Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez

Introducción Aplicación a datos reales

Procesos
ARMA: Presentamos a continuación un ejemplo con datos reales en el
Definición e
identificación que se hace uso de gran parte de lo expuesto hasta este
Procesos momento.
ARIMA:
Definición e
identificación
La serie de tiempo que analizaremos se corresponde con la
Estimación y
diagnosis producción anual de tabaco en EE.UU. (1872-1983).
Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo 1: Identificación del modelo (gráf. secuencial, fas y fap muestrales)
Germán
Aneiros Pérez
1872-1983 El gráfico de la izquierda
Introducción

Procesos
muestra presencia de
ARMA:
Definición e
heterocedasticidad y tendencia.
identificación

Procesos Comenzamos transformando la

ARIMA:
Definición e serie para tratar de estabilizar
identificación

Estimación y
la variabilidad. Puesto que ésta
diagnosis aumenta con el nivel de la serie
Selección del
modelo y
(quizás la desviación tı́pica sea
predicción lineal en la media), le aplicamos
Aplicación a
datos reales
a la producción de tabaco la
Procesos función logaritmo neperiano.
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez Producción transformada (ln) El gráfico de la izquierda
Introducción muestra que:
Procesos
ARMA:
La varianza de la
Definición e
identificación
producción se ha
Procesos
estabilizado al aplicarle la
ARIMA:
Definición e
función logaritmo
identificación
neperiano.
Estimación y
diagnosis La serie transformada
Selección del tiene tendencia.
modelo y
predicción
La diferenciación regular podrı́a
Aplicación a
datos reales eliminar la tendencia.
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez Dif. reg. del ln de la producc. El gráfico de la izquierda
Introducción muestra que:
Procesos
ARMA:
La tendencia ha sido
Definición e
identificación
eliminada al aplicarle una
Procesos diferencia regular.
ARIMA:
Definición e La serie diferenciada es
identificación
estacionaria (quizás
Estimación y
diagnosis presenta algún valor
Selección del atı́pico).
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez Dif. reg. del ln de la producc. A la espera de realizar el
Introducción análisis de residuos, el gráfico
Procesos de la izquierda sugiere que:
ARMA:
Definición e
identificación
La serie transformada
Procesos proviene de un proceso
ARIMA:
Definición e
MA(1).
identificación
El logaritmo neperiano de
Estimación y
diagnosis la producción de tabaco ha
Selección del sido generado por un
modelo y
predicción proceso ARIMA(0,1,1).
Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez El modelo identificado (ARIMA(0,1,1)) se puede expresar como
Introducción

Procesos
(1 − B) Yt = c + (1 + θ1 B) at ,
ARMA:
Definición e
identificación siendo Yt = ln (Xt ) y Xt la producción de tabaco del año t.
Procesos
ARIMA:
Definición e Una representación equivalente es
identificación

Estimación y
diagnosis
Yt = c + Yt−1 + at + θ1 at−1 .
Selección del
modelo y Nota: Obsérvese que, puesto que el proceso diferenciado no
predicción
tiene parte AR, la constante c coincide con su media µ.
Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
2: Estimación del modelo identificado ARIMA(0,1,1)
Germán
Aneiros Pérez
Estimando los parámetros por máxima verosimilitud resulta:
Introducción

Procesos
ARMA:
θb1 = −0.6899 (0.0698), µ
b = 0.0145 (0.0049),
Definición e
identificación

Procesos
ba2 = 0.02624.
yσ
ARIMA:
Definición e
identificación

Estimación y
Nótese que todos los parámetros son significativamente
diagnosis distintos de cero.
Selección del
modelo y
predicción Puesto que el modelo no tiene parte AR, la constante c del
Aplicación a
datos reales
modelo coincide con la media µ del proceso diferenciado. Por
Procesos
tanto, c = 0.0145.
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
3: Diagnosis del modelo ARIMA(0,1,1)
Germán
Aneiros Pérez
Residuos: gráficos secuencial y Contrastes de independencia
Introducción Q-Q normal
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez

Introducción
Contrastes de media cero y Conclusión: Un modelo
Procesos normalidad ARIMA(0,1,1) con constante e
ARMA:
Definición e µa = 0: innovaciones no gaussianas
identificación
p − valor = 0.9145 resulta adecuado como
Procesos
ARIMA: Normalidad: generador de la serie de la
Definición e
identificación Jarque-Bera: producción de tabaco
Estimación y p − valor = 9.39e − 07 (transformada a través de la
diagnosis

Selección del
función logaritmo neperiano).
modelo y Shapiro-Wilk:
predicción p − valor = 0.002283
Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
4: Selección del modelo (criterio BIC)
Introducción

Procesos Hemos calculado los valores del criterio BIC para distintos
ARMA:
Definición e procesos ARIMA(p,1,q) (p, q ∈ {0, 1, 2, 3}).
identificación

Procesos
ARIMA:
El modelo ARIMA(0,1,1) resultó ser el de menor BIC
Definición e
identificación
(BIC= −74.31). Nótese que este modelo coincide con el
Estimación y previamente identificado en base a las fas y fap muestrales.
diagnosis

Selección del
modelo y
Ninguno de los demás modelos evaluados alcanzó un BIC que
predicción distase del mı́nimo menos de 2 unidades.
Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
5: Predicción en base al modelo ARIMA(0,1,1)
Germán
Aneiros Pérez
El ARIMA(0,1,1) que hemos Serie histótica y predicciones
Introducción
seleccionado, estimado y
Procesos
ARMA: chequeado fue utilizado para
Definición e
identificación realizar predicciones a
Procesos horizontes de predicción
ARIMA:
Definición e k = 1, . . . , 5.
identificación

