6 Modelos de Series de Tiempo Estacionales y No Estacionarias PDF

2/10/2020 6 Modelos de series de tiempo estacionales y no estacionarias
Página 1
The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 179
6 No Modelos de series
estacionario temporales
y estacional
6.1 Modelos ARIMA para series de tiempo no estacionarias

6.2 Técnicas de identificación
6.3 Raíces unitarias en modelos de series temporales
6.4 Pronóstico de modelos ARIMA
6.5 Modelos ARIMA estacionales
6.6 Regresión con errores ARMA
En este capítulo examinaremos el problema de encontrar un modelo apropiado para un

determinado conjunto de observaciones { x 1 , ..., x n } que no son necesariamente generadas por un
series de tiempo. Si los datos (a) no presentan desviaciones aparentes de la estacionariedad y (b)
tienen una función de autocovarianza que disminuye rápidamente, intentamos ajustar un modelo ARMA
a los datos con corrección media utilizando las técnicas desarrolladas en el Capítulo 5. De lo contrario,
buscamos primero una transformación de los datos que genere una nueva serie con el
propiedades (a) y (b). Esto con frecuencia se puede lograr diferenciando, lo que nos lleva
considerar la clase de modelos ARIMA (media móvil integrada autorregresiva),
definido en la Sección 6.1. De hecho, ya nos hemos encontrado con procesos ARIMA. los
El modelo ajustado en el ejemplo 5.1.1 al índice de servicios públicos Dow Jones se obtuvo ajustando
un modelo AR a los datos diferenciados, ajustando así efectivamente un modelo ARIMA a
la serie original. En la sección 6.1 daremos una descripción más sistemática de tales
modelos.
En la sección 6.2 discutimos el problema de encontrar una transformación apropiada para
los datos e identificar un modelo ARMA (p, q) satisfactorio para los datos transformados.
Este último se puede manejar utilizando las técnicas desarrolladas en el Capítulo 5. La muestra
ACF y PACF y los estimadores preliminares φ m y θ m de la Sección 5.1 puede proporcionar
orientación útil en esta elección. Sin embargo, nuestro criterio principal para la selección del modelo
ser la estadística AICC discutida en la Sección 5.5.2. Para aplicar este criterio calculamos
estimadores de máxima verosimilitud de φ , θ y σ 2 para una variedad de p y q en competencia
https://translate.googleusercontent.com/translate_f 1/41
Página 2
180 Capítulo 6 Modelos de series temporales estacionales y no estacionarias
valores y elija el modelo ajustado con el valor AICC más pequeño. Otras técnicas, en
en particular los que utilizan las matrices R y S de Gray et al. (1978), se analizan en
la encuesta de identificación de modelos de de Gooijer et al. (1985). Si el modelo ajustado es
satisfactoria, los residuos (ver Sección 5.3) deben parecerse al ruido blanco. Pruebas para esto
se describen en la Sección 5.3 y deben aplicarse al modelo AICC mínimo
para asegurarse de que los residuos son consistentes con su comportamiento esperado bajo
el modelo. Si no lo son, entonces los modelos de la competencia (modelos con valor AICC cerca
al mínimo) debe comprobarse hasta que encontremos uno que pase la bondad de
pruebas de ajuste. En algunos casos, una pequeña diferencia en el valor de AICC (digamos menos de 2) entre
pueden ignorarse dos modelos satisfactorios en aras de la simplicidad del modelo. En Sec-
En la sección 6.3 consideramos el problema de probar una raíz unitaria de cualquiera de los
o polinomio de media móvil. Una raíz unitaria autorregresiva sugiere que los datos
requieren diferenciación, y una raíz unitaria de media móvil sugiere que han sido
sobrediferenciado. La sección 6.4 considera la predicción de procesos ARIMA, que
puede llevarse a cabo utilizando una extensión de las técnicas desarrolladas para la producción de ARMA
ceses en las Secciones 3.3 y 5.4. En la Sección 6.5 examinamos el ajuste y la predicción
de modelos estacionales ARIMA (SARIMA), cuyo análisis, salvo ciertos aspectos
de identificación del modelo, es bastante análogo al de los procesos ARIMA. Finalmente nosotros
Considere el problema de la regresión, permitiendo la dependencia entre sucesivos
residuos de la regresión. Estos modelos se conocen como modelos de regresión con
Residuos de series de tiempo y a menudo ocurren en la práctica como representaciones naturales de datos.
que contiene errores dependientes de la tendencia y en serie.
6.1 Modelos ARIMA para series de tiempo no estacionarias
Ya hemos discutido la importancia de la clase de modelos ARMA para representar

enviando series estacionarias. Una generalización de esta clase, que incorpora una amplia
gama de series no estacionarias, es proporcionada por los procesos ARIMA, es decir, procesos
que se reducen a procesos ARMA cuando se diferencian finitamente muchas veces.
Definición 6.1.1 Si d es un número entero no negativo, entonces { X t } es un proceso ARIMA ( p, d, q ) si Y t :

( 1 - B) d X t es un proceso ARMA ( p, q ) causal .
Esta definición significa que { X t } satisface una ecuación en diferencias de la forma

(
φ ∗ (B) X t ≡ φ (B) ( 1 - B) d X t θ (B) Z t , { Z t } ∼ WN 0 , σ2) , (6 . 1 . 1)
donde φ (z) y θ (z) son los polinomios de grados p y q , respectivamente, y φ (z) 0
para | z | ≤ 1. El polinomio φ ∗ (z) tiene un cero de orden d en z 1. El proceso { X t } es
estacionario si y solo si d 0, en cuyo caso se reduce a un proceso ARMA ( p, q ).
Observe que si d ≥ 1, podemos agregar una tendencia polinomial arbitraria de grado (d - 1 ) a
{ X t } sin violar la ecuación en diferencias (6.1.1). Los modelos ARIMA son por tanto
Página 3
6.1 Modelos ARIMA para series de tiempo no estacionarias 181
útil para representar datos con tendencia (ver secciones 1.5 y 6.2). Se debería notar,
Sin embargo, los procesos ARIMA también pueden ser apropiados para modelar series sin
tendencia. Excepto cuando d 0, la media de { X t } no está determinada por la ecuación (6.1.1),
y en particular puede ser cero (como en el ejemplo 1.3.3). Dado que para d ≥ 1, la ecuación
(6.1.1) determina las propiedades de segundo orden de { ( 1 - B) d X t } pero no las de { X t }
(Problema 6.1), la estimación de φ , θ y σ 2 se basará en las diferencias observadas
( 1 - B) d X t . Se necesitan supuestos adicionales para la predicción (consulte la Sección 6.4).
Ejemplo 6.1.1 { X t } es un proceso ARIMA (1,1,0) si para algunos φ ∈ ( - 1 , 1 ) ,

(
( 1 - φB) ( 1 - B) X t Z t , { Z t } ∼ WN 0 , σ2) .
Entonces podemos escribir

∑t
Xt X0+ Yj,t≥1,
j1
dónde
∑∞
Yt ( 1 - B) X t φ j Z t-j .
j0
Una realización de { X 1 , ..., X 200 } con X 0 0, φ 0 . 8 y σ2 1 se muestra en

Figura 6.1, con la correspondiente autocorrelación de muestra y autocorrelación parcial
funciones en las Figuras 6.2 y 6.3, respectivamente.
Una característica distintiva de los datos que sugiere la idoneidad de un ARIMA

modelo es la función de autocorrelación de muestra positiva que decae lentamente en la Figura 6.2.
08
6
04
2
0
Figura 6-1
200 observaciones del
Serie ARIMA (1,1,0)
X t del ejemplo 6.1.1. 0 50 100 150 200
Página 4
1.0
0,8
0,6
0.4
ACF
0,2
0.0
-0,2
Figura 6-2
La muestra de ACF del 0 10 20 30 40
datos en la Figura 6.1. Retraso
Por lo tanto, si solo se nos dieran los datos y deseáramos encontrar un modelo apropiado,
Sería natural aplicar el operador ∇ 1 - B repetidamente con la esperanza de que para algunos
j , {∇ j X t } tendrá una función de autocorrelación de muestra que decae rápidamente compatible
con el de un proceso ARMA sin ceros del polinomio autorregresivo cerca del
circulo unitario. Para esta serie de tiempo en particular, una aplicación del operador ∇ produce
la realización que se muestra en la Figura 6.4, cuya muestra ACF y PACF (Figuras 6.5 y
1.0
0,8
0,6
0.4
PACF
0,2
0.0
-0,2
Figura 6-3
El PACF de muestra de 0 10 20 30 40
los datos de la Figura 6.1. Retraso
Página 5
6.6) sugieren un modelo AR (1) (o posiblemente AR (2)) para {∇ X t } . La máxima probabilidad

estimaciones de φ y σ 2 obtenidas de ITSM bajo el supuesto de que E ( ∇ X t ) 0
(que se encuentran al no restar la media después de diferenciar los datos) son .808 y .978,
respectivamente, dando el modelo
( 1 - 0 . 808 B) ( 1 - B) X t Z t , { Z t } ~ WN ( 0 , 0 . 978 ), (6 . 1 . 2)
que guarda un gran parecido con el verdadero proceso subyacente,

( 1 - 0 . 8 B) ( 1 - B) X t Z t , { Z t } ∼ WN ( 0 , 1 ). (6 . 1 . 3)
En lugar de diferenciar la serie de la figura 6.1, podríamos proceder más directamente al

intentando encajar en un proceso AR (2) como lo sugiere el PACF de muestra del original
serie en la Figura 6.3. Estimación de máxima verosimilitud, realizada mediante ITSM después
ajustando un modelo preliminar con el algoritmo de Burg y asumiendo que EX t 0, da
el modelo
( 1 - 1 . 808 B + 0 . 811 B 2 ) X t ( 1 - 0 . 825 B) ( 1 - . 983 B) X t Zt,
{ Z t } ~ WN ( 0 , 0 . 970 ), (6.1.4)
que, aunque estacionario, tiene coeficientes que se asemejan mucho a los de los
proceso estacionario (6.1.3). (Para obtener el modelo (6.1.4), se realizaron dos optimizaciones
realizado utilizando la opción Modelo> Estimación> Máxima verosimilitud de ITSM, la
primero con la configuración predeterminada y el segundo después de configurar el parámetro de precisión en
0.00001.)
A partir de una muestra de longitud finita será extremadamente difícil distinguir entre
un proceso no estacionario como (6.1.3), para el cual φ ∗ ( 1 ) 0, y un proceso como
-2
-4
Figura 6-4
199 observaciones de la
serie Y t ∇X t con -6
{X t } como en la Figura 6.1. 0 50 100 150 200
Página 6
1.0
0,8
0,6
0.4
ACF
0,2
0.0
-0,2
Figura 6-5
serie {Y t } en la Figura 6.4. Retraso
(6.1.4), que tiene coeficientes muy similares pero para los cuales φ ∗tiene todos sus ceros fuera
el círculo unitario. En cualquier caso, sin embargo, si es posible mediante la diferenciación generar un
serie con ACF de muestra que decae rápidamente, entonces se puede ajustar el conjunto de datos diferenciados
por un proceso ARMA de orden bajo cuyo polinomio autorregresivo φ ∗ tiene ceros que
están cómodamente fuera del círculo unitario. Esto significa que los parámetros ajustados
estar bien lejos del límite del conjunto de parámetros permitido. Esto es deseable
1.0
0,8
0,6
0.4
PACF
0,2
0.0
-0,2
Figura 6-6
El PACF de muestra del 0 10 20 30 40
serie {Y t } en la Figura 6.4. Retraso
Página 7
para el cálculo
métodos numéricoPor
de estimación. de estimaciones de parámetros
ejemplo, si aplicamos y puede ser
las ecuaciones de bastante crítico
Yule-Walker para
para algunos
ajustar un
Modelo AR (2) a los datos de la Figura 6.1, obtenemos el modelo
( 1 - 1 . 282 B + 0 . 290 B 2 ) X t Z t , { Z t } ~ WN ( 0 , 6 . 435 ), (6 . 1 . 5)
que tiene poco parecido con el modelo de máxima verosimilitud (6.1.4) o el modelo
verdadero modelo (6.1.3). En este caso la matriz R 2 que aparece en (5.1.7) es casi singular.
Una limitación obvia al ajustar un proceso ARIMA ( p, d, q ) { X t } a los datos es que
Se permite que { X t } sea no estacionario solo de una manera muy especial, es decir, al permitir que
polinomio φ ∗ (B) en la representación φ ∗ (B) X t Z t para tener un cero de multiplicidad
d en el punto 1 del círculo unitario. Tales modelos son apropiados cuando la muestra ACF
es una función positiva que decae lentamente como en la Figura 6.2, ya que la autocorrelación de la muestra
las funciones de esta forma están asociadas con modelos φ ∗ (B) X t θ (B) Z t en el que φ ∗
tiene un cero en o cerca de 1.
Autocorrelaciones de muestra con un comportamiento oscilatorio que decae lentamente como en la Figura
6.8 están asociados con modelos φ ∗ (B) X t θ (B) Z t en el que φ ∗ tiene un cero cercano a e iω
para algunos ω ∈ ( - π, π ] distintos de 0. La figura 6.8 es la muestra de ACF de la serie de 200
observaciones en la Figura 6.7, obtenidas de ITSM mediante la simulación del proceso AR (2)
X t - ( 2 r −1 cos ω) X t −1 + r −2 X t −2 Z t , { Z t } ∼ WN ( 0 , 1 ), (6 . 1 . 6)
con r 1 . 005 y ω π / 3, es decir,
X t - 0 . 9950 X t −1 + 0 . 9901 X t −2 Z t , { Z t } ∼ WN ( 0 , 1 ).
10
-5
Figura 6-7
200 observaciones de
el proceso AR (2)
definido por (6.1.6) con -10
r 1.005 y ω π / 3. 0 50 100 150 200
Página 8
1.0
0,5
ACF 0.0
-0,5
Figura 6-8 -1,0

