Professional Documents
Culture Documents
ECONOMETRA EMPRESARIAL II
ADE
TEMA 8
MODELOS LINEALES SIN ESTACIONALIDAD I
( Modelos regulares)
TEMA 9
MODELOS LINEALES SIN ESTACIONALIDAD (I)
Introduccin.
Los modelos lineales de las series temporales se pueden considerar como un mtodo
sofisticado de extrapolacin de series temporales. Dicha extrapolacin es diferente de la
extrapolacin simple, ya que este enfoque de modelizacin asume que dichas series
temporales son una realizacin de un proceso estocstico estacionario. La descripcin de la
serie temporal as concebida no es una ecuacin de comportamiento causa-efecto, sino mas
bien una concepcin estadstica en trminos probabilsticos para describir la forma de
aleatoriedad que est presente en la serie temporal.
En efecto, cuando intentamos modelizar una serie temporal, lo que estamos
infiriendo es la modelizacin de un proceso estocstico, y en definitiva, lo que se esta
intentando es describir las caractersticas aleatorias del proceso en cuestin.
El objetivo de este mtodo de anlisis es la especificacin de modelos que expliquen
los movimientos de una serie temporal Yt . Pero as como en los modelos de regresin se
utiliza una variable endgena o regresando y variables explicativas o regresores, en este
tipo de enfoque se utilizan como variables explicativas la propia variable endgena
defasada y una suma ponderada de variables aleatorias actuales y defasadas.
Los modelos propuestos suponen las siguientes hiptesis sobre la especificacin de
los modelos:
1. La serie o variable objeto de estudio es discreta y estacionaria (en media
y en varianza), o bien ha sido transformada de forma adecuada para
lograr su estacionariedad.
2. La ecuacin que relaciona el regresando con los regresores es lineal.
3. El modelo especificado es de estructura fija, es decir, los parmetros
(coeficientes) no cambian en el transcurso temporal.
Es de resaltar que en este enfoque de modelizacin de las series temporales se
requiere que la variable objeto del estudio sea estacionaria (en media y en varianza).
En este contexto, adems, se entiende por invertir un proceso la transformacin de
un modelo AR en su modelo MA equivalente. La generalizacin de este concepto permite
transformar un modelo MA en su modelo AR equivalente.
Con el fin de sistematizar la exposicin se va a estudiar en primer lugar los modelos
autorregresivos (AR), en segundo lugar los modelos de medias mviles (MA) y, por ltimo
los modelos mixtos autorregresivos y de medias mviles (ARMA). En todos los casos se
van a estudiar los modelos ms comunes y simples. En concreto, para el caso de los
modelos AR se van a analizar el modelo AR(1) y el modelo AR(2). Mientras que para los
2
modelos MA se van a estudiar los modelos MA(1) y MA(2). En el caso de los modelos
mixtos ARMA tan slo se estudiar el modelo ARMA(1,1).
8.1. MODELOS AUTORREGRESIVOS (AR).
Se dice que una serie temporal Yt admite una representacin autoregresiva (AR) de
orden p , y se denota por AR( p ), si es susceptible de ser modelizada a travs de la
ecuacin:
Yt = + 1 Yt 1 + 2 Yt 2 + 3 Yt 3 + ... + p Yt p + t
(8.1)
donde:
s = 0
s 0
N(0, 2 )
Se dice que una serie temporal Yt admite una representacin autoregresiva (AR) de
primer orden, y se denota por AR(1), si es susceptible de ser modelizada a travs de la
ecuacin:
Yt = + 1 Yt 1 + t
(8.2)
donde:
Yt , Yt 1 , son variables aleatorias concebidas como realizaciones de un proceso
estocstico en los momentos del tiempo t , t-1 , t-2 , ... , que se caracterizan
por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...nmero finito
, 1 , junto con la varianza del proceso 2 , son los parmetros que definen el
modelo (que deben ser estimados)
t es un proceso constituido por variables aleatorias independientes e igualmente
distribuidas que cumplen:
la esperanza de t es nula; E( t )= 0
la varianza de t es constante; E( t t + s ) = 2
s = 0
s 0
Yt = + 1 Yt 1 + t
1 1
1 - 1
)1
, pudiendo
E( Yt )= + 1 + 12 + 13 + ....
= E ( t + 1 t 1 + 12 t 2 + 13 t 3 + .... ) 2 =
= 2 + 12 2 + 14 2 + 16 2 + 18 2 + .... =
= 2 (1+ 12 + 14 + 16 + 18 + ....
)=
para que la suma de la progresin geomtrica sea finita se debe cumplir que la razn 12
debe ser inferior a la unidad hecho que tan solo se cumple si | 1 |<1 y en este caso se tiene:
Var( Yt ) = 2
1
1 12
Yt - 1 Yt 1 = 0
t - 1 t 1 = 0
- 1 = 0
1 = 1
Como la raz del monomio es real, se debe cumplir que el valor absoluto de la raz debe ser
menor que la unidad:
| 1 | < 1
| 1 | < 1
o bien
Condicin de invertibilidad.
o bien
Yt - 1 Yt 1 = t
Yt - 1 L Yt = t
(1 - 1 L ) Yt = t
despejando Yt se obtiene:
Yt =
1 - 1 L
)1 t =
= ( 1 + 1 L + 12 L2 + 13 L3 + 14 L4 + ... ) t =
= t + 1 t 1 + 12 t 2 + 13 t 3 + 14 t 4 + ...
As pues, el modelo AR(1) estacionario se ha transformado en un modelo de medias
mviles de orden infinito MA( ). La condicin de invertibilidad en los modelos
autorregresivos de un nmero finito de trminos se cumple siempre de forma automtica.
