Documentos de Académico
Documentos de Profesional
Documentos de Cultura
modelos ARIMA
Randall Romero-Aguilar
23 de abril de 2017. Actualizado 17 de enero de 2018
Introducción
Este documento ilustra las funciones de autocorrelación y de autocorrelación parcial para un grupo de modelos
AR(1), AR(1), MA(1), MA(2), y ARMA(1,1). Los cálculos y gráficos fueron realizados utilizando el programa R.
Preparativos
Primero, cargamos el paquete tidyverse, que incluye paquetes de uso común en el análisis con R. Segundo, cargamos
el paquete TSA, que incluye la función ARMAacf que permite calcular las funciones ACF y PACF para procesos
ARMA. Finalmente, creamos la función acfplot para hacer gráficos de procesos ARMA.
library(tidyverse)
library(TSA)
1
Procesos Media Móvil
yt = c + t + θ1 t−1 + · · · + θq t−q
MA(1)
El autocorrelograma es
θ1 2 , k=1
ACF(k) ≡ ρk = 1+θ1
0, k = 2, 3, . . .
−θ1k (1−θ12 )
mientras que la correlación parcial es ρkk = 2(k+1) para k ≥ 1
1−θ1
θ1 > 0
acfplot(ma=0.5)
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
θ1 < 0
acfplot(ma=-0.5)
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
2
MA(2)
El autocorrelograma es θ (1+θ )
1 2
1+θ12 +θ22
, k=1
ACF(k) ≡ ρk = θ2
1+θ12 +θ22
, k=2
0 k = 3, 4, . . .
La correlación parcial ρkk decae a cero según una combinación de exponeciales amortiguadas u ondas sinosoidales
amortiguadas.
θ1 > 0, θ2 < 0
acfplot(ma=c(1, -0.3))
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
θ1 < 0, θ2 > 0
acfplot(ma=c(-0.5, 0.3))
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
3
θ1 > 0, θ2 > 0
acfplot(ma=c(0.5, 0.3))
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
θ1 < 0, θ2 < 0
acfplot(ma=c(-0.5, -0.3))
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
4
Procesos Autorregresivos
yt = c + φ1 yt−1 + · · · + φp yt−p + t
AR(1)
El autocorrelograma es
ACF(k) ≡ ρk = φk1
La función de correlación parcial es
ρ1 = φ1 , si k = 1
(
ρkk =
0, para k ≥ 2
φ1 > 0
acfplot(ar=0.9)
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
φ1 < 0
acfplot(ar=-0.8)
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
5
AR(2)
El autocorrelograma es φ
1
1−φ2 , k=1
ACF(k) ≡ ρk = φ1 ρ1 + φ2 , k=2
φ1 ρk−1 + φ2 ρk−2 k = 3, 4, . . .
φ1 > 0, φ2 > 0
acfplot(ar=c(0.5, 0.4))
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
φ1 < 0, φ2 > 0
acfplot(ar=c(-0.5, 0.2))
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
6
φ1 > 0, φ2 < 0
acfplot(ar=c(0.9, -0.3))
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
φ1 < 0, φ2 < 0
acfplot(ar=c(-0.5, -0.3))
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
7
Procesos Autorregresivos - media móvil
ARMA(1,1)
La función de autocorrelación es
(1−φ1 θ21 )(φ1 −θ1 ) φ1 , si k = 1
ρk = 1+θ1 −2θ1 φ1
φ ρ
1 k−1 , para k ≥ 2
mientras que la autocorrelación parcial tiene un decaimiento exponencial amortiguado desde el rezago k = 1. Todos
los ρkk tienen el mismo signo si θ1 > 0 y alternan de signo si θ1 < 0.
φ1 > 0, θ1 > 0
acfplot(ar=0.8, ma=0.4)
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
φ1 > 0, θ1 < 0
acfplot(ar=0.8, ma=-0.4)
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
8
φ1 < 0, θ1 > 0
acfplot(ar=-0.8, ma=0.4)
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
φ1 < 0, θ1 < 0
acfplot(ar=-0.8, ma=-0.4)
acf pacf
1.0
0.5
value
0.0
−0.5
−1.0
0 2 4 6 8 10 0 2 4 6 8 10
lag
Referencias
• Pankratz, Alan. 1983. Forecasting with univariate Box-Jenkins models. Concepts and cases. John
Wiley and Sons. USA. pp. 301-305.
• Hamilton, James. 1994. Time Series Analysis. Princeton University Press. USA, pp.48-60.