Modelos Dinamicos

Modelos Dinamicos:
1) INSTALL LIBRARIES (ONLY ONCE):

install.packages('here')
install.packages("urca")
install.packages("readxl")
2) CLEAN MEMORY:
rm(list=ls())
3) SET WORKING DIRECTORY:
setwd(here::here()) #sets the script folder as default
4) EXTRACT FROM DATA FRAME AND CONVERT TO TIME SERIES:
y = ts(data=dat[,1],start=1,frequency=1)
5) plot(y) -> Me da el grafico de residuos
#+ Autocorrelation
6) acf(y) -> Me da el grafico de Autocorrelacion
Modelling
7) CENTER STATIONARY SERIES:
u = y - mean(y) -> Centro la serie
Selección del modelo:

Viendo el grafico de Autocorrelación, me doy cuenta que tengo dos autocorrelaciones
significativas, ya que superan la línea punteada.
Nunca voy a poder seleccionar un Ma(1) ya que tengo dos autocorrelaciones
significativas, no me serviría, tampoco me serviría un Ma(3).
Si me sirve un Ma(2), así como también un Ar(1), Ar(2, ARMA (1,1).
8) ARIMA MODELLING:
-> Comienzo con un modelo posible que es el MA(2)
mod <- arima(u,order=c(0,0,2),include.mean=F) # (Ma(2))
#order=c(p,d,q)
P=Orden autoregresivo(Ma no lo tienen )

Q=Orden de media móvil (Ar no lo tienen)
9) EXTRACT RESULTS:
mod
Respuesta:
Call:
arima(x = u, order = c(0, 0, 2), include.mean = F)
Coefficients:
ma1 ma2
-0.3193 0.3020
s.e. 0.1159 0.1232
sigma^2 estimated as 114.4: log likelihood = -265.35, aic = 536.71
Acá extraigo los tita y los phi, yo se que en un modelo Ar -> Phi
Modelo Ma -> Tita
phi = mod$model$phi
p = length(phi[phi!=0])
theta = mod$model$theta
q = length(theta[theta!=0])
10) PARAMETER SIGNIFICANCE:
param <- sprintf("%1.3f",mod$coef)

tstat <- mod$coef/sqrt(diag(mod$var.coef))
pvalue <- 2*(1-pnorm(abs(tstat))); pvalue <- sprintf("%1.3f",pvalue)
cbind(param,tstat,pvalue)
Respuesta:
param tstat pvalue

ma1 "-0.319" "-2.75424935262777" "0.006"
ma2 "0.302" "2.45038989044122" "0.014"
Ensayo de Wald:
Como los pvalue son menores o iguales que p(0.05) -> Se cumple CR, son significativos
Cr) pvalue <= 0.05
11) SACO LAS RAÍCES:
zma = polyroot(c(1,theta));Mod(zma)
[1] 1.819765 1.819765
Como las raíces son >1 -> El modelo es invertible.
12) DINAMICA RESIDUAL:
Para ver si tienen dinámica residual, me fijo de la siguiente manera:
plot(mod$residuals/sqrt(mod$sigma2))#errores que comete el modelo cuando pronostico

estos 70 datos
acf(mod$residuals) #funcion de autocorrelación de los residuos.
Según este grafico no habría problema, nos hace confiar y vemos que no hay
autocorrelación, pero nosotros tenemos que verificarlo con el ensayo de LJUNG AND BOX:
LJUNG & BOX

i=1; H0=NA; Q=NA; df=NA; pval=NA
for (i in (p+q+1):(p+q+11)) {LB <- Box.test(mod$residuals,lag=i,type="Ljung-
Box",fitdf=p+q)
;H0[i]=paste("r1=...=r",toString(i),"=0",sep="")
;Q[i]=LB$statistic; df[i]=LB$parameter; pval[i]=LB$p.value}
tab <- cbind(H0,Q,df,sprintf("%1.4f",pval)); colnames(tab)[4]<-"p-val"
print(tab,quote=F)
Respuesta:
H0 Q df p-val
[1,] <NA> <NA> <NA> NA
[2,] <NA> <NA> <NA> NA
[3,] r1=...=r3=0 1.37050182900522 1 0.2417
[4,] r1=...=r4=0 1.38121821203936 2 0.5013
[5,] r1=...=r5=0 1.97263358145614 3 0.5781
[6,] r1=...=r6=0 2.29620510125929 4 0.6815
[7,] r1=...=r7=0 2.4697890164916 5 0.7810
[8,] r1=...=r8=0 2.74843991270973 6 0.8397
[9,] r1=...=r9=0 2.92540002427335 7 0.8918
[10,] r1=...=r10=0 3.55557089281086 8 0.8948
[11,] r1=...=r11=0 4.37805651347603 9 0.8848
[12,] r1=...=r12=0 4.46509931867859 10 0.9239
[13,] r1=...=r13=0 5.21915565155016 11 0.9201
Obtenemos una tabla con las hipótesis de LJUNG & BOX, para varios h
GL = h-p
Como todos los pvalue> 0.05
No rechazo ninguna de las hipótesis, No rechazo el modelo.
(cuando se rechaza el ensayo de LJUNG & BOX se descarta el modelo, no es válido)
13) EVALUATION: SCHWARZ INDICATOR:
BIC(mod)
Respuesta:
#[1] 543.4521
-> Comienzo con otro modelo posible que es el AR(1)
mod <- arima(u,order=c(1,0,0),include.mean=F) # (AR(1))
#order=c(p,d,q)

