Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap8 Arima
Cap8 Arima
MOLINA
FACULTAD DE ECONOMIA Y PLANIFICACIÓN
MODELOS ARIMA
-2
10 20 30 40 50 60 70 80 90 00
Profesor Principal del Departamento Académico de Economía y Planificación
Modelos ARIMA Juan Pichihua Serna
INDICE
2. Modelos ARIMA 6
2.1 Procesos Autorregresivos 7
a) Proceso AR(q) 7
b) Proceso AR(1) 8
c) Proceso AR(2) 11
2.2 Procesos de Media Móvil 15
a) Proceso MA(q) 15
b) Proceso MA(1) 16
c) Proceso MA(2) 19
2.3 Procesos Autorregresivos de Media Móvil 22
a) Proceso ARMA(p,q) 22
b) Proceso ARMA(1,1) 22
2.4 Procesos Autorregresivos de Media Móvil Integrados 23
3. Proceso Box-Jenkins 26
3.1 Identificación 26
3.2 Estimación 29
3.3 Control 29
a) Características de un buen modelo para pronóstico 30
b) Criterios para la selección de un modelo ARIMA 30
8. Bibliografía 43
1
Modelos ARIMA Juan Pichihua Serna
MODELOS ARIMA
Cuenta la historia que dos “papers” publicados por Yule1 en 1927 que dieron el inicio al
análisis de las series de tiempo. Diez años después Slutsky2 encuentra que los ciclos
económicos tienen en su origen procesos puramente aleatorios. En ambos casos se
rechazan, proponiendo modelos cuya raíz son procesos puramente aleatorios. En su
presentación Yule invita a sus lectores a imaginar un péndulo que va de un lado a otro
en movimientos armónicos, luego, cualquier desviación que se observa puede ser
atribuido a errores de observación y por lo tanto, podría ser eliminada sin ninguna
consecuencia sobre el proceso estacionario armónico que representa, sin embargo, si el
péndulo fuera interrumpido por alguien comienza a golpear el péndulo con arvejas hacia
uno y hacia otro lado, entonces el movimiento estará afectado por factores disturbantes.
La idea es que hay muchas series de tiempo que tienen un comportamiento regular, pero
que, debido a factores aleatorios pueden tomar valores por encima o por debajo de su
valor regular tal como se puede observar en el gráfico 1.
4
-2
-4
-6
-8
10 20 30 40 50 60 70 80 90 00
1
Yule, G. U. (1927), “On a Method of Investigating Periodicities in Disturbed Series with Special Reference toWolfer's
Sunspot Numbers”. Philosophical Transactions of the Royal Society, No. 89, pags. 1-64.
2
Slutsky, E. (1937), \The Summation of Random Causes as the Source of Cyclical Processes." Econometrica, 5,
105{146
2
Modelos ARIMA Juan Pichihua Serna
Ejemplo 3: La tasa de desempleo durante el segundo semestre del año 2001 puede ser
considerada como una variable aleatoria (aunque sólo observemos una realización de
esta variable aleatoria), pero, la secuencia de tasas de desempleo trimestral en el Perú es
un proceso estocástico.
Note que mientras el Proceso Estocástico se refiere a la población, una serie de tiempo
es un concepto utilizado para referirse a la muestra. Por ejemplo:
Primer Momento:
3
Modelos ARIMA Juan Pichihua Serna
La media: (t ) E (Yt ) .
Segundo Momento:
La varianza: 2 (t ) Var (Yt ) E (Yt E (Yt )) 2 E (Yt ) 2 2 0 .
Tercer Momento:
Y 3
Skewness (sesgo): skw(t ) E t 0
Cuarto Momento:
Y 4
Kurtosis: kur(t ) E t 3.
La media: E (Yt ) .
La varianza: Var (Yt ) E (Yt ) 2 0 .
Las covarianzas: Cov(Yt , Yt k ) E(Yt )(Yt k ) k k ; k 0 .
1) Exhibe reversión hacia la media, esto es, sus valores en el largo plazo fluctuan
alrededor de una media constante. E(yt) = E(yt-k) = , una constante para todo t y t-k.
