“Año de la universalización de la salud”

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTA DE CIENCIAS ECONOMICAS

Resumen de Cap. 9 del libro Aznar

Alumno: Coronel Salazar Magno Cristian

Código: 17120003

Curso: Econometría II

Profesor: Ticse Núñez Cornelio Vicente

Lima-2020

Cap. 9 modelos estocásticos estacionales

Para periodos inferiores a un año se presentan patrones estacionales así suele ocurrir que en
determinados trimestres existen bruscos aumentos o disminuciones en la serie de manera
sistemática durante varios años. por ello conviene tener en cuenta el factor estacional en la
elaboración de modelos estocásticos de series temporales de manera que cuando la serie
recoja datos mensuales o trimestrales se debe analizar la correlación entre mese o trimestres
de años sucesivos tanto como las existentes entre las propias sucesiones de trimestre o meses

Modelos estocásticos estaciones de series temporales son de dos tipos puros y multiplicativos
y cada uno puede ser estacionario o no, el valor de “s” es el periodo estacional de manera es
que si son datos trimestrales el s=4 si son mensuales s=12. el modelo estacional puro se
caracteriza porque solo existen relaciones entre las observaciones que distan de si s periodos o
múltiplos de s. Si este modelo estacional puro es además estacionario tendremos un modelo
estacional Ma, AR o ARMA por el contrario si el modelo estacional puro no es estacionario,
pero es susceptible a convertirse en estacionario mediante diferenciaciones sucesivas
estaremos frente a un modelo ARIMA estacional puro

Los modelos estacionarios puros normalmente no se ven con frecuencias por sus mismas
características antes mencionadas lo habitual es que existan relaciones de tipo múltiple se dirá
que tenemos modelos estacionales multiplicativos que pueden ser estacionarios o no

Modelos estacionales de medias móviles

Características:

1) s es el número de observaciones por periodo estacional, el orden del modelo MA

será un múltiplo de s
2) únicos coeficientes distintos de cero serán aquellos subíndices que sean múltiplos
enteros de s

y t =u+ut −θ s ut −s−θ 2 s u t−2 s …−θ Qs ut −Qs

Q es el mayor múltiplo de s , entonces el orden del proceso es de Qs

Utilizando la notación de retardos podemos escribir como y t =u+θQ ( L s ) ut

Donde θQ ( L s )=1−θ 1 ( Ls ) −θ2 ( Ls )−…−θQ ( Ls )

El modelo de medias móviles será estacionario e invertible cuando las raíces de θQ ( L s )=0
caigan fuera del circulo unitario es decir si son reales todas ellas en valor absoluto mayores
que la unidad, si son complejas el modulo mayor a uno

A continuación analizaremos los modelos MA(1) Y MA(2)

Modelo MA(1) definido por y t =u+ut −θ1 ut− s o y t =u+θ1 ( Ls ) ut

donde θ1 ( Ls ) =1−θ1 ( Ls ) el modelo MA(1) siempre es estacionario y para que sea invertible
debe cumplirse que θ1 ( Ls ) =1−θ1 ( Ls )=0 sea en valor absoluto mayor que la unidad |θ|< 1 la
2 2
esperanza y varianza seria E ( y t )=u ; γ 0=σ (1+ θ1)
 −θ1 σ 2u para j=s
la función de covarianza γ j = { 0 para j ≠ s

−θ1
Función de autocorrelación ρ j= 1+θ2
{
para j=s
0 para j≠ s

−θ1j (1−θ21)
Función de autocorrelación parcial ϕ j=
1−θ2( j +1)
1

Para θ1 >0

Para θ1 <0

Modelo MA (2)

Definido por y t =u+ut −θ1 ut− s−θ2 ut−2 s o y t =u+θ2 ( Ls ) ut

donde θQ ( L s )=1−θ 1 ( Ls ) −θ2 ( Ls )

la condición de invertibilidad del modelo MA(2) es siempre que las raíces de

θQ ( L s )=1−θ 1 ( Ls ) −θ2 ( Ls )=0 caigan fuera del circulo unitario
trae como implicancias θ1 +θ2 <1 :θ2−θ1 <1 y |θ2|<1

La esperanza matemática y su varianza son iguales al modelo MA(1)

E ( y t )=u ; γ 0=σ 2 (1+ θ21+ θ22)

Función de autocovarianza

( −θ1 +θ1 θ 2 ) σ 2u para j=s

γ j=
{ −θ 2 σ 2u para j=2 s
0 para j≠ s y 2 s

Función de autocorrelación

−θ1 +θ 1 θ2

{
para j=s
1+θ21 +θ22
ρ j= −θ2
para j=2 s
1+θ21 +θ22
0 para j≠ s y 2 s

Función de autocorrelación parcial:

ϕ ss=ρss

ρ 2 s −ρ2s
ϕ 2 s ,2 s=
1−ρ2s

ρ2s −ρs ρ 2 s (2−ρ 2 s )

ϕ 3 s ,3 s =
1− ρ2s −2 ρ2s (1−ρ2 s )

