MODELOS ARIMA:

(iii) Identificacin de Modelos ARIMA

Prof. Rafael de Arce www.uam.es/rafael.dearce
Prof. Ramn Maha www.uam.es/ramon.mahia
Dpto. Economa Aplicada
U.D.I. Econometra e Informtica
1
III.1.- NTRODUI!N
Una !e" reali"ado el anlisis pre!io de estacionariedad de la serie temporal de partida #!er
documentos i $ ii pre!ios% $ aplicados por tanto los e!entuales filtros de tendencia $/o diferencias
para corre&ir la presencia de tendencias deterministas $/o aleatorias podemos entrar en la etapa de
identificacin de estructuras ARMA en las series transformadas.
'(!iando por un momento la cuestin del tratamiento de la estacionalidad) *ue se re!isa
ms adelante en un apartado especfico) el anlisis de estacionariedad pre!io a la identificacin
de(e ha(er finali"ado en al&uno de los cuatro supuestos representados en la parte inferior del
es*uema si&uiente+
Es"#e$a de an%lisis de estaciona&iedad '&e(io a la identificacin ) e(ent#ales
t&ansfo&$aciones de la se&ie o&i*inal se*+n los &es#ltados
Serie inicial Yt
Es estacionaria en media ?
Aplicar filtro de tendencia
NO
Continuamos con la serie filtrada
Yt(ft)
SI
Continuamos con la serie
inicial Yt
NO
Aplicar
diferencias
Continuamos con la
serie filtrada en
diferencias dYt(ft)
SI
Continuamos con
la serie filtrada
Yt(ft)
Es Yt estacionaria en
varianza ?
NO
Aplicar
diferencias
Continuamos con la
serie en diferencias
dYt
SI
Continuamos con
la serie original
Yt
Es Yt(ft) estacionaria
en varianza ?
(1) (2)
(3)
()
Serie inicial Yt
Es estacionaria en media ?
Aplicar filtro de tendencia
NO
Continuamos con la serie filtrada
Yt(ft)
SI
Continuamos con la serie
inicial Yt
NO
Aplicar
diferencias
Continuamos con la
serie filtrada en
diferencias dYt(ft)
SI
Continuamos con
la serie filtrada
Yt(ft)
Es Yt estacionaria en
varianza ?
NO
Aplicar
diferencias
Continuamos con la
serie en diferencias
dYt
SI
Continuamos con
la serie original
Yt
Es Yt(ft) estacionaria
en varianza ?
(1) (2)
(3)
()
Denominaremos &en,ricamente -.t/ a la transformada de la serie ori&inal -0t/ *ue
corresponda a cual*uiera de esas cuatro situaciones #o la serie ori&inal si esta era estacionaria en
media $ !arian"a%. 1a Identificacin del modelo ARIMA consiste en o(ser!ar si la transformada
-.t/ si&ue un proceso ARMA o) por el contrario) no presenta nin&2n componente re&ular
3
*ue
pueda ser modeli"ado con estructuras autorre&resi!as $/o de medias m!iles.
III.,.- -ROTOOLO DE IDENTI.IAI!N DE MODELOS ARIMA
III.,.a.- onside&aciones *ene&ales
En t,rminos &enerales) se conoce como identificacin del modelo ARIMA a la
3
1a componente -re&ular/ se define por oposicin a la -estacional/ $ hace referencia a la e!entual
presencia de estructuras AR o MA *ue relacionan !alores consecuti!os de las series #-0t/ con -0t43/ $/o
-0t45/6%.
2
determinacin de los ordenes -p/ $ -*/) de la estructura ARMA de la transformada -.t/ de una
serie temporal -$t/ e!entualmente inte&rada o filtrada de tendencia.