Funcin de autocovarianza.
Se entiende por funcin de autocovarianza a las sucesivas covarianzas de distintos
rdenes de una variable con ella misma desfasada diferentes rdenes o perodos. La funcin
de autocovarianza se define como:
= cov( Yt Yt ) = E( Yt Yt )
Para el valor =0 , la autocovarianza de orden cero es realmente la varianza.
0 = E( Yt Yt ) = E ( 1 Yt 1 + t
)2
= E( 12 Yt 21 + t2 + 2 1 Yt 1 t ) =
= 12 E( Yt 21 ) + E( t2 ) + 2 1 E( Yt 1 t ) =
= 12 0 + 2
Despejando la varianza se obtiene:
0 =
1
2
2
1
1 = E( Yt Yt 1 ) = E(( 1 Yt 1 + t ) Yt 1 ) = 1 E( Yt 1 Yt 1 ) + E( t Yt 1 ) = 1 0
Autocovarianza de orden dos:
2 = E( Yt Yt 2 ) = E(( 1 Yt 1 + t ) Yt 2 ) = 1 E( Yt 1 Yt 2 ) + E( t Yt 2 ) = 1 1 = 12 0
Autocovarianza de orden tres:
3 = E( Yt Yt 3 ) = E(( 1 Yt 1 + t ) Yt 3 ) = 1 E( Yt 1 Yt 3 ) + E( t Yt 3 ) = 1 2 = 13 0
1 1 = 1 0
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2
La AC proporciona informacin sobre la relacin lineal entre la misma serie separadas por
unidades temporales.
La AC de orden uno:
1 =
E (Yt Yt 1 ) 1 0
=
= 1
E (Yt ) 2
0
2 =
2
E (Yt Yt 2 ) 1 0
=
= 12
2
0
E (Yt )
3 =
E (Yt Yt 3 ) 1 0
=
= 13
2
0
E (Yt )
La AC de orden dos:
La AC de orden tres:
3
= 1
Yt 1 ; Yt 2 ; Yt 3 ; ... ; Yt +1
= corr ( Yt Yt . Yt 1 Yt 2 Yt 3 ... Yt +1 )
As pues, se entiende por PAC a los sucesivos coeficientes de correlacin parcial
de los distintos rdenes de una variable con ella misma desfasada diferentes
rdenes o perodos2.
) mltiple con
mide la tasa de cambio en el valor medio de la variable regresada ante un cambio unitario en el -simo
regresor, manteniendo constante la influencia de todos los dems regresores. De forma similar, el coeficiente
de correlacin parcial mide la correlacin entre observaciones separadas perodos, manteniendo
constantes las correlaciones en los defases intermedios, es decir, los defases menores de
2
Una de las formas de calcular los coeficientes de la funcin de autocorrelacin parcial es la que se describe a
11 = corr ( Yt . Yt 1 ) =
1
1
Yt = 11 Yt 1 + t es:
1
2
22 = corr ( Yt Yt 2 . Yt 1 ) =
33 = corr ( Yt Yt 3 . Yt 1 Yt 2 ) =
es:
Yt = 31 Yt 1 + 32 Yt 2 + 33 Yt 3 + t
1
2
1
2
2
1
es:
1
2
3
En este caso, la funcin de autocorrelacin parcial tiene el primer valor distinto de cero y el
resto de valores son iguales a cero. As se tiene:
= 11 = 1 = 1
para =1
= 0
para >1
Correlograma.
Es la representacin grfica de la funcin de autocorrelacin y de la funcin de
autocorrelacin parcial, que se acostumbra representar por las iniciales en ingls AC y PAC
respectivamente. En el Grfico 8.1 se representa el correlograma (AC y PAC) del modelo
Yt = 0,7 Yt 1 + t
Correlograma del modelo Yt = 0,7 Yt 1 + t
Grfico 8.1
Autocorrelation
.|*****
.|****
.|***
.|**
.|*
.|*
.|
.|
.|
.|
Partial Correlation
.|*****
.|
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.700
0.490
0.343
0.240
0.168
0.118
0.082
0.058
0.040
0.028
PAC
0.700
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Autocorrelation
*****|
.|****
***|
.|**
*|
.|*
.|
.|
.|
.|
Partial Correlation
*****|
.|
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
- 0.700
0.490
-0.343
0.240
-0.168
0.118
-0.082
0.058
-0.040
0.028
PAC
- 0.700
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
10
11
Grfico 8.3
Autocorrelation
|*******
.|*******
|*******
.|*******
|*******
.|*******
.|*******
.|*******
.|*******
.|*******
1
2
3
4
5
6
7
8
9
10
AC
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
PAC
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Autocorrelation
|
.|
|
.|
|
.|
.|
.|
.|
.|
Partial Correlation
.|
.|
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
PAC
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Sntesis.
La caracterstica ms importante de una serie temporal estacionaria susceptible
de ser modelizada a travs de un modelo AR(1) es que la funcin de autocorrelacin
decrece exponencialmente, mientras que la funcin de autocorrelacin parcial tan slo
presenta el primer valor distinto de cero. El resto de valores de la funcin de
autocorrelacin parcial son nulos.
El caso en que todos los valores de la funcin de autocorrelacin estn prximos
a la unidad es indicativo de que la serie es no estacionaria, mientras que el caso en que
todos los valores de la funcin de autocorrelacin estn prximos a cero es indicativo de
que la serie es puramente aleatoria.
PROBLEMAS PROPUESTOS SOBRE EL MODELO AR(1)
PROBLEMA 1.
