Anlisis de series temporales

4. Anlisis estocstico de series temporales

Autor: Ernest Pons Fanals

Grado en Estadstica
Curso 2014-2015

Motivacin
Ejemplos
8

4500000

4000000

4
3500000
2
3000000
0
2500000
-2
2000000
-4
1500000
-6
1000000

-8

500000

0
1978

-10

1980

1982

1984

1986

1988

1990

1992

1994

1996

1998

2000

2002

2004

2006

2008

Nmero de pasajeros en lneas areas

-12
29/12/89 29/12/90 29/12/91 29/12/92 29/12/93 29/12/94 29/12/95 29/12/96 29/12/97 29/12/98 29/12/99 29/12/00 29/12/01 29/12/02 29/12/03

Rendimientos del IBEX35

Queremos aprovechar las herramientas estadsticas para:

a) Predecir valores futuros.
b) Con un mejor conocimiento de las propiedades de la prediccin (varianza error,
intervalos de confianza, etc..).
c) Seleccionar la mejor prediccin.
d) Disponer de herramientas para ir mejorando la prediccin.

Tema 4. Anlisis estocstico de series temporales

Tres niveles de aplicacin:
Modelos univariantes
Se estudia una sola variable usando su evolucin histrica como informacin para
predecir su evolucin futura.

Modelos de funcin de transferencia

Se estudia la relacin entre una variable output y un conjunto de variables explicativas
(inputs). Se permite que sean los datos los que decidan la dinmica del modelo, es decir,
cmo afecta cada input al output y adems, el error de estos modelos no tiene por qu
cumplir las hiptesis tradicionales (media nula, varianza constante y ausencia de
autocorrelacin).

Modelos multivariantes
Se estudian las relaciones dinmicas entre dos o ms variables y estas relaciones no
tienen por qu ir en una sola direccin. Por ejemplo, las ventas de una empresa pueden
estar influidas por los gastos en publicidad, pero a su vez, las ventas pueden influir en
esos gastos.

Tema 4. Anlisis estocstico de series temporales

Caractersticas de este enfoque
Se pretende encontrar un modelo escueto, sencillo (con pocos parmetros)
que pueda reproducir la inercia (autocorrelacin) observada en muchas series
reales.
Esta metodologa funciona de un modo iterativo a la hora de construir
modelos. Las etapas de este proceso son:
(a) Identificacin del modelo.
(b) Estimacin del modelo identificado.
(c) Diagnosis del modelo estimado.
(d) Utilizacin del modelo

4.1. Procesos estocsticos

Definicin 1:
El operador retardo, B, es un operador tal que aplicado a una variable temporal
la retarda, es decir, Byt=yt-1.
Propiedades: En general, Bkyt=yt-k. Cuando se aplica a una constante, B=.

Definicin 2:
El operador diferencia regular es un operador tal que aplicado a una variable
temporal la transforma de la siguiente forma: y t (1 B )y t y t y t 1

Propiedades: En general,

k y t (1 B )k y t

4.1. Procesos estocsticos

Definicin 3:
El operador diferencia estacional es un operador tal que aplicado a una variable
temporal la transforma de la siguiente forma: s y t (1 B s )y t y t y t s
Observaciones:
a)

k y t y t y t k

b)

s y t y t (1 B ... B s 1 )

4.1. Procesos estocsticos

Definicin 4:
Definimos un proceso estocstico como una sucesin infinita de variables
aleatorias, cada una de ellas referida a un instante de tiempo y ordenadas
cronolgicamente:
yt , t ... y1, y2 , y3..

Definicin 5:
Definimos una serie temporal como una realizacin finita (de tamao uno) de
unl proceso estocstico:

yt t 1 y1 , y2 , y3..., yT
T

Recordatorio sobre teora de la probabilidad

{}

Espacio muestral:
aleatorio

Resultado:

Suceso:

-lgebra:

Variable aleatoria:

Conjunto de Estados: S, es el espacio que contiene todos los posibles valore de una
variable aleatoria. Las elecciones ms comunes son los nmeros naturales N, los reales R,
vectores de dimensin k Rk, los reales positivos R+, etc.

