SeriesUNIV MIO MP PDF

Series Temporales Univariantes
Profesoras
• Carolina García-Martos (garcia.martos@upm.es)
• María Jesús Sánchez Naranjo (mjsan@etsii.upm.es)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

ÍNDICE
• Introducción a las series temporales (objetivos,

clasificación de los modelos de series, análisis
descriptivo…).
• Funciones de autocorrelación simple y parcial
• Procesos estacionarios: Modelos AR, MA y ARMA
• Modelos ARIMA
• Modelos ARIMA estacionales.
• Ejemplos prácticos
• Algunas ideas sobre: modelos multivariantes y modelos de
heterocedasticidad condicional

Bibliografía
• Box, G.E.P., Jenkins, G.M. y Reinsel, G. (1994). Time Series

Analysis: Forecasting and Control. Prentice Hall.
• Peña, D. (2010). Análisis de Series Temporales.
Alianza Editorial.
• Chatfield, C. (1989). The Analysis of Time Series. An Introduction.
Chapman & Hall.

¿Qué sé de Estadística?
¿Qué debo saber?
Inferencia (Contrastes) y modelos de regresión lineal

Objetivo del análisis de series temporales
• Explicar la evolución de una variable a lo largo del tiempo

• Prever sus valores futuros

Gráfico temporal del precio de un componente eléctrico Gráfico Temporal de la temperatura de un proceso químico (cada minuto)
43 18,8
40 18,4
18
Temperatura
37
17,6
Pecio
34
17,2
31
16,8
28 16,4
25 16
0 30 60 90 120 150 0 40 80 120 160 200
Gráfico Temporal para la serie de pasajeros de avión
800
Número de pasajeros
600
400
200
0
0 30 60 90 120 150

Clasificación de los modelos de series temporales
• EN FUNCIÓN DEL NÚMERO DE RESPUESTAS (número de variables

que evolucionan en el tiempo que se estudian):
– RESPUESTA UNIVARIANTE
– RESPUESTA MULTIVARIANTE
• FUNCIONES DE TRANSFERENCIA

Clasificación de los modelos de series temporales
• Lineales
• Estacionarios
– No estacionarios
• No lineales

• Series estacionarias:
estacionarias Estacionarias en la media y la varianza
(frecuentes en el mundo físico, pero no en el social o económico).
• Series no estacionarias:
estacionarias Su variabilidad y/o su media cambian
en el tiempo.
– El cambio en la varianza implica que la dispersión
(variabilidad) no es constante en el tiempo.
– El cambio en la media implica tendencia (a crecer o decrecer),
la serie no oscila alrededor de un valor constante. Fenómenos
sociales.
• Pauta que se repite: serie estacional.
– NO HISTOGRAMA, NO MEDIA, NO DESVIACIÓN TÍPICA

¿Cómo detectamos si una serie es o no estacionaria en varianza?
Non−stationary in variance time series

100
50
−50
−100
0 50 100 150
time
Stationary in variance time series
0.4
0.2
−0.2
−0.4
0 50 100 150
time

¿Cómo detectamos si una serie es o no estacionaria en media?

¿Cómo detectamos si una serie es o no estacionaria en media?
Gráfico Temporal de la temperatura de un proceso químico (cada minuto)
18,8
18,4
18
Temperatura
17,6
17,2
16,8
16,4
16
0 40 80 120 160 200

Descomposición básica de una serie temporal
Valor observado = tendencia+ estacionalidad + comp. irregular
Zt= Tt +St+ It
• Tendencia: movimiento suave de la serie a largo plazo

• Estacionalidad: movimientos de oscilación dentro del mes, año (p. ej.)
• Irregular: variaciones aleatorias alrededor de los componentes anteriores.

Modelos univariantes de series temporales
Objetivo:
Zt=f(Zt-1,Zt-2,…)+ at
Zt=Zt*+ at (1)
at es independiente de su pasado
Existen dos enfoques básicos para obtener (1):

– Postular la forma de Zt* (siendo Zt* la parte predecible).
– Obtener at en la serie (at es la parte no predecible).
Los métodos clásicos buscan Zt* y el enfoque Box-Jenkins se centra en

at.

