Documentos de Académico
Documentos de Profesional
Documentos de Cultura
881 445 129 - 4 PDF
881 445 129 - 4 PDF
RESUMEN
En este artculo se comparan, mediante un estudio de Monte Carlo,
el comportamiento en muestras pequeas de dos estimadores alter-
nativos del error cuadrtico medio (ECM) de prediccin con parme-
tros estimados para modelos estructurales de series temporales, uno
que incluye un trmino que trata de recoger el error proveniente de la
estimacin de los parmetros, y otro que no incluye dicho trmino.
Para el modelo estructural ms sencillo, el modelo de paseo aleatorio
ms ruido, se comparan ambos estimadores con el verdadero ECM
de prediccin con parmetros estimados para diferentes tamaos de
muestra, valores de los parmetros y horizontes de prediccin.
1. INTRC^DUCCION
Yr=Nt+Yr+Wr+r (1.1)
1 18 ESrADiSr^CA ESPA4LA
Ei problema se plantea porque coma ya seala Pierce ( 1975) rara vez cono-
cermos los parmetros del modela y, en la prctica, para ilevar a cabo prediccio-
nes basadas en cualquier modelo hemos de estimar en primer lugar los parme-
tros de manera eficente. Nuestros predictores son, por io tanto, nicamente
estimaciones de los predictores ptimos lo que conlleva un aumento en el ECM
de prediccin. Estas cuestiones han despertado el inters en Ios ltimos aos
sobre la distribucin del error de prediccin con parmetros estimados.
Yt = Z'ar + ^t
(2.1j
ar - ^ at-1 + n t
ERROR CUADRATICO MEDIO DE PRED^CCION PARA MODELOS ESTRUCTURALES DE SERIES TEMPORA^ES 11^
^^^^-NC(^E Q))
En los modelos estructurales de series temporales, el vector estado a,^ est
formado par ios elementos que determinan los componentes no observables de
la serie, como ^, ^r, etc. Tanto z', de orden (1 xk), como C de orden (kxk), son
matrices conocidas que no dependen de los parmetros del rnodelo y cuya
estructura es distinta para cada Modelo Estructural que estemos considerando
en particular.
Vamos a denotar por yr (nx1) al vector de parmetros del modelo (2.1), que
incluye nicamente a y los parmetros contenidos en Q.
YT+s/T^^^ = Z'aT+slT(W)
{2.2)
donde ar+^r(W )= E[ar+sl Yr^ Yr-^ ^, Y^ ]
Esta prediccin yr+^{y,) se puede interpretar como la media de la distribucin
de yT+s condicionada a las observaciones hasta e incluyendo yT. Si no suponemos
normalidad en el modelo (2.1) el predictor (2.2} ya no sera la esperanza condi-
cionada ni sera ptimo. Sin embargo, seguir siendo el predictor lineal de ECM
mnimo.
ECMCYr+^r{v^)] = Z'Pr+^r{^) z + QZ
(2.3}
donde Pr+^rr{^) = E{[ar+s - ar+^r-r{^)][ar+s ar+^r{w)]'3
Est formula nos proporciona el ECM de prediccin condicionado a los par-
metros del modeio. Por lo tanto, bajo el supuesto de que el vector de parmetros
y^ es conocido, la frmula (2.3) es correcta. Tanto el predictor ( 2.2) como su ECM
asociado (2.3) se pueden obtener aplicando repetidamen#e las ecuaciones del
filtro de Kalman al modelo (2.1), con toda la informacin en ia serie yt, t= 1,
2,...,T.
criterio de actuacin suele ser el siguiente. En primer lugar estimamos los par-
metros de forma eficiente por mxima verosimilitud (1) y posteriormente se sus-
tituyen en (2.2) los valores desconocidos y^ por sus estimaciones mximos
verosimiles, ^. De esta forma el predictor de yT+s con parmetros estimados es:
Aunque el predictor yT+^{ yr) era ptimo cuando conocamos !os parmetros del
modelo, esto no implica que yT+^{yr} sea el predictor ptimo para un modelo con
parmetros estimados. Sin embargo, yT+^{yr) es e! pr^dictor ms usado en la
prctica y, por lo tanto, nos interesa estudiar sus propiedades.