4
Modelos ARIMA Juan Pichihua Serna
Ejemplo 8: Se dice que los cambios en las cotizaciones de la Bolsa de Valores o los
premios de la lotería son producto del azar, por lo tanto son ruido blanco.
Cov(Yt , Yt j ) j j
AC(j): j
V (Yt ) . V (Yt j ) 0 . 0 0
5
Modelos ARIMA Juan Pichihua Serna
t t
(Yt Y )(Yt j Y ) yt yt j
j 1 j 1
̂ j t
t
(Yt Y ) yt
2 2
1 1
2. MODELOS ARIMA
Los procesos ARIMA son modelos matemáticos utilizados con fines de pronóstico.
ARIMA es un acronismo de los Modelos AutoRegresivos Integrados y de Media Movil
(AutoRegressive, Integrated, Moving Average), donde cada parte de la frase describe la
parte del modelo matemático que nos ocupará esta sección.
6
Modelos ARIMA Juan Pichihua Serna
Los procesos ARIMA fueron popularizados por George Box y Gwilym Jenkins a inicios
de los años 1970s; motivo por el cual los procesos ARIMA son también conocidos
como Modelos Box-Jenkins. Cada proceso ARIMA tiene tres partes: la parte
autoregresiva(o AR); la parte integrada (o I); y la parte de las medias móviles (o MA)
part, de modo corto se lo escribe como ARIMA(p,d,q) donde p describe la parte AR , d
describe la parte integrada y q describe la parte MA.
a) Proceso AR(p)
t RB 0 ; 2 y E ( t t j ) 0, j 0
(1 1 L 2 L2 ...... p Lp )Yt c t
O también
( L)Yt c t
p
( L) 1 1 L 2 L2 ...... p L p (1 1 L)(1 2 L)......(1 p L) (1 j L)
j 1
Para que proceso AR(p) sea estacionario, es decir, tiene tener solución convergente a
una media constante, si y solo si satisface la “condición de estacionariedad”, es decir, si
las raíces características (L) caen fuera del circulo unitario, L j > 1,
7
Modelos ARIMA Juan Pichihua Serna
Cuyas raíces características del polinomio ( ) deben caer dentro del circulo unitario,
1
es decir, j 1, dado que j .
Lj
1
dYt d t
1 1 L 2 L ...... p L p
2
b) Proceso AR(1)
Yt c Yt 1 t .
(1 L)Yt c t
Para que un proceso AR(1) sea estacionario será necesario que 1, es decir que
cumpla con la condición de estacionariedad. De acuerdo a esto, el proceso AR(1)
puede ser expresado como un proceso MA().
Demostración:
c 1 c
Yt t t t 1 2 t 2 3 t 3
1 (1 L) 1
c
Yt j t j
1 j 0
c
Yt MA()
1
8
Modelos ARIMA Juan Pichihua Serna
La varianza de Yt es:
2
j
Var (Yt ) 0 E[Yt ] E t j E[ t t 1 t 2 ..... 2.crossprod]
2 2 2 2 4 2
j 0
Var (Yt ) 0 (1 .....)
2 2 4
2
Var (Yt ) 0
1 2
Note que en un AR(1) el PAC se hace cero luego del primer rezago.
9
Modelos ARIMA Juan Pichihua Serna
3 4
2
2
1
0
0
-2
-1
-4
-2
Y= - 0.85*Y(-1)+
Y= 0.85*Y(-1)+
-3 -6
05 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 00 05 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 00
c) Proceso AR(2)
Yt c 1Yt 1 2Yt 2 t
Donde t es ruido blanco con E ( t ) 0 , V ( t ) 2 , y Cov( t , t j ) 0, j 0 .
Para que se cumpla con la condición de estacionariedad, es decir, para que el proceso
AR(2), pueda ser expresado como un MA() es necesario que las dos raíces del
polinomio en L, 1 1 L 2 L2 0 , caigan fuera del círculo unitario,
(1 1 L)(1 2 L) 0 , esto es: Li 1
.