Dada la serie temporal susceptible de ser representada a travs del modelo
12
Yt = 0,4 Yt 1 + t
1. Comprobar si el modelo es estacionario.
2. En el caso de que el modelo sea estacionario calcule la funcin de autocorrelacin y la
funcin de autocorrelacin parcial.
PROBLEMA 2.
Dada la serie temporal susceptible de ser representada a travs del modelo
Yt = - 0,5 Yt 1 + t
1. Comprobar si el modelo es estacionario.
2. En el caso de que el modelo sea estacionario calcule la funcin de autocorrelacin y la
funcin de autocorrelacin parcial.
PROBLEMA 3.
Dada la funcin de autocorrelacin (AC) y la funcin de autocorrelacin parcial (PAC)
siguiente:
1 = 0.8
11 = 0,8
2 = 0.64
22 = 0
3 = 0.512
33 = 0
4 = 0.410
44 = 0
5 = 0.328
55 = 0
6 = 0.262
66 = 0
siguiente:
1 = 0.99 2 = 0.98
11 = 0.99 22 = 0
3 = 0.98
33 = 0
4 = 0.97
44 = 0
5 = 0.96
55 = 0
6 = 0.95
66 = 0
siguiente:
1 = 0,02 2 = 0,03
3 = 0,02
4 = 0,05
5 = 0,05
6 = 0,03
11 = 0,02 22 = 0
33 = 0
44 = 0
55 = 0
66 = 0
13
Se dice que una serie temporal Yt admite una representacin autoregresiva (AR) de
segundo orden, y se denota por AR(2), si es susceptible de ser modelizada a travs de la
ecuacin:
Yt = + 1 Yt 1 + 2 Yt 2 + t
(8.3)
donde:
Yt , Yt 1 , Yt 2 son variables aleatorias concebidas como realizaciones de un proceso
estocstico en los momentos del tiempo t , t-1 , t-2 , ... , que se caracterizan
por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...nmero finito
, 1 , 2 junto con la varianza del proceso 2 son los parmetros que definen el
modelo (que deben ser estimados) .
s = 0
s 0
Yt = + 1 Yt 1 + 2 Yt 2 + t
o bien
Yt - 1 Yt 1 - 2 Yt 2 = + t
Yt - 1 L Yt - 2 L2 Yt = + t
(1 - 1 L - 2 L2 ) Yt = + t
despejando Yt se obtiene:
Yt =
1 - 1 L - 2 L2
)1
( + t )
14
la esperanza de Yt es:
E( Yt ) = E ( 1 - 1 L - 2 L2
= ( 1- 1 - 2
)1 + (
)1
( + t )=
1 - 1 L - 2 L2
)1
E( t )
1 - 1 - 2
)1 ,
t - 1 t 1 - 2 t 2 = 0
2 - 1
2 = 0
1 ; 2 =
1 12 + 4 2
2
Si el mdulo de las races del polinomio caracterstico es menor que 1, el modelo ser
estacionario en varianza.
As pues, si el modelo especificado para representar la serie Yt = 1 Yt 1 + 2 Yt 2 + t
cumple las condiciones:
1 + 2 1
|| 1 || < 1
|| 2 || < 1
15
Condicin de invertibilidad.
Yt = 1 Yt 1 + 2 Yt 2 + t
o bien
Yt - 1 Yt 1 - 2 Yt 2 = t
Yt - 1 L Yt - 2 L2 Yt = t
(1 - 1 L - 2 L2 ) Yt = t
despejando Yt se obtiene:
Yt =
1 - 1 L - 2 L2
)1 t =
= ( 1 + 1 L + 2 L2 + 3 L3 + 4 L4 + ... ) t =
= t + 1 t 1 + 2 t 2 + 3 t 3 + 4 t 4 + ...
As pues, el modelo AR(2) estacionario se ha transformado en un modelo de medias
mviles de orden infinito MA( ). La condicin de invertibilidad en los modelos
autorregresivos de un nmero finito de trminos se cumple siempre de forma automtica.
Caracterizacin del modelo AR(2).
Funcin de autocovarianza.
Se entiende por funcin de autocovarianza a las sucesivas covarianzas de distintos
rdenes de una variable con ella misma, desfasada diferentes rdenes o perodos. La
funcin de autocovarianza se define como:
= cov( Yt Yt ) = E( Yt Yt )
Para el valor =0 , la autocovarianza de orden cero es realmente la varianza.
16
0 = E( Yt Yt ) = E(( 1 Yt 1 + 2 Yt 2 + t ) Yt ) =
= E( 1 Yt 1 Yt + 2 Yt 2 Yt + t Yt ) =
= 1 E( Yt 1 Yt ) + 2 E( Yt 2 Yt ) + E( t Yt ) =
= 1 1 + 2 2 + 2
1 = E( Yt Yt 1 ) = E(( 1 Yt 1 + 2 Yt 2 + t ) Yt 1 ) =
= 1 E( Yt 1 Yt 1 )+ 2 E( Yt 2 Yt 1 )+ E( t Yt 1 ) = 1 0 + 2 1
2 = E( Yt Yt 2 ) = E(( 1 Yt 1 + 2 Yt 2 + t ) Yt 2 ) =
= 1 E( Yt 1 Yt 2 ) + 2 E( Yt 2 Yt 2 ) + E( t Yt 2 ) = 1 1 + 2 0
3 = E( Yt Yt 3 )
= E(( 1 Yt 1 + 2 Yt 2 + t ) Yt 3 ) =
= 1 E( Yt 1 Yt 3 ) + 2 E( Yt 2 Yt 3 ) + E( t Yt 3 ) = 1 2 + 2 1
AR(2):
1 1 + 2 2
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2
17
La AC de orden uno:
1 =
E (Yt Yt 1 ) 1 0 + 2 1
=
= 1 + 2 1
0
E (Yt ) 2
La AC de orden dos:
2 =
E (Yt Yt 2 ) 1 1 + 2 0
=
= 1 1 + 2
E (Yt ) 2
0
La AC de orden tres:
3 =
E (Yt Yt 3 ) 1 2 + 2 1
=
= 1 2 + 2 1
E (Yt ) 2
0
= 1 1 + 2 2
= corr ( Yt Yt . Yt 1 Yt 2 Yt 3 ... Yt +1 )
Asi pues, se entiende por PAC a los sucesivos coeficientes de correlacin parcial de los
distintos rdenes de una variable con ella misma desfasada diferentes rdenes o perodos.
