MODELOS

DE SERIES
DE TIEMPO
Generalidades de las series de
tiempo
• Una serie de tiempo es una secuencia de observaciones tomadas secuencialmente en el tiempo. Poseen una característica intrínseca referida a la
dependencia existente con sus observaciones adyacentes. (foco de estudio)
• Para lo anterior se requiere el desarrollo de modelos estocásticos y dinámicos.
Principalmente son usadas para:
• El pronóstico de valores futuros de una serie a partir de sus valores actuales y pasados
• La determinación de funciones de transferencia sujetos a inercia (insumo-producto)
• La uso de variables indicativas de insumo en modelos de funciones de transferencia para capturar el efecto de observaciones atípicas.
• El diseño de esquemas básicos de control mediante desviaciones de modelos insumo – producto para un objetivo que podría presentarse, a ser
compensado por sus correspondientes series
Modelaciones

Estocásticos Dinámica determinística

• Cuando no se controlan los efectos
se consideran efectos no controlados
• Derivar un modelo para calcular la
probabilidad de un valor futuro a
partir de un límite determinado
• Referidos a fenómenos que se
conocen de manera a priori su
resultado
Conceptos
• La tendencia es el movimiento de los datos hacia arriba o hacia abajo a lo
largo del tiempo. También, ocurre que los datos se mantiene estables, esto
significa que las ventas no aumentan ni disminuyen conforme pasa el

básicos de las
tiempo.
• La estacionalidad se identifica como el patrón que muestran los datos en
intervalos regulares, por encima o por debajo de la estación promedio. Una

series de estación con un factor estacional igual a uno de interpreta como una
estación promedio; una estación con factor estacional mayor que uno se
interpreta como una estación por encima del promedio y, una estación con

tiempo un factor estacional menor que uno se interpreta como una estación por
debajo del promedio.
• La ciclicidad son los patrones que se identifican en ciertos intervalos de
tiempo, se asocia la ciclicidad al ciclo económico.
• Las variaciones aleatorias son irregularidades que se suponen explica el
azar. No muestran un patrón y presentan una distribución normal con
media igual a cero.
Conceptos básicos de las series de tiempo

• Estacionariedad: Las características probabilísticas de la serie se mantienen en el tiempo, media, varianza y autocorrelaciones se
mantienen a lo largo del tiempo.
• Estacionarias.-Una serie es estacionaria cuando es estable a lo largo del tiempo, es decir, cuando la media y varianza son
constantes en el tiempo. Esto se refleja gráficamente en que los valores de la serie tienden a oscilar alrededor de una media
constante y la variabilidad con respecto a esa media también permanece constante en el tiempo.
• No estacionarias. Son series en las cuales la tendencia y/o variabilidad cambian en el tiempo. Los cambios en la media determinan
una tendencia
• Proceso estocástico Xt; t = 1; 2; 3; es una sucesión de variables aleatorias, indexadas por la variable tiempo. Las variables
aleatorias pueden ser independientes entre sí o no, y pueden tener la misma distribución de probabilidad, o una distribución de
probabilidad diferente.
• Ruido blanco: es una señal aleatoria (proceso estocástico) que se caracteriza por el hecho de que sus valores de señal en dos
tiempos diferentes no guardan correlación estadística.
 Conceptos básicos de las series de tiempo
• Proceso estocástico estacionario: si su media y su varianza son constantes en el tiempo y
si el valor de la covarianza entre dos periodos depende solamente de la distancia o rezago
entre estos dos periodos de tiempo y no del tiempo en el cual se ha calculado la covarianza.

• Ruido blanco: es un caso simple de los procesos estocásticos, donde los valores son
independientes e idénticamente distribuidos a lo largo del tiempo con media cero e igual
varianza, se denota por et.
• Random Walk: Es camino aleatorio o camino al azar, es un proceso estocástico donde la
primera diferencia de este proceso estocástico es un ruido blanco
 Conceptos básicos de las series de tiempo
• Operadores: se refiere a operadores que ordenan la serie
Backward:
Forward:
Operador de diferencia:
• Modelo de filtro lineal: suma ponderada de efectos aleatorios

• Parsimonia: utilizar la menor cantidad de parámetros en las estimaciones

• Ergodicidad: Los niveles de asociación disminuyen a lo largo del tiempo
 10

1.00e-07 2.00e-07
3.5
medios_pago cyclical component from hp filter

medios_pago trend component from hp filter

3
5

et
0
2.5

-2.00e-07 -1.00e-07
0

2
-5

1.5
2005m1 2010m1 2015m1 2020m1 2005m1 2010m1 2015m1 2020m1 2005m1 2010m1 2015m1 2020m1
date date date

Descomposición • El objeto de este artículo es la descomposición de la serie

de las series de
en una componente ciclo-tendencial, Tt y una
estacionalidad fija, Ct y a la que se añade una
componente irregular, et.
tiempo
 • Es el más utilizado para descomponer la serie en sus componentes de Tendencia y Ciclo.

