Licenciatura en Matemáticas

Asignatura: Estadística III

Unidad 2.- Identificación, Estimación y Validación de Modelos

Actividad 3.-Identificacion y Estimación de Modelos

Alumna: Elda Josefina Vázquez Calderón

Grupo: MT-MEST3-2201-B1-000

Docente: Marco Antonio Olivera Villa

 Actividad 3
Identificación y Estimación de Modelos

Contesta las siguientes preguntas y discute con tus compañeros lo siguiente:

1.- ¿De qué manera se usan las funciones de autocorrelacion para identificar
modelos?
Cuando visualmente no es factible determinar si la serie es estacionaria,
usualmente se recurre a la función de autocorrelacion simple (FAS), en especial
en aquellas series con poca tendencia poco remarcada. El reconocimiento de la
estabilidad se logra a partir de la variedad de comportamientos que esta función
que puede mostrar (Bowerman, O’ Conell, Koehler 2007).

2.- ¿Cuál es la metodología para identificar el modelo MA(q) usando la

función de autocorrelacion parcial, ACF?
La función de autocorrelación es una medida de la correlación entre las observaciones de una
serie de tiempo separadas por k unidades de tiempo (yt e yt–k). Utilice la función de
autocorrelación y las funciones de autocorrelación parcial conjuntamente para identificar modelos
ARIMA. Examine los picos en cada desfase para determinar si son significativos. Un pico
significativo se extenderá más allá de los límites de significancia, lo cual indica que la correlación
para ese desfase no es igual a cero.

Los siguientes patrones pueden ayudar a especificar los términos autorregresivos y de promedio
móvil (MA) en un modelo ARIMA.
NOTA
Los datos deben ser estacionarios antes de que usted interprete la gráfica de autocorrelación. Una
serie de tiempo estacionaria tiene una media, una varianza y una función de autocorrelación que
son esencialmente constantes a través del tiempo.

Patrón Lo que indica el patrón Ejemplo

Pico grande en el desfase 1 Un término autorregresivo en los

que disminuye después de datos. Utilice la función de
unos pocos desfases. correlación parcial para
determinar el orden del término
autorregresivo.

Pico grande en el desfase 1 Un término autorregresivo de

seguido por una onda
decreciente que alterna
entre correlaciones positivas
y negativas.
Correlaciones
significativas en el primer
o segundo desfase,
seguidas por
correlaciones que no son
significativas.
orden superior en los datos.
Utilice la función de
autocorrelación parcial para
determinar el orden del término
autorregresivo.
Un término de promedio
móvil en los datos. El número
de correlaciones significativas
indica el orden del término de
promedio móvil.
3.- ¿Cuál es la metodología para identificar el modelo AR(p) usando la
función parcial de autocorrelacion parcial PACF?
La función de autocorrelación parcial (PACF)
 Mide la correlación entre dos variables separadas por k periodos cuando no
se considera la dependencia creada por los retardos intermedios existentes
entre ambas.
 Mide la autocorrelación que existe entre dos variables separadas k períodos
descontando los posibles efectos debidos a variables intermedias.
La función ACF es usada para identificar el proceso de media móvil (MA) en un
modelo ARIMA; mientras que la función PACF se usa para identificar los valores
de la parte del proceso autoregresivo (AR).

4.-Explica la estimación de parámetros autoregresivos y de promedios

móviles
El acrónimo ARIMA significa media móvil integrada autorregresiva. Los retrasos de
las series estacionarias en la ecuación de pronóstico se denominan términos
“autorregresivos”, los retrasos de los errores de pronóstico se denominan términos
de “promedio móvil” y se dice que una serie de tiempo que debe diferenciarse para
hacerse estacionaria es “integrada” versión de una serie estacionaria. Los
modelos de caminata aleatoria y de tendencia aleatoria, los modelos
autorregresivos y los modelos de suavizado exponencial son casos especiales de
los modelos ARIMA.

Un modelo ARIMA no estacional se clasifica como un modelo “ARIMA (p, d, q)”,

donde: p es el número de términos autorregresivos, d es el número de diferencias
no estacionales necesarias para la estacionariedad, y q es el número de errores
de pronóstico rezagados en la ecuación de predicción.

Box y Jenkins popularizaron un enfoque que combina el promedio móvil y los

enfoques autorregresivos en el libro “Análisis de series temporales: pronóstico y
control” (Box, Jenkins y Reinsel, 1994).

Aunque ya se conocían enfoques autorregresivos y de promedio móvil (y fueron

investigados originalmente por Yule), la contribución de Box y Jenkins fue
desarrollar una metodología sistemática para identificar y estimar modelos que
pudieran incorporar ambos enfoques. Esto hace que los modelos Box-Jenkins
sean una clase poderosa de modelos.

Un modelo autorregresivo es simplemente una regresión lineal del valor actual de

la serie contra uno o más valores anteriores de la serie. El valor de p se llama el
orden del modelo AR.
Los modelos AR se pueden analizar con uno de varios métodos, incluidas las
técnicas estándar de mínimos cuadrados lineales. También tienen una
interpretación directa.

Un modelo de promedio móvil (MA) es conceptualmente una regresión lineal del

valor actual de la serie contra el ruido blanco o choques aleatorios de uno o más
valores anteriores de la serie. Se supone que los choques aleatorios en cada
punto provienen de la misma distribución, típicamente una distribución normal, con
ubicación en cero y escala constante. La distinción en este modelo es que estos
choques aleatorios se propagan a valores futuros de las series de tiempo. Ajustar
las estimaciones de MA es más complicado que con los modelos AR porque los
términos de error no son observables.

El modelo ARMA de Box-Jenkins es una combinación de los modelos AR y MA

Por lo general, el ajuste efectivo de los modelos Box-Jenkins requiere al menos

una serie moderadamente larga. Chatfield (1996) recomienda al menos 50
observaciones. Muchos otros recomendarían al menos 100 observaciones.

Supuestos del modelo ARIMA

Los datos deben ser estacionarios; por estacionario, significa que las propiedades
de la serie no dependen del momento en que se capturan. Una serie de ruido
blanco y series con comportamiento cíclico también pueden considerarse como
series estacionarias.

Los datos deben ser univariados: ARIMA funciona en una sola variable. La
regresión automática tiene que ver con la regresión con los valores pasados.

Pasos a seguir para el modelado ARIMA:

1. Identificación del Modelo.

2. Ajustar el modelo.

3. Diagnóstico del modelo.

4. Pronósticos.
 Referencias:

UnADM Matemáticas/ Estadística III. Unidad 2. Contenido Nuclear Unidad

2/Identificación, estimación y validación de modelos./México, D.F. 2015

Walpole et. al. (2012). Probabilidad y estadística para ingeniería y ciencias (9a
de.). México: Pearson.

Pindyck, R. S. & Rubinfeld, D. L. (2001). Econometría: Modelos y Pronósticos (4a

de.).México: McGraw-Hill.

Referencias:

UnADM Matemáticas/ Estadística III. Unidad 2. Contenido Nuclear Unidad

2/Identificación, estimación y validación de modelos./México, D.F. 2015

Walpole et. al. (2012). Probabilidad y estadística para ingeniería y ciencias (9a
de.). México: Pearson.

Pindyck, R. S. & Rubinfeld, D. L. (2001). Econometría: Modelos y Pronósticos (4a

de.).México: McGraw-Hill.
:

Referencias:

UnADM Matemáticas/Estadística III Contenido Nuclear Unidad 1 /Procesos y series

de tiempo/México, D.F. 2015