CAPITULO

Modelos ARMA para la Componente Aleatoria

6.1. Introduccion
En los modelos de descomposicion Yt = Tt + St + t , t = 1, 2, . . . se estima t y se
determina si es o no ruido blanco mediante las pruebas Ljung-Box y Durbin-Watson. En
caso de encontrar que t no es ruido blanco, el siguiente paso es modelar esta componente
mediante tres posibles modelos
1. Medias Moviles de orden q, M A(q).
2. Autoregresivos de orden q, AR(p).
3. Medias Moviles Autoregresivos, ARM A(p, q).
Los tres modelos varan en su capacidad de capturar distintos tipos de
comportamiento de autoregresion. Comenzaremos dando las caractersticas
de las funciones de autocorrelacion y cantidadades relacionadads con cada
modelos, estas no tiene nada que ver con datos ni estimacion pero son fundamentales para desarrollar una comprension basica de las propiedades de
los modelos necesarios para llevar a cabo pronosticos inteligentes. Diebold
[1999, pag. 129]
89

90

6.2.

Procesos de Medias Moviles de orden q

Definicion 6.2.1 (El Operador de Rezago). Se denota por L (lag, en ingles) y es tal que
L(Yt ) = Yt1 . Es decir, L opera sobre una serie rezagandola un perodo hacia atras. De
igual manera L(Yt1 ) = Yt2 , luego L(L(Yt)) = L2 (Yt ) = Yt2 y en general Lp (Yt ) =
Ytp . Se define tambien L0 = I, el operador identidad.
Un polinomio de grado p en el operador L se define como el operador formado por una
combinacion lineal de potencias de L
BP (L) = 0 + 1 L + 2 L2 + + pLp ,

(6.1)

tal que
BP (L)(Yt) = (0 + 1 L + 2 L2 + + pLp )Yt ,
=

p
X

j Lj Yt ,

j=0

p
X

j Ytj ,

j=0

= 0 Yt + 1 Yt1 + 2 Yt2 + + p Ytp .

Definicion 6.2.2 (Proceso MA(q)). Se dice que una serie Yt sigue un proceso M A(q), q =
1, 2, . . . de media movil de orden q, si se cumple que
Yt = t + 1 t1 + + q tq ,

t Z,

(6.2)

donde t RB(0, 2 ). La expresion con el operador L es, si se define el polinomio

q (L) = 1 + 1 L + + q Lq ,

(6.3)

entonces la ecuacion (6.2) se expresa

Yt = q (L)(t).

6.2.1.

Propiedades

1. E(Yt) = 0
2. V ar(Yt ) = (1 + 12 + + q2 ) 2

(6.4)

91
luego V ar(Yt) > V ar(t ), en general.
3. Cov(Yt , Yt+k ) = R(k), donde

R(K) =

con 0 = 1.

qk
X

2
j j+k , k < q + 1

(6.5)

j=0

0,

k q+1

4. Un M A(q) siempre es un proceso estacionario con fac, (k) =

R(k)
.
R(0)

Interpretacion de 3. Un M A(q) es un proceso debilmente correlacionado. Se puede ver

como una alternativa a un Ruido Blanco completamente incorrelacionado.
Ejemplo 6.2.1. Sea Yt M A(2) dado por
yt = t 1 t1 + 2 t2 ,

i.i.d.

t N (0, 9),

t Z,

con
1 = 0.4, 2 = 0.4, 2 = 9,
entonces


R(0) = 1 + 0.42 + 0.42 9 = 11.88

R(1) = 9

21
X

j j+1 = 9(0 1 + 1 2 )

22
X

j j+2 = 9(0 2 ) = 9(0.4) = 3.6.

j=0

= 9 0.4 + (0.4)(0.4) = 5.04

R(2) = 9

j=0

Entonces la FAC es
5.04
= 0.42,
11.88
(3) = (4) = = 0

(0) = 1,

(1) =

(2) =

3.6
11.88

92

0.4

0.2

0.0

0.2

True ACF

0.4

0.6

0.8

1.0

True ACF

Lag

Figura 6.1: Funcion de Autocorrelacion.

