You are on page 1of 169

Anlisis de series temporales: Modelos ARIMA

ISBN: 978-84-692-3814-1

Mara Pilar Gonzlez Casimiro

04-09

Anlisis de Series Temporales: Modelos ARIMA a


Pilar Gonzlez Casimiro a Departamento de Econom Aplicada III (Econometr y Estad a a stica) Facultad de Ciencias Econmicas y Empresariales o Universidad del Pa Vasco (UPV-EHU) s

Contenido
1. Introduccin o 2. Procesos estocsticos a 2.1. Proceso estocstico y serie temporal . . . . . . . . . . . . . . . . . . . . . . . . . a 2.2. Caracter sticas de un proceso estocstico . . . . . . . . . . . . . . . . . . . . . . . a 2.3. Procesos estocsticos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . . a 2.3.1. Funcin de autocovarianzas y de autocorrelacin . . . . . . . . . . . . . . o o 2.3.2. Estimacin de los momentos o . . . . . . . . . . . . . . . . . . . . . . . . . 1 11 11 12 13 14 17 18 19 19 22 22 27 31 31 34 38 43 43 44 45

2.4. Proceso Ruido Blanco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Modelos lineales estacionarios 3.1. Modelo Lineal General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Procesos autorregresivos: AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1. Proceso AR(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.2. Proceso AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3. Procesos de Medias Mviles: MA(q). . . . . . . . . . . . . . . . . . . . . . . . . . o 3.3.1. Proceso MA(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.2. Proceso MA(q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4. Procesos Autorregresivos de Medias Mviles: ARMA(p,q). . . . . . . . . . . . . . o 4. Modelos lineales no estacionarios 4.1. No estacionariedad en varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. No estacionariedad en media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Modelos ARIMA(p,d,q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a 47 48 49 49 51 52 61 69 73 73 77 85 86 88 90 92 94 97 101

4.3.1. Modelo de paseo aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.2. Modelo de paseo aleatorio con deriva . . . . . . . . . . . . . . . . . . . . . 5. Modelizacin ARIMA o 5.1. Estrategia de modelizacin ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . o 5.2. Identicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 5.2.1. Anlisis de estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . . a 5.2.2. Identicacin del modelo estacionario . . . . . . . . . . . . . . . . . . . . o 5.3. Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 5.4. Validacin del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 5.4.1. Anlisis de coecientes estimados . . . . . . . . . . . . . . . . . . . . . . . a 5.4.2. Anlisis de residuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 6. Prediccin ptima con modelos ARIMA(p, d, q) o o 6.1. Prediccin con modelos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . o 6.1.1. Prediccin con modelos MA(q). . . . . . . . . . . . . . . . . . . . . . . . . o 6.1.2. Prediccin con modelos AR(p) . . . . . . . . . . . . . . . . . . . . . . . . o 6.1.3. Prediccin con modelos ARMA(p,q). . . . . . . . . . . . . . . . . . . . . . o 6.1.4. Predicciones con modelos estacionarios estimados . . . . . . . . . . . . . . 6.2. Prediccin con modelos no estacionarios. . . . . . . . . . . . . . . . . . . . . . . . o 7. Modelos ARIMA estacionales

7.1. Modelos estacionales puros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 7.2. Modelos ARMA estacionales no estacionarios . . . . . . . . . . . . . . . . . . . . 107 7.3. Modelos ARIMA estacionales multiplicativos . . . . . . . . . . . . . . . . . . . . 109 7.4. Modelizacin ARIMA estacional. . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 o 8. Ejercicios 135

8.1. Cuestiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 8.2. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

ii

Cap tulo 1 Introduccin o


El objetivo de este documento es presentar un conjunto de tcnicas para el anlisis de series e a temporales en econom Por lo tanto, vamos a comenzar deniendo qu se entiende por serie a. e temporal, cules son sus caracter a sticas espec cas y por qu es necesario desarrollar mtodos e e espec cos para su anlisis. a Una serie temporal es una secuencia ordenada de observaciones cada una de las cuales est asociaa da a un momento de tiempo. Ejemplos de series temporales las podemos encontrar en cualquier campo de la ciencia. En Econom cuando buscamos datos para estudiar el comportamiento de a una variable econmica y su relacin con otras a lo largo del tiempo, estos datos se presentan o o frecuentemente en forma de series temporales. As podemos pensar en series como los precios , diarios de las acciones, las exportaciones mensuales, el consumo mensual, los benecios trimestrales, etc. En Metereolog tenemos series temporales de temperatura, cantidad de lluvia ca a, da en una regin, velocidad del viento, etc. En Marketing son de gran inters las series de ventas o e mensuales o semanales. En Demograf se estudian las series de Poblacin Total, tasas de naa o talidad, etc. En Medicina, los electrocardiogramas o electroencefalogramas. En Astronom la a, actividad solar, o en Sociolog datos como el nmero de cr a, u menes, etc. La mayor de los mtodos estad a e sticos elementales suponen que las observaciones individuales que forman un conjunto de datos son realizaciones de variables aleatorias mutuamente independientes. En general, este supuesto de independencia mutua se justica por la atencin prestada o a diversos aspectos del experimento, incluyendo la extraccin aleatoria de la muestra de una o poblacin ms grande, la asignacin aleatoria del tratamiento a cada unidad experimental, etc. o a o Adems en este tipo de datos (tomamos una muestra aleatoria simple de una poblacin ms a o a grande) el orden de las observaciones no tiene mayor importancia. Sin embargo, en el caso de las series temporales, hemos de tener en cuenta, sin embargo, que: el orden es fundamental: tenemos un conjunto de datos ordenado el supuesto de independencia no se sostiene ya que, en general, las observaciones son dependientes entre s y la naturaleza de su dependencia es de inters en s misma e

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Consideremos algunos ejemplos de series temporales cuya evolucin es bastante habitual cuando o se trabaja con variables econmicas. o Grco 1.1: Renta Nacional UE 27 miembros a
)adazilanoicatsesed( 72EU lanoicaN atneR

1200000

1100000

1000000

900000

800000

700000

600000
19 95 TI 19 95 TII I 19 96 TI 19 96 TII I 19 97 TI 19 97 TII I 19 98 TI 19 98 TII I 19 99 TI 19 99 TII I 20 00 TI 20 00 TII I 20 01 TI 20 01 TII I 20 02 TI 20 02 TII I 20 03 TI 20 03 TII I 20 04 TI 20 04 TII I 20 05 TI 20 05 TII I 20 06 TI 20 06 TII I 20 07 TI 20 07 TII I 20 08 TI 20 08 TII I

La serie representada en el grco 1.1 es la Renta Nacional de la Unin Europea (27 pa a o ses miembros). Es una serie trimestral que comienza el primer trimestre de 1995 y naliza el tercer trimestre de 2008. En el grco no se presentan los datos brutos de la serie, sino lo que se a denomina serie desestacionalizada, es decir, la serie sin comportamiento estacional. Observando este grco se puede concluir que la renta nacional de la UE ha seguido en este a periodo una evolucin continuamente creciente, es decir, la serie presenta una tendencia creciente. o Ahora bien, tambin hay que sealar que el ritmo de crecimiento de la serie no siempre es el e n mismo. Por ejemplo, al nal de la muestra se puede observar que la serie estaba creciendo a una tasa muy fuerte a partir de nales de 2005 y que este ritmo se suaviza a partir de nales del ao 2007. Incluso ms, a pesar de que la inspeccin visual de este grco lleva a decir que n a o a el comportamiento general, en promedio, de la serie es creciente, se pueden aislar momentos espec cos en que la renta nacional decrece, por ejemplo, principios de 1999, el tercer trimestre de 2001 o el tercer trimestre de 2003. El grco 1.2 representa el empleo en el estado espaol. Es tambin una serie trimestral que a n e comienza el primer trimestre de 1961 y termina el cuarto trimestre de 1994. En este caso el comportamiento de la serie es muy variable, no se puede decir que tenga un comportamiento a largo plazo ni creciente ni decreciente sino que est continuamente cambiando de nivel. As a , al principio de la muestra, hasta el ao 1967, la serie crece. De 1967 hasta principios de los n 80, el empleo crece en promedio suavemente, aunque con fuertes oscilaciones. Con la crisis de 1980, se observa una fuerte ca del empleo hasta el ao 1985 cuando comienza a recuperarse da n rpidamente para estabilizarse en los ao 1988-90. De nuevo, el grco reeja claramente el a n a efecto en el empleo de la crisis de comienzos de los aos 90 con un descenso espectacular en solo n dos aos. Al nal de la muestra, la serie comienza a crecer t n midamente. En el grco 1.3 podemos encontrar los Ingresos por turismo en el estado espaol obtenidos de a n la Balanza de Pagos. Es una serie mensual que comienza el mes de enero de 1990 y termina 2

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 1.2: Empleo en el Estado Espaol a n


120

Empleo (1961,I - 1994,IV)

110

100

90

80 62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94

el mes de agosto de 2008. Si tuvieramos que describir brevemente la evolucin de esta serie, o resaltar amos, en primer lugar, que a largo plazo crece ya que en media el nivel de ingresos es superios al nal de la muestra que al principio de la misma, es decir, la serie tiene una tendencia creciente. Pero esta variable presenta tambin un tipo de comportamiento c e clico que no observabamos en las dos anteriores. Analizando con ms cuidado el grco observamos que, a a dentro de cada ao, los picos ms altos de los ingresos son siempre en verano (julio y agosto) n a y los ms bajos en invierno. Por lo tanto, si queremos estudiar esta serie y predecirla hemos de a tener en cuenta todas sus caracter sticas, incluyendo los ciclos que se observan con un periodo anual y que se donominan, estacionalidad. Grco 1.3: Ingresos por turismo en el estado espaol a n
5000000

4000000

3000000

2000000

1000000

0
1990M01 1990M06 1990M11 1991M04 1991M09 1992M02 1992M07 1992M12 1993M05 1993M10 1994M03 1994M08 1995M01 1995M06 1995M11 1996M04 1996M09 1997M02 1997M07 1997M12 1998M05 1998M10 1999M03 1999M08 2000M01 2000M06 2000M11 2001M04 2001M09 2002M02 2002M07 2002M12 2003M05 2003M10 2004M03 2004M08 2005M01 2005M06 2005M11 2006M04 2006M09 2007M02 2007M07 2007M12 2008M05

omsirut rop sosergnI

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Debido a estas caracter sticas especicas de los datos de series temporales se han de desarrollar modelos espec cos que recojan y aprovechen la dependencia entre las observaciones ordenadas de una serie temporal. El conjunto de tcnicas de estudio de series de observaciones dependientes ordenadas en el tiempo e se denomina Anlisis de Series Temporales. El instrumento de anlisis que se suele utilizar es a a un modelo que permita reproducir el comportamiento de la variable de inters. e Los Modelos de Series Temporales pueden ser: Univariantes: slo se analiza una serie temporal en funcin de su propio pasado o o Multivariantes: se analizan varias series temporales a la vez. Un ejemplo muy popular en la literatura son las series de nmero de pieles de visn y rata almizclera capturadas en u o Cnada. Se sabe que existe una relacin v a o ctima-depredador entre ambos animales lo que se supone que afecta a la dinmica de ambas series. La forma de reejar estas interacciones a dinmicas entre ambas series es construir un modelo multivariante. Cuando se construye a un modelo multivariante, para casos como ste, suponemos que hay cierta dependencia o e relacin entre los pasados de las diversas series. o Estas interacciones dinmicas tambin aparecen cuando construimos modelos multivariana e tes para variables econmicas, tales como la renta, consumo e inversin que, cmo es bien o o o sabido, inuyen las unas en las otras. En este libro se van a considerar unicamente los modelos de series temporales univariantes, por lo que se va a centrar en el anlisis de las series temporales univariantes. a Una serie temporal univariante consiste en un conjunto de observaciones de una variable Y . Si hay T observaciones, se denota por Yt , t Yt , t = 1, . . . , T

El sub ndice t indica el tiempo en que se observa el dato Yt . Los datos u observaciones se suelen recoger a intervalos iguales de tiempo, es decir, equidistantes los unos de los otros; es el caso de series mensuales, trimestrales, etc. Cuando las observaciones se recogen solo en momentos determinados de tiempo, generalmente a intervalos iguales, nos referimos a una serie temporal discreta. Puede darse el caso de que los datos se generen de forma continua y se observen de forma continua, como, por ejemplo, la temperatura, que se observa de forma continua en el tiempo por medio de aparatos f sicos. En este caso denotamos la serie temporal por Yt , tR

y contamos con un nmero innito de observaciones. En este caso nos referiremos a una serie u temporal continua. Sin embargo, la mayor de las series disponibles, en particular, en las ciencias a sociales, se observan en tiempo discreto a intervalos iguales, aunque se puedan suponer generadas por algn proceso en tiempo continuo. Por lo tanto, este libro se centrar en el estudio de u a variables discretas tomadas a intervalos regulares dejando de lado las variables continuas y las variables discretas tomadas a intervalos irregulares. 4

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Cada uno de los datos, Yt , puede representar o una acumulacin sobre un intervalo de tiempo de o alguna cantidad subyacente, por ejemplo, lluvia diaria, o bien un valor tomado en un momento dado. Las variables ujo son aquellas que se miden respecto a un intervalo de tiempo. Por ejemplo, el consumo mensual de petrleo. Las variables stock son aquellas que se miden en un o momento determinado de tiempo, por ejemplo, la temperatura, las cotizaciones de bolsa, etc. Los mtodos de anlisis de series temporales son, en general, los mismos para ambos tipos de e a variables, pero puede haber ocasiones en que la distincin sea de inters debido a las distintas o e caracter sticas que tienen las observaciones. Los objetivos que se pueden plantear al analizar una serie temporal son muy diversos, pero entre los ms importantes se encuentran: a a) Describir las caracter sticas de la serie, en trminos de sus componentes de inters. Por e e ejemplo, podemos desear examinar la tendencia para ver cuales han sido los principales movimientos de la serie. Por otro lado, tambin el comportamiento estacional es de inters, e e y para algunos propsitos, nos puede interesar extraerlo de la serie: desestacionalizar. o Esta descripcin puede consistir en algunos estad o sticos resumen (media, varianza, etc.) pero es ms probable que incluya una o ms representaciones grcas de los datos. La a a a complejidad de una serie temporal (opuesta a una m.a.s.) es tal que a menudo requiere una funcin, ms que un simple nmero, para sealar las caracter o a u n sticas fundamentales de las series; por ejemplo, una funcin t en vez de un nmero para recoger el valor medio o u de la serie. b) Predecir futuros valores de las variables. Un modelo de series temporales univariante se formula unicamente en trminos de los valores pasados de Yt , y/o de su posicin con respecto e o al tiempo (ningn modelo univariante puede ser tomado seriamente como un mecanismo u que describe la manera en que la serie es generada: no es un proceso generador de datos). Las predicciones obtenidas a partir de un modelo univariante no son por lo tanto ms que extrapolaciones de los datos observados hasta el momento T . En este sentido se a dice que son na sin embargo, son en muchas ocasiones muy efectivas y nos proporciove; nan un punto de referencia con el que comprar el funcionamiento de otros modelos ms a sosticados. Cuando las observaciones sucesivas son dependientes, los valores futuros pueden ser predichos a partir de las observaciones pasadas. Si una serie temporal se puede predecir exactamente, entonces se dir que es una serie determinista. Pero la mayor de las series son a a estocsticas en que el futuro slo se puede determinar parcialmente por sus valores pasados, a o por lo que las predicciones exactas son imposibles y deben ser reemplazadas por la idea de que los valores futuros tienen una distribucin de probabilidad que est condicionada o a al conocimiento de los valores pasados. Ambos objetivos pueden conseguirse a muy distintos niveles. Es evidente que, dada la muestra, calcular la media y la desviacin t o pica de las observaciones supone describir caracter sticas de la serie. De la misma manera podemos predecir que los valores futuros de la variable van a ser iguales al ultimo valor observado. Sin embargo, en ninguno de los dos casos se usa la informacin muestral de una manera sistemtica. El uso sistemtico de la informacin muestral o a a o pasa normalmente por la formulacin de modelos que pueden describir la evolucin de la serie. o o 5

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Los modelos utilizados para describir el comportamiento de las variables econmicas de inters, o e siempre responden a la misma estructura: Yt = P St + at donde: P St = Parte sistemtica o comportamiento regular de la variable, y at es la parte a aleatoria, tambin denominada innovacin. e o En los modelos de series temporales univariantes la P St se determina unicamente en funcin de o la informacin disponible en el pasado de la serie: o P St = f (Yt , Yt1 , Yt2 , Yt3 , . . .) El anlisis de series temporales se basa en dos nociones fundamentales: a

Componentes no observados. Se basa en la idea de que una serie temporal puede ser considerada como la superposicin de varios componentes elementales no observables: tendencia, o estacionalidad y ciclo. La estimacin de tendencias y el ajuste estacional atraen mucho la ateno cin debido a su importancia prctica para el anlisis de series econmicas. o a a o

e o Modelos ARIMA . Son modelos paramtricos que tratan de obtener la representacin de la serie en trminos de la interrelacin temporal de sus elementos. Este tipo de modelos que cae o racterizan las series como sumas o diferencias, ponderadas o no, de variables aleatorias o de las series resultantes, fue propuesto por Yule y Slutzky en la dcada de los 20. Fueron la base de e los procesos de medias mviles y autorregresivos que han tenido un desarrollo espectacular trs o a la publicacin en 1970 del libro de Box-Jenkins sobre modelos ARIMA. o El instrumento fundamental a la hora de analizar las propiedades de una serie temporal en trminos de la interrelacin temporal de sus observaciones es el denominado coeciente de aue o tocorrelacin que mide la correlacin, es decir, el grado de asociacin lineal que existe entre o o o observaciones separadas k periodos. Estos coecientes de autocorrelacin proporcionan mucha o informacin sobre como estn relacionadas entre s las distintas observaciones de una serie temo a poral, lo que ayudar a construir el modelo apropiado para los datos. a Recordemos que el coeciente de correlacin entre dos variables xt e yt , xy , mide el grado de o asociacin lineal entre ambas variables y se dene como: o xy = cov(x, y) V (x)V (y)

Este coeciente no tiene unidades por denicin y toma valores 1 xy 1. Si xy = 0, no o existe relacin lineal entre x e y. Si xy = 1, existe relacin lineal perfecta y positiva entre x e o o y. Si xy = 1, existe relacin lineal perfecta y negativa entre x e y. o Una vez que tenemos una muestra de las variables x e y, se puede estimar este coeciente 6

Anlisis de Series Temporales: modelos ARIMA a poblacional mediante su correspondiente coeciente muestral:
T

SARRIKO-ON 4/09

(xt x)(yt y ) rxy =


t=1 T T

(xt x)2
t=1 t=1

(yt y )2

El coeciente de correlacin se puede utilizar como instrumento para analizar la estructura de o correlacin existente entre las observaciones de una serie temporal Yt . o Si tenemos T observaciones Y1 , . . . , YT , podemos crear (T 1) pares de observaciones (Y1 , Y2 ), . . . , (YT 1 , YT ) . Si consideramos Y1 , . . . , YT 1 como una variable y Y2 , . . . , YT como otra, podemos denir la correlacin entre ambas variables Yt , Yt+1 : o
T 1

(Yt Y(1) )(Yt+1 Y(2) ) rYt Yt+1 = r1 =


t=1 T 1 T 1

(Yt Y(1) )2
t=1 t=1

(Yt+1 Y(2) )2

donde Y(1) es la media muestral de las T 1 primeras observaciones e Y(2) es la media muestral de las T 1 ultimas observaciones. Esta frmula se suele aproximar por: o
T 1

(Yt Y )(Yt+1 Y ) r1 =
t=1 T

(Yt Y )2
t=1

El coeciente r1 mide la correlacin, grado de asociacin lineal, entre observaciones sucesivas; se o o le denomina coeciente de correlacin simple o coeciente de correlacin serial, o coeciente de o o autocorrelacin de primer orden. En general, se puede estimar la correlacin entre observaciones o o separadas por k intervalos, es decir, el coeciente de autocorrelacin de orden k, como sigue: o
T k

(Yt Y )(Yt+k Y ) rk =
t=1 T

(Yt Y )2
t=1

Ejercicio 1.1. Qu valores esperas para el coeciente de correlacin muestral en estos casos? e o

SARRIKO-ON 4/09
200

Anlisis de Series Temporales: modelos ARIMA a


2000

180

160

1500

140

Consumo
1000
-20 0 20 40 60 80 100 120

variable Y

120

100

80

500 500

1000

1500

2000

2500

3000

variable X

Renta

El correlograma es el grco de los coecientes de autocorrelacin de orden k contra el retardo a o k. Este grco es muy util para interpretar el conjunto de los coecientes de autocorrelacin de a o una serie temporal. La interpretacin del correlograma no es fcil pero vamos a dar unas pistas o a al respecto. (A) Si una serie es puramente aleatoria, entonces para valores de T grandes, rk cualquier k = 0.
400

0, para

200

variable Y

-200

-400 -30 -20 -10 0 10 20 30

variable X

(B.1) Correlacin a corto plazo. o Sea una serie sin tendencia, que oscila en torno a una media constante, pero cuyas observaciones sucesivas estn correlacionadas positivamente, es decir, una serie en la que a una observacin a o por encima de la media, le suele seguir otra o ms observaciones por encima de la media (lo a mismo, para observaciones por debajo de la media). El correlograma es de la siguiente forma: un valor relativamente alto de r1 , seguido de algunos coecientes rk distintos de cero, pero cada vez ms pequeos y valores de rk aproximadamente a n cero para k grande.

Anlisis de Series Temporales: modelos ARIMA a

Correlogram of ARMA11

SARRIKO-ON 4/09

65

60

55

50

45

40 20 30 40 50 60 70 80 90 00

(B.2) Correlacin a corto plazo. o Las series sin tendencia que oscilan en torno a una media constante pero que alternan valores con observaciones sucesivas a diferentes lados de la media general, presentan un correlograma que tambin suele alternar los signos de sus coecientes. e
4

Correlogram of AR1

Autocorrelation

-2

-4 1000 1005 1010 1015 1020 1025 1030 1035 1040 1045 1050

Por ejemplo, si el valor de r1 es negativo, el valor de r2 puede ser, sin embargo, positivo porque las observaciones separadas dos periodos tienden a estar al mismo lado de la media.

(C) Si la serie contiene una tendencia, es decir, cambia continuamente de nivel, los valores de rk no van a decrecer hacia cero rpidamente. Esto es debido a que una observacin por encima de a o la media (o por debajo) de la media general es seguida de muchas observaciones por el mismo lado de la media debido a la tendencia. A lo largo del curso, se estudiar como para que el a correlograma sea informativo habremos de eliminar esta tendencia.