Antes de propone al&unas t,cnicas concretas para la identificacin de la serie -.t/)
con!iene hacer al&unas o(ser!aciones preliminares importantes+
1a o(ser!acin de la estructuras ARMA#p)*% supone la presencia de componentes
re&ulares en las series) una !e" filtrada la presencia de tendencias deterministas $
aleatorias. 7o todas las series presentan este tipo de componentes re&ulares o) dicho
de otro modo) no todas las series son suscepti(les de ser anali"adas mediante un
es*uema ARMA+ para muchas series corre&idas de estacionariedad ser ha(itual no
encontrar posteriormente nin&una estructura ARMA. A este respecto) con!iene
recordar *ue los modelos ARMA implican estructuras de comportamiento mu$
sencillas *ue no siempre se a8ustan a la comple8a e!olucin de las series reales9 por
supuesto) esto no si&nifica *ue el Anlisis de :eries temporales no ofre"ca otras
alternati!as para su modeli"acin.
Aun*ue las t,cnicas de identificacin pueden aplicarse a cual*uier transformada -.t/
de la serie ori&inal -0t/ de(e tenerse en cuenta *ue el resultado del proceso de
identificacin no es independiente de las decisiones adoptadas en el proceso de
anlisis de estacionariedad pre!io. ;odas las decisiones adoptadas en este proceso
pre!io #aplicacin de filtros de tendencia) eleccin de un filtro frente a otro) orden de
la inte&racin diferenciacin% implican o(tener diferentes !ersiones) transformadas
distintas -.t/ de la serie ori&inal $) por tanto) alteran las caractersticas del proceso a
o(ser!ar mediante la identificacin. Aplicar una diferencia cuando no e<ista una ra"
unitaria #so(rediferenciar%) no aplicar una diferencia necesaria #infradiferenciar%)
ele&ir un filtro de tendencia incorrecto) etc6. implicarn posteriores errores en el
proceso de identificacin. As) por e8emplo) en las si&uientes fi&uras se o(ser!a como
la aplicacin incorrecta de un filtro de tendencia lineal &enera una se=al filtrada -.t/
a(solutamente distinta de la *ue se &enera cuando se aplica el filtro correcto. 1a
primera de las transformadas presentara races unitarias con componentes
deterministas *ue e<i&ira nue!as transformaciones mientras *ue la se&unda) sin
races unitarias) se&uira un proceso AR#5% estacionario.
.i*#&a 1: :erie -0t/ con tendencia polinmica
!
!!!!!
"!!!!!
12!!!!!
1#!!!!!
$# $% $" $$ !! !1 !2 !3 ! !&
S'(I'1
.i*#&a ,: :erie -0t/) filtro de tendencia lineal
incorrectamente aplicado $ serie filtrada
-.t>$t#ft%/ resultante
)2!!!!!
!
2!!!!!
!!!!!
)&!!!!!
!
&!!!!!
1!!!!!!
1&!!!!!
2!!!!!!
$# $% $" $$ !! !1 !2 !3 ! !&
(esidual Actual *itted
.i*#&a /: :erie -0t/) filtro de tendencia polinmico correctamente aplicado $ serie filtrada
-.t>$t#ft%/ resultante
3
)!!!!
)2!!!!
!
2!!!!
!!!!
)&!!!!!
!
&!!!!!
1!!!!!!
1&!!!!!
2!!!!!!
$# $% $" $$ !! !1 !2 !3 ! !&
(esidual Actual *itted
1a presencia de componentes estacionales en las series o(li&a a plantearse al menos ?
pre&untas pre!ias a la identificacin
5
+
3. @Aon!iene preser!ar el componente estacional en la serie o con!iene
eliminarlo antes de identificar sus estructuras ARMA $ utili"ar los
resultados con fines analticosB
5. En caso de *ue nos interese eliminar el componente estacional) @Aundo
con!iene aplicar el correspondiente filtro de estacionalidadB. @Antes del
tratamiento de la tendencia determinista $ las races unitariasB @Despu,s
de los filtros de tendencia pero antes del anlisis de Races UnitariasB
@Custo antes de la identificacinB.
?. :uponiendo *ue tenemos claro cundo con!iene eliminar la
estacionalidad) @e<iste un procedimiento estndar o ms de unoB $) lo
*ue es ms importante) @es indiferente la aplicacin de los distintos
m,todos *ue e<isten o por el contrario los distintos procedimientos
impactan so(re la serie filtrada resultante $) por tanto) so(re el resto de
las etapas del anlisisB.