Ejercicio 6.2.1. Encuentre la FAC de
1. Yt = t 0.5t1 0.5t2 .
2. Yt = t + 0.6t1 0.3t2 0.1t3 .
Conclusion De acuerdo con (6.5), si la fac muestral de una serie Yt termina abruptamente
puede tratarse de un M A(q). Por ejemplo, en la siguiente grafica 6.2 sera factible un modelo
MA(3).

0.4
0.0

ACF

0.8

Series MA.3

10

15

Lag

Figura 6.2: FAC muestral de un M A(3).

Definicion 6.2.3 (Funcion de Autocorrelacion Parcial (facp)). Suponga que (Yt , t Z)
es estacionaria. La facp es una funcion de k, (k), k = 1, 2, . . . definida por
1. (1) = (1)
2. (k) = Corr(1 , k ) donde
1 = Y1 E(Y1|Y2 , . . . , Yk1 )

k = Yk E(Yk |Y2 , . . . , Yk1 ),

k = 2, . . .

93
Y la facp muestral se define por (k)

1. (1)

= (1)
2. (2)

: se regresa Yt sobre Yt1 y Yt2 tal que Yt = 21 Yt1 + 22 Yt2 + t entonces

(2)

= 22
3. (k)

: se regresa Yt sobre Yt1 , . . . , Ytk tal que Yt = k1 Yt1 + + kk Ytk + t

entonces
(k) = kk
La facp de un proceso Yt M A(q) se puede encontrar si se asume la condicion de
invertibilidad para un M A(q)

6.2.2.

Condicion de Invertibilidad del Proceso MA(q)

Definicion 6.2.4. Dado un proceso MA(q), Yt = q (L)(t) donde q (L) = 1+1 L+2 L2 +
+ q Lq , entonces considerando el polinomio en z C, q (z) = 1 + 1 z + + q z q y
sus q races (z1 , z2 , . . ., zq ) C, es decir, valores z C tales que q (z) = 0, se dice que el
proceso Yt es invertible si se cumple
|zj | > 1,

j = 1, . . ., q,

(6.6)

o tambien, si q (z) 6= 0, z, |z| 1. Note que (6.6) es equivalente a

1
< 1,
|zj |

j = 1, . . . , q

es decir, los inversos de las races deben caer dentro del crculo unitario complejo.
Ejemplo 6.2.2. Sea Yt M A(a) tal que
Yt = t 0.4t1 + 0.4t2 ,
veamos si Yt es invertible. Hallamos las races del polinomio q (z)
2 (z) = 1 0.4z + 0.4z 2 = 0,
p
0.4 0.42 4(0.4)(1)
z=
2(0.4)
r r
r
4
1 1 10
36
1 1 10 4
4=

=
2 2 4 10 10
2 2 2
10
r
1 1 10 36
1 3
=
i= i
2 2 2
10
2 2

(6.7)

94
por tanto
s 
r


1 2
1
3 2
|z| =
+
=
+ 9 > 1,
2
2
4
luego Yt es invertible.

6.2.3.

Funcion facp de un Proceso MA(q) invertible

Suponga un proceso Yt M A(q) invertible,

Yt = q (L)(t).

(6.8)

Considere q (z) = 1 + 1 z + + q z q entonces q (z) 6= 0, |z| 1, luego la funcion

tiene desarrollo es serie de Taylor alrededor de z = 0, dado por

1
q (z)

X
1
= 1 + 1 z + 2 z 2 + . . . =
j z j ,
q (z)

0 = 1,

(6.9)

j=0

con

1
q (L)

2 < , donde j 0 si j . Multiplicando ambos miembros de (6.8) por

se obtiene
j=0

t =

1
Yt = (L)(Yt) = Yt + 1 Yt1 + 2 Yt2 + . . .
q (L)

(6.10)

Y despejando Yt
Yt = 1 Yt1 2 Yt2 + t ,

(6.11)

de donde conclumos que si hace la regresion de Yt sobre los primeros k rezagos Ytj , j =
1, . . . , k, entonces el k-esimo coeficiente es (k) = (k) 6= 0, k y como (k) 0
entonces (k) 0 cuando k . Por tanto, la facp de un MA(q) decrece a cero. En las
Figuras siguientes 6.3 se observa la fac y la facp de un MA(3).