Estimación y
diagnosis Éstas se muestran en el gráfico
Selección del de la derecha (azul), junto con
modelo y
predicción la serie histótica (negro).
Aplicación a Puesto que no tenemos
datos reales
gaussianidad, no presentamos
Procesos
ARIMA los intervalos de predicción.
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Procesos ARIMA estacionales: Introducción
Aneiros Pérez
La clase de procesos ARIMA que acabamos de estudiar:
Introducción
Captura no estacionariedades provocadas por la presencia
Procesos
ARMA: de tendencia (incluso no determinista).
Definición e
identificación No captura no estacionariedades provocadas por la
Procesos presencia de componente estacional.
ARIMA:
Definición e
identificación

Estimación y
A continuación, ampliaremos la clase de procesos ARIMA
diagnosis estudiada, de modo que la nueva clase sea capaz de modelizar
Selección del
modelo y
no estacionariedades provocadas tanto por la presencia de
predicción
tendencia (determinista o estocástica) como por la presencia de
Aplicación a
datos reales componente estacional (determinista o estocástica).
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez Procesos ARMA estacionales: Introducción
Introducción En la construcción de los procesos ARIMA ya estudiados
Procesos
ARMA:
jugaban un papel fundamental los procesos ARMA. Recuérdese
Definición e que:
identificación

Procesos
ARIMA: {Xt }t es ARIMA(p,d,q) ⇔ (1 − B)d Xt es ARMA(p,q).
Definición e
identificación

Estimación y
diagnosis Del mismo modo, necesitaremos de los procesos ARMA
Selección del estacionales para construir la nueva clase de procesos ARIMA
modelo y
predicción estacionales.
Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Procesos ARMA estacionales: Introducción
Germán Los procesos ARMA que ya hemos estudiado modelizan la
Aneiros Pérez
dependencia regular: dependencia entre observaciones
Introducción consecutivas ocurridas en el pasado inmediato. Por ejemplo:
Procesos
ARMA: AR(1): Xt = c + φ1 Xt−1 + at .
Definición e
identificación MA(2): Xt = c + θ1 at−1 + θ2 at−2 + at .
Procesos
ARIMA: ARMA(1,1): Xt = c + φ1 Xt−1 + θ1 at−1 + at .
Definición e
identificación Los procesos ARMA estacionales modelizan la dependencia
Estimación y
diagnosis
estacional: dependencia entre observ. ocurridas en instantes
Selección del
separados por múltiplos del perı́odo estacional s. Ası́, si s=12:
modelo y
predicción AR(1)12 : Xt = c + Φ1 Xt−12 + at .
Aplicación a
datos reales
MA(2)12 : Xt = c + Θ1 at−12 + Θ2 at−24 + at .
Procesos ARMA(1,1)12 : Xt = c + Φ1 Xt−12 + Θ1 at−12 + at .
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Ejemplo de la fas y la fap de procesos AR(1)12 y MA(2)4
Germán
Aneiros Pérez

Introducción
AR(1)12 MA(2)4
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Ejemplo de la fas y la fap de procesos ARMA(1,1)12
Germán
Aneiros Pérez

Introducción
ARMA(1,1)12 : Φ1 > 0, Θ1 > 0 ARMA(1,1)12 : Φ1 < 0, Θ1 < 0
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Procesos ARMA estacionales: Definición
Germán
Aneiros Pérez Un proceso estacionario {Xt }t que admite la representación
Introducción Xt = c + Φ1 Xt−s + Φ2 Xt−2s + · · · + ΦP Xt−Ps
Procesos
ARMA:
+at + Θ1 at−s + Θ2 at−2s + · · · + ΘQ at−Qs ,
Definición e
identificación
donde c, Φ1 , . . . , ΦP , Θ1 , . . . , ΘQ son constantes, se conoce
Procesos
ARIMA: como un proceso ARMA(P,Q)s (proceso ARMA estacional).
Definición e
identificación

Estimación y
diagnosis
Es un ARMA(sP,sQ) con muchos coeficientes nulos. Por
Selección del
tanto, las condiciones de estacionariedad, causalidad e
modelo y
predicción
invertibilidad se deducen de las de los ARMA.
Aplicación a ARMA(P,0)s ⇔ AR(P)s .
datos reales

Procesos
ARMA(0,Q)s ⇔ MA(Q)s .
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Procesos ARMA estacionales: Definición
Germán La ecuación que define al proceso ARMA(P,Q)s
Aneiros Pérez

Introducción Xt = c + Φ1 Xt−s + Φ2 Xt−2s + · · · + ΦP Xt−Ps

Procesos +at + Θ1 at−s + Θ2 at−2s + · · · + ΘQ at−Qs ,
ARMA:
Definición e
identificación se puede escribir en la forma compacta
Procesos
ARIMA:
Definición e
Φ (B s ) Xt = c + Θ (B s ) at ,
identificación

Estimación y donde
diagnosis

Φ (B s ) = 1 − Φ1 B s − Φ2 B 2s − · · · − ΦP B Ps
,


Selección del
modelo y
predicción Θ (B s ) = 1 + Θ1 B s + Θ2 B 2s + · · · + ΘQ B Qs
Aplicación a
datos reales
y B s denota al operador retardo estacional, definido por
Procesos
ARIMA B s Xt = Xt−s .
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Procesos ARMA estacionales: Identificación
Germán
Aneiros Pérez
fas∗ fap∗
Introducción Retardos s, 2s, . . . : Se anula para todo
Procesos
ARMA:
AR(P)s Muchos coeficientes retardo mayor
Definición e
identificación
no nulos que Ps
Procesos Se anula para todo Retardos s, 2s, . . . :
ARIMA:
Definición e
MA(Q)s retardo mayor Muchos coeficientes
identificación
que Qs no nulos
Estimación y
diagnosis Retardos s, 2s, . . . : Retardos s, 2s, . . . :
Selección del ARMA(P,Q)s Muchos coeficientes Muchos coeficientes
modelo y
predicción no nulos no nulos
Aplicación a ∗ Los valores en los retardos no estacionales (distintos de ks)
datos reales