Operando se obtiene:
1 (1 2 ) L 12 L 1 1 L 2 L 0
2 2
10
Modelos ARIMA Juan Pichihua Serna
Luego: 1 2 1 y 12 2
2 1 2 0
Para que se cumpla la condición de invertibilidad es necesario que, las dos raíces
características del polinomio en , 2 1 2 0 , sean menores que uno, i 1 ,
esto es:
1 12 4 2
i 1.
2
1 12 4 2 1 12 4 2
1 1 y 2 1
2 2
Yt c 1Yt 1 2Yt 2 t
(1 1 L 2 L2 )Yt c t
11
Modelos ARIMA Juan Pichihua Serna
c 1
Yt t
1 1 2 1 1 L 2 L2
De la media de Yt se obtiene:
c 1 1 2 1 2
Luego,
c 1 2
1 1 . 0 2 . 1
2 1 . 1 2 . 0
21
Cov(Yt , Yt 1 ) 1
(1 2 )(1 1 2 )(1 1 2 )
12
Modelos ARIMA Juan Pichihua Serna
2 (1 2 ) 2 12
Cov(Yt , Yt 2 ) 2 , y así sucesivamente.
(1 2 )(1 1 2 )(1 1 2 )
2 12
2 2
0 1 2
1 2
0
0
-1
-2
-2
-3 -4
05 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 00 05 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 00
3
Las ecuaciones de Yule-Walker para un AR(p) se obtienen de:
j 1. j 1 2 . j 2 ..... p . j p . Para todo j = 1, 2, 3, …., p. Donde j j
13
Modelos ARIMA Juan Pichihua Serna
Yt c (1 1 L 2 L2 .... q Lq ) t
Yt c q ( L) t
q
Var (Yt ) 0 i . Donde 0 1 .
2 2
i 0
q j
Cov(Yt , Yt j ) j i i j , j 1,2,3,...., q. Donde 0 1 .
2
i 0
Cov(Yt ,Yt j ) j 0, j q .
q j
i i j
j i 0
q
. Para j = 1, 2, 3, …., q. Donde 0 1 .
i 0
i
2
j 0 . Para j q.
14
Modelos ARIMA Juan Pichihua Serna
Por lo tanto, para determinar el orden q de la media movil bastará con observar los
coeficientes de autocorrelación simple, AC(j), distintas de cero, j 0 . Pues para un
orden mayor a q las AC(j) serán cero.
Si
Yt c t 1 t 1 2 t 2 ..... q t q c q ( L) t ,
entonces,
Yt c (1 1 L 2 L2 ..... q Lq ) t
Para hallar las raíces características del polinomio q (L) debemos igualarlo a cero y
resolverlo:
1 1 L 2 L2 ..... q Lq (1 1 L)(1 2 L).....(1 q L) 0
Para que el polinomio sea invertible sus q raíces características, en L, deben caer fuera
1
del circulo unitario, esto es: L j 1.
j
b) Proceso MA(1)
Yt c t t 1 c (1 L) t
Donde t RB 0 ; 2 y E ( t t j ) 0, j 0
15
Modelos ARIMA Juan Pichihua Serna
y
Cov(Yt , Yt j ) j E[(Yt c)(Yt j c)] E[( t t 1 )( t j t j 1 )] 0, j 2.
2 0
Cov(Yt , Yt 2 ) 2 0 AC(2): 2 2 0
0 0
........ ........ ........
j Cov(Yt , Yt j ) j 0 AC(j): j 0 .
4
Se dice que estos modelos son ergódicos.
16
Modelos ARIMA Juan Pichihua Serna
4 3
2
2
1
0 0
-1
-2
-2
c) Proceso MA(2)
Yt c t 1 t 1 2 t 2 c (1 1 L 2 L2 ) t
Donde t RB 0 ; 2 y E ( t t j ) 0, j 0
La media de Yt es,
E (Yt ) c
La varianza de Yt es:
Cov(Yt , Yt 1 ) 1 1 (1 2 )
2
17
Modelos ARIMA Juan Pichihua Serna
Cov(Yt , Yt 2 ) 2 2
2
Cov(Yt ,Yt j ) j 0, j 3.
1 12 4 2
i 1.
2
Es decir,
1 12 4 2 1 12 4 2
1 1 y 2
1
2 2
En ambos casos las raíces características Li 1 y i 1 ocurren si y solo si:
2 1 1; 2 1 1; y 2 1.