Filtro Hodrick • El filtro se basa en minimizar la varianza de la diferencia entre la serie original y la suavizada,
penalizando la aceleración (segunda diferencia) de la serie suavizada con el parámetro lambda

Prescott
(lambda>0). Formalmente, la serie suavizada se obtiene como resultado de:
• Para los distintos valores de lambda para datos de Estados Unidos se han propuesto los
siguientes: Para datos mensuales 14400; Para datos trimestrales 1600; Para datos anuales 100
Suavizamientos - Smoothing

• Media Móvil: La media móvil es un indicador de tendencia que

nunca se anticipa al movimiento o tendencia de una serie, es decir,
simplemente sigue un comportamientos para confirmar la tendencia
que hay en vigor en cada momento.
𝑝 +1
𝑝 −1
∑ 𝑋𝑡
∑ 𝑋𝑡
𝐹 𝑋 𝑡 = 𝑡 =1
𝑡 =1
𝐵 𝑋𝑡 = 𝑝 +1
𝑝−1
Suavizamiento
exponencial
simple
Suavizamiento
exponencial
doble
Suavizamiento
holt winters no
estacional
Suavizamiento
holt winters
aditivo
Suavizamiento
holt winters
multiplicativo
Autocorrelación
Dependencia serial

• Se define como el hecho de que las respuestas emitidas por un sujeto en un

determinado momento están estrechamente relacionadas con las emitidas por el mismo
sujeto en un tiempo pasado de la serie, es decir, no son puntuaciones independientes.
• Para una serie temporal dada, hay diversos coeficientes de autocorrelación. En
concreto, se puede fijar el grado en que un valor en el tiempo t se ve influido por
valores del los tiempos t-1, t-2, t-3. etc. El grado en que un valor del tiempo t se ve
afectado por el tiempo t-1 se denomina autocorrelación de un retardo. Dentro del
ámbito del análisis conductual, esta autocorrelación de retardo uno es la más frecuente.
Condiciones esenciales

• Depende del objetivo del estudio:

• Para análisis de ciclos se requieren series muy largas (más de 10 años)
• Para modelos univariantes se sugiere no menos de 5 años
• Para modelos de regresión no menos de 15 datos
• Para calcular la correlación entre dos variables no menos de 30 datos
• El aporte a las series de tiempo de La crítica de Lucas sugiere el número de datos de una serie
de tiempo que se deben utilizar, reduciéndolo a aquel periodo de datos que lucen homogéneos
Critica de Lucas: sostiene que, bajo la hipótesis de expectativas racionales, los parámetros
estimados a partir de un modelo econométrico no se mantendrían.
Definición de la Autocorrelación

𝑡− 𝑝
1
𝑅 ( 1 ) = ∑ (𝑥𝑡 − 𝑒 ( 𝑥 𝑡 ) )(𝑥 𝑡 − 1 − 𝑒 ( 𝑥 𝑡 ) )
𝑡 −𝜏
1
𝑅 ( 𝜏 )= ∑
𝑛 𝑡 =1
(𝑥 𝑡 −𝑒 ( 𝑥 𝑡 ) )(𝑥𝑡 −𝜏 − 𝑒 ( 𝑥 𝑡 )) 𝑛 𝑡=1
𝑡− 𝑝
1
1
𝑡 −𝑝 𝑅 (2)= ∑ (𝑥𝑡 −𝑒 ( 𝑥 𝑡 ))(𝑥 𝑡 −2 − 𝑒 ( 𝑥 𝑡 ) )
𝑅 ( 0 )= ∑ (𝑥
𝑛 𝑡 =1 𝑡
−𝑒 ( 𝑡)
𝑥 )2 𝑛 𝑡=1
𝑡 −𝑝
1
𝑅 ( 3 )= ∑
𝑛 𝑡 =1
(𝑥 𝑡 −𝑒 ( 𝑥𝑡 ) )(𝑥𝑡 −3 −𝑒 ( 𝑥𝑡 ) )
Definición de la Autocorrelación

r r

r r

r r
 • La correlación parcial mide el grado de asociación entre Yt y Yt-k
, cuando el efecto de otros rezagos es removido.
• La correlación parcial es calculada mediante una ecuación de
regresión, donde los coeficientes de los rezagos de Y representan
la correlación parcial
Definición de la
Autocorrelación
parcial
Correlograma
Estacionariedad

•El proceso está en equilibrio estadístico alrededor de un valor medio.

• Distribución de probabilidad común e invariante en el tiempo.
• La media es única (local y global) y representativa de todo el período analizado.
• La varianza es constante y finita.
• La función de autocorrelación decae rápidamente en el tiempo.
• Un shock en un momento dado tiene efecto en el corto plazo.

•Denominación en econometría: I(0)

• El análisis visual de la serie es con frecuencia suficiente para evaluar la estacionariedad
de una serie.
• El correlograma complementa el análisis de estacionariedad
• Las pruebas formales de Integración también miden estacionariedad
Q de Ljung Box

Ho : Los datos se distribuyen de forma independiente (es decir, las autocorrelaciones en la

población de la que se toma la muestra son 0, de modo que cualquier autocorrelaciones en los
datos observados resultan de la aleatoriedad del proceso de muestreo).
Ha : Los datos no se distribuyen de forma independiente; que exhiben correlación serial.
Correlograma
Modelaciones de series
de tiempo
Conceptos
Metodología Box-
Jenkins

• La metodología Box-Jenkins se podría definir

como un ciclo iterativo que busca encontrar el
mejor modelo de ajuste para la realización de
pronósticos y estimaciones. Esta metodología
fue planteada por los autores George P.E. Box
y Gwilym M. Jenkins en 19670 en su texto
Time series for analysis and control
Una serie puede estar relacionada con sus observaciones pasadas, con su tendencia y sus componentes estacionales

𝑋 𝑡 = 𝑓 ( 𝑥 𝑡 −1 , … , 𝑥 𝑡 −𝑝 , 𝑒 𝑡 −1 , … , 𝑒𝑡 −𝑞 , 𝐷 ( 𝑥𝑡 ) , 𝑆 ( 𝑋𝑡 ))

Un modelo clásico para una serie de

tiempo, supone que una serie x(1), ..., x(n)
puede ser expresada como suma o
producto de tres componentes: tendencia,
estacionalidad y un término de error
aleatorio.
Contextualización
modelos AR(p)
 Modelo de promedio móvil
𝑋 𝑡 =𝑎 0 +𝑎 1 𝑋 𝑡 − 1 +𝑎 2 𝑋 𝑡 − 2 +𝑒 𝑡

Se deben cumplir las Condiciones iniciales

siguientes condiciones:
• Series dependientes del
tiempo (rezago)
• La autocorrelación debe
disminuir rápidamente en
el tiempo
• Los shocks desaparecen en
el corto plazo
• Los valores de los estimadores deben ser
menores a 1
• Deben ser significativos a nivel individual
• Debe prevalecer el valor del coeficiente de
acuerdo a su posición en el tiempo.
• Las distancias cuadradas del ruido blanco
deben garantizar independencia.
ACF PACF
estabilidad

• El círculo unitario tiene radio igual a 1, compuesto por la

combinación de números reales e imaginarios
 Raíz unitaria
Encontrar el polinomio de las raíces de la ecuación y los valores de las raíces.
Determinar la condición de estabilidad para el AR(5)
𝑥𝑡 =1 , 5+ 0 , 8 𝑥𝑡 −1 − 0 , 7 𝑥𝑡 −2 + 0 , 6 𝑥 𝑡 −3 +0 ,5 𝑥 𝑡 − 4 +0 , 4 𝑥 𝑡 −5 + 𝑒𝑡
𝑥𝑡 =0 , 8 𝑥𝑡 −1 − 0 , 7 𝑥𝑡 −2 + 0 , 6 𝑥 𝑡 −3 +0 ,5 𝑥 𝑡 − 4 +0 , 4 𝑥 𝑡 −5
Aplicando operadores de rezago
𝑡 𝑡 −1 𝑡 −2 𝑡−3 𝑡 −4 𝑡 −5
𝐵 =0 , 8 𝐵 −0 ,7 𝐵 + 0 , 6 𝐵 +0 , 5 𝐵 + 0 , 4 𝐵
𝑡 𝑡− 1 𝑡− 2 𝑡 −3 𝑡 −4 𝑡 −5
𝐵 − 0 , 8 𝐵 +0 , 7 𝐵 − 0 , 6 𝐵 −0 ,5 𝐵 − 0 , 4 𝐵 =0
Dividiendo por el operador más lejano Bt-5
𝑡 𝑡 −1 𝑡 −2 𝑡− 3 𝑡− 4 𝑡 −5
𝐵 𝐵 𝐵 𝐵 𝐵 𝐵
𝑡 −5
−0 ,8 𝑡− 5
+ 0 , 7 𝑡 −5
− 0 , 6 𝑡− 5
−0 ,5 𝑡 −5
−0 , 4 𝑡 −5
=0
𝐵 𝐵 𝐵 𝐵 𝐵 𝐵