La función de autocorrelación del modelo (6.1.6) se puede derivar observando que

( ) ( )( )
1- B + r −2 B 2
2 r −1 porque ω 1 - r −1 e iω B 1 - r −1 e - iω B (6 . 1 . 7)
y usando (3.2.12). Esto da
ρ (h) r -h
pecado (hω + ψ), h ≥ 0 ,
(6 . 1 . 8)
pecado ψ
dónde
r2+1
bronceado ψ bronceado ω. (6 . 1 . 9)
r2-1
De estas ecuaciones se desprende claramente que

ρ (h) → cos (hω) como r ↓ 1 . (6 . 1 . 10)
Con r 1 . 005 y ω π / 3 como en el modelo que genera la Figura 6.7, el modelo

ACF (6.1.8) es una onda sinusoidal amortiguada con amortiguación de relación 1 / 1 . 005 y período 6. Estos
Las propiedades se reflejan en el ACF de muestra que se muestra en la Figura 6.8. Para valores de r más cercanos
a 1, la amortiguación será aún más lenta a medida que el modelo ACF se acerque a su forma límite
(6.1.10).
Si simplemente nos dieran los datos que se muestran en la Figura 6.7, sin indicación de
el modelo a partir del cual se generó, la muestra sinusoidal lentamente amortiguada ACF
con el período 6 sugeriría intentar hacer que la muestra de ACF decaiga más ( rápidamente
aplicando el operador (6.1.7) con r 1yω π / 3, es decir,
1 - B + B2) . Si se
sucede, como en este caso, que el período 2 π / ω está cerca de algún entero s (en este caso
6), luego el operador 1 - B s también se puede aplicar para producir una serie con más rapidez
Página 9
6.2 Técnicas de identificación 187
función de autocorrelación en descomposición (véase también la Sección 6.5). Las figuras 6.9 y 6.10 muestran
las funciones de autocorrelación de muestra obtenidas después de aplicar los operadores 1 - B + B 2
y 1 - B 6 , respectivamente, a los datos que se muestran en la Figura 6.7. Para cualquiera de estos dos
series diferenciadas, entonces no es difícil ajustar un modelo ARMA φ (B) X t θ (B) Z t
para lo cual los ceros de φ están fuera del círculo unitario. Técnicas para identificar
y la determinación de tales modelos ARMA ya se han introducido en el Capítulo 5. Para
conveniencia, los recopilaremos juntos en las siguientes secciones con un número
de ejemplos ilustrativos.
6.2 Técnicas de identificación
(a) Transformaciones preliminares. Los métodos de estimación del Capítulo 5 nos permiten
encontrar, para valores dados de p y q , un ARMA ( p, q modelo) para adaptarse a una determinada serie de datos.
Para que este procedimiento sea significativo, debe ser al menos plausible que los datos estén en
hecho una realización de un proceso ARMA y en particular una realización de un estacionario
proceso. Si los datos muestran características que sugieren no estacionariedad (por ejemplo, tendencia y
estacionalidad), entonces puede ser necesario hacer una transformación para producir una
nueva serie que es más compatible con el supuesto de estacionariedad.
Las desviaciones de la estacionariedad pueden ser sugeridas por el gráfico de la propia serie o
por la función de autocorrelación de la muestra o ambas.
La inspección del gráfico de la serie ocasionalmente revelará una fuerte dependencia
de la variabilidad en el nivel de la serie, en cuyo caso los datos deben ser primero
transformado para reducir o eliminar esta dependencia. Por ejemplo, la Figura 1.1 muestra
1.0
0,5
ACF
0.0
Figura 6-9 -0,5

La muestra ACF de
(1 - B + B 2 ) X t con 0 10 20 30 40
{X t } como en la Figura 6.7. Retraso
Página 10
1.0
0,5
ACF
0.0
Figura 6-10 -0,5

La muestra ACF
de (1 - B 6 ) X t con 0 10 20 30 40
{X t } como en la Figura 6.7. Retraso
las ventas mensuales de vino tinto en Australia desde enero de 1980 hasta octubre de 1991,
y la Figura 1.17 muestra cómo se reduce la creciente variabilidad con el nivel de ventas
tomando logaritmos naturales de la serie original. La transformación logarítmica
Vt ln U t usado aquí es de hecho apropiado siempre que { U t } sea una serie cuyo estándar
la desviación aumenta linealmente con la media. Para un relato sistemático de una clase general
de las transformaciones estabilizadoras de la varianza, remitimos al lector a Box y Cox (1964).
La ecuación definitoria para la transformación general de Box-Cox f λ es
{
λ −1 (U λ
f λ (U t ) t - 1 ), U t ≥ 0 , λ> 0 ,
En U t , Ut>0,λ 0,
y el programa ITSM brinda la opción ( Transformar> Box-Cox ) de aplicar f λ

(con 0 ≤ lambda ≤ 1 . 5) antes de la eliminación de la tendencia y / o estacionalidad de los datos.
En la práctica, si es necesaria una transformación de Box-Cox, a menudo ocurre que
f 0 o f 0 . 5 es adecuado.
La tendencia y la estacionalidad generalmente se detectan al inspeccionar el gráfico del (posiblemente
transformada) serie. Sin embargo, también se caracterizan por funciones de autocorrelación.
que están decayendo lentamente y casi periódicos, respectivamente. La eliminación de la tendencia
y la estacionalidad se discutió en la Sección 1.5, donde describimos dos métodos:
yo. "Descomposición clásica" de la serie en un componente de tendencia, una composición estacional

componente, y un componente residual aleatorio, y
ii. diferenciación.
Página 11
600
400
200
Figura 6-11
-200
El rojo australiano
datos del vino después de tomar
logaritmos naturales y
-400
eliminando una temporada
componente
12 del período
y una tendencia lineal. 0 20 40 60 80 100 120
El programa ITSM (en la opción Transformar ) ofrece una opción entre estas tecnologías
niques. Los resultados de aplicar los métodos (i) y (ii) a los datos de vino tinto transformados
Vt ln U t en la figura 1.17 se muestran en las figuras 6.11 y 6.12, respectivamente. Figura
6.11 se obtuvo de ITSM estimando y eliminando de { V t } una tendencia lineal
componente y un componente ( estacional con el período 12. La Figura 6.12 se obtuvo por
aplicando el operador 1 - B 12 ) a { V t } . Ninguna de las dos series resultantes muestra
cualquier desviación aparente de la estacionariedad,
{ ni su función
} de autocorrelación de muestra
ciones. La muestra ACF y PACF de ( 1 - B 12 ) V t se muestran en las Figuras 6.13 y
6.14, respectivamente.
Después de la eliminación de tendencia y estacionalidad, todavía es posible que la muestra
La función de autocorrelación puede parecer la de una función no estacionaria (o casi no estacionaria).
proceso), en cuyo caso puede llevarse a cabo una diferenciación adicional.
En la Sección 1.5 también mencionamos un tercer enfoque posible:
iii. ajustando una suma de armónicos y una tendencia polinomial para generar una secuencia de ruido
que consta de los residuos de la regresión.
En la sección 6.6 discutimos las modificaciones al análisis clásico de regresión de mínimos cuadrados.
sis que permiten la dependencia entre los residuos de la regresión. Estas modificaciones
Las opciones se implementan en la opción ITSM Regresión> Estimación> Generalizada
LS .
(b) Identificación y estimación. Sea { X t } la transformada con corrección media
serie encontrada como se describe en (a). El problema ahora es encontrar el más satisfactorio
Modelo ARMA ( p, q ) para representar { X t } . Si p y q se conocen de antemano, esto
ser una aplicación sencilla de las técnicas de estimación descritas en el Capítulo 5.
Pagina 12
800
600
400
200
Figura 6-12 -200
El rojo australiano
datos del vino después de tomar
-400
logaritmos naturales y
diferenciar en el retraso 12. 0 20 40 60 80 100 120
Sin embargo, este no suele ser el caso, por lo que también es necesario identificar
valores de Priate para p y q .
Podría parecer a primera vista que los más altos los valores elegidos para p y q , la
mejor será el modelo ajustado resultante. Sin embargo, como se señaló en la Sección 5.5,
La estimación de un número demasiado grande de parámetros introduce errores de estimación que
afectar negativamente el uso del modelo ajustado para la predicción, como se ilustra en la Sección 5.4.
Por lo tanto, minimizamos uno de los criterios de selección del modelo discutidos en la Sección 5.5 en
1.0
0,5
ACF
0.0
Figura 6-13 -0,5

Página 13
1.0
0,5
PACF
0.0
Figura 6-14 -0,5

El PACF de muestra de 0 10 20 30 40
los datos de la Figura 6.12. Retraso
Para elegir los valores de p y q . Cada uno de estos criterios incluye un término de penalización
para desalentar el ajuste de demasiados parámetros. Tomemos como base nuestra elección de p y
q principalmente en la minimización de la estadística AICC, definida como
AICC (φ, θ) - 2 ln L (φ, θ, S (φ, θ) / n) + 2 (p + q + 1 ) n / (n - p - q - 2 ), (6 . 2 . 1)
donde L (φ, θ,( σ 2 ) es la probabilidad de los datos bajo el modelo ARMA gaussiano con
parámetros φ, θ, σ 2 ) , y S (φ, θ) es la suma residual de cuadrados definida en (5.2.11).
Una vez que se ha encontrado un modelo que minimiza el valor AICC, es necesario
para comprobar la bondad del ajuste del modelo (esencialmente comprobando que los residuos son
como ruido blanco) como se discutió en la Sección 5.3.
Para cualquier valores fijos de p y q , las estimaciones de máxima verosimilitud de φ y θ
son los valores que minimizan el AICC. Por lo tanto, el modelo AICC mínimo (sobre cualquier
rango dado de p y q valores) se puede encontrar mediante el cálculo de la máxima probabilidad
estimadores para cada uno fijo p y q y eligiendo entre éstos el de máxima verosimilitud
modelo con el valor más pequeño de AICC. Esto se puede hacer con el programa ITSM
utilizando la opción Modelo> Estimación> Ajuste automático . Cuando se selecciona esta opción y
límites superior e inferior para p y q son especificados, el programa ajusta máxima como-
modelos de vida para cada par (p, q) en el rango especificado y selecciona el modelo con
valor de AICC más pequeño. Si algunas de las estimaciones de los coeficientes son pequeñas en comparación con
sus desviaciones estándar estimadas, modelos de subconjunto de máxima verosimilitud (con los
coeficientes establecidos en cero) también se pueden explorar.
Los pasos en la identificación y estimación del modelo se pueden resumir de la siguiente manera:
Página 14
• Después de transformar los datos (si es necesario) para hacer el ajuste de un ARMA ( p, q )
modelo razonable, examine la muestra de ACF y PACF para tener una idea del potencial
tial p y q valores. Estimación preliminar utilizando la opción ITSM Modelo> Estimación
mation> Preliminary también es útil a este respecto. Algoritmo de Burg con AICC
La minimización ajusta rápidamente las autorregresiones de todos los pedidos hasta 27 y selecciona el
con valor mínimo de AICC. Para la estimación preliminar de modelos con q> 0,
cada par ( p, q ) debe considerarse por separado.
• Seleccione la opción Modelo> Estimación> Ajuste automático de ITSM. Especifique el requerido
límites de p y q , y el programa A continuación, utilizar la estimación de máxima verosimilitud
para encontrar el modelo mínimo AICC con p y q en el rango especificado.
• El examen de los coeficientes ajustados y sus errores estándar puede sugerir que
algunos de ellos se pueden poner a cero. Si este es el caso, entonces un modelo de subconjunto puede
montarse haciendo clic en el botón Restringir la optimización en el máximo
Cuadro de diálogo Estimación de probabilidad y configuración de los coeficientes seleccionados para
cero. La optimización dará entonces el modelo de máxima verosimilitud con la selección
sen coeficientes restringidos a cero. El modelo restringido es evaluado por
comparando su valor AICC con los de los otros modelos candidatos.
• Verifique los modelos candidatos para ver si se ajustan bien como se describe en la Sección 5.3.
Estas pruebas se pueden realizar seleccionando la opción Estadísticas> Residual
Análisis .
Ejemplo 6.2.1 Los datos del vino tinto australiano
Sea { X 1 , ..., X 130 } la serie obtenida de los datos del vino tinto del ejemplo 1.1.1
después de tomar logaritmos naturales, diferenciar en el retraso 12 y restar la media
(0.0681) de las diferencias. Los datos antes de la corrección media se muestran en la figura.
ure 6.12. El PACF de muestra de { X t } , que se muestra en la Figura 6.14, sugiere que un AR (12)
El modelo puede ser apropiado para esta serie. Para explorar esta posibilidad usamos el
Opción ITSM Modelo> Estimación> Preliminar con algoritmo de Burg y AICC
minimización. Como se anticipó, los modelos Burg equipados tienen un AICC mínimo
cuando p 12. El modelo ajustado es
(
1 - . 245 B - . 069 B 2 - . 012 B 3 - . 021 B 4 - . 200 B 5 + . 025 B 6 + . 004 B 7
- . 133 B 8 + . 010 B 9 - . 095 B 10 + . 118 B 11 + . 384 B 12 ) Xt Zt,
con { Z t } ~ WN ( 0 , 0 . 0135 ) y el valor AICC - 158 . 77. Seleccionando la opción Modelo>

Estimación> Máxima verosimilitud entonces da el modelo de máxima verosimilitud AR (12),
que es muy similar al modelo Burg y tiene un valor AICC de -158,87. Inspección de la
Los errores estándar de los estimadores de coeficientes sugieren la posibilidad de establecerlos en
retrasos 2,3,4,6,7,9,10, y 11 igual a cero. Si hacemos esto haciendo clic en Restringir
botón de optimización en el cuadro de diálogo Estimación de máxima verosimilitud y
Página 15
6.3 Raíces unitarias en modelos de series temporales 193
luego reoptimizamos, obtenemos el modelo,

(
1 - . 270 B - . 224 B 5 - . 149 B 8 + . 099 B 11 + . 353 B 12 ) Xt Zt,
con { Z t } ~ WN ( 0 , 0 . 0138 ) y el valor AICC - 172 . 49 .