Al&unas de las pre&untas pre!ias tienen una respuesta clara. As) empe"ando por el final)
parece ms o menos claro *ue e<isten distintos m,todos para eliminar la componente estacional $)
lamenta(lemente) la aplicacin de cada uno de ellos &enera resultados *ue pueden diferir
sustancialmente) influ$endo en el resto de las etapas #identificacin $ anlisis de estacionariedad%.
Entender los distintos procedimientos pasa por comprender una distincin mu$ simple de ? tipos
&en,ricos de estacionalidad+ la puramente determinista) la estacionalidad estacionaria $ la
estacionalidad inte&rada. Un proceso con estacionalidad determinista asume *ue este componente
puede ser pronosticado con e<actitud a futuro) permaneciendo in!ariante en el tiempo) $ puede)
por tanto) ser modeli"ado por e8emplo mediante una re&resin con !aria(les dummies. E<cluida la
estacionalidad determinista) el resto de m,todos ideados para modeli"ar la estacionalidad no
determinista #D33) D35% impactan de forma distinta) $ a !eces si&nificati!a) en los resultados
o(tenidos para la serie filtrada $) adems) &eneran resultados potencialmente distintos se&2n el
momento ele&ido para la aplicacin del filtro. Por 2ltimo) con!iene pre&untarse adems si la
estacionalidad es siempre -estacionaria/ o) por el contrario) del mismo modo *ue aparecen races
unitarias -re&ulares/ es posi(le encontrar races unitarias estacionales. Efecti!amente) es posi(le
5
Un (uen artculo al respecto de la cuestin de la estacionalidad $ su tratamiento puede encontrarse en
:oto) R. #5EE5%. -A8uste Estacional e inte&racin en !aria(les macroeconmicas/. Auadernos de
Economa F.?G 72mero 33H) :antia&o) A(ril 5EE5.
4
encontrar races unitarias estacionales lo *ue o(li&a a pensar en la aplicacin de test especficos
?
antes de o(ser!ar otros componentes estacionales estacionarios en la identificacin.
Aon el fin de no complicar en e<ceso este documento) apartaremos por el momento el
asunto de la estacionalidad $ supondremos (ien *ue estamos ante una serie sin componentes
estacionales o) al menos) con componentes estacionales estacionarios *ue) por tanto) podrn ser
filtrados pre!iamente o (ien -modeli"ados/ en el propio proceso de identificacin ARMA en su
componente estacional #:ARMA%.
III.,.0.- T1cnicas de identificacin de est&#ct#&as ARMA
o&&elo*&a$a
;radicionalmente se ha su&erido la utili"acin del correlo&rama de la serie como m,todo
de identificacin de la estructura ARMA de una serie -.t/. 1a popularidad de este procedimiento
radica en *ue la modeli"acin ARIMA siempre se ha presentado como una herramienta intuiti!a)
relati!amente sencilla) accesi(le para el -no econmetra/9 en ese conte<to) la utili"acin de un
&rfico para resol!er la identificacin parece una propuesta mu$ su&erente. :in em(ar&o) como se
!er ms adelante) un estudiante de econometra tiene a su disposicin herramientas mucho ms
potentes para decidir *u, estructura ARMA representa me8or la serie anali"ada por lo *ue no de(e
so(re!alorar el correlo&rama $ de(e considerarlo) a lo sumo) un punto de apo$o inicial)
meramente orientati!o) con el *ue iniciar el proceso de identificacin.
El correlo&rama de una serie es una representacin &rfica de sus coeficientes de auto
correlacin simple $ parcial. 1a secuencia de coeficientes de autocorrelacin simple se denomina
Iuncin de Autocorreacin :imple #IA:% $ la secuencia de coeficientes parciales Iuncin de
Autcorrelacin Parcial #IAP%.