Autocorrelation

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

-0.716 0.521 -0.375 0.271 -0.194 0.138 -0.097 0.052 -0.029 0.004 -0.006 0.003 -0.014 0.017 -0.016

AC

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

0.882 0.689 0.556 0.448 0.350 0.277 0.207 0.143 0.117 0.128 0.133 0.122 0.101 0.071 0.035

AC

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a


Correlogram of TRENDD

30 25 20 15 10 5 0 1860

1880

1900

1920

1940

1960

1980

(D) Si una serie presenta algn tipo de ciclo, el correlograma tambin presentar una oscilacin u e a o a la misma frecuencia. Por ejemplo, para series mensuales, r6 ser grande y negativo, y r12 a ser grande y positivo. En general, el correlograma va a reproducir el comportamiento c a clico presente en la serie. En las series con un comportamiento c clico permanente, el correlograma da de nuevo poca informacin porque lo domina el comportamiento c o clico presente en los datos. Si eliminamos la variacin c o clica de los datos el correlograma podr ser ms util. a a
Correlogram of AIRESTM

1.3 1.2 1.1 1.0 0.9 0.8 0.7 49 50 51 52 53 54 55 56 57 58 59 60

Los modelos de series temporales ARIMA van a ser el objetivo central del libro. Estos modelos se basan en la teor de los procesos estocsticos que se desarrolla en el cap a a tulo 2. Los modelos ARMA estacionarios se explican con detalle en el cap tulo 3 y los modelos ARIMA no estacionarios en el cap tulo 4. La metodolog de modelizacin ARIMA con las fases de identicacin, a o o estimacin y contraste de diagnsticos se explica detalladamente en el cap o o tulo 5 y el cap tulo 6 se dedica a la prediccin. El cap o tulo 7 trata sobre la especicacin de los modelos de series o temporales adecuados a los datos estacionales. Por ultimo, el cap tulo 8 reune una coleccin de o ejercicios para el trabajo propio del lector.

Autocorrelation

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

0.672 0.198 -0.187 -0.428 -0.469 -0.483 -0.483 -0.423 -0.173 0.192 0.619 0.874 0.607 0.184 -0.141 -0.365 -0.407 -0.438 -0.447 -0.390 -0.167 0.174 0.546 0.768 0.536 0.172 -0.095 -0.285 -0.345 -0.388 -0.419 -0.374 -0.175 0.137 0.469 0.679

AC

10

Autocorrelation

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

0.975 0.955 0.935 0.913 0.892 0.870 0.848 0.828 0.807 0.786 0.766 0.744 0.724 0.703 0.682

AC

Cap tulo 2 Procesos estocsticos a


Una serie temporal univariante consiste en un conjunto de observaciones de una variable de inters. Un modelo de series temporales debe reproducir las caracter e sticas de la serie. Si contamos con T observaciones, Yt , t = 1, 2, . . . , T , el modelo univariante de series temporales se formular en trminos de los valores pasados de Yt y/o su posicin en relacin con el tiempo. Ahora a e o o bien, no existe un unico modelo para conseguir este modelo. En este cap tulo se va a estudiar la teor de procesos estocsticos para describir la estructura probabil a a stica de una secuencia de observaciones en el tiempo y para predecir.

2.1.

Proceso estocstico y serie temporal a

Un proceso estocstico es una familia de variables aleatorias que, en general, estn relacionadas a a entre s y siguen una ley de distribucin conjunta. Se denota por: o Yt (), t = . . . , t 2, t 1, t, t + 1, t + 2, . . . , o . . . , Yt2 , Yt1 , Yt , Yt+1 , Yt+2 , . . . , o {Yt }+ o simplemente Yt

Dado que el objetivo del libro es el anlisis de series temporales, consideraremos unicamente a secuencias de variables aleatorias ordenadas en el tiempo, pero no tiene por qu ser as Se e . podr pensar, por ejemplo, en una ordenacin de tipo espacial. a o Si se ja el tiempo, t = t0 , se tiene una variable aleatoria determinada de la secuencia, con su distribucin de probabilidad univariante. o Yt0 (),

Si se ja la variable aleatoria = 0 , se tiene una realizacin del proceso, es decir, una muestra o de tamao 1 del proceso formada por una muestra de tamao 1 de cada una de las variables n n aleatorias que forman el proceso: . . . , Yt2 (0 ), Yt1 (0 ), Yt (0 ), Yt+1 (0 ), Yt+2 (0 ), . . . . . . , Yt2 , Yt1 , Yt , Yt+1 , Yt+2 , . . . En el marco estad stico de los procesos estocsticos, una serie temporal, Y1 , Y2 , . . . , YT , se puede a interpretar como una realizacin muestral de un proceso estocstico que se observa unicamente o a para un nmero nito de periodos, t = 1, 2, . . . , T . u 11

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

En este contexto, por lo tanto, una serie temporal es una sucesin de observaciones en la que o cada una de ellas corresponde a una variable aleatoria distinta, y la ordenacin de la sucesin de o o observaciones es esencial para el anlisis de la misma, no se puede alterar, porque se cambiar a an las caracter sticas de la serie que se quiere estudiar. Sin embargo, en la teor del muestreo a aleatorio, una muestra es un conjunto de observaciones de una unica variable aleatoria y, por lo tanto, su orden es irrelevante. As si se considera el proceso estocstico Consumo Privado, , a + denotado por {Ct } , la serie temporal dada por los valores del consumo anuales publicados por la agencia estad stica correspondiente: C1996 C1997 C1998 C1999 C2000 C2001 C2002 C2003 C2004 C2005 C2006 C2007

es una realizacin del proceso estocstico, en principio innito, Consumo Privado que se observa o a unicamente de 1996 a 2007. Sin embargo, si se considera el consumo semanal de una determinada clase de familias de una ciudad en un momento dado, la muestra tomada para N familias : C1 C2 C3 C4 ... CN es un conjunto de N observaciones de una variable aleatoria consumo familiar, C (, 2 ).

2.2.

Caracter sticas de un proceso estocstico a

Un proceso estocstico se puede caracterizar bien por su funcin de distribucin o por sus a o o momentos. Funcin de distribucin. Para conocer la funcin de distribucin de un proceso estocstico o o o o a es necesario conocer las funciones de distribucin univariantes de cada una de las variables o aleatorias del proceso, F [Yti ], ti , y las funciones bivariantes correspondientes a todo par de variables aleatorias del proceso, F [Yti , Ytj ], (ti , tj ) , y todas las funciones trivariantes, ... En resumen, la funcin de distribucin de un proceso estocstico incluye todas las funciones de o o a distribucin para cualquier subconjunto nito de variables aleatorias del proceso: o F [Yt1 , Yt2 , . . . , Ytn ], (t1 , t2 , . . . , tn ), siendo n nito

Momentos del proceso estocstico. Como suele ser muy complejo determinar las caracter a sticas de un proceso estocstico a travs de su funcin de distribucin se suele recurrir a caractea e o o rizarlo a travs de los dos primeros momentos. e El primer momento de un proceso estocstico viene dado por el conjunto de las medias de todas a las variables aleatorias del proceso: E(Yt ) = t < , t = 0, 1, 2, . . . ,

El segundo momento centrado del proceso viene dado por el conjunto de las varianzas de todas las variables aleatorias del proceso y por las covarianzas entre todo par de variables aleatorias:
2 V (Yt ) = E[Yt t ]2 = t , < t = 0, 1, 2, . . . ,

cov(Yt Ys ) = E[Yt t ][Ys s ] = t,s , 12

t, s (t = s)

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Si la distribucin del proceso es normal y se conocen sus dos primeros momentos (medias, o varianzas y covarianzas), el proceso est perfectamente caracterizado y se conoce su funcin de a o distribucin. o

2.3.

Procesos estocsticos estacionarios a

En el anlisis de series temporales el objetivo es utilizar la teor de procesos estocsticos para a a a determinar qu proceso estocstico ha sido capaz de generar la serie temporal bajo estudio con el e a n de caracterizar el comportamiento de la serie y predecir en el futuro. Si se quieren conseguir mtodos de prediccin consistentes, no se puede utilizar cualquier tipo de proceso estocstico, e o a sino que es necesario que la estructura probabil stica del mismo sea estable en el tiempo. La losof que subyace en la teor de la prediccin es siempre la misma: se aprende de las a a o regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos estocsticos generadores de las series temporales tengan algn tipo a u de estabilidad. Si, por el contrario, en cada momento de tiempo presentan un comportamiento diferente e inestable, no se pueden utilizar para predecir. A estas condiciones que se les impone a los procesos estocsticos para que sean estables para predecir, se les conoce como estacionariedad. a El concepto de estacionariedad se puede caracterizar bien en trminos de la funcin de distribue o cin o de los momentos del proceso. En el primer caso, se hablar de estacionariedad en sentido o a estricto y, en el segundo, de estacionariedad de segundo orden o en covarianza. Estacionariedad estricta. Un proceso estocstico, Yt , es estacionario en sentido estricto si y a solo si: F [Yt1 , Yt2 , . . . , Ytn ] = F [Yt1 +k , Yt2 +k , . . . , Ytn +k ] (t1 , t2 , . . . , tn ) y k

es decir, si la funcin de distribucin de cualquier conjunto nito de n variables aleatorias del o o proceso no se altera si se desplaza k periodos en el tiempo. a Estacionariedad en covarianza. Un proceso estocstico, Yt , es estacionario en covarianza si y solo si: a) Es estacionario en media, es decir, todas las variables aleatorias del proceso tienen la misma media y es nita: E(Yt ) = < , t b) Todas las variables aleatorias tienen la misma varianza y es nita, es decir, la dispersin o en torno a la media constante a lo largo del tiempo es la misma para todas las variables del proceso 2 V (Yt ) = E[Yt ]2 = Y < , t c) Las autocovarianzas solo dependen del nmero de periodos de separacin entre las variables u o y no del tiempo, es decir, la covarianza lineal entre dos variables aleatorias del proceso que 13

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

disten k periodos de tiempo es la misma que existe entre cualesquiera otras dos variables que estn separadas tambin k periodos, independientemente del momento concreto de e e tiempo al que estn referidas e cov(Yt Ys ) = E[Yt ][Ys ] = |ts| = k < , k

Por lo tanto, un proceso estocstico es estacionario en covarianza si y solo si: a (1) E(Yt ) = <
2 V (Yt ) = Y < t = s |ts| = k < t = s

(2) Cov(Yt Ys ) =

Un proceso estocstico estacionario en covarianza est caracterizado si se conoce: a a , V (Yt ) y k , k = 1, 2, . . . ,

Si un proceso estocstico es estacionario en covarianza y su distribucin es Normal, es estacioa o nario en sentido estricto. La pregunta relevante ahora es si las series econmicas presentan, en general, un comportamiento o estacionario. Una simple inspeccin visual de muchas series temporales econmicas, permite o o comprobar que presentan cambios de nivel, tendencias crecientes, estacionalidades. En las guras del grco 2.1 se observa, por ejemplo, como la serie de Renta Nacional crece sistemticamente a a o como la serie de Nmero de parados cambia constantemente de nivel, creciendo y decreciendo. u En ambos casos no se puede sostener el supuesto de que la media de todas las variables de los procesos que han generado estas series sea la misma, por lo que no son estacionarias en media. La serie de Ingresos por turismo tampoco reeja un comportamiento estacionario en media no slo por su crecimiento a largo plazo sino por la presencia de la estacionalidad que hace o que el comportamiento promedio de cada mes sea diferente. La serie de Recaudacin de pel o culas parece oscilar en torno a una media constante y, a pesar de ser mensual, no tiene comportamiento estacional. Sin embargo, tampoco presenta un comportamiento estacionario dado que se puede observar que la variabilidad de la serie no es la misma para todo el periodo muestral, luego no seria estacionaria en varianza. Se puede concluir, por lo tanto, que la mayor de las series econmicas no van a presentar a o comportamientos estacionarios. De todas formas, se proceder a proponer modelos para los a procesos estocsticos estacionarios, en primer lugar, para luego pasar a analizar cmo se puede a o generalizar este tipo de modelos para incluir comportamientos no estacionarios del tipo observado en las series econmicas. o

2.3.1.

Funcin de autocovarianzas y de autocorrelacin o o

En principio, si se considera el proceso estocstico terico, Yt , que comienza en algn momento a o u del pasado lejano y acaba en un futuro indeterminado se pueden calcular un nmero indenido u de autocovarianzas, por lo que conviene denir una funcin que las agrupe a todas. o 14

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 2.1: Series temporales econmicas a o


omsirut rop sosergnI
1990M01 1990M06 1990M11 1991M04 1991M09 1992M02 1992M07 1992M12 1993M05 1993M10 1994M03 1994M08 1995M01 1995M06 1995M11 1996M04 1996M09 1997M02 1997M07 1997M12 1998M05 1998M10 1999M03 1999M08 2000M01 2000M06 2000M11 2001M04 2001M09 2002M02 2002M07 2002M12 2003M05 2003M10 2004M03 2004M08 2005M01 2005M06 2005M11 2006M04 2006M09 2007M02 2007M07 2007M12 2008M05

1200000

1100000

1000000

900000

800000

700000

600000
III III III III III III III III III III III III 8T 0T 2T 4T 6T 7T 6T 9T 5T 7T 5T 1T 8T 3T 3T 9T 5T 6T 7T 4T 5T 6T 0T 2T 7T 8T 1T 20 0 20 0 20 0 20 0 19 9 19 9 19 9 19 9 19 9 20 0 20 0 20 0 20 0 19 9 20 0 20 0 19 9 20 0 20 0 20 0 19 9 19 9 19 9 20 0 20 0 20 0 20 0 20 0 8T III III I I I I I I I I I I I I I I

70000

200

60000

150
50000

100
40000

50

30000

20000

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

Funcin de autocovarianzas (FACV) o La funcin de autocovarianzas de un proceso estocstico estacionario es una funcin de k (nmero o a o u de periodos de separacin entre las variables) que recoge el conjunto de las autocovarianzas del o proceso y se denota por: k , k = 0, 1, 2, 3, . . . ,

Caracter sticas de la funcin de autocovarianzas: o Incluye la varianza del proceso para k = 0: 0 = E[Yt ][Yt ] = V (Yt ) Es una funcin simtrica: k = E[Yt ][Yt+k ] = E[Yt ][Ytk ] = k o e La funcin de autocovarianzas de un proceso estocstico recoge toda la informacin sobre la o a o estructura dinmica lineal del mismo. Pero depende de las unidades de medida de la variable, a por lo que, en general, se suele utilizar la funcin de autocorrelacin. o o 15

20 00 M 01 20 00 M 04 20 00 M 07 20 00 M 10 20 01 M 01 20 01 M 04 20 01 M 07 20 01 M 10 20 02 M 01 20 02 M 04 20 02 M 07 20 02 M 10 20 03 M 01 20 03 M 04 20 03 M 07 20 03 M 10 20 04 M 01 20 04 M 04 20 04 M 07 20 04 M 10 20 05 M 01 20 05 M 04 20 05 M 07 20 05 M 10 20 06 M 01 20 06 M 04 20 06 M 07 20 06 M 10 20 07 M 01 20 07 M 2 0 04 07 M 07 20 07 M 10 20 08 M 01 20 08 M 04 20 08 M 07

saluclep ed nicaduaceR

)adazilanoicatsesed( 72EU lanoicaN atneR

5000000

4000000

3000000

2000000

1000000

sodarap ed oremN

SARRIKO-ON 4/09 Funcin de autocorrelacin (FAC) o o

Anlisis de Series Temporales: modelos ARIMA a

El coeciente de autocorrelacin de orden k de un proceso estocstico estacionario mide el grado o a de asociacin lineal existente entre dos variables aleatorias del proceso separadas k periodos: o k = cov(Yt Yt+k ) k k = = 0 0 0 V (Yt ) V (Yt+k )

Por ser un coeciente de correlacin, no depende de unidades y |k | 1, k. o La funcin de autocorrelacin de un proceso estocstico estacionario es una funcin de k que o o a o recoge el conjunto de los coecientes de autocorrelacin del proceso y se denota por k , k = o 0, 1, 2, 3, . . . ,. La funcin de autocorrelacin se suele representar grcamente por medio de o o a un grco de barras denominado correlograma. a Grco 2.2: Funciones de autocorrelacin a o
1.0

a)
0.5

1.0

b)
0.5

0.0

0.0

-0.5

-0.5

K
-1.0 2 1.0 4 6 8 10 12 14 16 18 20 -1.0 2 1.0 4 6 8 10 12 14 16 18

K
20

c)
0.5 0.5

d)

0.0

0.0

-0.5

-0.5

K
-1.0 2 4 6 8 10 12 14 16 18 20 -1.0 2 4 6 8 10 12 14 16 18

K
20

Las caracter sticas de la funcin de autocorrelacin de un proceso estocstico estacionario: o o a El coeciente de autocorrelacin de orden 0 es, por denicin, 1. Por eso, a menudo, no se o o le incluye expl citamente en la funcin de autocorrelacin. o o 0 = 16 0 =1 0

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

k Es una funcin simtrica: k = k = 0 = k . Por ello, en el correlograma se representa o e 0 la funcin de autocorrelacin solamente para los valores positivos del retardo k. o o

La funcin de autocorrelacin de un proceso estocstico estacionario tiende a cero rpidao o a a mente cuando k tiende a . La funcin de autocorrelacin va a ser el principal instrumento utilizado para recoger la eso o tructura dinmica lineal del modelo. Los grcos de la gura 2.2 muestran 4 correlogramas a a correspondientes a diferentes series temporales. Los correlogramas a), b) y c) decrecen rpidaa mente hacia cero conforme aumenta k: exponencialmente en los casos a) y b) y truncndose a en el caso c). Son, por lo tanto, correlogramas correspondientes a series estacionarias. Por el contrario, los coecientes de autocorrelacin del correlograma d) decrecen lentamente, de forma o lineal, por lo que no corresponden a una serie estacionaria. Para caracterizar un proceso estocstico estacionario por sus momentos existen dos opciones: a a) Media y funcin de autocovarianzas: o k , k = 0, 1, 2, 3, . . . 0 k , k = 1, 2, 3, . . .

b) Media, varianza y funcin de autocorrelacin: o o

2.3.2.

Estimacin de los momentos o

Los momentos poblacionales de un proceso estocstico estacionario se estiman a travs de los a e correspondientes momentos muestrales.
T

a) Media: = Y =

1 T t=1

Yt
T

b) Varianza: 0

= V (Y ) =

1 T t=1

(Yt Y )2
T k

o c) Funcin de Autocovarianzas: k = d) Funcin de Autocorrelacin: k = o o

1 T t=1 k 0 ,

(Yt Y ) (Yt+k Y ), k = 1, 2, . . . , K

k = 1, 2, . . . , K

Aunque para el proceso estocstico terico se cuenta con un nmero indenido de autocovariana o u zas y coecientes de autocorrelacin, cuando se dispone de una serie temporal nita de tamao o n T , como mximo se pueden estimar T 1 coecientes de autocorrelacin, pero, en la prctica, a o a se van a estimar muchos menos. Se recomienda un mximo de T /3 . Esto es debido a que cuanto a mayor sea k menos informacin hay para estimar k y la calidad de la estimacin es menor. o o La estimacin de los momentos poblacionales de un proceso estocstico proporciona otra razn o a o por la que es necesario imponer la restriccin de estacionariedad de un proceso. Si el proceso o que ha generado la serie (Y1 , Y2 , . . . , YT ) no fuera estacionario, ser preciso estimar T medias a 17

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

2 diferentes, t , T varianzas diferentes, t , y un gran nmero de autocorrelaciones, lo que no es u posible contando con T observaciones solamente. La solucin habitual a este tipo de problema o es buscar ms datos pero, en el caso de las series temporales, esta solucin no es vlida. Si a o a conseguimos una serie temporal ms larga, por ejemplo, M observaciones ms, tendr a a amos que estimar M medias ms, M varianzas ms, etc. con lo cual estar a a amos en la misma situacin. o

2.4.

Proceso Ruido Blanco

El proceso estocstico ms sencillo es el denominado Ruido Blanco que es una secuencia de a a variables aleatorias de media cero, varianza constante y covarianzas nulas. Se denotar habituala mente por at , t = 0, 1, 2, . . .: E(at ) = 0, t V (at ) = 2 , t Cov(at as ) = 0, t = s

As un proceso ruido blanco, at RB(0, 2 ) , es estacionario si la varianza 2 es nita con , funcin de autocovarianzas (FACV): o k = 2 , k = 0 y y funcin de autocorrelacin (FAC): o o k = 1, k = 0 y k = 0, k > 0 k = 0, k > 0

Grco 2.3: Realizacin de un proceso Ruido Blanco a o


3 2

-1

-2

-3 1020 1040 1060 1080 1100 1120 1140

El grco 2.3 muestra una realizacin de tamao 150 de un proceso ruido blanco normal con a o n varianza unidad, at RBN (0, 1). Se observa que la serie simulada oscila en torno a un nivel constante nulo con una dispersin constante y de forma aleatoria, sin ningn patrn de comporo u o tamiento, como corresponde a la ausencia de correlacin en el tiempo entre sus observaciones. o Dado que la caracter stica fundamental de las series temporales es la dependencia temporal entre sus observaciones, por lo que no es de esperar que muchas series econmicas presenten un o comportamiento que responda a una ausencia de correlacin temporal en el sentido de que lo o que ocurre hoy no tiene relacin lineal con lo sucedido en el pasado. De todas formas, el proceso o ruido blanco es muy util en el anlisis de series temporales porque es la base para la construccin a o de los modelos ARIM A(p, d, q). 18

Cap tulo 3 Modelos lineales estacionarios


3.1. Modelo Lineal General

La metodolog de la modelizacin univariante es sencilla. Dado que el objetivo es explicar el a o valor que toma en el momento t una variable econmica que presenta dependencia temporal, una o forma de trabajar es recoger informacin sobre el pasado de la variable, observar su evolucin o o en el tiempo y explotar el patrn de regularidad que muestran los datos. La estructura de o dependencia temporal de un proceso estocstico est recogida en la funcin de autocovarianzas a a o (FACV) y/o en la funcin de autocorrelacin (FAC). En este contexto, se trata de utilizar o o la informacin de estas funciones para extraer un patrn sistemtico y, a partir de ste, un o o a e modelo que reproduzca el comportamiento de la serie y se pueda utilizar para predecir. Este procedimiento se har operativo mediante los modelos ARMA que son una aproximacin a la a o estructura terica general. o En un modelo de series temporales univariante se descompone la serie Yt en dos partes, una que recoge el patrn de regularidad, o parte sistemtica, y otra parte puramente aleatoria, o a denominada tambin innovacin: e o Yt = P St + at t = 1, 2, . . .

