Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad
Ciencias Económicas
Carrera
Economía
Materia
Tema
Tarea 1 unidad 2
Profesora
Nombre
ARIMA, con un ejemplo en base a una serie clásica de literatura Pieles de lince (1821-1930). Los
Estrategias de Modelización
Los capítulos anteriores, hacen referencia a las propiedades del modelo ARIMA tanto de los
La serie temporal es una realización del tamaño T del proceso estocástico, se genera cuando los
parámetros se los conoce por medio de la prueba del ruido blanco y cuando se le da valores para (Y),
De una estructura se puede obtener varias realizaciones, sin embargo, el ruido blanco y la serie
temporal que se genere, serán totalmente distintas para cada una de ellas. Entonces, cuando una serie
Existen 4 etapas para la construcción del modelo ARIMA que son las siguientes:
los datos, en el caso de que no se ajuste se procede a reflejar los posibles problemas
para mejorarlo.
previas.
El principio de parsimonia se basa en proponer un modelo que represente la base con el mínimo de
parámetros. En ciertos casos, para describir el comportamiento de base de datos se necesita ampliar
los parámetros.
Identificación
Se selecciona el modelo ARIMA (p,d,q) adecuado para la serie. Este etapa se divide en dos fases:
la estacionariedad de la media es el número de diferencias para lograr que la serie sea estacionaria en
Para poner en práctica las dos fases de identificación se necesita de gráficos y Correlograma
unitarias.
Análisis de Estacionariedad
Estacionariedad en varianza. Cuando hay una sola varianza para toda la serie
Box.Cox. Este método de transformación tiene varias funciones y se lo utiliza para series
económicas.
Para analizar la estacionariedad en varianza de una serie se realiza por medio del grafico de la serie
De acuerdo con la serie de Pieles de Lience, en el primer gráfico se puede observar que hay
una serie con comportamiento cíclico y que la amplitud de los ciclos va en función del
tiempo. El segundo gráfico, al ingresar lograr logarítmicos se puede observar que la amplitud
El siguiente gráfico se ilustra la serie de producción de tabaco desde el año 1872 hasta 1984
en niveles y en logaritmos.
Estacionariedad en media. Se identifica si los datos se oscilan en torno a un nivel
Existe una única media para toda la serie temporal, es decir que las fluctuaciones
Presenta tendencia
Zt = (1 − L)d Yt
Sobre diferenciación: se toma más diferencias de las que se necesita, por ejemplo, cuando se
inferencia sobre la posible existencia de una raíz unitaria en una serie. Si se toma la decisión
Los contrastes de raíces unitarias más utilizados en las series de datos económicos son el
Para contrastar alguna hipótesis nula sobre el valor del parámetro φ en el modelo se debe
estimar la regresión de Yt sobre Yt-1, luego se utiliza el estadístico estándar para contrastar la
hipótesis nula. Si |φ| < 1, el modelo AR (1) es estacionario y el estimador de φ por Mínimos
Este estadístico se distribuye como un t de Student de (T-1) grados de libertad para muestras
hacia abajo y el estadístico t no sigue una distribución normal, por último, cuando se utilizan
El estadístico Dickey Fuller no sigue una distribución conocida bajo la hipótesis nula de no
estacionariedad, calcula los percentiles del estadístico bajo la H O junto con los niveles críticos
significancia si el valor muestral del estadístico t es menor que el valor critico se rechaza la
H0 : β = 0 Ha : β < 0
Estadístico de contraste
Un modelo que se estima por mínimos cuadrados ordinarios se refleja de la siguiente manera:
Se usa el estadístico t para poder contrastar la hipótesis nula de raíz unitaria H0.