.YT+s ^ YT+sJT{^) ' U' T+s ^ YT+slTC^)1 + U' T+s/T^V^) ^ YT+slT{W )J (2.5)
Como los dos sumandos de (2.5) son independientes porque hemos supuesto
que !os trminos de perturbacin ^t y nr son normales independientes, e! ECM
de prediccin con parmetros estimados se puede escribir como:
donde el primer sumando viene dado por (2.3), es decir, e! ECM de prediccin
con parmetros conocidos y e! segundo representa lo que aadimos al ECM de
prediccin para recoger la variabilidad muestral de !as estimaciones de los
parmetros.
Aunque e! ECM del predictor yT+s,7-(y^) viene dado por (2.6), en la prctica e!
estimador usual del ECM de prediccin que se utiliza se basa simplemente en
sustituir e! verdadero valor de los parmetros desconocidos por sus estimaciones
mximo-verosimiles en la frr^ula ( 2.3}^Pero este estimador del ECM del predic-
tor yT+^{y^}, denotado por ECM[yT+^{^)J, presenta dos problemas fundamenta-
les en muestras finitas. En primer lugar, no tiene en cuenta e! error que proviene
de la estimacin de los parmetros y, en segundo lugar, puede presentar sesgos
(1) Vase HARVEY, A. C. y S. PETERS (1984) para una discusin sobre los distintos
mtodos de estimacin mximo-verosmil de los parme#ros desconocidos de los modelos
estruc#urales.
ERRC3R CUADRATICO MEDIO DE PREDICC^I4N PARA MC.^DEI_.OS ESTRUCT ^SRAt ES UE SER ^ ES TEMF'OR.F1l ES 1^1
Por otra parte, la frmula (2.6^ no nos proporciona un estimador adecuado para
el ECM de prediccin ya que presenta las dificultades de ser complicada de
calcular porque el segundo sumando habria que obtenerlo por medio de simula-
ciones. Bloomfield (1972), Yamamoto (1976) y^8ailiie (1980) entre otros, han
estudiado este trmino para modelos autorregresivos y han derivado expresiones
asintticas basadas en la distribucin asinttica de los parmetros estimados. AI
aplicar estos resultados asintticos a!os estudios con muestras finitas que ge-
neralmente se realizan en la prctica, se han de tener en cuenta que las estima-
ciones de los parme#ros en muestras finitas pueden estar seriamente sesgadas
y que estos sesgos se trasladarn a la distribucin condicianada de las predic-
ciones dados los valores observados de la variable endgena utilizados para
iniciar las predicciones. Adems cuando predecimos estamos condicionando a
ciertos valores de la variable endgena, la distribucin de las estimaciones de
las parmetros estar tambin condicionada y esto afectar a la distribucin de
los errores de prediccin. En este sentido, se han desarrollado en la literatura
estudios sobre la distribucin del error de prediccin con parmetros estimados
condicionada a los datos observados. Los trabajos de Phillips (1979) y Fuller y
Hasza (1981) se centran en modelos autorregresivos y el de Ansley y Kohn
(1986} en modelos en el espacio de los estados.
^
Vamos a proponer un estimador alternativo para el ECM del predictor yT+^{^^ ),
derivando una expresin analtica para el segundo sumando del segundo miem-
bro de ( 2.6) condicionada a 1os datos observados.
