Estructura de algunas funciones de autocorrelación para distintos

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)

acfplot <- function(ar=0,ma=0){

tibble(lag = as.integer(1:10),
acf=ARMAacf(ar, ma, 10, pacf=FALSE)[2:11],
pacf=ARMAacf(ar,ma, 10, pacf=TRUE)) %>%
gather("key","value",acf,pacf) %>%
ggplot(aes(lag,value)) +
geom_col(width=0.2, fill='blue') + facet_wrap(~key) +
scale_x_discrete(limits=seq(0,10,2)) +
ylim(-1,1)
}

1
Procesos Media Móvil

Los procesos de media móvil MA(q) tienen el formato

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

Los procesos autorregresivos AR(p) tienen el formato

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, . . .



La función de correlación parcial es 

φ1
ρ1 = 1−φ2 ,

 si k = 1
ρkk = 2 φ , para k = 2

0,

para k ≥ 3

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

Los procesos autorregresivos-media móvil ARMA(p,q ) tienen el formato

yt = c + φ1 yt−1 + · · · + φp yt−p + t + θ1 t−1 + · · · + θq t−q

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.