Análisis univariante: enfoques
zt = Serie observada
zt = zt * +at zt * = Componente predecible
at = Componente aleatoria
Dos enfoques:
1. Método clásico: buscar zt *
2. Metodología Box-Jenkins: buscar at
zt FILTRO at

¿Cómo es at?
at debe ser un proceso de ruido blanco
• E[at]=0 t=1,2,...
• Var[at]=σ2 t=1,2,...
• Cov[at ,at-k]=0 k=±1,± 2

Etapas para la construcción de un modelo ARIMA(p,d,q)
Serie observada
Identificación del modelo ARIMA(p,d,q)

• Transformaciones
• Selección p,d,q
Estimación de parámetros y contrastes

• Función de verosimilitud
• Cálculo de estimadores y estadísticos
Crítica y diagnosis: validación del modelo
¿Es • Predicción
NO SI • Analizar estructura
el modelo
adecuado? • Datos anómalos

Herramientas a utilizar para identificar el modelo
• Gráfico de la serie: a la vista de la evolución temporal de la variable de

interés se detecta 1) La necesidad de estabilizar la varianza y 2) La
necesidad de estabilizar la media si ésta no es constante (proceso no
estacionario en media).
15
10
-5
-10
-15
0 20 40 60 80 100 120 140
Tiempo
• Función de autocorrelación simple (FAS, en inglés ACF).

• Función de autocorrelación parcial (FAP, en inglés PACF).

ACF o FAS
• Función de autocovarianzas
γ (t , t − k ) = E[( zt − µ )( zt − k − µ )] = γ k , k = 0, ±1, ±2,...
• Coeficiente de autocorrelación
Cov ( zt , zt −k )
ρk = Var ( zt )Var ( zt −k )
.
AR(2)
• La FAS es la representación retardo-coeficiente de
autocorrelación 1
x = - .9 x + .5 w + w
0 .8 t t-1 t-1 t
0 .6
Autocorrelación
0 .4
0 .2
-0 . 2
-0 . 4
-0 . 6
-0 . 8
-1
0 5 10 15 20 25 30
R e ta rd o

PACF o FAP
• Herramienta fundamental para determinar el orden de un proceso

autorregresivo.
• El coeficiente de correlación parcial mide la relación entre xt y xt-k cuando se

elimina el efecto de xt-1, xt-2 ,…, xt-k+1.
xt −4 → xt −3 → xt −2 → xt −1 → xt
AR(1)
xt −4 → xt −3 → xt −2 → xt −1 → xt
AR(2)
• La ACF sólo tiene en cuenta que xt y xt-2 están relacionados en ambos casos,
si se mide la relación directa entre ellos (eliminando el efecto debido a xt-1),
para un AR(1) es nulo pero no para un AR(2).
• El número de coeficientes distinto de cero indica el orden del proceso

autorregresivo.

Herramientas a utilizar para identificar el modelo
• Gráfico de la serie
x = - .9 x + .5 w + w
0 .8 t t-1 t-1 t
0 .6
Autocorrelación
0 .4
• Función de autocorrelación simple 0 .2
-0 . 2
-0 . 4
-0 . 6
-0 . 8
-1
0 5 10 15 20 25 30
R e ta rd o
1
x = 1 .5 x - .7 5 x + w
t t- 1 t- 2 t
0.8
0.6
0.4
Autocorrelación
0.2
• Función de autocorrelación parcial

-0 . 2
-0 . 4
-0 . 6
-0 . 8
-1
0 2 4 6 8 10 12 14 16 18 20
r e ta r d o

Pasos para la identificación del modelo
• Transformaciones para conseguir proceso estacionario

– 1. Heterocedasticidad: obtención de λ
• Gráfico de la serie y gráfico rango-media para zt y para zt (λ
• Transformación Box-Cox
Pasajeros de avión
800
600
Pasajeros
400
200
0
0 30 60 90 120 150
(en logaritmos)
6.6
6.2
Pasajeros
5.8
5.4
4.6
0 30 60 90 120 150

– 2. Determinación del orden de diferenciación regular d: número de

diferencias que se deben aplicar para convertir la serie en
estacionaria.
• Gráfico de la serie y ACF de la serie original: IBM
ACF para IBM

610 1
Autocorrelaciones
0,6
570
0,2
ibm
530
-0,2
490
-0,6
450 -1
0 20 40 60 80 100 120 0 5 10 15 20 25
retardo

Gráfico de la serie y ACF de la serie diferenciada d (1,2,...) veces
ACF para IBM con d=1

25 1
Autocorrelaciones
0,6
ibm con d=1
15
0,2
5
-0,2
-5 •
-0,6
-15 -1
0 20 40 60 80 100 120 0 5 10 15 20 25
retardo
• 3. Identificación de la estructura estacionaria: determinación de los

ordenes p y q del modelo.
• Funciones de autocorrelación simple y parcial (AR(p) y MA(q)).

Proceso estacionario (en sentido débil)
1. µt = µ = cte,
2. σ t2 = σ 2 = cte
3. γ (t , t − k ) = E[( zt − µ )( zt − k − µ )] = γ k , k = 0, ±1, ±2,...

Proceso Auto-Regresivo de orden 1, AR(1).
zt = φ zt −1 + at
zt = φ zt −12 + at
at → N (0, σ a )
at → at ,...N (0, σ
2
a1 ,..., )
independientes
a
= 0,a∀,...
E[azt ],..., t independientes
1 t
σ 2
E[ztz]t =] = 0,a 2∀t
var[
1−φ
σ a2
var[ zt ] =
1−φ 2

Proceso Auto-Regresivo de orden 1, AR(1). FAS y FAP.
at → N (0, σ a2 )
a1 ,..., at ,... independientes
γ = φ , k = 1,....
E[ zt ] = 0, ∀
kt
k
α
var[ z ] =
σ =φ
11
2
a
1−φ
t 2
α kk = 0, k > 1

Proceso Auto-Regresivo de orden 1, AR(1). FAS o ACF.
at → N (0, σ a2 )
E[ zt ] = 0, ∀t
σ a2
var[ zt ] =
1−φ 2

Proceso Auto-Regresivo de orden 1, AR(1). FAP o PACF.
at → N (0, σ a2 )
E[ zt ] = 0, ∀t
σ a2
var[ zt ] =
1−φ 2

Proceso Auto-Regresivo de orden 2, AR(2).
zt t= φ1 zt −1 +aφ)2 zt − 2
a → N (0, σ 2
+ at
at → N (0, σ a ) 2
E[ zt ] = 0, ∀t
a1 ,..., at ,...σindependientes
2
var[ zt ] = a
1 −1φ−2 φ2σ a2
var[ zt ] = ( )
1 + φ2 {(1 − φ2 ) 2 − φ12 }

Proceso Auto-Regresivo de orden 2, AR(2). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIÓN
La autocorrelación simple decrece con el retardo de forma exponencial.
La autocorrelación parcial no es significativa para retardos > 2.

Proceso Auto-Regresivo de orden p, AR(p).
at → N (0, σ a2 )
1
φ1 zat −,...
zt a=,...,
t
φ2 zt − 2 + ... + φ p zt − p + at
1 +independientes
0, ∀σt 2 )
[ zt ]N=(0,
at E→ a
σ a2
a1 ,..., = independientes
var[ zat t],...
1−φ 2
E[ zt ] = 0, ∀t

Proceso Auto-Regresivo de orden p, AR(p).
Sobre la notación: El operador retardo B

Bzt = zt −1
B 2 zt = zt − 2
B p zt = zt − p
∇zt = (1 − B) zt = zt − zt −1
(1 − ϕ B) zt = at ⇔ zt = (1 + ϕ B + ϕ 2 B 2 + ...)at =
= at + ϕ at −1 + ϕ 2 at − 2 + .....
(1 − θ B)at = zt ⇔ at = (1 + θ B + θ 2 B 2 + ...) zt =
= zt + θ zt −1 + θ 2 zt − 2 + .....

Proceso Auto-Regresivo de orden p, AR(p). FAS y FAP.
La autocorrelación simple decrece con el retardo de forma exponencial.
La autocorrelación parcial no es significativa para retardos > p.

