Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo 6 Notas de Clase PDF
Capitulo 6 Notas de Clase PDF
6.1. Introducción
89
90
Definición 6.2.1 (El Operador de Rezago). Se denota por L (lag, en inglés) y es tal que
L(Yt ) = Yt−1 . Es decir, L opera sobre una serie rezagándola un perı́odo hacia atrás. De
igual manera L(Yt−1 ) = Yt−2 , luego L(L(Yt)) = L2 (Yt ) = Yt−2 y en general Lp (Yt ) =
Yt−p . Se define también L0 = I, el operador identidad.
tal que
Definición 6.2.2 (Proceso MA(q)). Se dice que una serie Yt sigue un proceso M A(q), q =
1, 2, . . . de media móvil de orden q, si se cumple que
θq (L) = 1 + θ1 L + · · · + θq Lq , (6.3)
Yt = θq (L)(εt). (6.4)
6.2.1. Propiedades
1. E(Yt) = 0
con θ0 = 1.
R(k)
4. Un M A(q) siempre es un proceso estacionario con fac, ρ(k) = R(0)
.
i.i.d.
yt = εt − θ1 εt−1 + θ2 εt−2 , εt ∼ N (0, 9), t ∈ Z,
con
θ1 = −0.4, θ2 = 0.4, σ2 = 9,
entonces
R(0) = 1 + 0.42 + 0.42 9 = 11.88
2−1
X
R(1) = 9 θj θj+1 = 9(θ0 θ1 + θ1 θ2 )
j=0
= 9 − 0.4 + (−0.4)(0.4) = −5.04
2−2
X
R(2) = 9 θj θj+2 = 9(θ0 θ2 ) = 9(0.4) = 3.6.
j=0
Entonces la FAC es
5.04 3.6
ρ(0) = 1, ρ(1) = − = −0.42, ρ(2) =
11.88 11.88
ρ(3) = ρ(4) = · · · = 0
92
True ACF
1.0
0.8
0.6
0.4
True ACF
0.2
0.0
−0.2
−0.4
0 1 2 3 4
Lag
1. Yt = εt − 0.5εt−1 − 0.5εt−2 .
Conclusión De acuerdo con (6.5), si la fac muestral de una serie Yt termina abruptamente
puede tratarse de un M A(q). Por ejemplo, en la siguiente gráfica 6.2 serı́a factible un modelo
MA(3).
Series MA.3
0.8
ACF
0.4
0.0
0 5 10 15
Lag
1. α(1) = ρ(1)
ε1 = Y1 − E(Y1|Y2 , . . . , Yk−1 )
εk = Yk − E(Yk |Y2 , . . . , Yk−1 ), k = 2, . . .
93
1. α̂(1) = ρ̂(1)
2. α̂(2) : se regresa Yt sobre Yt−1 y Yt−2 tal que Yt = φ21 Yt−1 + φ22 Yt−2 + εt entonces
α̂(2) = φ̂22
3. α̂(k) : se regresa Yt sobre Yt−1 , . . . , Yt−k tal que Yt = φk1 Yt−1 + · · · + φkk Yt−k + εt
entonces α̂(k) = φ̂kk
Definición 6.2.4. Dado un proceso MA(q), Yt = θq (L)(εt) donde θq (L) = 1+θ1 L+θ2 L2 +
· · · + θq Lq , entonces considerando el polinomio en z ∈ C, θq (z) = 1 + θ1 z + · · · + θq z q y
sus q raı́ces (z1 , z2 , . . ., zq ) ∈ C, es decir, valores z ∈ C tales que θq (z) = 0, se dice que el
proceso Yt es invertible si se cumple
es decir, los inversos de las raı́ces deben caer dentro del cı́rculo unitario complejo.
por tanto
s r
1 2 3 2 1
|z| = + ± = + 9 > 1,
2 2 4
luego Yt es invertible.
Yt = θq (L)(εt). (6.8)
1
Considere θq (z) = 1 + θ1 z + · · · + θq z q entonces θq (z) 6= 0, |z| ≤ 1, luego la función θq (z)
tiene desarrollo es serie de Taylor alrededor de z = 0, dado por
X ∞
1
= 1 + ψ1 z + ψ2 z 2 + . . . = ψj z j , ψ0 = 1, (6.9)
θq (z)
j=0
P∞
con j=0 ψ 2 < ∞, donde ψj → 0 si j → ∞. Multiplicando ambos miembros de (6.8) por
1
θq (L) se obtiene
1
εt = Yt = ψ(L)(Yt) = Yt + ψ1 Yt−1 + ψ2 Yt−2 + . . . (6.10)
θq (L)
Y despejando Yt
de donde concluı́mos que si hace la regresión de Yt sobre los primeros k rezagos Yt−j , j =
1, . . . , k, entonces el k-ésimo coeficiente es α(k) = ψ(k) 6= 0, ∀k y como ψ(k) → 0
entonces α(k) → 0 cuando k → ∞. Por tanto, la facp de un MA(q) decrece a cero. En las
Figuras siguientes 6.3 se observa la fac y la facp de un MA(3).
95
1.0
0.8
0.6
True PACF
True ACF
0.4
−0.2 0.2
0.0
0 5 10 15 20 5 10 15 20
Lag Lag
6.2.4. Implementación en R
En R para identificar se usan las funciones acf y pacf y para estimar una de las funciones
usadas es arma de la librerı́a tseries.
layout(1:3)
ts.plot(y)
acf(y,30)
pacf(y,30)
Series y Series y
0.2 0.4
Partial ACF
0.6
ACF
0.0
−0.1
0 5 10 15 20 25 30 5 10 15 20
Lag Lag
donde εn ∼ RB(0, σ 2). Usando el operador de rezago L se puede escribir (6.12) como
ϕp(L)(Yn ) = εn , (6.13)
La condición suficiente para que Yt ∼ AR(p) sea estacionario en covarianza es que las p
raı́ces del la ecuación ϕp(z) = 0, z1 , z2 , . . ., zp cumplan
µ = ϕ1 µ + ϕ2 µ + · · · + ϕpµ.
Si µ 6= 0 entonces
1 = ϕ1 + · · · + ϕp
por tanto
ϕp(1) = 0
98
ϕp (z) 6= 0.
luego debe tenerse que µ = 0, es decir, el proceso definido en (6.12) es de media cero.
ϕp (L)(Yt) = ϕ0 + εt , (6.16)
donde
ϕ0 = ϕp (L)(µ)
= (1 − ϕ1 − ϕ2 − · · · − ϕp )µ.
Nótese que también se puede escribir Yt = (1−ϕ1 −· · ·−ϕp )µ+ϕ1 Yt−1 +· · ·+ϕp Yt−p +εt ,
de donde Yt − µ = ϕ1 (Yt−1 − µ) + · · · + ϕp (Yt−p − µ) + εt . Es decir, el proceso (Yt − µ)
es AR(p) de media cero.
P
Demostración. Colocando µ = E(Yn ), como Yn = pj=1 ϕj Yn−j + εn , al tomar esperanza
P
en ambos miembros se obtiene µ = pj=1 ϕj µ + 0. Restando las expresiones anteriores se
P
obtiene Yn − µ = pj=1 ϕj (Yn−j − µ) + εn . Multiplicando ambos miembros de la identidad
anterior por Yn−k − µ, con k ≤ n, y tomando valor esperado E(.) se obtiene
p
X
= ϕE((Yn−j − µ)(Yn−k − µ)) + E(εn (Yn−k − µ))
j=1
Xp
= ϕj R(k − j).
j=1
En el resultado anterior se tiene E(εn (Yn−k − µ)) = 0 porque, a partir de la definición del
proceso Yn en (6.12), Yn−k depende de εs con s ≤ n−k, que son variables incorrelacionadas
con εn .