Un coeficiente de autocorrelacin simple de orden -J/ #K
J
% es un coeficiente de
correlacin simple -al uso/ entre la serie 0
t
$ a la serie 0
t4J
.
( ) ( )
k t t
k t t
k
y DT y DT
y y Cov

=
% ) #

$ dado *ue el proceso es estacionario en !arian"a #D;#0

t
%>D;#0
t4J
%%+
( ) y Var
y y Cov
k t t
k
% ) #

=
Auando ha(lamos de auto correlacin parcial de orden J #L
J
%) nos referimos a la
correlacin entre 0
t
e 0
t4J
condicionada a los !alores de los retardos intermedios de la propia serie.
Por e8emplo) si ha(lamos de la relacin entre 0
t
e 0
t4?
nos referimos a la correlacin entre estas
dos series condicionado a los !alores de 0
t43
e 0
t45
.
( )
3 5 3
).... ) )
+
=
k t t t k t t k
y y y y y Corr
1a influencia de los retardos intermedios en los !alores de 0
t
e 0
t4J
podra computarse
estimando una re&resin de 0
t
e 0
t4J
so(re esos !alores intermedios+
3 3 3 3 3 3
M ..... M M M
+
+ + =
k t t t t
y y y y
?
E<isten !arias propuestas al respecto+ DI Estacional #DicJe$ Iuller% ) NEO0 #N$llener&)En&le)Oran&er
$ 1oo% ) AN #Aano!as Nansen%
5
3 3 3 3
M ..... M M M
+
+ + =
k t k t k t k t
y y y y
1a relacin parcial ser entonces la correlacin simple e<hi(ida entre el residuo de am(as
re&resiones) es decir) entre la proporcin de 0
t
e 0
t43
no condicionada a los !alores de los retardos
intermedios+
[ ]
% M # % M #
% M %# M #
k t k t t t
k t k t t t
k
y y Var y y Var
y y y y Cov




=
1a representacin para una determinada serie de un n2mero suficiente de coeficientes de
autocorrelacin simple $ parcial resulta indicati!a de la estructura del proceso estocstico
su($acente. 1a ra"n estri(a en *ue) desde un punto de !ista estrictamente terico) todo proceso
estocstico estacionario AR#p% presenta funciones de autocorrelacin simple $ parcial de un patrn
similar #!alores de los coeficientes simples o parciales para los di!ersos retardos% $ lo mismo
ocurre con los procesos MA#*%. En concreto) un e<amen t,cnico detallado de las funciones de
autocorrelacin simple $ parcial demuestra con sencille" *ue+
- Un proceso &en,rico AR#p% muestra un decrecimiento rpido de los coeficientes de
autocorrelacin simple 8unto a la presencia de /p/ coeficientes si&nificati!os de
autocorrelacin parcial.
- De forma sim,trica) un proceso &en,rico MA#*% muestra un decrecimiento rpido de
los coeficientes de autocorrelacin parcial 8unto a la presencia de /p/ coeficientes
si&nificati!os de autocorrelacin simple.
Aun*ue el -aspecto/ terico de un AR#p% o un MA#*% es sencillo de diferenciar) cuando
anali"amos series temporales reales) la representacin de los correlo&ramas muestrales resulta
siempre al&o menos e!idente $) por tanto) ms confusa. En ese sentido) con!iene o(ser!ar las
si&uientes recomendaciones+
- El anlisis de los correlo&ramas es slo un anlisis preliminar *ue despu,s podr
complementarse con medidas t,cnicas adicionales por lo *ue) en todo caso) el
correlo&rama de(er utili"arse para reali"ar slo un 8uicio preliminares *ue despu,s
con!iene refrendar con otros clculos.
- El patrn AR#p% e<i&e la presencia simultnea de un decrecimiento en la funcin
simple $ #p% !alores estadsticamente si&nificati!os en la funcin parcial9 la presencia
aislada de una de las dos cosas no puede asociarse a un proceso AR#p%. De forma
similar) los patrones de un MA#*% de(en aparecer tam(i,n de forma simultnea.