1 1 (1 2 )
AC(1): 1
0 1 12 22
2
AC(2): 2 2
0 1 12 22
AC(j): j 0 . Para j 3.
18
Modelos ARIMA Juan Pichihua Serna
2
2
0 0
-1
-2
-2
MA(2): Y=ERR-0.6*ERR(-1)-0.2*ERR(-2)
MA(2): Y=ERR+0.6*ERR(-1)+0.2*ERR(-2)
-4 -3
05 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 00 05 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 00
19
Modelos ARIMA Juan Pichihua Serna
a) Proceso ARMA(p,q)
( L).Yt ( L) t
Para que se cumpla con la condición de estacionariedad las raíces del polinomio (L).
deben caer fuera del círculo unitario (o dentro del círculo unitario si se define la función
inversa). Para que se cumpla con la condición de invertibilidad del MA las raíces del
polinomio (L) deben caer fuera del círculo unitario (o dentro del círculo unitario si se
define la función inversa).
Si se cumplen estas condiciones, un ARMA (p, q) puede ser expresado como un modelo
AR() o un modelo MA (), esto es:
Yt ( L) 1 . ( L). t , MA ().
Yt c .Yt 1 t 1. t 1
20
Modelos ARIMA Juan Pichihua Serna
1 2. . 2 2
0
1 2
( )(1 . ) 2
1 . 0
1 2
2 . 1 , y en general
Es un proceso ARMA a una serie que ha sido diferenciada una cantidad necesaria de
veces hasta convertirla en estacionaria.
Yt Yt Yt 1
2Yt Yt Yt 1
d Yt d 1Yt d 1Yt 1
Yt Yt 1 c 1.(Yt 1 Yt 2 ) t 1. t 1
21
Modelos ARIMA Juan Pichihua Serna
2 2
0 0
-2 -2
-4 -4
y= -0.5*y(-1) + + 0.5*(-1)
1920 1940 1960 1980 2000 1920 1940 1960 1980 2000
5 2
0 1
-5 0
-10 -1
-15
-2
-20
-3
y= 0.5*y(-1) + - 0.5* (-1)
-25
1920 1940 1960 1980 2000
-4
1920 1940 1960 1980 2000
Y
22
Modelos ARIMA Juan Pichihua Serna
Proceso Box-Jenkins
El procedimiento propuesto por Box & Jenkins para abordar los modelos
ARIMA(p,d,q) está compuesto de tres etapas: Identificación, Estimación y Control,
luego de los cuales puede utilizarse el modelo estimado con fines de pronóstico. Si el
modelo no es satisfactorio debe regresar a evaluar su representación mediante una
mejora en la identificación.
IDENTIFICACION
ESTIMACION
CONTROL
PRONOSTICO
2.5 IDENTIFICACIÓN
23
Modelos ARIMA Juan Pichihua Serna
Rezagos 1 2 ...... k
Hipótesis H 0 : 1 0 H 0 : 1 2 0 ...... H 0 : 1 2 k 0
H a : 1 0 H a : k 0 H a : k 0
Estadístico k r j2 yt yt j
de prueba Q n(n 2) k2 gl . Donde: rj
j 1 n j yt
2
Decisión Si se acepta la hipótesis nula E[ yt yt j ] 0 , indicaría no correlación de la
serie entre el período t y el período t-j. En otros caso habrá autocorrelación
en la serie.
24
Modelos ARIMA Juan Pichihua Serna
Quiebre en el rezago p
AR(p) Decae a 0, puede oscilar
Todos los ss = 0, s p
Quiebre positivo en el rezago 1, Decae oscilando: 11 <0
MA(1): >0
s = 0 para s 0
Posiblemente los dos primeros
Solo es significativo en el rezago 1 en el lado
rezagos sean significativos pero con
negativo.
un pico negativo
ARIMA (0,0,1)
1>θ>0
Decae exponencialmente
Decae exponencialmente empezando en el
ARMA(1,1) empezando en el rezago 1.
rezago 1, signo del signo(1 +
Signo(ss) = signo (11)
Decae oscilante o directamente empezando en Decae oscilante o directamente
ARMA(p,q)
el rezago q empezando en el rezago p.