Probabilidad:

Distribucin:
m: B
(o espacio de mesura)

, el conjunto de posibles resultados de un experimento

, un elemento cualquiera del Espacio Muestral

, un subconjunto del Espacio Muestral

F E : E }

, coleccin de sucesss que deseamos estudiar

Z : S una funcin del Espacio Muestral al conjunto de estados S

P : F [0,1]

, funcin que cumple las tres reglas bsicas estudiadas

[0,1],

donde

B { A : A R}

es un espacio de Borel

Recordatorio sobre teora de la probabilidad

El vector de variables aleatorias: Z= (Z1, Z2 , ..., Zk) es un vector de dimensin k
donde cada componente es una variable aleatoria
La sucesin de variables aleatorias: Z= (Z1, Z2 , ..., Zn) es una sucesin de n
variables aleatorias

Si interpretamos t=1, ..., T como momentos en la lnea temporal, Zt puede

interpretarse como el resultado de un experimento aleatorio que se repite en cada
momento del tiempo t.
Un aspecto diferente, en relacin a la situacin en que slo consideramos una
variable aleatoria es que ahora podemos analizar la estructura de dependencias
dentro del vector de variables aleatorias
Funcin de distribucin FZ de Z: Es la coleccin de probabilidades:

FZ (z) P(Z1 z1,...,Z n z n )

P({ : Z1() z1,...,Z n () z n })

Recordatorio sobre teora de la probabilidad

En definitiva, un proceso estocstico es una sucesin de variables aleatoria

indiciadas segn el tiempo y definidas en un espacio muestral

Supongamos un proceso estocstico

(1) Si fijamos t tenemos:
(2) Si fijamos tenemos

Z t ( ),

yt , t T yt (), t T ,

Zt : R

y : T R

es una variable aleatria.

es una realizacin o trayectoria del PE

A la sucesin de variables aleatorias la denominamos proceso estocstico

Una realizacin concreta del proceso estocstico es una serie temporal

4.2. Conceptos de estacionariedad y ergodicidad

Idea intuitiva:

De la misma manera en que en la inferencia estadstica es habitual

basarnos en la hiptesis de que tenemos variables aleatorias i.i.d.
(independientes e idnticamente distribuidas), en el anlisis de series
temporales vamos a basarnos en dos hiptesis que tienen una funcin
equivalente:
Estacionariedad (sustituye a la hiptesis de distribucin idntica)
Ergodicidad (sustituye a la hiptesis de independencia)

4.2. Conceptos de estacionariedad y ergodicidad

Definicin 6:

Un proceso estocstico es de segundo orden si para cualquiera de las variables

aleatorias se cumple
2
E yt , t

Esta propiedad garantiza que podemos caracterizar un serie temporal a travs

de los dos primeros momentos de la funcin de distribucin del proceso
estocstico, es decir, su vector de medias y matriz de varianzas y covarianzas:

E( y1 )

E( y2 ) ... E( yT )

var ( y1 ) cov( y1 y2 )
cov( y y ) var ( y )
2 1
2

...
...

cov( yT y1 ) cov( yT y2 )

... cov( y1 yT )
... cov( y2 yT )

...
...

... var ( yT )

4.2. Conceptos de estacionariedad y ergodicidad

Definiciones 7-10:

Para un proceso estocstico de segundo orden podemos definir varias

funciones:
La funcin media:
mt = E ( y t ),

"t

La funcin varianza:
s t2 = var ( y t ),

"t

La funcin autocovarianza:
g t ,s = E [( y t - mt )( y s - ms )],

" t, s

La funcin autocorrelacin:
r t ,s =

E [( y t - mt )( y s - ms )]
2
t

s s

2
s

" t, s

4.2. Conceptos de estacionariedad y ergodicidad

Definicin 11:
Un proceso estocstico es estacionario en sentido estricto si al realizar un
mismo desplazamiento en el tiempo de todas las variables aleatorias la
distribucin no varia, es decir

F( yt1 , yt2 , yt3 ,...yts ) = F (yt1 + k , yt2 + k , yt3 + k ,...yts + k )

para cualquier k, t1, t2,ts:

Definicin 12:
Un proceso estocstico es estacionario en sentido dbil si se cumplen las
siguientes condiciones:

" t, k : E ( y t ) = m
E [( y t - E ( y t ) )2 ] = s 2
E [( y t - E ( y t ))( y t - k - E ( y t ))] = g k

4.2. Conceptos de estacionariedad y ergodicidad

Idea intuitiva:
Nuestros supuestos habituales en el anlisis aplicado de series temporales
sern los siguientes:
Estacionariedad (dbil): La media y la varianza de las variables
aleatorias son constantes y las autocovarianzas entre dos variables
aleatorias solo dependen de la distancia temporal que las separa
Ergodicidad. Hiptesis tcnica para poder realizar estimaciones.
Normalidad: El proceso estocstico generador de los datos tienen una
funcin de distribucin normal.
Linealidad: El valor de cada variable aleatoria depende de forma
lineal de los valores del resto de variables aleatorias del proceso
estocstico (o de otros procesos estocsticos).