Procesos
son nulos.
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Utilizando la información contenida en la tabla anterior, y la
Germán
distribución muestral de ρbk ó α
bk bajo procesos MA ó AR,
Aneiros Pérez respect., identificamos algunos procesos ARMA estacionales.
Introducción

Procesos
ARMA:
Serie, fas y fap Conclusión
Definición e
identificación Los gráficos de la izquierda
Procesos sugieren que la serie:
ARIMA:
Definición e
identificación
1 Es estacionaria.
Estimación y 2 Ha sido generada por un
diagnosis
proceso AR(1)3 .
Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
Serie, fas y fap Conclusión
Introducción Los gráficos de la izquierda
Procesos
ARMA:
sugieren que la serie:
Definición e
identificación 1 Es estacionaria.
Procesos
ARIMA:
2 Ha sido generada por un
Definición e
identificación
proceso AR(1)12 , o por un
Estimación y
MA(1)12 .
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Procesos ARMA estacionales multiplicativos: Definición
Aneiros Pérez
ARMA: φ (B) Xt = c + θ (B) at . Modeliza la dependencia
Introducción regular.
Procesos
ARMA: ARMA estacional: Φ (B s ) Xt = c + Θ (B s ) at . Modeliza la
Definición e
identificación
dependencia estacional.
Procesos ARMA estacional multiplicativo: Combinando ambos
ARIMA:
Definición e modelos, podemos modelizar conjuntamente la
identificación
dependencia regular y la estacional a través del modelo
Estimación y
diagnosis
φ (B) Φ (B s ) Xt = c + θ (B) Θ (B s ) at .
Selección del
modelo y Este modelo se denota por ARMA(p,q)×(P,Q)s y es, en
predicción

Aplicación a
particular, un ARMA(p+sP,q+sQ) con muchos
datos reales coeficientes nulos.
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Procesos ARMA estacionales multiplicativos: Ejemplos
Germán
Aneiros Pérez
El proceso AR(1)× MA(1)12 .


Introducción 1 (1 − φ1 B) Xt = c + 1 + Θ1 B 12 at .
Procesos 2 Xt = c + φ1 Xt−1 + at + Θ1 at−12 .
ARMA:
Definición e El proceso MA(1)×AR(1)12 .
identificación

1 1 − Φ1 B 12 Xt = c + (1 + θ1 B) at .
Procesos
ARIMA: 2 Xt = c + Φ1 Xt−12 + at + θ1 at−1 .
Definición e
identificación El proceso AR(1)×AR(1)12 .


Estimación y 1 (1 − φ1 B) 1 − Φ1 B 12 Xt = c + at .
diagnosis
2 Xt = c + φ1 Xt−1 + Φ1 Xt−12 − φ1 Φ1 Xt−13 + at .
Selección del
modelo y
predicción
El proceso MA(1)×MA(1)12 .


Aplicación a
1 Xt = c + (1 + θ1 B) 1 + Θ1 B 12 at .
datos reales 2 Xt = c + at + θ1 at−1 + Θ1 at−12 + θ1 Θ1 at−13 .
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Ejemplos de la fas y la fap de ARMAs estacionales multiplicativos
Germán
Aneiros Pérez

Introducción
AR(1)×MA(1)12 MA(1)×AR(1)12
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Ejemplos de la fas y la fap de ARMAs estacionales multiplicativos
Germán
Aneiros Pérez

Introducción
AR(1)×AR(1)12 MA(1)×MA(1)12
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
Procesos ARMA estacionales multiplicativos: Identificación
Introducción Fas de un proceso ARMA estacional multiplicativo:
Procesos
ARMA: En los retardos bajos (1, 2, . . . , [s/2]) se observará la fas
Definición e
identificación de la parte regular.
Procesos
ARIMA:
En los retardos estacionales (s, 2s, 3s . . .) se observará la
Definición e
identificación
fas de la parte estacional.
Estimación y A ambos lados de los retardos estacionales se repetirá la
diagnosis
fas de la parte regular (invertida, si la fas en el retardo
Selección del
modelo y estacional es negativa).
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Procesos ARMA estacionales multiplicativos: Identificación
Germán
Aneiros Pérez
Fap de un proceso ARMA estacional multiplicativo:
Introducción En los retardos bajos (1, 2, . . . , [s/2]) se observará la fap
Procesos
ARMA:
de la parte regular.
Definición e
identificación En los retardos estacionales (s, 2s, 3s . . .) se observará la
Procesos fap de la parte estacional.
ARIMA:
Definición e
identificación
A la derecha de cada retardo estacional aparecerá la fap
Estimación y
de la parte regular (invertida, si la fap en el retardo
diagnosis estacional es positiva).
Selección del
modelo y A la izquierda de cada retardo estacional aparecerá la fas
predicción
de la parte regular (invertida, si la fap en el retardo
Aplicación a
datos reales estacional es negativa).
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Utilizando la información contenida en las 2 transparencias
Germán
anteriores, y la distribución muestral de ρbk ó α
bk bajo procesos
Aneiros Pérez MA ó AR, respectivamente, identificamos algunos procesos
Introducción ARMA estacionales multiplicativos.
Procesos
ARMA:
Definición e
identificación
Serie, fas y fap Conclusión
Procesos Los gráficos de la izquierda
ARIMA:
Definición e sugieren que la serie:
identificación

Estimación y
1 Es estacionaria.
diagnosis
2 Ha sido generada por un
Selección del
modelo y proceso AR(1)×AR(1)7 .
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
Serie, fas y fap Conclusión
Introducción Los gráficos de la izquierda
Procesos
ARMA:
sugieren que la serie:
Definición e
identificación 1 Es estacionaria.
Procesos
ARIMA:
2 Ha sido generada por un
Definición e
identificación
proceso MA(1)×AR(1)12 .
Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Procesos ARIMA estacionales: Introducción
Germán Sea Xt = St + Vt , donde {St }t no es estacionario, {Vt }t sı́ y
Aneiros Pérez
1 St = St−s (componente estacional determinista),
Introducción
ó
Procesos
ARMA:
Definición e
2 St = St−s + Wt donde {Wt }t es estacionario con media 0
identificación (componente estacional estocástica).
Procesos
ARIMA: {Xt }t no es estacionario, pues contiene una componente que
Definición e
identificación no lo es, St . Sin embargo, sı́ lo es el proceso diferenciado
Estimación y estacionalmente
diagnosis

Selección del
1 Xt − Xt−s = Vt − Vt−s
modelo y
predicción
ó
Aplicación a 2 Xt − Xt−s = Wt + Vt − Vt−s .
datos reales

Procesos Conclusión: A veces, la diferenciación estacional consigue

ARIMA
estacionales eliminar la componente estacional.
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán Procesos ARIMA estacionales: Introducción

Aneiros Pérez
Basándonos en los ejemplos anteriores, ante una serie con
Introducción tendencia y/o componente estacional, sugerimos:
Procesos
ARMA: Eliminar la tendencia aplicando d diferencias regulares
((1 − B)d ). En general, es suficiente d ≤ 3.
Definición e
identificación

Procesos
ARIMA:
Eliminar la componente estacional aplicando D diferencias
Definición e
identificación
estacionales ((1 − B s )D ). En general, es suficiente D = 1.
Estimación y Una vez que la serie diferenciada es estacionaria,
diagnosis modelizarla a través de un ARMA:
Selección del
modelo y Sólo dependencia regular: ARMA(p,q).
predicción Sólo dependencia estacional: ARMA(P,Q)s .
Aplicación a Ambos tipos de dependencia: ARMA(p,q)×(P,Q)s .
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Procesos ARIMA estacionales: Definición
Germán
Aneiros Pérez Un proceso ARIMA(p,d,q)×(P,D,Q)s (o ARIMA estacional
Introducción multiplicativo) es aquél que, después de aplicarle d diferencias
Procesos regulares y D diferencias estacionales de periodo s, se corvierte
ARMA:
Definición e en un proceso ARMA(p,q)×(P,Q)s .
identificación

Procesos
ARIMA: Equivalentemente:
Definición e
identificación

Estimación y
{Xt }t es un proceso ARIMA(p,d,q)×(P,D,Q)s (o ARIMA
diagnosis estacional multiplicativo) si admite una representación del tipo:
Selección del

φ (B) Φ (B s ) (1 − B)d (1 − B s )D Xt = c + θ (B) Θ (B s ) at ,

modelo y
predicción

Aplicación a
datos reales donde el polinomio φ (z) Φ (z s ) no tiene raı́ces de módulo 1.
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán Ejemplo: Proceso ARIMA(1,1,1)×(1,1,1)12

Aneiros Pérez
La expresión del ARIMA(1,1,1)×(1,1,1)12 es
Introducción

Procesos
ARMA: AR AR Dif. Dif.
Definición e
identificación
reg. est. reg. est.
Procesos ↓ ↓ ↓ ↓
12 (1 − B) 1 − B 12 Xt =
ARIMA:



Definición e (1 − φ1 B) 1 − Φ1 B
identificación

c + (1 + θ1 B) 1 + Θ1 B 12 at
Estimación y


diagnosis

Selección del ↑ ↑
modelo y
predicción MA MA
Aplicación a reg. est.
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Ejemplo: Proceso ARIMA(1,1,1)×(1,1,1)12
Germán
Aneiros Pérez
Operando en la expresión del ARIMA(1,1,1)×(1,1,1)12
Introducción
(1 − φ1 B) 1 − Φ1 B 12 (1 − B) 1 − 12 X =



Procesos
B t
c + (1 + θ1 B) 1 + Θ1 B 12 at


ARMA:
Definición e
identificación

Procesos se obtiene la representación:

ARIMA:
Definición e
identificación Xt = c + (1 + φ1 ) Xt−1 − φ1 Xt−2 + (1 + Φ1 ) Xt−12
Estimación y
diagnosis − (1 + φ1 + Φ1 + φ1 Φ1 ) Xt−13
Selección del
modelo y
+ (φ1 + φ1 Φ1 ) Xt−14 − Φ1 Xt−24
predicción
+ (Φ1 + φ1 Φ1 ) Xt−25 − φ1 Φ1 Xt−26
Aplicación a
datos reales +at + θ1 at−1 + Θ1 at−12 + θ1 Θ1 at−13
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Procesos ARIMA estacionales: Definición
Germán El proceso ARIMA(p,d,q)×(P,D,Q)s :
Aneiros Pérez
Es estacionario cuando d = D = 0 (se convierte en un
Introducción
proceso ARMA(p,q)×(P,Q)s ).
Procesos
ARMA:
Definición e
Modeliza la dependencia regular (p o q 6= 0).
identificación
Modeliza la dependencia estacional (s > 1, y P o Q 6= 0)
Procesos
ARIMA:
Definición e
Captura no estacionariedades provocadas por la presencia
identificación de tendencia (d > 0).
Estimación y
diagnosis Captura no estacionariedades provocadas por la presencia
Selección del de componente estacional (s > 1 y D > 0).
modelo y
predicción Generaliza a todos los procesos que hemos estudiado.
Aplicación a
datos reales Es, posiblemente, el proceso más utilizado en la
Procesos modelización de series de tiempo univariantes.
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Procesos ARIMA estacionales: Identificación
Germán En la práctica, ante una serie real,...
Aneiros Pérez
¿cuándo propondremos un ARIMA estacional como su generador?
Introducción