Podemos observar que, sustituyendo las expresiones (2.2) y(2.4), este segun-
do sumando de (2.6) se puede escribir como:
^T+slT^4^ - .yT+s^l^{^)^2 ^
(2-7)
= Z^F^^ar+^rr{^) - ar+.^r{ 4^)]^ar+^r{^^) ! ar+^{4^))'}z
lo que significa que la parte del error de prediccin que proviene de la estimacin
de los parmetros es una combinacin lineal del error de prediccin del vector
estado que proviene de ia estimacin de los parmetros. Por lo #anta, para derivar
una expresin analtica para (2.7) podemos aplicar la aproximacin propuesta
por Ansley y Kohn (1986).
ciona una correccin de orden 1l T a Pr+^{y^) que es la expresin usual, bajo las
siguientes condiciones de regularidad:
aa r^srr{ ^ )
A r+^r( 4^ ^ _
a^
y el trmino Op(1IT^ se puede despreciar, para tamaos muestrales grandes,
camparado con AT^^(y^) ( y^-y^).
iii) La esperanza condicionada:
donde --^
V es la matriz de covarianzas de {os estimadores ^r evaluada en el
T
verdadero valor de los parmetros yr.
iv) z, C, Q tienen segundas derivadas continuas con respecto a yr.
La aproximacin a! ECM de prediccin es de la forma:
ECM * CYT+^r{ ^ }l = Z' ^T+srr( ^ )Z + a2 + ^^- [z'A r+^{ yr > V( ^W) A' r+ sr1{ V^^ >z^
Yr=Nr+^r
(3.1)
I^t - t^r-^ + ^1r
donde
^r U^ a
^ IV o g ^2
^1 r n
Este modelo, est escrito directamente en el espacio de los estados cn
Z^=c=1,yG?=a
124 FSTAD(STfCA ESF'A(VOt_A
Por la tanto, para el modefo que nos ocupa la prediccin ptima para la serie
observada es la misma que para el vector estado.
. .
T-1 T-1
L(,^,y) ^ ^ glogc ^e'^) - n ^ - ;^
^-
{^ (3.4)
1^^ ^^ p g^ej ^
donde ^,^ = 2nj/T^`, j= 1, ..., T^`-1, y T"k = T-d, siendo d el orden de diferenciacin
necesario para que la serie (^ -L}dyt sea estacionaria. Adems I(^,j) es la ordenada
correspondiente de! periodograma y g(e^^) es la funcin generatriz espectral que
para el modelo (3.1) es de 1a forma g(e^^`) = 6^ + 2(1-cos^,^) a^.
1 a9(e^^) dg(e^)
1/ 2 ^ ^^ 2
9'(e^ ) a4^^ aWn
2(1 - cos^,^)
1/ 2 ^g( e'^
^) -2 1/ 2 ^ ^^2
9^t e^ ) (3.5)
2(1 - cos^,^) 4(1 - 2cos^.^)2
1/ 2^ ^^ 2 1/ 2^ ^^ 2
9^( e^ ) 9( e^ )
ii) La diferencia
Mr+^w) _ amr+^^)
ay^
T--1
P(W) + Q
^( 4^ ) = F,( + ^.2 + Q2
W> ^ F
Para cada tamao muestral T y para cada par de valores (a^,a?) se generan
artificialmente N= 1.000 muestras de yt que siguen el modelo (3.1). Una vez
generadas las variables aleatorias pseudonormales, r^t y>E^, ia serie de observa-
ciones yt se obtienen a partir det modelo (3.1), utilizando como valor inicial de1
vector estado m^ = 0. Para cada tamao muestral T, se han generado series de
observaciones yt de tamao T+ 100. Las 100 primeras observaciorties se recha-
zan para evitar que nuestros datos dependan de los valores iniciales tornados
para generar la secie. Las T observaciones siguientes se utiizan para estimar los
parmetros del modelo.