Solo es significativo en el rezago 1.
Decae lentamente empezando en el rezago 1.
ARIMA(0,1,0)
25
Modelos ARIMA Juan Pichihua Serna
2.6 ESTIMACIÓN
2.7 CONTROL
Consiste en encontrar la mejor representación ARIMA para la serie de tiempo, esto pasa
por verificar los resultados del modelo y en especial consiste en verificar si los residuos,
êt , de la estimación se comportan como ruido blanco.
26
Modelos ARIMA Juan Pichihua Serna
pq
AIC log ˆ 2
2
n
pq
SBC log ˆ 2
2
log( n)
n
Si bien ambos estadísticos miden el “costo del trade-off” entre ajuste y parsimonia, el
SBC puede ser preferido en algunos casos dado que tiene propiedades asintóticas
deseables.
27
Modelos ARIMA Juan Pichihua Serna
Supongamos que se tiene un proceso de media movil para una serie integrada, digamos
un ARIMA (0, 2, 2): Yt (1 1 L 2 L ) t (1 1 L)(1 2 L) t . Si algún i 1 ,
2 2
implicaría que hay una raíz unitaria en la media movil. Por ejemplo si:
Yt (1 1.48L 0.49L ) t .
2 2
ARIMA(0,2,2)
Yt Yt 1 (1 0.5L)(1 0.98L) t
(1 L)Yt (1 0.5L)(1 0.98L) t
Supongamos que se tiene un proceso autorregresivo para una serie integrada, digamos
un ARIMA (1, 0, 1): Yt Yt 1 t t 1 . Si 1 , implicaría que hay una raíz
unitaria en el proceso autorregresivo. Por ejemplo si:
28
Modelos ARIMA Juan Pichihua Serna
4.3 SOBREPARAMETRIZACIÓN
Si las raíces del proceso AR es parecida a las raíces del proceso MA se puede
simplificar las raíces y reducir el número de términos AR y de términos MA. Por
ejemplo, sea el ARMA(2,1):
(1 0.5L)Yt t . AR(1)
Yt c t (1)
p ( L) t t (2)
s ( L) t vt (3)
29
Modelos ARIMA Juan Pichihua Serna
Estacionario: Yt c t (1)
AR(p): p ( L) t t (2)
SAR(s): s ( L) t vt (3)
MA(q) vt q ( L) wt (4)
SMA(s) wt s ( L)t (5)
30
Modelos ARIMA Juan Pichihua Serna
Donde:
c
c
*
1 1 4 1 4
31
Modelos ARIMA Juan Pichihua Serna
Si la serie todavía exhibe una tendencia de largo plazo o muestra una tendencia para
retornar a media, o si sus autocorrelaciones son todas positivas después de un gran
número de rezagos, digamos 10 o más, entonces, será necesario diferencias de mayor
orden.
Una serie sobre diferenciada, a simple vista, puede parecer completamente aleatoria,
pero si muestra demasiados cambios de signo de una observación a otra, su varianza
crecerá en vez de reducirse. En cambio una serie sub diferenciada puede corregirse
agregando términos AR al modelo.
Una vez que una serie ha sido estacionarizada por diferenciación, la siguiente etapa es
identificar el proceso estocástico que mejor la representa en términos autorregresivos,
AR, y de media movil, MA.
Para identificar los términos AR y MA de la serie se utiliza su función de
autocorrelación simple (AC) y la función de autocorrelación parcial (PAC). La función
32
Modelos ARIMA Juan Pichihua Serna
AC mide el coeficiente de correlación simple entre una serie de tiempo y los rezagos de
si misma. La función PAC mide el coeficiente de correlación parcial entre la serie de
tiempo y sus rezagos, esto es, luego de separar el impacto de los otros rezagos.
Regla 6: Si la PAC de una serie diferenciada muestra un rápido corte y/o la primera
autocorrelación (simple) es positiva, esto es, si aparentemente la serie está sub
diferenciada, entonces agrege un término AR en el modelo. El rezago en el cual el
término PAC deja de ser significativo indica el número de términos AR.
