MÉTODOLOGIA DE BOX JENKIS

Inicio

Serie temporal
(datos)

Identificación
Es estacionaria en media? No Transformar la serie
Es estacionaria en varianza?
Si
Determinación de d, ƛ

Análisis de los No
Construcción delos
correlogramas? correlogramas
Si
Determinación de p, q

Estimación
Estimación de los
parámetros del modelos

Chequeo
Prueba de los No
coeficientes

Prueba de los residuos No

No
Prueba de omisión de
oarametros

Prueba de estabilidad No

No
¿Es el modelo adecuado?

Predicción
Evaluación de la No
Obtención de las predicción : ¿predice el
predicciones modelo de forma
satisfactoria?

Fin
 Estimación: Chequeo: Predicción:
Calculo de Predicción
erminar estimadores
De Coeficientes
puntual
con Máxima De Residuos
p, q Verosimilitud De Estabilidad
Predicción
Interválica
 TRANSFORMADA DE BOX COX

Dada una serie de datos, se puede encontrar el exponente

Transformada de Box Cox

(Pag 94, 157,158,159)

𝒚𝝀𝒕 − 𝟏
λ 𝑝𝑎𝑟𝑎 λ ≠ 0
𝑌 = λ
ln 𝑦𝑡 𝑝𝑎𝑟𝑎 λ = 0

0
-1 -0.5 0.5 1
Asi el Modelo Arima la variable Y tiene un exponente:
ARIMA(p,d,q): 𝜙𝑝 𝐿 1 − 𝐿 𝑑 𝑌 λ = 𝛿 + 𝜃𝑞 (𝐿)𝒰𝑡
Metodo Rango - Media
(Pag 158,159)

𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑋1
𝑋1
𝑟𝑎𝑛𝑔𝑜1 = max-min λ=0

𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑋2
𝑋2 𝑟𝑎𝑛𝑔𝑜2 = max-min

λ=1
𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑋3
𝑋3 𝑟𝑎𝑛𝑔𝑜3 = max-min

𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑋4
𝑋4 𝑟𝑎𝑛𝑔𝑜4 = max-min
DETERMINACION DE LABDA

λ=1

λ=0
70

60

50

40
RANGO

30

20

10

0
60 80 100 120 140 160 180 200

MEDIA
 DETERMINACION DE “d”
Tomando la ultima tranformacion aplicando el operador de retardos:
𝑑𝑑𝑦𝑡 = 𝑑𝑦𝑡 − 𝑑𝑦𝑡−1 = 𝑑𝑦𝑡 − 𝑑𝑦𝑡 *L=(1-L)* 𝑑𝑦𝑡 (1)
𝑑𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 = 𝑦𝑡 − 𝑦𝑡 *L=(1-L)* 𝑦𝑡 (2)
Remplazando (2) en (1) se tiene:
𝑑𝑑𝑦𝑡 =(1-L)* 𝑑𝑦𝑡 = 1 − 𝐿 ∗ 1 ∗ 𝐿 ∗ 𝑦𝑡 = (1 − 𝑙)2 ∗ 𝑦𝑡

𝑦𝑡 𝑑𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 𝑑𝑑𝑦𝑡 = 𝑑𝑦𝑡 − 𝑑𝑦𝑡−1

Serie estacionaria
La prueba de la raiz unitaria

Determinando la estacionariedad de la serie

 DETERMINACION DE “p y q”

Usando el correlograma:

𝑝=1 𝑝 = 1,2,7,12 𝑝 = 1,11

q= 𝑛𝑜 𝑠𝑒 𝑎𝑝𝑟𝑒𝑐𝑖𝑎 q= 𝑛𝑜 𝑠𝑒 𝑎𝑝𝑟𝑒𝑐𝑖𝑎 q = 1,11

Entonces el modelo ARIMA(p,d,p) queda identificado:

ARIMA(p,d,q): 𝜙𝑝 𝐿 1 − 𝐿 𝑑 𝑌 λ = 𝛿 + 𝜃𝑞 (𝐿)𝒰𝑡

𝜙12 𝐿 1 − 𝐿 2 𝑌1 = 𝛿 + 𝜃11 (𝐿)𝒰𝑡

Y el modelo para la estimacion es:

2
𝜙12 𝐿 1 − 𝐿 ∗ ddy = 𝛿 + 𝜃11 (𝐿)𝒰𝑡
stimaci Chequeo:
Predicción:
Estimación: De
ónDeter Calculo de Coeficientes Predicción
minar p, estimadores
De Residuos
puntual
con Máxima
q Verosimilitud De
Predicción
Interválica
Estabilidad

Estimación
 ESTIMACION DEL MODELO IDENTIFICADO

El software efectua la estimacion con el metodo de la Maxima Verosimilitud

Ingresamos al modelo todos los procesos identificados:

Despues de eliminar las variables no significativas:

stimaci Chequeo:
Predicción:
Estimación: De
ónDeter Calculo de Coeficientes Predicción
minar p, estimadores
De Residuos
puntual
con Máxima
q Verosimilitud De
Predicción
Interválica
Estabilidad
 CHEQUEO DEL MODELO ESTIMADO

• De los coeficientes:
– Significatividad de coeficientes estimados
– Cálculo: Correlaciones entre coeficientes
– Cálculo: Estacionariedad e invertibilidad
– Análisis de Multicolinealidad
– Análisis de No autocorrelación
– Análisis de Heteroscedasticidad
– Prueba Conjunta del modelo
• De los residuos
– Media cero
– Varianza constante
– Incorreción
• Ruido Blanco
• Estadistico Box-Pierce
• Estadistico Ljung-Box
– Normalidad
• Asimetría
• Curtosis
• LM de Jarque Bera

• Sobreajuste
– Prueba de Wald
– Variables omitidas
– Variables redundantes
– Modelo Eficiente

• De Estabilidad
– Prueba de CHOW
– Prueba del 10%
 CHEQUEO DE LOS COEFICIENTES

Significatividad de los coeficientes estimados

Usando Intervalo de Confianza Usando Prueba de Hipotesis

Valores “t” estan Valores “t” estan

Fuera del Intervalo Fuera del Intervalo
De confianza De confianza
𝐻0 𝐻1

P < 0.05
P < 0.05

𝐻1

Prueba Conjunta del modelo

𝐻0 : 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4
P < 0.05
𝐻0 : 𝛽1 ≠ 𝛽2 ≠ 𝛽3 ≠ 𝛽4 𝐻0
 CHEQUEO DE LOS COEFICIENTES

Cálculo: Correlaciones entre coeficientes

Cálculo: Estacionariedad e invertibilidad

 CHEQUEO DE LOS COEFICIENTES

Análisis de No Autocorrelación

.
1.584 1.8177 2.416

Análisis de Multicolinealidad
 CHEQUEO DE LOS RESIDUOS

Media cero

Asimetría
Kurtosis
LM de Jarque-Bera

Ruido Blanco

Diagrama de los residuos

 CHEQUEO DE LOS RESIDUOS

Varianza constante

Tendencia

Box-Pierce Ljung-Box
𝑀 𝑀
𝑄=𝑇∗ 𝑟𝑗2 (𝑢) ∗
𝑄 = 𝑇(𝑇 + 2) ∗ (𝑇 − 𝑗)𝑟𝑗2 (𝑢)
𝑗=1 𝑗=1

𝐻0 : 𝑄 < 𝜒𝜖2 (𝑀 − 𝑘) 𝐻0 : 𝑄 ∗ < 𝜒𝜖2 (𝑀 − 𝑘)

 CHEQUEO DE SOBREAJUSTE
Prueba de Wald

Variable Omitida Variable Redundante

 CHEQUEO DE SOBREAJUSTE
Modelo Optimo

n=46 𝑟2
 CHEQUEO DE LA ESTABILIDAD

Prueba de Chow

Prueba del 10%

Regresion al 100% Regresion al 90%

stimaci Chequeo:
Predicción:
Estimación: De
ónDeter Calculo de Coeficientes Predicción
minar p, estimadores
De Residuos
puntual
con Máxima
q Verosimilitud De
Predicción
Interválica
Estabilidad
 El PEDICTOR OPTIMO

El modelo ARIMA(p,d,p) estimado es: 𝜙12 𝐿 ∗ ddy = 𝛿 + 𝜃1 (𝐿)𝒰𝑡 (1)

La variable estacionaria es: 𝑑𝑑𝑦𝑡 = (1 − 𝑙)2 ∗ 𝑦𝑡 (2)

El predictor Optimo es aquel que minimice : 𝐸[(𝑦𝑡+𝑙 − y ^(l))2 /𝐼𝑡 ]
𝑡

y𝑡 ^(l) = 𝐸(𝑦𝑡+𝑙 /𝐼𝑡 )

Remplazando (2) en (1)
𝜙12 𝐿 ∗ (1 − 𝐿)2 ∗ 𝑦𝑡 = 𝛿 + 𝜃1 (𝐿)𝒰𝑡
Desarrollando los polinomios

𝜙12 𝐿 =(1- 𝜙1 L- 𝜙2 𝐿2 − 𝜙3 𝐿3 - 𝜙4 𝐿4 - … − 𝜙12 𝐿12

𝜃 𝐿 =(1- 𝜽1 L)
(1 − 𝐿)2 = (1 − 2𝐿 + 𝐿2 )
Remplazando y desarrollando:
𝑦𝑡 = 𝜳1 𝑦𝑡−1 + 𝜳2 𝑦𝑡−2 + 𝜳3 𝑦𝑡−3 + … + 𝜳14 𝑦𝑡−14 + 𝛿+ 𝒰𝑡 - 𝜽1 𝒰𝑡−1
PREDICCION PUNTUAL E INTERVALICA