95

True PACF

10

15

0.6
0.2 0.2

True PACF

0.8
0.4
0.0

True ACF

1.0

True ACF

20

10

Lag

(a) F AC

15

20

Lag

(b) F ACP

Figura 6.3: F AC y F ACP de un M A(3).

6.2.4.

Implementacion en R

En R para identificar se usan las funciones acf y pacf y para estimar una de las funciones
usadas es arma de la librera tseries.

Ejemplo 6.2.3. library(forecast,tseries)

n = 300
theta = c(-1,-0.4,-0.4)
(Mod(polyroot(theta)))
y = arima.sim(list(order=c(0,0,2), ma=theta[2:3]), n=n, sd=sqrt(2.3))
layout(1:3)
ts.plot(y)
acf(y,30)
pacf(y,30)
# Estimaci
on: Funci
on arma librer
a tseries
modelo.y = arma(x=y, order=c(0,2))
summary(modelo.y)

96

10

15

20

25

0.2 0.4
0.1

0.6

Partial ACF

Series y

0.0

ACF

Series y

30

10

Lag

15

20

Lag

(a) F AC

(b) F ACP

Figura 6.4: F AC y F ACP del Ejemplo.

pred.y = predict(modelo.y, n.ahead=2)

plot(seq(1,9,1), c(tail(y), pred.y$pred), type=b)
points(seq(7,9,1), pred.y$pred, type=b, col=red)

6.3.

Procesos Autoregresivos de Orden p, AR(p)

Definicion 6.3.1 (Proceso AR(p)). Se dice que Yn , n Z sigue un proceso AR(p) si

Yn = 1 Yn1 + 2 Yn2 + + p Ynp + n ,

(6.12)

donde n RB(0, 2). Usando el operador de rezago L se puede escribir (6.12) como
p(L)(Yn ) = n ,

(6.13)

con p (z) = 1 1 z + 2 z 2 + + pz p , z C, el polinomio autorregresivo.

Condicion Suficiente para que un AR(p) sea Estacionario

La condicion suficiente para que Yt AR(p) sea estacionario en covarianza es que las p
races del la ecuacion p(z) = 0, z1 , z2 , . . ., zp cumplan
|zi | > 1
donde p(z) es el polinomio caracterstico del AR(p) definido por

(6.14)

97

p (z) = 1 1 z 2 z 2 pz p ,

z C,

(6.15)

q
Notese que si zj = aj ibj entonces |zj | = a2j + b2j . La condicion (6.14) no es, sin
embargo, necesaria. En palabras, la condicion (6.14) se describe como para que un proceso
autoregresivo de orden p sea estacionario en covarianza, es suficiente que las races del
polinomio autorregresivo esten por fuera del crculo unitario. El crculo unitario aparece en
la Figura 6.5. En esta figura se observa la posicion de la raz zj y su conjugado zj .

Figura 6.5: Crculo Unitario

6.3.1.

Algunas Propiedades de los Procesos AR(p) Estacionarios

Proposicion 6.3.1. Para un proceso Yt AR(p), definido en (6.12), se tiene E(Yt) = 0.

Demostracion. Si Yt es estacionario en covarianza entonces E(Yt ) = . Ademas,
E(Yt) = 1 E(Yt1 ) + 2 E(Yt2 ) + + p E(Ytp) + 0,
pero todas las esperanzas son luego
= 1 + 2 + + p.
Si 6= 0 entonces
1 = 1 + + p
por tanto
p(1) = 0

98
lo cual es una contradiccion (), ya que z C, |z| 1 entonces
p (z) 6= 0.
luego debe tenerse que = 0, es decir, el proceso definido en (6.12) es de media cero.
Un proceso Yt AR(p) con E(Yt ) = 6= 0 se define como
p (L)(Yt) = 0 + t ,

(6.16)

donde
0 = p (L)()
= (1 1 2 p ).
Notese que tambien se puede escribir Yt = (11 p )+1 Yt1 + +p Ytp +t ,
de donde Yt = 1 (Yt1 ) + + p (Ytp ) + t . Es decir, el proceso (Yt )
es AR(p) de media cero.

La Funcion de Autocovarianza de los Procesos AR(p)

La funcion de autocovarianza de un proceso Yt AR(p) estacionario en covarianza, R(k)
se puede calcular resolviendo una ecuacion recursiva lineal denominada, en plural, las
ecuaciones de YuleWalker.
P
Proposicion 6.3.2. Suponga un proceso AR(p), Yn = pj=1 j Ynj + t , que satisface la
condicion de estacionario en covarianza ((6.14)). Su funcion fac R(k) satisface la ecuacion
recursiva
p
X
R(k) =
j R(k j), k = 1, 2, . . . .
(6.17)
j=1

denominada, en plural, Ecuaciones de YuleWalker.

P
Demostracion. Colocando = E(Yn ), como Yn = pj=1 j Ynj + n , al tomar esperanza
P
en ambos miembros se obtiene = pj=1 j + 0. Restando las expresiones anteriores se
P
obtiene Yn = pj=1 j (Ynj ) + n . Multiplicando ambos miembros de la identidad
anterior por Ynk , con k n, y tomando valor esperado E(.) se obtiene
R(k) = E((Yn )(Ynk ))

99

p
X

j=1
p
X
j=1

E((Ynj )(Ynk )) + E(n (Ynk ))

j R(k j).

En el resultado anterior se tiene E(n (Ynk )) = 0 porque, a partir de la definicion del

proceso Yn en (6.12), Ynk depende de s con s nk, que son variables incorrelacionadas
con n .

La Varianza de los Procesos AR(p)

Si Yt AR(p) de media cero, estacionario en covarianza entonces p (L)(Yn) = n , para
n RB(0, 2 ). Ademas, se cumple que z, |z| 1 p (z) 6= 0 entonces el cociente p1(z)
se puede desarrollar en serie de potencias de z, y colocar

X
1
=
j z j ,
p (z)
j=0

para ciertos coeficientes (j , j = 0, 1, . . .), con 0 = 1. Por tanto, se puede colocar

Yn =

1
(n ) = n + 1 n1 + 2 n2 + . . . .
p(L)

Tomando varianza a ambos miembros de (6.18), se obtiene V ar(Yn ) = 2

(6.18)
P

j=0

j .

Estimacion de la FAC de un AR(p)

(k) = Corr(Yt , Yt+k ),

k = 1, 2, . . ., p, p + 1, . . .

(6.19)

cumple que:
1. Se tiene un sistema lineal p p que cumple

A=

1
(1)
(2)
..
.

(1)
(2)
(3)
..
.

(p 1) (p 2)

(p 1)
(p 2)
(p 3)
..
.
1

, =

1
2
..
.
p

, =

(1)
(2)
..
.
(p)

100
entonces
A = .

(6.20)

Luego dada (1), . . ., (p) se puede resolver (6.20) tomando

= A1 , los estimadores de Yule-Walker de
2.
(k) = 1 (k 1) + 2 (k 2) + + p (k p),

k = p, p + 1, . . . (6.21)

Entoces (6.21) forma una ecuacion en diferencias finitas con condiciones iniciales
(1), . . ., (p), para (k), k p + 1, con solucion
(k) = s1 g1k + s2 g22 + + sp g2p,

(6.22)

donde gi = 1/zi y zi es la i-esima raz de la ecuacion caracterstica

1 1 z 2 z 2 p z p = 0

(6.23)

con |zi | > 1 |gi | < 1, luego se debe cumplir que (k) 0, k
Nota 6.3.1. Si gi 1, por ejemplo gi = 1 se tendra si gik = si (1 )k y por tanto
(k) decae a cero mas lento que si gi = .

0.8
0.4
0.0

0.4

True ACF

0.8

True ACF

0.0

True ACF

True ACF

10

15

20

Lag

10

15

20

Lag

(a) = 0.35

(b) = 0.88

Figura 6.6: FAC de Yt = Yt1 + t .

FACP de los Procesos AR(p)

La FACP de un procesos AR(p) es (k) tal que (k)

es el coeficiente k,k en la regresion

Yt = 0 + k,1 Yt1 + + k,k Ytk + at,

k=2

(6.24)

101

45

55

65

pero como k,k = 0 si k p + 1 entoces

(k) = 0 si k p + 1

20000927

20010220

20010716

Figura 6.7: FACP Muestral de AR(p).

Ejemplo 6.3.1. Sea Yt AR(2) con
Yt = 1 Yt1 + 2 Yt2 + t ,
Yt = 1.5Yt1 0.9Yt2 + t ,

i.i.d.

t N (0, 2)

2 (z) = 1 1.5z + 0.9z 2 = 0

z = 0.83 0, 64i,

ecuacion caracterstica

|z| = 1.054 > 1

luego Yt es estacionario en covarianza, ademas

(k) = 1 1.5(k 1) + 0.9(k 2), k 2
1
1.5
(0) = 1, (1) =
=
= 0.789.
1 2
1.9

6.3.2.

Proceso AR(1)

El proceso AR(1) se ha utilizado anteriormente por ejemplo, en la prueba Durbin-Watson.

A continuacion se desarrollan algunas de sus propiedades.
Si Yt es un AR(1) de media , entonces esta definido por
Yt = 0 + 1 Yt1 + t ,

0 = (1 1 ),

(6.25)

donde el proceso Yt es estacionario si todas la races z de la ecuacion 1 (z) = 0 caen

fuera del circulo unitario |z| > 1. Luego el AR(1) es estacionario en covarianza si y solo si
|1 | < 1.
Definicion 6.3.2 (Marcha Aleatoria). Se dice que Yt es una marcha aleatoria (Random
Walk) si cumple
Yt = + Yt1 + t ,
(6.26)

102
notese que es un AR(1) con 1 = 1.
Propiedades del AR(1)
1. E(Yt) = =

0
1 1

2. Cov(Yt , Yt+k ) =
3. (k) = k1 ,

2 k1
,
1 k
1

k = 0, 1, . . .

1 < 1 < 1.

Nota 6.3.2. Diebold [1999, pag. 138], Si Yt AR(1) de media cero estacionario en
covarianza entonces
Yt = 1 Yt1 + t ,

t R.B.(0, 2)

es decir
(1 1 L)Yt = t
y se puede escribir como
Yt =
si se cumple que

1
t ,
1 1 L

f (z) =

X j
1
=
1 z j = 1 + 1 z + 21 z 2 + . . .
1 1 z
j=0

por que |1 z| < 1 ya que |1 | < 1 y |z| < 1. Entonces

Yt = t + 1 t1 + 21 t2 + . . . ,
y como los t son incorrelacionados
V ar(Yt) = 2 + 1 2 + 21 2 + . . .
2

= (1

+ 1 + 21

+ . . .) =

1
1 1

Varianza Incondicional

Nota 6.3.3. Si Yt AR(1) de media cero estacionario en covarianza entonces

E(Yt|Yt1 ) = E(1 Yt1 + y |Yt1 ) = 1 Yt1 ,
y si se asume que t son independientes de yt1 , Yt2 , . . .
V ar(Yt |Yt1 ) = V ar(1 Yt1 + t |Yt1 )

= 21 V ar(Yt1|Yt1 ) + V ar(t ) = 2

Varianza Condicional

103

6.4. Procesos Autoregresivos y de Medias Moviles ARMA(p,q)

Si en un proceso Yt AR(p)
Yt 1 Yt1 2 Yt2 p Ytp = t ,

t R.B.(0, 2),

(6.27)

se cambia t por un modelo M A(q), Zt = t + 1 t1 + + q tq entonces (6.27) queda

Yt 1 Yt1 p Ytp = t + 1 t1 + + q tq ,

(6.28)

donde t RB(0, 2 ). El efecto de este cambio es que los errores no se toman incorrelacionados sino con autocorrelacion debil. Se define entonces un proceso ARMA(p,q) como
un modelo que combina las propiedades de memoria larga de los AR(p) con las propiedades
de ruido debilmente autocorrelacionado en los MA(q), y que tiene suficiente flexibilidad y
parsimonia. Usando la notacion del operador de rezago (6.28) se puede definir el proceso
ARM A(p, q) por
Definicion 6.4.1. Un proceso Yt ARM A(p, q) se define mediante la ecuacion (6.28), o
tambien por
p (L)(Yt) = q (L)(t),
t Z,
(6.29)
P
P
donde t RB(0, 2), y p (z) = 1 pj=1 j z j , q (z) = 1 + qj=1 j z j son los
polinomios autoregresivo y de media movil respectivamente.
Las condiciones de estacionariedad de la parte AR(p) y de invertibilidad de la parte MA(q)
se asumen en el modelo ARMA(p,q), (6.29). Por lo tanto, se asume que las races de las
ecuaciones p(z) = 0 y q (z) = 0 estan fuera del crculo unitario. Ademas se asume que
estos polinomios no tienen races en comun. Si se cumplen estas condiciones el proceso
Yt ARM A(p, q) es estacionario e identificable.
Ejemplo 6.4.1. Sea Yt ARM A(1, 1) dado por
1 (L)(Yt) = 1 (L)(t)

(6.30)

donde 1 (L) = 1 L y 1 (L) = 1 + L. Es decir Yt = Yt1 + t + t1 . Si || < 1 y

|| < 1 es estacionario e invertible. Por ejemplo
Yt = 0.9Yt1 + t 0.4t1 ,
con t RB(0, 2 )

104
Ejemplo 6.4.2. Consideremos un modelo de descomposicion con tendencia lineal y estacionalidad de perodo 12, modelada por variables indicadoras donde el residuo estructural
es un proceso ARM A(1, 1). Entonces el modelo se escribe como el sistema de dos ecuaciones siguiente.
Yt = 0 + 1 t +

11
X

j Ij (t) + t ,

j=1

t = t1 + at + at1 ,
con at RB(0, 2 ), el residuo del proceso arma. Notese que el numero de parametros de
este modelo es 16, incluyendo la varianza 2 .
Ejemplo 6.4.3. Considere el proceso Yt ARM A(2, 1) dado por
Yt = 2 +

1 0.4L
t ,
1 1.5L + 0.9L2

t R.B.(0, 2)

osea
Yt = 2(1 1.5 + 0.9) + 1.5Yt1 0.9Yt3 + t 0.4t1
con ecuacion caracterstica
1 1.5z + 0.9z 2 = 0
y sus races dadas por
z=

1.5

p
1.52 4(0.9)
= 0.83 0.645i
2(0.9)

por tanto
|z| = 1.05 > 1
es un proceso estacionario en covarianza e invertible.

6.4.1.

Propiedades de los Modelos ARMA

1. Suponga Yt ARM A(p, q) entonces E(Yt) = 0. Si el proceso es estacionario

P
P
j
entonces se puede expresar q (z)/p(z) =
j=0 j z con 0 = 1 y
j=0 |j | < .
A partir de p (L)Yt = q (L)t, se puede escribir

Yt =

X
q (L)
t =
j tj = t + 1 t1 + 2 t2 + . . . ,
p(L)
j=0

105
por tanto
E(Yt) = E(t + 1 t1 + 2 t2 + . . . ) = 0.
2. En caso de ser E(Yt) = 6= 0 se coloca
Yt = +

q (L)
t
p (L)

(6.31)

de donde p(L)Yt = p(1) + q (L)t. Por ejemplo, sea Yt ARM A(1, 1) con
E(Yt) = entonces
Yt = +

1 + L
t
1 L

luego
(1 L)Yt = (1 L) + (1 L)t
pero (1 L) = = (1 ), luego
Yt = (1 ) + Yt1 + t + t1 .
3. La funcion de autocovarianza de un proceso Yt ARMA(p,q) estacionario de media
cero. Si se indica por R(k) = Cov(Yt , Yt+k ) su funcion de autocovarianza, para
k = 0, 1, . . . un metodo para calcular esta funcion se basa en la representacion
P
j
p (L)Yt = q (L)t , con q (z)/p(z) =
j=0 j z . Multiplicando ambos miembros
por Ytk y tomando esperanza E(.) se obtienen las ecuaciones recursivas siguientes,
similares a las ecuaciones Yule-Walker para AR(p), (6.17). Defina n = max(p, q + 1),