33
Modelos ARIMA Juan Pichihua Serna
Por esta razón en los modelos ARIMA es mejor ir agregando progresivamente términos
AR o términos MA hasta encontrar la especificación adecuada, estimando y controlando
la función de autocorrelación simple y parcial, AC y PAC, de los residuos, hasta que
estos se comporten como un ruido blanco.
Si una serie esta groseramente sub diferenciada a menudo tendrá “raíces unitarias” en
los coeficientes AR y si está groseramente sobre diferenciada tendrá “raíces unitarias”
en los coeficientes MA en el modelo estimado.
Regla 9: Si se evidencia una raíz unitaria en la parte AR del modelo, es decir si la suma
de los coeficientes AR es casi igual a uno, se debe reducir el número de términos AR y
simultáneamente incrementar el orden de la diferencia en uno.
De igual modo, un modelo MA(1) se dice que tiene una raíz unitaria si el coeficiente
MA(1) estimado es igual a 1. Cuando esto pasa, significa que se puede eliminar el
término MA(1) reduciendo (eliminando) una diferencia a la serie. En general, en
modelos con términos MA de alto orden, existe raíz unitaria si la suma de los
coeficientes MA son aproximadamente igual a uno.
Regla 10: Si hay una raíz unitaria en la parte MA de un modelo, es decir, si la suma de
los coeficientes MA es casi exactamente igual a uno, se debe reducir el número de
términos MA y reducir en uno el orden de la diferenciación de la serie.
Por ejemplo, si en un ARIMA (1,1,2), se puede verificar que la suma de los coeficientes
de los dos términos MA suman un valor cercano a uno. Si se reduce el orden del MA y
de la diferencia en uno, teniendo que estimarse solamente un modelo ARIMA (1,0,1).
En este caso la ecuación de predicción de un modelo MA con raíz unitaria no es
invertible, lo que significa que los residuos del modelo no pueden ser considerados
como ruido blanco (aleatorio).
Otro síntoma de una raíz unitaria es que las predicciones del modelo pueden explotar
“blow up” o comportarse de manera impredecible. Si se plotea una predicción de largo
plazo para el modelo aparecen de manera extraña, se debería chequear si los
coeficientes estimados evidencian la presencia de raíz unitaria.
34
Modelos ARIMA Juan Pichihua Serna
y Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Promed
1988 112.0 118.0 132.0 129.0 121.0 135.0 148.0 148.0 136.0 119.0 104.0 118.0 126.7
1989 115.0 126.0 141.0 135.0 125.0 149.0 170.0 170.0 158.0 133.0 114.0 140.0 139.7
1990 145.0 150.0 178.0 163.0 172.0 178.0 199.0 199.0 184.0 162.0 146.0 166.0 170.2
1991 171.0 180.0 193.0 181.0 183.0 218.0 230.0 242.0 209.0 191.0 172.0 194.0 197.0
1992 196.0 196.0 236.0 235.0 229.0 243.0 264.0 272.0 237.0 211.0 180.0 201.0 225.0
1993 204.0 188.0 235.0 227.0 234.0 264.0 302.0 293.0 259.0 229.0 203.0 229.0 238.9
1994 242.0 233.0 267.0 269.0 270.0 315.0 364.0 347.0 312.0 274.0 237.0 278.0 284.0
1995 284.0 277.0 317.0 313.0 318.0 374.0 413.0 405.0 355.0 306.0 271.0 306.0 328.2
1996 315.0 301.0 356.0 348.0 355.0 422.0 465.0 467.0 404.0 347.0 305.0 336.0 368.4
1997 340.0 318.0 362.0 348.0 363.0 435.0 491.0 505.0 404.0 359.0 310.0 337.0 381.0
1998 360.0 342.0 406.0 396.0 420.0 472.0 548.0 559.0 463.0 407.0 362.0 405.0 428.3
1999 417.0 391.0 419.0 461.0 472.0 535.0 622.0 606.0 508.0 461.0 390.0 432.0 476.2
700 6.5
600
6.0
500
400
5.5
300
200
5.0
100
0 4.5
88 89 90 91 92 93 94 95 96 97 98 99 88 89 90 91 92 93 94 95 96 97 98 99
Y LOG(Y)
Se puede observar en el gráfico de la izquierda que la serie “y” presenta tres
características notorias: 1) evidencia estacionalidad cada doce meses (los datos son
mensuales), 2) mantiene una tendencia creciente año a año, y 3) la dispersión de la serie
aumenta año a año (varianza creciente). El gráfico de la serie en logarítmos, “log(y)”,
muestra que este procedimiento reduce drásticamente la heterocedasticidad. Para
eliminar la tendencia se debe diferenciar la serie, dlog(y), y para corregir la
estacionalidad se debe hallar la primera diferencia estacional con respecto a t-12, esto
es, dlog(y,1,12).
En síntesis:
1° Para reducir la heterocedasticidad en una serie se debe trabajar en logaritmos y no
en niveles: log(y) vs y.
2° Para quitar una tendencia lineal se debe trabajar con la primera diferencia de la
serie, si la serie tiene tendencia exponencial será necesario una segunda o una
diferencia mayor para transformarla en estacionaria:
log yt log( yt ) log( yt 1 ) d log( y)
35
Modelos ARIMA Juan Pichihua Serna
0.3 0.15
0.2 0.10
0.1 0.05
0.0 0.00
-0.1 -0.05
-0.2 -0.10
-0.3 -0.15
88 89 90 91 92 93 94 95 96 97 98 99 88 89 90 91 92 93 94 95 96 97 98 99
DLOG(Y) DLOG(Y,1,12)
Identificación
36
Modelos ARIMA Juan Pichihua Serna
Estimación:
37
Modelos ARIMA Juan Pichihua Serna
Sobre la base del Criterio de Información de Akaike (AIC) el menor valor (más
negativo) se obtiene en el modelo con términos MA(1) y SMA(12), además ambos son
estadísticamente significativos. Esto significa que el modelo elegido tiene la siguiente
representación:
El lector puede verificar que si se estimara el modelo: log(y) contra AR(1) , SAR(12),
MA(1) y SMA(12), es decir, (1 L)(1 12 L ) log( yt ) c (1 L)(1 12 L ) t , habría
12 12
una raíz unitaria que hace que los resultados no sean mejores que el modelo elegido.
Control
38
Modelos ARIMA Juan Pichihua Serna
1. Pronóstico.
800
700
600
500
400
300
00:01 00:03 00:05 00:07 00:09 00:11
YF ± 2 S.E.
Finalmente, podemos graficar los datos los datos pronosticados (YF) para el período
2000:01 al 2000:12 conjuntamente con los valores observados hasta el período 1999:12.
700
600
500
400
300
200
100
0
88 89 90 91 92 93 94 95 96 97 98 99 00
YF Y
y Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Promed
1999 417.0 391.0 419.0 461.0 472.0 535.0 622.0 606.0 508.0 461.0 390.0 432.0 476.2
2000 449,4 425,7 481,4 489,6 504,6 578,7 661,2 658,3 552,5 490,1 424,3 471,2 515,6
39
Modelos ARIMA Juan Pichihua Serna
BIBLIOGRAFIA
Box, G.E.P. & G.M. Jenkins. 1970. Time series analysis: Forecasting and control,
Holden-Day. San Francisco.
Judge, G.G., W.E. Griffiths, R.C. Hill, H. Lütkepohl, and T.C. Lee, (1988). Introduction
to the Theory and Practice of Econometric s, 2nd edition, John Wiley and
Sons, New York.
Makridakis, S., S.C. Wheelwright, & R.J. Hyndman. 1998. Forecasting: methods and
applications, John Wiley & Sons. New York.
Nazem, Sufi M. 1988. Applied Time Series Analysis for Business and Economic
Forecasting. University of Nebraska al Omaha, Marcel Dekker Inc., New
York.
Nelson, C. R.; Applied Time Series Analysis for Managerial Forecasting. Holden-Day,
Boca-Raton, Florida, 1973.
Pollock, D.S.G. 2000. The Methods of Time-Series Analysis. Queen Mary and
Westfield College, The University of London.
40