MODELO ARIMA

• En estadística y econometría, en particular en series temporales,

un modelo autorregresivo integrado de promedio
móvil o ARIMA (acrónimo del inglés autoregressive integrated
moving average) es un modelo estadístico que utiliza variaciones
y regresiones de datos estadísticos con el fin de encontrar
patrones para una predicción hacia el futuro. Se trata de un
modelo dinámico de series temporales, es decir, las estimaciones
futuras vienen explicadas por los datos del pasado y no
por variables independientes.
• Fue desarrollado a finales de los sesenta del siglo XX. Box y
Jenkins (1976) lo sistematizaron.
 CARACTERISTICAS
• El modelo ARIMA necesita identificar los coeficientes y número
de regresiones que se utilizarán. Este modelo es muy sensible a la
precisión con que se determinen sus coeficientes.
• Se suele expresar como ARIMA(p,d,q) donde
los parámetros p, d y q son números enteros no negativos que
indican el orden de las distintas componentes del modelo —
respectivamente, las componentes autoregresiva, integrada y
de media móvil.
 CARACTERISTICAS
• Cuando alguno de los tres parámetros es cero, es común omitir
las letras correspondientes del acrónimo — AR para la
componente autorregresiva, I para la integrada y MA para la
media móvil. Por ejemplo, ARIMA(0,1,0) se puede expresar como
I(1) y ARIMA(0,0,1) como MA(1).
• El modelo ARIMA puede generalizarse aún más para considerar el
efecto de la estacionalidad. En ese caso, se habla de un modelo
SARIMA (seasonal autoregressive integrated moving average).
 CARACTERISTICAS

En donde d corresponde a las d diferencias que son necesarias para

convertir la serie original en estacionaria,
son los parámetros pertenecientes a la parte "autorregresiva"
los parámetros pertenecientes a la parte "medias
es una móviles"
constante,
es el término de error (llamado también innovación o perturbación
estocástica 
 HIPOTESIS

 No se ha dado cambio esperado en nivel de

contamiación por fuentes móviles Bogotá, por
políticas intervención implementadas.

 El Programa de Inspección y mantenimiento no es

efectivo para la disminución de la contaminación por
fuentes móviles.
El modelo ARIMA (p,d,q) se puede representar:

yt = ao + A(L) yt-1 + co z t + B(L) Є t

donde:
A(L) , B(L)Polinomios en el operador de rezago L
Єt Error ruido blanco
zt Variable de intervención que toma valores de
acuerdo al modelo de la función de intervención.
 Procedimiento Analisis de Intervención
Paso 1. Estimar para las series de tiempo de los
contaminantes a modelar, un conjunto de modelos
ARIMA adecuados, usando para ello la metodología Box
– Jenkins. Para la estimación se realiza el siguiente
procedimiento:

a) Identificación
b) Estimación
c) Verificación

Paso 2. Estimar varios modelos para la serie de tiempo

de contaminación seleccionada, teniendo en cuenta el
efecto de las intervenciones.
Paso 3. Ejecutar el diagnóstico de las ecuaciones
estimadas con la intervención. Un modelo adecuado
presenta las siguientes características:

1. Los coeficientes estimados estadísticamente

significativos a niveles convencionales y con la
menor cantidad de variables explicativas.

2. Los residuales aproximadamente ruido blanco, Si

los errores parecen ser ARCH, se debe reestimar
el modelo.

3. El modelo tentativamente seleccionado debería

desempeñarse mejor que los modelos alternativos
posibles.
Serie Ozono Estación Universidad Nacional

60

50
CONCENTRACION (PPB)

40

30

20

10

0
1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55

MESES
 Serie y Predicciones Ozono

60

50
CONCENNTRACION(ppb)

40

30

20

10

0
1 11 21 31 41 51 61

MESES

ppb forecast