La parte sistemtica es la parte predecible con el conjunto de informacin que se utiliza para a o construir el modelo, es decir, la serie temporal Y1 , Y2 . . . , YT . La innovacin respecto al cono junto de informacin con el que se construye el modelo, es una parte aleatoria en la que sus o valores no tienen ninguna relacin o dependencia entre s La innovacin en el momento t no o . o est relacionada, por lo tanto, ni con las innovaciones anteriores ni con las posteriores, ni con a la parte sistemtica del modelo. Es impredecible, es decir, su prediccin es siempre cero. A la a o hora de construir un modelo estad stico para una variable econmica, el problema es formular o la parte sistemtica de tal manera que el elemento residual sea una innovacin, en el mundo a o Normal, un ruido blanco. Dada una serie temporal de media cero, como el valor de Y en el momento t depende de su pasado, un modelo terico capaz de describir su comportamiento ser o a: Yt = f (Yt1 , Yt2 , Yt3 , . . .) + at t = 1, 2, . . .

donde se exige que el comportamiento de Yt sea funcin de sus valores pasados, posiblemente o innitos. 19

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Dentro de los procesos estocsticos estacionarios se considerar unicamente la clase de procesos a a lineales que se caracterizan porque se pueden representar como una combinacin lineal de vao riables aleatorias. De hecho, en el caso de los procesos estacionarios con distribucin normal y o media cero, la teor de procesos estocsticos seala que, bajo condiciones muy generales, Yt se a a n puede expresar como combinacin lineal de los valores pasados innitos de Y ms una innovacin o a o ruido blanco: Yt = 1 Yt1 + 2 Yt2 + 3 Yt3 + . . . + at Las condiciones generales que ha de cumplir el proceso son: a) Que el proceso sea no anticipante, es decir, que el presente no venga determinado por el futuro, luego el valor de Y en el momento t no puede depender de valores futuros de Y o de las innovaciones a. b) Que el proceso sea invertible, es decir, que el presente dependa de forma convergente de su propio pasado lo que implica que la inuencia de Ytk en Yt ha de ir disminuyendo conforme nos alejemos en el pasado. Esta condicin se cumple si los parmetros del modelo o a general (3.1) cumplen la siguiente restriccin: o
2 i < i=1

t = 1, 2, . . .

(3.1)

El modelo (3.1) se puede escribir de forma ms compacta en trminos del operador de retardos: a e Yt = (1 L + 2 L2 + . . . ) Yt + at (1 1 L 2 L2 . . . ) Yt = at (L) Yt = at

Otra forma alternativa de escribir el modelo (3.1) es: Yt = 1 at = (L) at = (1 + 1 L + 2 L2 + . . . ) at (L) t = 1, 2, . . . (3.2)

Yt = at + 1 at1 + 2 at2 + 3 at3 + . . .

Es decir, el valor Yt se puede representar como la combinacin lineal del ruido blanco at y su o pasado innito. El modelo (3.2) cumple la condicin de estacionariedad si los parmetros del o a modelo satisfacen la siguiente restriccin: o
2 i < i=1

Esta restriccin implica que el valor presente depende de forma convergente de las innovaciones o pasadas, es decir, la inuencia de la innovacin atk va desapareciendo conforme se aleja en el o pasado. 20

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Tanto la representacin (3.1) como la (3.2) son igualmente vlidas para los procesos estocsticos o a a estacionarios siempre que se cumplan las dos condiciones antes mencionadas, o sea que el modelo sea no anticipante e invertible. Como en la prctica se va a trabajar con series nitas, los modelos no van a poder expresar a dependencias innitas sin restricciones sino que tendrn que especicar una dependencia en a el tiempo acotada y con restricciones. Ser necesario simplicar las formulaciones del modelo a general (3.1) y/o (3.2) de forma que tengan un nmero nito de parmetros. Acudiendo a la u a teor de polinomios, bajo condiciones muy generales, se puede aproximar un polinomio de orden a innito mediante un cociente de polinomios nitos: (L) p (L) q (L)

donde p (L) y q (L) son polinomios en el operador de retardos nitos de orden p y q , respectivamente: p (L) = 1 1 L 2 L2 . . . p Lp q (L) = 1 1 L 2 L2 . . . q Lq Sustituyendo en el modelo (3.1), se obtiene: (L) Yt p (L) Yt = at q (L) p (L) Yt = q (L) at

Por lo tanto, el modelo lineal general admite tres representaciones, todas igualmente vlidas a bajo los supuestos sealados: n Representacin puramente autorregresiva (3.1), AR(): el valor presente de la variable o se representa en funcin de su propio pasado ms una innovacin contempornea. o a o a Representacin puramente de medias mviles (3.2), M A(): el valor presente de la vao o riable se representa en funcin de todas las innovaciones presente y pasadas. o Representacin nita: o p (L) Yt = q (L) at (1 1 L 2 L2 . . . p Lp ) Yt = (1 1 L 2 L2 . . . q Lq ) at Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp
parte autorregresiva

at 1 at1 2 at2 . . . q atq


parte medias mviles o

En este modelo nito, el valor de Yt depende del pasado de Y hasta el momento t p (parte autorregresiva), de la innovacin contempornea y su pasado hasta el momento o a 21

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

t q (parte medias mviles). Este modelo se denomina Autorregresivo de Medias Mviles o o de orden (p, q), y se denota por ARM A(p, q). Esta formulacin nita es una representacin ms restringida que las representaciones o o a generales (3.1)-(3.2). Dos casos particulares del modelo ARM A(p, q) de gran inters son: e AR(p). Modelo que slo presenta parte autorregresiva, es decir, el polinomio de medias o mviles es de orden 0: o Yt AR(p) Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at

M A(q). Modelo que slo presenta parte medias mviles, es decir, el polinomio autoo o rregresivo es de orden 0: Yt AR(p) Yt = at 1 at1 2 at2 . . . q atq

Cuando el modelo es conocido se puede utilizar cualquiera de las tres representaciones dependiendo de los intereses. Si el modelo no es conocido y hay que especicarlo y estimarlo a partir de una serie temporal concreta, hay que utilizar necesariamente la formulacin nita. o Cuando se construye un modelo de series temporales univariante el objetivo no es conseguir el verdadero modelo. Es preciso ser conscientes de que estamos tratando de modelar una realidad compleja y el objetivo es lograr un modelo parsimonioso y sucientemente preciso que represente adecuadamente las caracter sticas de la serie recogidas fundamentalmente en la funcin de autocorrelacin. Los modelos ARM A(p, q), AR(p) y M A(q) son aproximaciones al o o modelo lineal general. Comenzaremos por caracterizar sus funciones de autocorrelacin para o conocer sus propiedades y posteriormente utilizarlos para modelar series y predecir. Ejercicio 3.1. Deriva el modelo nito a partir del modelo (3.2).

3.2.

Procesos autorregresivos: AR(p).

El modelo autorregresivo nito de orden p, AR(p) es una aproximacin natural al modelo lineal o general (3.1). Se obtiene un modelo nito simplemente truncando el modelo general: Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at t = 1, 2, . . .

Para estudiar sus caracter sticas, comenzaremos por el modelo autorregresivo de orden 1, AR(1).

3.2.1.

Proceso AR(1).

En el proceso AR(1) la variable Yt viene determinada unicamente por su valor pasado, Yt1 , y la perturbacin contempornea, at : o a Yt = Yt1 + at t = 1, 2, . . . 22 at RB(0, 2 ) (3.3)

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

La estructura de correlacin temporal representada por el modelo AR(1) es como sigue: o . . . Yt2 Yt1 Yt Yt+1 Yt+2 at1 at at+1 at+2 . . . at2 ... ...

es decir, la perturbacin at entra en el sistema en el momento t e inuyendo en Yt y en su futuro, o 1. pero no en su pasado Para demostrar si el modelo AR(1) es estacionario para cualquier valor del parmetro es a preciso comprobar las condiciones de estacionariedad. a) Estacionario en media: E(Yt ) = E( Yt1 + at ) = E(Yt1 ) Para que el proceso sea estacionario, la media ha de ser constante y nita , lo que implica: E(Yt ) = E(Yt ) (1 ) E(Yt ) = 0 E(Yt ) = 0 =0 1

Por lo tanto, para que el proceso sea estacionario es necesario que el parmetro = 1 . a b) Estacionario en covarianza: Para que el proceso sea estacionario, la varianza ha de ser constante y nita: 0 = E(Yt E(Yt ))2 = E( Yt1 + at 0)2 = = 2 E(Yt1 )2 + E(at )2 + 2 E(Yt1 at ) = 2 V (Yt1 ) + 2 + 0 Dada la estructura de autocorrelacin del proceso o E(Yt1 at ) = E[(Yt1 0)(at 0)] = cov(Yt1 at ) = 0 Bajo el supuesto de que el proceso es estacionario, E(Yt1 )2 = V (Yt1 ) = V (Yt ) = 0 por lo que: 0 = 0 + 2 (1 2 ) 0 = 2 0 = 2 1 2

Para que el proceso sea estacionario, varianza constante y nita, es necesario que || < 1 .
Recurdese adems que suponemos que el proceso es no anticipante, es decir, el futuro no inuye en el e a pasado.
1

23

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

En lo que se reere a la funcin de autocovarianzas, la autocovarianza de orden k es: o k = E(Yt E(Yt ))(Ytk E(Ytk )) = E(Yt Ytk ) = E[( Yt1 + at ) Ytk ] = E(Yt Ytk ) + E(at Ytk ) = k1 Por lo que: 1 2 3 . . . = 0 = 1 = 2 . . = .

Por lo tanto, si el parmetro autorregresivo es || < 1 , la varianza es nita y el resto a de las autocovarianzas tambin lo son, y adems dependen unicamente de los periodos de e a separacin entre las variables y no del tiempo, por lo que el proceso es estacionario. o Se puede concluir, por lo tanto, que el proceso AR(1) es estacionario si y slo si || < 1. o La funcin de autocovarianzas de un proceso AR(1) estacionario es: o k = 2 1 2 k1 k=0 k>0

Los coecientes de autocorrelacin de un proceso estacionario AR(1) son: o k = k1 k = = k1 0 0

La funcin de autocorrelacin de un proceso AR(1) estacionario es: o o 1 k1 k=0 k>0

k =

Se puede demostrar fcilmente que la FAC de un AR(1) es una funcin exponencial: a o 1 = 0 = 2 = 1 = 2 3 = 2 = 3 . . . . . . Por lo que: k = k k = 1, 2, 3, . . . Dado que para procesos estacionarios el parmetro en valor absoluto es menor que la unidad, la a funcin de autocorrelacin decrece exponencialmente con k, es decir, se va aproximando a cero o o conforme k pero no llega nunca a valer cero. 24

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 3.1: Procesos Autorregresivos de orden 1: AR(1) a = 0,7


4

= -0,7
10

-2

-4 1010
1

2
1020 1030 1040 1050 1060 1070 1080 1090 1100 1110 1120 1130 1140 1150
1

1010

1020

1030

1040

1050

1060

1070

1080

1090

1100

1110

1120

1130

1140

1150

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

Las guras del grco 3.1 muestran dos realizaciones de procesos AR(1) y sus correspondientes a correlogramas. Ambas han sido simuladas en base a la misma realizacin del ruido blanco at , o por lo que slo se diferencian en el valor del parmetro autorregresivo. El correlograma del o a proceso AR(1) de parmetro = 0,7 tiene todos los coecientes de autocorrelacin positivos a o con decrecimiento exponencial. Como era de esperar esto supone una serie que oscila en torno a cero (su media) con una dispersin estable, pero con rachas de observaciones por encima de o la media seguidas de rachas de observaciones por debajo de la media. Este comportamiento por rachas de la serie ser ms pronunciado o persistente cuanto ms se acerque el parmetro a a a a a la unidad. Para el proceso AR(1) de parmetro negativo, = 0,7 , el correlograma presenta a un decrecimiento exponencial con coecientes que alternan de signo. La serie correspondiente a esta estructura de autocorrelacin oscila en torno a cero (su media) con una dispersin estable, o o pero con un comportamiento muy ruidoso, cruzando constantemente la media. o a Ejercicio 3.2. Compara la evolucin de las realizaciones AR(1) del grco 3.1 con la del ruido blanco de la grco 2.3. Qu diferencias observas entre ellas? A qu son debidas? a e e Una forma alternativa de escribir el modelo AR(1) es la siguiente: Yt = Yt1 + at (1 L) Yt = at Yt = 1 at 1 L

Como un cociente de polinomios es un polinomio innito y, en particular, 1 = 1 + L + 2 L2 + 3 L3 + 4 L4 + . . . 1 L 25

SARRIKO-ON 4/09 tenemos que:

Anlisis de Series Temporales: modelos ARIMA a

Yt = (1 + L + 2 L2 + 3 L3 + 4 L4 + . . .) at Yt = at + at1 + 2 at2 + 3 at3 + 4 at4 + . . . (3.4)

Por lo tanto, el modelo AR(1), no solo es una versin restringida del modelo lineal general (3.1), o sino que tambin es una versin restringida del modelo general de medias mviles (3.2), en la e o o que los innitos coecientes i dependen de un slo parmetro . o a El modelo (3.3) se puede generalizar para representar procesos estocsticos estacionarios con a media distinta de cero: Yt = + Yt1 + at t = 1, 2, . . . at RB(0, 2 ) (3.5)

Las caracter sticas del modelo (3.5) son las mismas que las del modelo (3.3) salvo por la media que no es nula. Se puede demostrar que: El modelo (3.5) es estacionario s y solo s || < 1. Media: E(Yt ) = E( + Yt1 + at ) = + E(Yt1 ) Si el proceso es estacionario, la media es constante y: (1 ) E(Yt ) = E(Yt ) = < 1

La funcin de autocovarianzas y la funcin de autocorrelacin son las mismas que las del o o o modelo (3.3): 2 1 k=0 k=0 1 2 k = k = k1 k>0 k1 k>0 Esto es lgico, ya que si restamos la media la media a ambos lados del modelo (3.5): o Yt E(Yt ) = + Yt1 E(Yt ) + at Yt 1 = + Yt1 = Por lo que2 :
Yt = Yt1 + at ,
2

1 + at = + Yt1 + at = 1 1 1 + at

+ Yt1 + at = Yt1 1 1 1 1

donde Yt = Yt E(Yt ) con E(Yt ) = 0

V (Yt ) k (Y )

= =

E(Yt E(Yt ))2 = E(Yt )2 = E(Yt 0)2 = V (Yt )


cov(Yt Yt+k ) = E(Yt E(Yt ))(Yt+k E(Yt )) = E(Yt )(Yt+k ) = E(Yt 0)(Yt+k 0) = k (Y )

26

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

3.2.2.

Proceso AR(p).

El proceso autorregresivo de orden p, expresa Yt en funcin de su pasado hasta el retardo t p o y una innovacin contempornea: o a Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at En trminos del operador de retardos, e (1 1 L 2 L2 . . . p Lp ) Yt = at p (L) Yt = at at RB(0, 2 ) t = 1, 2, . . . (3.6)

donde p (L) recibe el nombre de polinomio autorregresivo y (1 , 2 , . . . , p ) es el vector de parmetros autorregresivos. a En primer lugar es preciso comprobar si el proceso AR(p) cumple las condiciones de estacionariedad para cualquier valor de los parmetros. Esta comprobacin que es relativamente sencilla para a o el modelo AR(1), se complica para modelos autorregresivos de orden mayor cuyos parmetros a han de satisfacer restricciones complejas para ser estacionarios. El siguiente teorema proporciona condiciones necesarias y sucientes para que el modelo AR(p) sea estacionario. Teorema: Un proceso autorregresivo nito AR(p) es estacionario s y solo s el modulo de las ra del polinomio autorregresivo p (L) est fuera del circulo unidad. ces a

Ejemplo 3.1. Condiciones de estacionariedad. Modelo AR(1): Yt = Yt1 + at (1 L) Yt = at

Polinomio autorregresivo: Ra ces: 1 L = 0

1 (L) = 1 L L= 1 1 >1 || < 1

Condicin de estacionariedad: o

|L| =

Modelo AR(2):

Yt = 1 Yt1 + 2 Yt2 + at

(1 1 L 2 L2 ) Yt = at

Polinomio autorregresivo: Ra ces:

2 (L) = 1 1 L 2 L2 L1 , L2 = 1 2 + 4 2 1 2 2

1 1 L 2 L2 = 0

27

SARRIKO-ON 4/09 Condicin de estacionariedad: o |L1 | = 1 + 2 + 4 2 1 >1 2 2

Anlisis de Series Temporales: modelos ARIMA a

|L2 | =

2 + 4 2 1 >1 2 2

Cmo se calcula el modulo de estas ra o ces? - Si el radicando es positivo, (2 + 4 2 ) > 0 , las ra son reales y el modulo es el valor ces 1 absoluto. - Si el radicando es negativo, (2 + 4 2 ) < 0 , las ra ces son complejas de la forma 1 L1 , L2 = a b i y su modulo es igual a: |L1 | = |L2 | = a2 + b2

Las otras dos condiciones que tiene que cumplir el modelo lineal general y, por lo tanto, tambin e el AR(p) como aproximacin al mismo, es que el modelo fuera no anticipante e invertible. o Todo modelo autorregresivo nito, AR(p), cumple estas dos condiciones para cualquier valor de los parmetros autorregresivos ya que, por denicin, est escrito en forma autorregresiva. Es a o a decir, es no anticipante porque su formulacin hace depender al valor de Yt de su pasado y no o de su futuro y es invertible porque su formulacin nita hace que se cumpla obligatoriamente la o condicin o
2 i < i=1

El modelo AR(p) (3.6) es una versin restringida del modelo (3.1) ya que supone que todos los o parmetros i = 0, i > p . Por otro lado, el modelo AR(p) se puede escribir como un medias a mviles de orden innito: o 1 p (L) Yt = at Yt = at = (L) at = (1 + 1 L + 2 L2 + 3 L3 + . . .) at p (L) Yt = at + 1 at1 + 2 at2 + 3 at3 + . . . donde los parmetros i estn restringidos a depender del vector de parmetros autorregresivos a a a (1 , 2 , . . . , p ) . Por lo tanto, el modelo (3.6) es tambin una versin restringida del modelo e o lineal general (3.2). Las caracter sticas del proceso estacionario AR(p) estacionario son: a) Media: E(Yt ) = E(1 Yt1 + 2 Yt2 + . . . + p Ytp + at ) = = 1 E(Yt1 ) + 2 E(Yt2 ) + . . . + p E(Ytp ) + E(at ) 28

Anlisis de Series Temporales: modelos ARIMA a Como el proceso es estacionario, la media es constante: (1 1 2 . . . p ) E(Yt ) = 0

SARRIKO-ON 4/09

E(Yt ) = 0

Este modelo se puede generalizar para representar series con media distinta de cero. El siguiente modelo AR(p): Yt = + 1 Yt1 + 2 Yt2 + . . . + p Ytp + at tiene media: (1 1 2 . . . p ) E(Yt ) = E(Yt ) = 1 1 2 . . . p

b) La funcin de autocorrelacin, k , k = 0, 1, 2, . . . de un proceso AR(p) tiene la misma o o estructura que la de un proceso AR(1), es decir, decrece exponencialmente hacia cero sin truncarse. Ahora bien, para valores de p > 1 al ser el modelo ms complejo, la estructura a de la FAC es tambin ms rica y puede presentar ms variedad de formas. e a a Ejemplo 3.2. Caracter sticas del modelo AR(2). Consideremos el modelo autorregresivo de orden 2 estacionario: Yt = 1 Yt1 + 2 Yt2 + at at RB(0, 2 ) t = 1, 2, . . . (3.7)

Las caracter sticas de este proceso son las siguientes: a) Media. Como el proceso es estacionario, la media es constante: (1 1 2 ) E(Yt ) = 0 b) Funcin de autocovarianzas: o 0 = E(Yt E(Yt ))2 = E(Yt )2 = E(1 Yt1 + 2 Yt2 + at )2 = = 2 E(Yt1 )2 + 2 E(Yt2 )2 + E(at )2 + 2 1 2 E(Yt1 Yt2 ) + 1 2 + 2 1 E(Yt1 at ) + 2 2 E(Yt2 at ) = 2 0 + 2 0 + 2 + 2 1 2 1 1 2 (1 2 2 ) 0 = 2 + 2 1 2 1 1 2 0 = 2 + 2 1 2 1 1 2 2 1 2 E(Yt ) = 0

1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) = E(Yt Yt1 ) = = E[(1 Yt1 + 2 Yt2 + at ) Yt1 ] = = 1 E(Yt1 )2 + 2 E(Yt2 Yt1 ) + E(at Yt1 ) = 1 0 + 2 1 1 = 1 0 1 2 29

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Estas dos ecuaciones proporcionan las dos primeras autocovarianzas, 0 , 1 en funcin de o 2 , la varianza del ruido blanco. los parmetros autorregresivos (1 , 2 ) y de a Las autocovarianzas, k , k > 1 son: k = E(Yt E(Yt ))(Ytk E(Ytk )) = E(Yt Ytk ) = = E[(1 Yt1 + 2 Yt2 + at ) Ytk ] = = 1 E(Yt1 Ytk ) + 2 E(Yt2 Ytk ) + E(at Ytk ) = 1 k1 + 2 k2 La funcin de autocovarianzas de un modelo AR(2) es, o 0 1 k = 1 k1 + 2 k2 c) Los coecientes de autocorrelacin son: o k = k 1 k1 + 2 k2 = = 1 k1 + 2 k2 0 0 k = 1, 2, 3, . . . por lo tanto: k=0 k=1 k>1

La funcin de autocorrelacin de un modelo AR(2) es: o o k = 1 1 k1 + 2 k2 k=0 k>0

Grco 3.2: Procesos Autorregresivos de orden 2 a


1 1 0,8 0,8

0,6

0,6

0,4

0,4

0,2

0,2

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,2

-0,2

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

0,8

0,8

El grco 3.2 muestra diferentes estructuras de funciones de autocorrelacin para modelos AR(2) a o estacionarios. Cuando las ra ces del polinomio autorregresivo 2 (L) son reales, la funcin de o autocorrelacin es una funcin que decrece exponencialmente con todos los coecientes positivos o o o con alternancia de signos, como para el modelo AR(1). Si las ra del polinomio autorregresivo ces son complejas entonces la funcin de autocorrelacin decrece exponencialmente hacia cero pero o o con forma de onda seno-coseno.
0,6

0,6

0,4

0,4

0,2

0,2

10

11

12

13

14

15

16

17

18

19

20

10

11

12

13

14

15

16

17

18

19

20

-0,2

-0,2

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

30

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

3.3.

Procesos de Medias Mviles: MA(q). o

El modelo de medias mviles de orden nito q, M A(q), es una aproximacin natural al modelo o o lineal general (3.2). Se obtiene un modelo nito por el simple procedimiento de truncar el modelo de medias mviles de orden innito: o Yt = at 1 at1 2 at2 . . . q atq at RB(0, 2 )

Para estudiar sus caracter sticas, comenzaremos por el ms sencillo, el modelo medias mviles a o de primer orden, M A(1).

3.3.1.

Proceso MA(1).

El modelo M A(1) determina el valor de Y en el momento t en funcin de la innovacin contemo o pornea y su primer retardo: a Yt = at at1 at RB(0, 2 ) t = 1, 2, . . . (3.8)

Los procesos de medias mviles se suelen denominar procesos de memoria corta, mientras que o a los autorregresivos se les denomina procesos de memoria larga. Esto es debido a que, como se puede observar en la estructura de correlacin temporal del modelo M A(1) representada en el o esquema siguiente, la perturbacin at aparece en el sistema en el momento t e inuye en Yt o e Yt+1 unicamente, por lo que su memoria es de un solo periodo. Sin embargo, en un proceso autorregresivo la perturbacin at aparece en el sistema en el momento t , inuye en Yt y a o travs de Yt en las observaciones futuras, permaneciendo su inuencia en el sistema un periodo e ms largo. a . . . Yt2 . . . at2 Yt1 at1 Yt at Yt+1 at+1 Yt+2 at+2 ... ...