Para consultar modelos ARMA ( p, q ) más generales , seleccione la opción Modelo>
Estimación> Ajuste automático y especificar los valores mínimo y máximo de P y
q sea cero y 15, respectivamente. (Los ejemplos de ACF y PACF sugieren que estos
Los límites deberían ser más que adecuados para incluir el modelo AICC mínimo).
unos minutos (dependiendo de la velocidad de su computadora) el programa selecciona un
Modelo ARMA (1,12) con valor AICC - 172 . 74, que es ligeramente mejor que el
subconjunto AR (12) modelo recién encontrado. Inspección de las desviaciones estándar estimadas de
los coeficientes MA en los rezagos 1, 3, 4, 6, 7, 9 y 11 sugieren establecerlos en cero
y reestimar los valores de los coeficientes restantes. Si hacemos esto haciendo clic en
el botón Restringir optimización en la Estimación de máxima verosimilitud
cuadro de diálogo, estableciendo los coeficientes requeridos a cero y luego reoptimizando, obtenemos
el modelo,
(
( 1 - . 286 B) X t 1 + . 127 B 2 + . 183 B 5 + . 177 B 8 + . 181 B 10 - . 554 B 12 ) Zt,
con { Z t } ~ WN ( 0 , 0 . 0120 ) y el valor de AICC - 184 . 09 .

El modelo de subconjunto ARMA (1,12) pasa fácilmente todas las pruebas de bondad de ajuste en el
Estadísticas> Opción de análisis residual . En vista de esto y su pequeño valor AICC,
lo aceptamos como un modelo plausible para la serie transformada de vino tinto.
Ejemplo 6.2.2 Los datos del lago
Sea { Y t , t 1 , ..., 99 } denota los datos del lago del ejemplo 1.3.5. Hemos visto todo
listo en el Ejemplo 5.2.5 que la opción ITSM Modelo> Estimación> Ajuste automático da
el modelo mínimo-AICC
X t - 0 . 7446 X t −1 Z t + 0 . 3213 Z t -1 , { Z t } ~ WN ( 0 , 0 . 4750 ),
para la serie X t con corrección media Y t - 9 . 0041. El valor AICC correspondiente es
212,77. Dado que el modelo pasa todas las pruebas de bondad de ajuste, lo aceptamos como un
modelo para los datos.
6.3 Raíces unitarias en modelos de series temporales
El problema de la raíz unitaria en las series de tiempo surge cuando el autorregresivo o el

El polinomio promedio de un modelo ARMA tiene una raíz en o cerca del círculo unitario. UN
La raíz unitaria en cualquiera de estos polinomios tiene implicaciones importantes para el modelado.
Por ejemplo, una raíz cercana a 1 del polinomio autorregresivo sugiere que los datos
debe diferenciarse antes de ajustar un modelo ARMA, mientras que una raíz cerca de 1 de
Página 16
el polinomio de promedio móvil indica que los datos estaban sobrediferenciados. En esto
sección, consideramos los procedimientos de inferencia para detectar la presencia de una raíz unitaria en
los polinomios autorregresivos y de media móvil.
6.3.1 Raíces unitarias en autorregresiones
En la sección 6.1 discutimos el uso de la diferenciación para transformar un tiempo no estacionario

serie con un ACF de muestra que decae lentamente y valores cercanos a 1 en pequeños retrasos en uno con
una muestra de ACF que disminuye rápidamente. El grado de diferenciación de una serie de tiempo { X t } fue
determinado
{ en gran } medida aplicando el operador de diferencia repetidamente hasta que la muestra
ACF de ∇ d X t decae rápidamente. La serie de tiempo diferenciada podría entonces ser modelada por
un bajo orden ARMA (p, q) de proceso, y por tanto la ARIMA( resultante (p, d, q) modelo )
para los datos originales tiene un polinomio autorregresivo 1 - φ 1 z - ··· - φ p z p ( 1 - z) d
(ver (6.1.1)) con d raíces en el círculo unitario. En esta subsección discutimos más
enfoque sistemático para probar la presencia de una raíz unitaria del autorregresivo
polinomio para decidir si se debe diferenciar o no una serie de tiempo. Esta
Dickey y Fuller (1979) fueron pioneros en este enfoque.
Sean X 1 , ..., X n observaciones del modelo AR (1)
(
Xt-µ φ 1 (X t −1 - µ) + Z t , { Z t } ∼ WN 0 , σ 2 ) , (6 . 3 . 1)
donde | φ 1 | < 1 y µ ( EX t . Para valores grandes de n , el estimador de máxima verosimilitud φ 1 de φ 1

( ) )
es aproximadamente Nφ 1 , 1 - φ 2 1 /norte . Para el caso de raíz unitaria, esta aproximación normal
ya no es aplicable, ni siquiera asintóticamente, lo que excluye su uso para probar el
hipótesis de raíz unitaria H 0 : φ 1 1 frente a H 1 : φ 1 < 1 . Para construir una prueba de H 0 , escriba el
modelo (6.3.1) como
(
∇Xt X t - X t −1 φ∗ { Z t } ∼ WN 0 , σ 2 ) , (6 . 3 . 2)
0 + φ ∗ 1 X t −1 + Z t ,
donde φ ∗ 0 µ ( 1 - φ 1) y φ ∗ φ 1 - 1. Ahora vamos φ *
1 ser los mínimos cuadrados ordinarios
1
(MCO) estimador de φ ∗
1 encontrado haciendo una regresión de ∇ X t en 1 y X t −1 . El estándar estimado
error de φ *
1 es
( ) −1 / 2
( ) ∑norte( )2
̂ φ* S X t −1 - ¯ X ,
SE 1
t2
∑n ( )2
donde S 2 t2
∇Xt-φ* / (n - 3 ) y ¯ X es la media muestral de
0 - φ* 1 X t −1
X 1 , ..., X n −1 . Dickey y Fuller derivaron la distribución límite como n → ∞ de la
t -ratio
( )
̂
Tau mu : φ * SE φ*
1 (6 . 3 . 3)
1/
bajo el supuesto de raíz unitaria φ ∗ 1 0, a partir del cual una prueba de la hipótesis nula
H 0: φ 1 Se puede construir 1. Los cuantiles .01, .05 y .10 de la distribución límite
de tau mu (véase la Tabla 8.5.2 de Fuller, 1976) son - 3 . 43, - 2 . 86 y - 2 . 57, respectivamente.
Página 17
La prueba de Dickey-Fuller aumentada luego rechaza la hipótesis nula de una raíz unitaria,
en la opinión, el nivel .05 si tau mu < - 2 . 86. Observe que el valor de corte para esta estadística de prueba es
mucho menor que el valor de corte estándar de - 1 . 645 obtenido de la normal
aproximación a la distribución t , por lo que es menos probable que la hipótesis de la raíz unitaria
ser rechazado utilizando la distribución de límites correcta.
El procedimiento anterior se puede extender al caso donde { X t } sigue al AR (p)
modelo con media µ dada por
( ) (
Xt-µ φ 1 ( X t −1 - µ ) + ··· + φ p X t-p - µ +Zt, { Z t } ∼ WN 0 , σ2) .
Este modelo se puede reescribir como (ver Problema 6.2)

∇Xt φ∗ (6 . 3 . 4)
+ φ ∗ 1 X t −1 + φ ∗ p ∇ X t - p +1 + Z t ,
( 0 2
) X t −1 + ··· ∑
∇ + pφ ∗ ∑p
donde φ 0 µ 1 - φ 1 - ··· - φ p ,φ∗ -
i1φi- 1 y φ∗
j
1 ij φ yo , j
2 , ..., pág . Si el polinomio autorregresivo tiene una raíz unitaria en 1, entonces 0 φ (1) -φ∗
1,
y la serie diferenciada {∇ X t } es un proceso AR (p - 1 ) . En consecuencia, probar el
La hipótesis de una raíz unitaria en 1 del polinomio autorregresivo es equivalente a probar
φ∗ 0. Como en el ejemplo de AR (1), φ ∗
1 puede estimarse como el coeficiente de X t −1 en
1
la regresión MCO de ∇ X t sobre 1 , X t −1 , ∇ X t −1 , ..., ∇ X t - p +1 . Para grandes n la t -ratio
( )
̂
Tau mu : φ * SE φ* ,
1 (6 . 3 . 5)
1/
( )
φ*
donde SE es el error estándar estimado de φ *
1 , tiene la misma distribución de límites
1
como el estadístico de prueba en (6.3.3). En este caso se aplica la prueba aumentada de Dickey-Fuller
exactamente de la misma manera que para el caso AR (1) utilizando el estadístico de prueba (6.3.5) y
los valores de corte dados anteriormente.
Ejemplo 6.3.1 Considere probar la serie de tiempo del Ejemplo 6.1.1 (ver Figura 6.1) para la presencia
de una raíz unitaria en el operador autorregresivo. El PACF de muestra en la Figura 6.3 sugiere
gestos que se ajustan a un modelo AR (2) o posiblemente un modelo AR (3) a los datos. Regresando ∇ X t en
1 , X t −1 , ∇ X t −1 , ∇ X t −2 para t 4 , ..., 200 usando OLS da
∇Xt . 1503 - . 0041 X t −1 + . 9335 ∇ X t −1 - . 1548 ∇ X t −2 + Z t ,
(. 1135 ) (. 0028 ) (. 0707 ) (. 0708 )
donde { Z t } ~ WN ( 0 ,. 9639 ) . La estadística de prueba para probar la presencia de una raíz unitaria
es
- . 0041
tau mu . 0028 - 1 . 464 .
Desde - 1 . 464 > - 2 . 57, la hipótesis de la raíz unitaria no se rechaza en el nivel .10. En
Por el contrario, si hubiéramos utilizado erróneamente la distribución t con 193 grados de libertad como
una aproximación a tau mu , entonces habría rechazado la hipótesis de raíz unitaria en el
.10 nivel (el valor p es .074). Las razones t para los otros coeficientes, φ ∗
0 , φ ∗2 y φ ∗ 3 , tener
Página 18
una distribución t aproximada con 193 grados de libertad. Según estas relaciones t ,
la intersección debe ser 0, mientras que el coeficiente de ∇ X t −2 es apenas significativo. los
La evidencia es mucho más fuerte a favor de una raíz unitaria si el análisis se repite sin un
término medio. El modelo ajustado sin término medio es
∇Xt . 0012 X t −1 + . 9395 ∇ X t −1 - . 1585 ∇ X t −2 + Z t ,
(. 0018 ) (. 0707 ) (. 0709 )
donde { Z t } ~ WN ( 0 ,. 9677 ) . Los valores de corte de .01, .05 y .10 para el correspondiente
el estadístico de prueba cuando se excluye un término medio del modelo son - 2 . 58, - 1 . 95, y
- 1 . 62 (ver Tabla 8.5.2 de Fuller, 1976). En este ejemplo, la estadística de prueba es
- . 0012
τ - . 667 ,
. 0018
que es sustancialmente mayor que el valor 0,10 de corte de - 1 . 62.
(
Nuevas extensiones de la prueba anterior a los modelos AR con p O n 1 / 3 ) y para
Los modelos ARMA (p, q) se pueden encontrar en Said y Dickey (1984). Sin embargo, como se informó
en Schwert (1987) y Pantula (1991), esta prueba debe usarse con precaución si el
los pedidos del modelo subyacente no se especifican correctamente.
6.3.2 Raíces unitarias en medias móviles
Una raíz unitaria en el polinomio de media móvil puede tener varias interpretaciones
dependiendo de la aplicación de modelado. Por ejemplo, sea { X t } un causal e inverso
ible proceso ARMA ( p, q) que satisface las ecuaciones
(
φ (B) X t θ (B) Z t , { Z t } ∼ WN 0 , σ2) .
Entonces la serie diferenciada Y t : ∇ X t es un proceso ARMA (p, q + 1 ) no invertible

con polinomio de media móvil θ (z) ( 1 - z) . En consecuencia, probar una raíz unitaria en
el polinomio de media móvil es equivalente a probar que la serie de tiempo ha sido
sobrediferenciado.
Como segunda aplicación, es posible distinguir entre los competidores
modelos
∇kXt a+Vt
y
Xt c 0 + c 1 t + ··· + c k t k + W t ,
donde { V t } y { W{ t } son }procesos ARMA invertibles. Para el modelo anterior, la diferencia

serie diferenciada ∇ k X t no tiene raíces unitarias de media móvil, mientras que para el último modelo
{∇ k X t } tiene una raíz unitaria de media móvil múltiple de orden k . Por tanto, podemos distinguir
{ }
diferenciar entre los dos modelos utilizando los valores observados de ∇kXt para probar el
presencia de una raíz unitaria de media móvil.
Página 19
Limitamos nuestro análisis de las pruebas de raíz unitaria a modelos de promedio móvil de primer orden,
el caso general es considerablemente más complicado y no está completamente resuelto. Dejar
X 1 , ..., X n sean observaciones del modelo MA (1)
(
Xt Z t + θZ t −1 , { Z t } ∼ IID 0 , σ2) .
Davis y Dunsmuir (1996) mostraron que bajo el supuesto θ - 1 , n ( θ + 1 ) ( θ es

el estimador de máxima verosimilitud) converge en la distribución. Una prueba de H 0 : θ -1
vs H 1 : θ> - 1 puede modelarse sobre este resultado límite rechazando H 0 cuando
Θ> - 1 + c α / n,
( )
Θ+1
donde c α es el cuantil ( 1 - α) de la distribución límite de n . (De la tabla
3.2 de Davis, Chen y Dunsmuir (1995), c . 01 11 . 93 , c . 05 6 . 80 y c . 10
4 . 90.) En particular, si n 50, entonces la hipótesis nula se rechaza en el nivel .05 si
Θ> - 1 + 6 . 80 / 50 - . 864.
La prueba de razón de verosimilitud también se puede utilizar
( para )probar la hipótesis
( de la raíz unitaria. los
Θ, sigma 2 θ, σ 2 ) es
La razón de probabilidad para este problema es L ( - 1 , S ( - 1 ) / n) / L , donde L
la probabilidad gaussiana de los datos basados en un modelo MA (1), S ( - 1 ) es la suma de
cuadrados dados por (5.2.11) cuando θ - 1, y θ y σ 2 son la máxima verosimilitud
estimadores de θ y σ 2 . La hipótesis nula se rechaza en el nivel α si
L ( - 1 , S ( - 1 ) / n)
λ n : - 2 ln ( ) > c LR , α
L Θ, sigma 2
donde el valor de corte se elige tal que P θ −1 [ λ n > c LR , α ] α . El límite dis-