En el caso de un modelo AR(2) los modelos autoregresivos que tiene sentido son:
Yt = 11 Yt 1 + t
Yt = 21 Yt 1 + 22 Yt 2 + t
En este caso, la funcin de autocorrelacin parcial tiene los dos primeros valores distintos
de cero y el resto de valores son iguales a cero. As se tiene:
para =1 ,2
= 0
para >2
Correlograma.
Es la representacin grfica de la funcin de autocorrelacin y de la funcin de
autocorrelacin parcial, que se acostumbran a representar por las iniciales en ingls AC y
PAC respectivamente. En el Grfico 8.5 se representa el correlograma (AC y PAC) del
modelo Yt = - 0,6 Yt 1 + 0,3 Yt 2 + t
18
Grfico 8.5
Autocorrelation
******|
.|******
*****|
.|****
****|
.|****
***|
.|***
***|
.|***
Partial Correlation
******|
.|**
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
-0.857
0.814
- 0.746
0.692
-0.639
0.591
-0.546
0.505
- 0.467
0.431
PAC
-0.857
0.300
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Yt 1 + 0,3 Yt 2 + t
Grfico 8.6
Autocorrelation
|******
.|******
|*****
.|****
|****
.|****
.|***
.|***
.|***
.|***
Partial Correlation
.|******
.|**
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.857
0.814
0.746
0.692
0.639
0.591
0.546
0.505
0.467
0.431
PAC
0.857
0.300
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Sntesis.
La caracterstica ms importante de una serie temporal estacionaria susceptible
de ser modelizada a travs de un modelo AR(2) es que la funcin de autocorrelacin
decrece a partir del segundo valor, mientras que la funcin de autocorrelacin parcial
tan slo presenta los dos primeros valores distintos de cero. El resto de valores de la
funcin de autocorrelacin parcial son nulos.
siguiente:
1 = 0,625
11 = 0,625
2 = 0,513
22 = 0,2
3 = 0,381
4 = 0,293
5 = 0,223
6 = 0,170
33 = 0
44 = 0
55 = 0
66 = 0
proponga el modelo de la serie temporal que ha generado estos estadsticos (identifique el
modelo).
PROBLEMA 8.
Dada la funcin de autocorrelacin (AC) y la funcin de autocorrelacin parcial (PAC)
siguiente:
1 = -0,46
11 = -0,46
2 = -0,023
22 = -0,300
3 = -0,104
33 = 0
4 = -0,056
44 = 0
5 = -0,049
55 = 0
6 = -0,036
66 = 0
20
Se dice que una serie temporal Yt admite una representacin de medias mviles
(MA) de orden q , y se denota por MA( q ) , si es susceptible de ser modelizada a travs de
la ecuacin:
Yt = + t - 1 t 1 - 2 t 2 - 3 t 3 - ... - q t q
(8.4)
Yt
proceso
donde:
es una variable aleatoria concebida como realizaciones de un
s = 0
s 0
Se dice que una serie temporal Yt admite una representacin a travs de medias
mviles (MA) de primer orden, y se denota por MA(1), si es susceptible de ser modelizada
a travs de la ecuacin:
Yt = + t - 1 t 1
(8.5)
donde:
Yt
21
, 1 , junto con la varianza del proceso 2 , son los parmetros que definen el
modelo (que deben ser estimados),
s = 0
s 0
Yt = + t - 1 t 1
E( Yt ) = E ( + t - 1 t 1 ) =
= + (1 - 1 L) t =
= + (1 - 1 ) . 0
22
Condicin de invertibilidad.
t - 1 t 1 = 0
si ahora, se sustituye t por t se obtiene la ecuacin:
t - 1 t 1 = 0
- 1 = 0
1 = 1
Como la raz del monomio es real, se debe cumplir que el valor absoluto de la raz debe ser
menor que la unidad:
| 1 | < 1
o bien
|1 | < 1
Yt = t - 1 t 1
utilizando el operador retardo
Yt = t - 1 L t
Yt = (1 - 1 L ) t
despejando t se obtiene:
t =
1 - 1 L
)1
Yt =
= ( 1 + 1 L + 12 L2 + 13 L3 + 13 L4 + ... ) Yt =
= Yt + 1 Yt 1 + 12 Yt 2 + 13 Yt 3 + 13 Yt 4 + ...
As pues, el modelo MA(1) invertible se ha transformado en un modelo
autorregresivo de orden infinito AR( ). La condicin de invertibilidad en los modelos de
medias mviles requiere que las races del polinomio caracterstico, en mdulo, sean
menores que la unidad.
Caracterizacin del modelo MA(1).
23
= cov( Yt Yt ) = E( Yt Yt )
Para el valor =0 , la autocovarianza de orden cero es realmente la varianza.