Contraste de Dickey Fuller este es un proceso más general ARMA(p,q) que puede
El proceso de un modelo AR(p) tiene una raíz unitaria, lo cual contrastar la hipótesis nula de
pero se hará por medio de la estacionariedad en media. Se puede observar en el grafico 5.3 la
cíclica alrededor del nivel promedio constante, sin embargo, al diferenciarla esto no modifica
su comportamiento, pero pasa a estar cerca del nivel promedio cero. El grafico 5.4 hace
muestral de Zt son:
Para identificar los órdenes se comparan las funciones de autocorrelación muestral con las
FAC del modelo ARIMA, mismas que tienen las siguientes características:
Otro proceso que ayuda a identificar es la autocorrelación parcial. Este mide el grado de
relación lineal que existe entre las variables y sus funciones son las siguientes:
p0 = 1 y p1 = ρ1
absoluto.
La FACP es una función simétrica.
cuando k → ∞.
Para estimar la función de autocorrelación parcial se realiza a partir de los datos de la serie
función es la siguiente:
Las estructuras de las FAC y FACP son importantes para para identificar el orden del proceso ARMA
(p, q) adecuado para la serie, realizando contrastes sobre la significación individual de los coeficientes
Lo esencial de las funciones de autocorrelación se basa en buscar un modelo sencillo que reproduzca
las características de la serie bajo estudio. Existe la probabilidad que exista un coeficiente
significativo aun cuando los datos se generaron por medio del ruido blanco. Los
coeficientes de autocorrelación muestral están correlacionados entre sí. Entre mayor es el tamaño de
Siguiendo el ejemplo de Pieles Lience, en el grafico 5.7 muestra que la función autocorrelación
simple que está decreciendo en forma onda que sugiere un modelo con orden mayor o igual que 2. La
función de autocorrelación parcial muestra que los primeros coeficientes son significativos distintos
de cero pero el resto de los coeficientes no, decrece rápidamente a partir del retardo número 2 en
constante es cero, la media también lo es. Se contrasta si la media es cero para poder
estacionaria bajo estudio, mismos que sirven para contrastar si la media es nula o no.
La tabla anterior muestra los estadísticos principales descriptivos de la serie
estacionaria bajo estudio, mismos que sirven para contrastar si la media es nula o no.
Estimación
Estas dos funciones o métodos se derivan a partir de las innovaciones y para calcularlas se necesita de
un vector de parámetros no conocidos y se necesita de un conjunto de valores iniciales como Z0, Z1, .
Como siguiente paso, se debe aproximar a la innovación, pero con la condición sobre los valores
iniciales, y esto hace referencia a que las primeras observaciones de Zt son los valores iniciales y las
innovaciones previas a cero. Existen métodos para estimar Máxima Verosimilitud y Mininos
Se evalúa la adecuación de los datos de los modelos estimados. Además, se considera si los
coeficientes son significativos, si cumplen las condiciones de estacionariedad y si los residuos tienen
polinomio autorregresivo. Si alguna raíz esta próxima a la unidad se dice que falta
Análisis de residuos
Los residuos son estimaciones, son una serie de contrataste de diagnóstico con la finalidad de conocer
si el comportamiento que ocurrió con ruido blanco también sucede cuando se aplica residuos, en
Como método para comprobar que la varianza sea cero, es por medio del análisis del gráfico de los
residuos. Si la gráfica muestra que los residuos están constantes, concluiremos que la varianza
permanece contaste. Pero si se comportan como la gráfica de ruido blanco, los coeficientes de
siguiente:
Se rechaza la hipótesis nula y si existiese correlación serial en los residuos del modelo se
que nos dice que la hipótesis nula de normalidad se distribuye asintóticamente y se rechaza la
hipótesis nula de significación del 5% en el caso de que el estadístico es < que 5.99.
Gráficos y Correlograma:
En el gráfico de los residuos muestra que las observaciones oscilan en torno a cero con una varianza
bastante homogénea. El Correlograma de los dos modelos muestran que los estimados están dentro de
manera:
Se concluye que los dos modelos propuestos satisfacen los contrastes de diagnóstico, ambos