5 4 3 2 ❑ Polinomio de las raíces de la

𝐵 −0 ,8 𝐵 +0 ,7 𝐵 − 0 , 6 𝐵 −0 ,5 𝐵 −0 , 4=0 ecuación auxiliar del AR(5)
 R1=1,16844 fuera de
circulo (inestable)

R2=-0,38-0,41i dentro
del circulo (estable)

R3=-0,38+0,41i dentro
del circulo (estable)

R4=0,1927-1,038i
fuera del circulo
(inestable)

R4=0,1927+1,038i
fuera del circulo
(inestable)
AR(5) modelo explosivo y no
puede ser utilizado para las
predicciones en los AR(p)
 Predicción en los ar(p)

Basándose en la recursividad de los modelos se obtiene la siguiente estructura para la predicción

^
𝑥𝑡 + 2=𝑎 0 + 𝑎1 𝑥 𝑡 +1 +𝑒 𝑡 +2
Partiendo de un AR(1)
^
𝑥𝑡 + 2 =𝑎 0 + 𝑎1 ¿
𝑥𝑡 = 𝑎 0+ 𝑎 1 𝑥𝑡 −1 +𝑒 𝑡
^
𝑥𝑡 + 3=𝑎0 + 𝑎1 𝑥 𝑡 +2 +𝑒 𝑡 +3
Para el pronóstico de un periodo siguiente:

^
𝑥𝑡 + 1=𝑎 0 +𝑎 1 𝑥 𝑡 + 𝑒𝑡 +1 ^
𝑥𝑡 + 3= 𝑎0 + 𝑎1 ¿
^
𝑥𝑡 + 1=𝑎 0 +𝑎 1 (𝑎 0 +𝑎 1 𝑥 𝑡 − 1+ 𝑒𝑡 )+ 𝑒𝑡 +1
Contextualización
modelos MA(q)
 Modelo de promedio móvil
𝑋 𝑡 =𝑏0 + 𝑏1 𝑒 𝑡 −1 +𝑏2 𝑒𝑡 −2

Se deben cumplir las Condiciones iniciales

siguientes condiciones:
• Los valores de los estimadores deben ser
• Series dependientes del menores a 1
tiempo (rezago), • Deben ser significativos a nivel individual
transformaciones • Debe prevalecer el valor del coeficiente de
• La PACF determina la acuerdo a su posición en el tiempo.
significancia de los • Las distancias cuadradas del ruido blanco
estimadores deben garantizar independencia.
• Son modelos generados a
partir de variables proxy
ACF PACF
Estabilidad del ma(q)
Las raíces del polinomio auxiliar deben estar dentro del círculo unitario
Partiendo de un MA(q)

+ + +…+

Supuestos, bo=0
𝑡
𝑋 𝑡=𝐵

𝑒 𝑡 − 𝑞= 𝐵𝑡 −𝑞
+ + +…+

- - -…-
Dividiendo por el mayor rezago

- - -…-
Estabilidad del ma(q)
- - -…-

Polinomio auxiliar para un MA(q)

El modelo MA(3) es inestable dado que la raíz

real r(1) es superior a 1.
Invertibilidad
INVERTIBILIDAD

• En un modelo AR(p) en valor en el momento t de la serie se expresa como una

combinación lineal de las p observaciones anteriores de la serie más el componente no
controlado.
• En los modelos MA(q), el valor de la serie en el momento t se expresa como una
combinación del componente no controlado. Sin embargo, existe una relación entre los
modelos AR y los modelos MA.
INVERTIBILIDAD

• Un modelo MA(1) puede expresarse como:

• sustituyendo recursivamente hacia atrás, se obtiene la siguiente

expresión:
INVERTIBILIDAD
• la información disponible para poder estimar los modelos y luego predecir con ellos son las
propias observaciones de la serie. Por ello, los modelos MA deben ser invertibles. La propiedad de
invertibilidad establece que el valor presente de yt expresarse como una combinación lineal
convergente de observaciones pasadas.
• En el caso concreto del modelo MA(1) esto significa que θ1 <1
 INVERTIBILIDAD

• En general, en un modelo MA(q), la condición de invertibilidad viene

dada porque las soluciones de la siguiente ecuación

• sean mayores que uno. Como caso particular, podemos ver que para el
modelo MA(1), la ecuación es
 INVERTIBILIDAD

• En un modelo estacionario, el efecto del componente no controlado es

transitorio mientras que en modelos no estacionarios, sus efectos son
permanentes (la serie no retorna a una media constante). Para ilustrar este
resultado, vamos a considerar el siguiente modelo AR(1):

• Si se sustituye recursivamente hacia atrás, se obtiene la siguiente

representación:
 INVERTIBILIDAD

• Si el modelo es estacionario, las ponderaciones de los componentes no

controlados pasados van descendiendo hacia cero. Por lo tanto, el modelo
AR(1) puede aproximarse mediante un modelo MA(q)
Contextualización
modelos
ARMA(p,q)
MODELOS AUTORREGRESIVOS Y DE
PROMEDIO MÓVIL – ARMA(p,q)

• En el modelo MA(q), los factores no controlados dejan de tener efectos después de q

periodos. Por otra parte, en el modelo AR(p), los efectos de las innovaciones están
restringidos. El modelo ARMA permite recoger efectos más duraderos de los
componentes no controlados con menos restricciones.
• Los modelos ARMA se pueden obtener al agregar modelos AR y modelos MA. Muchas
series económicas se obtienen por agregación, lo que también justificaría la aparición de
modelos ARMA.
MODELOS AUTORREGRESIVOS Y DE
PROMEDIO MÓVIL – ARMA(p,q)

• Los modelos ARMA son modelos mixtos que tienen tanto

componentes autorregresivas como de medias móviles.
• Un modelo ARMA(p,q) es estacionario si su parte autorregresiva es
estacionaria y es invertible cuando su componente de promedios
móviles es invertible.
 Modelo autorregresivo y de promedio móvil

𝑋 𝑡 =𝑎 0 +𝑎 1 𝑋 𝑡 −1 +𝑎 2 𝑋 𝑡 − 2 +𝑏1 𝑒𝑡 −1 +𝑏 2 𝑒 𝑡 − 2

Se deben cumplir las Condiciones iniciales

siguientes condiciones:
• Los valores de los estimadores deben ser
• Series dependientes del menores a 1
tiempo (rezago) • Deben ser significativos a nivel individual
• La autocorrelación • Debe prevalecer el valor del coeficiente de
presente forma senoidal acuerdo a su posición en el tiempo tanto en
• Los shocks desaparecen en el componente AR como en el MA
el corto plazo • Las distancias cuadradas del ruido blanco
deben garantizar independencia.
Estabilidad del ARMA(p,q)
𝑥𝑡 =a0 + 𝑎1 𝑥𝑡 −1 +𝑎 2 𝑥 𝑡 − 2 +…+ 𝑎𝑝 𝑥 𝑡 − 𝑝 +𝑏 1 𝑒 𝑡 − 1+ 𝑏2 𝑒𝑡 −2 +… +𝑏𝑞 𝑒 𝑡 − 𝑞
Se realiza separadamente

Componente AR(p)
𝑥𝑡 =a0 +𝑎1 𝑥𝑡 −1 +𝑎2 𝑥 𝑡 − 2 +…+𝑎𝑝 𝑥 𝑡 − 𝑝
𝑝 𝑝 −1 𝑝 −2
𝐵 − 𝑎1 𝐵 − 𝑎2 𝐵 −… − 𝑎𝑝 =0
Componente MA(q)
𝑥𝑡 = 𝑏1 𝑒 𝑡 −1 +𝑏2 𝑒𝑡 −2 + …+𝑏𝑞 𝑒 𝑡 − 𝑞
𝑞 𝑞− 1 𝑞 −2
𝐵 −𝑏 1 𝐵 − 𝑏2 𝐵 − … −𝑏 𝑞=0
 Predicción en los arma(p,q)

