Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
o ms concisamente,
ms elegante:
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
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:
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 .
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 .