Práctica 1: Modelos de series de tiempo estacionarias UADE 2024

Práctica 1: Modelos de series de tiempo estacionarias

UADE 2024

1. Ruido blanco

Obtenga la función de autocorrelación de un modelo que es simplemente un ruido blanco, 𝑦𝑡 = 𝜀𝑡 . Luego

analice el caso en que el modelo incluye una constante (“drift”), 𝑦𝑡 = 𝛿 + 𝜀𝑡 .

2. Procesos centrados
𝑎0
Considere el proceso AR(1) 𝑦𝑡 = 𝑎0 + 𝑎1 𝑦𝑡−1 + 𝜀𝑡 . Sabemos que la esperanza de este proceso es .
1−𝑎1
𝑎0
Defina la versión centrada de este proceso como 𝑦𝑡∗ = 𝑦𝑡 − .
1−𝑎1

a) Muestre que 𝑦𝑡∗ = 𝑎1 𝑦𝑡−1

∗
+ 𝜀𝑡 .

b) Muestre que la esperanza de 𝑦𝑡∗ es 0.

c) Usando los resultados anteriores, muestre que la función de autocovarianzas de 𝑦𝑡 y la de 𝑦𝑡∗ son
iguales. Concluya que la constante puede ser eliminada para el cálculo de la función de
autocovarianzas (este es un hecho general que aplica a todos los modelos ARMA y es recomendable
utilizarlo en el problema siguiente).

3. Modelos ARMA

Para cada uno de los modelos listados debajo, se pide:

a) Determinar si se cumplen condiciones de estacionariedad e invertibilidad.

b) Si el modelo es AR o ARMA, obtener los coeficientes del modelo MA(∞) equivalente. Si el modelo es
MA o ARMA, obtener los coeficientes del modelo AR(∞) equivalente.

c) Obtener la media.

d) Obtener la función de autocovarianza.

e) Obtener la función de autocorrelación.

f) Graficar el correlograma.

Modelos:
1) 𝑦𝑡 = 0,8𝑦𝑡−1 + 𝜀𝑡 , 𝜎 2 = 2

2) 𝑦𝑡 = 𝜀𝑡 − 0,9𝜀𝑡−1 , 𝜎 2 = 4

3) 𝑦𝑡 = 0,6𝑦𝑡−1 + 0,3𝑦𝑡−2 + 𝜀𝑡 , 𝜎 2 = 3

4) 𝑦𝑡 = 𝜀𝑡 − 0,4𝜀𝑡−1 + 1,2𝜀𝑡−2 , 𝜎 2 = 2

5) 𝑦𝑡 = 0,9𝑦𝑡−1 + 𝜀𝑡 − 0,8𝜀𝑡−1 , 𝜎 2 = 5

6) 𝑦𝑡 = 5 + 0,8𝑦𝑡−1 + 𝜀𝑡 , 𝜎 2 = 4

1
Práctica 1: Modelos de series de tiempo estacionarias UADE 2024

7) 𝑦𝑡 = 2 + 𝜀𝑡 − 0,5𝜀𝑡−1 , 𝜎 2 = 4

8) 𝑦𝑡 = 𝜀𝑡 − 1,2𝜀𝑡−1 + 0,25𝜀𝑡−2 , 𝜎 2 = 2

4. Yule-Walker

Considere un modelo AR(2) 𝑦𝑡 = 𝑎0 + 𝑎1 𝑦𝑡−1 + 𝑎2 𝑦𝑡−2 + 𝜀𝑡

a) Obtenga las primeras dos ecuaciones de Yule-Walker y expréselas en términos de los coeficientes de
autocorrelación.

b) Obtenga expresiones para 𝜌1 y 𝜌2 en función de 𝑎1 y 𝑎2 .

c) Obtenga expresiones para 𝑎1 y 𝑎2 en función de 𝜌1 y 𝜌2 .

d) El punto anterior muestra que es posible recuperar algunos de los coeficientes de un modelo a partir
de sus coeficientes de autocorrelación (esto es un hecho general, no solo en el caso del AR(2)). Sin
embargo, no es posible recuperar 𝑎0 . ¿Qué información muestral sería necesaria para recuperarlo?

5. Raíces de un AR(2)

Analicemos ahora otro aspecto de un modelo AR(2), sus condiciones de estacionariedad.

a) Obtenga la ecuación característica y sus raíces.

b) Obtenga condiciones bajo las cuales las raíces son:

• Reales distintas
• Reales iguales
• Complejas conjugadas

c) Resuma lo obtenido en un gráfico.

d) Obtenga el polinomio característico y sus raíces.

e) El teorema de Routh-Hurwitz puede ser usado para mostrar que la estacionariedad se cumple si se
da el siguiente conjunto de restricciones:
1) −1 < 𝑎2 < 1
2) 𝑎1 + 𝑎2 < 1
3) 𝑎2 − 𝑎1 < 1

6. Parsimonia

Muestre que los siguientes modelos están sobreparametrizados y obtenga versiones más simples de los
mismos.
a) 𝑦𝑡 = 0,6𝑦𝑡−1 + 𝜀𝑡 − 0,6𝜀𝑡−1

b) 𝑦𝑡 = 0,9𝑦𝑡−1 − 0,2𝑦𝑡−2 + 𝜀𝑡 − 1,3𝜀𝑡−1 + 0,4𝜀𝑡−2

7. Predicción

En clase obtuvimos las predicciones y errores de predicción de un modelo AR(1) en un horizonte de 𝑗

períodos temporales. Repita el analisis para modelos AR(2), MA(1), MA(2) y ARMA(1,1).

2
Práctica 1: Modelos de series de tiempo estacionarias UADE 2024

8. Identificación

A continuación se presenta la función de autocorrelación y la función de autocorrelación parcial para

distintas series de tiempo (sin estacionalidad). Decida qué modelo ARMA ajustaría mejor en cada caso.
a)

b)

c)

d)

3
Práctica 1: Modelos de series de tiempo estacionarias UADE 2024

e)

9. Simulación numérica

Utilizando la metodología analizada en la practica 0, simule los modelos del ejercicio 1. Recuerde que los
parámetros de la simulación incluyen todos los parámetros del modelo (incluido 𝜎 2 ) y las condiciones
iniciales. Grafique las series y sus correlogramas y obtenga conclusiones.