Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Martes 29 de octubre
Contenido I
Procesos ARMA(p, q)
Definción
Causalidad
Invertibilidad
Autocorrelación Parcial
Definición
Ejemplo
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
Selección de Modelo
Criterio de Akaike (AIC)
Test t-Student
Series de Tiempo NO Estacionarias y Estacionales
Modelo ARIMA
Test de Raı́z Unitaria
Modelo ARIMA Estacional
Procesos ARMA(p, q)
Definición
{Xt } es un proceso ARMA(p, q) si {X } es estacionario y para todo
t,
φ(B) Xt = θ(B) Zt ,
Existencia y Unicidad
Una solución estacionaria {Xt } de la ecuación (1) existe si y solo si
Causalidad
Un proceso {Xt } ARMA(p, q) es causal, P o una función causal de
{Zt }, si existen constantes {ψj } tal que ∞j=0 |ψj | < ∞ y
∞
X
Xt = ψj Zt−j , para todo t.
j=0
Invertibilidad
Un proceso {X } ARMA(p, q) es invertible, si existen constantes
Pt ∞
{πj } tal que j=0 |πj | < ∞ y
∞
X
Zt = πj Xt−j , para todo t.
j=0
Ejemplos
Obtenga los coeficientes {ψj } y {πj } se los siguientes procesos:
1. ARMA(1,1)
2. AR(2)
3. ARMA(2,1)
Procesos ARMA(p, q)
Definición
La función de autocorrelación parcial de un proceso ARMA {Xt }
corresponde a la función α(·) definida por las ecuaciones
α(0) = 1
y
α(h) = φh h , h ≥ 1,
donde φh h son las componentes de
φh = Γ−1
h γh ,
ŷt = φ̂yt−1 ,
se tiene que
donde M = {y2 }.
Luego, Py2 {y3 } = φy2 y Py2 {y1 } = αy2 , donde
α = γy−1 (0)/γy (1) = ρy (1) = φ. Esto es, Py2 {y1 } = φy2 .
Autocorrelación Parcial (PACF)
0.2
0.1
0.0
5 10 15 20
Lag
Autocorrelación Parcial (PACF)
Propuesto
Obtenga α(·) de los siguientes procesos:
I AR(p)
I MA(q)
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
Xn
Estimación de µ
n
1X
µ̂ = Xt
n
t=1
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
φ(B)(Xt − µ) = θ(B)εt
Podemos expresar Γn como función de
η = (φ1 , . . . , φp , θ1 , . . . , θq , σ 2 ) ∈ Rp+q+1 ,
es decir,
Γn = Γn (η).
Luego el estimador de Γn es:
Γ̂n = Γn (η̂)
donde η̂ es el EMV.
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
η̂ = max `(η)
η
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
η = (φ, σ 2 ) ∈ R2
φ2 φn−1
1 φ ···
φ 1 φ ··· φn−2
σ2
φ2 φ 1 ··· φn−3
Γn (η) =
1 − φ2
.. .. .. .. ..
. . . . .
φn−1 φn−2 φn−3 · · · 1
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
η = (θ, σ 2 ) ∈ R2
1 + θ2 θ 0 ··· 0
.. ..
θ 1 + θ2 θ . .
2
Γn (η) = σ .. .. ..
0 . . . 0
..
.. .. ..
. . .
. θ
0 ··· 0 θ 1 + θ2
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
yt = φ yt−1 + εt
{εt } ∼ Normal(0, σ 2 ),
σ2
y1 ∼ Normal 0,
1 − φ2
yt | yt−1 , . . . , y1 ∼ Normal(φ yt , σ 2 ), para t ≥ 2
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
y la log-verosimilitud
n n 1 1
`(η) = − ln(2 π) + − ln(σ 2 ) + ln(1 − φ2 ) − S(φ),
2 2 2 2 σ2
con
n
X
S(φ) = y12 (1 − φ2 ) + (yt − φ yt−1 )2 = y12 (1 − φ2 ) + S ∗ (φ)
t=2
Estimación Máximo Verosı́mil
Estimación Procesos ARMA(p, q)
∂
Igualando ∂ σ2
`(η) = 0, se obtiene que
S(φ̂)
σˆ2 =
n
∂
y con ∂ φ `(η) = 0 se tiene que
φ 1 ∂
= S(φ),
1 − φ2 2 σ2 ∂ φ
donde
n
∂ X
S(φ) = y12 (−2φ) + 2 (yt − φ yt−1 ) (−yt−1 ).
∂φ
t=2
Selección de Modelo
Criterio de Akaike (AIC)
AIC = −2`(η) + 2 · (q + p + 1)
Considere Γ = Var(η̂).
Las hipótesis a probar son:
H0 : ηi = 0 vs H1 : ηi 6= 0.
Definición
Si d es un entero no negativo, entonces {Xt } es un proceso
Autoregresivo Integrado de Media Móvil, ARIMA(p, d, q) si el
proceso Yt = (1 − B)d Xt es un proceso ARMA(p, q).