La distribución de λ n fue obtenida por Davis et al. (1995), quien también dio cuantiles seleccionados
del límite. Se encontró que estos cuantiles proporcionan una buena aproximación a su
contrapartes de muestra finita para series de tiempo de longitud n ≥ 50. Los cuantiles limitantes
para λ n bajo H 0 son c LR ,. 01 4 . 41 , c LR ,. 05 1 . 94, y c LR ,. 10 1 . 00.
Ejemplo 6.3.2 Para los datos sobrecortados { X t } del ejemplo 3.2.8, el modelo MA (1) de máxima verosimilitud
para la media de datos corregidos { Y t X t + 4 . 035 } era (consulte el Ejemplo 5.4.1)
Yt Z t - 0 . 818 Z t -1 , { Z t } ~ WN ( 0 , 2040 . 75 ).
En la formulación estructural de este modelo dada en el ejemplo 3.2.8, la media móvil

El parámetro θ estaba relacionado con las varianzas del error de medición
U y
σ 2σ 2 V a través de
ecuación
θ - σ 2U
.
1 + θ2 2 σU2 + σ 2 V
(Estas variaciones de error corresponden a las cantidades medidas diarias de combustible en el tanque
y los ajustes medidos diarios debidos a ventas y entregas.) Un valor de θ -1
Página 20
indica que no hay un error de medición apreciable debido a las ventas y la entrega
ies (es decir,Vσ 2 0), y por lo tanto, probar una raíz unitaria en este caso es equivalente a
probando que σ 2U 0. Suponiendo que se conoce la media, la hipótesis de raíz unitaria
sis se rechaza en α . 05, desde - . 818 > - 1 + 6 . 80 / 57 - . 881. La prueba
contra H 0 es más fuerte usando el estadístico de razón de verosimilitud. Usando ITSM e ingresando
el modelo MA (1) θ -1yσ2 2203 . 12, nos encontramos con que - 2 ln L ( - 1 , 2203 . 12 )
604 . 584, mientras que - 2 ln L ( θ, σ 2 ) 597 . 267. Comparación de la estadística de razón de verosimilitud
λn 604 . 584 - 597 . 267 7 . 317 con el valor de corte c LR ,. 01 , rechazamos H 0 al nivel
α . 01 y concluir que el error de medición asociado con ventas y entregas
es distinto de cero.
En el ejemplo anterior se asumió que se conocía la media. En la práctica, estos
Las pruebas deben ajustarse por el hecho de que también se está estimando la media.
Tanaka (1990) propuso una prueba insesgada invariante localmente mejor (LBIU) para la unidad
hipótesis raíz. Se encontró que la prueba LBIU tiene una potencia ligeramente mayor que la
- 1 pero
prueba de razón de verosimilitud para alternativas cercanas a θtiene menos poder para las alternativas
más lejos de - 1 (ver Davis et al., 1995). La prueba LBIU se ha ampliado a
cubre modelos más generales de Tanaka (1990) y Tam y Reinsel (1995). Similar
extensiones a las pruebas basadas en el estimador de máxima verosimilitud y la probabilidad
La estadística de razón se ha explorado en Davis, Chen y Dunsmuir (1996).
6.4 Pronóstico de modelos ARIMA
En esta sección demostramos cómo se pueden adaptar los métodos de las secciones 3.3 y 5.4
para pronosticar los valores futuros de un proceso ARIMA ( p, d, q ) { X t } . (El nu-
Todos los cálculos mericales se pueden realizar utilizando el programa ITSM.)
Si d ≥ 1, el primer y segundo momento EX t y E (X t + h X t ) no están determinados
por las ecuaciones en diferencias (6.1.1). Por tanto, no podemos esperar determinar la mejor
predictores lineales para { X t } sin más supuestos.
Por ejemplo, suponga que { Y t } es un proceso ARMA ( p, q ) causal y que X 0 es
cualquier variable aleatoria. Definir
∑t
Xt X0+ Yj,t 1 , 2 , ....
j1
Entonces { X t , t ≥ 0 } es un proceso ARIMA ( p, 1 , q ) con una media EX t EX 0 y au-

tocovarianzas E (X t + h X t ) - (EX 0 ) 2 que dependen de Var (X 0 ) y Cov (X 0 , Y j ) , j
1 , 2 , .... El mejor predictor lineal de X n +1 basado en { 1 , X 0 , X 1 , ..., X n } es el mismo
como el mejor predictor lineal en términos del conjunto { 1 , X 0 , Y 1 , ..., Y n } , ya que cada lineal
La combinación de los últimos es una combinación lineal de los primeros y viceversa. Por lo tanto,
usando P n para denotar el mejor predictor lineal en términos de cualquier conjunto y usando la linealidad
Página 21
6.4 Pronóstico de modelos ARIMA 199
de P n , podemos escribir
P n X n +1 P n (X 0 + Y 1 + ··· + Y n +1 ) P n (X n + Y n +1 ) X n + P n Y n +1 .
Para evaluar P n Y n +1 es necesario (ver Sección 2.5) conocer E (X 0 Y j ), j 1 , ..., n + 1,

y EX 2
0 . Sin embargo, si asumimos que X 0 no está correlacionado con { Y t , t ≥ 1 } , entonces
P n Y n 1 es el mismo (Problema 6.5) como el mejor predictor lineal Y n 1 de Y n 1 en términos de
{ 1 , Y 1 , ..., Y n } , que se puede calcular como se describe en la Sección 3.3. La suposición
que X 0 no está correlacionado con Y 1 , Y 2 , ... por lo tanto, es suficiente para determinar el mejor lineal
predictor P n X n +1 en este caso.
Pasando ahora al caso general, asumiremos que nuestro proceso observado { X t }
satisface las ecuaciones en diferencias
( 1 - B) d X t Yt,t 1 , 2 , ...,
donde { Y t } es un proceso ARMA causal ( p, q ), y que el vector aleatorio (X 1− d , ... ,

X 0 ) no está correlacionado con Y t , t> 0. Las ecuaciones en diferencias se pueden reescribir en el
formar
( )
∑re re
Xt Yt- ( - 1 ) j X t-j , t 1 , 2 , .... (6 . 4 . 1)
j1
j
Es conveniente, al volver a etiquetar el eje del tiempo si es necesario, asumir que observamos
X 1− d , X 2− d , ..., X n . (Los valores observados de { Y t } son entonces Y 1 , ..., Y n .) Como es habitual,
utilizará P n para denotar la mejor predicción lineal en términos de las observaciones hasta el momento n
(en este caso 1 , X 1− d , ..., X n o equivalentemente 1 , X 1− d , ..., X 0 , Y 1 , ..., Y n ).
Nuestro objetivo es calcular los mejores predictores lineales P n X n + h . Esto se puede hacer
aplicando el operador P n a cada lado de (6.4.1) (con t n + h ) y usando la linealidad
de P n para obtener
( )
∑re re
P n X n+h P n Y n+h - ( - 1 ) j P norte X norte + h - j . (6 . 4 . 2)
j1
j
Ahora bien, la suposición de que (X 1− d , ..., X 0 ) no está correlacionada con Y t , t> 0, nos permite
identificar P n Y n + h con el mejor predictor lineal de Y n + h en términos de { 1 , Y 1 , ..., Y n } , y
esto se puede calcular como se describe en la Sección 3.3. Se obtiene el predictor P n X n +1
directamente de (6.4.2) notando que P n X n + 1− j X n + 1− j para cada j ≥ 1. El predictor
P n X n +2 se puede encontrar a partir de (6.4.2) utilizando el valor calculado previamente de
P n X n +1 . Los predictores P n X n +3 , P n X n +4 , ... se pueden calcular de forma recursiva en el mismo
camino.
Para encontrar el error cuadrático medio de la predicción es conveniente expresar P n Y n + h
en términos de { X j } . Para n ≥ 0 denotamos los predictores de un solo paso por Y n 1P n Y n +1 y
X n1 P n X n +1 . Entonces de (6.4.1) y (6.4.2) tenemos
X n1 - X n1 Y n1 - Y n1, n ≥ 1 ,
Página 22
y por tanto de (3.3.12), si n> m max (p, q) y h ≥ 1, podemos escribir

∑pags ∑q ( )
P n Y n+h φ yo P norte Y norte + h - yo +θ n + h −1 , j X n+h-j - X n+h-j . (6 . 4 . 3)
yo 1 Jh
( 1 - z) re φ (z)
Configuración φ ∗ (z) 1 - φ∗
1 z - ··· - φ ∗ p+d z p + d , encontramos de (6.4.2) y
(6.4.3) que
∑
p+d
∑q ( )
P n X n+h φ∗ θ n + h −1 , j X n+h-j - X n+h-j , (6 . 4 . 4)
j P norte X norte + h - j +
j1 Jh
que es análoga a la fórmula de predicción del paso h (3.3.12) para un proceso ARMA.
Como en (3.3.13), el error cuadrático medio del predictor de paso h es
( )2
∑
h −1 ∑j
σ2 E (X norte + h - P norte X norte + h ) 2 χ r θ norte + h - r −1 , j - r v n + h - j -1 , (6 . 4 . 5)
n (h)
j0 r0
donde θ n 0 1,
∑∞ ( ) −1
χ (z) χrzr 1 - φ∗ ,
1 z - ··· - φ ∗ p+d zp+d
r0
y
( )2 ( )2
v n + h - j −1 mi X n + h - j - X n + h - j mi Y n + h - j - Y n + h - j .
Los coeficientes χ j se pueden encontrar a partir de las recursiones (3.3.14) con φj ∗reemplazando φ j .
Para n grande podemos aproximar (6.4.5), siempre que θ ( · ) sea invertible, por
∑
h −1
σ2 ψ2 (6 . 4 . 6)
n (h) jσ2,
j0
dónde
∑∞
ψ (z) ψjzj (φ ∗ (z)) −1 θ (z).
j0
6.4.1 La función de pronóstico
La inspección de la ecuación (6.4.4) muestra que para n> m fijo max (p, q) , la h -Step
predictores
g (h) : P n X n + h ,
satisfacer las ecuaciones en diferencias lineales homogéneas

g (h) - φ ∗ 0 , h> q, (6 . 4 . 7)
1 g (h - 1 ) - ··· - φ ∗ p+d g (h - p - d)
Página 23
6.4 Pronóstico de modelos ARIMA 201
donde φ ∗ p+d son los coeficientes de z, ..., z p + d en

1, ..., φ ∗
φ ∗ (z) ( 1 - z) re φ (z).
La solución de (6.4.7) es bien conocida por la teoría de ecuaciones en diferencias lineales

(ver TSTM, Sección 3.6). Si asumimos que los ceros de φ (z) (denotado por ξ 1 , ..., ξ p )
son todos distintos, entonces la solución es
g (h) a 0 + a 1 h + ··· + a d h d −1 + b 1 ξ - h + ··· + b p ξ - h
1 p , h> q - p - d, (6 . 4 . 8)
donde los coeficientes a 1 , ..., a d y b 1 , ..., b p se pueden determinar a partir de p + d
ecuaciones obtenidas al igualar el lado derecho de (6.4.8) para q - p - d <h ≤ q
con el valor correspondiente de g (h) calculado numéricamente (para h ≤ 0, P n X n + h
X n + h , y para 1 ≤ h ≤ q , P n X n + h se puede calcular a partir de (6.4.4) como ya se describió).
Una vez evaluadas las constantes a i y b i , la expresión algebraica (6.4.8)
da los predictores para todo h> q - p - d . En el caso q 0, los valores de g (h) en
las ecuaciones para a 0 , ..., a d , b 1 , ..., b p son simplemente los valores observados g (h) X n+h ,
- p - d ≤ h ≤ 0, y la expresión (6.4.6) para el error cuadrático medio es exacta.
El cálculo de la función de pronóstico se generaliza fácilmente para hacer frente a más
complicados procesos ARIMA. Por ejemplo, si las observaciones
( X −13 , X −12 , ..., X n
se diferencian en los rezagos 12 y 1, y ( 1 - B) 1 - B 12 ) X t se modela como un causal
proceso ARMA invertible ( p, q ) con media µ y max (p, q) <n , entonces { X t } satisface
una ecuación de la forma
(
φ (B) [ ( 1 - B) ( 1 - B 12 ) X t - µ ] θ (B) Z t , { Z t } ∼ WN 0 , σ2) , (6 . 4 . 9)
y la función de pronóstico g (h) P n X n + h satisface el análogo de (6.4.7), a saber,
φ (B) ( 1 - B) ( 1 - B 12 ) g (h) φ ( 1 ) µ, h> q. (6 . 4 . 10)
Para encontrar la solución general de estas ecuaciones en diferencias lineales no homogéneas,

es suficiente (ver TSTM, Sección 3.6) para encontrar una solución particular de (6.4.10) y luego
agregarle la solución general de las mismas ecuaciones con el lado derecho igual
a cero. Una solución particular se encuentra fácilmente (por ensayo y error) para ser
µh 2
g (h) ,
24
y la solución general es por tanto
µh 2 ∑11
g (h) + a 0 + a 1h + c j e ijπ / 6 + b 1 ξ - h + ··· + b p ξ - h
24
1 p ,
j1
h> q - p - 13 . ( 6 . 4 . 11 )
(Los términos a 0 y a 1 h corresponden a la raíz doble z 1 de la ecuación φ (z) ( 1 -

z) ( 1 - z 12 ) 0, y los términos subsiguientes a cada una de las otras raíces, que asumimos
para ser distinto) Para q - p - 13 <h ≤ 0, g (h) X n + h , y para 1 ≤ h ≤ q , los valores
Página 24
de g (h) P n X n + h se puede determinar de forma resumida a partir de las ecuaciones
P n X n+h µ + P n X n −1 + P n X n −12 - P n X n −13 + P n Y n + h ,

