Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SeriesUNIV MIO MP PDF
SeriesUNIV MIO MP PDF
Profesoras
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
800
Número de pasajeros
600
400
200
0
0 30 60 90 120 150
– RESPUESTA UNIVARIANTE
– RESPUESTA MULTIVARIANTE
• FUNCIONES DE TRANSFERENCIA
• Lineales
• Estacionarios
– No estacionarios
• No lineales
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
18,8
18,4
18
Temperatura
17,6
17,2
16,8
16,4
16
0 40 80 120 160 200
Zt= Tt +St+ It
Objetivo:
Zt=f(Zt-1,Zt-2,…)+ at
Zt=Zt*+ at (1)
at es independiente de su pasado
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
• E[at]=0 t=1,2,...
• Var[at]=σ2 t=1,2,...
• Cov[at ,at-k]=0 k=±1,± 2
Serie observada
¿Es • Predicción
NO SI • Analizar estructura
el modelo
adecuado? • Datos anómalos
15
10
-5
-10
-15
0 20 40 60 80 100 120 140
Tiempo
• Función de autocovarianzas
• 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
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).
• Gráfico de la serie
x = - .9 x + .5 w + w
0 .8 t t-1 t-1 t
0 .6
Autocorrelación
0 .4
-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
-0 . 4
-0 . 6
-0 . 8
-1
0 2 4 6 8 10 12 14 16 18 20
r e ta r d o
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
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
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
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,...
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
zt = φ zt −1 + at
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
zt = φ zt −1 + at
at → N (0, σ a2 )
a1 ,..., at ,... independientes
E[ zt ] = 0, ∀t
σ a2
var[ zt ] =
1−φ 2
zt = φ zt −1 + at
at → N (0, σ a2 )
a1 ,..., at ,... independientes
E[ zt ] = 0, ∀t
σ a2
var[ zt ] =
1−φ 2
zt = φ zt −1 + at
zt t= φ1 zt −1 +aφ)2 zt − 2
a → N (0, σ 2
+ at
a1 ,..., at ,... independientes
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 }
ESTRUCTURA DE AUTOCORRELACIÓN
zt = φ zt −1 + at
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
ESTRUCTURA DE AUTOCORRELACIÓN
Modelo AR(1)
γ ( h)
ρ ( h) = = φ h, h≥0 y 0 <φ <1 (Fácil de identificar)
γ (0)
Modelo AR(2)
zt = φ zt −1 + at
at z→
t =
N −θ
(0, 1 a t −1 + at
σa2
)
at → N (0, σ a )
a1 ,..., at ,... independientes
2
E[ zt ] = 0, ∀t
a1 ,..., at ,... independientes
σa 2
var[ zt ] =
E[ zt ] 1=−0,
φ 2∀t
var[ zt ] = σ a2 (1 + θ12 )
zt = φ zt −1 + at
at → N (0, σ a2 )
γ =θ
a1 ,..., at ,... independientes
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
zt = φ zt −1 + at
at → N (0, σ a2 )
a1 ,..., at ,... independientes
E[ zt ] = 0, ∀t
σ a2
var[ zt ] =
1−φ 2
zt = φ zt −1 + at
azt →=N−(0, σ
θ aa )
2
− θ 2 at − 2 + at
t 1 t −1
a1 ,..., at ,... independientes
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
ESTRUCTURA DE AUTOCORRELACIÓN
zt = φ zt −1 + at
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
ESTRUCTURA DE AUTOCORRELACIÓN
zt = φ zt −1 + at
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
zt = φ zt −1 + at
at → N (0, σ a2 )
a1 ,..., at ,... independientes
E[ zt ] = 0, ∀t
σ a2
var[ zt ] =
1−φ 2
ESTRUCTURA DE AUTOCORRELACIÓN
2
a
σ
at → N (0, σ ) var[ z ] = a
2
1−φ 2
t
a1 ,..., at independientes
E[ zt ] = 0, ∀t
zt = φ zt −1 + at
at → N (0, σ a2 )
ACF PACF
a1 ,..., at ,... independientes
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
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
z t = zt−s + a t
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.
PASOS A SEGUIR
• ¿Cuál es el orden de la estacionalidad? ¿s=? Para ello es importante
conocer de qué datos se trata.
Serie observada
¿Es • Predicción
NO SI • Analizar estructura
el modelo
adecuado? • Datos anómalos
Reglas prácticas
3. Buscar modelos simples que expliquen los rasgos más obvios de la ACF.
Coeficientes claramente significativos, pautas de decrecimiento geométricas
o sinusoidales, etc.
Xt es estacionaria e invertible
Diferentes enfoques:
Condicionado
No condicionado (estimación exacta)
H 0 : βi = 0
H1 : β i ≠ 0
βˆ1 = φˆ1, βˆ2 = φˆ2 ,..., βˆh −1 = ϑˆq −1, βˆh = ϑˆq
βˆi → N ( βi , σ ( βˆi ))
βˆi − 0
Si n ↑↑↑ Zi =
βˆi − 0 βˆi − 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.
4. Análisis de residuos
• 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.
AIC
BIC
600
Col_1
400
200
0
0 30 60 90 120 150
6.2
log(Col_1)
5.8
5.4
4.6
0 30 60 90 120 150
0.6
0.2
-0.2
-0.6
-1
0 5 10 15 20 25
lag
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.
5.8
5.4
5
4.6
0 40 80 120 160
Fuente: Course on Time Series Analysis (Prof. Andrés M. Alonso) y Peña (2010).