Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2009-06-Ejemplos de Estudios de Series de Tiempo PDF
2009-06-Ejemplos de Estudios de Series de Tiempo PDF
Problema
Encontrar un modelo ARIMA adecuado que reproduzca la serie y predecir
los doce meses siguientes al último mes para el que se dispone dato.
700
Pasajeros Aerolíneas Internacionales
600
500
400
300
200
100
0
49 50 51 52 53 54 55 56 57 58 59 60
SER01
La gráfica muestra que los datos tienen una tendencia creciente y un marcado
patrón estacional. Además, a medida que el nivel medio de la serie aumenta,
también se incrementa la magnitud de la variación estacional.
En el lenguaje de los modelos ARIMA, esto indica que podría ser adecuado
ajustar a los datos un modelo estacional multiplicativo.
2
6.5
6.0
5.5
5.0
4.5
49 50 51 52 53 54 55 56 57 58 59 60
LPAI
El argumento dado por Box y Jenkins para tomar el logaritmo de los datos
originales, fue que “los logaritmos son tomados para analizar datos de ventas,
porque es el porcentaje de variación el que sería comparable a diferentes
volúmenes de ventas”.
3
Con 144 observaciones en la serie ΔLPAI, una regla útil para decidir si un
coeficiente de autocorrelación es significativamente diferente de cero es ver si su
valor excede 2/√T. Aquí el valor crítico es 0.17 y encontramos coeficientes de
autocorrelación significativos para los rezagos 1, 3, 4, 8, 9, 11, 12, 13, 15, 16, 20,
23, 24, 25, 27, 28, 32, 35 y 36. No hay signos de que la función de
autocorrelación disminuya, por tanto se necesita otra diferenciación para
obtener una serie estacionaria. Dado que los datos son mensuales y presentan una
marcada estacionalidad se realiza la diferenciación de orden 12 de la primera
diferencia de LPAI.
Estimación
Luego de identificado el modelo a ajustar, que en este caso es un modelo ARIMA
estacional con p = 0, q = 1, P = 0 y Q = 1, es decir ( 0, 1, 1) ( 0, 1, 1 )12 se
procede a estimar los parámetros del modelo.
El resultado es:
ΔΔ12 LPAIt = ( 1 - 0.3765 L) ( 1 - 0.6242 L12 ) εt
(** Esta especificación del modelo difiere de la elegida en Práctico 9 Ejercicio 4 (2009). En este
último no se incluyó término constante en el modelo).
0.1
0.0
-0.1
0.10
-0.2
0.05
0.00
-0.05
-0.10
-0.15
51 52 53 54 55 56 57 58 59 60
PREDICCIÓN
Dado el último dato observado PAI60:12 del proceso SARIMA (0, 1, 1) (0, 1, 1)12
se desea estimar la variable para el período 1961/1 a 1961/12.Veamos en detalle
como hacerlo.
La variable modelada fue ΔΔ12 LPAIt, la predicción para el período t+1, es decir
61/1, de esta variable es 0.010814.
Tengamos en cuenta que partimos de una serie no estacionaria PAI, que fue
diferenciada para alcanzar un proceso estacionario, sin tendencia y sin
estacionalidad. Por tanto el modelo integrado es aquel obtenido por suma o
integración de un proceso estacionario, luego de remover la tendencia y
estacionalidad de la serie.
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
50 51 52 53 54 55 56 57 58 59 60 61
D1D12LPAI D1D12LPAIF
10
Conclusiones
6.5
6.0
5.5
5.0
4.5
50 51 52 53 54 55 56 57 58 59 60 61
LPAISM LPAI
Ejemplo 2
Problema
Elaborar un modelo ARIMA estacional que sea útil para la predicción mensual
del período agosto 1998 / diciembre 1998.
90000
80000
70000
60000
50000
40000
30000
90 91 92 93 94 95 96 97 98
LECHE
( 1 - L )( 1 - L12 )
13
Included observations: 90
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 -0.016 -0.016 0.0230 0.879
****| . | ****| . | 2 -0.460 -0.460 19.896 0.000
.|. | .*| . | 3 -0.039 -0.071 20.038 0.000
.|. | **| . | 4 0.017 -0.253 20.065 0.000
.|. | .|. | 5 0.057 -0.010 20.383 0.001
. |*. | .|. | 6 0.075 -0.043 20.937 0.002
.|. | .|. | 7 -0.048 -0.034 21.170 0.004
.*| . | .*| . | 8 -0.082 -0.073 21.854 0.005
.|. | .*| . | 9 -0.055 -0.120 22.167 0.008
. |** | . |*. | 10 0.198 0.171 26.212 0.003
. |*. | . |*. | 11 0.140 0.091 28.265 0.003
****| . | ***| . | 12 -0.485 -0.440 53.237 0.000
.*| . | .|. | 13 -0.093 -0.031 54.172 0.000
. |*** | .|. | 14 0.368 -0.014 68.962 0.000
.|. | .|. | 15 0.053 -0.022 69.273 0.000
.*| . | .|. | 16 -0.083 -0.051 70.040 0.000
. |*. | . |** | 17 0.105 0.230 71.297 0.000
.*| . | .*| . | 18 -0.147 -0.127 73.770 0.000
.*| . | .*| . | 19 -0.141 -0.069 76.092 0.000
.|. | **| . | 20 0.034 -0.216 76.228 0.000
.|. | .*| . | 21 0.054 -0.155 76.575 0.000
. |*. | .|. | 22 0.068 0.048 77.141 0.000
.|. | . |*. | 23 -0.021 0.077 77.195 0.000
.|. | .*| . | 24 0.047 -0.135 77.470 0.000
. |*. | . |*. | 25 0.073 0.082 78.149 0.000
.*| . | .|. | 26 -0.162 -0.014 81.563 0.000
.*| . | .*| . | 27 -0.112 -0.170 83.204 0.000
. |** | .|. | 28 0.198 0.040 88.427 0.000
.*| . | .|. | 29 -0.072 -0.034 89.135 0.000
.|. | .|. | 30 -0.013 -0.025 89.157 0.000
. |*. | .*| . | 31 0.115 -0.093 91.020 0.000
.|. | .|. | 32 0.016 0.056 91.056 0.000
.|. | .|. | 33 0.006 0.042 91.061 0.000
.*| . | .|. | 34 -0.104 -0.010 92.651 0.000
.*| . | .|. | 35 -0.092 0.019 93.924 0.000
.|. | .*| . | 36 0.049 -0.099 94.299 0.000
Estimación
Utilizando el software EVIEWS 3.0 se estiman los parámetros del modelo.
El resultado es:
10000
5000
10000 -5000
5000 -10000
-5000
-10000
92 93 94 95 96 97 98
La gráfica de los residuos también estaría indicando que estamos frente a una
serie de ruido blanco.
Predicción
El gráfico siguiente presenta con línea punteada la variable Leche estudiada y con
línea llena el resultado del alisamiento exponencial, incluido la predicción hasta
1998/12.
100000
80000
60000
40000
20000
90 91 92 93 94 95 96 97 98
LECHESM LECHE