- El n2mero -p/ o -*/ de retardos si&nificati!os en la IAP o en la IA: puede e!aluarse
en t,rminos estadsticos
P
pero en un primer momento (asta o(ser!ar si los !alores de
los coeficientes son -&rficamente/ si&nificati!os) es decir) si presentan un !alor
e!identemente ma$or *ue el resto de coeficientes. 1os retardos estadsticamente
si&nificati!os son de orden limitado #de orden uno) es decir) para el primer retardo) de
4
Bartlett demostr que
( )
n
N
k
3
) E
M

Como para cualquier distribucin normal estndar, el intervalo de confianza al !" es #,$%DT ,
pueden calcularse los l&mites de nulidad de los '()* cualquiera que se sal+a de esos l&mites es
estad&sticamente distinto de ',) -l&mites que aparecen dibu.ados en el correlo+rama de /0Vie1s2
6
orden dos o) mu$ rara !e") de tercer orden%. Un !alor aparente si&nificati!o en un
orden ele!ado #sal!o en los retardos estacionales%) sin *ue pre!iamente los anteriores
retardos pare"can si&nificati!os) suele indicar al&2n -atipismo/ en la serie) $ no un
patrn de inter,s analtico.
E(al#acin econo$1t&ica de las es'ecificaciones ARMA alte&nati(as
Ms all de la utili"acin del Aorrelo&rama de la serie) con!iene utili"ar los
procedimientos ha(ituales de e!aluacin de una estimacin econom,trica para decidir el modelo
ARIMA *ue me8or a8usta la seria anali"ada. En la prctica real) el n2mero de estructuras ARIMA
alternati!as para a8ustar una serie es mu$ reducido dado *ue t,rminos de orden re&ular
Q
superior a
5 son mu$ poco ha(ituales+ esto supone la ma$or parte de las !eces ele&ir entre un AR#3%) un
MA#3%) un AR#5%) un MA#5% o al&una com(inacin ARMA de orden 3 5.
As pues) la recomendacin de orden &eneral es comen"ar o(ser!ando el correlo&rama $)
en (ase a los indicios apuntados por el mismo) !alorar econom,tricamente las dos o tres posi(les
estimaciones alternati!as. Par esa e!aluacin econom,trica) pueden considerarse criterios
estadsticos ha(ituales como los si&uientes+
- An%lisis de la si*nificati(idad indi(id#al de los coeficientes AR ) MA. Para ello
puede utili"arse el contraste -t/ clsico de si&nificacin estadstica indi!idual al modo
ha(itual.
- &ite&ios de info&$acin (A2ai2e
3
)4o Sc56a&7
8
ent&e ot&os). Recordando *ue)
entre modelos alternati!os) se ele&ir a*uel con el menor !alor del criterio de
informacin.
- E(al#acin de los e&&o&es. El anlisis de errores clsico de una re&resin puede
proporcionar criterios suficientes para ele&ir entre posi(les modelos alternati!os. En
este sentido) pueden utili"arse cuales*uiera medidas *ue resuman A PR'IRI el
tama=o #suma de errores) porcenta8e medio de error) 6% $ sus caractersticas
#ausencia de tra"as autocorrelacionadas o heterocedsticas) capacidad de a8uste de los
puntos de cam(io de tendencia) 6% o *ue permitan intuir su comportamiento A
P':;ERI'RI #comportamiento de los errores con enfo*ue de !alidacin cru"ada)
comportamiento del a8uste hacia el final del perodo histrico)6%
E(al#acin de la es'ecificacin SARMA (estacionales)
Del mismo modo *ue se ha identificado la presencia de t,rminos AR $/o MA en la
componente -re&ular/) o(ser!ando los correlo&ramas o utili"ando criterios clsicos de e!aluacin
econom,trica) pueden as mismo identificarse estructuras AR $ MA para retardos estacionales.
Este tipo de estructuras :AR $/o :MA se identifican con los mismos instrumentos
Q
Para la componente estacional ocurre al&o similar. Rrdenes estacionales superiores a 3 #P) 35)6
dependiendo de la frecuencia de la serie% son inha(ituales.