Para θ1 y θ 2> 0

Para θ1 y θ 2< 0
Para θ1 <0 y θ2 >0

Modelos estacionales Autorregresivos

Definimos al modelo como : y t =ϕ s y t −s +ϕ2 s y t −2 s+ … .+ ϕ ps y t− ps+ δ+u t donde p representa

el mayor múltiplo de s en el modelo diremos entonces que es un modelo autorregresivo de
orden P denotaremos como AR(P)

Si utilizamos la notación de retardos ϕ p ( L s ) y t =δ +ut

donde ϕ p ( L s )=1−ϕ1 ( L s )−ϕ2 ( L2 s ) −..−ϕ p ( L s )

El modelo estacional autorregresivo será siempre invertible y la condición de estacionariedad

será análoga es decir que las raíces de ϕ p ( L )=0 caigan fuera del circulo unitario otra forma de
expresar el modelo es usando desviaciones respecto a la media se tendría
~
y t =ϕ1 ~y t−s + ϕ2 ~
y t −2 s +..+ ϕ1 ~y t− ps+ ut donde ~y t− js = y t − js −u para j=0,1, … P

Y u=E( y t ¿=E ( y t− s )=..=E ( y t− Ps) o también ϕ p ( L s ) ~

y t =ut

O bien que ϕ p ( L s ) ( y t −u)=ut

Modelo AR(1)

Definido por y t =ϕ1 y t−s + δ +ut o expresado ~

y t =ϕ1 ~y t−2 s +ut
Donde la condición de estacionariedad |θ|< 1

δ
La esperanza matemática E ( y t )=u= ∀t
1−ϕ1

σ2
Varianza será igual γ 0=
1−ϕ1

2 j σ2
Función de autocovarianza γ js =ϕ1 γ 0 =ϕ1 para j ≥1
1−ϕ1

Función de autocorrelación ρ js =ϕ para j≥ 1

ρs =ϕ1 para j=s

Función de autocorrelación parcial ϕ p { 0 para j≠ s

Graficas:

Para ϕ 1> 0

Para ϕ 1< 0

Modelo AR (2)
Definido por: y t =ϕ1 y t−s + ϕ2 y t −2 s +δ +u t o bien ϕ 2 ( Ls ) y t =δ + ut

El modelo AR (2) será estacionario si las raíces de la ecuación

Si ϕ 2 ( Ls ) =1−ϕ1 ( L s )−ϕ 2 ( L2 s ) =0 y estén fuera del circulo unitario y con ello implicaría que
ϕ 1+ ϕ2< 1 ,ϕ 2−ϕ1 <1,|ϕ 1|<1

δ
La esperanza matemática E ( y t )=u=
1−ϕ1−ϕ2

La varianza del modelo AR (2) es igual a:γ 0=ϕ1 γ s+ ϕ1 γ 2 s + σ 2

función de autocovarianza: γ js =ϕ1 γ ( j−1) s + ϕ2 γ ( j−2) s para j ≥1

Función de autocorrelación ρ js =ϕ1 ρ( j−1 )s +ϕ2 ρ( j−2)s

Función de autocorrelación parcial

ϕ1

{
ρ s= para j=s
1−ϕ2
ϕp ρ 2 s−ρ2s
=ϕ 2 para j=2 s
1−ρ 2s
0 para j≠ s y 2 s

Graficas

Para ϕ 1 > 0 ϕ2 > 0

Para ϕ 1< 0 ϕ2< 0

Para ϕ 1> 0 ϕ2< 0

Modelos estacionales mixtos y modelos estacionales no estacionarios:

El modelo mixto estacional ARMA se define como:

: y t =ϕ s y t −s +ϕ2 s y t −2 s+ … .+ ϕ ps y t− ps + δ+u t−θ s u t−s −θ2 s ut−2 s …−θQs u t−Qs

Modelo ARMA (1,1)

Define como y t =ϕ1 y t−s + δ+ut −θ1 ut −s

Será invertible si |θ1|<1 y será estacionario si ϕ s <1

Podemos ahora obtener la esperanza matemática:

δ
E ( y t )=u=
1−ϕ1

Una manera alternativa para escribir el modelo ARMA(1,1) en forma de desviaciones con
respecto a la media
~y =ϕ ~
t 1 y t −s +δ + ut −θ1 ut −s

σ 2 (1−θ21−2 θ1 ϕ1)
Obtendremos la varianza γ 0=
1−ϕ 21

función de autocovarianza
 σ 2 ( 1−θ1 ϕ1 )( ϕ1−θ 1)

{
γ js = ϕ 1 γ 0−θ 1 σ =
2
2
1−ϕ1
ϕ1 γ ( j−1) s para j>1
para j=1

función de autocorrelación
( 1−θ 1 ϕ 1) ( ϕ1−θ1 )
ρ js =
{ 1+ϕ21 −2θ 1 ϕ1
para j=1

ϕ1 ρ( j−1)s para j>1

función de autocorrelación parcial

ρ s para j=s

jj=

{ ρs− ρ2s
1−ρ2s
para j=2 s

ρ3s −ρs ρ2 s ( 2− ρ2 s ) + ρ3 s (1−ρ3s )

1−ρ32 s−2 ρ3s (1−ρ2 s)
para j=3 s