Procesos
ARMA:
Cuando, siendo homocedástica, detectemos la presencia de
Definición e componente estacional.
identificación

Procesos
La presencia de componente estacional en una serie (y, por
ARIMA:
Definición e
tanto, la necesidad de diferenciarla estacionalmente para
identificación eliminarla) suele ser delatada por:
Estimación y
diagnosis El gráfico secuencial de la serie.
Selección del La fas muestral:
modelo y
predicción Presenta fuerte correlación positiva en el retardo estacional
Aplicación a (y, posiblemente, en sus múltiplos),
datos reales
Converge lentamente a cero a medida que el retardo crece.
Procesos
ARIMA Presenta periodicidad del mismo periodo que la serie,
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez

Introducción
Serie original Serie diferenciada regularmente
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
Serie dif. reg. y estac. (s=12) Conclusión
Introducción Los gráficos estudiados
Procesos
ARMA:
sugieren que la serie original:
Definición e
identificación
1 No es estacionaria.
Procesos
ARIMA:
2 Ha sido generada por un
Definición e
identificación
proceso
Estimación y
ARIMA(0,1,1)×(0,1,1)12 ,
diagnosis o quizás por un
Selección del
modelo y
ARIMA(1,1,0)×(0,1,1)12 .
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán Heterocedasticidad
Aneiros Pérez
En los modelos teóricos que hemos presentado, la falta de
Introducción
estacionariedad venı́a provocada por la presencia de tendencia
Procesos
ARMA: y/o componente estacional.
Definición e
identificación Aplicando diferencias (regulares y/o estacionales,
Procesos respectivamente) conseguı́amos eliminar este tipo de no
ARIMA:
Definición e estacionariedad.
identificación

Estimación y
diagnosis Otra fuente que provoca falta de estacionariedad es la
Selección del
modelo y
heterocedasticidad (la varianza no es constante o estable).
predicción

Aplicación a
datos reales
A continuación veremos cómo eliminar la heterocedasticidad.
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
En el gráfico de la derecha, se Serie heterocedástica
Introducción intuye que la variabilidad de la
Procesos serie (consumo de
ARMA:
Definición e electricidad...) no es constante.
identificación

Procesos
ARIMA: Concretamente, parece que la
Definición e
identificación variabilidad aumenta al hacerlo
Estimación y el nivel de la serie.
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
En el gráfico de la derecha, se Serie homocedástica (log)
Introducción muestra la serie transformada a
Procesos través de la función logaritmo
ARMA:
Definición e neperiano.
identificación

Procesos
ARIMA: Se observa que la aplicación de
Definición e
identificación dicha función ha conseguido
Estimación y estabilizar la varianza.
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
TRANSFORMACIONES PARA ESTABILIZAR LA VARIANZA
Germán
Aneiros Pérez
Transformaciones de Box-Cox Si la desviación tı́pica es
Introducción
La familia de transformaciones una función potencial de la
media (σt = kµt1−λ ),
Procesos
ARMA: de Box-Cox se define como
Definición e
identificación aquélla que transforma a xt en: entonces la transformación
Procesos  de Box-Cox con parámetro
λ
 xt − 1 , si λ 6= 0
ARIMA:
Definición e

 λ consigue estabilizar la
identificación
λ varianza.
Estimación y
Un situación muy usual es
diagnosis


 ln(x ), si λ = 0
Selección del t
modelo y
aquélla en que σt = kµt .
predicción
En este caso λ = 0 y la
Aplicación a
datos reales aplicación del logaritmo
Procesos neperiano estabiliza la
ARIMA
estacionales varianza.
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Obtención de un valor apropiado para λ
Germán
Aneiros Pérez Partiendo de la igualdad

σt = kµ1−λ
Introducción
t ,
Procesos
ARMA:
Definición e
identificación
se obtiene que
Procesos log(σt ) = a + b log(µt ),
ARIMA:
Definición e
identificación
donde a = log(k) y b = 1 − λ.
Estimación y
diagnosis Por tanto, si disponemos de estimaciones µ̂t y σ̂t y ajustamos
Selección del
modelo y
un modelo lineal a {(log(µ̂t ), log(σ̂t ))}, obtendremos una
predicción
estimación para el valor de λ:
Aplicación a
datos reales

Procesos
λ̂ = 1 − b̂
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Para estimar la media y la desviación tı́pica utilizamos las 12
Germán
observaciones de cada año.
Aneiros Pérez

Introducción
Regresión lineal: λ̂ = −0.269 Intuitiva: λ̂ = 0 (log)
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Procesos ARIMA estacionales: Identificación
Germán
Aneiros Pérez De manera esquemática, las etapas a seguir para identificar un
Introducción modelo como posible generador de una serie de tiempo son:
Procesos
ARMA:
1 Si la serie presenta heterocedasticidad, eliminarla a través
Definición e
identificación
de una transformación de Box-Cox.
Procesos 2 Si la serie (quizás transformada en la etapa 1) presenta
ARIMA:
Definición e tendencia, eliminarla a través de la diferenciación regular.
identificación