6
El coeficiente AIA+ responde a la e<presin+

+ = +
n
e e
n k 3 n k
S
ln 5 % ln# 5
Para muestras pe*ue=as) se propone la !ersin corre&ida AIAc #muestras pe*ue=as%+
( )
3
3 5

+
+
k n
k k
45C
T
El criterio de :chawr") denominado &eneralmente UIA) es al&o ms e<i&ente *ue el AIAE para la
inclusin de nue!as !aria(les $ responde a la e<presin

n
n
k
n
e e % ln# S
ln
7
especificados anteriormente.
Aon relacin al co&&elo*&a$a9 en el caso de las componentes estacionales las estructuras
:AR $ :MA se identifican &rficamente con los mismos patrones se=alados para la componente
re&ular. :in em(ar&o) para e!aluar en este caso un decrecimiento en la IAP o IA: de(emos
fi8arnos e<clusi!amente en los !alores de los coeficientes de autocorrelacin #simples o parciales%
correspondientes a los retardos estacionales #por e8emplo para una serie trimestral) de(eramos
o(ser!ar &rficamente el !alor de los coeficientes de autocorrelacin para t4P) t4V) t43566etc%.
Dado *ue ha(r *ue o(ser!ar coeficientes de autocorrelacin para retardos estacionales)
de(ern solicitarse correlo&ramas ms e<tensos *ue par la identificacin de la componente
re&ular+ en una serie mensual) por e8emplo) una docena de coeficientes son suficientes para
o(ser!ar cual*uier estructura en la componente re&ular $) sin em(ar&o) no podra o(ser!arse la
componente estacional dado *ue el 2nico coeficiente estacional disponi(le sera el correspondiente
a -t435/.
Por lo *ue se refiere a la e(al#acin econo$1t&ica de las es'ecificaciones SARMA
alte&nati(as9 todos los conse8os citados para la e!aluacin econom,trica de la componente re&ular
son i&ualmente aplica(les para e!aluar la con!eniencia de la inclusin de t,rminos :AR $/o :MA
en una especificacin.
III./.- INTRODUI!N AL AN:LISIS DE INTER;ENI!N
1a modeli"acin econom,trica ARIMA de una serie temporal rara !e" conclu$e con la
identificacin de una estructura AR / MA. 1a ra"n es *ue este tipo de estructuras ARMA
re&ulares $/o estacionales pueden ser!ir como re&la &eneral de comportamiento para la serie
disponi(le) pero slo capturarn a*uella porcin de la !aria(ilidad sistemtica *ue se o(ser!e a lo
lar&o de la serie completa. Esto si&nifica *ue) a2n utili"ando una estructura ARMA pueden *uedar
fuera de anlisis+
- ie&tos co$'onentes de (a&ia0ilidad siste$%tica () 'o& ello '&e(isi0le en *&an
$edida) 'e&o de ca&%cte& i&&e*#la& o de f&ec#encia an$ala
Como componente sistemtico de carcter puntual podemos, por e.emplo, ima+inar
el efecto de la semana santa sobre la serie semanal de entrada de turistas6 Dado que
la 7emana 7anta es un fenmeno puntual dentro del a8o -no ocurre todos los meses2
y adems no siempre 'cae) en la misma semana natural, su 'efecto) sobre la serie
no se puede reco+er con el componente re+ular 49:4 previamente identificado6
;tros efectos de esta naturaleza pueden ser el efecto)a8o bisiesto), la presencia de
fiestas de distinto carcter -internacional, nacional, re+ional, local,<2 que afecten a
la serie o a parte de ella6
;tro e.emplo de variabilidad sistemtica pero irre+ular puede ser el desi+ual n=mero
de d&as no laborables que e>isten en cada mes6 4s&, por e.emplo, si tomamos una
serie mensual de +asto en servicios m?dicos, los meses con mayor n=mero de
sbados y domin+os presentarn un ses+o de atencin a la ba.a, un ses+o sistemtico
pero de frecuencia irre+ular6
- I$'actos '#nt#ales en la se&ie de0idos a la '&esencia de o0se&(aciones e<t&a=as9