Esta definición satisface la siguiente ecuación:
Ejemplo
Consideremos {Xt } un proceso ARIMA(1, 1, 0), con |φ| < 1.
(1 − φ B) (1 − B) Xt = εt
{εt } ∼ RB(0, σ 2 )
donde
∞
X
Yt = (1 − B) Xt = φj εt−j
j=0
Series de Tiempo NO Estacionarias y Estacionales
Test de Raı́z Unitaria
Introducción
El problema de la raı́z unitaria surge cuando el polinomio
autoregresivo o de media móvil de un modelo ARMA tiene una raı́z
cercana al circulo unitario. Un raı́z unitaria en cualquiera de estos
polinomios tiene importantes implicaciones al modelar.
Por ejemplo, una raı́z cercana a uno de un polinomio autoregresivo
sugiere que los datos deben ser diferenciadas antes de ajustar un
modelos ARMA, mientras que una raı́z cercana a uno en el
polinomio de media móvil indica que los datos están sobre
diferenciados.
Series de Tiempo NO Estacionarias y Estacionales
Test de Raı́z Unitaria
Xt − µ = φ1 (Xt−1 − µ) + εt
{εt } ∼ RB(0, σ 2 )
n
!−1/2
X
c φ̂∗ ) = σ̂
SE( (Xt−1 − X )2 ,
1
t=2
Series de Tiempo NO Estacionarias y Estacionales
Test de Raı́z Unitaria
Xt − µ = φ1 (Xt−1 − µ) + · · · + φp (Xt−p − µ) + εt
{εt } ∼ RB(0, σ 2 )
φ(B) Xt = θ(B) εt ,
∇k Xt = a + Vt
y
Xt = c0 + c1 t + · · · + ck t k + Wt ,
donde Vt y Wt son procesos ARMA invertibles.
Series de Tiempo NO Estacionarias y Estacionales
Test de Raı́z Unitaria
Definición
Si d y D son enteros no negativos, entonces {Xt } es un proceso
SARIMA(p, d, q) × (P, D, Q)s si el proceso
Yt = (1 − B)d (1 − B s )D Xt es un proceso ARMA definido como.
donde
φ(Z ) = 1 − φ1 Z − · · · − φp Z p
Φ(Z ) = 1 − Φ1 Z − · · · − ΦP Z P
θ(Z ) = 1 + θ1 Z + · · · + θp Z q
Θ(Z ) = 1 + Θ1 Z + · · · + ΘP Z Q
Series de Tiempo NO Estacionarias y Estacionales
Modelo ARIMA Estacional
SARIMA(0, 0, 0) × (1, 0, 0)12
(1 − 0.5 B 12 ) Xt = εt
{εt } ∼ RB(0, σ 2 )
1.0
0.5
0.4
0.8
0.3
0.6
Partial ACF
ACF
0.2
0.4
0.1
0.2
0.0
0.0
Lag Lag
Series de Tiempo NO Estacionarias y Estacionales
Modelo ARIMA Estacional
SARIMA(0, 0, 0) × (0, 0, 1)12
Xt = (1 + 0.8 B 12 ) εt
{εt } ∼ RB(0, σ 2 )
1.0
0.4
0.8
0.2
0.6
Partial ACF
ACF
0.4
0.0
0.2
−0.2
0.0
Lag Lag
Series de Tiempo NO Estacionarias y Estacionales
Modelo ARIMA Estacional
SARIMA(0, 0, 0) × (1, 0, 1)12
(1 − 0.5 B 12 ) Xt = (1 + 0.8 B 12 ) εt
{εt } ∼ RB(0, σ 2 )
1.0
0.6
0.8
0.4
0.6
Partial ACF
0.2
ACF
0.4
0.0
0.2
−0.2
−0.4
0.0
Lag Lag
Series de Tiempo NO Estacionarias y Estacionales
Modelo ARIMA Estacional
SARIMA(1, 0, 0) × (1, 0, 0)12
(1 − 0.6 B) (1 − 0.4 B 12 ) Xt = εt
{εt } ∼ RB(0, σ 2 )
1.0
0.6
0.8
0.4
0.6
Partial ACF
0.2
ACF
0.4
0.0
0.2
−0.2
0.0
0 10 20 30 40 50 0 10 20 30 40 50
Lag Lag
Series de Tiempo NO Estacionarias y Estacionales
Modelo ARIMA Estacional
SARIMA(1, 0, 0) × (0, 0, 1)12
(1 − 0.6 B) Xt = (1 + 0.8 B 12 ) εt
{εt } ∼ RB(0, σ 2 )
1.0
0.6
0.8
0.4
0.6
0.2
Partial ACF
ACF
0.4
0.0
0.2
−0.2
0.0
0 10 20 30 40 50 0 10 20 30 40 50
Lag Lag