Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelización Económica II
Referencias:
Mills y Markellos (2008) "The Econometric Modelling of Financial
Time Series", Cambridge University Press.
Aznar y Trívez (1993) "Métodos de Predicción en Economía II", Ariel.
AR = Au torregresivos
I = Integrados
MA = Medias móviles
La metodología Box-Jenkins recoge una serie de etapas y procedimientos para la
identi…cación, estimación, contraste y predicción de los modelos ARIMA con
datos de series temporales.
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 2 / 37
1 Introducción a las series temporales
ρ(s) ρ(s)
1 1
1 3 5
1 2 3 4 5 6 s 2 4 6 s
−1 −1
Por tanto jφ1 j < 1 todas las autocorrelaciones simples son disntintas de cero
si bien decaen rápidamente hacia cero.
ρ(s ) = φs1 8s = 1, 2, ...
ρ(s) φ(s)
1 1
1 2 3 4 5 6 s 1 2 3 4 5 6 s
−1 −1
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 7 / 37
2 Modelos Autorregresivos
Modelo AR(1)
ρ(s)
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 s
−1
Abrir EViews and crear un nuevo …chero con "File/New Work…le". En el rango de
la serie "work…le range" elegir "undated" y "500" observaciones. Una serie
estacionaria se crea como sigue:
1. smpl 1 1
genr yt=0 [genera Yt con el valor 0 para la observación 1]
2. smpl 1 500
genr ut=nrnd [genera una serie ruido blanco con varianza 1]
3. smpl 2 500
genr yt=0.5+0.4*yt(-1)+ut [genera Yt : proceso AR(1) con φ1 = 0.4]
5
4
3
2
1
0
-1
-2
-3
100 200 300 400 500
YT
Abrir EViews and crear un nuevo …chero con "File/New Work…le". En el rango de
la serie "work…le range" elegir "undated" y "500" observaciones. Una serie
estacionaria se crea como sigue:
1. smpl 1 1
genr yt=0 [genera Yt con el valor 0 para la observación 1]
2. smpl 1 500
genr ut=nrnd [genera una serie ruido blanco con varianza 1]
3. smpl 2 500
genr yt=0.5+1.4*yt(-1)+ut [genera Yt : proceso AR(1) con φ1 = 1.4]
1.4E+72
1.2E+72
1.0E+72
8.0E+71
6.0E+71
4.0E+71
2.0E+71
0.0E+00
-2.0E+71
100 200 300 400 500
YT
Yt = φ 0 + φ 1 Yt 1 + φ 2 Yt 2 + εt
Yt φ 1 Yt 1 φ 2 Yt 2 = φ0 + εt
(1 φ1 L φ2 L2 )Yt = φ0 + εt
Φ ( L ) Yt = φ0 + εt
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 14 / 37
2 Modelos Autorregresivos
El modelo AR(2)
φ
Si el proceso AR(2) es estacionario E (Yt ) = 1 φ 0 φ 8t y la estructura de
1 2
autocovarianzas se obtienen de la resolución del sistema de ecuaciones de
Yule-Walker.
γ (s ) = φ1 γ (s 1) + φ2 γ (s 2)8s > 2.
Todas las autocorrelaciones simples son distintas de cero pero sólo las dos
primeras autocorrelaciones parciales son distintas de cero.
ρ(s)
φ(s)
1 1
1 2 3 4 5 6 s 1 2 s
−1 −1
Yt = φ 0 + φ 1 Yt 1 + φ 2 Yt 2 + ... + φp Yt p + εt
Yt φ 1 Yt 1 φ 2 Yt 2 ... φ p Yt p = φ0 + εt
(1 φ1 L φ2 L2 ... φp Lp )Yt = φ0 + εt
Φ ( L ) Yt = φ0 + εt
Todas las autocorrelaciones simples son distintas de cero pero sólo las p
primeras autocorrelaciones parciales son distintas de cero.
Yt = θ 0 + ε t θ 1 εt 1.
ρ(s) φ(s)
1 1
1 1 2 3 4 5 6
s s
−1 −1
Yt = ε t + θ 0 θ 1 ( Yt 1 θ 0 + θ 1 εt 2) = εt + θ 0 (1 + θ 1 ) θ 1 Yt 1 θ 21 εt 2
ρ(s) φ(s)
1 1
1 2 1 2 3 4 5 6
s s
−1 −1
Yt = θ 0 + ( 1 θ1 L θ 2 L2 )εt = θ 0 + Θ(L)εt
Yt = θ 0 + ε t θ 1 εt 1 θ 2 εt 2 ... θ q εt q.
La FAS de un MA(q) se anula a partir del orden del proceso (q), pero la
FAP nunca se anula.
Modelos ARIMA () Dr Javier Perote Peña perote@usal.es 26 / 37
4 Modelos ARMA
El modelo ARMA(1,1)
Yt = ψ 0 + φ 1 Yt 1 + ut θ 1 ut 1.
Los procesos AR(1) y MA(1) son casos particulares del ARMA(1,1) para
θ 1 = 0 y φ1 = 0, respectivamente.
Yt = ψ 0 + φ 1 Yt 1 + ... + φp Yt p + εt θ 1 εt 1 ... θ q εt q
Φ ( L ) Yt = ψ0 + Θ (L) εt
1 ,4 0 0
.70
1 ,2 0 0
.65
1 ,0 0 0
.60
800
.55
600
400
.50
200 .45
92 94 96 98 00 02 04 86 88 90 92 94 96 98 00 02 04 06
Zt = ψ0 + φ1 Zt 1 + ... + φp Zt p + εt θ 1 εt 1 ... θ q εt q.
d
Φ(L)Zt = ψ0 + Θ(L)εt ) Φ(L)(1 L ) Yt = ψ 0 + Θ ( L ) ε t
1) Identi…cación,
2) Estimación
3) Contraste
4) Predicción
5) Contrastes de hipótesis: