Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
1.00e-07 2.00e-07
3.5
medios_pago cyclical component from hp filter
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
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
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
𝑋 𝑡 = 𝑓 ( 𝑥 𝑡 −1 , … , 𝑥 𝑡 −𝑝 , 𝑒 𝑡 −1 , … , 𝑒𝑡 −𝑞 , 𝐷 ( 𝑥𝑡 ) , 𝑆 ( 𝑋𝑡 ))
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)
^
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
+ + +…+
Supuestos, bo=0
𝑡
𝑋 𝑡=𝐵
𝑒 𝑡 − 𝑞= 𝐵𝑡 −𝑞
+ + +…+
- - -…-
Dividiendo por el mayor rezago
- - -…-
Estabilidad del ma(q)
- - -…-
• sean mayores que uno. Como caso particular, podemos ver que para el
modelo MA(1), la ecuación es
INVERTIBILIDAD
𝑋 𝑡 =𝑎 0 +𝑎 1 𝑋 𝑡 −1 +𝑎 2 𝑋 𝑡 − 2 +𝑏1 𝑒𝑡 −1 +𝑏 2 𝑒 𝑡 − 2
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)
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
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
Hipótesis nula de que existe una raíz unitaria para un cierto nivel de confianza
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