Estimación y
3 Si la serie (quizás transformada en las etapas 1 y/o 2)
diagnosis presenta componente estacional, eliminarla a través de la
Selección del
modelo y
diferenciación estacional.
predicción
4 Identificar un modelo ARMA para la serie (quizás
Aplicación a
datos reales transformada en las etapas 1, 2 y/o 3).
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Proc. ARIMA estacionales: Estim., diag. y selec. del modelo
Germán Como consecuencia de la estrecha relación que existe entre los
Aneiros Pérez
procesos ARIMA y los procesos ARMA (diferenciando los
Introducción
primeros se obtienen los segundos), se tiene que la aplicación
Procesos
ARMA: práctica de los ARIMA está totalmente basada en la
Definición e
identificación
correspondiente a los ARMA:
Procesos Estimación: Se ajusta un ARMA (regular, estacional o
ARIMA:
Definición e estacional multiplicativo) a la serie diferenciada (regular
identificación
y/o estacionalmente).
Estimación y
diagnosis
Diagnosis: Se chequean los residuos procedentes del ajuste
Selección del
modelo y ARMA anterior.
predicción

Aplicación a
Selección del modelo: Se selecciona, para la serie
datos reales diferenciada, el modelo ARMA cuyos órdenes (p, q, P y/o
Procesos
ARIMA
Q) minimicen uno de los criterios AIC, AICC o BIC.
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Procesos ARIMA estacionales: Predicción
Germán Del mismo modo, la predicción de valores futuros de procesos
Aneiros Pérez
ARIMA se basa en la predicción de procesos ARMA.
Introducción

Procesos
ARMA:
Los pasos a seguir son:
Definición e
identificación
1 Diferenciar (regular y/o estacionalmente) la serie
Procesos procedente del ARIMA hasta obtener una serie procedente
ARIMA:
Definición e de un ARMA (regular, estacional o estacional multiplic.).
identificación

Estimación y
2 Predecir los valores futuros del proceso ARMA.
diagnosis
3 Deshacer la diferenciación en las predicciones del ARMA,
Selección del
modelo y obteniendo entonces las predicciones del proceso original
predicción
ARIMA.
Aplicación a
datos reales En cuanto a los intervalos de predicción, su construcción es
Procesos
ARIMA
análoga a lo ya hecho para procesos ARMA.
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Aplicación a datos reales
Germán Presentamos a continuación un ejemplo con datos reales en el
Aneiros Pérez
que se hace uso de gran parte de lo expuesto en este capı́tulo.
Introducción

Procesos
ARMA:
Para ello:
Definición e
identificación
Dividiremos en 2 trozos la serie del consumo de
Procesos
electricidad (introducida en el primer capı́tulo):
ARIMA: 1 Consumo entre los meses de enero 1972 y diciembre 2003
Definición e
identificación (T = 384).
Estimación y 2 Consumo durante los próximos 12 meses.
diagnosis

Selección del El primer trozo será utilizado para seleccionar y ajustar un

modelo y
predicción
modelo.
Aplicación a En base a dicho modelo, realizaremos predicciones para el
datos reales

Procesos
consumo correspondiente a los próximos 12 meses, que
ARIMA serán comparadas con los consumos reales (2o trozo).
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
1: Identificación del modelo (fas y fap muestrales)
Germán
Aneiros Pérez
Enero 1972 - Diciembre 2003 El gráfico de la izquierda
Introducción
muestra presencia de
Procesos
ARMA: heterocedasticidad, tendencia y
Definición e
identificación componente estacional.
Procesos
ARIMA:
Definición e Comenzamos transformando la
identificación
serie para tratar de estabilizar
Estimación y
diagnosis la variabilidad. Puesto que ésta
Selección del aumenta con el nivel de la serie
modelo y
predicción (quizás la desviación tı́pica sea
Aplicación a lineal en la media), le
datos reales
aplicamos al consumo la
Procesos
ARIMA función logaritmo neperiano.
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez Consumo transformado (ln) El gráfico de la izquierda
Introducción muestra que:
Procesos
ARMA:
La varianza del consumo
Definición e
identificación
se ha estabilizado al
Procesos
aplicarle la función
ARIMA:
Definición e
logaritmo neperiano.
identificación
La serie transformada
Estimación y
diagnosis tiene tendencia y
Selección del componente estacional.
modelo y
predicción
La diferenciación regular podrı́a
Aplicación a
datos reales eliminar la tendencia.
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez Dif. reg. del ln del consumo El gráfico de la izquierda
Introducción muestra que:
Procesos
ARMA:
La tendencia ha sido
Definición e
identificación
eliminada al aplicarle una
Procesos diferencia regular.
ARIMA:
Definición e La componente estacional
identificación
se mantiene (s = 12).
Estimación y
diagnosis
La diferenciación estacional
Selección del
modelo y podrı́a eliminar la componente
predicción
estacional.
Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
Dif. reg. y estac. del ln del A la espera de realizar el
consumo (s=12) análisis de residuos, el gráfico
Introducción

Procesos
de la izquierda sugiere que:
ARMA:
Definición e La serie transformada
identificación
proviene de un proceso
Procesos
ARIMA: estacionario;
Definición e
identificación concretamente, de un
Estimación y ARMA(0,2)×(0,1)12 .
diagnosis

Selección del
El logaritmo neperiano del
modelo y
predicción
consumo eléctrico ha sido
Aplicación a
generado por un proceso
datos reales ARIMA(0,1,2)×(0,1,1)12 .
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
El modelo identificado (ARIMA(0,1,2)×(0,1,1)12 ) se puede
Germán
Aneiros Pérez expresar como
Introducción
(1 − B) 1 − B 12 Yt = c + 1 + θ1 B + θ2 B 2 1 + Θ1 B 12 at ,




Procesos
ARMA:
Definición e
identificación siendo Yt = ln (Xt ) y Xt el consumo eléctrico del mes t.
Procesos Una representación equivalente es
ARIMA:
Definición e
identificación Yt = Yt−1 + Yt−12 − Yt−13
Estimación y
diagnosis +c + at + θ1 at−1 + θ2 at−2
Selección del
modelo y
+Θ1 at−12 + θ1 Θ1 at−13 + θ2 Θ1 at−14 .
predicción