Autocovarianza de orden cero (varianza):
0 = E( Yt Yt ) = E ( t - 1 t 1
)2
= E( t2 + 12 t21 - 2 1 t t 1 ) =
= E( t2 ) + 12 E( t21 )- 2 1 E( t t 1 ) =
= 2 + 12 2
Despejando la varianza se obtiene:
0 = (1 + 12 ) 2
Autocovarianza de orden uno:
1 = E( Yt Yt 1 ) = E(( t - 1 t 1 )( t 1 - 1 t 2 )) =
= E( t t 1 ) - 1 E( t t 2 ) - 1 E( t 1 t 1 ) + 12 E( t 1 t 2 ) =
= 0 - 0 - 1 2 + 0 = - 1 2
Autocovarianza de orden dos:
2 = E( Yt Yt 2 ) = E(( t - 1 t 1 )( t 2 - 1 t 3 )) =
= E( t t 2 ) - 1 E( t t 3 ) - 1 E( t 1 t 2 ) + 12 E( t 1 t 3 ) = 0
Autocovarianza de orden tres:
3 = E( Yt Yt 3 ) = E(( t - 1 t 1 )( t 3 - 1 t 4 )) =
= E( t t 3 ) - 1 E( t t 4 ) - 1 E( t 1 t 3 ) + 12 E( t 1 t 4 ) = 0
Procediendo anlogamente, se deduce que la funcin de autocovarianza para un
modelo MA(1) es:
24
=0
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2
1 =
E (Yt Yt 1 )
1 2
1
=
=
2
2
2
E (Yt )
(1 + 1 )
(1 + 12 )
2 =
E (Yt Yt 2 )
0
=
=0
2
(1 + 12 ) 2
E (Yt )
3 =
E (Yt Yt 3 )
0
=
=0
2
(1 + 12 ) 2
E (Yt )
La AC de orden dos:
La AC de orden tres:
1 =
1
(1 + 12 )
= 0
para = 1
para todo > 1
= corr ( Yt Yt . Yt 1 Yt 2 Yt 3 ... Yt +1 )
Se entiende por PAC a los sucesivos coeficientes de correlacin parcial de los distintos
rdenes de una variable con ella misma desfasada diferentes rdenes o perodos.
25
Yt = 31 Yt 1 + 32 Yt 2 + 33 Yt 3 + t
Yt = 41 Yt 1 + 42 Yt 2 + 43 Yt 3 + 44 Yt 4 + t
...
En este caso, la funcin de autocorrelacin parcial tiene infinitos valores distintos de cero y
van decreciendo exponencialmente a partir del primer valor.
11 = 1 =
1
(1 + 12 )
para = 1
para todo > 1
0
Correlograma.
Grfico 8.7
Autocorrelation
****|
.|
.|
.|
.|
.|
.|
.|
.|
.|
Partial Correlation
*****|
****|
**|
**|
*|
*|
*|
*|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
-0.488
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.028
PAC
-0.488
-0.316
-0.221
-0.165
-0.127
-0.099
-0.078
-0.062
-0.049
-0.039
Autocorrelation
|****
.|
.|
.|
Partial Correlation
****|
***|
|**
*|
1
2
3
4
AC
0.488
0.000
0.000
0.000
PAC
0.488
-0.316
0.221
-0.165
26
.|
.|
.|
.|
.|
.|
|*
*|
.|
.|
.|
.|
5
6
7
8
9
10
0.000
0.000
0.000
0.000
0.000
0.028
0.127
-0.099
0.078
-0.062
0.049
-0.039
Sntesis.
La caracterstica ms importante de una serie temporal estacionaria susceptible
de ser modelizada a travs de un modelo MA(1) es que la funcin de autocorrelacin tan
slo presenta el primer valor distinto de cero (y en valor absoluto menor que 0,5),
mientras que la funcin de autocorrelacin parcial decrece exponencialmente.
PROBLEMAS PROPUESTOS SOBRE EL MODELO MA(1)
PROBLEMA 10.
Dado el modelo de medias mviles (MA)
Yt = t - 0,6 t 1
Se pide:
3. Comprobar si el modelo es estacionario.
4. En el caso de que el modelo sea estacionario calcule la funcin de autocorrelacin y la
funcin de autocorrelacin parcial.
PROBLEMA 9.
Dado el modelo de medias mviles (MA)
Yt = t + 0,9 t 1
Se pide:
1. Comprobar si el modelo es estacionario.
2. En el caso de que el modelo sea estacionario calcule la funcin de autocorrelacin y la
funcin de autocorrelacin parcial.
PROBLEMA 12.
Dadas la funcin de autocorrelacin y la funcin de autocorrelacin parcial siguientes:
1 = -0,488 2 = 0
3 = 0
4 = 0
5 = 0
6 = 0
11 = -0,488
22 = -0,312
33 = -0,221
44 = -0,165
55 = 0,127
66 = -0,099
27
Se dice que una serie temporal Yt admite una representacin autoregresiva (MA)
de segundo orden, y se denota por MA(2), si es susceptible de ser modelizada a travs de la
ecuacin:
Yt = + t - 1 t 1 - 2 t 2
(8.6)
donde:
Yt
es una variable aleatoria concebida como una realizacin de un proceso
estocstico en los momentos del tiempo t , t-1 , t-2 , ...
, 1 , 2 , junto con la varianza del proceso 2 , son los parmetros que definen
el modelo (que deben ser estimados),
t es un proceso constituido por variables aleatorias independientes e igualmente
distribuidas que cumplen:
la esperanza de t es nula; E( t )= 0
la varianza de t es constante; E( t t + s ) = 2
s = 0
s 0
Condicin de estacionariedad.
Yt = + t - 1 t 1 - 2 t 2
E( Yt ) = E ( + t - 1 t 1 - 2 t 2 )=
= E( ) + E(1- 1 L t - 2 L2 t )=
= + (1- 1 L - 2 L2 )E( t ) =
= + (1- 1 - 2 ) 0
28
que sea igual a cero, entonces E( Yt )=0. En lo sucesivo, sin perdida de la generalidad, se
va suponer que =0 .
El requisito de estacionariedad en varianza para un modelo MA finito se cumple
automticamente ya que la varianza de un MA finito ser siempre finita.
As pues, el modelo especificado para representar la serie Yt = t - 1 t 1 - 2 t 2
cumple la condicin de estacionario en media y varianza si el valor de es finito o
determinado y 1 + 2 1.
Condicin de invertibilidad.
t - 1 t 1 - 2 t 2 = 0
Si ahora, se sustituye t por t se obtiene la ecuacin:
t - 1 t 1 - 2 t 2 = 0
2 - 1 - 2 = 0
1 ; 2 =
1 12 + 4 2
2
Si el mdulo de las races del polinomio caracterstico es menor que la unidad, el modelo
MA (2) ser invertible.
Yt = t - 1 L t - 2 L2 t
Yt = (1 - 1 L - 2 L2 ) t
despejando t se obtiene:
t =
1 - 1 L - 2 L2
)1
Yt =
= ( 1 + 1 L + 2 L2 + 3 L3 + 4 L4 + ... ) Yt =
= Yt + 1 Yt 1 + 2 Yt 2 + 3 Yt 3 + 4 Yt 4 + ...
As pues, el modelo MA(2) invertible se ha transformado en un modelo
autorregresivo de orden infinito AR( ). La condicin de invertibilidad en los modelos de
29
medias mviles requiere que las races del polinomio caracterstico, en mdulo, sean
menores que la unidad.
Caracterizacin del modelo MA(2).
= cov( Yt Yt ) = E( Yt Yt )
Para el valor =0 , la autocovarianza de orden cero es realmente la varianza.
Autocovarianza de orden cero (varianza):
0 = E( Yt Yt ) = E ( t - 1 t 1 - 2 t 2
)2
= E( t2 + 12 t21 + 22 t22 - 2 1 t t 1 -2 2 t t 2 +2 1 2 t 1 t 2 ) =
= E( t2 ) + 12 E( t21 )+ 22 E( t22 )- 2 1 E( t t 1 )-2 2 E( t t 2 )+2 1 2 E( t 1 t 2 )=
= 2 + 12 2 + 22 2
En definitiva:
0 = (1 + 12 + 22 ) 2
Autocovarianza de orden uno:
1 = E( Yt Yt 1 ) = E(( t - 1 t 1 - 2 t 2 )( t 1 - 1 t 2 - 2 t 3 )) =
= E( t t 1 )- 1 E( t t 2 )- 2 E( t t 3 )- 1 E( t21 )+ 12 E( t 1 t 2 )+ 1 2 E( t 1 t 3 )- 2 E( t 2 t 1 )+ 2 1 E( t22 )+ 22 E( t 2 t 3 ) =
= 0 - 1 0- 2 0 - 1 2 + 12 0 + 1 2 0 - 2 0+ 2 1 2 + 22 0 =
= - 1 2 + 2 1 2 = (- 1 + 2 1 ) 2
30
2 = E( Yt Yt 2 ) = E(( t - 1 t 1 - 2 t 2 )( t 2 - 1 t 3 - 2 t 4 )) =
= E( t t 2 )- 1 E( t t 3 )- 2 E( t t 4 )- 1 E( t 1 t 2 )+ 12 E( t 1 t 3 )+
+ 1 2 E( t 1 t 4 )- 2 E( t22 )+ 2 1 E( t 2 t 3 )+ 22 E( t 2 t 4 ) = - 2 2
Autocovarianza de orden tres:
3 = E( Yt Yt 3 ) = E(( t - 1 t 1 - 2 t 2 )( t 3 - 1 t 4 - 2 t 5 )) =
= E( t t 3 )- 1 E( t t 4 )- 2 E( t t 5 )- 1 E( t 1 t 3 )+ 12 E( t 1 t 4 )+
+ 1 2 E( t 1 t 5 )- 2 E( t 2 t 3 )+ 2 1 E( t 2 t 4 )+ 22 E( t 2 t 5 ) = 0
Procediendo anlogamente, se deduce que la funcin de autocovarianza para un
modelo MA(2) es:
=0
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2
1 =
E (Yt Yt 1 ) ( 1 + 2 1 ) 2
( 1 + 2 1 )
=
=
2
2
2
2
(1 + 1 + 2 )
(1 + 12 + 22 )
E (Yt )
La AC de orden dos:
2 =
E (Yt Yt 2 )
2 2
2
=
=
2
2
2
2
E (Yt )
(1 + 1 + 2 )
(1 + 12 + 22 )
La AC de orden tres:
3 =
E (Yt Yt 3 )
0
=
=0
2
2
E (Yt )
(1 + 1 + 22 ) 2
31
1 =
1 + 1 2
(1 + 12 + 22 )
para = 1
2 =
2
(1 + 12 + 22 )
para = 2
= 0
= corr ( Yt Yt . Yt 1 Yt 2 Yt 3 ... Yt +1 )
Se entiende por PAC a los sucesivos coeficientes de correlacin parcial de los distintos
rdenes de una variable con ella misma desfasadas diferentes rdenes o periodos.