Modelos autorregresivos: AR(1), AR(2),..., AR(p)
Modelo AR(1)
γ ( h)
ρ ( h) = = φ h, h≥0 y 0 <φ <1 (Fácil de identificar)
γ (0)
Modelo AR(2)
ρ (h) = φ1ρ (h − 1) + φ 2 ρ (h − 2), h ≥ 1

Modelo AR(p)
ρ (h) = φ1ρ (h − 1) + φ2 ρ (h − 2) + ... + φ p ρ (h − p ) h ≥ 1
•Si p>1 la identificación utilizando sólo la ACF no es posible

Proceso de Media móvil de orden 1, MA(1).
at z→
t =
N −θ
(0, 1 a t −1 + at
σa2
)
at → N (0, σ a )
2
E[ zt ] = 0, ∀t
σa 2
var[ zt ] =
E[ zt ] 1=−0,
φ 2∀t
var[ zt ] = σ a2 (1 + θ12 )

Proceso de Media móvil de orden 1, MA(1). FAS y FAP.
at → N (0, σ a2 )
γ =θ
E[ z ] = 0, ∀t
t
1
γ k σ= 0, k > 1
2
var[ zt ] = a
1−φ 2
α kk = θ , k = 1,...
k

Proceso de Media móvil de orden 1, MA(1). FAS y FAP
at → N (0, σ a2 )
E[ zt ] = 0, ∀t
σ a2
var[ zt ] =
1−φ 2

Proceso de Media móvil de orden 2, MA(2).
azt →=N−(0, σ
θ aa )
2
− θ 2 at − 2 + at
t 1 t −1
Ea[tzt → t σ
2
] = 0,N
∀(0, a )
a1 ,..., σ 2
var[ zt ] =at ,...
a independientes
1−φ 2
E[ zt ] = 0, ∀t
var[ zt ] = σ (1 + θ + θ 2 )
2
a 1
2 2

Proceso de Media móvil de orden 2, MA(2). FAS y FAP.
La autocorrelación simple no es significativa para retardos > 2.
La autocorrelación parcial decrece con el retardo de forma exponencial.

Proceso de Media móvil de orden q, MA(q).
at → N (0, σ a2 )
zt =a1a,...,
t − atθ t −1 − θ 2 at − 2 − ... − θ q at − q
,...1aindependientes
E[ zt ] = 0, ∀t
zt = (1 − θ1 B − θ 2 B − ... − θ q B )at
2 q
2
σa
var[ zt ] =
E[ zt ] = 0, ∀ 1 −tφ 2
var[ zt ] = σ (1 + θ + ... + θ )
2
a 1
2 2
q

Proceso de Media móvil de orden q, MA(q). FAS y FAP.
La autocorrelación simple no es significativa para retardos > q.
La autocorrelación parcial decrece con el retardo de forma exponencial.

Proceso ARMA(1,1).
zt = φ z
a → N (0, σ )
t 21 − θ at −1 + at
−
t a
,...,→
a1a (0, σ 2 )
at ,...Nindependientes
t a
E[ zt ] = 0, ∀t
a1 ,..., at 2independientes
σa
var[ zt ] =
E[ zt ] 1=− φ0,2 ∀t
1 + θ − 2θφ 2
var[ zt ] = σ 2
1−φ
a 2

Proceso ARMA(1,1). FAS y FAP
at → N (0, σ a2 )
E[ zt ] = 0, ∀t
σ a2
var[ zt ] =
1−φ 2

Proceso de ARMA (1,1). FAS y FAP.
FAS: decrecimiento geométrico dependiente del parámetro

autorregresivo.
FAP: Decrecimiento geométrico dependiente del parámetro de media

móvil.