Para cada tamao muestral T y para cada par de valores ( Q^, c^^ ) se han
calculado los siguientes estad sticos:
1) N
sQ^ + Q2 + ^
ECMo^.Yr+srrE4^}^ - P^(^) + ^ [mr+^rtW ) - mr^^r{^)j^
N la 1
2) ECM(yr+^r(^)] = P^t^) + S^ + ^
N N
3)
ECM[yr+ ^r( ^ }] = ^ ^ ECA^II.Yr+ ^r{ 4r )] ^^ _ ^ ^ [Pr( 4^ ) + sQ2n+ Q ] ^^
N ;a ^ N ^_ ^
4) * N
5} ^ * ,^ ^ 1 N ^ ^^ ^2 ^
ECM [yr+^r{^)l ^ [Pr(^) + san + aF + MT+^{V^) V(T.#^) ^r+^r(V^)];
"
N fa ^
derivadas M+
r ^r{ ^ } = amT+^ , amT^^ . Estas derivadas del vector estado se
aQ^2 aQn2
han calculado analticarnente y el conjunto de recursiones se corren de forma
paralela al filtro de Kalman, siendo ncializadas como sigue:
Los estadsticos (1)-(5) han sido calculados para tres horizontes de prediccin
s= 1, 3, 12. Para el modelo (3.1) que estamos considerando el predictor de yT+s,
s= 1, 2,... viene dado par (3.2} que es !a estimacin de! vector estado en el
momento T: m^. Por lo tanto, como la correccin de orden 1/T al ECM de
prediccin con parmetros estimados que hemos propuesto depende slo de la
estimacin del vec#ar estado en el momento T y de la matriz de covarianzas de
las estimadores, que son las mismas para todo s, slo es necesara calcularla
una vez para cada terna ^T,v,Q?) o(T,^,^?).
ECMo[YT+^r{W)] ^ ECMCYT+^r{V^)l
R^ ^ EC^ CYT+^r{ ^w )]
^ CUADR01
^
ECM[yT^{yr)] como estimador del ECM de prediccin con parmetros
estirnados
T= 25 T= 50 T= 100 T= 200
R^ R2 R^ R2 R^ R2 R1 R2
o^= 0.05 1.09 1.06 1.06 1.02 1.02 1.01 1.01 1.01
Qz
^-- p.1 1.10 1.06 1.04 1.05 1.02 1.04 1.0 ^ 1. 02
,^2^-- p_5 1.05 0.97 ^ 1.02 1.01 1.01 1.02 1.00 1.00
Q2
n-- 1.00 1.03 0.96 1.03 0.98 1.01 1.00 1.01 1.01
Q^_^ o.ao 1.04 0.96 1.02 1.01 1.01 1.01 1.00 0.99
n
Por otro lado, nos interesa c^omprobar ia calidad de ECM[yT+^(^)] como
estimador de su correspondiente cantidad poblacional ECM[yT+^-(y^)]. La colum-
na R2 del Cuadro 1 trata de recoger los sesgos en la estimacin de ECM[yT+^{y,}j
debidos a los sesgos en la estimacin de ^os parmetros a travs de la razn:
n
_ ECM CYT+^r{W )1
^2 ECM CYT+$rr( ^ )l
^
Se puede observar que para valores de Q^ pequeos, ECM[yT+^-{^r)j est siste-
mticamente sesgado hacia arriba, hasta un 13 por 100 para T= 25 y un 9 por
100 para T= 50. Estos sesgos en la estimacin de ECM[yT+,^{y ^ )] van disrninu-
yendo conforme aumenta a y nos alejamos de la zona de no invertibilidad del
modelo, hasta cambiar de signo y, asi, para valores grandes de Q^, el estimador
n
ECM[yT^{ y,)] est sesgado hacia abajo, por ejemplo para Q^ = 50, es un 93 por
100 de ECM[yT+^{^r)]. Estos sesgos desaparecen rpidamente con el tamao
muestral.
n ^
__ ECM CYr+^(W )] _ ECM LYr+^{ ^ )l
R3 ECMo CYT+^r{ 4^?] R4 ECMo IYr+^r( v^ )I
CUADRI^ 2
Comparacin de Errores Cuadrticos Medios de Prediccin
con parmetros estimados
T R^ R{ R^ R3 R4 RS R^ R^ R5
4. CoNCLUSIONES
REFERENCIAS
ANSLEY, C. F. y KoHN, R. (1986). Prediction mean squared error for state space
models with estima#ed parameters, Biometrika, 76, 467-473.
HARVEY, A. C. (1990). Forecasting, Structural Time Series Models and the Kalman
Filter, Cambridge Academic Press.
SUMMARY