En el caso de un modelo MA(2) invertible (se puede obtener el modelo AR( )
equivalente) se pueden plantear infinitos modelos autoregresivos:
Yt = 11 Yt 1 + t
Yt = 21 Yt 1 + 22 Yt 2 + t
Yt = 31 Yt 1 + 32 Yt 2 + 33 Yt 3 + t
Yt = 41 Yt 1 + 42 Yt 2 + 43 Yt 3 + 44 Yt 4 + t
...
...
En este caso, la funcin de autocorrelacin parcial tiene infinitos valores distintos de cero y
van decreciendo exponencialmente a partir del segundo valor.
Correlograma.
Yt = t -0,3 t 1 -0,4 t 2
32
Autocorrelation
**|
***|
|
|
|
|
.|
.|
.|
.|
Partial Correlation
**|
***|
**|
**|
*|
*|
*|
*|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
-0.144
-0.320
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
PAC
-0.144
-0.347
-0.130
-0.163
-0.094
-0.076
-0.063
-0.054
-0.041
-0.034
t +0,3 t 1 -0,4 t 2
Grfico 8.10
Autocorrelation
|**
***|
|
|
|
|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.144
-0.320
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
PAC
0.144
-0.347
0.130
-0.163
0.094
-0.076
0.063
-0.054
0.041
-0.034
33
Sntesis.
La caracterstica ms importante de una serie temporal estacionaria susceptible
de ser modelizada a travs de un modelo MA(2) es que la funcin de autocorrelacin tan
slo presenta los dos primeros valores distintos de cero, mientras que la funcin de
autocorrelacin parcial decrece exponencialmente a partir del segundo valor.
(PAC) siguiente:
1 = -0,144
11 = -0,144
2 = -0,320
22 = -0,347
3 = 0
33 = -0,130
4 = 0
44 = -0,163
5 = 0
55 = 0,094
6 = 0
66 = -0,076
(PAC) siguiente:
1 = -0,144
11 = -0,144
2 = -0,320
22 = -0,347
3 = 0
33 = -0,130
4 = 0
44 = -0,163
5 = 0
55 = 0,094
6 = 0
66 = -0,076
34
(8.7)
donde:
Yt , Yt 1 , ... , Yt p son una variables aleatorias concebidas como realizaciones de un
proceso estocstico en distintos momentos del tiempo t, t-1, t-2,... , que se
caracterizan por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...
s 0
esto es:
Yt - 1 L Yt - 2 L2 Yt - ... - p L p Yt = t - 1 L t - 2 L2 t - ... - q L p t
o bien:
(1- 1 L - 2 L2 - ... - p L p ) Yt = (1- 1 L - 2 L2 - ... - q L p ) t
Adems, los polinomios de retardos se pueden descomponer, si las races son reales, en
productos de monomios:
(1- 1 L )(1- 2 L ) ... (1- p L ) Yt = (1- 1* L )(1- *2 L ) ... (1- *p L ) t
y en la mayora de los casos los polinomios tienen races comunes pudiendo simplificarse la
ecuacin quedando, en definitiva, un modelo mucho ms simple.
35
(8.8)
donde:
Yt , Yt 1 , son variables aleatorias concebidas como realizaciones de un proceso
estocstico en los momentos del tiempo t , t-1 , t-2 , ..., que se caracterizan
por E( Yt ) = E( Yt 1 ) = E( Yt 2 ) = ...
1 , 1
junto con la varianza del proceso 2 son los parmetros que definen el
modelo (que deben ser estimados),
s = 0
s 0
36
Condicin de estacionariedad.
La modelizacin de una serie a travs de un modelo ARMA exige que el modelo sea
estacionario en media y varianza. La condicin de estacionariedad viene impuesta por la
parte AR, ya que la parte MA es estacionaria siempre y cuando sea finita. La
estacionariedad en media exige que la E( Yt ) no sea funcin del tiempo y, adems, la
E( Yt ) debe ser finita y determinada. En el caso presente se tiene:
Yt = 1 Yt 1 + t - 1 t 1
o bien
Yt - 1 Yt 1 = t - 1 t 1
Yt - 1 L Yt = t - 1 L t
(1 - 1 L ) Yt = (1 - 1 L ) t
despejando Yt se obtiene:
Yt =
la esperanza de Yt es:
1 - 1 L
E( Yt ) = E ( 1 - 1 L
=
1- 1 L
1- 1
)1
)1
(1 - 1 L ) t
(1- 1 L ) t
)1 (1- 1
)1 (1- 1 )
L ) E( t ) =
t - 1 t 1 = 0
37
- 1 = 0
1 = 1
Como la raz del monomio es real, se debe cumplir que el valor absoluto de la raz sea
menor que la unidad:
| 1 | < 1
| 1 | < 1
o bien
| 1 | < 1 y 1 1
t - 1 t 1 = 0
si ahora, se sustituye t por t se obtiene la ecuacin:
t - 1 t 1 = 0
- 1 = 0
1 = 1
Como la raz del monomio es real, se debe cumplir que el valor absoluto de la raz debe ser
menor que la unidad:
| 1 | < 1
o bien
|1 | < 1
(1 - 1 L ) Yt = (1 - 1 L ) t
despejando t se obtiene:
t =
1 - 1 L
)1
(1 - 1 L ) Yt =
= ( 1 + 1 L + 12 L2 + 13 L3 + 13 L4 + ... ) (1 - 1 L ) Yt =
= Yt + 1 Yt 1 + 2 Yt 2 + 3 Yt 3 + 4 Yt 4 + ...
As pues, el modelo ARMA(1,1) estacionario e invertible se ha transformado en un
modelo autorregresivo de orden infinito AR( ). La condicin de invertibilidad en los
modelos ARMA requiere que las races del polinomio caracterstico de la parte MA, en
mdulo, sean menores que la unidad.