1) EXTRACT RESULTS:
mod
Respuesta:
Coefficients:
ar1
-0.4184
s.e. 0.1128
Modelo Ma -> Tita
phi = mod$model$phi
Respuesta:
Phi1 = -0,4184

Respuesta:
param tstat pvalue

ar1 "-0.418" "-3.70981654145207" "0.000"
Ensayo de Wald:
Como el pvalue es menor o igual que p(0.05) -> Se cumple CR, es significativo
Cr) pvalue <= 0.05
zar = polyroot(c(1,-phi));Mod(zar)
No es necesario fijarme las raíces por ser un Ar(1), a partir del Ar(2) Si.
Al ser un modelo Ar(1) solamente alcanza con fijarme Phi1=-0.418
-1 < Phi1 < 1 -> El modelo es invertible.

estos 70 datos
LJUNG & BOX

Box",fitdf=p+q)
print(tab,quote=F)
Respuesta:
H0 Q df p-val
[1,] <NA> <NA> <NA> NA
[2,] r1=...=r2=0 2.12628596454262 1 0.1448
[3,] r1=...=r3=0 2.27170129075911 2 0.3211
[4,] r1=...=r4=0 2.42385832691912 3 0.4892
[5,] r1=...=r5=0 3.56907040054391 4 0.4675
[6,] r1=...=r6=0 4.52240319467809 5 0.4769
[7,] r1=...=r7=0 4.54141571214677 6 0.6038
[8,] r1=...=r8=0 4.79920791370132 7 0.6845
[9,] r1=...=r9=0 4.87956946524226 8 0.7704
[10,] r1=...=r10=0 5.61686740236209 9 0.7776
[11,] r1=...=r11=0 6.83832047982265 10 0.7406
[12,] r1=...=r12=0 6.89749695621039 11 0.8073
GL = h-p
Como todos los pvalue > 0.05
BIC(mod)
Respuesta:
[1] 540.4774
Cuanto menor es el BIC, mejor es, ósea uso el menor.

-> Comienzo con otro modelo posible que es el AR(2)
mod <- arima(u,order=c(2,0,0),include.mean=F) # (AR(2))
#order=c(p,d,q)

1) EXTRACT RESULTS:
mod
Respuesta:
Coefficients:
ar1 ar2
-0.3401 0.1878
s.e. 0.1216 0.1222
Modelo Ma -> Tita
phi = mod$model$phi
Respuesta:
Phi1 = -0,3401
Phi1 = 0,1878

Respuesta:
param tstat pvalue
ar1 "-0.340" "-2.79560749645711" "0.005"
ar2 "0.188" "1.53659665190323" "0.124"
Ensayo de Wald:
Como el pvalue1 es menor o igual que p(0.05) -> Se cumple CR, es significativo
Como el pvalue2 es mayor que 0.05 -> No esta aportando mucho
Cr) pvalue <= 0.05
Aca si tengo que sacar las raíces, por ser un Ar(2)
zar = polyroot(c(1,-phi));Mod(zar)
Respuesta:
[1] 1.573432 3.384427
Los módulos de las raíces son >1 (Recordar que es condición para que sea invertible)

estos 70 datos
LJUNG & BOX

Box",fitdf=p+q)
print(tab,quote=F)
Respuesta:
H0 Q df p-val
[1,] <NA> <NA> <NA> NA
[2,] <NA> <NA> <NA> NA
[3,] r1=...=r3=0 0.0362284907614311 1 0.8490
[4,] r1=...=r4=0 0.292859073237921 2 0.8638
[5,] r1=...=r5=0 0.978945863520713 3 0.8063
[6,] r1=...=r6=0 1.87132484284915 4 0.7594
[7,] r1=...=r7=0 2.18002404171661 5 0.8237
[8,] r1=...=r8=0 2.50005297919435 6 0.8685
[9,] r1=...=r9=0 2.74286236267376 7 0.9077
[10,] r1=...=r10=0 3.6944148030301 8 0.8836
[11,] r1=...=r11=0 4.42142878811323 9 0.8816
[12,] r1=...=r12=0 4.45368125997938 10 0.9246
[13,] r1=...=r13=0 6.3659455184602 11 0.8479
GL = h-p
Como todos los pvalue > 0.05
BIC(mod)
Respuesta:
[1] 542.4107
#++ Validation of model stationarity & invertibility
#+ Characteristic equation roots (modulus)
zar = polyroot(c(1,-phi)); Mod(zar)
zma = polyroot(c(1,theta)); Mod(zma)
#++ Validation of residual dynamics

