Pronsticos, Series

de Tiempo y
Regresin
Captulo 9: Modelos Box-Jenkins No
Estacionales y Su Identificacin
Tentativa
Captulo 10: Estimacin,
Diagnsticos y Pronsticos para
Modelos Box-Jenkins No Estacionales
Temas

1. Introduccin al tema
2. Proceso Box-Jenkins
3. Estacionalidad
4. Identificacin tentativa del modelo
5. Diagnsticos
6. Pronsticos
 Proceso: metodologa Box-
Jenkins
1. Identificacin tentativa del modelo

2. Estimacin de los parmetros del modelo

3. Evaluacin de diagnsticos para comprobar si el modelo es adecuado;

mejorar el modelo si es necesario.

4. Generacin de Pronsticos
 Proceso en general
Estacionario?
No
S
Transformar los datos
(primera diferencia)
Determinar qu S
tipo de modelo es Estacionario?
el adecuado No

Transformar los datos

Estimar los
(segunda diferencia)
parmetros
del modelo S No transforma-
Estacionario?
ciones
ms
Diagnsticos Pronsticos complejas
Series temporales
estacionarias
Una serie es estacionaria si:
la media y la varianza son constantes a
travs del tiempo
la SAC se corta

Si no es estacionaria, hay que transformarla

hasta adquirir una serie transformada
estacionaria.
Primera diferencia: zt = yt yt-1
Segunda diferencia: zt = (yt yt-1)- (yt-1 yt-2)
SAC y SPAC

La autocorrelacin de la muestra con rezago k

(SAC, rk) mide la tendencia de observaciones
separadas por un perodo de k, a moverse
juntos.
-1 < rk < 1
Si rk > 2srk, decimos que hay una espiga en el
rezago k.
Cuando ya no hay espigas a partir de un
rezago j, decimos que la SAC se corta en j.
SAC y SPAC

Cuando ya no hay espigas a partir de un

rezago j, decimos que la SAC se corta en k.
Si la SAC se corta o se extingue rpidamente,
concluimos que la serie es estacionaria.
Si la SAC se extingue lentamente, concluimos
que la serie es no estacionaria, y hay que
transformarla antes de identificar el modelo
adecuado.
SAC y SPAC

La SPAC mide una relacin menos

intuitiva.
Las definiciones son las mismas para
una espiga y cuando se corta.
SAC y SPAC

Se utilizan la SAC y la SPAC para

identificar el modelo adecuado:
SAC se corta y SPAC se extingue: MA
SAC se extingue y SPAC se corta: AR
ambos se extinguen: modelo mixto
ambos se cortan: determinar cul se
corta ms rpidamente para elegir MA o
AR.
 Proceso: Identificacin del
modelo
estacionario

SAC SPAC SAC SPAC

se se se se
corta extingue extiingue corta
modelo de modelo
medias auto-
mviles SAC SPAC regresivo
(MA) se se (AR)
Dnde extingue extingue Dnde
se corta se corta
la SAC? la SPAC?
Nmero de Nmero de
rezagos modelo mixto rezagos
(perodos) (perodos)
a incluir a incluir
Estimacin del modelo
En Stata, se utiliza el comando arima. Por
ejemplo, para estimar un modelo autorregresivo
con dos rezagos:
arima y, ar(1/2)

de medias mviles en una primera diferencia,

con tres rezagos:
arima D.y, ma(1/3)

mixto, con una segunda diferencia y un rezago

tanto para las medias mviles como para lo
auto-regresivo:
arima D2.y, ma(1) ar(1)
Estimacin del modelo

Se debe eliminar una variable del

modelo si no cumple con cualquiera de
las siguientes condiciones equivalentes:
nn
t t / 2p
p valor

As se puede lograr que el modelo sea

parsimonioso.
Diagnsticos del modelo
1. Anlisis de residuos
2. La mejor estadstica para determinar si el modelo es
adecuado, es la estadstica Ljung-Box. Si el valor-p de
la estadstica Ljung-Box es menor que .01, es evidencia
muy fuerte de que el modelo no es adecuado.
K
Q* n' n'2 n'l r12 a
1

l 1

3. Anlisis de autocorrelacin de residuos para identificar

espigas:
RSAC
RSPAC
Diagnsticos del modelo

En Stata, se utiliza el comando

armadiag despus de haber corrido el
modelo arima. Genera cuatro grficas:
residuos
valores-p de la estadstica Q*
RSAC
RSPAC
Pronsticos

para un modelo auto-regresivo sin

tendencia:
y t yt 1 at 1at 1
at 0
at 1 ( yt 1 y t 1 )
si podemos calcular yt-1,
at 1 0
si no podemos calcular yt-1.
Pronsticos

para un modelo de medias mviles con

tendencia:
z a a
t t 1 t 1 a a
2 t 2 q t q

El pronstico puntual de todas las

fechas futuras es la misma, pero el
rango del intervalo de confianza se va
ampliando conforme nos alejamos.
Series estacionales

Se sigue el mismo procedimiento que

para no estacionales, pero incluyendo
rezagos del nmero de perodos en el
ao.
Por ejemplo:
arima y, ma(1 12)
arima D.y, ar(1 2 4)
arima D.z, ar(1 3 5) ma(12)
donde z = y-L12.y
Comandos en Stata
arima y, ma(1 2) ar(1 2) corre el modelo mixto en los
datos originales, con dos rezagos y dos choques.
arima D.y, ma(1) corre un modelo de medias mviles en
los datos transformados con una primera diferencia, con
un perodo de rezago.
ac y grafica la SAC de los datos originales
pac D2.y grafica la SPAC de los datos transformados
con una segunda diferencia.
STATA utiliza el mtodo de maximum likelihood (a
diferencia de SAS y MINITAB, que utilizan OLS). Box,
Jenkins y Reinsel (1994) prefieren maximum likelihood.
noconstant opcin elimina el constante del modelo
armadiag para las herramientas de diagnstico (hay que
instalarlo.)