Aplicación a
datos reales
Nota: Obsérvese que, puesto que el proceso diferenciado no
Procesos
tiene parte AR, la constante c coincide con su media µ.
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán 2: Estimación del modelo identificado ARIMA(0,1,2)×(0,1,1)12

Aneiros Pérez

Introducción Estimando los parámetros por máxima verosimilitud resulta:

Procesos
ARMA: θb1 = −0.3371 (0.0440), θb2 = −0.5503 (0.0452),
Definición e
identificación

Procesos b 1 = −0.7116 (0.0377), µ

Θ b = 0e + 00 (1e-04)
ARIMA:
Definición e
identificación
ba2 = 0.0006759.
yσ
Estimación y
diagnosis

Selección del
Puesto que la media µ del proceso diferenciado no es
modelo y
predicción
significativamente distinta de cero, estimaremos un
Aplicación a
ARIMA(0,1,2)×(0,1,1)12 con µ = 0 o, lo que es lo mismo, con
datos reales c = 0.
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Bajo la restricción µ = 0, se obtienen las estimaciones:
Aneiros Pérez
θb1 = −0.3365 (0.0439), θb2 = −0.5496 (0.0451),
Introducción

Procesos
ARMA: Θ ba2 = 0.0006762,
b 1 = −0.7111 (0.0377) y σ
Definición e
identificación

Procesos
resultando todos los parámetros significativamente distintos de
ARIMA:
Definición e
cero. Por tanto, el ARIMA(0,1,2)×(0,1,1)12 estimado es:
identificación

Estimación y Yt = Yt−1 + Yt−12 − Yt−13

diagnosis

Selección del
+at − 0.3365at−1 − 0.5496at−2
modelo y
predicción −0.7111at−12 + 0.2393at−13 + 0.3908at−14 ,
Aplicación a
datos reales
siendo 0.0006762 la varianza del ruido blanco.
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
3: Diagnosis del modelo ARIMA(0,1,2)×(0,1,1)12
Germán
Aneiros Pérez
Residuos: gráficos secuencial y Contrastes de independencia
Introducción Q-Q normal
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
Conclusiones:
Introducción
El contraste de Ljung-Box rechaza la independencia de los
Procesos
ARMA: residuos.
Definición e
identificación
Un modelo ARIMA(0,1,2)×(0,1,1)12 no resulta adecuado
Procesos
ARIMA: como posible generador de la serie del consumo eléctrico
Definición e
identificación
(transformada a través del logaritmo neperiano).
Estimación y Puesto que no tenemos independencia en los residuos, los
diagnosis

Selección del
contrastes propuestos de media cero y normalidad no
modelo y tienen validez.
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez
4: Identificación del modelo (criterio BIC)
Introducción
Hemos calculado los valores del criterio BIC para distintos
Procesos
ARMA: procesos ARIMA(p,1,q)×(P,1,Q)12 (p, q ∈ {0, 1, 2, 3} y
Definición e
identificación P, Q ∈ {0, 1, 2}).
Procesos
ARIMA:
Definición e El modelo ARIMA(1,1,2)×(0,1,1)12 resultó ser el de menor BIC
identificación
(BIC= −1625.907, siendo la constante del modelo nula).
Estimación y
diagnosis

Selección del De entre los modelos evaluados, sólo uno (el

modelo y
predicción
ARIMA(2,1,1)×(0,1,1)12 ) tuvo un valor BIC que no distase
Aplicación a más de 2 unidades del óptimo.
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
5: Estimación del modelo ARIMA(1,1,2)×(0,1,1)12
Germán
Aneiros Pérez
El modelo ARIMA(1,1,2)×(0,1,1)12 se puede expresar como
Introducción

12 Y =


Procesos
ARMA:
(1 − φ1 B) (1 − B) 1 − B
t
1 + θ1 B + θ2 B 2 1 + Θ1 B 12 at .


Definición e
identificación

Procesos
ARIMA: Las estimaciones de sus parámetros por máxima verosimilitud
Definición e
identificación han resultado:
Estimación y
diagnosis φb1 = 0.3214 (0.0901), θb1 = −0.5804 (0.0898),
Selección del
modelo y
predicción θb2 = −0.3762 (0.0784), Θ
b 1 = −0.7135 (0.0391),
Aplicación a
datos reales
ba2 = 0.0006543.
yσ
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
6: Diagnosis del modelo ARIMA(1,1,2)×(0,1,1)12
Germán
Aneiros Pérez
Residuos: gráficos secuencial y Contrastes de independencia
Introducción Q-Q normal
Procesos
ARMA:
Definición e
identificación

Procesos
ARIMA:
Definición e
identificación

Estimación y
diagnosis

Selección del
modelo y
predicción

Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo

Germán
Aneiros Pérez

Introducción
Contrastes de media cero y Conclusión: Un modelo
Procesos normalidad ARIMA(1,1,2)×(0,1,1)12 sin
ARMA:
Definición e µa = 0: constante y con innovaciones
identificación
p − valor = 0.2012 gaussianas resulta adecuado
Procesos
ARIMA: Normalidad: como generador de la serie del
Definición e
identificación Jarque-Bera: consumo de electricidad
Estimación y p − valor = 0.7272 (transformada a través de la
diagnosis

Selección del
función logaritmo neperiano).
modelo y Shapiro-Wilk:
predicción p − valor = 0.7198
Aplicación a
datos reales

Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
7: Predicción en base al modelo ARIMA(1,1,2)×(0,1,1)12
Germán
Aneiros Pérez
Para finalizar el estudio, el Predicciones, ...
Introducción
ARIMA(1,1,2)×(0,1,1)12 que
Procesos
ARMA: hemos seleccionado, estimado y
Definición e
identificación chequeado fue utilizado para
Procesos realizar predicciones con origen
ARIMA:
Definición e en T = 384 y horizontes de
identificación
predicción k = 1, . . . , 12.
Estimación y
diagnosis