#+ Residuals
plot(mod$residuals/sqrt(mod$sigma2))
acf(mod$residuals)
#+ Ljung & Box
Box",fitdf=p+q)
print(tab,quote=F)
#++ Evaluation: Schwarz indicator

BIC(mod)
#+++ Deterministic trend

t = 0:(length(y)-1)
#+ Static model on time
mstat <- lm(y~t)
#+ Static model on time and season
#mstat = lm(y~t+m01+m02+m03+m04+m05+m07+m08+m09+m10+m11+m12, dat)
summary(mstat)
plot(y,col='red')
lines(t,predict(mstat),col='blue')
#+ Eliminate deterministic trend
u = ts(mstat$resid,start=1,frequency=1)
plot(u)
#+++ Stochastic trend (cycles, random walk)

#+ Dickey & Fuller: H0) y(t) has a unit root
require(urca)
summary(ur.df(y,type="drift",selectlags='BIC')) #D&F: type=none|drift|trend
#+ Eliminate stochastic trend
u = diff(y)
plot(u)
summary(ur.df(u,type="none",selectlags='BIC')) #check more unit roots
#+++++ Appendix +++++
#+++ Deflact
# Import price index (same time as y)
cpiusa <- readxl::read_xls("CPI USA.xls")
cpi = cpiusa$cpi
cpi = cpi/cpi[length(cpi)]
y = y / cpi
plot(y)

Modelos Dinamicos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos Dinamicos

Cargado por

Copyright:

Formatos disponibles

Modelos Dinamicos:

1) INSTALL LIBRARIES (ONLY ONCE):

3) SET WORKING DIRECTORY:

setwd(here::here()) #sets the script folder as default

4) EXTRACT FROM DATA FRAME AND CONVERT TO TIME SERIES:

5) plot(y) -> Me da el grafico de residuos

6) acf(y) -> Me da el grafico de Autocorrelacion

u = y - mean(y) -> Centro la serie

Selección del modelo:

-> Comienzo con un modelo posible que es el MA(2)

mod <- arima(u,order=c(0,0,2),include.mean=F) # (Ma(2))

P=Orden autoregresivo(Ma no lo tienen )

sigma^2 estimated as 114.4: log likelihood = -265.35, aic = 536.71

10) PARAMETER SIGNIFICANCE:

param <- sprintf("%1.3f",mod$coef)

param tstat pvalue

Cr) pvalue <= 0.05

11) SACO LAS RAÍCES:

[1] 1.819765 1.819765

Como las raíces son >1 -> El modelo es invertible.

12) DINAMICA RESIDUAL:

Para ver si tienen dinámica residual, me fijo de la siguiente manera:

plot(mod$residuals/sqrt(mod$sigma2))#errores que comete el modelo cuando pronostico

LJUNG & BOX

Como todos los pvalue> 0.05

No rechazo ninguna de las hipótesis, No rechazo el modelo.

(cuando se rechaza el ensayo de LJUNG & BOX se descarta el modelo, no es válido)

13) EVALUATION: SCHWARZ INDICATOR:

mod <- arima(u,order=c(1,0,0),include.mean=F) # (AR(1))

P=Orden autoregresivo(Ma no lo tienen )

sigma^2 estimated as 116.6: log likelihood = -265.99, aic = 535.98

param <- sprintf("%1.3f",mod$coef)

param tstat pvalue

Cr) pvalue <= 0.05

3) SACO LAS RAÍCES:

-1 < Phi1 < 1 -> El modelo es invertible.

Para ver si tienen dinámica residual, me fijo de la siguiente manera:

plot(mod$residuals/sqrt(mod$sigma2))#errores que comete el modelo cuando pronostico

LJUNG & BOX

Como todos los pvalue > 0.05

No rechazo ninguna de las hipótesis, No rechazo el modelo.

(cuando se rechaza el ensayo de LJUNG & BOX se descarta el modelo, no es válido)

5) EVALUATION: SCHWARZ INDICATOR:

Cuanto menor es el BIC, mejor es, ósea uso el menor.

mod <- arima(u,order=c(2,0,0),include.mean=F) # (AR(2))

P=Orden autoregresivo(Ma no lo tienen )

sigma^2 estimated as 112.7: log likelihood = -264.83, aic = 535.67

param <- sprintf("%1.3f",mod$coef)

Cr) pvalue <= 0.05

3) SACO LAS RAÍCES:

Aca si tengo que sacar las raíces, por ser un Ar(2)

[1] 1.573432 3.384427

Para ver si tienen dinámica residual, me fijo de la siguiente manera:

plot(mod$residuals/sqrt(mod$sigma2))#errores que comete el modelo cuando pronostico

LJUNG & BOX

Como todos los pvalue > 0.05

No rechazo ninguna de las hipótesis, No rechazo el modelo.

(cuando se rechaza el ensayo de LJUNG & BOX se descarta el modelo, no es válido)

5) EVALUATION: SCHWARZ INDICATOR:

#++ Validation of residual dynamics

#++ Evaluation: Schwarz indicator

#+++ Deterministic trend

#+++ Stochastic trend (cycles, random walk)

#+++++ Appendix +++++