(
donde { Y t } es el proceso ARMA Y t ( 1 - B) 1 - B 12 ) X t - µ . Sustituyendo estos
valores de g (h) en (6.4.11), obtenemos un conjunto de p + 13 ecuaciones para los coeficientes
a i , b j y c k . Resolver estas ecuaciones luego completa la determinación de g (h) .
La aproximación de muestra grande al error cuadrático medio viene dada nuevamente por
(6.4.6),[ con ψ j redefinido
( como] el coeficiente de z j en la expansión de series de potencia de
θ (z) / ( 1 - z) 1 - z 12 ) φ (z) .
Ejemplo 6.4.1 Un modelo ARIMA (1,1,0)
En el ejemplo 5.2.4 encontramos el modelo AR (1) de máxima verosimilitud para la media

diferencias corregidas X t del índice de servicios públicos Dow Jones (28 de agosto a 18 de diciembre de 1972).
El modelo fue
X t - 0 . 4471 X t −1 Z t , { Z t } ~ WN ( 0 , 0 . 1455 ), (6 . 4 . 12)
donde X t D t - D t -1 - 0 . 1336 , t 1 , ..., 77 y { D t , t 0 , 1 , 2 , ..., 77 } es el

serie original. El modelo para { D t } es entonces
( 1 - 0 . 4471 B) [ ( 1 - B) D t - 0 . 1336] Z t , { Z t } ~ WN ( 0 , 0 . 1455 ).
Las recursiones para g (h) toman la forma

( 1 - 0 . 4471 B) ( 1 - B) g (h) 0 . 5529 × 0 . 1336 0 . 07387 , h> 0 . (6 . 4 . 13)
Una solución particular de estas ecuaciones es g (h) 0 . 1336 h , por lo que la solución general es
g (h) 0 . 1336 h + a + b (. 4471 ) h , h> - 2 . (6 . 4 . 14)
Sustituyendo g ( - 1 ) D 76
122 yg ( 0 ) D 77 121 . 23 en las ecuaciones con
h -1yh 0, y resolviendo para un y b da
g (h) 0 . 1366 h + 120 . 50 + 0 . 7331 (. 4471 ) h .
Configuración1hy h 2 da
P 77 D 78 120 . 97 y P 77 D 79 120 . 94 .
De (6.4.5) encontramos que los correspondientes errores cuadrados medios son

σ2 v 77 σ2 . 1455
77 (1)
y
σ2 v 78 + φ ∗ 2 contra 77σ 2 ( 1 + 1 . 4471 2 ) . 4502 .
77 (2) 1
(Observe que la aproximación (6.4.6) es exacta en este caso.) Los predictores y sus
los errores cuadrados medios se obtienen fácilmente del programa ITSM abriendo el archivo
Página 25
6.5 Modelos ARIMA de temporada 203
DOWJ.TSM, diferenciando en el rezago 1, ajustando un modelo AR (1) preliminar a la media
datos corregidos
probabilidad con el algoritmo
de encontrar el modelodeAR
Burg,
(1) ydeluego seleccionando
máxima Modelo>
verosimilitud. Estimación>
Los valores Máx.y
predichos
sus errores cuadráticos medios se encuentran entonces usando la opción Pronóstico> ARMA .
6.5 Modelos ARIMA estacionales
Ya hemos visto cómo la diferenciación de la serie { X t } en el retardo s es una forma conveniente

de eliminar un componente estacional del período s . Si ajustamos un modelo ARMA ( p, q )
φ (B) Y t θ (B) Z t a la serie diferenciada Y t ( 1 - B s ) X t , entonces el modelo para el
θ (B) Z t . Este es un caso especial del general
la serie original es φ (B) (1 - B s )Xt
Modelo ARIMA estacional (SARIMA) definido a continuación.
Definición 6.5.1 Si d y D son números enteros no negativos, entonces { X t } es un ARIMA estacional (p, d, q) ×
(P, D, Q) s proceso con período s si la serie diferenciada Y t ( 1 - B) d (1 - B s )D X t
es un proceso ARMA causal definido por
(
φ (B) ( B s )Yt θ (B) ( B s ) Z t, { Z t } ∼ WN 0 , σ2) , (6 . 5 . 1)
donde φ (z) 1 - φ 1 z - ··· - φ p z p , (z) 1 - 1 z - ··· - P z P , θ (z)

1 + θ 1 z + ··· + θ q z q y (z) 1 + 1 z + ··· + Q z Q .
Observación 1. Tenga en cuenta que el proceso { Y t } es causal si y solo si φ (z)0 y (z) 0

para | z | ≤ 1. En las aplicaciones, D rara vez es más de uno, y P y Q suelen ser menos
de tres.
Observación 2. La ecuación (6.5.1) satisfecha por el proceso diferenciado { Y t } puede ser

reescrito en la forma equivalente
φ ∗ (B) Y t θ ∗ (B) Z t , (6 . 5 . 2)
donde φ ∗ ( · ) , θ ∗ ( · ) son polinomios de grado p + sP y q + sQ , respectivamente, cuyos

todos los coeficientes se pueden expresar en términos de φ 1 , ..., φ p , 1 , ..., P , θ 1 , ..., θ q , y
1 , ..., Q . Siempre y cuando p <s y q <s , las limitaciones de los coeficientes de
φ ∗ ( · ) y θ ∗ ( · ) pueden expresarse como relaciones multiplicativas
φ es∗ + j φ∗ 1 , 2 , ... ; j 1 , ..., s - 1 ,

es φ ∗j , yo
y
θ es∗ + j θ∗ 1 , 2 , ... ; j 1 , ..., s - 1 .
es θ j∗, yo
En la Sección 1.5 discutimos el modelo de descomposición clásico que incorpora la tendencia,
estacionalidad y ruido aleatorio, a saber, X t m t + s t + Y t . Al modelar datos reales
Página 26
Puede que no sea razonable suponer, como en el modelo de descomposición clásico, que
el componente estacional s t se repite precisamente de la misma manera ciclo tras ciclo.
Los modelos ARIMA estacionales permiten la aleatoriedad en el patrón estacional de uno
pasar al siguiente.
Ejemplo 6.5.1 Supongamos que tenemos r años de datos mensuales, que tabulamos de la siguiente manera:
Año mes 1 2 ... 12
1 Y1 Y2 ... Y 12
2 Y 13 Y 14 ... Y 24
3 Y 25 Y 26 ... Y 36
... ... ... ...
r Y 1 + 12 (r − 1) Y 2 + 12 (r − 1) ... Y 12 + 12 (r − 1)
Cada columna de esta tabla puede verse en sí misma como una realización de una serie de tiempo. Suponer
que cada una de estas doce series de tiempo es generada por el mismo ARMA ( P, Q )
modelo, o más específicamente, que la serie correspondiente al j- ésimo mes, Y j +12 t , t
0 , ..., r - 1, satisface una ecuación en diferencias de la forma
Y j +12 t
1 Y j +12 (t −1 ) + ··· + P Y j +12 (t - P) + U j +12 t
(6 . 5 . 3)
+ 1 U j +12 (t −1 ) + ··· + Q U j +12 (t - Q) ,
dónde
( )
{ U j +12 t , t ..., - 1 , 0 , 1 , ... } ∼ WN 0 , σ U2 . (6 . 5 . 4)
Entonces, dado que se supone que se aplica el mismo modelo ARMA ( P, Q ) a cada mes, (6.5.3)
sostiene para cada j 1 , ..., 12. (Observe, sin embargo, que E (U t U t + h ) no es necesariamente
cero excepto cuando h es un múltiplo entero de 12.) Por tanto, podemos escribir (6.5.3) en el
forma compacta
( (
B 12 ) Y t B 12 ) U t , (6 . 5 . 5)
donde (z) 1 - 1 z - ··· - P z( P ) , (z) 1 + 1 z + ··· + Q z Q y { U j +12 t , t

..., - 1 , 0 , 1 , ... } ∼ WN 0 , σ U2 para cada j . Nos referimos al modelo (6.5.5) como el
modelo entre años.
Ejemplo 6.5.2 Suponga que P 0, Q 1y1 - 0 . 4 pulgadas (6,5,5). Entonces la serie para cualquier particular
mes es un promedio móvil de orden 1. Si E (U t U t + h ) 0 para todo h , es decir, si el ruido blanco
las secuencias para diferentes meses no están correlacionadas entre sí, entonces las columnas
ellos mismos no están correlacionados. La función de correlación para tal proceso se muestra en
Figura 6.15.
Ejemplo 6.5.3 Suponga que P 1, Q 0y1 0 . 7 pulg. (6,5,5). En este caso la serie 12 (una para
cada mes) son procesos AR (1) que no están correlacionados si las secuencias de ruido blanco
Página 27
1.0
0,5
ACF
0.0
Figura 6-15
El ACF del modelo -0,5
Xt U t - 0,4 U t − 12 0 10 20 30 40 50 60
del ejemplo 6.5.2. Retraso
para diferentes meses no están correlacionados. Un gráfico de la función de autocorrelación de este

El proceso se muestra en la Figura 6.16.
En cada uno de los Ejemplos 6.5.1, 6.5.2 y 6.5.3, las 12 series correspondientes al
los diferentes meses no están correlacionados. Incorporar la dependencia entre estas series
1.0
0,5
ACF
0.0
Figura 6-16
El ACF del modelo -0,5
X t - 0.7X t − 12 Ut 0 10 20 30 40 50 60
del ejemplo 6.5.3. Retraso
Página 28
permitimos que el proceso { U t } en (6.5.5) siga un modelo ARMA ( p, q ),

(
φ (B) U t θ (B) Z t , { Z t } ∼ WN 0 , σ2) . (6 . 5 . 6)
Este supuesto implica una posible correlación distinta de cero no solo entre
valores de U t , pero también dentro de las doce secuencias { U j +12 t , t ..., - 1 , 0 , 1 , ... } ,
cada uno de los cuales se supuso no correlacionado en los ejemplos anteriores. En esto
el caso (6.5.4) puede que ya no sea válido; sin embargo, los coeficientes en (6.5.6) frecuentemente
tienen valores tales que E (U t U t +12 j ) es pequeño para j ± 1 , ± 2 , .... Combinando los dos
modelos (6.5.5) y (6.5.6) y permitiendo posibles derivaciones de diferenciación directamente a
Definición 6.5.1 del modelo general SARIMA como se indica anteriormente.
Los primeros pasos en la identificación de modelos SARIMA para datos (posiblemente transformados)
conjunto son encontrar d y D para hacer las observaciones diferenciadas
Yt ( 1 - B) d (1 - B s )D X t
de apariencia estacionaria (véanse las Secciones 6.1 a 6.3). A continuación examinamos la muestra ACF
y PACF de { Y t } en rezagos que son múltiplos de s para una indicación de los órdenes P y
Q en el modelo (6.5.5). Si ρ ( · ) es la ACF muestra de { Y t } , entonces P y Q deben estar
elegido de tal manera que ρ (KS)1, ,k2 , ... , es compatible con el ACF de un ARMA ( P, Q )
proceso. El orden p y q se seleccionan a continuación, tratando de igualar ρ ( 1 ), ..., rho (s - 1 )
con el ACF de un proceso ARMA ( p, q ). En última instancia, el criterio AICC (Sección 5.5)
y las pruebas de bondad de ajuste (Sección 5.3) se utilizan para seleccionar el mejor modelo SARIMA
de alternativas competitivas.
Para valores dados de p , d , q , P , D y Q , los parámetros φ , θ ` ` y σ 2 pueden
encontrar utilizando
( el procedimiento
)D de máxima verosimilitud de la Sección 5.2. Las diferencias
Yt ( 1 - B) d 1 - B s X t constituyen un proceso ARMA ( p + sP, q + sQ ) en el que
algunos de los coeficientes son cero y el resto son funciones de (p + P + q + Q) -
vector dimensional β (φ,, θ,) . Para cualquier β fijo, la probabilidad reducida l (β)
de las diferencias Y t + d + sD , ..., Y n se calcula fácilmente como se describe en la Sección 5.2. los
El estimador de máxima verosimilitud de β es el valor que minimiza l (β) , y el máximo
La estimación de verosimilitud de σ 2 viene dada por (5.2.10). Las estimaciones se pueden encontrar usando
el programa ITSM especificando las relaciones multiplicativas requeridas entre los
coeficientes como se indica en la Observación 2 anterior.
Un enfoque más directo para modelar la serie diferenciada { Y t } es simplemente ajustar
un modelo ARMA de subconjunto de la forma (6.5.2) sin hacer uso del método multiplicativo
forma de φ ∗ ( · ) y θ ∗ ( · ) en (6.5.1).
Ejemplo 6.5.4 Muertes accidentales mensuales

