ESTRUCTURAS DE

SERIES DE TIEMPO
NO ESTACIONARIAS
(MODELOS ARIMA)

CURSO: ECONOMETRIA II
GRUPO: 1

RUBINA LAGUNA SHEILA JHOSELIN

 INTRODUCCION
 Son series en las cuales la tendencia y/o variabilidad cambian en el
tiempo. Los cambios en la media determinan una tendencia a crecer o
decrecer a largo plazo, por lo que la serie no oscila alrededor de un
valor constante.
 Los modelos ARIMA(p,d,q), son apropiados para series de tiempo
NO ESTACIONARIAS; es decir cuando la serie de tiempo tiene
todas o alguna de sus componentes no estacionarias.
Tradicionalmente se considera en muchos casos la No
Estacionariedad, en:

VARIANCIA : (l = ?..),
MEDIA : ( d= ? ..)
 AUTOREGRESIVA – ARI(p,d)
Los modelos autoregresivos se basan en la idea de que el valor actual de
la serie, 𝑋𝑡 , puede explicarse en función de p valores pasados 𝑋𝑡−1 ,
𝑋𝑡−2 ,…, 𝑋𝑡−𝑝 , donde p determina el numero de rezagos necesarios para
pronosticar un valor actual.
El modelo autoregresivo de orden p está dado por:

Expresado en términos del operador de retardos

donde Ԑ𝑡 es un proceso de ruido blanco y son los

parámetros del modelo.
 MEDIAS MOVILES – IMA(d,q)
Modelo “determinados por una fuente externa”. Estos modelos
suponen linealidad, el valor actual de la serie, 𝑋𝑡 , está influenciado
por los valores de la fuente externa.
El modelo de promedio móviles de orden q está dado por:

Expresado en términos del polinomio operador de retardos se tiene:

donde Ԑ𝑡 es un proceso de ruido blanco, y son los

parámetros del modelo.
 AUTOREGRESIVA DE MEDIAS
MOVILES – ARIMA(p,d,q)
Es muy probable que una serie de tiempo, 𝑋𝑡 , tenga características de AR
y de MA a la vez y, por consiguiente, sea ARMA (p.q) . Así, sigue un
proceso ARMA (p.q), en este proceso habrá p términos autoregresivos y q
términos de media móvil.

Donde Ԑ𝑡 es un proceso de ruido blanco, y son los

parámetros del modelo.

Para un proceso ARMA (p.q), una condición de estacionariedad es la

misma que para un proceso AR(p), del mismo modo una condición de
invertibilidad es la misma que para el proceso MA (q).
 AUTOREGRESIVA DE MEDIAS
MOVILES – ARIMA(p,d,q)
El modelo ARMA (p.q) se puede escribir en términos del operador de
retardos como sigue:

Si el proceso es estacionario su representación MA (∞) es:

Si el proceso es invertible una representación AR (∞) es:

 AUTOREGRESIVA DE MEDIAS
MOVILES – ARIMA(p,d,q)
 Las condiciones de invertibilidad del modelo ARMA (p.q)
vienen impuestas por la parte de medias móviles, dado que
la parte autoregresiva es siempre invertible, porque siempre
está directamente escrita en forma autoregresiva.
 Los modelos ARMA (p.q) siempre va a compartir las
características del modelo AR(p) y MA(q) , esto es porque
contiene a ambas estructuras a la vez. El modelo ARMA
(p.q) tiene media cero, varianza constante y finita y una
función de autocorrelación infinita. La función de
autocorrelación es infinita decreciendo rápidamente hacia
cero.
PRONOSTICO DEL MODELO ARI

Los pronósticos con el modelo ARI(4,1) son obtenidos por

uso del modelo:
.
Zt =-0.865 Zt-1-0.514 Zt-2- 0.293 Zt-3-0.191 Zt-4.

Y la ecuación final para los pronósticos a usarse es:

Zt =0.135Zt-1+0.351Zt-2 +0.221Zt-3+0.102 Zt-4-0.191Zt-5.

PRONOSTICO CON - ARI
PRONOSTICO DEL MODELO MA
Desde el cuadro de estimación la ecuación para pronosticar a
ser usado es:

Zt =0.2354 + 0.76 t-1 +t

O equivalente:

Zt = 0.2354 + Zt-1+ 0.76  t-1

Así es el pronostico para 2003:01 es:

Z03:01= 0.2354+ Z02:12+0.7602:12 = 42.89

PRONOSTICO CON - IMA
ESTIMACION DEL MODELO ARIMA
 ESTRUCTURA DEL PRONOSTICO
DEL PROCESO ARIMA
La ecuación de pronósticos se formula desde el cuadro de
estimación;

Zt =0.2342-0.253Zt-1+0.64 t-1

Luego la ecuacion de pronostico es:

Zt=0.2354+0.747Zt-1+0.253Zt-2+0.646 t-1
PRONOSTICO
CASO ASIMETRICO
DEL ARIMA