4.2. Conceptos de estacionariedad y ergodicidad

Para realizar inferencia necesitaremos un supuesto adicional
que no analizaremos en detalle:
Ergodicidad (condiciones suficientes)
Un proceso estocstico estacionario en sentido dbil es ergdico
respecto de la media cuando se cumple la siguiente propiedad:

1 T
yt m

T t= 1 T
Un proceso estocstico estacionario en sentido dbil es ergdico
respecto de la varianza cuando se cumple la siguiente propiedad:

1 T- k
( y t + k - m)( y t - m) g k

T
T - k t= 1

4.3. Funciones de autocovarianza y autocorrelacin

Definicin 13:

Para un proceso estocstico estacionario en sentido dbil se define la funcin

de autocovarianza como:

g k = E [( y t - mt )( y t - k - mt - k )],
Propiedades:

1)

g0 0

2)

g k = g- k ,

3)

gk g0
n

4)

"k

"k

a a
i 1 j 1

(i j )

0, ( a1 ,... a n )

"k

4.3. Funciones de autocovarianza y autocorrelacin

Debemos observar que gracias a la hiptesis de estacionariedad dbil el
vector de medias y la matriz de varianzas y covarianzas de una serie
temporal de T observaciones ahora depende slo de T+1 parmetros:

E (Y ) = m 1
S = var(Y ) =
1

g0

g1

g
2
...

g
T - 1

g1
g0
g1
...
gT - 2

g2
g1
g0
...
gT - 3

... gT - 1

... gT - 2

... gT - 3

... ...

... g 0

4.3. Funciones de autocovarianza y autocorrelacin

Definicin 14:

Para un proceso estocstico estacionario en sentido dbil se define la funcin

de autocorrelacin como:

rk =

gk
,
g0

Propiedades:
1)

0 1

2)

k k , k

3)

k 1, k
n

4)

a a
i 1 j 1

(i j )

0, ( a1 ,... a n )

"k

4.3. Funciones de autocovarianza y autocorrelacin

Debemos observar que gracias a la hiptesis de estacionariedad dbil la
matriz de correlaciones de una serie temporal de T observaciones ahora
depende slo de T-1 parmetros:

1

1
2

...
T 1

1
1

2
1

...

1
...

T 2

T 3

... T 1
... T 2

... T 3

... ...
... 1

4.3. Funciones de autocovarianza y autocorrelacin

Definicin 15:

Para un proceso estocstico estacionario en sentido dbil se define la funcin

de autocorrelacin parcial como:

k corr( yt , yt k yt 1,...,yt k 1 ) k
Observacin:
A partir de los coeficientes de la funcin de autocorrelacin pueden calcularse
los coeficientes de la funcin de autocorrelacin parcial. Es suficiente con
resolver el siguiente sistema de ecuaciones y tomar k kk :

1
...

k 1

1
1
...

k 2

... k 1 k 0 1
... ... k 1 2

... k 2 ... ...

... 1 kk k

4.4. Funciones de autocov. y autocorr. muestrales

Observacin:

Para todos los conceptos del apartado anterior, aplicados a procesos

estocsticos, pueden definirse los conceptos equivalentes a nivel muestral
para cualquier serie temporal. En temas posteriores analizaremos sus
propiedades como estimadores.
Definicin 16:
Para una serie temporal Y1,Y2,,YT se define la funcin de autocovarianza
muestral como:
1 T
k ( yt y )( yt k y )
T t k 1

4.4. Funciones de autocov. y autocorr. muestrales

Definicin 17:

Para una serie temporal Y1,Y2,,YT se define la funcin de autocorrelacin

muestral como:

k
0

Definicin 18:
Para una serie temporal Y1,Y2,,YT se define la funcin de autocorrelacin
parcial muestral como la sucesin 0 , 1 , 2 ,..., k ,... donde 0 1 y obtiene
tomando k kk de la solucin del siguiente sistema de ecuaciones:

1

1
...

k 1

1
1
...
k 2

... k 1 k 0 1
... ... k 1 2

... k 2 ... ...

... 1 kk k

4.5. Ruido blanco y camino aleatorio

Definicin 19:

Diremos que un proceso estocstico t , t es un ruido blanco (white noise)

cuando:
E ( t ) 0 t
var( t ) 2

cov( s , t ) 0 s t

Habitualmente usaremos la siguiente notacin abreviada:

t ~ WN

o t ~ WN (0, 2 )

Podemos comprobar que se trata de un proceso estocstico de segundo orden

estacionario en sentido dbil.

4.5. Ruido blanco y camino aleatorio

Definicin 20:

Diremos que un proceso estocstico yt , t es un camino aleatorio (random

walk) cuando
yt yt 1 t
es ruido blanco.
En este caso podemos comprobar como yt , t no es estacionario en
sentido dbil.