Proceso ARMA(p,q).
at → N (0, σ a2 )
zt = φ1 zt −1 + φ2 zt − 2 + ... + φ p zt − p − θ 1 at −1 − θ 2 at − 2 − ... − θ q at − q + at
(1 − φ1 B − φ2 B −E[...zt −] =φ0,
2
pB ∀t ) zt = (1 − θ 1 B − θ 2 B − ... − θ q B )at
p 2 q
2
a
σ
at → N (0, σ ) var[ z ] = a
2
1−φ 2
t
a1 ,..., at independientes
E[ zt ] = 0, ∀t

Proceso ARMA(p,q). Estructura de la FAS y la FAP.
at → N (0, σ a2 )
ACF PACF
AR(p) [ zt ] = 0,coeficientes
EMuchos ∀t 0 excepto los primeros p
distintos a 0
σ a2
MA(q) 0var[ zt ] = los primeros
excepto q Muchos coeficientes distintos a
1−φ 2
0
ARMA(p,q) Muchos coeficientes Muchos coeficientes distintos a

distintos a 0 0

Procesos integrados.

Procesos integrados.

Procesos integrados. Modelos ARIMA (p,d,q).
φ ( B )∇ d zt = θ ( B)at
(1 − φ1 B − φ2 B 2 − ... − φ p B p )(1 − B) d zt = (1 − θ1 B − θ 2 B 2 − ... − θ q B q )at
at → N (0, σ a2 )
a1 ,..., at ,...independientes

Procesos ARIMA estacionales

Algunos ejemplos...
Un tipo de falta de estacionariedad en la media muy habitual en la

práctica: el comportamiento estacional.

Algunos ejemplos...


Algunos ejemplos...


Precios de energía eléctrica. FAS y FAP muestran también la presencia de
estacionalidad

¿Qué es una serie estacional?
Diremos que una serie es estacional cuando su media no es constante

en el tiempo pero varía de forma periódica, cíclica.
Si Ez t  = Ezt+s  entonces diremos que la estacionalidad es de periodo s.
– En series diarias, en las que suele haber estacionalidad semanal:

s=7.
– En series mensuales s=12.
– En series horarias, estacionalidad diaria: s=24.
– En series bimensuales, la estacionalidad anual hace que s=6, y
análogamente con las cuatrimestrales (s=3) y trimestrales
(s=4).

Tipos de estacionalidad
MODELADO DE LA ESTACIONALIDAD DE FORMA ADITIVA

Consiste en escribir la serie como suma de un proceso estacionario y
un componente estacional:
s
zt = St + nt
La serie no es estacionaria, pues el componente estacional no toma
mismo valor en todos los periodos.

Representación del IPI en España para los distintos meses. Efecto
estacional.

Demanda. Efecto estacional.

Formas de modelar la estacionalidad
• Que sea determinista, es decir constante para el mismo mes de

distinto año.
• Senos y cosenos.
• Introducir s-1 variables ficticias
• Que la estacionalidad evoluciona en el tiempo pero oscilando
alrededor de un valor fijo
• Permitir que sea cambiante en el tiempo sin ningún valor medio fijo,
en este caso diremos que la estacionalidad es no estacionaria.
Primera forma sencilla de modelar la estacionalidad:
z t = zt−s + a t

Diferencia estacional
z t = zt−s + a t , a t : Proceso estacionario

En el caso más sencillo, si at es ruido blanco diremos que la serie zt
sigue un proceso I(1)s
zt − zt−s = a t → ∇ s zt = a t , a t ∼ N0, σ2a 

∇ s = 1 − B s
Operador diferencia estacional

Diferencias regulares y estacionales
Si al aplicar a la serie zt: D diferencias estacionales y d diferencias

regulares tenemos un proceso de ruido blanco, diremos que dicha
serie sigue un modelo I(d)xI(D)s.
D: número de diferencias estacionales

s: orden de la estacionalidad
d: número de diferencias regulares
1 − B s D1 − B d zt = a t , a t ∼ N0, σ2a 
Podemos tener que aplicar más de una diferencia regular, pero es muy
infrecuente tener que hacer más de una diferencia éstacional. En
cualquier caso d≤3.

Si al aplicar a la serie zt: D diferencias estacionales y d diferencias

regulares tenemos un proceso estacionario, pero no ruido blanco:
D: número de diferencias estacionales

s: orden de la estacionalidad
d: número de diferencias regulares
1 − B s D1 − Bd zt = y t , y t ∼ estacionario, pero con estructura de dependencia...
Generalizar el modelo ARMA incluyendo además de la dependencia

regular, también la estacional.