Vamos a comprobar si el modelo M A(1) cumple las condiciones de estacionariedad para cualquier valor del parmetro . a a) Estacionario en media: E(Yt ) = E(at at1 ) = 0 Por tanto, el modelo M A(1) es estacionario en media para todo valor del parmetro . a b) Estacionario en covarianza: 0 = E(Yt E(Yt ))2 = E(Yt )2 = E(at at1 )2 = = E(at )2 + 2 E(at1 )2 2 E(at at1 ) = 2 + 2 2 0 0 = (1 + 2 ) 2 < 31

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Es decir, la varianza del modelo M A(1) es constante y nita para cualquier valor de . Las autocovarianzas, k , k > 0: 1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) = E(at at1 )(at1 at2 ) = = E(at at1 ) E(at1 )2 E(at at2 ) + 2 E(at1 at2 ) = 2 < 2 = E(Yt E(Yt ))(Yt2 E(Yt2 )) = E(at at1 )(at2 at3 ) = = E(at at2 ) E(at1 at2 ) E(at at3 ) + 2 E(at1 at3 ) = 0

La funcin de autocovarianzas de un M A(1) es: o 0 1 k = k = (1 + 2 ) 2 = 2 =0 k=0 k=1 k>1

La funcin de autocovarianzas es nita y depende slo de k y no del tiempo, para cualquier o o valor del parmetro . a Por lo tanto, se puede concluir que no es necesario poner restricciones sobre el valor del parmetro para que el modelo M A(1) sea estacionario. a La funcin de autocorrelacin de un proceso M A(1) o o 1 k = 1 + 2 0 es: k=0 k=1 k>1

La funcin de autocorrelacin de un proceso M A(1) se caracteriza por ser una funcin truncada o o o que sufre un corte bruco tomando el valor cero a partir del retardo 1. El grco 3.3 recoge dos realizaciones de los siguientes procesos M A(1) con sus funciones de a autocorrelacin correspondientes: o (a) Yt = at + 0,8 at1 (b) Yt = at 0,5 at1 Se puede observar que ambas funciones de autocorrelacin se truncan en el primer retardo como o corresponde a un proceso medias mviles de orden 1. El coeciente de autocorrelacin, 1 , es o o positivo o negativo dependiente del signo del parmetro de medias mviles. En cuanto a las a o series generadas con estos modelos, se nota que ambas oscilan en torno a la media cero con una 32

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 3.3: Procesos Medias Mviles de orden 1: MA(1) a o = 0,8


3
13

= -0,5
12

11

10

-1

-2

-3 1010
1

1020

1030

1040

1050

1060

1070

1080

1090

1100

1110

1120

1130

1140

1150
1

1010

1020

1030

1040

1050

1060

1070

1080

1090

1100

1110

1120

1130

1140

1150

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

varianza constante y que la serie generada por el modelo (a) con parmetro positivo es ms a a suave que la generada por el modelo (b) con parmetro negativo. a Los modelos lineales tienen que cumplir, adems, las condiciones de ser modelos no anticipantes a e invertibles. Estas condiciones se comprueban fcilmente en modelos escritos de forma autorrea gresiva. Adems, la representacin autorregresiva siempre es ms intuitiva en el sentido de que a o a si el objetivo es predecir parece lgico que el modelo relacione lo que sucede en el presente con lo o sucedido en el pasado de manera que las predicciones de futuras observaciones se construyan en base al pasado y presente observado. En principio, un modelo de medias mviles no parece estar o escrito de esta forma ya que Yt no depende directamente de las observaciones pasadas sino de la innovacin y de sus valores pasados. Ahora bien, los modelos de medias mviles tambin se o o e pueden escribir de forma autorregresiva. Escribiendo el modelo (3.8) en trminos del operador e de retardos, se tiene que: Yt = (1 L) at 1 Y t = at 1 L (L) Yt = at

(1 L + 2 L2 3 L3 + . . .) Yt = at Yt = at + Yt1 2 Yt2 + 3 Yt3 + . . . Esta representacin AR() es restringida ya que, como se puede observar, todos los parmetros o a autorregresivos dependen del unico parmetro de medias mviles del modelo, , como sigue, a o i = ()i . El modelo M A(1) es no anticipante porque el futuro no inuye en el pasado. Para que el modelo M A(1) sea invertible es preciso que su representacin autorregresiva sea convergente, es decir, o 33

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

que se cumpla que la inuencia de Ytk va siendo menor conforme nos alejamos en el pasado. Esta condicin se cumple si: o

(i )2 <
i=1

Para que se cumpla la condicin anterior es necesario y suciente que || < 1 , por lo que el o modelo M A(1) no es siempre invertible sino que hay que poner restricciones sobre el valor del parmetro . a Bajo las condiciones de invertibilidad, en este caso, || < 1 , el modelo M A(1), y cualquier modelo de medias mviles, en general, se puede escribir en forma autorregresiva, por lo que o si deseamos una representacin autorregresiva para el modelo, no hace falta empezar por un o AR(p). Siempre vamos a utilizar modelos invertibles porque de esta forma siempre se puede expresar el valor contemporneo de Yt en funcin de su pasado observado. a o El modelo (3.8) se puede generalizar para representar procesos con media distinta de cero: Yt = + at at1 at RB(0, 2 ) (3.9)

Este modelo tiene la misma funcin de autocovarianzas y, por lo tanto, de autocorrelacin, que o o el modelo (3.8). La unica diferencia es que su media es distinta de cero: E(Yt ) = E[ + at at1 ] =

3.3.2.

Proceso MA(q).

El modelo medias mviles nito de orden q, es la aproximacin natural al modelo lineal geneo o ral (3.2), ya que supone su truncamiento bajo el supuesto de que: i = 0 i > q Este modelo expresa el valor de Yt en funcin de la innovacin contempornea y de su pasado o o a hasta el retardo q: Yt = at 1 at1 2 at2 . . . q atq En trminos del operador de retardos queda como sigue: e Yt = (1 1 L 2 L2 3 L3 . . . q Lq ) at Yt = q (L) at at RB(0, 2 ) (3.10)

donde q (L) se denomina polinomio de medias mviles y (1 , 2 , 3 , . . . , q ) es el vector de o parmetros de medias mviles. a o El modelo M A(q) es una generalizacin del modelo M A(1), por lo tanto sus caracter o sticas van a ser muy similares. Ahora bien, al introducir ms retardos de la perturbacin en el modelo, a o la memoria aumenta y la estructura dinmica representada por el modelo es ms rica. Si una a a perturbacin entra en el momento t , inuye en Yt , en Yt+1 , y en valores posteriores hasta Yt+q . o 34

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Por lo tanto, la perturbacin at en un modelo M A(q) permanece q periodos en el sistema. Esta o memoria ms larga del M A(q) se ver reejada en la estructura de la funcin de autocovarianzas a a o y / o autocorrelacin. o Vamos a comprobar si el modelo M A(q) es estacionario para cualquier valor de los parmetros a de medias mviles. Para ello ser preciso comprobar si se cumplen las condiciones de estacionao a riedad. Pero teniendo en cuenta que el modelo medias mviles nito de orden q no es ms que o a el resultado de truncar el modelo lineal general (3.2) a partir del retardo q , ser estacionario a bajo las mismas condiciones que el modelo general, es decir, si se cumple la condicin de que la o sucesin de los parmetros del modelo es convergente: o a
2 i i=1 q

=
i=1

2 i <

Como el nmero de parmetros de un M A(q) es nito, esta condicin siempre se cumple y, por u a o lo tanto, todos los modelos de medias mviles nitos son siempre estacionarios para cualquier o valor de sus parmetros. a El modelo de M A(q) (3.10) tiene media constante y cero, varianza constante y nita y su funcin o de autocovarianzas est truncada a partir del retardo q, es decir, a k = k = 0 k = 0 k = 1, 2, . . . , q k>q

El modelo (3.10) se puede generalizar fcilmente para representar modelos con media no nula: a Yt = + at 1 at1 2 at2 . . . q atq at RB(0, 2 ) (3.11)

Ejemplo 3.3. Caracter sticas del modelo M A(2). Consideremos el modelo de medias mviles de orden 2: o Yt = at 1 at1 2 at2 at RB(0, 2 )

Este proceso es estacionario para cualquier valor de 1 , 2 y sus caracter sticas son: a) Media: E(Yt ) = E(at 1 at1 2 at2 ) = 0

b) Funcin de autocovarianzas, k , k = 0, 1, 2, 3, . . .: o 0 = E[Yt E(Yt )]2 = E(Yt )2 = E(at 1 at1 2 at2 )2 =


2 2 = E(at )2 + 1 E(at1 )2 + 2 E(at2 )2 2 1 E(at at1 ) 2 2 E(at at2 ) + 2 2 2 2 + 2 1 2 E(at1 at2 ) = 2 + 1 2 + 2 2 = (1 + 1 + 2 ) 2

35

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

1 = E[(Yt E(Yt ))(Yt1 E(Yt ))] = E(Yt Yt1 ) = = E[(at 1 at1 2 at2 )(at1 1 at2 2 at3 )] =
2 = E(at at1 ) 1 E(at at2 ) 2 E(at at3 ) 1 E(at1 )2 + 1 E(at1 at2 ) + 2 + 1 2 E(at1 at3 ) 2 E(at1 at2 ) + 2 1 E(at2 )2 + 2 E(at2 at3 ) =

= 1 2 + 1 2 2 = (1 + 1 2 ) 2 2 = E[(Yt E(Yt ))(Yt2 E(Yt ))] = E(Yt Yt2 ) = = E[(at 1 at1 2 at2 )(at2 1 at3 2 at4 )] = = E(at at2 ) 1 E(at at3 ) 2 E(at at4 ) 1 E(at1 at2 ) +
2 + 1 E(at1 at3 ) + 1 2 E(at1 at4 ) 2 E(at2 )2 + 2 + 2 1 E(at2 at3 ) + 2 E(at2 at4 ) = 2 2

3 = E[(Yt E(Yt ))(Yt3 E(Yt ))] = E(Yt Yt3 ) = = E[(at 1 at1 2 at2 )(at3 1 at4 2 at5 )] = = E(at at3 ) 1 E(at at4 ) 2 E(at at5 ) 1 E(at1 at3 ) +
2 + 1 E(at1 at4 ) + 1 2 E(at1 at5 ) 2 E(at2 at3 ) + 2 + 2 1 E(at2 at4 ) + 2 E(at2 at5 ) = 0

La funcin de autocovarianzas de un M A(2) es: o 2 2 0 = (1 + 1 + 2 ) 2 1 = (1 + 1 2 ) 2 k = 2 = 2 2 =0 k La funcin de autocorrelacin de un M A(2) es: o o 1 + 1 2 1 = 2 2 1 + 1 + 2 2 k = 2 = 2 2 1 + 1 + 2 k = 0

k=0 k=1 k=2 k>2

k=1 k=2 k>2

La FAC de un proceso M A(2) es una funcin truncada en el retardo 2. Los coecientes de o autocorrelacin, 1 , 2 , pueden ser positivos, negativos, o de distinto signo dependendiendo de o 36

0,8

0,8

0,6

0,6

0,4

0,4

Anlisis de Series Temporales: modelos ARIMA a


0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0,2

0,2

0
1 2 3 4 5 6 7 8 9 10 11 12

13

SARRIKO-ON 4/09
14 15 16 17 18 19 20

-0,2

-0,2

-0,4

-0,4

-0,6

-0,6

-0,8

-1

Grco 3.4: Procesos Medias Mviles de orden 2: MA(2) a o


-1 1 0,8

-0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

los valores de los parmetros autorregresivos. El grco 3.4 muestra dos ejemplos de FAC de un a a M A(2). El modelo M A(q) (3.11) tiene tambin una representacin AR() restringida: e o Yt = (1 L 2 L2 . . . q Lq ) at 1 Yt = at 1 L 2 L2 . . . q Lq (L) Yt = at (1 + 1 L + 2 L2 + 3 L3 + . . .) Yt = at

Yt = at 1 Yt1 + 2 Yt2 + 3 Yt3 + . . .

Esta representacin AR() es restringida ya que todos los parmetros autorregresivos, i , o a dependen del vector de parmetros de medias mviles del modelo (1 , 2 , . . . , q ) . a o El modelo M A(q) es no anticipante porque el futuro no inuye en el pasado y ser invertible si a su representacin autorregresiva es tal que la inuencia de Ytk es menor conforme nos alejamos o en el pasado. Esta condicin se cumple si: o
2 i < i=1

Por lo tanto, el modelo M A(q) no es invertible para cualquier valor del vector de parmetros de a medias mviles, sino que estos tendrn que cumplir algunas restricciones. Derivar estas restrico a ciones fue muy sencillo para el M A(1), pero se complica mucho al aumentar el orden del modelo de medias mviles. El siguiente teorema proporciona condiciones necesarias y sucientes para el o un modelo de medias mviles sea invertible. o Teorema: Un proceso de medias mviles nito M A(q) es invertible s y solo s el o modulo de las ra ces del polinomio de medias mviles q (L) est fuera del circulo o a unidad.

37

SARRIKO-ON 4/09 Ejemplo 3.4. Condiciones de invertibilidad. Modelo M A(1): Yt = at at1

Anlisis de Series Temporales: modelos ARIMA a

Yt = (1 L) at

Polinomio medias mviles: o Ra ces: 1 L = 0

1 (L) = 1 L L= 1 1 >1 || < 1

Condicin de invertibilidad: o

|L| =

Modelo M A(2):

Yt = at 1 at1 2 at2

Yt = (1 1 L 2 L2 ) at

Polinomio de medias mviles: o Ra ces: 1 1 L 2 L2 = 0

2 (L) = 1 1 L 2 L2 L1 , L2 = 1
2 1 + 4 2 2 2

Condicin de invertibilidad: o |L1 | = 1 +


2 1 + 4 2 >1 2 2

|L2 | =

2 1 + 4 2 >1 2 2

Ejercicio 3.3. Calcula la media y la varianza del modelo (3.11).

3.4.

Procesos Autorregresivos de Medias Mviles: ARMA(p,q). o

Los procesos autorregresivos de medias mviles determinan Yt en funcin de su pasado hasta el o o retardo p, de la innovacin contempornea y el pasado de la innovacin hasta el retardo q: o a o Yt = 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq at RB(0, 2 ) (3.12)

Este modelo se puede escribir en trminos del operador de retardos como sigue: e (1 1 L . . . p Lp ) Yt = (1 1 L . . . q Lq ) at p (L) Yt = q (L) at donde p (L) es el polinomio autorregresivo y q (L) es el polinomio medias mviles. o El modelo (3.12) es una aproximacin nita al modelo lineal general tanto en su forma AR() o (3.1) como M A() (3.2). De hecho, si es estacionario su representacin M A() es o Yt = q (L) at p (L) Yt = (L) at Yt = at + 1 at1 + 2 at2 + 3 at3 + . . . 38

Anlisis de Series Temporales: modelos ARIMA a y si es invertible una representacin AR() o p (L) Yt = at p (L) (L) Yt = at

SARRIKO-ON 4/09

Yt = at + 1 Yt1 + 2 Yt2 + 3 Yt3 + . . .

Tanto los pesos de la representacin M A innita, como de la forma AR innita, estn restringidos o a a depender del vector nito de parmetros ARMA: 1 , 2 , . . . , p , 1 , 2 , . . . , q . a Es estacionario el modelo ARM A(p, q) para cualquier valor de sus parmetros? a Teorema: Un proceso autorregresivo de medias mviles nito ARM A(p, q) es eso tacionario s y solo s el modulo de las ra ces del polinomio autorregresivo p (L) est fuera del circulo unidad. a Las condiciones de estacionariedad del modelo ARM A(p, q) vienen impuestas por la parte autorregresiva, dado que la parte de medias mviles nita siempre es estacionaria. o Para comprobar si el modelo ARM A(p, q) es no anticipante e invertible , se estudia su representacin autorregresiva general. o Teorema: Un proceso autorregresivo de medias mviles nito ARM A(p, q) es invero tible s y solo s el modulo de las ra del polinomio medias mviles p (L) est fuera ces o a del circulo unidad. Las condiciones de invertibilidad del modelo ARM A(p, q) vienen impuestas por la parte de medias mviles, dado que la parte autorregresiva nita siempre es invertible porque est direco a tamente escrita en forma autorregresiva El modelo ARM A(p, q) va a compartir las caracter sticas de los modelos AR(p) y M A(q) ya que contiene ambas estructuras a la vez. El modelo ARM A(p, q) tiene media cero, varianza constante y nita y una funcin de autocovarianzas innita. La funcin de autocorrelacin es o o o innita decreciendo rpidamente hacia cero pero sin truncarse. a Ejemplo 3.5. Modelo ARM A(1, 1). Consideremos el modelo ARM A(1, 1) en el Yt se determina en funcin de su pasado hasta el o primer retardo, la innovacin contempornea y el pasado de la innovacin hasta el retardo 1: o a o Yt = Yt1 + at at1 at RB(0, 2 ) t = 1, 2, . . . (3.13)

La estructura de dependencia temporal representada por este modelo es: ... Yt2 Yt1 Yt Yt+1 Yt+2 . . . ... at2 at1 at at+1 at+2 ... 39

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

La memoria de este proceso es larga debido a la presencia de estructura autorregresiva. La perturbacin at inuye directamente en Yt y en Yt1 , pero de forma indirecta, a travs de la o e cadena de dependencia temporal de las Y , inuye en todo el futuro del proceso. Para comprobar la estacionariedad, se calculan las ra ces del polinomio autorregresivo: 1 L = 0 L= 1 |L| = 1 || < 1

Para comprobar la invertibilidad, se calculan las ra ces del polinomio medias mviles: o 1L = 0 L= 1 |L| = 1 || < 1

Las caracter sticas del proceso ARM A(1, 1) estacionario son: a) Media: E(Yt ) = E( Yt1 + at at1 ) = E(Yt ) b) Funcin de autocovarianzas: o 0 = E(Yt E(Yt ))2 = E(Yt )2 = E( Yt1 + at at1 )2 = = 2 E(Yt1 )2 + E(at )2 + 2 E(at1 )2 + 2 E(Yt1 at ) 2 E(Yt1 at1 ) 2 E(at at1 ) = 2 0 + 2 + 2 2 2 2 = 0 = (1 + 2 2 ) 2 1 2 (1 ) E(Yt ) = 0 E(Yt ) = 0

= 2 0 + (1 + 2 2 ) 2

1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) = = E(Yt Yt1 ) = E[( Yt1 + at at1 ) Yt1 ] = = E(Yt1 )2 + E(Yt1 at ) E(Yt1 at1 ) = 0 2 2 = E(Yt E(Yt ))(Yt2 E(Yt2 )) = E(Yt Yt2 ) = = E[( Yt1 + at at1 ) Yt2 ] = = E(Yt1 Yt2 ) + E(Yt2 at ) E(Yt2 at1 ) = 1 Para derivar los resultados siguientes, hay que tener en cuenta que: E(Yt1 at1 ) = E[( Yt2 + at1 at2 ) at1 ] = E(at1 )2 = 2 40

Anlisis de Series Temporales: modelos ARIMA a La funcin de autocovarianzas de un o 0 = k = 1 = k = ARM A(1, 1) es: (1 + 2 2 ) 2 1 2 0 2 k1 k=0 k=0 k>1

SARRIKO-ON 4/09

Como se puede observar, la varianza cuenta con una parte que proviene de la parte de medias mviles, otra que proviene de la parte autorregresiva y una tercera que es la intero accin entre ambas partes del modelo. La autocovarianza de orden 1, 1 , es la suma de la o autocovarianza de orden 1 de la parte AR(1) y de la autocovarianza de orden 1 de la parte M A(1). A partir del retardo 1, la parte medias mviles del modelo no aparece de forma o expl cita en la FACV, dependiendo sta slo de la estructura autorregresiva. Esta FACV es e o una funcin innita, que depende de los parmetros AR, , y M A, , hasta k = 1 y luego o a decrece exponencialmente, siguiendo la estructura marcada por la parte autorregresiva de primer orden. La funcin de autocorrelacin de un ARM A(1, 1) es: o o 2 1 = 0 k = k = k1

k=0 k>1

La FAC presenta la misma estructura que la funcin de autocovarianzas, es decir, es una funcin o o innita cuyo primer coeciente, 1 , depende de los parmetros autorregresivos y de medias a mviles, pero a partir del retardo 2, decrece exponencialmente, siguiendo la estructura dada o por la parte autorregresiva de orden 1. En el grco 3.5, se observan dos ejemplos de funciones a de autocorrelacin de modelos ARM A(1, 1) para diferentes valores de los parmetros. Aunque o a las FAC que aqu se muestran son como las de un AR(1), las estructuras posibles para un ARM A(1, 1) son ms variadas, debido a la contribucin de la parte medias mviles del modelo a o o en la determinacin del primer coeciente. o Grco 3.5: Procesos Autorregresivo de Medias Mviles: ARMA(1,1) a o
1 1 0,8 0,8

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

Los resultados obtenidos para el modelo ARMA ms sencillo, el ARM A(1, 1), se pueden genea ralizar para el modelo ARM A(p, q) y concluir que su funcin de autocorrelacin ser innita, o o a 41

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

con los q primeros coecientes, 1 , . . . , q , dependiendo de los parmetros autorregresivos y de a medias mviles. A partir del retardo q, que es el orden de la parte media mvil del modelo, sus o o parmetros no aparecen de forma expl a cita en la FAC y est decrece rpidamente hacia cero a a siguiendo la estructura marcada por la parte autorregresiva de orden p, es decir, como funciones exponenciales si todas las ra ces del polinomio autorregresivo, p (L) , son reales, o en forma onda seno-coseno, si este polinomio tiene ra ces complejas. El modelo ARM A(p, q) (3.12) se puede generalizar para que su media no sea nula. Basta con aadir una constante al proceso estacionario: n Yt = + 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq at RB(0, 2 )

Este modelo tiene las mismas caracter sticas dinmicas que el modelo (3.12), la unica diferencia a es que su media no es cero: E(Yt ) = E( + 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq ) E(Yt ) = + 1 E(Yt ) + . . . + p E(Yt ) (1 1 . . . p ) E(Yt ) = E(Yt ) = 1 1 . . . p

42

Cap tulo 4 Modelos lineales no estacionarios


Los modelos presentados en el cap tulo 3 se basan en el supuesto de estacionariedad en covarianza, es decir, en procesos donde la media y la varianza son constantes y nitas y las autocovarianzas no dependen del tiempo sino slo del nmero de periodos de separacin entre las o u o variables. Pero la mayor de las series econmicas no se comportan de forma estacionaria, bien a o porque suelen ir cambiando de nivel en el tiempo (serie Renta Nacional) o porque la varianza no es constante (serie Recaudacin de pel o culas). Grco 4.1: Series temporales econmicas a o
saluclep ed nicaduaceR
70000 60000
1000000

1200000

1100000

900000

800000

700000

600000
III III III III III III III III III III III III III III I I I I I I I I I I I I I I 8T 0T 2T 4T 6T 7T 6T 9T 5T 7T 5T 1T 8T 3T 3T 9T 5T 6T 7T 4T 5T 6T 0T 2T 7T 8T 1T 20 0 20 0 20 0 20 0 19 9 19 9 19 9 19 9 19 9 20 0 20 0 20 0 20 0 19 9 20 0 20 0 19 9 20 0 20 0 20 0 19 9 19 9 19 9 20 0 20 0 20 0 20 0 20 0 8T

4.1.

No estacionariedad en varianza

Cuando una serie no es estacionaria en varianza, es decir, no se puede sostener el supuesto de que ha sido generada por un proceso con varianza constante en el tiempo, la solucin es transformar o la serie mediante algn mtodo que estabilice la varianza. El comportamiento habitual en las u e series econmicas suele ser que la varianza cambie conforme el nivel de la serie cambia. En estos o casos, suponemos que la varianza del proceso la podemos expresar como alguna funcin del nivel: o V (Yt ) = k f (t ) siendo k una constante positiva y f una funcin conocida. El objetivo es conseguir alguna o funcin que transforme la serie de forma que h(Yt ) tenga varianza constante. Utilizando la o 43

20 00 M 01 20 00 M 04 20 00 M 07 20 00 M 10 20 01 M 01 20 01 M 04 20 01 M 07 20 01 M 10 20 02 M 01 20 02 M 04 20 02 M 07 20 02 M 10 20 03 M 01 20 03 M 04 20 03 M 07 20 03 M 10 20 04 M 01 20 04 M 04 20 04 M 07 20 04 M 10 20 05 M 01 20 05 M 04 20 05 M 07 20 05 M 10 20 06 M 01 20 06 M 04 20 06 M 07 20 06 M 10 20 07 M 01 20 07 M 2 0 04 07 M 07 20 07 M 10 20 08 M 01 20 08 M 04 20 08 M 07

)adazilanoicatsesed( 72EU lanoicaN atneR


50000 40000 30000 20000

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

extensin de Taylor de primer orden alrededor de t : o h(Yt ) h(t ) + (Yt t ) h (t )

donde h (t ) es la primer derivada de h(Yt ) evaluada en t . La varianza de la transformacin o h(Yt ) se puede aproximar como sigue: V [h(Yt )] = V h(t ) + (Yt t ) h (t ) = h (t )
2

V (Yt ) = h (t )

k f (t )

Por lo tanto, para que la transformacin h(Yt ) tenga varianza constante, la funcin h se ha de o o elegir de tal forma que: 1 h (t ) = f (t ) Si la desviacin t o pica de la serie Yt es proporcional a su nivel, se tiene que: f (t ) = 2 t h(t ) ha de cumplir que h (t ) = 1 t = h(t ) = ln(t )

Por lo tanto, la transformacin logar o tmica proporcionar una varianza constante. Ahora bien, a si esla varianza de la serie Yt la que es proporcional a su nivel: f (t ) = t 1 h(t ) ha de cumplir que h (t ) = t = h(t ) = t

y habr que tomar la ra cuadrada de la serie para obtener una varianza constante. a z En general, para estabilizar la varianza se utilizan las transformaciones Box-Cox: Yt 1 =0 () Yt = ln(Yt ) =0 donde es el parmetro de transformacin. Es interesante sealar que, usualmente, las transa o n formaciones Box-Cox no slo estabilizan la varianza sino que tambin mejoran la aproximacin o e o a la distribucin normal del proceso Yt . o

4.2.

No estacionariedad en media.

Una de las caracter sticas dominantes en las series econmicas es la tendencia. La tendencia es o el movimiento a largo plazo de la serie una vez eliminados los ciclos y el trmino irregular. En e econom esta tendencia se suele producir debido a la evolucin de las preferencias, la tecnoa o log de la demograf etc. Este comportamiento tendencial puede ser creciente o decreciente, a, a, exponencial o aproximadamente lineal. Las series que presentan un comportamiento sistemtico a de este tipo (vese la gura izquierda del grco 4.1) no son estacionarias, no evolucionan en a a torno a un nivel constante. 44

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

La no estacionariedad en media se puede modelar de diferentes maneras. Por un lado, es posible modelar tendencias, cambios sistemticos de nivel, mediante modelos globales en los que se a especica la tendencia como una funcin del tiempo: o Yt = Tt + ut donde Tt = f (t) , es una funcin determinista del tiempo (lineal, cuadrtica, exponencial, ... ) y o a ut es un proceso estocstico estacionario con media cero. Por ejemplo, el modelo con tendencia a lineal ser a: Yt = a + bt + ut Estos modelos para la tendencia suponen que la serie evoluciona de una forma perfectamente predecible, y se denominan modelos de tendencia determinista. Por otro lado, si un proceso no es estacionario en media tambin se puede modelar dentro de e la clase de modelos ARM A(p, q). De hecho, un modelo ARM A(p, q) no es estacionario si las ra ces de su polinomio AR no satisfacen la condicin de estacionariedad, es decir, si alguna de o sus ra ces no est fuera del c a rculo unidad: o z a rculo unidad: i | |Li | < 1. El comportaa) El mdulo de alguna ra est dentro del c miento de las series generadas por estos procesos es explosivo, crecen o decrecen a gran velocidad hacia innito. Esta no es la evolucin temporal que se suele observar en series o econmicas por lo que este tipo de no estacionariedad no es de inters en nuestro campo. o e b) El mdulo de alguna ra es exactamente igual a la unidad: i | Li = 1. Este tipo o z de modelos genera comportamientos no estacionarios que no son explosivos, sino que las realizaciones se comportan de forma similar a lo largo del tiempo, salvo porque cambian de nivel. Este comportamiento s es el que observamos en series econmicas, por lo que mo o delaremos series no estacionarias mediante modelos ARM A(p, q) no estacionarios porque tienen al menos una ra exactamente igual a la unidad, denominada ra unitaria. z z

4.3.

Modelos ARIMA(p,d,q).

Supongamos el siguiente modelo ARM A(p, q): p (L) Yt = q (L) at donde el polinomio AR se puede factorizar en funcin de sus p ra o ces L1 , L2 , . . . , Lp , p (L) = (1 L1 L) (1 L1 L) . . . (1 L1 L) p 1 2 Supongamos que (p 1) ra ces son estacionarias (con mdulo fuera del c o rculo unidad) y una de ellas es unitaria, Li = 1. Entonces, el polinomio AR, se puede reescribir como sigue: p (L) = (1 L1 L) (1 L1 L) . . . (1 L1 L) = p1 (L) (1 (1)1 L) p 1 2 p (L) = p1 (L) (1 L) 45 (4.1)

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

donde el polinomio p1 (L) resulta del producto de los (p 1) polinomios de orden 1 asociados a las ra ces Li con mdulo fuera del c o rculo unidad. Sustituyendo en el modelo ARM A(p, q) (4.1) se tiene que: p1 (L) (1 L) Yt = q (L) at p1 (L) Yt = q (L) at (4.2)

donde el polinomio p1 (L) es estacionario porque todas sus ra ces tienen modulo fuera del c rculo unidad y el polinomio = (1 L) es el que recoge la ra unitaria. z El modelo (4.2) representa el comportamiento de un proceso Yt que no es estacionario porque tiene una ra unitaria. A un proceso Yt con estas caracter z sticas se le denomina proceso integrado de orden 1. En general, el polinomio AR del modelo (4.1) puede contener ms de una ra unitaria, por a z ejemplo, d, entonces se puede descomponer como: p (L) = pd (L) (1 L)d y sustituyendo, de nuevo, en el modelo ARM A(p, q) (4.1), se tiene: pd (L) d Yt = q (L) at donde el polinomio c rculo unidad, y el estacionarias. A un orden d y se denota pd (L) es estacionario porque sus (p d) ra tienen modulo fuera del ces polinomio d = (1 L)d , de orden d, contiene las d ra ces unitarias no proceso Yt con estas caracter sticas se le denomina proceso integrado de por Yt I(d) .

Denicin: Un proceso Yt es integrado de orden d, Yt I(d) , si Yt no es estacionario, pero o su diferencia de orden d, d Yt , sigue un proceso ARM A(p d, q) estacionario e invertible. El orden de integracin del proceso es el nmero de diferencias que hay que tomar al proceso o u para conseguir la estacionariedad en media, o lo que es lo mismo, el nmero de ra u ces unitarias del proceso. En la prctica, los procesos que surgen ms habitualmente en el anlisis de las a a a series temporales econmicas son los I(0) e I(1) , encontrndose los I(2) con mucha menos o a frecuencia. En general, si una serie Yt es integrada de orden d, se puede representar por el siguiente modelo: p (L) d Yt = + q (L) at (4.3)

donde el polinomio autorregresivo estacionario p (L) y el invertible de medias mviles q (L) o no tienen ra ces comunes. El modelo (4.3) se denomina modelo Autorregresivo Integrado de Medias Mviles de orden o (p,d,q) o ARIM A(p, d, q) , donde p es el orden del polinomio autorregresivo estacionario, d es el orden de integracin de la serie, es decir, el nmero de diferencias que hay que tomar a la o u serie para que sea estacionaria, y q es el orden del polinomio de medias mviles invertible. o Para comprender mejor el comportamiento representado por los modelos ARIM A(p, d, q) vamos a estudiar detalladamente dos de los modelos ms sencillos. a 46

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

4.3.1.

Modelo de paseo aleatorio

El modelo de paseo aleatorio es simplemente un modelo AR(1) con parmetro = 1 : a Yt = Yt1 + at Y t = at En el modelo de paseo aleatorio el valor de Y en el momento t es igual a su valor en el momento t 1 ms una perturbacin aleatoria. El modelo de paseo aleatorio no es estacionario porque la a o ra del polinomio AR no tiene mdulo mayor que la unidad: z o 1L=0 L=1 at RBN (0, 2 ) (4.4)

Pero, sin embargo, como la primera diferencia de la serie, Yt es un ruido blanco, se tiene que Yt I(1) . En la gura 4.2 se muestra el grco de una realizacin simulada de 150 observaciones a o de un proceso de paseo aleatorio con 2 = 1 . Se puede observar que la evolucin de la serie o no tiene una caracter stica presente en los procesos estacionarios y que se denomina reversin o a la media: la serie se mueve aleatoriamente hacia arriba y hacia abajo, sin mostrar ninguna inclinacin a dirigirse a ningn punto en particular. Si una perturbacin aumenta el valor de Yt o u o no hay ninguna tendencia a volver a disminuir otra vez, sino que en principio permanece en un valor alto. Tomando esperanzas condicionadas a la informacin anterior al modelo (4.4), se obtiene: o E[Yt |Yt1 , Yt2 , . . .] = Yt1 lo que implica que el nivel condicionado de la serie en el momento t es aleatorio. Es decir, para este modelo el nivel promedio de la serie va cambiando de forma estocstica a lo largo del tiempo, a por lo que se dice que este modelo tiene tendencia estocstica. a
0,8 0,8 0,6 0,6 0,4 0,4 0,2 0,2 1 1

En lo que se reere a la FAC del modelo (4.4), se puede comprobar que se caracteriza porque sus coecientes decrecen muy lentamente (vese la gura derecha del grco 4.2). a a
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,2

-0,2

-0,4

-0,4

-0,6

-0,6

Grco 4.2: Modelo de paseo aleatorio a


-0,8 -1

-0,8

-1

8
1

0,8

0,8

4
0,6

0,6

0,4

0,4

0
0,2

0,2

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8

-4
-0,2

-0,4

-0,4

-8

-0,6

-0,6

-0,8

-0,8

-12 1110 1120 1130 1140 1150 1160 1170 1180 1190 1200 1210 1220 1230 1240 1250

-1

-1

47

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

4.3.2.

Modelo de paseo aleatorio con deriva

El modelo de paseo aleatorio con deriva surge de aadir una constante al modelo de paseo n aleatorio. Por lo tanto, al igual que para el modelo de paseo aleatorio, se tiene que Yt I(1) . Yt = Yt1 + + at Yt = + at (4.5)

La unica diferencia entre los modelos (4.4) y (4.5) es la presencia de la constante . Ahora bien, as como en los modelos estacionarios la inclusin de una constante solo afecta al nivel promedio o constante de la serie, en los modelos no estacionarios su presencia en el modelo tiene efectos ms relevantes. Suponiendo que el modelo (4.5) empieza en algn momento t0 y, sustituyendo a u repetidamente, se obtiene:
t

Yt = Y0 + (t t0 ) +
i=t0 +1

ai

Se puede observar que la introduccin de la constante en el modelo implica la inclusin de una o o tendencia determinista con pendiente , junto con la tendencia estocstica. Tomando esperanzas a condicionadas a la informacin pasada en el modelo (4.5), se obtiene: o E[Yt |Yt1 , Yt2 , . . .] = Yt1 + es decir, el nivel promedio de la serie se ve afectado por un elemento estocstico a lo largo del a tiempo a travs de Yt1 as como por un componente determinista a travs del parmetro . e e a Grco 4.3: Tendencias deterministas vs. Tendencias estocsticas a a
70

60

20
50

40

10
30

20

Estocstica Determinista
10 1760 1780 1800 1820 1840 1860 1880 1900 1920 1940 1960 1980 2000

Lineal

0 1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990

La gura izquierda del grco 4.3 muestra una realizacin de tamao 150 simulada por el modelo a o n de paseo aleatorio con deriva con parmetros = 0, 2 y = 1 . El modelo (4.5) muestra un a crecimiento promedio en cada periodo de . Este parmetro de deriva tiene el mismo papel que a el parmetro de la pendiente en el modelo determinista lineal. Pero, de la misma manera que el a modelo de paseo aleatorio no tiene un nivel promedio al que volver, el modelo de paseo aleatorio con deriva no tiene una tendencia lineal a la que retornar cuando un shock estacionario lo aleja de la misma. El grco 4.3 muestra en su gura de la derecha la diferente evolucin que se puede a o observar entre tendencias estocsticas y deterministas. La serie con tendencia determinista oscila a aleatoriamente en torno a una tendencia lineal de pendiente constante y, si se separa de ella, tiende a retornar rpidamente, mientras que si la serie con tendencia estocstica se separa de la a a l nea de tendencia de pendiente no tiende a volver. 48

Cap tulo 5 Modelizacin ARIMA o


En este cap tulo se van a desarrollar de forma detallada cada una de las etapas de las que consta la metodolog de modelizacin ARIMA. Para apoyar esta explicacin se va a modelar una serie a o o clsica en la literatura Pieles de lince (1821-1930) y se va a proponer al lector como ejercicio a la modelizacin de una serie articial que se ha denominado Produccin de tabaco (1872-1984). o o Los datos de ambas series se encuentran en el apndice A. e Los grcos y resultados de este anlisis se han obtenido mediante el software economtrico a a e Gretl. Este es un sofware que se puede obtener de forma gratuita de la siguiente direccin: o http://gretl.sourceforge.net

5.1.

Estrategia de modelizacin ARIMA o

En los cap tulos 3 y 4 se han analizado las propiedades de los procesos ARIM A(p, d, q), tanto estacionarios (d = 0) como no estacionarios (d > 0): (L)(1 L)d Yt = + (L)at (5.1)

Si se conocen los parmetros del modelo terico (5.1) para el proceso Yt , a partir de una a o realizacin concreta del ruido blanco, a1 , a2 , . . . aT , y de valores iniciales para Y y a se genera o la serie temporal Y1 , Y2 , . . . , YT , que es una realizacin de tamao T del proceso estocstico. o n a La estructura es, por lo tanto, (L)(1 L)d Yt = + (L) at at RBN (0, 2 ) Generacin o Realizacin: Y1 , Y2 , . . . , YT o 49

Proceso estocstico a

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

A partir de una misma estructura ARIM A(p, d, q) se pueden obtener innitas realizaciones. Para cada realizacin, la serie del ruido blanco, a1 , a2 , . . . , aT , ser diferente y la serie temporal geneo a rada, Y1 , Y2 , . . . , YT , tambin. Ahora bien, todas las series temporales generadas que proceden e de una misma estructura conservarn entre s una similitud de comportamiento dinmico. a a En la aplicacin de la metodolog Box-Jenkins el punto de partida es el contrario: se conoo a cen los valores de la serie temporal Y1 , Y2 , . . . , YT y se trata de determinar la estructura ARIM A(p, d, q) que la ha podido generar. Realizacin: Y1 , Y2 , . . . , YT o Inferencia Proceso estocstico: a (L)(1 L)d Yt = + (L) at at RBN (0, 2 )

La construccin de modelos ARIM A se lleva a cabo de forma iterativa mediante un proceso en o el que se pueden distinguir cuatro etapas: o o a) Identicacin. Utilizando los datos y/o cualquier tipo de informacin disponible sobre cmo ha sido generada la serie, se intentar sugerir una subclase de modelos ARIM A(p, d, q) o a que merezca la pena ser investigada. El objetivo es determinar los rdenes p, d, q que pao recen apropiados para reproducir las caracter sticas de la serie bajo estudio y si se incluye o no la constante . En esta etapa es posible identicar ms de un modelo candidato a a haber podido generar la serie. b) Estimacin. Usando de forma eciente los datos se realiza inferencia sobre los parmetros o a condicionada a que el modelo investigado sea apropiado. Dado un determinado proceso propuesto, se trata de cuanticar los parmetros del mismo, a 2 y, en su caso, . 1 , . . . q , 1 , . . . p , c) Validacin. Se realizan contrastes de diagnstico para comprobar si el modelo se ajusta o o a los datos, o, si no es as revelar las posibles discrepancias del modelo propuesto para , poder mejorarlo. d) Prediccin. Obtener pronsticos en trminos probabil o o e sticos de los valores futuros de la variable. En esta etapa se tratar tambin de evaluar la capacidad predictiva del modelo. a e Esta metodolog se basa, fundamentalmente, en dos principios: a 50

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Seleccin de un modelo en forma iterativa. En cada etapa se plantea la posibilidad de o rehacer las etapas previas. Identicacin o Estimacin o Validacin o SI Prediccin o SI Modelo Principio de parametrizacin escueta, tambin denominado parsimonia. Se trata de proo e poner un modelo capaz de representar la serie con el m nimo de parmetros posibles y a unicamente acudir a una ampliacin del mismo en caso de que sea estrictamente necesario o para describir el comportamiento de la serie. NO NO

5.2.

Identicacin o

El objetivo de esta etapa de la modelizacin es seleccionar el modelo ARIM A(p, d, q) apropiado o para la serie, es decir, que reproduce las caracter sticas de la serie. La identicacin del modelo o se lleva a cabo en dos fases: A. Anlisis de estacionariedad, en el que se determinan las transformaciones que son necesarias a aplicar para obtener una serie estacionaria. Incluye, a su vez, dos apartados: Estacionariedad en varianza: transformaciones estabilizadoras de varianza. Estacionariedad en media: nmero de diferencias d que hay que tomar para lograr u que la serie sea estacionaria en media. B. Eleccin de los rdenes p y q. Una vez obtenida la serie estacionaria, el objetivo es detero o minar el proceso estacionario ARM A(p, q) que la haya generado. Los instrumentos que se van a utilizar en estas dos fases de la identicacin del modelo son o fundamentalmente los siguientes: Grco y correlogramas muestrales de la serie original. a 51

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Grco y correlogramas muestrales de determinadas transformaciones de la serie: logarita mos, diferencias,... Contrastes de ra ces unitarias.

5.2.1.

Anlisis de estacionariedad a

Estacionariedad en varianza. Una serie ser estacionaria en varianza cuando pueda mantenerse el supuesto de que existe una a unica varianza para toda la serie temporal, es decir, cuando la variabilidad de la serie en torno a su media se mantenga constante a lo largo del tiempo. Si la serie no es estacionaria en varianza, se utilizan las transformaciones estabilizadoras de varianza, es decir, las transformaciones Box-Cox, Yt 1 =0 () Yt = ln Yt =0 Las transformaciones Box-Cox incluye una familia innita de funciones: ra cuadrada, inversa, z etc. Como las series econmicas suelen ser positivas y sin valores cero, la transformacin ms o o a utilizada en la prctica econmica es la logar a o tmica. Los instrumentos que se utilizan para analizar la estacionariedad en varianza de una serie son el grco de la serie original y de las transformaciones correspondientes. a Ejemplo 6.1. Pieles de Lince Grco 5.1: Pieles de lince (1821-1930) a
7000 9 6000

5000 7 4000

Ln(lince)
1820 1840 1860 1880 1900 1920

Lince

3000 5 2000

1000

3 1820 1840 1860 1880 1900 1920

En el grco 5.1 se presenta la serie Pieles de lince capturadas de 1821 a 1930. En la gura a izquierda del grco se puede observar que la serie en niveles presenta un comportamiento c a clico en el que la amplitud de los ciclos es variable en el tiempo. Por lo tanto, no parece adecuado suponer que la serie es estacionaria en varianza. Tomando logaritmos a la serie (la transformacin o Box-Cox ms utilizada para las series econmicas) se observa que la amplitud de estos ciclos se a o ha homogeneizado y que la variabilidad de la serie es mucho ms estable en el tiempo (la gura a derecha del grco). Se puede concluir que la serie estacionaria en varianza es Zt = Ln(lince) . a 52

Anlisis de Series Temporales: modelos ARIMA a Ejercicio 6.1. Produccin de tabaco. o

SARRIKO-ON 4/09

En el grco 5.2 se muestra la serie de Produccin de tabaco desde 1872 a 1984 tanto en niveles a o (gura izquierda) como en logaritmos (gura derecha). Grco 5.2: Produccin de tabaco (1872-1984) a o
2500 8 7.5 2000

Ln(Produccin)
1880 1900 1920 1940 1960 1980

1500

Produccin

6.5

1000

500 5.5

5 1880 1900 1920 1940 1960 1980

Pregunta: Cul es la serie estacionaria en varianza?. Razona tu respuesta. a Estacionariedad en media. En este apartado, se ha de identicar si la serie es estacionaria en media, es decir, si oscila en torno a un nivel constante o no. Para tomar esta decisin nos basaremos en las caracter o sticas que diferencian las series estacionarias de las no estacionarias. Caracter sticas de una serie estacionaria: Una serie es estacionaria en media cuando se puede mantener el supuesto de que existe una unica media para toda la serie temporal, es decir, cuando ucta alrededor de una u media constante. La funcin de autocorrelacin terica de un proceso estacionario en media decae rpidao o o a mente, exponencialmente. Caracter sticas de una serie no estacionaria: La serie no es estacionaria en media cuando presenta tendencia o varios tramos con medias diferentes. En general, un proceso con alguna ra unitaria presenta una funcin de autocorrelacin z o o muestral con un decaimiento muy lento, no siendo necesario que se mantenga prximo a o la unidad. Como se ha visto en el cap tulo 4, si la serie no es estacionaria en media se puede lograr la estacionariedad transformndola tomando diferencias. As si la serie no es estacionaria en media, a , se tomarn d sucesivas diferencias de orden 1 sobre la serie hasta obtener una serie estacionaria: a Zt = (1 L)d Yt 53

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Ahora bien, el problema es cmo identicar el nmero de diferencias exacto que es preciso tomar o u a la serie para que sea estacionaria ya que pueden aparecer los siguientes problemas: Ra autorregresiva prxima a la unidad. Consideremos el siguiente modelo AR(1) z o Yt = 0, 95 Yt1 + at 1 0, 95L = 0 L= 1 = 1, 05 > 1 0, 95

que es un proceso estacionario. Sin embargo, en la prctica puede resultar muy dif a cil distinguir una realizacin de este proceso de una serie generada por un paseo aleatorio, o Yt = Yt1 + at , de ra unitaria porque est muy prximo a l. z a o e Sobrediferenciacin: se dice que la serie est sobrediferenciada si se toman ms diferencias o a a de las necesarias, por ejemplo, si se elige un orden de integracin d cuando la serie d1 Yt o ya es estacionaria. En este punto conviene recordar que si se diferencia un proceso estacionario sigue siendo estacionario. Por lo tanto, en principio, el hecho de que d Yt sea estacionario, no signica necesariamente que d1 Yt no lo sea, por lo que hay tener cuidado ya que el objetivo en esta fase de la modelizacin ARIM A es determinar el menor nmero de diferencias d o u capaz de convertir a una serie en estacionaria. Sabemos que para las series econmicas los valores de d ms habituales son d = 0, 1, 2 y o a para decidir cul es el ms apropiado para la serie bajo estudio utilizaremos los siguientes a a instrumentos: a a) Grco de la serie original y las transformaciones correspondientes, para observar si se cumple o no la condicin de estacionariedad de oscilar en torno a un nivel constante. o b) Correlograma estimado de la serie original y de las transformaciones correspondientes, para comprobar si decrece rpidamente hacia cero o no. a c) Contrastes de ra ces unitarias. Los contrastes de ra ces unitarias proporcionan unos contrastes estad sticos que permiten, a partir del conjunto de informacin, hacer inferencia sobre la existencia o no de una ra unitaria o z en una serie, es decir, sobre la no estacionariedad de la serie. Si se rechaza la hiptesis nula de o existencia de ra unitaria en d1 Yt , no se diferenciar ms la serie. En caso contrario, si no z a a se rechaza la hiptesis nula se tomar una diferencia ms de orden 1. o a a A continuacin, se desarrollan brevemente, los contrastes de ra o ces unitarias ms utilizados en a la prctica del anlisis de series temporales econmicas y que, a la vez, fueron los pioneros en a a o este campo. Contraste de Dickey-Fuller. Supongamos el siguiente proceso AR(1): Yt = Yt1 + at , at RBN (0, 2 ) 54 (5.2)

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

que es estacionario si || < 1. Si, por el contrario, = 1 el proceso Yt no es estacionario porque tiene una ra unitaria, de hecho ser un modelo de paseo aleatorio: z a Yt = Yt1 + at 1L=0 L=1 Yt I(1)

Si se desea contrastar alguna hiptesis nula sobre el valor del parmetro en el modelo (5.2), por o a ejemplo, H0 : = 0 , el procedimiento habitual es estimar la regresin de Yt sobre Yt1 y despus o e utilizar el estad stico t estndar para contrastar la hiptesis nula. Como es bien sabido, si || < 1, a o el modelo AR(1) es estacionario y el estimador de por M nimos Cuadrados Ordinarios, , es igual al estimador Mximo Veros a mil y sigue asintticamente una distribucin normal. Adems, o o a el estad stico t tiene la siguiente distribucin asinttica bajo la hiptesis nula: o o o t = 0 V N (0, 1)

Para muestras pequeas este estad n stico se distribuye aproximadamente como un t de Student de (T 1) grados de libertad. Por lo tanto, se podr pensar en contrastar la hiptesis de existencia de ra unitaria en la a o z serie Yt (no estacionariedad) contrastando la hiptesis nula H0 : = 1 en el modelo (5.2). El o problema surge porque no se sabe a priori si el modelo es estacionario o no y cuando = 1 el modelo AR(1) no es estacionario y los resultados anteriores no se mantienen. Se puede demostrar que el estimador est sesgado hacia abajo y que el estad a stico t bajo la hiptesis nula de ra o z unitaria no sigue una distribucin t de Student ni en el l o mite cuando el tamao muestral tiende n a innito. Adems si se utilizan los valores cr a ticos de esta distribucin se tiende a rechazar la o H0 ms veces de las deseadas. a El modelo (5.2) se puede escribir como sigue restando Yt1 en ambos lados, Yt Yt1 = Yt1 Yt1 + at Yt = Yt1 + at con o bien = 1 (5.3)

Ahora, contrastar la hiptesis nula de ra unitaria (paseo aleatorio) equivale a plantear el o z siguiente contraste de hiptesis en el modelo (5.3): o H0 : = 0 Ha : < 0 La hiptesis alternativa de estacionariedad se plantea unicamente en trminos de negativo, o e porque un valor positivo de supondr un modelo no estacionario de comportamiento explosivo. a El modelo (5.3) es un modelo de regresin y el estad o stico habitual para realizar este tipo de contraste es: t = 0 V () 55 (5.4)

SARRIKO-ON 4/09 donde:


T

Anlisis de Series Temporales: modelos ARIMA a

yt1 yt =
t=2 T 2 yt1 t=2

V () =

2
T 2 yt1 t=2

(5.5)

Al estad stico t se le denomina estad stico de Dickey-Fuller. Este estad stico t no sigue ninguna distribucin conocida bajo la hiptesis nula de no estacionariedad por lo que Dickeyo o Fuller calcularon los percentiles de este estad stico bajo la H0 proporcionando las tablas con los niveles cr ticos correctos para el estad stico en funcin del tamao muestral (T ) y el nivel de o n signicacin () (las tablas de estos valores cr o ticos se encuentran en el apndice B.). e Se rechaza H0 , es decir, la existencia de ra unitaria a un nivel de signicacin si el valor z o muestral del estad stico t es menor que el valor cr tico de las tablas de Dickey-Fuller (DF ): t < DF Hasta el momento se ha explicado como contrastar la hiptesis nula de ra unitaria (paseo o z aleatorio) frente a la alternativa de un proceso estacionario AR(1) de media cero. Para las series econmicas, ser de inters considerar hiptesis alternativas ms generales que puedan incluir o a e o a estacionariedad alrededor de una constante o de una tendencia lineal. Si el modelo AR(1) incluye una constante: Yt = c + Yt1 + at , at RBN (0, 2 ) (5.6)

el contraste de existencia de ra unitaria se realiza de forma similar. Restando Yt1 en ambos z lados del proceso se obtiene: Yt = c + Yt1 + at = 1 El contraste de la hiptesis nula de ra unitaria se plantea en este modelo (5.7) como sigue: o z H0 : = 0 Ha : < 0 y el estad stico de contraste es: tc = V () (5.7)

donde es el estimador MCO de y V () el de su varianza. Como anteriormente, Dickey-Fuller construyeron las tablas que proporcionan los niveles cr ticos correctos para el estad stico tc en funcin del tamao muestral, T , y el nivel de signicacin, . o n o 56

Anlisis de Series Temporales: modelos ARIMA a Si el modelo AR(1) incluye una tendencia lineal: Yt = c + t + Yt1 + at , el modelo que se estima por MCO es: Yt = c + t + Yt1 + at at RBN (0, 2 )

SARRIKO-ON 4/09

(5.8)

y se utiliza el estad stico t que denotaremos por t para contrastar la hiptesis nula de ra o z unitaria H0 : = 0 frente Ha : < 0.

Contraste de Dickey-Fuller aumentado. Los contrastes anteriores de Dickey-Fuller se han derivado partiendo del supuesto restrictivo de que la serie sigue un proceso AR(1). Pero la serie puede seguir procesos ms generales ARM A(p, q). Como es bien conocido, todo proceso a ARM A(p, q) se puede aproximar hasta el grado de bondad necesario mediante un AR(p): Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at Este modelo se puede reparametrizar como sigue: Yt = Yt1 + 1 Yt1 + + p1 Ytp+1 + at donde
p i

at RBN (0, 2 )

(5.9)

=
i=1

i 1 y i =
j=1

pi+j

Dado que un proceso AR(p) tiene una ra unitaria cuando p i = 1, contrastar la hiptesis z o i=1 nula de existencia de ra unitaria es equivalente a contrastar la H0 : = 0 en la regresin (5.9). z o Este contraste de ra unitaria se denomina Dickey-Fuller Aumentado (ADF) y se basa en z la estimacin MCO del parmetro en el modelo (5.9) y en el correspondiente estad o a stico t. Este estad stico tiene la misma distribucin que para el caso del modelo AR(1) y, por lo tanto, o podemos utilizar los mismos valores cr ticos tabulados por Dickey-Fuller. El modelo (5.9) se puede tambin generalizar introduciendo una constante y/o una tendencia e lineal: Yt = + Yt1 + 1 Yt1 + + p1 Ytp+1 + at Yt = + t + Yt1 + 1 Yt1 + + p1 Ytp+1 + at procedindose a la realizacin del contraste de la hiptesis nula de ra unitaria por un procedie o o z miento similar al desarrollado para el modelo AR(1). 57

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Grco 5.3: Grcos de Ln(Lince) y su primera diferencia. a a


9 2 1.5 8 1

0.5

D Ln(Lince)
1820 1840 1860 1880 1900 1920

Ln(lince)

-0.5

-1

-1.5 4 -2

-2.5 1820

1840

1860

1880

1900

1920

Cuadro 5.1: Contrates de ra ces unitarias Contrastes aumentados de Dickey-Fuller, orden 4, para Ln(lince): tama~o muestral 108 hiptesis nula de raz unitaria: a = 1 n o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,019 o valor estimado de (a - 1): -0,451665 Estadstico de contraste: tau c(1) = -5,13165 valor p asinttico 1,089e-005 o

Ejemplo 6.2. Pieles de lince. Analicemos la estacionariedad en media de la serie que es estacionaria en varianza, Zt = ln(Yt ) = Ln(Lince). En el grco 5.3 se representan la serie en logaritmos (Ln(Lince)) y su primera diferencia (D a Ln(Lince)). Se puede observar que la serie Zt oscila c clicamente en torno a un nivel promedio ms o menos constante y al diferenciarla no cambia su comportamiento salvo que pasa a oscilar a en torno a un nivel prximo a cero. Se puede concluir, por lo tanto, que Zt es ya estacionaria o en media y no es preciso realizar ms transformaciones. Analizando los correlogramas de Zt a y su primera diferencia recogidos en el grco 5.4 se obtiene la misma conclusin ya que el a o correlagrama de Zt decrece rpidamente hacia cero en forma de onda seno-coseno amortiguada. a El tomar una diferencia a la serie no cambia el comportamiento del correlograma, como era de esperar, ya que si diferenciamos un proceso estacionario sigue siendo estacionario. Para contrastar la existencia de ra unitaria en la serie Zt = Ln(Lince) se lleva a cabo el z contraste ADF aumentado. Los resultados del cuadro 5.1 muestran que el valor del estad stico ADF, tc = -5,13, es menor que el valor cr tico DF0,05 = 2, 89 (vese apndice B). Por lo a e tanto, se rechaza la hiptesis nula de existencia de ra unitaria a un nivel de signicacin o z o del 5 % y la transformacin estacionaria en media y varianza de la serie Pieles de Lince es o Zt = ln(Yt ) = Ln(Lince). 58

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 5.4: Correlogramas de Ln(Lince) y su primera diferencia. a


FAC de Ln(lince) 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

FAC de D Ln(Lince) FACP de Ln(lince) 1 1 0.5 0.5 0 0 -0.5 -0.5 -1 -1 0 0 5 5 10 10 15 15 20 20 retardo retardo 25 25 30 30 35 35 +- 1,96/T^0,5 +- 1,96/T^0,5

Ejercicio 6.2. Produccin de Tabaco. o


1 0.5

FACP de D Ln(Lince) +- 1,96/T^0,5

Considera la siguiente informacin sobre la serie Produccin de Tabaco. o o

a) Grco 0 a 5.5: muestra en la gura de la izquierda la serie Ln(Produccin) y en la gura de o la derecha la serie D Ln(Produccin) = ln(P roduccion). o -0.5 b) Grco -1 a 5.6: muestra en la gura superior el correlograma de la serie Ln(Produccin) y en o 0 10 15 25 30 35 la gura inferior el5 correlograma de la serie D20 Ln(Produccin) = ln(P roduccion). o retardo c) Cuadros 5.2 y 5.3 muestran los resultados de los contrastes de ra ces unitarias ADF para las series Ln(Produccin) y D Ln(Produccin) respectivamente. o o Grco 5.5: Grcos de Ln(Produccin) y su primera diferencia. a a o
8 1.2 1 7.5 0.8

0.6

D Ln(Produccin)
1880 1900 1920 1940 1960 1980

Ln(Produccin)

0.4

6.5

0.2

0.2 5.5 0.4

0.6 1880 1900 1920 1940 1960 1980

Pregunta: Analiza la estacionariedad en media de la serie en logaritmos. 59

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Cuadro 5.2: Contrates de ra ces unitarias Contrastes aumentados de Dickey-Fuller, orden 4, para Ln(Produccin): o tama~o muestral 109 hiptesis nula de raz unitaria: a = 1 n o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,029 o valor estimado de (a - 1): -0,0776783 Estadstico de contraste: tau c(1) = -2,61077 valor p asinttico 0,0907 o contraste con constante y tendencia modelo: (1 - L)y = b0 + b1*t + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,020 o valor estimado de (a - 1): -0,127884 Estadstico de contraste: tau ct(1) = -1,46933 valor p asinttico 0,8402 o

Cuadro 5.3: Contrates de ra ces unitarias Contrastes aumentados de Dickey-Fuller, orden 4, para D Ln(Produccin): o tama~o muestral 108 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,019 o valor estimado de (a - 1): -2,37034 Estadstico de contraste: tau nc(1) = -6,5554 valor p asinttico 2,213e-010 o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,020 o valor estimado de (a - 1): -2,69183 Estadstico de contraste: tau c(1) = -7,06954 valor p asinttico 2,145e-010 o

60

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 5.6: Correlogramas de Ln(Produccin) y su primera diferencia. a o


FAC de Ln(Produccin) 1 0.5 0 0.5 1 0 5 10 15 20 retardo 25 30 35 + 1,96/T^0,5

FAC de D Ln(Produccin) FACP de Ln(produccin) 1 1 0.5 0.5 0 0 0.5 0.5 1 1 0 0 5 5 10 10 15 15 20 20 retardo retardo 25 25 30 30 35 35 + 1,96/T^0,5 + 1,96/T^0,5

5.2.2.

Identicacin del modelo estacionario o


1 0.5

FACP de D Ln(Produccin) + 1,96/T^0,5

Una vez determinado el orden de diferenciacin d, se tiene la transformacin estacionaria de la o o serie Zt = (10 L)d Yt que puede representarse mediante un proceso ARM A(p, q) estacionario. En esta fase se trata de identicar los rdenes p y q del proceso que puede reproducir las o 0.5 caracter sticas de la serie estacionaria y de analizar la conveniencia de la incorporacin del o 1 parmetro asociado a la media, . a
0 5 10 15 20 retardo 25 30 35

A. Identicacin de los rdenes p, q. o o Las caracter sticas dinmicas del proceso estacionario estn recogidas en la funcin de autocoa a o rrelacin, FAC, por lo que sta ser el instrumento bsico para identicar los ordenes p y q del o e a a modelo ARMA adecuado para representar las caracter sticas de la serie estacionaria Zt . Los coecientes de autocorrelacin muestral de Zt son: o
T

(Zt Z)(Ztk Z) k =
t=k+1 T

k = 1, 2, . . . , T /3 (Zt Z)2

(5.10)

t=1

donde T = T d es la longitud de la serie estacionaria Zt . Para identicar los ordenes p y q, se compararn las funciones de autocorrelacin muestrales con a o las FAC tericas de los modelos ARMA cuyas caracter o sticas conocemos: 61

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a FAC M A(q) AR(p) ARM A(p, q) Se anula para j > q Decrecimiento rpido a No se anula Decrecimiento rpido a No se anula

Si el correlograma muestral de la serie Zt presenta un corte a partir de un retardo nito j, la identicacin del proceso adecuado para la misma es sencilla, ya que se corresponder con o a la FAC terica de un M A(j). Pero si el correlograma muestral no presenta ningn corte sino o u que parece decrecer rpidamente siguiendo una estructura exponencial o de onda seno-coseno, a la identicacin no es tan clara, ya que basndose unicamente en la FAC podr corresponder a o a a un modelo terico AR o ARM A de cualquier orden. o Para ayudarnos en la identicacin de modelos ARM A(p, q) en estos casos acudimos a otro o instrumento complementario, la funcin de autocorrelacin parcial. o o El coeciente de autocorrelacin parcial de orden k, denotado por pk , mide el grado de asociacin o o lineal existente entre entre las variables Yt e Ytk una vez ajustado el efecto lineal de todas las variables intermedias, es decir: pk = Yt Ytk .Yt1 ,Yt2 ,...,Ytk+1 Por lo tanto, el coeciente de autocorrelacin parcial pk es el coeciente de la siguiente regresin o o lineal: Yt = + p1 Yt1 + p2 Yt2 + . . . + pk Ytk + et Las propiedades de la funcin de autocorrelacin parcial (FACP), pk , k = 0, 1, 2, 3, . . . , son o o equivalentes a las de la FAC: p0 = 1 y p1 = 1 Los coecientes pk no dependen de unidades y son menores que la unidad en valor absoluto. La FACP es una funcin simtrica. o e La FACP de un proceso estocstico estacionario decrece rpidamente hacia cero cuando a a k . La funcin de autocorrelacin parcial se puede estimar a partir de los datos de la serie como o o una funcin de los coecientes de autocorrelacin simples estimados, k . o o La estructura de la funcin de autocorrelacin parcial para un modelo estacionario ARM A(p, q) o o es como sigue: 62

Anlisis de Series Temporales: modelos ARIMA a Modelo AR(p):

SARRIKO-ON 4/09

Yt = 1 Yt1 + 2 Yt2 + 3 Yt3 + . . . + p Ytp + at La estructura de la FACP es la siguiente: pk = pk = 0 pk = 0 k = 1, 2, . . . , p k = p + 1, p + 2, . . .

Si un proceso sigue un modelo AR(p), Yt depende directamente de su pasado hasta el retardo p de forma que las variables aleatorias separadas un periodo, dos, y hasta p periodos mantienen una relacin lineal directa aunque se elimine el efecto de las variables intero medias, por lo que pk = 0 . Sin embargo, para variables separadas ms de p periodos el a coeciente de autocorrelacin parcial es cero porque no existe relacin lineal directa entre o o ellas: existe relacin lineal, k = 0 , pero es indirecta a travs de las variables intermedias o e por lo que, una vez controlado el efecto de estas, la correlacin entre Yt e Ytk es nula y o pk = 0 . Modelo M A(q): Yt = at + 1 at1 + 2 at2 + 3 at3 + . . . + q atq La FACP de un modelo de medias mviles nito es innita y decrece rpidamente hacia o a cero, de forma exponencial cuando las ra del polinomio de medias mviles son reales y ces o en forma de onda seno-coseno amortiguada si las ra del citado polinomio son complejas. ces Esta estructura es lgica dado que la representacin AR de un modelo M A(q) es innita. o o Modelo ARM A(p, q): Yt = at + 1 Yt1 + 2 Yt2 + . . . + p Ytp + at + 1 at1 + 2 at2 + . . . + q atq La FACP de un modelo ARM A(p, q) es innita y los p primeros coecientes de la FACP dependen de los parmetros autorregresivos y de los de medias mviles y, a partir del a o retardo p + 1 , depende unicamente de la estructura de la parte de medias mviles, de o forma que, decrece rpidamente hacia cero, de forma exponencial cuando las ra a ces del polinomio de medias mviles son reales y en forma de onda seno-coseno amortiguada si o las ra ces del citado polinomio son complejas. Comparando la estructura de las funciones de autocorrelacin simple y parcial estimadas con o las caracter sticas bsicas de las funciones de autocorrelacin tericas de la tabla siguiente, se a o o puede identicar el / los procesos que podr haber generado la serie bajo estudio. an FAC M A(q) AR(p) ARM A(p, q) Se anula para j > q Decrecimiento rpido a No se anula Decrecimiento rpido a No se anula 63 FACP Decrecimiento rpido a No se anula Se anula para j > p Decrecimiento rpido a No se anula

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Ahora bien, para la identicacin del modelo apropiado slo se cuenta con las estimaciones de o o la FAC y de la FACP a partir de los datos de la serie Yt . Los estimadores de los coecientes de autocorrelacin k y pk son variables aleatorias que tienen una distribucin de probabilidad y o o tomarn diferentes valores para diferentes realizaciones de Yt . Por lo tanto, para identicar el a orden del proceso ARM A(p, q) adecuado para la serie, es preciso determinar la estructura de las FAC y FACP estimadas realizando contrastes sobre la signicacin individual de los coecientes o de autocorrelacin simple y parcial estimados. o El estimador de los coecientes de autocorrelacin k dado por (5.10) es una variable aleatoria o que se distribuye asintticamente como sigue bajo el supuesto de que Zt es gaussiano y k > 0, o
a

k N (k , V (k ))

con

V (k )

1 T

Se desea realizar el siguiente contraste de hiptesis para k = 1, 2, . . . , T /3 o H0 : k = 0 Ha : k = 0 Bajo la hiptesis nula el estad o stico de contraste se distribuye asintticamente como o k V (k )
a

N (0, 1)

Se rechaza la H0 a un nivel de signicacin del 5 % si o k V (k ) o anlogamente, a |k | 1,96 k N0,025 = 1, 96

2 T

2 Por lo tanto, son las bandas de conanza que delimitan la zona de signicatividad del T coeciente k . En lo que se reere a la funcin de autocorrelacin parcial, los coecientes de autocorrelacin o o o parcial muestrales pk , con k > p, se distribuyen asintticamente como sigue para procesos AR(p): o
a

pk N (0, V (k )) p

con

V (k ) p

1 T

En la prctica, para obtener las bandas de conanza para pk se aplica esta distribucin indea o pendientemente del tipo de proceso que haya generado la serie. Se desea realizar el siguiente contraste de hiptesis para k = 1, 2, . . . , T /3 o H0 : pk = 0 Ha : pk = 0 64

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Bajo la hiptesis nula el estad o stico de contraste se distribuye asintticamente como o pk V (k ) p


a

N (0, 1)

Se rechaza la H0 de no signicatividad del coeciente de autocorrelacin a un nivel de signicao cin del 5 % si o pk V (k ) p N0,025 = 1, 96 o anlogamente, a |k | 1,96 p (k ) p 2 T

2 Por lo tanto, son las bandas que delimitan la zona de signicatividad del coeciente pk . T Cuando se procede a la identicacin de un modelo ARM A(p, q) hay que tener en cuenta que o identicar el modelo a travs de las funciones de autocorrelacin simple y parcial estimadas no es e o una tarea sencilla. En esta primera etapa no se trata tanto de identicar el modelo correcto, sino de acotar un subconjunto de modelos ARIMA que han podido generar la serie. Posteriormente, en la fase de estimacin y validacin, dependiendo de los resultados, se vuelve a plantear la o o identicacin del proceso. o A la hora de interpretar las funciones de autocorrelacin estimadas no se debe dar demasiada o importancia a cada detalle que pueda aparecer en los datos. En general, se trata de buscar los modelos ms sencillos que reproduzcan las caracter a sticas de la serie. Es preciso tener en cuenta que, por un lado, hay cierta probabilidad de obtener algn coeciente signicativo aunque los u datos fueran generados por un ruido blanco y, por otro lado, que al determinar qu retardos e pueden ser signicativamente distintos de cero, tambin hay que considerar la interpretacin e o que se les pueda dar. Adems, los coecientes de autocorrelacin muestral estn correlacionados a o a entre s por lo que en el correlograma muestral pueden aparecer ciertas ondulaciones que no se , corresponden con el correlograma terico. La tarea de identicacin ser ms fcil cuanto mayor o o a a a sea el tamao de muestra. n Ejemplo 6.3. Pieles de Lince. El grco 5.7 muestra las funciones de autocorrelacin simple y parcial estimadas para la serie a o estacionaria Zt = ln(Yt ) = Ln(lince). La FAC estimada muestra una estructura innita decreciendo en forma de onda seno-coseno amortiguada que sugiere un modelo AR(p) o ARM A(p, q) con parte autorregresiva de orden mayor o igual que 2. El anlisis de la FACP muestra, segn a u el resultado de los contrastes de signicacin individual, que los tres primeros coecientes son o signicativamente distintos de cero y el resto no. Segn esta interpretacin, la FACP estar u o a truncada en el retardo 3 y el modelo adecuado para haber generado la serie ser un AR(3). a Ahora bien, estudiando el comportamiento general de la FACP, tambin se puede interpretar que e tiene una estructura innita que 2 decrece rpidamente a partir del retardo con forma c a clica. En este caso el modelo ms sencillo que recoger esta estructura ser un ARM A(2, 1). a a a Por lo tanto, se podr identicar dos modelos adecuados, en principio, para la serie estacionaria: an a) Zt AR(3) 65 b) Zt ARM A(2, 1)

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Grco 5.7: FAC y FACP estimadas de la serie Ln(lince). a


FAC de Ln(lince) 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

FACP de Ln(lince) 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

Grco 5.8: FAC y FACP estimadas de la serie (1-L) Ln(Produccion). a


FAC de D Ln(Produccin) 1 0.5 0 0.5 1 0 5 10 15 20 retardo 25 30 35 + 1,96/T^0,5

FACP de D Ln(Produccin) 1 0.5 0 0.5 1 0 5 10 15 20 retardo 25 30 35 + 1,96/T^0,5

66

Anlisis de Series Temporales: modelos ARIMA a Ejercicio 6.3. Produccin de tabaco. o

SARRIKO-ON 4/09

La gura 5.8 muestra las funciones de autocorrelacin simple y parcial estimadas para la transo formacin estacionaria de la serie Produccin de Tabaco, Zt = ln(Yt ) = D Ln(Produccion). o o Pregunta: Qu modelo o modelos ARM A(p, q) propones para la serie estacionaria? e B. Inclusin del trmino independiente o e Recordemos que la media de un proceso ARM A(p, q) estacionario est directamente relacionada a con la constante . Si esta constante es cero, entonces la media del proceso es cero. Para decidir si se incluye un trmino independiente no nulo en el modelo, se contrastar si la media de la e a serie estacionaria es o no cero, H0 : E(Zt ) = 0 Ha : E(Zt ) = 0, El estad stico de contraste es: t = Z H0 t(T 1) Z

donde Z es el estimador de la varianza de la media muestral Z que viene dado por: 2 Z = 2 C0 (1 + 21 + 22 + . . . + 2n ) T (5.11)

donde C0 = (Zt Z)2 /(T 1) es la varianza muestral de la serie estacionaria y (1 , 2 , . . . , n ) representan las n primeras autocorrelaciones muestrales signicativas de Zt . En ocasiones, para calcular esta varianza, se aplica la siguiente aproximacin: o Z = 2 C0 T

Se rechazar la H0 : E(zt ) = 0 a un nivel de signicacin y, por lo tanto, se incluir el a o a parmetro en el modelo si: a t > t/2 (T 1)

Ejemplo 6.4. Pieles de Lince. La gura de la izquierda del grco 5.3 muestra la serie estacionaria Ln(lince) que parece oscilar a en torno a una media diferente de cero. La siguiente tabla muestra los estad sticos descriptivos principales de la serie estacionaria Zt = ln(Yt ) que se van a utilizar para contrastar si la media es o no nula. 67

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Estad sticos principales, usando las observaciones 1821 - 1933 para la variable Ln(lince) (113 observaciones vlidas) a Media 6, 68671 Desv. T p. 1, 27356 Mediana 6, 66441 C.V. 0, 190462 M nimo 3, 66356 Asimetr a 0, 374282 Mximo a 8, 85238 Exc. de curtosis 0, 668913

La distribucin del estad o stico de contraste bajo la hiptesis nula H0 : E(Zt ) = 0 es: o t = Z t(180 1) Z

Segn los estad u sticos principales, Z = 6, 66 y: Z = por lo tanto, (1, 276)2 (1 + 2 0, 78 + 2 0, 35 + . . . 2 0, 192) = 0,0095 180 t =

6, 66 = 701, 05 > t0,025 (180 1) 2 0, 0095 Se rechaza la H0 : E(Zt ) = 0 para un del 5 % y se incluye un trmino constante en el modelo. e Resumiendo, se proponen los dos modelos siguientes para la serie estacionaria: (1) (2) AR(3) : Zt = + 1 Zt1 + 2 Zt2 + 3 Zt3 + at Zt = + 1 Zt1 + 2 Zt2 + at + at1

ARM A(2, 1) :

Ejercicio 6.4. Serie Produccin de tabaco. o En la gura derecha del grco 5.5 se presenta la transformacin estacionaria de la serie Proa o duccin de Tabaco, Zt = ln(Yt ) que parece oscilar en torno a cero y la siguiente tabla muestra o los principales estad sticos descriptivos de la misma. Estad sticos principales, usando las observaciones 1871 - 1984 para la variable D Ln(Produccion) (113 observaciones vlidas) a Media 0, 0147324 Desv. T p. 0, 203842 Preguntas: Es preciso incluir un trmino independiente en la especicacin del modelo? e o Escribe el/los modelos ARM A(p, q) que podr an haber generado la serie. 68 Mediana 0, 0199342 C.V. 13, 8363 M nimo 0, 565523 Asimetr a 0, 711632 Mximo a 1, 03192 Exc. de curtosis 4, 94746

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

5.3.

Estimacin o

Una vez identicados el/los procesos estocsticos que han podido generar la serie temporal Yt , a la siguiente etapa consiste en estimar los parmetros desconocidos de dichos modelos: a = (, 1 , . . . , p , 1 , . . . , q ) y
2 a

Estos parmetros se pueden estimar de forma consistente por M a nimos Cuadrados o Mxima a Verosimilitud. Ambos mtodos de estimacin se basan en el clculo de las innovaciones, at , a e o a partir de los valores de la serie estacionaria. El mtodo de M e nimos Cuadrados minimiza la suma de cuadrados: M in a2 (5.12) t
t

La funcin de verosimilitud se puede derivar a partir de la funcin de densidad conjunta de las o o innovaciones, a1 , a2 , . . . , aT , que, bajo el supuesto de normalidad, es como sigue: f (a1 , a2 , . . . , aT )
T T

exp
t=1

a2 t 2 2

(5.13)

Para resolver el problema de estimacin, las ecuaciones (5.12) y (5.13) se han de expresar en o funcin del conjunto de informacin y de los parmetros desconocidos del modelo. Para un o o a modelo ARM A(p, q), la innovacin se puede escribir como: o
p q

at = Zt
i=1

i Zti
i=1

i ati

(5.14)

Por lo tanto, para calcular las innovaciones a partir de un conjunto de informacin y de un vector o de parmetros desconocidos, se necesitan un conjunto de valores iniciales Z0 , Z1 , . . . , Zp1 y a a0 , a1 , . . . , aq1 . En la prctica, el procedimiento seguido es aproximar las innovaciones imponiendo una serie de a condiciones sobre los valores iniciales, con lo que se obtienen los denominados estimadores de M nimos Cuadrados Condicionados y Mximo veros a miles Condicionados. La condicin que se o impone habitualmente sobre los valores iniciales es que las p primeras observaciones de Zt son los valores iniciales y las innovaciones previas son cero. En este caso, se calculan las innovaciones segn la ecuacin (5.14) de t = p + 1 en adelante. Los estimadores Mximo veros u o a miles condicionados a las p primeras observaciones son iguales a los estimadores M nimos Cuadrados condicionados. Existen mtodos para obtener estimadores Mximos veros e a miles no condicionados, basados en la maximizacin de la funcin de verosimilitud exacta que se obtiene como una combinacin de la o o o funcin de verosimilitud condicionada y la funcin de densidad no condicionada para los valores o o iniciales.

69

SARRIKO-ON 4/09 Ejemplo 6.5. Pieles de lince.

Anlisis de Series Temporales: modelos ARIMA a

En las siguientes tablas se encuentran los resultados de la estimacin de los dos modelos proo puestos para la transformacin estacionaria Zt = ln(Yt ) = Ln(lince). o Modelo 1: estimaciones ARMA utilizando las 113 observaciones 18211933 Variable dependiente: Ln(lince) Coeciente Desv. t pica estad stico t valor p const 1 2 3 6,68527 1,14741 0,340902 0,258269 0,114106 0,0902207 0,137053 0,0903199 58,5883 12,7179 2,4874 2,8595 6,68671 1,27356 0,00562629 0,296613 92,887 Mdulo o 1, 1117 1, 1117 3, 1327 Frecuencia 0, 0983 0, 0983 0, 5000 0,0000 0,0000 0,0129 0,0042

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 0, 9064 0, 9064 3, 1327 Imaginaria 0, 6438 0, 6438 0, 0000

AR

Ra z Ra z Ra z

1 2 3

Modelo 2: estimaciones ARMA utilizando las 113 observaciones 18211933 Variable dependiente: Ln(lince) Coeciente Desv. t pica estad stico t valor p const 1 2 1 6,68440 1,49195 0,817975 0,328985 0,106330 0,0648607 0,0578566 0,0982730 62,8649 23,0023 14,1380 3,3477 6,68671 1,27356 0,00587872 0,296583 92,876 Mdulo o 1, 1057 1, 1057 3, 0397 Frecuencia 0, 0956 0, 0956 0, 0000 0,0000 0,0000 0,0000 0,0008

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 0, 9120 0, 9120 3, 0397 Imaginaria 0, 6252 0, 6252 0, 0000 70

AR MA

Ra z Ra z Ra z

1 2 1

Anlisis de Series Temporales: modelos ARIMA a Los modelos estimados son: (1) (2) AR(3) :

SARRIKO-ON 4/09

Zt = + 1, 14 Zt1 0, 34 Zt2 0, 26 Zt3 + at


(0, 10) (0, 14) (0, 09)

ARM A(2, 1) :

Zt = + 1, 50 Zt1 0, 82 Zt2 + at 0, 34 at1


(0, 07) (0, 08) (0, 13)

La estimacin de la constante dada por Gretl es la media estimada de la serie estacionaria: o si el modelo estimado es un M A(q): const = C = =

si el modelo estimado es un AR(p) o ARM A(p, q): const = C = = Para la serie de Pieles de lince: (1) C = = 6, 68 = 1 1 2 3 = 1 1, 14 + 0, 34 + 0, 26 = 6, 68 0, 46 = 3, 07 1 1 2 . . . p

(2) C = = 6, 68 =

= 1 1, 50 + 0, 82 1 1 2

= 6, 68 0, 32 = 2, 13

Por ultimo, la estimacin de la varianza del ruido blanco, 2 , viene dada por: o 2 = Por lo tanto, (1) 2 = a2 32, 88223 = = 0, 30731 pq T 110 3 0 32, 88891 a2 = = 0, 30737 T p q 110 2 1 a2 pq T

(2) 2 =

Por lo que los modelos estimados para la serie de Pieles de lince son: (1) Zt = 3, 07 + 1, 14 Zt1 0, 34 Zt2 0, 26 Zt3 + at
(0, 10) (0, 14) (0, 09)

2 = 0, 30731 2 = 0, 30737

(2) Zt = 2, 13 + 1, 50 Zt1 0, 82 Zt2 + at 0, 34 at1


(0, 07) (0, 08) (0, 13)

71

SARRIKO-ON 4/09 Ejercicio 6.5. Produccin de tabaco. o

Anlisis de Series Temporales: modelos ARIMA a

En las siguientes tablas se encuentran los resultados de la estimacin de varios modelos para o la transformacin estacionaria, Zt = ln(Yt ) = DLn(P roduccion), de la serie Produccin de o o Tabaco. Pregunta: Escribe los correspondientes modelos estimados.

Modelo 1: estimaciones ARIMA utilizando las 113 observaciones 18721984 Variable dependiente: (1 L) Ln(Produccion) Coeciente Desv. t pica estad stico t valor p const 1 0,0142529 0,719692 0,00443753 0,0613815 3,2119 11,7249 0,0147324 0,203842 0,00227119 0,0270321 43,3014 Mdulo o 1, 3895 Frecuencia 0, 0000 0,0013 0,0000

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 1, 3895 Imaginaria 0, 0000

MA

Ra z

Modelo 2: estimaciones ARIMA utilizando las 113 observaciones 18721984 Variable dependiente: (1 L) Ln(Produccion) Coeciente Desv. t pica estad stico t valor p const 1 2 0,0142527 0,720531 0,00102293 0,00444005 0,0991205 0,0948359 3,2100 7,2692 0,0108 0,0147324 0,203842 0,00226524 0,0270320 43,3014 Mdulo o 1, 3906 702, 9871 Frecuencia 0, 0000 0, 0000 0,0013 0,0000 0,9914

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 1, 3906 702, 9871 Imaginaria 0, 0000 0, 0000

MA

Ra z Ra z

1 2

72

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

5.4.

Validacin del modelo o

En la etapa de validacin, diagnosis o chequeo se procede a evaluar la adecuacin de los modelos o o estimados a los datos. Se tiene en cuenta: a) Si las estimaciones de los coecientes del modelo son signicativas y cumplen las condiciones de estacionariedad e invertibilidad que deben satisfacer los parmetros del modelo. a b) Si los residuos del modelo tienen un comportamiento similar a las innovaciones, es decir, si son ruido blanco.

5.4.1.

Anlisis de coecientes estimados a

En primer lugar, se han de realizar los contrastes habituales de signicacin individual de los o coecientes AR y M A: = (, 1 , 2 , . . . , p , 1 , . . . , q ) para comprobar si el modelo propuesto est sobreidenticado, es decir, si se ha incluido estructura a que no es relevante. En el caso ms general de un ARM A(p, q) con constante se plantean los siguientes contrastes: a H0 : = 0 H0 : i = 0 H0 : i = 0 frente a frente a frente a Ha : = 0 Ha : i = 0 Ha : i = 0 (5.15) (5.16) (5.17)

En general, la distribucin asinttica de los estimadores es la siguiente: o o i N (i , V (i )) i

con la varianza dada por la inversa de la matriz de informacin. De forma que, para contrastar o la H0 de no signicatividad individual de los parmetros se utilizar el estad a a stico t habitual que sigue asintticamente una distribucin normal: o o t= i 0 V (i ) N (0, 1)

Se rechazar la hiptesis nula a un nivel de signicacin = 5 %, cuando: a o o i V (i ) > N/2 (0, 1) 2

Por otro lado, es importante comprobar si las condiciones de estacionariedad e invertibilidad se satisfacen para el modelo propuesto. Para ello, se calculan las ra del polinomio autorregresivo, ces 73

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

(L) = 0 , y las ra ces del polinomio de medias mviles, (L) = 0. Si alguna de estas ra o ces est prxima a la unidad podr indicar falta de estacionariedad y/o invertibilidad. a o a Por ultimo, es conveniente tambin analizar la matriz de covarianzas entre los parmetros esti e a mados con el n de detectar la posible presencia de una correlacin excesivamente alta entre las o estimaciones de los mismos lo que puede ser una indicacin de la presencia de factores comunes o en el modelo. Ejemplo 6.6. Pieles de lince. Para realizar los contrastes de diagnstico sobre los coecientes, se analizan los resultados de la o estimacin de los modelos 1 y 2 y las matrices de covarianzas siguientes. o Matriz de covarianzas de los coecientes (Modelo AR(3)) const 0, 0130202 phi 1 2, 48347e-05 0, 00813977 phi 2 4, 80732e-05 0, 0108657 0, 0187835 phi 3 5, 56654e-05 0, 00573862 0, 0109509 0, 00815768 const phi 1 phi 2 phi 3

Matriz de covarianzas de los coecientes (Modelo ARMA(2,1)) const 0, 0113060 phi 1 6, 16782e-05 0, 00420691 phi 2 5, 83053e-05 0, 00318008 0, 00334739 theta 1 0, 000117743 0, 00379432 0, 00256617 0, 00965758 const phi 1 phi 2 theta 1

Modelo AR(3). Anlisis de los coecientes. a Contrastes de signicatividad individual: H0 : C = 0 Ha : C = 0 C: C C , H0 : i = 0 Ha : i = 0 , 6, 68 0, 12 i = 1, 2, 3

= |55, 87| > N0,025 2

Se rechaza H0 : C = 0 para un nivel de signicacin del 5 %. o 1 :

1 1

1, 14 0, 10

= |12, 03| > N0,025 2

Se rechaza H0 : 1 = 0 para un nivel de signicacin del 5 %. o 74

Anlisis de Series Temporales: modelos ARIMA a 2 :

SARRIKO-ON 4/09

2 2

0, 34 0, 14

= | 2, 35| > N0,025 2

Se rechaza H0 : 2 = 0 para un nivel de signicacin del 5 %. o 3 : 3 3 = 0, 26 0, 09 = | 2, 78| > N0,025 2

Se rechaza H0 : 3 = 0 para un nivel de signicacin del 5 %. o Estacionariedad del modelo AR(3). Los mdulos de las ra del polinomio autorregresivo cumplen la condicin de estacionao ces o riedad: |L1 | = 1 >1 0, 32 |L2 | = |L3 | = 1 0, 732 + (0, 52)2 = 1 >1 0, 89

Las correlaciones entre los coecientes estimados que muestran la matriz de covarianzas no son muy altas: Corr(1 , 2 ) = Cov(1 , 2 ) V (1 )V (2 ) Cov(1 , 3 ) V (1 )V (3 ) Cov(2 , 3 ) V (2 )V (3 ) 0, 01 = = 0, 745 0, 009 0, 02 0, 006 = = 0, 666 0, 009 0, 009 0, 01 = = 0, 745 0, 02 0, 009

Corr(1 , 3 ) =

Corr(2 , 3 ) =

a Modelo ARMA(2,1). Anlisis de los coecientes. Contrastes de signicatividad individual: H0 : C = 0 Ha : C = 0 C: C C , H0 : i = 0 Ha : i = 0 , 6, 67 0, 11 i = 1, 2 , H0 : = 0 Ha : = 0

= |60, 87| > N0,025 2

Se rechaza H0 : C = 0 para un nivel de signicacin del 5 %. o 75

SARRIKO-ON 4/09 1 : 1 1 = 1, 50 0, 07

Anlisis de Series Temporales: modelos ARIMA a

= |20, 62| > N0,025 2

Se rechaza H0 : 1 = 0 para un nivel de signicacin del 5 %. o 2 : 2 2 = 0, 82 0, 06 = | 12, 87| > N0,025 2

Se rechaza H0 : 2 = 0 para un nivel de signicacin del 5 %. o :

0, 34 0, 13

= | 2, 70| > N0,025 2

Se rechaza H0 : = 0 para un nivel de signicacin del 5 %. o

Estacionariedad e invertibilidad del modelo ARM A(2, 1). Los mdulos de las ra del polinomio autorregresivo cumplen la condicin de estacionao ces o riedad: 1 1 |L1 | = |L2 | = >1 = 2 + (0, 51)2 0, 91 0, 75 El mdulo de la ra del polinomio medias mviles cumple la condicin de invertibilidad: o z o o |L| = 1 >1 0, 34

Las correlaciones entre los coecientes estimados que se recogen en la matriz de covarianzas no son muy altas. Corr(1 , 2 ) = Cov(1 , 2 ) V (1 )V (2 ) Cov(1 , ) 0, 004 = = 0, 894 0, 005 0, 004

Corr(1 , ) =

0, 006 = = 0, 671 0, 005 0, 016 V (1 )V () 0, 004 = 0, 5 = 0, 004 0, 016 V (2 )V () 76

Corr(2 , ) =

Cov(2 , )

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

5.4.2.