{ ( }
En la Figura 1.27 mostramos la serie Yt 1 - B 12 ) ( 1 - B) X t obtenido por diferencia
enumerando la serie de muertes accidentales { X t } una vez en el retraso 12 y una vez en el retraso 1. La muestra
El ACF de { Y t } se muestra en la figura 6.17.
Página 29
1.0
0,5
ACF
0.0
Figura 6-17
La muestra de ACF del -0,5
diferenciado accidental 0 10 20 30
muertes {∇∇ 12 X t }. Retraso
Los valores de rho ( 12 ) - 0 . 333, ρ ( 24 ) - 0 . 099, y ρ ( 36 ) 0 . 013 sugiere un

promedio móvil de orden 1 para el modelo entre años (es decir, P 0yQ 1).
Por otra parte, la inspección de ρ ( 1 ), ..., ρ ( 11 ) sugiere que ρ ( 1 ) es el único corto plazo
correlación diferente de cero, por lo que también elegimos una media móvil de orden 1 para
el modelo entre meses (es decir, p 0 yq 1). Teniendo en cuenta la muestra
media (28.831) de las diferencias { Y t } , por lo tanto llegamos al modelo
(
Yt 28 . 831 + ( 1 + θ 1 B) ( 1 + 1 B 12 ) Z t , { Z t } ∼ WN 0 , σ2) , (6 . 5 . 7)
para la serie { Y t } . Se obtienen las estimaciones de máxima verosimilitud de los parámetros

desde ITSM abriendo el archivo DEATHS.TSM y procediendo de la siguiente manera. Después
diferenciar (en los rezagos 1 y 12) y luego corregir la media de los datos, elija la opción
ción de modelo> Especificar . En el cuadro de diálogo ingrese un modelo MA (13) con θ 1 - 0 . 3,
θ 12 - 0 . 3, θ 13 0 . 09, y todos los demás coeficientes cero. (Esto corresponde al
(
estimación inicial Y t( 1 - 0 . 3 B) 1 - 0 . 3 B 12 ) Z t .) Luego elija Modelo> Estimación> Máx.
probabilidad y haga clic en el botón Restringir optimización . Especifique el número
de relaciones multiplicativas (uno en este caso) en el cuadro provisto y defina el
relación ingresando 1, 12, 13 para indicar que θ 1 × θ 12 θ 13 . Haga clic en Aceptar para volver
al cuadro de diálogo Máxima probabilidad . Haga clic en Aceptar nuevamente para obtener el parámetro
estimados
θ1 - 0 . 478 ,
1
- 0 . 591 ,
Página 30
σ2 94255 ,
con valor AICC 855.53. El modelo ajustado correspondiente para { X t } es, por tanto, el SARIMA
( 0 , 1 , 1 ) × ( 0 , 1 , 1 ) 12 proceso
(
∇∇ 12 X t 28 . 831 + ( 1 - 0 . 478 B) 1 - 0 . 588 B 12 ) Z t , (6 . 5 . 8)
donde { Z t } ∼ WN ( 0 , 94390 ) .
Si adoptamos el enfoque alternativo de ajustar un modelo ARMA de subconjunto a { Y t }
sin buscar una estructura multiplicativa para los operadores φ ∗ (B) y θ ∗ (B) en (6.5.2),
Comenzamos ajustando un modelo MA (13) preliminar (como sugiere la Figura 6.17) para
la serie { Y t } . Luego ajustamos un modelo de máxima verosimilitud MA (13) y examinamos el
errores estándar de los estimadores de coeficientes. Esto sugiere establecer los coeficientes en
los retrasos 2, 3, 8, 10 y 11 son iguales a cero, ya que todos son menos de un error estándar
desde cero. Para hacer esto, seleccione Modelo> Estimación> Probabilidad máxima y haga clic en el
Botón Restringir la optimización . Luego resalte los coeficientes que se establecerán en cero
y haga clic en el botón Poner a cero . Haga clic en Aceptar para volver a la probabilidad máxima
Cuadro de diálogo de estimación y nuevamente para realizar la optimización restringida. los
los coeficientes
será con respectoque se handeestablecido
al resto en Esto
coeficientes. cero da
se mantendrán en ese
un modelo con valor, y la optimización
sustancialmente
AICC más pequeño que el modelo MA sin restricciones (13). Examinando los errores estándar
nuevamente vemos que los coeficientes en los rezagos 4, 5 y 7 son candidatos prometedores para ser
puesto a cero, ya que cada uno de ellos tiene menos de un error estándar desde cero. Configurar estos
coeficientes a cero de la misma manera y la reoptimización da una reducción adicional en
AICC. Establecer el coeficiente en el retardo 9 en cero y volver a optimizarlo da una mayor
reducción en AICC (a 855.61) y el modelo ajustado
∇∇ 12 X t 28 . 831 + Z t - 0 . 596 Z t -1 - 0 . 407 Z t -6 - 0 . 685 Z t −12 + 0 . 460 Z t −13 ,

(6 . 5 . 9)
{ Z t } ∼ WN ( 0 , 71240 ).
El valor de AICC 855.61 está bastante cerca del valor 855.53 para el modelo (6.5.8). los
Los residuos de los dos modelos también son muy similares, las pruebas de aleatoriedad (con el
excepción de la prueba de signo de diferencia) que arroja valores p altos para ambos.
6.5.1 Pronóstico de procesos SARIMA
La previsión de procesos SARIMA es completamente análoga a la previsión de ARIMA

( )D
procesos discutidos en la Sección 6.4. Expandiendo el operador ( 1 - B) d 1-Bs
en potencias de B , reordenando la ecuación
( 1 - B) d (1 - B s )D X t Yt,
Página 31
y ajuste t n + h da el análogo
∑
d + Ds
X n+h Y n+h + una j X n + h - j (6 . 5 . 10)

j1
de la ecuación (6.4.2). Bajo el supuesto de que las primeras observaciones d + Ds X - d - Ds +1 ,

..., X 0 no están correlacionados con { Y t , t ≥ 1 } , podemos determinar los mejores predictores lineales
P n X n + h de X n + h basado en { 1 , X - d - Ds +1 , ..., X n } aplicando P n a cada lado de
(6.5.10) para obtener
∑
d + Ds
P n X n+h P n Y n+h + una j P norte X norte + h - j . (6 . 5 . 11)

j1
El primer término de la derecha es simplemente el mejor predictor lineal de la (posiblemente distinta de cero)
media) proceso ARMA { Y t } en términos de { 1 , Y 1 , ..., Y n } , que se puede calcular como
descrito en la Sección 3.3. Los predictores P n X n + h se pueden calcular entonces de forma recursiva
por h 1 , 2 , ... de (6.5.11), si observamos que P n X n + 1− j X n + 1− j para cada j ≥ 1.
Un argumento análogo al que conduce a (6.4.5) da la media de predicción
error al cuadrado como
( )2
∑
h −1
∑j
σ2 E (X norte + h - P norte X norte + h ) 2 χ r θ norte + h - r −1 , j - r v n + h - j -1 , (6 . 5 . 12)
n (h)
j0 r0
donde θ nj y v n se obtienen aplicando el algoritmo de innovaciones a la diferencia

serie { Y t } y
∑∞ [ ( ) ( ) D ] −1
χ (z) χrzr φ (z) z s ( 1 - z) d 1 - z s ,|z|<1.
r0
Para n grande podemos aproximar (6.5.12), si θ (z) ( z s ) es distinto de cero para todos | z | ≤ 1, por
∑
h −1
σ2 ψ2 (6 . 5 . 13)
n (h) jσ2,
j0
dónde
∑∞ θ (z) ( z s
ψ (z) ψjzj
)
j0
φ (z) ( z s ) ( 1 - z) d (1 - z s ) D ,|z|<1.
Todos los cálculos necesarios se pueden realizar con la ayuda del programa ITSM.
Los errores cuadrados medios se calculan a partir de la aproximación de muestra grande (6.5.13)
si el modelo ajustado es invertible. Si el modelo ajustado no es invertible, ITSM calcula el
errores cuadrados medios al convertir el modelo al equivalente (en términos de Gauss
probabilidad) modelo invertible y luego usando (6.5.13).
Página 32
Cuadro 6.1 Valores previstos de la serie de muertes accidentales para t 73,

..., 78, las desviaciones estándar σ t de los errores de predicción,
y los correspondientes valores observados de X t para el mismo
período.
t 73 74 75 76 77 78
Modelo (6.5.8)
Predictores 8441 7704 8549 8885 9843 10279
σt 308 348 383 415 445 474
Modelo (6.5.9)
Predictores 8345 7619 8356 8742 9795 10179
σt 292 329 366 403 442 486
Valores observados
Xt 7798 7406 8363 8460 9217 9316
Ejemplo 6.5.5 Muertes accidentales mensuales
Continuando con el ejemplo 6.5.4, a continuación usamos ITSM para predecir seis valores futuros de
la serie Muertes accidentales utilizando los modelos ajustados (6.5.8) y (6.5.9). Primero ajuste el
modelo deseado como se describe en el Ejemplo 6.5.4 o ingrese los datos y el modelo directamente
abriendo el archivo DEATHS.TSM, diferenciando en los rezagos 12 y 1, restando el
media, y luego ingresando los coeficientes MA (13) y la varianza del ruido blanco usando
la opción Modelo> Especificar . Seleccione Pronóstico> ARMA , y verá el ARMA
Cuadro de diálogo de previsión . Ingrese 6 para el número de valores previstos requeridos. Vas a
observe que las opciones predeterminadas en el cuadro de diálogo están configuradas para generar predictores de
la serie original invirtiendo las transformaciones aplicadas a los datos. Si por algunos
motivo por el que desea predecir los datos transformados, estas marcas de verificación se pueden eliminar.
Si desea incluir límites de predicción en el gráfico de los predictores, marque la casilla
casilla correspondiente y especifique el coeficiente deseado (por ejemplo, 95%). Haga clic en Aceptar y
verá un gráfico de los datos con los seis valores predichos adjuntos. Para numérico
valores de los predictores y límites de predicción, haga clic con el botón derecho en el gráfico y luego en
Info . Los límites de predicción se calculan bajo el supuesto de que el ruido blanco
La secuencia en el modelo ARMA para los datos transformados es gaussiana. La tabla 6.1 muestra
los predictores y las desviaciones estándar de los errores de predicción en ambos modelos
(6.5.8) y (6.5.9) para la serie Muertes accidentales.
6.6 Regresión con errores ARMA

6.6.1 Estimación de MCO y GLS
En la regresión lineal estándar, los errores (o desviaciones de las observaciones del

función de regresión) se supone que son independientes y están distribuidos de forma idéntica. En
Página 33
6.6 Regresión con errores ARMA 211
muchas aplicaciones del análisis de regresión, sin embargo, este supuesto se viola claramente
como puede verse al examinar los residuos de la regresión ajustada y
sus autocorrelaciones de muestra. A menudo es más apropiado asumir que los errores
son observaciones de un proceso estacionario de segundo orden de media cero. Dado que muchos
Las funciones de correlación pueden aproximarse bien mediante la función de autocorrelación de un
proceso ARMA ( p, q ) adecuadamente elegido , es de particular interés considerar el modelo
Yt Xt β + W t , t 1 , ..., n, (6 . 6 . 1)
o en notación matricial,
Y Xβ + W , (6 . 6 . 2)
donde Y (Y 1 , ..., Y n ) es el vector de observaciones en los tiempos t 1 , ..., n , X
es la matriz de diseño cuya t ésima fila, x t
(x t 1 , ..., x tk ) , consta de los valores de
las variables explicativas en el tiempo t , β (β 1 , ..., β k ) es el vector de regresión
coeficientes y los componentes de W (W 1 , ..., W n ) son valores de un cero causal
proceso ARMA (p, q) medio que satisface
(
φ (B) W t θ (B) Z t , { Z t } ∼ WN 0 , σ2) . (6 . 6 . 3)
El modelo (6.6.1) surge naturalmente en la estimación de tendencias para datos de series de tiempo. por
ejemplo, las variables explicativas x t 1 1 , x t2 t, y x t 3 t 2 se puede utilizar para
estimar una tendencia cuadrática, y las variables x t 1 1 , x t 2 cos (ωt) y x t 3 pecado (ωt)
se puede utilizar para estimar una tendencia sinusoidal con frecuencia ω . Las columnas de X son
no necesariamente funciones simples de t como en estos dos ejemplos. Cualquier columna especificada
de variables relevantes, por ejemplo, temperaturas en los tiempos1 , ..., tn , se puede incluir en el
diseño de la matriz X , en cuyo caso la regresión está condicionada a los valores observados
de las variables incluidas en la matriz.
El mínimos cuadrados ordinarios (OLS) estimador de β es el valor, beta OLS , que
minimiza la suma de cuadrados
∑norte( ) 2.
( Y - Xβ) ( Y - Xβ) Yt-x
t β
t1
Igualar a cero las derivadas parciales con respecto a cada componente de β y
asumiendo (como haremos) que XX no es singular, encontramos que
β OLS (XX) -1 X Y . (6 . 6 . 4)
(Si XX es singular, beta OLS no se determina de forma única pero todavía satisface (6.6.4) con
(XX) −1 cualquier inverso generalizado de XX .) La estimación de MCO también maximiza la
probabilidad de las observaciones cuando los errores W 1 , ..., W n son iid y gaussianos. Si
la matriz de diseño X no es aleatoria, incluso cuando los errores
( no) son gaussianos y
β OLS β ) y su covarianza
dependiente, el estimador MCO es insesgado (es decir, E
matriz es
( ) −1 ( ) −1
Cov ( β OLS ) XX XnX XX , (6 . 6 . 5)
Página 34
( )
donde n mi WW es la matriz de covarianza de W .
El mínimos cuadrados generalizados (GLS) estimador de β es el valor β GLS que

minimiza la suma ponderada de cuadrados
−1
( Y - Xβ ) norte ( Y - Xβ ) . (6 . 6 . 6)
Diferenciar parcialmente con respecto a cada componente de β y establecer la derivada

tivas iguales a cero, encontramos que
( ) −1
β GLS X −1 X −1
n X norte Y. (6 . 6 . 7)
Si la matriz de diseño X no es aleatoria, el estimador GLS es insesgado y tiene covarianza