X∞
1
= ψj z j ,
ϕp (z)
j=0
para ciertos coeficientes (ψj , j = 0, 1, . . .), con ψ0 = 1. Por tanto, se puede colocar
1
Yn = (εn ) = εn + ψ1 εn−1 + ψ2 εn−2 + . . . . (6.18)
ϕp(L)
P∞
Tomando varianza a ambos miembros de (6.18), se obtiene V ar(Yn ) = σ 2 j=0 ψj .
cumple que:
entonces
Aϕ = ρ. (6.20)
Luego dada ρ̂(1), . . ., ρ̂(p) se puede resolver (6.20) tomando ϕ̂ = Â−1 ρ̂, los esti-
madores de Yule-Walker de ϕ
2.
Entoces (6.21) forma una ecuación en diferencias finitas con condiciones iniciales
ρ(1), . . ., ρ(p), para ρ(k), k ≥ p + 1, con solución
1 − ϕ1 z − ϕ2 z 2 − · · · − ϕp z p = 0 (6.23)
con |zi | > 1 ⇔ |gi | < 1, luego se debe cumplir que ρ(k) → 0, k → ∞
0.8
True ACF
True ACF
0.4
0.4
0.0
0.0
0 5 10 15 20 0 5 10 15 20
Lag Lag
La FACP de un procesos AR(p) es α(k) tal que α̂(k) es el coeficiente β̂k,k en la regresión
65
55
45
Definición 6.3.2 (Marcha Aleatoria). Se dice que Yt es una marcha aleatoria (Random
Walk) si cumple
Yt = µ + Yt−1 + εt , (6.26)
102
Nota 6.3.2. Diebold [1999, pág. 138], Si Yt ∼ AR(1) de media cero estacionario en
covarianza entonces
Yt = ϕ1 Yt−1 + εt , εt ∼ R.B.(0, σ 2)
es decir
(1 − ϕ1 L)Yt = εt
por que |ϕ1 z| < 1 ya que |ϕ1 | < 1 y |z| < 1. Entonces
V ar(Yt) = σ 2 + ϕ1 σ 2 + ϕ21 σ 2 + . . .
2 1
= σ (1 + ϕ1 + ϕ21 + . . .) = σ 2
Varianza Incondicional
1 − ϕ1
Nota 6.3.3. Si Yt ∼ AR(1) de media cero estacionario en covarianza entonces
E(Yt|Yt−1 ) = E(ϕ1 Yt−1 + εy |Yt−1 ) = ϕ1 Yt−1 ,
Si en un proceso Yt ∼ AR(p)
donde εt ∼ RB(0, σ 2 ). El efecto de este cambio es que los errores no se toman incorrela-
cionados sino con autocorrelación débil. Se define entonces un proceso ARMA(p,q) como
un modelo que combina las propiedades de memoria larga de los AR(p) con las propiedades
de ruido débilmente autocorrelacionado en los MA(q), y que tiene suficiente flexibilidad y
parsimonia. Usando la notación del operador de rezago (6.28) se puede definir el proceso
ARM A(p, q) por
Yt = 0.9Yt−1 + εt − 0.4εt−1 ,
con εt ∼ RB(0, σ 2 )
104
εt = ϕεt−1 + at + θat−1 ,
con at ∼ RB(0, σ 2 ), el residuo del proceso arma. Nótese que el número de parámetros de
este modelo es 16, incluyendo la varianza σ 2 .
1 − 1.5z + 0.9z 2 = 0
por tanto
E(Yt) = E(εt + ψ1 εt−1 + ψ2 εt−2 + . . . ) = 0.