La ecuación de un modelo multiplicativo estacional ARMA (p,q)x(P,Q)s:
1 − φ 1 B −. . . −φ p B p 1 − Φ 1 B s −. . . −Φ p B psy t = 1 − θ1 B −. . . −θ q B q 1 − Θ 1 B s −. . . −Θ Q B Qs a t
con a t ∼ N0, σ2a 
Lo podemos escribir de forma compacta:
φ p BΦ p B sy t = θq BΘ QB sa t
Y la fórmulación completa del modelo ARIMA(p.d.q)x(P,D,Q)s para zt:
φ p BΦ p B s∇ d ∇ s Dz t = θq BΘ QB sa t

Para la fórmulación completa del modelo ARIMA(p.d.q)x(P,D,Q)s para zt:
φ p BΦ p B s∇ d ∇ s Dz t = θq BΘ QB sa t

con a t ∼ N0, σ2a 
φ p B = 1 − φ 1 B −. . . −φ p B p , operador AR regular de orden p

Φ p B s = 1 − Φ 1 B s −. . . −Φ p B ps , operador AR estacional de orden P
∇d = 1 − Bd , d diferencias regulares
∇ s D = 1 − B s D, D diferencias estacionales
θ q B = 1 − θ1 B −. . . −θq B q , operador MA regular de orden q
Θ QB s = 1 − Θ 1 B s −. . . −Θ QB Qs , operador MA estacional de orden Q

Identificación del modelo ARIMA estacional
PASOS A SEGUIR
• ¿Cuál es el orden de la estacionalidad? ¿s=? Para ello es importante
conocer de qué datos se trata.
• Comprobar si la serie es estacionaria en varianza, y si no lo es tomar

logaritmos.
• Comprobar si la serie es estacionaria en media, ¿es necesaria una

diferencia estacional? Es muy infrecuente que sea necesaria más de
una diferencia estacional, ¿es necesaria alguna diferencia regular?
Usualmente p<4.
• Seleccionar el modelo ARMA multiplicativo más adecuado.

Seleccionando paso a paso, p, P, q y Q.

Identificación del modelo ARIMA estacional
La función de autocorrelación simple (FAS) de un ARMA(p,d)x(P,D)

• En los retardos bajos observamos únicamente lo correspondiente a la
parte regular,
• En los retardos estacionales (s, 2s, 3s,...) observamos únicamente lo
correspondiente a la parte estacional.
• Alrededor de los retardos estacionales (s-2, s-1, s+1, s+2, 2s-2, 2s-1,
2s+1, 2s+2,...) observamos lo correspondiente a la interacción entre
la parte estacional y regular. En concreto lo que se observa es la
repetición de la FAS de la parte regular a ambos lados de los retardos
estacionales: Si la parte regular es MA, a cada lado de los retardos
estacionales tendré q coeficientes significativos. Si la parte regular es
AR, a cada lado de los retardos estacionales tendré el decaimiento
exponencial propio de los AR.

Pasos para la construcción de un modelo ARIMA

Serie observada
Identificación del modelo ARIMA(p,d,q)

• Transformaciones
• Selección p,d,q
Estimación de parámetros y contrastes

• Función de verosimilitud
• Cálculo de estimadores y estadísticos
Crítica y diagnosis: validación del modelo
¿Es • Predicción
NO SI • Analizar estructura
el modelo
adecuado? • Datos anómalos

Reglas prácticas
1. En primer lugar ha de estabilizarse la varianza si es necesario. Una vez

estabilizada la varianza, y sólo si el proceso no es estacionario en media, se
debe estabilizar la media (Tomando diferencias regulares (d), y/o
estacionales, D).
Una vez se tiene una serie estacionaria y en desviaciones a la media...
2. Evitar la identificación inicial de modelos mixtos ARMA y comenzar con

modelos AR y MA, preferiblemente de orden bajo.
3. Buscar modelos simples que expliquen los rasgos más obvios de la ACF.
Coeficientes claramente significativos, pautas de decrecimiento geométricas
o sinusoidales, etc.
4. Luego se utilizará la PACF para completar y confirmar los rasgos de la ACF.