matriz
( ) ( ) −1
β GLS X −1 .
Cov n X (6 . 6 . 8)
Se puede demostrar que el estimador GLS es el mejor estimador lineal insesgado de β , es decir,
para cualquier k -dimensional vector c y por cualquier estimador insesgado β de β que es un linear
función de las (observaciones
)
Y 1 , ..., Y n ,
( )
Var c β GLS ≤ Var cβ .
En este sentido, el estimador GLS es, por tanto, superior al estimador OLS. Sin embargo,
sólo se puede calcular si se conocen φ y θ .
Sea V (φ, θ) la matriz σ −2 n y sea T (φ, θ) cualquier raíz cuadrada de V −1
(es decir, una matriz tal que TT V −1 ). Entonces podemos multiplicar cada lado de (6.6.2) por T
para obtener
TY T Xβ + T W , (6 . 6 . 9)
una ecuación de regresión con vector de coeficiente β , vector de datos T Y , matriz de diseño TX ,
y el vector de error T W . Dado que este último tiene componentes de media cero no correlacionados, cada
con varianza σ 2 , el mejor estimador lineal de β en términos de T Y (que es claramente el
mismo que el mejor estimador lineal de β en términos de Y , es decir, β GLS ) pueden obtenerse por
aplicando la estimación de MCO a la ecuación de regresión transformada (6.6.9). Esto da
( ) −1
β GLS XTTX XTT Y , (6 . 6 . 10)
que es claramente lo mismo que (6.6.7). Cochrane y Orcutt (1949) señalaron que si
{ W t } es un proceso AR ( p ) que satisface
φ (B) W t Z t , { Z t } ∼ WN (
0 , σ2) ,
luego la aplicación de φ (B) a cada lado de las ecuaciones de regresión (6.6.1) transforma
en ecuaciones de regresión con errores no correlacionados, de media cero y de varianza constante.
rors, de modo que los mínimos cuadrados ordinarios se pueden usar nuevamente para calcular el mejor lineal insesgado
estimaciones de los componentes de β en términos de Y ∗ t φ (B) Y t , t p + 1 , ..., n .
Este enfoque elimina la necesidad de calcular la matriz T pero adolece de la
∗
inconveniente que Y no contiene toda la información de Y . Cochrane y Orcutt
Página 35
La transformación puede mejorarse y, al mismo tiempo, generalizarse a errores ARMA, como

sigue.
En lugar de aplicar el operador φ (B) a cada lado de las ecuaciones de regresión
(6.6.1), multiplicamos cada lado de la ecuación (6.6.2) por la matriz T (φ, θ) que mapea
{ W t } en los residuos (ver (5.3.1)) de { W t } del modelo ARMA (6.6.3). Nosotros
ya he visto cómo calcular estos residuos utilizando el algoritmo de innovaciones en
Sección 3.3. Para ver que T es una raíz cuadrada de la matriz V como se define en el anterior
párrafo, simplemente recordamos que los residuos no están correlacionados con la media cero y
varianza σ 2 , de modo que
Cov (T W ) TnT σ 2 I,
donde I es la matriz identidad n × n . Por lo tanto

TT σ 2 −1 norte V −1 .
Por lo tanto, la estimación GLS de β se puede realizar multiplicando cada lado de (6.6.2)
por T y aplicando mínimos cuadrados ordinarios al modelo de regresión transformado. Eso
solo queda calcular T Y y TX .
Cualquier vector de datos(dd1 , ..., d n ) se puede multiplicar por la izquierda por T simplemente leyendo
en ITSM, ingresando el modelo (6.6.3), y presionando el botón verde etiquetado RES ,
que traza los residuos. (Los cálculos se realizan utilizando las innovaciones
algoritmo como se describe en la Sección 3.3). El GLS estimador β GLS se calcula como
sigue. El vector de datos Y se multiplica a la izquierda por T para generar los datos transformados
∗
vector Y , y cada columna de la matriz de diseño X se multiplica a la izquierda por T para generar
la columna correspondiente de la matriz de diseño transformada X ∗ . Luego
( ) −1
β GLS X ∗X ∗ X ∗ Y∗. (6 . 6 . 11)
∗
Los cálculos de Y , X ∗ , Y por lo tanto de beta GLS , son todos llevado a cabo por el programa de
ITSM en la opción Regresión> Estimación> LS generalizada .
6.6.2 Estimación de ML
Si (como suele ser el caso) los parámetros del modelo ARMA ( p, q ) para los errores
son desconocidos, se pueden estimar junto con los coeficientes de regresión por
maximizar la probabilidad gaussiana
{ }
( 1( ) −1
( )
L β, φ, θ, σ 2 ) ( 2 π) - n / 2 ( det n ) −1 / 2 exp - Y - Xβ norte Y - Xβ ,
2
(
donde n φ, θ, σ 2 ) es la matriz de covarianza de W Y - Xβ . Dado que { W t } es un
(
Proceso
Β , phi , ARMA ( p, q ) con(como
y θ se encuentran parámetros φ, 5.2)
en la sección ) , los estimadores de máxima verosimilitud
θ, σ 2minimizando
( ) ∑norte
l (β, φ, θ) en n −1 S (β, φ, θ) + n −1 En r t −1 , (6 . 6 . 12)
t1
Página 36
dónde
∑norte( )2
S (β, φ, θ) Wt-Wt / r t −1 ,
t1
W t es el mejor predictor de un solo paso de W t , y r t -1 σ 2 es su error cuadrático medio. los
La función l (β, φ, θ) se puede expresar en términos de las observaciones { Y t } y el parámetro

eters β , φ y θ utilizando el algoritmo de innovaciones (ver Sección 3.3) y minimizado
numéricamente para dar el estimadores de máxima verosimilitud, β, φ , y θ . El maximo
( )
Β, φ, θ /n.
estimador de probabilidad de σ 2 a continuación se da, como en la sección 5.2,Spor σ 2
Una extensión de un esquema iterativo, propuesto por Cochrane y Orcutt (1949) para
el caso q 0, simplifica considerablemente la minimización. Se basa en la observación
que para fijo φ y θ , el valor de β que minimiza l (β, φ, θ) es beta GLS (φ, theta) , que
se puede calcular algebraicamente a partir de (6.6.11) en lugar de buscar numéricamente
el valor minimizador. El esquema es el siguiente.
Β OLS , t
(i) Calcular β OLS y los residuos estimados Y t - x t 1 , ..., n .
(ii) Ajuste un modelo ARMA ( pq ) por la máxima probabilidad gaussiana a la estimación

derechos residuales de autor.
(iii) Para el modelo ARMA equipada calcular el estimador correspondiente β GLS de

(6.6.11).
Β GLS , t
(iv) Calcule los residuos Y t - x t 1 , ..., n , y vuelva a (ii), parando
cuando los estimadores se hayan estabilizado.
Si { W t } es un proceso ARMA causal e invertible, entonces en condiciones suaves

sobre las variables explicativas x t , las estimaciones de máxima verosimilitud son asintóticas
cally multivariante normal (ver Fuller, 1976). Además, la regresión estimada
los coeficientes son asintóticamente independientes de los parámetros ARMA estimados.
La matriz de covarianza de muestra grande de los estimadores de parámetros ARMA, adecuadamente
normalizado, tiene una forma complicada que involucra tanto las variables de regresión x t como
la función de covarianza de { W t } . Por tanto, es conveniente estimar las covariables
matriz ance como - H −1 , donde H es la matriz hessiana del log-verosimilitud observado
evaluado al máximo.
Los estimadores de OLS, GLS y máxima verosimilitud de los coeficientes de regresión
todos tienen la misma matriz de covarianza asintótica, por lo que en este sentido la dependencia no
no juega un papel importante. Sin embargo, la covarianza asintótica de OLS y GLS
Los estimadores pueden ser muy imprecisos si la matriz de covarianza n apropiada no se utiliza en
las expresiones (6.6.5) y (6.6.8). Este punto se ilustra en los siguientes ejemplos.
Observación 1. Se amplía el uso del algoritmo de innovaciones para la estimación GLS y ML

a la regresión con errores ARIMA (consulte el Ejemplo 6.6.3 a continuación) y errores FARIMA
(Los procesos de FARIMA se definen en la Sección 10.5).
Página 37
Ejemplo 6.6.1 Los datos demasiado cortos
El análisis de los datos demasiado cortos en el ejemplo 3.2.8 sugirió el modelo

Yt β+Wt,
donde - β se interpreta como la fuga diaria del tanque de almacenamiento subterráneo y

{ W t } es el proceso MA (1)
(
Wt Z t + θZ t −1 , { Z t } ∼ WN 0 , σ2) .
(Aquí k 1 y x t1 1.) La estimación MCO de β es simplemente la media muestral

β OLS ¯Yn - 4 . 035. Suponiendo que { W t } es ruido iid, la estimación
varianza de la OLS estimador de β es γ ( 0 ) / 57 Y 59 . 92. Sin embargo, dado que esta estimación
de la varianza no toma en cuenta la dependencia, no es confiable.
Para encontrar estimaciones de verosimilitud gaussiana máxima de β y los parámetros de { W t }
usando ITSM, abra el archivo OSHORTS.TSM, seleccione la opción Regresión> Especificar
y marque la casilla marcada Incluir sólo término de intersección . Luego presione el azul
Botón GLS y verá el valor estimado de β . (De hecho, esto es lo mismo
como estimador de MCO, ya que el modelo predeterminado en ITSM es WN (0,1)). Luego, seleccione
Modelo> Estimación> Ajuste automático y presione Iniciar . La opción de autoajuste selecciona el mini
modelo AICC de mamá para los residuos,
Wt Z t - . 818 Z t −1 , { Z t } ∼ WN ( 0 , 2041 ), (6 . 6 . 13)
y muestra el coeficiente de MA estimado θ ( 0 ) - . 818 y el GLS correspondiente

1
estimar β ( 1 )GLS - 4 . 745, con un error estándar de 1,188, en la estimación de regresión

ventana de compañeros . (Si reestimamos la varianza del estimador MCO, usando (6.6.5)
con 57 calculado a partir del modelo (6.6.13), obtenemos el valor 2.214, una reducción drástica
ducción desde el valor 59,92 obtenido cuando se ignora la dependencia. Por un positivo
series de tiempo correlacionadas, ignorar la dependencia conduciría a una subestimación de la
diferencia.)
Al presionar el botón azul MLE se volverán a estimar los parámetros MA utilizando el residuo
uales de la regresión actualizada y al mismo tiempo reestimar la regresión
coeficiente, imprimiendo los nuevos parámetros en la ventana Estimaciones de regresión .
Después de que esta operación se haya repetido varias veces, los parámetros se estabilizarán, como
se muestra en la Tabla 6.2. Límites de confianza del 95% estimados para β utilizando la estimación GLS
son - 4 . 75 ± 1 . 96 ( 1 . 408 ) 1 / 2 ( - 7 . 07 , - 2 . 43 ) , sugiriendo fuertemente que el almacenamiento
el tanque tiene una fuga. No se habría llegado a tal conclusión sin tener en cuenta
cuenta la dependencia en los datos.
Ejemplo 6.6.2 Los datos del lago
En los Ejemplos 5.2.4 y 5.5.2 encontramos ARMA de máxima verosimilitud (1,1) y AR (2)
modelos para los datos del lago con corrección media. Ahora consideremos ajustar una tendencia lineal
a los datos con ruido AR (2). La elección de un modelo AR (2) fue sugerida por un
Página 38
Cuadro 6.2 Estimaciones de β y θ 1 para el

datos demasiado cortos del ejemplo 6.6.1.
Iteración i ˆΘ (i) ˆΒ (i)

1
0 0 −4,035
1 −.818 −4,745
2 −.848 −4,780
3 −.848 −4,780
análisis de los residuos obtenidos después de eliminar una tendencia lineal de los datos utilizando
OLS. Nuestro modelo ahora toma la forma
Yt β 0 + β 1t + W t ,
donde { W t } es el proceso AR (2) que satisface

(
Wt φ 1 W t −1 + φ 2 W t −2 + Z t , { Z t } ∼ WN 0 , σ2) .
Del Ejemplo 1.3.5, nos encontramos con que los MCO estimación de β es beta ( 10 MCO
. 202 , - . 0242 ) .
Si ignoramos la estructura de correlación del ruido, la matriz de covarianza estimada n
de W es γ ( 0 ) I (donde I es la matriz de identidad). La covarianza estimada correspondiente
matriz de beta OLS es (a partir de (6.6.5))
−1
∑norte
norte t [ ]
( ) −1 t1 . 07203 - . 00110
Γ Y ( 0 ) XX ΓY(0) . (6 . 6 . 14)
∑norte ∑ norte
- . 00110 . 00002
t t2
t1 t1
Sin embargo, el modelo estimado para el proceso de ruido, encontrado al ajustar un modelo AR (2)
a los residuos Y t - β OLS x t , es
Wt 1 . 008 W t −1 - . 295 W t -2 + Z t , { Z t } ~ WN ( 0 ,. 4571 ).
Suponiendo que este es el modelo verdadero para { W t } , se encuentra que la estimación GLS es
( 10 . 091 , - . 0216 ) , en estrecho acuerdo con los MCO estiman. La covariable estimada
Las matrices de compatibilidad para las estimaciones de OLS y GLS están dadas por
( ) [ ]
β OLS . 22177 - . 00335
Cov - . 00335 . 00007
y
( ) [ ]
β GLS . 21392 - . 00321
Cov .
- . 00321 . 00006
Observe cómo las varianzas estimadas de los estimadores MCO y GLS son casi tres
multiplicado por la magnitud de las estimaciones de varianza correspondientes del MCO calculado
Página 39
bajo el supuesto de independencia (ver (6.6.8)). Límites de confianza estimados del 95%
para la pendiente β 1 usando la estimación GLS son - . 0216 ± 1 . 96 (. 00 006 ) 1 / 2 - . 0216 ±
. 0048, lo que indica una tendencia decreciente significativa en el nivel del lago Huron durante el
años 1875-1972.
El procedimiento iterativo descrito anteriormente se utilizó para producir la máxima similitud
estimaciones de vida de los parámetros. Los cálculos que utilizan ITSM son análogos a
los del ejemplo 6.6.1. Los resultados de cada iteración se resumen en la Tabla 6.3.
Como en el ejemplo 6.6.1, la convergencia de las estimaciones es muy rápida.
Ejemplo 6.6.3 Legislación sobre cinturones de seguridad; SBL.TSM
La figura 6.18 muestra el número de muertes y lesiones graves mensuales Y t , t

1 , ..., 120, en las carreteras del Reino Unido durante 10 años a partir de enero de 1975. Se archivan
como SBL.TSM. La legislación sobre cinturones de seguridad se introdujo en febrero de 1983 con la esperanza de
reducir el número medio de "muertes y lesiones graves" mensuales (de t 99
adelante). Para estudiar si hubo o no una caída en la media a partir de ese momento
en adelante, consideramos la regresión,
Yt a + bf (t) + W t , t 1 , ..., 120 , (6 . 6 . 15)
donde f t 0 para 1 ≤ t ≤ 98, y f t 1 para t ≥ 99. La legislación sobre el cinturón de seguridad

se considerará efectivo si el valor estimado del coeficiente de regresión b
es significativamente negativo. Este problema también se engloba en el epígrafe de intervención
análisis (consulte la Sección 10.2).
La regresión OLS basada en el modelo (6.6.15) sugiere que la secuencia de error
{ W t } está altamente correlacionado con un fuerte componente estacional del período 12. (Para hacer el
regresión usando ITSM proceda de la siguiente manera. Abra el archivo SBL.TSM, seleccione Regres-
sion> Especificar , marque solo Incluir término de intersección e Incluir auxiliar
variables , presione el botón Examinar y seleccione el archivo SBLIN.TSM, que contiene
la función f t de (6.6.15) e ingrese 1 para el número de columnas. Luego seleccione Re-
gresión> Estimación> LS generalizada . Las estimaciones de los coeficientes de una y
b se muestran en la ventana Estimaciones de regresión y los datos se convierten en
Cuadro 6.3 Estimaciones de β y φ para los datos del lago

después de 3 iteraciones.
Iteración i ˆΦ (i) ˆΦ (i) ˆΒ (i) ˆΒ (i)

1 2 1 2
0 0 0 10,20 −.0242
1 1.008 −.295 10.09 −.0216
2 1.005 −.291 10.09 −.0216
Página 40
estimaciones de los residuos { W t } .) Los gráficos de los datos y la muestra ACF sugieren claramente
gesta un fuerte componente estacional con el período 12. Para transformar el modelo
(6.6.15) en uno con residuos estacionarios, por lo tanto, consideramos los datos diferenciados
Xt Y t - Y t −12 , que satisfacen
Xt bg t + N t , t 13 , ..., 120 , (6 . 6 . 16)
donde g t 1 para 99 ≤ t ≤ 110, g t 0 de lo contrario y { N t W t - W t −12 } es un

secuencia estacionaria para ser representada por un modelo ARMA adecuadamente elegido. Las series
{ X t } está contenido en el archivo SBLD.TSM, y la función g t está contenida en el archivo
SBLDIN.TSM.
El siguiente paso es realizar una regresión de mínimos cuadrados ordinarios de X t sobre g t siguiendo
pasos análogos a los del párrafo anterior (pero esta vez comprobando sólo el
cuadro marcado Incluir variables auxiliares en la función de tendencia de regresión
ción cuadro de diálogo) y de nuevo utilizando la opción Regresión> Estimación> General-
LS o presionando el botón azul GLS. El modelo
Xt - 346 . 92 g t + N t , (6 . 6 . 17)
Luego se muestra en la ventana Estimaciones de regresión junto con el supuesto

modelo de ruido (ruido blanco en este caso). Inspección de la muestra ACF de los residuos
sugiere un modelo MA (13) o AR (13) para { N t } . Montaje de modelos AR y MA de pedido
hasta 13 (sin corrección de media) usando la opción Modelo> Estimación> Ajuste automático
da un modelo MA (12) como el ajuste AICC mínimo para los residuos. Una vez que este modelo
se ha ajustado, el modelo en la ventana Estimaciones de regresión se
2.2
2.0
1.8
1,6
(miles)
1.4
Figura 6-18 1.2
Muertes mensuales y graves

lesiones {Y t } en las carreteras del Reino Unido,
1975 1976 1977 1978 1979 1980 1981 mil novecientos
1983ochenta y1984
dos 1985
Enero del 75 - diciembre del 84.
Página 41
Problemas 219
actualizado a
Xt - 328 . 45 g t + N t , (6 . 6 . 18)
con el modelo MA (12) ajustado para los residuos también mostrados. Después de varias iteraciones
(cada iteración se realiza presionando el botón MLE) llegamos al modelo
Xt - 328 . 45 g t + N t , (6 . 6 . 19)
con
Nt Z t + . 219 Z t −1 + . 098 Z t −2 + . 031 Z t −3 + . 064 Z t −4 + . 069 Z t −5 + . 111 Z t −6
+ . 081 Z t −7 + . 057 Z t −8 + . 092 Z t −9 - . 028 Z t −10 + . 183 Z t −11 - . 627 Z t −12 ,
donde { Z t } ∼ WN ( 0 , 12 , 581 ) . La desviación estándar estimada de la regresión

estimador de coeficientes es 49,41, por lo que el coeficiente estimado, - 328 . 45, es muy significativo
profundamente negativo, lo que indica la eficacia de la legislación. Los datos diferenciados
se muestran en la Figura 6.19 con la función de regresión ajustada.
Problemas
6.1. Suponga que { X t } es un proceso ARIMA ( p, d, q ) que satisface la diferencia

ciones
(
φ (B) ( 1 - B) d X t θ (B) Z t , { Z t } ∼ WN 0 , σ2) .
200
-200
Figura 6-19
Las muertes diferenciadas y -400
lesiones graves en el Reino Unido

carreteras {X t Y t - Y t − 12 },
mostrando el ajustado
-600
1976 1977 1978 1979 1980 1981 mil novecientos
1983
ochenta y dos
1984 1985
Línea de regresión GLS.
Página 42
Demuestre que estas ecuaciones en diferencias también se satisfacen mediante el proceso W t

X t + A 0 + A 1 t + ··· + A d −1 t d −1 , donde A 0 , ..., A d −1 son aleatorios arbitrarios
variables.
6.2. Verifique la representación dada en (6.3.4).
6.3. Pruebe los datos del ejemplo 6.3.1 para detectar la presencia de una raíz unitaria en un modelo AR (2)
utilizando la prueba Dickey-Fuller aumentada.
6.4. Aplicar la prueba Dickey-Fuller aumentada a los niveles de los datos del lago Huron
(LAGO.TSM). Realice dos análisis asumiendo modelos AR (1) y AR (2).
6.5. Si { Y t } es un proceso ARMA causal (con media cero) y si X 0 es una variable aleatoria
con segundo momento finito tal que X 0 no está correlacionado con Y t para cada t
1 , 2 , ... , muestran que el mejor predictor lineal de Y n +1 en términos de 1 , X 0 , Y 1 , ..., Y n
es el mismo que el mejor predictor lineal de Y n +1 en términos de 1 , Y 1 , ..., Y n .
6.6. Sea { X t } el proceso ARIMA (2,1,0) que satisface
(
1 - 0 . 8 B + 0 . 25 B 2 ) ∇ X t Z t , { Z t } ∼ WN ( 0 , 1 ).
a. Determine la función de pronóstico g (h) P n X n + h para h> 0.
segundo. Suponiendo que n es grande, calculen (h)

σ 2 para h 1 , ..., 5.
6.7. Utilice un editor de texto para crear un nuevo conjunto de datos ASHORT.TSM que consta de
datos en AIRPASS.TSM con los últimos doce valores eliminados. Utilice ITSM para encontrar un
Modelo ARIMA para los logaritmos de los datos en ASHORT.TSM. Tu analisis
Debería incluir
a. una explicación lógica de los pasos dados para encontrar el modelo elegido,
segundo. límites aproximados del 95% para los componentes de φ y θ ,
C. un examen de los residuos para comprobar la blancura como se describe en la Sección
ción 1.6,
re. un gráfico de la serie ASHORT.TSM que muestra los pronósticos de los siguientes 12 valores
y límites de predicción del 95% para los pronósticos,
mi. valores numéricos para el pronóstico de 12 pasos adelante y el 95% correspondiente
límites de predicción,
F. una tabla de los errores de pronóstico reales, es decir, el valor real (eliminado de AIR-
PASS.TSM) menos el valor de pronóstico, para cada uno de los doce pronósticos.
¿El último valor de AIRPASS.TSM se encuentra dentro del correspondiente 95%
límites de dicción?
6.8. Repita el problema 6.7, pero en lugar de diferenciar, aplique la descomposicin clsica
método de conversión a los logaritmos de los datos en ASHORT.TSM desestacionalizando,
restar una tendencia cuadrática y luego encontrar un modelo ARMA apropiado
para los residuos. Compare los doce errores de pronóstico encontrados con este enfoque
con los encontrados en el problema 6.7.
Página 43
Problemas 221
6,9. Repita el problema 6.7 para la serie BEER.TSM, eliminando los últimos doce valores
para crear un archivo llamado BSHORT.TSM.
6.10. Repita el problema 6.8 para la serie BEER.TSM y la serie abreviada.
BSHORT.TSM.
6.11. Una serie de tiempo { X t } se diferencia en el retraso 12, luego en el retraso 1 para producir una media cero
serie { Y t } con el siguiente ACF de muestra:
Ρ ( 12 j) ≈ (. 8 ) j , j 0 , ± 1 , ± 2 , ...,
Ρ ( 12 j ± 1 ) ≈ (. 4 ) (. 8 ) j , j 0 , ± 1 , ± 2 , ...,
Ρ (h) ≈ 0 , de lo contrario ,
yγ(0) 25 .
a. Sugiera un modelo SARIMA para { X t } especificando todos los parámetros.
segundo. Para n grande , exprese los predictores lineales de uno y doce pasos P n X n +1 y
P n X n +12 en términos de X t , t - 12 , - 11 , ..., n , y Y t - Y t , t 1 , ..., n .
C. Encuentre los errores cuadrados medios de los predictores en (b).
6.12. Utilice ITSM para verificar los cálculos de los ejemplos 6.6.1, 6.6.2 y 6.6.3.
6.13. El archivo TUNDRA.TSM contiene la temperatura máxima promedio sobre el

mes de febrero para los años 1895-1993 en un área de los Estados Unidos cuya vegetación
tation se caracteriza como tundra.
a. Ajuste una línea recta a los datos mediante OLS. ¿Es la pendiente de la línea significativamente
diferente de cero?
segundo. Encuentre un modelo ARMA apropiado para los residuos del ajuste de MCO en (a).
C. Calcule las estimaciones MLE de la intersección y la pendiente de la línea y
los parámetros ARMA en (a). ¿Es la pendiente de la línea significativamente diferente?
desde cero?
re. Use su modelo para predecir la temperatura máxima promedio de los años
1994 a 2004.

6 Modelos de Series de Tiempo Estacionales y No Estacionarias PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

6 Modelos de Series de Tiempo Estacionales y No Estacionarias PDF

Cargado por

Copyright:

Formatos disponibles

2/10/2020 6 Modelos de series de tiempo estacionales y no estacionarias

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 179

6.1 Modelos ARIMA para series de tiempo no estacionarias

En este capítulo examinaremos el problema de encontrar un modelo apropiado para un

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 180

180 Capítulo 6 Modelos de series temporales estacionales y no estacionarias

6.1 Modelos ARIMA para series de tiempo no estacionarias

Ya hemos discutido la importancia de la clase de modelos ARMA para representar

Definición 6.1.1 Si d es un número entero no negativo, entonces { X t } es un proceso ARIMA ( p, d, q ) si Y t :

Esta definición significa que { X t } satisface una ecuación en diferencias de la forma

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 181

6.1 Modelos ARIMA para series de tiempo no estacionarias 181

Ejemplo 6.1.1 { X t } es un proceso ARIMA (1,1,0) si para algunos φ ∈ ( - 1 , 1 ) ,

Entonces podemos escribir

Una realización de { X 1 , ..., X 200 } con X 0 0, φ 0 . 8 y σ2 1 se muestra en

Una característica distintiva de los datos que sugiere la idoneidad de un ARIMA

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 182

182 Capítulo 6 Modelos de series temporales estacionales y no estacionarias

datos en la Figura 6.1. Retraso

los datos de la Figura 6.1. Retraso

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 183

6.1 Modelos ARIMA para series de tiempo no estacionarias 183

6.6) sugieren un modelo AR (1) (o posiblemente AR (2)) para {∇ X t } . La máxima probabilidad

que guarda un gran parecido con el verdadero proceso subyacente,

En lugar de diferenciar la serie de la figura 6.1, podríamos proceder más directamente al

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 184

184 Capítulo 6 Modelos de series temporales estacionales y no estacionarias

serie {Y t } en la Figura 6.4. Retraso

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 185

6.1 Modelos ARIMA para series de tiempo no estacionarias 185

con r 1 . 005 y ω π / 3, es decir,

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 186

186 Capítulo 6 Modelos de series temporales estacionales y no estacionarias

Figura 6-8 -1,0

La función de autocorrelación del modelo (6.1.6) se puede derivar observando que

y usando (3.2.12). Esto da

De estas ecuaciones se desprende claramente que

Con r 1 . 005 y ω π / 3 como en el modelo que genera la Figura 6.7, el modelo

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 187

6.2 Técnicas de identificación 187

6.2 Técnicas de identificación

Figura 6-9 -0,5

{X t } como en la Figura 6.7. Retraso

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 188

188 Capítulo 6 Modelos de series temporales estacionales y no estacionarias

Figura 6-10 -0,5

{X t } como en la Figura 6.7. Retraso

y el programa ITSM brinda la opción ( Transformar> Box-Cox ) de aplicar f λ

yo. "Descomposición clásica" de la serie en un componente de tendencia, una composición estacional

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 189

6.2 Técnicas de identificación 189

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 190

190 Capítulo 6 Modelos de series temporales estacionales y no estacionarias

Figura 6-12 -200

Figura 6-13 -0,5

datos en la Figura 6.12. Retraso

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 191

6.2 Técnicas de identificación 191

Figura 6-14 -0,5

AICC (φ, θ) - 2 ln L (φ, θ, S (φ, θ) / n) + 2 (p + q + 1 ) n / (n - p - q - 2 ), (6 . 2 . 1)

The Bartlett Press, Inc. brockwel 8 · i · 2002 1:59 pm Página 192

192 Capítulo 6 Modelos de series temporales estacionales y no estacionarias

Ejemplo 6.2.1 Los datos del vino tinto australiano