θq (L)
Yt = µ + εt (6.31)
ϕp (L)
de donde ϕp(L)Yt = ϕp(1)µ + θq (L)εt. Por ejemplo, sea Yt ∼ ARM A(1, 1) con
E(Yt) = µ entonces
1 + θL
Yt = µ + εt
1 − ϕL
luego
σ 2 Pq
j=k θj ψj−k , si k = 0, 1, . . ., n − 1
R(k)−ϕ1 R(k−1)−. . .−ϕp R(k−p) =
0, si k = n, n + 1, . . . .
(6.32)
Ejemplo 6.4.4. (tomado de Brockwell and Davis [2002], pag. 93). Considere el
proceso ARMA(2,1) dado por (1−L+ 14 L2 )Yt = (1+L)εt. Entonces n = max(p, q+
1) = 2, por tanto, para k = 0, 1 se tiene el sistema lineal
1
R(0) − R(1) + R(2) = σ 2 (ψ0 θ0 + ψ1 θ1 ) = σ 2 (1 + ψ1 ),
4
1
R(1) − R(0) + R(1) = σ 2 (θ1 ψ0 ) = σ 2 ψ0 = σ 2 . (6.33)
4
106
2. Estimar el modelo.
1. stat, con la función arima(), estima primero por mı́nimos cuadrados condicionales y
luego por máxima verosimilitud.
5. timsac, con la función autoarmafit(), para identificación del modelo ARMA(p,q) con
menor AIC. El programa asume que el modelo ARMA(p,q) se define con θq (z) =
P
1 − qj=1 θj z j , es decir, los coeficientes θj se cambian de signo en esta librerı́a.
También tiene la función armafit() para ajuste de modelos ARMA.
Una alternativa consiste en buscar una pareja de órdenes (p, q) dentro de un rango inicial,
por ejemplo p, q = 0, 1, . . . , 10, que minimice alguna función de ε̂2 , como por ejemplo el
AIC ó el BIC.
Por ejemplo, para Yt un AR(p), R(k) se calcula mediante las ecuaciones Yule-Walker, (6.17),
P
R(k) = µ + pj=1 ϕj R(k − j). Por tanto, colocando β = (µ, σ 2 , ϕ1 , . . . , ϕp, θ1 , . . ., θq )0 ,
la matriz Σ depende del vector β, y se escribe Σ(β). Este supuesto permite implementar la
estimación por máxima verosimilitud. Se escribe la densidad Normal Multivariada como
1 1 −1 0
f (y, β) = q exp − (y − µ)Σ(β) (y − µ) (6.35)
(2π)n/2 det(Σ(β)) 2
n
X
L(β) := log f (yj , β)
j=1
n 1 1
= − log(2π) − log det(Σ(β)) − (y − µ)0 Σ(β)−1 (y − µ). (6.36)
2 2 2
El estimador ML de máxima verosimilitud de β se define como
b = argmin(−L(β)).
β (6.37)
β
La identificación con base en el AIC se basa en comparar varios modelos ARM A(p, q) para
valores de, por ejemplo, p = 0, 1, . . ., 20 y p = 0, 1, . . . , 20 con base en el criterio AIC el
cual está definido por
b + 2k,
AIC = −2L(β) k = p+q (6.38)
Ejemplo 6.4.5. Suponga que se requiere simular un ARM A(3, 2) tal que se escogen las
raı́ces de ϕ3 (z) y θ2 (z), con inversos dentro del cı́rculo unitario.
109
z1 = complex(3)
z1[1] = -0.8 - 1.3i
z1[2] = conj(z1[1])
z1[3] = 1.2
Entonces ϕ3 (z) = 1 − ϕ1 z − ϕ2 z 2 − ϕ3 z 3
(z-z1[1])(z-z1[2])(z-z1[3])
-z1[1]z1[2]z1[3] = -2.2796
a = poly.calc(z1)
a = a/a[1]
z2 = complex(2)
z2[1] = -1.2 -0.5i
z2[2] = conj(z2[1])
b = poly.calc(z2)
b = b/b[1]
n = 300
require(forecast)
auto.arima(y)
plot(1:70, c(y[(3200-49):3200],py1$pred),
110