ESTIMACIÓN DEL MODELO (detalles en Peña (2010)).
OBJETIVO: Obtener las estimaciones de los parámetros que definen el modelo
Parámetros: φ1, φ2,..., φp, θ1, θ2, θq, µx y σw2
Xt es estacionaria e invertible
β =[φ1, φ2,..., φp, θ1, θ2, θq ]T
wt ~ N(0, σw2) (i.i.d.)
Diferentes enfoques:
Condicionado
No condicionado (estimación exacta)
Independientemente del criterio que se elige hay dos problemas:

Determinación de condiciones iniciales
Modelos no lineales
ESTIMACIÓN DEL MODELO. Contrastes sobre los parámetros.
Se obtienen los valores de los parámetros estimados.
Se obtienen las desviaciones típicas estimadas
¿Son nulos los parámetros?
H 0 : βi = 0
H1 : β i ≠ 0
βˆ1 = φˆ1, βˆ2 = φˆ2 ,..., βˆh −1 = ϑˆq −1, βˆh = ϑˆq
βî → N ( βi , σ ( βî ))

ESTIMACIÓN DEL MODELO. Contrastes sobre los parámetros.
Se obtienen los valores de los parámetros estimados.
Se obtienen las desviaciones típicas estimadas
¿Son nulos los parámetros?
βî − 0
Si n ↑↑↑ Zi =
βî − 0 βî − 0 σˆ ( βˆ1 )
→ N (0,1); →t
σ ( β1 )
ˆ σˆ ( β1 )
ˆ Si Z i ∈ (−2,2) no se rechaza H 0 y βi = 0.
Si Z i ∉ (−2,2) se rechaza H 0 y βi ≠ 0.

DIAGNOSIS DEL MODELO. ¿Se cumplen las hipótesis asumidas?
1. Análisis sobre los coeficientes
2. Los coeficientes del modelo son suficientes para representar

la serie
3. El modelo seleccionado debe tener un grado de ajuste

elevado (en comparación con otros)
4. Análisis de residuos

DIAGNOSIS DEL MODELO. (1. Análisis sobre los coeficientes)
• Los coeficientes estimados deben cumplir condiciones de

estacionariedad e invertibilidad.
• Cálculo de raíces de los polinomios
• Si alguna raíz está muy cerca de la unidad hay que tener cierta
precaución. Si es la correspondiente a la parte autorregresiva puede
suceder que la serie esté subdiferenciada.
• Si existen raíces comunes se podría utilizar un modelo con dos

parámetros menos.

DIAGNOSIS DEL MODELO. (2. ¿Son suficientes los parámetros
para representar la serie? )
• Consiste en introducir parámetros adicionales para estudiar si el

modelo está infradimensionado.
ARMA (p,q) ARMA(p+1,q)
ARMA (p,q) ARMA(p,q+1)
• Problema: redundancia paramétrica.

DIAGNOSIS DEL MODELO. (3. Selección del modelo más adecuado )
Fase de identificación: varios modelos alternativos.
¿Cuál es el más adecuado?
AIC
BIC

DIAGNOSIS DEL MODELO. (4. Análisis de los residuos)
Comprobar las hipótesis realizadas:
• Los residuos tienen media cero,
• La varianza de los residuos es constante: homocedasticidad,
• Los residuos son independientes,
• Los residuos se distribuyen normalmente.

Predicción con modelos ARIMA
Dos fuentes de incertidumbre: Media condicional y varianza

condicional ∞
zt = ψ(B)at zT +k = ∑ ψjaT +k − j
j=0
eT (k) = zT +k − zˆT (k) = aT +k + ψ1aT +k −1 + ... + ψk −1aT +1
Var (eT (k)) = σ (1 + ψ + ... + ψ )

2
1
2 2
k −1
zˆT (k) ± 1.96σˆ (1 + ψ12 + ... + ψk2−1 )1/ 2

Un ejemplo práctico

Datos de pasajeros de avión: Datos mensuales en miles de pasajeros,

desde Enero de 1949 hasta Diciembre de 1960.
Time Series Plot for Col_1

800
600
Col_1
400
200
0
0 30 60 90 120 150

Proceso no estacionario. Además son necesarias una diferencia estacional

y una diferencia regular (para que el proceso sea estacionario en media).
Time Series Plot for log(Col_1)

