lineal
Anlisis Predictivo

Este
artc
ulo
inclu
ye
una li
sta
de
refer
encia
s,
pero
sus
fuent
es
sigu
en
sin
estar
clara
s por
que
no
tiene
sufic
iente
s cit
as
en
lnea
. Ay
den
 os
a mej
orar
este
artc
ulo in
trodu
ciend
o cita
s
ms
preci
sas. (
Agost
o de
2010)
( Apre
nda
cmo
y
cund
o
elimin
ar
este
mens
aje de
plantill
a)

Referencias [ editar ]
1. Salta hacia
arriba^ Hannan, Edward
James (1970). Mltiples
series de tiempo . Serie
Wiley en probabilidad y
estadstica
matemtica. Nueva York:
John Wiley and Sons.
2. Jump up^ Whittle, P.
(1951). Prueba de hiptesis
en el anlisis de series
temporales . Almquist y
Wicksell. Whittle, P.
(1963). Prediccin y
regulacin . English
Universities Press. ISBN 0-
8166-1147-5 .
Reubicado como: Whittle, P. (1983). Prediccin y regulacin por mtodos lineales mnimos
cuadrados . Prensa de la Universidad de Minnesota. ISBN 0-8166-1148-3 .

3. Salta^ Hannan y Deistler

(1988, p 227.): Hannan,
EJ ; Deistler, Manfred
(1988). Teora estadstica
de sistemas lineales . Serie
Wiley en probabilidad y
estadstica
 matemtica. Nueva York:
John Wiley and Sons.
4. Jump up^ Box,
George; Jenkins, Gwilym M
.; Reinsel, Gregory C.
(1994). Anlisis de series
temporales: previsin y
control (tercera
edicin). Prentice
Hall. ISBN 0130607746 .
5. Jump up^ Brockwell,
PJ; Davis, RA (2009). Serie
temporal: teora y
mtodos (2da ed). Nueva
York:
Springer. pag. 273. ISBN 9
781441903198 .
6. Salta hacia
arriba^ caractersticas de
series temporales en
Mathematica archivado24
de noviembre del 2011, en
laWayback Machine.
7. Salta hacia arriba^ ARIMA
Modelado de las series
temporales, la
documentacin R

Lectura
adicional [ editar ]
Mills, Terence C.
(1990). Time Series
Techniques for
Economists . Prensa de la
Universidad de
Cambridge. ISBN 05213433
99 .
Percival, Donald B .; Walden,
Andrew T. (1993). Anlisis
espectral para aplicaciones
fsicas . Prensa de la
Universidad de
Cambridge. ISBN 05213553
2X .
Francq, C .; Zakoan, J.-
M. (2005), "Resultados
recientes para modelos de
series temporales lineales
con innovaciones no
independientes", en
Duchesne, P .; Remillard,
B., Modelado estadstico y
anlisis para problemas de
datos complejos , Springer,
pp. 241-265 .