R(k)1 R(k1). . .p R(kp) =

2 Pq

j=k j jk ,

0,

si k = 0, 1, . . ., n 1
si k = n, n + 1, . . . .
(6.32)

Ejemplo 6.4.4. (tomado de Brockwell and Davis [2002], pag. 93). Considere el
proceso ARMA(2,1) dado por (1L+ 14 L2 )Yt = (1+L)t. Entonces n = max(p, q+
1) = 2, por tanto, para k = 0, 1 se tiene el sistema lineal
1
R(0) R(1) + R(2) = 2 (0 0 + 1 1 ) = 2 (1 + 1 ),
4
1
R(1) R(0) + R(1) = 2 (1 0 ) = 2 0 = 2 .
4

(6.33)

106
Para calcular los coeficientes (j , j = 0, 1, . . .) se puede utilizar la funcion de
R, ARMAtoMA(a,b,m), la cual calcula los coeficientes j , j = 1, 2, . . ., m,
dados los vectores a = (1 , . . ., p) y b = (1 , . . . , q ). Entonces, escribiendo
ARMAtoMA(c(1.0, -0.25), 1.0, 10), se obtiene el vector
[1] 2.00000000 1.75000000 1.25000000 0.81250000 0.50000000
[6] 0.29687500 0.17187500 0.09765625 0.05468750 0.03027344

de donde 1 = 2. Usando la segunda ecuacion de (6.32), se obtiene R(2) = R(1)

1
4 R(0), luego, reemplazando en el sistema (6.33), y resolviendo, se obtienen R(0) =
32 2 /3, R(1) = 28 2 /3. Utilizando la segunda ecuacion de (6.32),
1
R(k) = R(k 1) R(k 2), k = 2, 3, . . .
4
se puede calcular la autocovarianza recursivamente.
4. La varianza de un proceso Yt ARMA(p,q) estacionario de media cero. Es evidente
que a partir de la primera ecuacion en (6.32) se puede definir un sistema lineal una de
cuyas incognitas es R(0), la cual se resuelve en funcion de 2 .

6.4.2.

Libreras para identificacion, estimacion y pronosticos de modelos ARMA

El plan de analisis con procesos ARMA consiste en

1. Identificar el modelo ARMA(p,q).
2. Estimar el modelo.
3. Chequeo del ajuste del modelo a los datos.
4. Pronosticos con el modelo. O simulacion del modelo.
Algunas de las libreras y funciones a utilizar para este analisis son
1. stat, con la funcion arima(), estima primero por mnimos cuadrados condicionales y
luego por maxima verosimilitud.
2. tseries, con la funcion arma(), estima mediante mnimos cuadrados condicionales.
3. forecast, con la funcion auto.arima(), para identificacion de modelos ARIMA.

107
4. FitAR, FitARMA, para estimacion de AR(p) y ARMA(p,q).

5. timsac, con la funcion autoarmafit(), para identificacion del modelo ARMA(p,q) con
menor AIC. El programa asume que el modelo ARMA(p,q) se define con q (z) =
P
1 qj=1 j z j , es decir, los coeficientes j se cambian de signo en esta librera.
Tambien tiene la funcion armafit() para ajuste de modelos ARMA.

6.4.3.

Identificacion de modelos ARMA

No es facil identificar los modelos ARM A(p, q) mediante la FAC y FACP. Si (q p 1)

entonces para (k q + 1) se cumple (6.21) y para 1 k p 1, (k) no tiene un patron
general, luego la FAC muestral presenta un patron definido solamente para k q + 1.

Figura 6.8: Fac Muestral de ARM A(p, q).