6.6
6.2
log(Col_1)
5.8
5.4
4.6
0 30 60 90 120 150

Tras una diferencia estacional y otra regular…
Residual Autocorrelations for adjusted log(Col_1)

ARIMA(0,1,0)x(0,1,0)12 with constant
1
Autocorrelations
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25
lag

Modelo ARIMA (0,1,1) x (0,1,1)12
DIAGNOSIS DEL MODELO
Residual Autocorrelations for adjusted log(Col_1)

Residual Partial Autocorrelations for adjusted log(Col_1)
Partial Autocorrelations
1 ARIMA(0,1,1)x(0,1,1)12 with constant
Autocorrelations
1
0.6
0.6
0.2
0.2
-0.2
-0.2
-0.6
-0.6
-1 -1
0 5 10 15 20 25 0 5 10 15 20 25
lag lag

Modelo ARIMA (0,1,1) x (0,1,1)12. Predicción para los tres años siguientes.
Time Sequence Plot for log(Col_1)

7
actual
6.6 forecast
log(Col_1)
6.2 95.0% limits
5.8
5.4
5
4.6
0 40 80 120 160

Algunos temas avanzados en series temporales: Modelos
multivariantes (VARMA) y modelos de heterocedasticidad
condicional (GARCH)

Ejemplo de serie temporal multivariante
Fuente: Course on Time Series Analysis (Prof. Andrés M. Alonso) y Peña (2010).

Modelos de heterocedasticidad condicional (Ver documento
adjunto)

Ejemplo de serie con heterocedasticidad condicional.
Series financieras: No predecimos la media condicional sino la volatilidad
o varianza condicional.

Ejemplo de serie con heterocedasticidad condicional.
Series financieras: No predecimos la media condicional sino la volatilidad
o varianza condicional.

SeriesUNIV MIO MP 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

SeriesUNIV MIO MP PDF

Cargado por

Copyright:

Formatos disponibles

Series Temporales Univariantes

• Carolina García-Martos (garcia.martos@upm.es)

• María Jesús Sánchez Naranjo (mjsan@etsii.upm.es)

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

• Introducción a las series temporales (objetivos,

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

• Box, G.E.P., Jenkins, G.M. y Reinsel, G. (1994). Time Series

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

¿Qué debo saber?

Inferencia (Contrastes) y modelos de regresión lineal

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

• Explicar la evolución de una variable a lo largo del tiempo

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Gráfico Temporal para la serie de pasajeros de avión

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

• EN FUNCIÓN DEL NÚMERO DE RESPUESTAS (número de variables

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Non−stationary in variance time series

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Gráfico Temporal de la temperatura de un proceso químico (cada minuto)

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Valor observado = tendencia+ estacionalidad + comp. irregular

• Tendencia: movimiento suave de la serie a largo plazo

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Existen dos enfoques básicos para obtener (1):

Los métodos clásicos buscan Zt* y el enfoque Box-Jenkins se centra en

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

at debe ser un proceso de ruido blanco

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Identificación del modelo ARIMA(p,d,q)

Estimación de parámetros y contrastes

Crítica y diagnosis: validación del modelo

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

• Gráfico de la serie: a la vista de la evolución temporal de la variable de

• Función de autocorrelación simple (FAS, en inglés ACF).

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

γ (t , t − k ) = E[( zt − µ )( zt − k − µ )] = γ k , k = 0, ±1, ±2,...

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

• Herramienta fundamental para determinar el orden de un proceso

• El coeficiente de correlación parcial mide la relación entre xt y xt-k cuando se

• El número de coeficientes distinto de cero indica el orden del proceso

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

• Función de autocorrelación simple 0 .2

• Función de autocorrelación parcial

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

• Transformaciones para conseguir proceso estacionario

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

– 2. Determinación del orden de diferenciación regular d: número de

• Gráfico de la serie y ACF de la serie original: IBM

ACF para IBM

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Gráfico de la serie y ACF de la serie diferenciada d (1,2,...) veces

ACF para IBM con d=1

• 3. Identificación de la estructura estacionaria: determinación de los

• Funciones de autocorrelación simple y parcial (AR(p) y MA(q)).

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos

Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos