Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelo ARMA
Modelo ARMA
i=h+1
I Realizar pruebas de hipótesis sobre las autocorrelaciones de los residuos estimados sirve para
verificar la especificación del modelo elegido.
I El análisis puede ser gráfico (ACF - PACF) o numérico (p-value).
I Las pruebas gráficas nos podrían dar una idea para las siguientes hipótesis nulas:
H0 : ρh = 0 y H0 : αh = 0
I Sin embargo, las pruebas gráficas no son determinantes ya que para algunos valores de h se
podría rechazar la hipótesis nula a pesar de que esta sea verdadera.
I Otra opción para validar la especificación del modelo es utilizar pruebas de hipótesis
conjuntas.
I Ambas pruebas de hipótesis son de la siguiente forma:
H 0 : ρ1 = ρ2 = · · · = ρh = 0
H1 : ρj 6= 0 para algún j
I Ambas pruebas se distribuyen asintóticamente como χ2h .
Test de Box-Pierce
Es la suma de los cuadrados de las correlaciones muestrales reescaladas por el tamaño muestral.
h
QBP = T ρ̂2i
X
i=1
Test de Ljung-Box
Es una modificación del test de Box-Pierce que funciona mejor para muestras pequeñas.
h
T +2
QLB = T ρ̂2i
X
T −i
i=1
I Determinar el número de rezagos para los componentes AR y MA es uno de los pasos más
importantes al construir un modelo ARMA.
I Primero se deben inspeccionar las autocorrelaciones muestrales y las autocorrelaciones
parciales muestrales de la data. Así tendremos una idea de la estructura de la data.
I Caídas lentas en el ACF indican que el modelo necesita un componente AR.
I Caídas lentas en el PACF indican que el modelo necesita un componente MA.
I Una vez que un modelo ha sido identificado, lo siguiente será medir su ajuste a la data.
I La medida más natural de ajuste es la varianza muestral de los residuos estimados. Esta
medida también se conoce como MSE (Mean Squared Error ).
T
1 X 2
MSE: σ̂ 2 = ˆt
T
t=1
AIC = T ln σ̂ 2 + 2k
AIC = T ln σ̂ 2 + k ln T
I Box y Jenkins propusieron un enfoque formal para la selección del modelo más eficiente
dentro de la familia de modelos ARMA.
I Su metodología consiste en 3 pasos:
1) Identificar el modelo apropiado utilizando gráficos de las ACF y PACF.
2) Estimar los parámetros del modelo elegido utilizando MCO (solo para los modelos AR) o
máxima verosimilitud (para AR, MA o ARMA).
3) Realizar un diagnóstico de lo residuos del modelo estimado.
I Es posible que dos o más modelos con diferentes parámetros sean equivalentes, es decir, las
ACF y PACF de los residuos tienen un comportamiento similar.
I La metodología propone dos principios para seleccionar entre los modelos equivalentes:
i. Parsimonia: Escoger el modelo que tenga menos parámetros
ii. Invertibilidad: Cuando se escojan parámetros para un proceso MA, siempre escoger aquellos
que hagan que el componente MA sea invertible.
I El conjunto de información FT contiene todos los valores que son conocidos hasta el
periodo T , incluida la historia de Y : YT , YT −1 , . . .
I También contiene la historia de los shocks: T , T −1 , . . . , y cualquier otra variable que haya
ocurrido hasta T .
La predicción se puede generar de forma recursiva siempre y cuando se cumplan las siguientes
reglas:
1) La esperanza de cualquier variable con un sub-índice menor o igual a T es la realización de
dicha variable (ET [YT ] = YT ). Aplica de igual forma para los shocks.
2) La esperanza para los shocks futuros siempre será 0
Yt = δ + φYt−1 + t
ET [YT +1 ] = ET [δ + φYT + T +1 ]
= δ + φET [YT ] + ET [T +1 ]
= δ + φYT
ET [YT +2 ] = ET [δ + φYT +1 + T +2 ]
= δ + φET [YT +1 ] + ET [T +2 ]
= δ + φ(δ + φYT )
= δ + φδ + φ2 YT
ET [YT +h ] = δ + φδ + φ2 δ + · · · + φh−1 δ + φh YT
h
φi δ + φh YT
X
=
i=0
Cuando el valor de h es muy grande, entonces φh será pequeño debido a que se está asumiendo
que el proceso estocástico {Yt } es estacionario.
ET [YT +1 ] = µ + θ1 T + θ2 T −1 + θ3 T −2
ET [YT +2 ] = µ + θ2 T + θ3 T −1
ET [YT +3 ] = µ + θ3 T
ET [YT +4 ] = µ
Los procesos MA dependerán a lo mucho de q rezagos de los residuos, por ello las predicciones
para un horizonte igual a h > q serán iguales a la media de largo plazo µ.
YT +1 − ET [YT +1 ] = T +1