Selección del Éstas se pueden observar en el

modelo y
predicción gráfico de la derecha (azul),
Aplicación a junto con los valores reales
datos reales
(verde) y los intervalos de
Procesos
ARIMA predicción al 95% (rojo).
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Valores numéricos
Germán
Aneiros Pérez Mes Consumo Predicción Intervalo de Predicción (95%)
enero 229.922 233.2989 (221.8904 , 245.2940)
Introducción
febr. 207.913 202.7579 (190.4922 , 215.8133)
Procesos
ARMA: mar. 195.917 197.3801 (185.1477 , 210.4206)
Definición e
identificación abril 180.561 182.2473 (170.8927 , 194.3562)
Procesos mayo 193.574 190.7098 (178.8020 , 203.4107)
ARIMA:
Definición e junio 222.073 216.9540 (203.3874 , 231.4254)
identificación

Estimación y
julio 247.093 253.2536 (237.3969 , 270.1693)
diagnosis agos. 243.509 258.9025 (242.6725 , 276.2180)
Selección del
modelo y
sept. 224.615 229.9236 (215.4930 , 245.3205)
predicción oct. 198.691 200.5321 (187.9313 , 213.9777)
Aplicación a
datos reales
nov. 187.896 188.6941 (176.8231 , 201.3619)
Procesos dic. 216.703 213.4435 (199.9998 , 227.7909)
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Resumen: Construcción del modelo generador de la serie
Germán
Aneiros Pérez
Etapas a seguir para identificar un ARIMA(p,d,q)×(P,D,Q)s
como posible generador de la serie de tiempo a analizar:
Introducción
Etapa 1: Representar gráficamente la serie frente al
Procesos
ARMA: tiempo, y su fas muestral frente al retardo.
Definición e
identificación
1 Si el gráfico de la serie sugiere presencia de variabilidad no
Procesos
constante, transformar (Box-Cox) la serie para estabilizar
ARIMA: la varianza.
Definición e
identificación 2 Si el gráfico de la serie (quizás transformada en el paso
Estimación y anterior) y/o el gráfico de su fas muestral sugiere/n
diagnosis
presencia de tendencia, aplicar diferencias regulares (d)
Selección del
modelo y
hasta eliminarla.
predicción 3 Si el gráfico de la serie (posiblemente transformada en
Aplicación a alguno de los 2 pasos anteriores) y/o el gráfico de su fas
datos reales
muestral sugiere/n presencia de componente estacional (s),
Procesos
ARIMA aplicar diferencias estacionales (D) hasta eliminarla.
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Resumen: Construcción del modelo generador de la serie
Germán
Aneiros Pérez Etapa 2: Representar gráficamente la serie (posiblemente
transformada en la etapa 1) frente al tiempo, y sus fas y
Introducción
fap muestrales frente al retardo (en caso necesario,
Procesos
ARMA: constuir también la tabla relativa a la fase muestral).
Definición e
identificación

Procesos Dichos gráficos debieran sugerir la procedencia de la serie

ARIMA:
Definición e
(posiblemente transformada en la etapa 1) de un proceso
identificación estacionario (ARMA, quizás multiplicativo), pues en caso
Estimación y contrario no deberı́amos haber pasado a esta etapa 2.
diagnosis

Selección del
1 Tratar de identificar sus órdenes p, q, P y Q a través del
modelo y estudio de su fas y fap muestrales (quizás sea necesaria,
predicción
además, la fase muestral).
Aplicación a
datos reales
2 Identificar sus órdenes p, q, P y Q a través del estudio de
Procesos
las funciones AIC, AICC y/o BIC.
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo Resumen: Construcción del modelo generador de la serie
Germán Una vez que uno o varios modelos han sido identificados, la
Aneiros Pérez
siguiente etapa es su estimación.
Introducción

Procesos
ARMA:
A continuación, el/los modelo/s estimado/s debe/n ser
Definición e
identificación
chequeado/s (es necesario comprobar que verifica/n las
Procesos
hipótesis básicas que se han supuesto en su construcción).
ARIMA:
Definición e
Principalmente, comprobaremos la hipótesis de que las
identificación innovaciones son ruido blanco (preferiblemente gaussiano).
Estimación y
diagnosis

Selección del
Si disponemos de varios modelos que han superado el análisis
modelo y
predicción
de residuos (diagnosis), seleccionaremos aquél que, teniendo un
Aplicación a
AIC, AICC y/o BIC pequeño (diferencias de hasta 2 unidades
datos reales no se consideran relevantes), resulte más simple. En base a
Procesos
ARIMA
dicho modelo, realizaremos las predicciones.
estacionales
Germán Aneiros Pérez Series de Tiempo
 Modelos Box-Jenkins

Series de
Tiempo
Recapitulación
Germán
Aneiros Pérez
A lo largo de este tema:
Introducción Se ha construido la clase de modelos Box-Jenkins.
Procesos
ARMA: Se han propuesto métodos para identificar sus órdenes:
Definición e
identificación Basados en el estudio de sus fas, fap y fase muestrales.
Procesos
Basados en el estudio de las funciones AIC, AICC y BIC.
ARIMA:
Definición e Se han propuesto estimadores de sus parámetros y se han
identificación
mostrado algunas de sus propiedades asintóticas.
Estimación y
diagnosis Se han propuesto técnicas para chequear el modelo
Selección del
modelo y
ajustado.
predicción
Se han propuesto métodos para predecir sus valores
Aplicación a
datos reales futuros, y se han construido intervalos de predicción.
Procesos
ARIMA
estacionales
Germán Aneiros Pérez Series de Tiempo