i$'&e(isi0les9 no siste$%ticas9 &elacionadas con aconteci$ientos e<t&ao&dina&ios
o e&&o&es en la $ani'#lacin de datos (at>'icos)
/.emplos de puntos at&picos con influencia sobre cualquier serie @ay tantos como
acontecimientos imprevisibles puedan ocurr&rsele a uno -un atentado, un se&smo, un
cambio le+islativo, una fusin empresarial, <662
8
1a presencia de este tipo de componentes deficientemente incluidos en la especificacin)
pueden &enerar pro(lemas en los modelos estimados. En primer lu&ar) la presencia de puntos o
perodos atpicos ele!a el error de estimacin) lo *ue repercute en !arios aspectos cla!e en materia
de e!aluacin &eneral del modelo #tests de si&nificati!idad) precisin en el contraste de hiptesis)
tama=o de los inter!alos para los parmetros $ la prediccin) 6%. En se&undo lu&ar) la propia
presencia no atendida de tramos o puntos anmalos puede inducir errores en la identificacin de
las estructuras ARMA9 en este sentido) al&unos puntos atpicos pueden tener una ele!ada
influencia en los resultados de las medidas $ los test *ue se utili"an en la tarea de especificacin.
Adicionalmente) la presencia de se=ales atpicas en las series $ su correcta deteccin aporta en
muchas ocasiones una fuente au<iliar de conocimiento del fenmeno anali"ado *ue no con!iene
desperdiciar.
En lneas &enerales) el anlisis de inter!encin aspira a complementar la identificacin
ARMA de la componente de !aria(ilidad sistemtica re&ular de la serie) a=adiendo al modelo una
componente #de tipo determinista% *ue reco8a los efectos de los anmalos. Esa componente
determinista puede ser) a futuro) pre!isi(le o impre!isi(le en funcin) precisamente) del carcter
determinista o no sistemtico del acontecimiento incluido.
1a forma *ue adoptar la componente determinista del anlisis de inter!encin depender
del tipo $ duracin fenmeno a incorporar en el modelo. En ocasiones se tratar de series
completas de tiempo #por e8emplo el n2mero de das no la(ora(les en cada mes de una muestra%
en otras de meras !aria(les ficticias #&eneralmente dicotmicas% pensadas para capturar al&2n
acontecimiento puntual. As) por e8emplo) en el caso de la modeli"acin de puntos atpicos) suelen
distin&uirse al&unos perfiles ha(ituales #se muestran slo al&unos e8emplos de los di!ersosperfiles
*ue podran ima&inarse% +
I$'#lso: El acontecimiento es puramente
puntual afectando a una 2nica o(ser!acin
Escaln: :e produce un cam(io de ni!el
#media% en la serie a partir de un determinado
acontecimiento
Meseta: Una !ariante del atpico de escaln pero
de duracin determinada
Tendencia (o &a$'a): El acontecimiento
impacta pro&resi!amente en la serie &enerando
una tendencia determinista.
9
1os distintos acontecimientos *ue re*uieren anlisis de inter!encin pueden ser conocidos
pre!iamente por el analista #la(oralidad) semana santa) fiestas)6% por lo *ue su deteccin t,cnica
no es necesaria. :in em(ar&o) la e<ploracin puramente t,cnica de la serie en (usca de atpicos
puede ser tam(i,n importante por cuanto al&unos fenmenos *ue impactan en la serie pueden no
ser conocidos a priori #(ien por falta de atencin o estudio del analista) (ien por tratarse de
cuestiones particularmente raras e ine<plica(les incluso a posteriori%. En este sentido) muchos
pro&ramas con mdulos especficos de anlisis de series temporales #;RAM'4:EA;:) :P::%
ofrecen mecanismos de deteccin $ caracteri"acin de atpicos *ue complementan las ideas a
priori del analista.