Pronsticos, Series

de Tiempo y
Regresin
Captulo 6: Regresin de series
temporales
Temas
1. Modelado de la tendencia mediante funciones
polinomiales
2. Manera de detectar la autocorrelacin
3. Tipos de variacin estacional
4. Modelado de la variacin estacional mediante
variables ficticias y funciones trigonomtricas
5. Modelos de una curva de crecimiento
6. Manejo de la autocorrelacin de primer orden
Conceptos Bsicos
Una regresin de serie temporal es una
regresin de mnimos cuadrados,
aplicado a una base de datos en forma
de serie temporal.
Presenta problemas especiales
autocorrelacin y forma funcional, por
ejemploy soluciones particulares.
Modelado de la tendencia
mediante funciones polinomiales
Modelo de tendencia


donde
y
t
= valor de la serie temporal en el periodo t
TR
t
= tendencia en el periodo t
c
t
= error en el periodo t
t t t
TR y c + =
Modelado de la tendencia
mediante funciones polinomiales
Modelo de tendencia: posibilidades


t t
t t
t t
t t y
t y
y
c | | |
c | |
c |
+ + + =
+ + =
+ =
2
2 1 0
1 0
0
sin tendencia
tendencia lineal
tendencia cuadrtica
Modelado de la tendencia
mediante funciones polinomiales
Modelo de tendencia: generalizado





Se siguen suponiendo
varianza constante de los errores
independencia de los errores
normalidad de los errores
t
p
p t
t t t y c | | | | + + + + + =
2
2 1 0
tendencia polinomial de p-simo orden
Manera de detectar la
autocorrelacin
A menudo en los datos de series temporales,
se transgrede la suposicin de la
independencia de los errores: hay
autocorrelacin.
Autocorrelacin positiva: un error positivo
(negativo) tiende a ser seguido por otro error
positivo (negativo): patrn cclico
Autocorrelacin negativa: un error positivo
(negativo) tiende a ser seguido por otro error
negativo (positivo): patrn alternante
Manera de detectar la
autocorrelacin
Deteccin de la autocorrelacin
1. grfica de residuaos contra el tiempo
2. examinar los signos de los residuos
ordenados en el tiempo
3. estadstica de Durbin-Watson
Manera de detectar la
autocorrelacin
Deteccin de la autocorrelacin
estadstica de Durbin-Watson

( )

=
=

=
n
t
t
n
t
t t
e
e e
d
1
2
2
2
1
Manera de detectar la
autocorrelacin
Prueba de Durbin-Watson para la
autocorrelacin positiva (primer orden)
Hiptesis:
H
0
: los trminos de error no estn
autocorrelacionados
H
a
: los trminos de error estn
autocorrelacionados positivamente
Resultados:
Si d < d
L,
se rechaza H
0
Si d > d
U,
no se rechaza H
0
Si d
L,
d d
U,
la prueba no es concluyente
Manera de detectar la
autocorrelacin
Prueba de Durbin-Watson para la
autocorrelacin negativa (primer orden)
Hiptesis:
H
0
: los trminos de error no estn
autocorrelacionados
H
a
: los trminos de error estn
autocorrelacionados positivamente
Resultados:
Si (4-d) < d
L,
se rechaza H
0
Si (4-d) > d
U,
no se rechaza H
0
Si d
L,
(4-d) d
U,
la prueba no es concluyente


Manera de detectar la
autocorrelacin
Prueba de Durbin-Watson para la
autocorrelacin positiva o negativa (primer
orden)
Resultados:
Si d < d
L,/2
o si (4-d) < d
L,/2
se rechaza H
0
Si d > d
U,/2
o si (4-d) > d
U,/2
no se rechaza H
0
Si d
L,/2
d d
U,/2
o si d
L,/2
(4-d) d
U,/2
la prueba
no es concluyente
Tipos de variacin estacional
Dos tipos:
1. variacin estacional constante
2. variacin estacional creciente (problema)
Transformacin de datos para resolver este
problema:

25 . *
5 . *
*
t t
t t
t t
y y
y y
mente especf ica
y y
=
=
=

t t
y y ln
*
=
Modelado de la variacin
estacional mediante variables
ficticias y funciones
trigonomtricas
Modelamos la variacin estacional con
indicadores del mes o trimestre (dummies):
t t t t
SN TR y c + + =
tendencia en
el periodo t
factor estacional
en el periodo t
trmino de error
en el periodo t
Modelado de la variacin
estacional mediante variables
ficticias y funciones
trigonomtricas
Modelamos la variacin estacional con
funciones trigonomtricas:



Si la variacin estacional es constante,
entonces
4
=
5
= 0
t t
L
t
L
t
L
t
L
t
t y c
t
|
t
|
t
|
t
| | | +
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+ + =
4
cos
4
sin
2
cos
2
sin
5 4 3 2 1 0
Modelos de una curva de
crecimiento
El modelo de la curva de crecimiento es
( )
( )
t t
t t
t
t
t
u t y
bien o
t y
do transf orma
y
+ + =
+ + =
=
1 0
1 0
1 0
ln
_
ln ln ln ln
:
o o
c | |
c | |
Manejo de la autocorrelacin
de primer orden
Si tomamos en cuenta la autocorrelacin
podremos obtener intervalos de prediccin
ms precisos.
proceso autorregresivo de primer orden


proceso autorregresivo de orden p
t t t
o c | c + =
1 1
t p t p t t t
o c | c | c | c + + + + =


2 2 1 1
Manejo de la autocorrelacin
de primer orden
Una prediccin puntual hecha en el tiempo T
para el valor futuro y
T-
es
1 1 , 2 , 2 1 , 1 0

+ + + + +
+ + + + + =
t t t t t
|
T k T k T T T
e x b x b x b b y