Basándose en la recursividad de los modelos se obtiene la siguiente estructura para la predicción

Partiendo de un AR(1) ^
𝑥𝑡 + 2=𝑎 0 + 𝑎1 𝑥 𝑡 +1 +𝑏1 𝑒 𝑡 +1
𝑥𝑡 =𝑎 0+ 𝑎 1 𝑥𝑡 −1 +𝑏1 𝑒 𝑡 −1

Para el pronóstico de un periodo siguiente:

𝑥𝑡+2=𝑎0 +𝑎1 (𝑎0 +𝑎1 (𝑎0 +𝑎1 𝑥𝑡−1 +𝑏1 𝑒𝑡−1 )+𝑏1 𝑒𝑡 )+ 𝑏1 𝑒𝑡+1
^
^
𝑥𝑡 + 1=𝑎 0 +𝑎 1 𝑥 𝑡 + 𝑏1 𝑒 𝑡
^
𝑥𝑡 + 1=𝑎 0 +𝑎 1 (𝑎 0 +𝑎 1 𝑥 𝑡 − 1+ 𝑏1 𝑒 𝑡 −1)+ 𝑏1 𝑒 𝑡
Modelos ARIMA (p,d,q)
Conceptos
generales

•En ARMA(p,q) las series deben al

menos garantizar que estas sean
estacionarias en media y varianza.

•No deben tener tendencia

•El grado de dispersión sea similar en
diferentes momentos del tiempo

•Si no cumple esto se denomina

ARIMA(p,d,q) por poseer una o más
diferencias
 Forma general del ARIMA(p,d,q)

∇ 𝑋 𝑡 =𝑎0+ 𝑎1 ∇ 𝑋 𝑡 −1 +𝑎2 ∇ 𝑋 𝑡 − 2 +𝑏1 𝑒𝑡 −1 +𝑏 2 𝑒 𝑡 − 2

ARIMA(p,d,q)
AR(p) ARMA(p,q)
 Prueba Dickey Fuller

Cuando existe tendencia en una serie temporal en un modelo AR(1), el primer

regresor tenderá a ser 1 o muy próximo a 1. Esto se debe a la propiedad de
reversión a la media de un proceso estocástico estacionario.

En otras palabras, cuanto más cerca esté el primer coeficiente de un modelo AR(1)
de 1, más tardarán las observaciones a volver al valor medio. Esto es sinónimo de
no estacionalidad ya que, si el proceso estocástico fuera estable, este coeficiente
sería menor a 1 o muy próximo a 0.
Prueba Dickey Fuller

La raíz unitaria está presente si ρ = 1. En este caso, el

modelo no sería estacionario
Prueba Dickey Fuller aumentada

Hipótesis nula de que existe una raíz unitaria para un cierto nivel de confianza

Si no se rechaza Ho, al menos

existe una raíz unitaria – debo
modelar ARIMA(p,d,q)

La prueba de raíz unitaria se lleva a cabo entonces Si se rechaza Ho, no existe una
bajo la hipótesis nula g=0 contra la hipótesis raíz unitaria – puedo modelar
alternativa de g=0. Una vez que el valor del por AR(p) o MA(q) o
estadístico de prueba ARMA(p,q)
 Como volver estacionaria la serie

No estacionaria en media (diferencias)

No estacionaria en varianza (logaritmos)

Como volver
estacionaria
la serie
Identificación del modelo

Haga la serie estacionaria:

Evalúe si se requiere alguna transformación para estabilizar la variancia. Utilice el gráfico de la
serie.
Si los datos son no estacionarios en la media aplicar una diferenciación. Utilice el gráfico de la
serie y complemente con el correlograma

Serie no estacionaria: La no estacionariedad en la serie resulta en correlaciones positivas que

dominan el correlograma

Serie estacionaria: Al remover la no estacionariedad, se observa otra estructura de correlaciones,

la requerida para identificar el modelo ARIMA
 Verificación del modelo

• Se evalúa con el correlograma de los residuos

• Bajo el supuesto de ruido blanco, las autocorrelaciones de los residuos deben ser cercanas a cero
• Parsimonia
• Criterio de Akaike (AIC) – Schwartz (SC)

El error residual disminuye cuando se

incrementa el número de parámetros en el
modelo.
Por ello AIC y SC toman también en cuenta el
numero de parámetros

Se prefiere el modelo con menor valor del

criterio
GRACIAS