Una alternativa consiste en buscar una pareja de o rdenes (p, q) dentro de un rango inicial,
por ejemplo p, q = 0, 1, . . . , 10, que minimice alguna funcion de 2 , como por ejemplo el
AIC o el BIC.

6.4.4.

Estimacion de modelos ARMA

La estimacion de procesos Yt ARMA(p,q) se basa en un supuesto: que el vector Y =

(Y1 , . . . , Yn )0 se distribuye Normal multivariado con media , y matriz de covarianzas
= [Cov(Yi , Yj )]nn . Como el proceso se asume estacionario, se cumple Cov(Yi , Yj ) =
R(j i), donde R(k) es la funcion de autocovarianza de Yt . La forma de es la de una

108
matriz tipo Toeplitz: las diagonales descendentes son constantes:

R(0)
R(1)
R(2)
..
.

R(1)
R(0)
R(1)
..
.

R(n 1) R(n 2)

R(n 1)
R(n 2)
R(n 3)
..
.
R(0)

(6.34)

Por ejemplo, para Yt un AR(p), R(k) se calcula mediante las ecuaciones Yule-Walker, (6.17),
P
R(k) = + pj=1 j R(k j). Por tanto, colocando = (, 2 , 1 , . . . , p, 1 , . . ., q )0 ,
la matriz depende del vector , y se escribe (). Este supuesto permite implementar la
estimacion por maxima verosimilitud. Se escribe la densidad Normal Multivariada como


1
1
1
0
q
f (y, ) =
exp (y )() (y )
2
(2)n/2 det(())

(6.35)

donde = (, . . ., )0 Rn . La funcion de log-verosimilitud se define a partir del logaritmo

de la densidad (6.35), log(f (y, )), y esta dada por
L() :=

n
X

log f (yj , )

j=1

n
1
1
log(2) log det(()) (y )0 ()1 (y ).
2
2
2

(6.36)

El estimador ML de maxima verosimilitud de se define como

b = argmin(L()).

(6.37)

La identificacion con base en el AIC se basa en comparar varios modelos ARM A(p, q) para
valores de, por ejemplo, p = 0, 1, . . ., 20 y p = 0, 1, . . . , 20 con base en el criterio AIC el
cual esta definido por
b + 2k,
AIC = 2L()

k = p+q

(6.38)

Entonces identifica un posible modelo parsimonioso escogiendo el modelo con el mnimo

AIC.
Ejemplo 6.4.5. Suponga que se requiere simular un ARM A(3, 2) tal que se escogen las
races de 3 (z) y 2 (z), con inversos dentro del crculo unitario.

109
z1 = complex(3)
z1[1] = -0.8 - 1.3i
z1[2] = conj(z1[1])
z1[3] = 1.2
Entonces 3 (z) = 1 1 z 2 z 2 3 z 3
(z-z1[1])(z-z1[2])(z-z1[3])

= 2.796 + 0.41z + 0.4z 2 + z 3

polinomio monico

-z1[1]z1[2]z1[3] = -2.2796
a = poly.calc(z1)
a = a/a[1]
z2 = complex(2)
z2[1] = -1.2 -0.5i
z2[2] = conj(z2[1])
b = poly.calc(z2)
b = b/b[1]
n = 300
y = arima.sim(list(order=c(3,0,2), ar=-a[2:4], ma=b[2:3]), n=n,
sd=sqrt(0.3))
require(forecast)
auto.arima(y)
y1 = arima.sim(list(order=c(3,0,2), ar=-a[2:4], ma=b[2:3]), n=n,
sd=sqrt(0.3), randgeb = function(n,...))
auto.arima(y1)
stats::arima(y1)
mod1 = stats::arima(y1, c(3,0,2))
py1 = predict(mod1, n.ahead=20)
plot(1:70, c(y[(3200-49):3200],py1$pred),

110
ylim=c(min(py1$pred-1.64*py1$se),max()), type=b, col=2)
points(51:70,py1$pred, type=b, col=blue)
points(51:70, py1$pred+1.64*py1$se, type=l, col=blue)
points(51:70, py1$pred-1.64*py1$se, type=l, col=blue)

6.4.5.

Pronosticos con modelos ARMA