Caracterizacin del modelo ARMA(1,1).
= cov( Yt Yt ) = E( Yt Yt )
Para el valor =0 , la autocovarianza de orden cero es realmente la varianza.
Autocovarianza de orden cero (varianza):
0 = E( Yt Yt ) = E ( 1 Yt 1 + t - 1 t 1
)2
=E( 12 Yt 21 + t2 + 12 t21 + 2 1 Yt 1 t - 2 1 1 Yt 1 t 1 - 2 1 t t 1 ) =
= 12 E( Yt 21 )+E( t2 )+ 12 E( t21 ) + 2 1 E( Yt 1 t )- 2 1 1 E( Yt 1 t 1 )- 2 1 E( t t 1 ) =
= 12 0 + 2 + 12 2 + 2 1 0 - 2 1 1 2 - 2 1 0
Despejando la varianza 0 se tiene:
39
0 =
1 + 12 2 1 1
2
2
1 1
1 = E( Yt Yt 1 ) = E(( 1 Yt 1 + t - 1 t 1 ) Yt 1 ) =
= 1 E( Yt 21 )+ E( t Yt 1 ) - 1 E( t 1 Yt 1 ) =
= 1 0 + 0 - 1 2 =
= 1 0 - 1 2
Autocovarianza de orden dos:
2 = E( Yt Yt 2 ) = E(( 1 Yt 1 + t - 1 t 1 ) Yt 2 ) =
= 1 E( Yt 1 Yt 2 )+ E( t Yt 2 ) - 1 E( t 1 Yt 2 ) =
= 1 1 + 0 + 1 0 = 1 1
Autocovarianza de orden tres:
3 = E( Yt Yt 3 ) = E(( 1 Yt 1 + t - 1 t 1 ) Yt 3 ) =
= 1 E( Yt 1 Yt 3 )+ E( t Yt 3 ) - 1 E( t 1 Yt 3 ) =
= 1 2 + 0 + 0 = 1 2
Sustituyendo 2 por su valor se obtiene:
3 = 12 1
Procediendo de forma anloga, se deduce la funcin de autocovarianza para un
modelo ARMA(1,1), que cumple:
= 1 1 1
cov(Yt Yt )
E (Yt Yt )
=
var(Yt )
E (Yt ) 2
40
1 =
E (Yt Yt 1 ) 1 0 1 2
(1 1 1 )(1 1 )
=
=
2
0
1 + 12 21 1
E (Yt )
La AC de orden dos:
2 =
E (Yt Yt 2 ) 1 1
=
= 1 1
0
E (Yt ) 2
La AC de orden tres:
3 =
E (Yt Yt 3 ) 1 12
=
= 12 1
E (Yt ) 2
0
= 1 1 1
= corr ( Yt Yt . Yt 1 Yt 2 Yt 3 ... Yt +1 )
Se entiende por PAC a los sucesivos coeficientes de correlacin parcial de los distintos
rdenes de una variable con ella misma desfasada diferentes rdenes o perodos.
En el caso de un modelo ARMA(1) estacionario e invertible. se puede obtener el
modelo AR( ) equivalente. En este caso, se pueden plantear infinitos modelos
autoregresivos:
Yt = 11 Yt 1 + t
Yt = 21 Yt 1 + 22 Yt 2 + t
Yt = 31 Yt 1 + 32 Yt 2 + 33 Yt 3 + t
Yt = 41 Yt 1 + 42 Yt 2 + 43 Yt 3 + 44 Yt 4 + t
...
...
En este caso, la funcin de autocorrelacin parcial tiene infinitos valores distintos de cero y
van decreciendo exponencialmente a partir del primer valor.
11 = 1 = 1 +
1 2
para = 1
41
y en general
Correlograma.
Grfico 8.1
Autocorrelation
|*****
|***
|**
|**
|*
|*
.|
.|
.|
.|
Partial Correlation
|*****
.|**
.|
.|
.|
.|
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0.472
0.330
0.231
0.162
0.113
0.079
0.044
0.038
0.029
0.018
PAC
0.472
0.138
0.041
0.013
0.009
0.006
0.004
0.003
0.003
0.002
Grfico 8.2
Autocorrelation
|*********
|******
|****
|***
|**
|*
.|
.|
.|
.|
1
2
3
4
5
6
7
8
9
10
AC
0,802
0,561
0,393
0,275
0,192
0,135
0,094
0,066
0,046
0,032
PAC
0,802
-0.225
0.067
-0.010
0.005
-0.002
0.004
-0.002
0.003
-0.001
Sntesis.
La caracterstica ms importante de una serie temporal estacionaria susceptible
de ser modelizada a travs de un modelo ARMA(1,1) es que la funcin de
autocorrelacin presenta infinitos valores distintos de cero que decrecen de forma
42
PROBLEMA 20.
Dado el modelo
Yt = 0,6 Yt 1 + t - 0,3 t 1
Se pide: calcular la funcin de autocorrelacin y la funcin de autocorrelacin parcial.
PROBLEMA 21.
Dada la funcin de autocorrelacin (AC) y la funcin de autocorrelacin parcial
(PAC) siguiente:
1 = 0,472
11 = 0,472
2 = 0,330
22 = 0,138
3 = 0,231
33 = 0,041
4 = 0,162
44 = 0,013
5 = 0,113
6 = 0,079
55 = 0,003
66 = 0,002
(PAC) siguiente:
1 = 0,801
11 = 0,801
2 = 0,561
22 =-0,225
3 = 0,393
33 = 0,067
4 = 0,275
44 =-0,021
5 = 0,192
55 = 0,005
6 = 0,135
66 =-0,002