Anlisis de residuos. a

Si el modelo ARM A(p, q) elegido para la serie estacionaria Zt (por simplicidad, suponemos que EZt = 0) p (L) Zt = q (L) at es correcto, entonces at = estimado (5.18)

p (L) Zt es un proceso ruido blanco. Los residuos del modelo q (L) at = p (L) q (L) Zt (5.19)

son estimaciones de at . El anlisis de residuos consiste en una serie de contrastes de diagnstico a o con el objetivo de determinar si los residuos replican el comportamiento de un ruido blanco, es decir, si su media es cero, su varianza constante y las autocorrelaciones nulas. a) Para comprobar si la media es cero, se realiza un anlisis grco, representando los residuos a a a lo largo del tiempo y observando si los valores oscilan alrededor de cero. Adems se puede llevar a cabo el siguiente contraste de hiptesis: a o H0 : E(at ) = 0 Ha : E(at ) = 0, El estad stico de contraste se distribuye bajo la hiptesis nula como sigue: o t = T a C0 () a
a

N (0, 1)

(5.20)

donde a y C0 () son, respectivamente, la media y la varianza muestrales de los residuos. a No se rechaza la hiptesis nula al nivel de signicacin del 5 % si |t| 1,96. o o b) Varianza constante. Si en el grco de los residuos la dispersin de los mismos es constante, a o concluiremos que la varianza de at permanece constante. c) Ausencia de correlacin serial. o Si los residuos se comportaran como un ruido blanco, los coecientes de la FAC y FACP muestrales deben ser prcticamente nulos para todos los retardos. Para comprobarlo, se a pueden llevar a cabo: Contrastes de signicatividad individual sobre los coecientes de autocorrelacin:. o H0 : k (a) = 0 Ha : k (a) = 0 Bajo la hiptesis nula, se tiene que o
a

k (a) N 77

0,

1 T

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Se dir que at es un ruido blanco si los coecientes de autocorrelacin estimados estn a o a dentro del intervalo de no signicacin, es decir, si o 2 |k (a)| T para todo k o al menos para el 95 % de los coecientes estimados. Otra alternativa es realizar un contraste de signicatividad sobre un conjunto de coecientes de autocorrelacin, siendo la hiptesis nula, o o H0 : 1 (a) = 2 (a) = . . . = M (a) = 0 y la hiptesis alternativa que algn coeciente k sea no nulo, para k = 1, . . . , M . o u El estad stico ms utilizado para contrastar esta hiptesis es el propuesto por Ljunga o Box(1978):
M

Q (M ) = T (T + 2)
k=1

2 (a) k T k

H0 ,a

2 (M p q)

(5.21)

Se rechaza la hiptesis nula de ausencia de correlacin serial, para un nivel de signio o cacin del 5 %, para valores grandes del estad o stico, es decir, si Q (M ) > 2 (M p q) 0,05 En este caso, existir correlacin serial en los residuos del modelo por lo que se a o concluye que el modelo no ha sido capaz de reproducir el patrn de comportamiento o sistemtico de la serie y habr que reformularlo. a a

d) Contraste de normalidad. El estad stico ms utilizado es el de Jarque-Bera, que se dene: a JB = T p q 6 1 Asimetria2 + (Kurtosis 3)2 4

y que bajo la hiptesis nula de normalidad se distribuye asintticamente como 2 (2). Se o o rechaza la hiptesis nula de normalidad al nivel de signicacin del 5 % si JB > 5, 99. o o

Ejemplo 6.7. Pieles de Lince. El grco 5.9 muestra el grco y el correlograma de los residuos para cada uno de los modelos a a propuestos y estimados para esta serie. Se puede observar que el grco de los residuos de los dos modelos propuestos y estimados es a muy similar y oscila en torno a cero con una varianza bastante homognea. e En lo que se reere al correlograma de los residuos, tambin en los correlogramas de los residuos e de los dos modelos se observa, que la prctica totalidad de los coecientes de autocorrelacin a o 78

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 5.9: Ln(pieles de lince). Contrastes de diagnstico. a o


Modelo AR(3)
2 2 1.5 1.5

Modelo ARMA(2,1)

0.5

0.5

Residuo

Residuo
1820 1840 1860 1880 1900 1920

-0.5

-0.5

-1

-1

-1.5

-1.5

-2

-2 1820 1840 1860 1880 1900 1920

FAC de los residuos 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

FAC de los residuos 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

FACP de los residuos 1

FACP de los residuos 1

+- 1,96/T^0,5 +- los simple estimados se encuentran dentro de las bandas de no signicacin, sobre todo1,96/T^0,5 de los o 0.5 0.5 retardos ms bajos. a

0 Las0 siguientes tablas muestran los estad sticos descriptivos principales de los residuos de los dos modelos estimados para esta series. -0.5 -0.5
-1 0 5 10

Estad 20 principales, usando las observaciones 1821 - 20 1933 15 sticos 25 30 35 0 5 10 15 retardo para retardovariable uhat1 (113 observaciones vlidas) AR(3) la a Media 0, 00562629 Desv. T p. 0, 554851 Mediana 0, 0931793 C.V. 98, 6175 M nimo 1, 7580 Asimetr a 0, 128958 Mximo a 1, 87878 Exc. de curtosis 1, 00983

-1

25

30

35

Estad sticos principales, usando las observaciones 1821 - 1933 para la variable uhat2 (113 observaciones vlidas) ARMA(2,1) a Media 0, 00587872 Desv. T p. 0, 554805 Mediana 0, 0845680 C.V. 94, 3750 M nimo 1, 8127 Asimetr a 0, 203604 79 Mximo a 1, 78708 Exc. de curtosis 0, 871798

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

El estad stico de Box-Ljung proporciona los siguientes resultados: Modelo AR(3) Q(15) = 22, 42 < 2 (12) = 28, 30 0,05 Q(36) = 54, 36 < 57, 672 (33) = 28, 30 0,05 Modelo ARM A(2, 1) Q(15) = 21, 51 < 2 (12) = 28, 30 0,05 Q(36) = 51, 70 < 2 (33) = 57, 67 0,05

Por lo que no se rechaza la hiptesis nula de que los coecientes de autocorrelacin son cero. o o En lo que se reere al contraste de Jarque-Bera de Normalidad, se tiene que: Modelo AR(3) JB = 4, 71 < 2 (2) = 5, 99 0,05 No se rechaza H0 Modelo ARM A(2, 1) JB = 4, 05 < 2 (2) = 5, 99 0,05 No se rechaza H0

Ambos modelos propuestos satisfacen los contrastes de diagnstico por lo que ambos recogen la o estructura de la serie Pieles de Lince Ejercicio 6.6. Produccin de tabaco. o Estos son los resultados de estimar dos modelos para la serie Ln(Produccion). Estad sticos principales, usando las observaciones 1871 - 1984 para la variable uhat1 (113 observaciones vlidas) MA(1) a Media 0, 00227119 Desv. T p. 0, 166397 Mediana 0, 00881448 C.V. 73, 2644 M nimo 0, 550063 Asimetr a 0, 0241193 Mximo a 0, 650369 Exc. de curtosis 2, 14855

Estad sticos principales, usando las observaciones 1871 - 1984 para la variable uhat2 (113 observaciones vlidas) MA(2) a Media 0, 00226524 Desv. T p. 0, 166395 Mediana 0, 00864620 C.V. 73, 4557 M nimo 0, 550058 Asimetr a 0, 0253168 Mximo a 0, 649804 Exc. de curtosis 2, 14227

80

Anlisis de Series Temporales: modelos ARIMA a


Modelo ARIMA(0,1,1)
Residuos de la regresin (= L_Produccion observada estimada) 0.8 0.8

SARRIKO-ON 4/09
Modelo ARIMA(0,1,2)
Residuos de la regresin (= L_Produccion observada estimada)

0.6

0.6

0.4

0.4

0.2 residuo residuo 0

0.2

0.2

0.2

0.4

0.4

0.6 1880 1900 1920 1940 1960 1980

0.6 1880 1900 1920 1940 1960 1980

FAC de los residuos 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5


1 0.5 0 -0.5 -1 0 5 10

FAC de los residuos +- 1,96/T^0,5

15

20 retardo

25

30

35

FACP a = 0, 0025 de los residuos t = 0, 145 a 1 0.5 0 -0.5 -1 0 5 10

Normalidad: JB = 2,49

+- 1,96/T^0,5

1 0.5

FACP de los residuos a = 0, 0028 at = 0, 145

Normalidad: JB = 2,59

+- 1,96/T^0,5

Autocorrelacin: Q(15) = 10,86 o

Q(36) = 18,59

Autocorrelacin: Q(15) = 10,86 o 0


-0.5

Q(36) = 18,58

Matriz de covarianzas de los coecientes (Modelo MA(1)). -1


15 20 retardo 25 const 30 1, 96917e-05

1 6, 82024e-07 0, 00376769

35theta

10

15

const theta 1

20 retardo

25

30

35

Matriz de covarianzas de los coecientes (Modelo MA(2)). const 1, 97140e-05 theta 1 1, 90397e-06 0, 00982488 theta 2 1, 50197e-06 0, 00737726 0, 00899385 const theta 1 theta 2

Pregunta: Qu modelo de los dos propuestos seleccionar para la serie Produce as cin de tabaco? o

81

SARRIKO-ON 4/09 Apndice A. Datos. e

Anlisis de Series Temporales: modelos ARIMA a

Cuadro 5.4: Pieles de lince (1821-1930) Ao n 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 Pieles 269 321 585 871 1475 2821 3928 5943 4950 2577 523 98 184 279 409 2285 2685 3409 1824 Ao n 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 Pieles 409 151 45 68 213 546 1033 2129 2536 957 361 377 225 360 731 1638 2725 2871 2119 Ao n 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 Pieles 684 299 236 245 552 1623 3311 6721 4254 687 255 473 358 784 1594 1676 2251 1426 756 Ao n 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 Pieles 299 201 229 469 736 2042 2811 4431 2511 389 73 39 49 59 188 377 1292 4031 3495 Ao n 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 Pieles 587 105 387 758 1307 3465 6991 6313 3794 1836 345 382 808 1388 2713 3800 3091 2985 790 Ao n 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 Pieles 674 81 80 108 229 1132 2432 3574 2935 1537 529 485 662 1000 1590

82

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Cuadro 5.5: Produccion de tabaco (1872-1984) Ao n 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 Pieles 327 385 382 217 609 466 621 455 472 469 426 579 509 580 611 609 469 661 525 Ao n 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 Pieles 648 747 757 767 767 745 760 703 909 870 852 886 960 976 857 939 973 886 836 Ao n 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 Pieles 1054 1142 941 1117 992 1037 1157 1207 1326 1445 1444 1509 1005 1254 1518 1245 1376 1289 1211 Ao n 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 Pieles 1373 1533 1648 1565 1018 1372 1985 1302 1163 1569 1386 1881 1460 1262 1408 1406 1951 1991 1315 Ao n 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 Pieles 2107 1980 1969 2030 2332 2256 2059 2244 2193 2176 1668 1736 1796 1944 2061 2315 2344 2228 1855 Ao n 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 Pieles 1887 1968 1710 1804 1906 1705 1749 1742 1990 2182 2137 1914 2025 1527 1786 2064 1994 1429

83

SARRIKO-ON 4/09 Apndice B. Contraste de Dickey-Fuller e

Anlisis de Series Temporales: modelos ARIMA a

Tablas de valores cr ticos del estad stico de Dickey-Fuller Modelo sin constante T 0,01 25 50 100 250 500 -2,66 -2,62 -2,60 -2,58 -2,58 -2,58 0,025 - 2,26 - 2,25 - 2,24 - 2,24 - 2,23 - 2,23 Nivel de signicacin o 0,05 -1,95 -1,95 -1,95 -1,95 -1,95 -1,95 0,10 -1,60 -1,61 -1,61 -1,62 -1,62 -1,62 0,9 0,92 0,91 0,90 0,89 0,89 0,89 0,95 1,33 1,31 1,29 1,29 1,28 1,28 0,975 1,70 1,66 1,64 1,63 1,62 1,62 0,99 2,16 2,08 2,03 2,01 2,00 2,00

Por ejemplo, para un tamao de muestra T = 25 y = 0, 01, se tiene que n P rob(t < 2, 66) = 0, 01.

Modelo con constante T 0,01 25 50 100 250 500 -3,75 -3,58 -3,51 -3,46 -3,44 -3,43 0,025 - 3,33 - 3,22 - 3,17 - 3,14 - 3,13 - 3,12 Nivel de signicacin o 0,05 -3,00 -2,93 -2,89 -2,88 -2,87 -2,86 0,10 -2,63 -2,60 -2,58 -2,57 -2,57 -2,57 0,9 -0,37 -0,40 -0,42 -0,42 -0,43 -0,44 0,95 0,00 -0,03 -0,05 -0,06 -0,07 -0,07 0,975 0,34 0,29 0,26 0,24 0,24 0,23 0,99 0,72 0,66 0,63 0,62 0,61 0,60

Por ejemplo, para un tamao de muestra T = 25 y = 0, 01, se tiene que n P rob(tc < 3, 75) = 0, 01.

84

Cap tulo 6 Prediccin ptima con modelos o o ARIMA(p, d, q)


El objetivo es obtener predicciones ptimas de Yt en algn momento futuro basadas en un o u conjunto de informacin dado que en el caso del anlisis de series temporales univariante esta o a formado por el pasado disponible de la serie temporal IT = {YT , YT 1 , YT 2 , YT 2 , . . .} (6.1)

Supongamos que se observa una serie temporal denotada por Yt , para t = 0 hasta t = T , donde T es la ultima observacin de que disponemos. La prediccin de series temporales supone decir o o algo sobre el valor que tomar la serie en momentos futuros T + , donde representa el nmero a u de periodos en el futuro que estamos considerando. A la prediccin de YT + con informacin o o hasta el momento T la vamos a denotar por YT ( ). Si = 1, entonces se predice el valor de YT +1 y se calcula lo que se denomina prediccin un periodo hacia adelante. Si = 3, entonces o se predice el valor de YT +3 y se calcula la prediccin tres periodos hacia adelante, etc. o Como estamos considerando que la serie temporal es una realizacin de un proceso estocstico o a estacionario, el valor que se quiere predecir, YT + , es tambin una variable aleatoria. Para e predecir una variable aleatoria, se deber predecir su funcin de distribucin y as poder hacer a o o armaciones tales como: prob(163 < YT + 190) = 0, 42. Ahora bien, en general, va a ser muy dif determinar completamente la forma de la funcin de densidad sin hacer supuestos cil o muy fuertes y poco realistas sobre la forma de esta funcin. Un objetivo menos ambicioso o ser disear unos intervalos de conanza alrededor del valor YT + , que nos permitan decir que a n prob(B < YT + A) = 0, 95 . Estos valores A y B permiten poner unos l mites al valor que se quiere predecir con un grado de conanza de estar en lo cierto sucientemente alto. Es interesante distinguir entre prediccin por intervalo que conlleva la construccin de estos o o intervalos de prediccin y la prediccin por punto, que implica simplemente asignar un valor o o a YT + que de alguna manera represente a toda la distribucin de valores. Por ejemplo, una o prediccin por punto ser armar que se predice un nmero de ocupados en el sector industrial o a u el primer trimestre de 2010 de 120.000. Un ejemplo de la prediccin por intervalo, ser decir: o a se predice un nmero de ocupados en el sector industrial el primer trimestre de 2010 entre u 100.000 y 140.000 con una probabilidad de 0,95. Si el mtodo de prediccin es bueno y si e o pudiramos hacer un secuencia de predicciones de este tipo, es de esperar que el nmero real de e u ocupaados estar fuera de los intervalos construidos solo en un 5 % de los casos. a 85

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Por predictor ptimo (o prediccin ptima) se denomina a quel que es la mejor en el sentido de o o o a que minimiza una determinada funcin de prdida. Lo ms usual es minimizar el Error Cuadrtio e a a co Medio de Prediccin, por lo que diremos que YT ( ) es un predictor ptimo si minimiza el o o ECMP, es decir, si cumple que:
E[YT + YT ( )]2 E[YT + YT ( )]2 YT ( )

Se puede demostrar que, bajo condiciones de regularidad muy dbiles, el predictor por punto e o ptimo viene dado por la esperanza condicionada al conjunto de informacin: o YT ( ) = E[YT + |IT ] = E[YT + |YT , YT 1 , YT 2 , YT 3 , . . .] = ET [YT + ] es decir, por el valor esperado de la distribucin de YT ( ) condicionada la informacin disponible. o o Nada garantiza que esta esperanza condicionada sea una funcin lineal del pasado de la serie. o Pero si el proceso sigue una distribucin normal, se puede demostrar que la esperanza condicioo nada se puede expresar como una funcin lineal del conjunto de informacin, IT . Por lo tanto, o o bajo el supuesto de normalidad, el predictor ptimo en el sentido de minimizar el ECMP es o lineal. Si no se cumple este supuesto, la proyeccin lineal de YT + en su pasado proporcionar o a el predictor ptimo dentro de la clase de predictores lineales. o La prediccin ptima por intervalo se construir a partir de la distribucin del error de prediccin o o a o o que, bajo el supuesto de que at RBN (0, 2 ) , es la siguiente: eT ( ) = YT + YT ( ) N (0, V (eT ( ))) Tipicando se obtiene: YT + YT ( ) 0 V (eT ( )) N (0, 1)

De forma que el intervalo de prediccin de probabilidad (1 ) % es: o YT ( ) N/2 V (eT ( )), YT ( ) + N/2 V (eT ( ))

6.1.

Prediccin con modelos estacionarios o

Consideremos el modelo lineal general (3.2), M A() y el conjunto de informacin dado por (6.1). o La estrategia de prediccin se va a basar en escribir el valor que se desea predecir, YT + , tal o y como se genera en funcin del modelo para luego obtener la prediccin ptima calculando o o o la esperanza condicionada al conjunto de informacin. Para la representacin medias mviles o o o general, YT + viene dado por: YT + = aT + + 1 aT +
1

+ 2 aT +

+...+

1 aT +1

+ aT +

+1 aT 1

+2 aT 2

+...

Tomando la esperanza condicionada al conjunto de informacin, se obtiene: o YT ( ) = ET [YT + ] = aT +


+1 aT 1

+2 aT 2

+3 aT 3

+ ...

86

Anlisis de Series Temporales: modelos ARIMA a dado que: ET (aT +j ) = aT +j E(aT +j ) = 0 j0 j>0

SARRIKO-ON 4/09

La perturbacin at es la innovacin en el momento t. Si, dado el conjunto de informacin IT , se o o o conoce el verdadero valor de Yt , como la parte sistemtica se puede predecir mediante el modelo, a la perturbacin at = Yt P S t est determinada, es ja. Si, dado IT , no se conoce el verdadero o a valor de Yt , entonces la innovacin at no est determinada por el conjunto de informacin, con o a o lo que su media condicionada ser la misma que su media no condicionada, es decir, cero. a Los errores de prediccin son: o eT (1) = YT +1 YT (1) = aT +1 + 1 aT + 2 aT 1 + 3 aT 2 + . . . (1 aT + 2 aT 1 + 3 aT 3 + . . .) = aT +1 eT (2) = YT +2 YT (2) = aT +2 + 1 aT +1 + 2 aT + 3 aT 1 + . . . (2 aT + 3 aT 1 + 4 aT 2 + . . .) = aT +2 + 1 aT +1 ... = ... eT ( ) = YT + YT ( ) = aT + + 1 aT + + aT +
+1 aT 1 +1 aT 1 1 1

+ 2 aT +

+ ... +

1 aT +1

+2 aT 2 +2 aT 2 2

+ ... +
+3 aT 3

( aT +

+ . . .) =

= aT + + 1 aT +

+ 2 aT +

+ ... +

1 aT +1

Los errores de prediccin son una combinacin lineal de las perturbaciones futuras aT + , = o o 1, 2, . . . con valor medio cero: ET (eT ( )) = ET [aT + + 1 aT +
1

+ 2 aT +

+ ... +

1 aT +1 ]

= 0

La varianza del error de prediccin o Error Cuadrtico Medio de Prediccin viene dado por: o a o VT (eT (1)) = ET [eT (1)]2 = ET [aT +1 ]2 = 2
2 VT (eT (2)) = ET [eT (2)]2 = ET [aT +2 + 1 aT +1 ]2 = (1 + 1 ) 2

... = ... V (eT ( )) = ET [eT ( )]2 = ET [aT + + 1 aT + = (1 +


2 1 1 2 i=0

+ 2 aT +
1 2 i

+ ... +

2 1 aT +1 ]

= (6.2)

2 2

+ ... +

21 )

87

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Como se puede observar la varianza del error de prediccin va creciendo conforme nos alejamos o en el futuro. Ahora bien, si el proceso es estacionario se cumple que:
2 i < i=1

por lo que esta varianza no crece indenidamente, sino que tiene una cota mxima nita. a Se puede observar que la perturbacin o innovacin at y su varianza 2 tienen una nueva o o interpretacin: o - at = Yt Yt1 (1) , es el error de prediccin un periodo hacia adelante. o - V (at ) = 2 , es la varianza del error de prediccin un periodo hacia adelante. o Si el proceso ruido blanco sigue una distribucin normal, se tiene que: o eT ( ) = YT + YT ( ) N [0, V (eT ( ))] Por lo que el intervalo de prediccin de probabilidad (1 ) % es: o YT +1 : YT +2 : . . . YT + : YT (1) N/2 YT (2) N/2 . . . YT ( ) N/2 2
i=0

YT (1) + N/2 ;

2
2 2 (1 + 1 )

2 2 (1 + 1 )

YT (2) + N/2

1 2 i

2 i

YT ( ) + N/2

2
i=0

6.1.1.

Prediccin con modelos MA(q). o

Comencemos por un modelo de medias mviles sencillo, por ejemplo, el M A(2) de media cero: o Yt = at 1 at1 2 at2 La funcin de prediccin es: o o YT +1 = aT +1 1 aT 2 aT 1 YT (1) = ET [YT +1 ] = ET [aT +1 1 aT 2 aT 1 ] = 1 aT 2 aT 1 YT +2 = aT +2 1 aT +1 2 aT YT (2) = ET [YT +2 ] = ET [aT +2 1 aT +1 2 aT ] = 2 aT 1 88 at RBN (0, 2 ) t = 1, 2, . . .

Anlisis de Series Temporales: modelos ARIMA a YT +3 = aT +3 1 aT +2 2 aT +1

SARRIKO-ON 4/09

YT (3) = ET [YT +3 ] = ET [aT +3 1 aT +2 2 aT +1 ] = 0 YT ( ) = ET [YT + ] = 0 (= E(Yt )) > 2 Por lo tanto, la funcin de prediccin de un M A(2), depende del conjunto de informacin, IT , o o o para = 1, 2 . A partir de > 2 , la prediccin ptima viene dada por la media del proceso. o o Estos resultados se pueden generalizar fcilmente para el modelo M A(q): a Yt = at 1 at1 2 at2 . . . q atq La funcin de prediccin es: o o YT ( ) = at RBN (0, 2 ) t = 1, 2, . . .

YT (1) = YT (2) = ... YT (q) = YT ( ) =

1 aT 2 aT 1 . . . q aT +1q 2 aT 3 aT 2 . . . q aT +2q ... q aT 0 = q + 1, q + 2, . . .

Como el modelo M A(2) est escrito directamente en forma medias mviles, se obtiene la varianza a o del error de prediccin aplicando la expresin (6.2) con i = i , i = 1, 2, . . . , q y i = 0, i > q: o o V (eT (1)) = 2 2 V (eT (2)) = (1 + 1 ) 2 ... ... V (eT ( )) = 2 2 2 V (eT (q)) = (1 + 1 + 2 + . . . + q1 ) 2 V (e ( )) = (1 + 2 + 2 + . . . + 2 ) 2 (= V (Y )) = q + 1, q + 2, . . . t T q 1 2 Aunque la varianza del error de prediccin es una funcin creciente de , el horizonte de predico o cin, tiene una cota mxima que viene dada por la varianza no condicionada del proceso y que o a se alcanza para = q. Se puede concluir que para un modelo M A(q) las predicciones para los q primeros horizontes de prediccin, = 1, 2, . . . , q , dependen del conjunto de informacin a travs de los errores de o o e prediccin un periodo hacia adelante aT , aT 1 , . . . , aT +1q , con lo que se mejora la prediccin o o respecto de la media no condicionada del proceso porque se predice con una varianza del error de prediccin menor que la varianza no condicionada del proceso. A partir de = q , el conjunto o de informacin no aporta nada a la prediccin porque las predicciones ptimas son la media no o o o condicionada del proceso y la varianza del error de prediccin es la varianza no condicionada del o proceso. Esto signica que, condicionando al conjunto de informacin, se obtienen los mismos o resultados que sin condicionar, luego a partir de = q , IT ya no es informativo. 89

SARRIKO-ON 4/09 La prediccin por intervalo viene dada por: o =1 =2 ... =q >q

Anlisis de Series Temporales: modelos ARIMA a

1 aT 2 aT 1 . . . q aT +1q N/2 2 aT 3 aT 2 . . . q aT +2q N/2 ... q aT N/2 0 N/2


2 2 2 (1 + 1 + . . . + q1 )

2
2 2 (1 + 1 )

2 2 2 2 (1 + 1 + . . . + q1 + q )

La amplitud de los intervalos de prediccin va creciendo con , con el l o mite impuesto por N/2
2 2 2 2 (1 + 1 + . . . + q1 + q ) = N/2

V (Yt )

6.1.2.

Prediccin con modelos AR(p) o

Consideremos el modelo autorregresivo ms sencillo, el AR(1). a Yt = Yt1 + at La funcin de prediccin es: o o YT +1 = YT + aT +1 YT (1) = ET [YT +1 ] = ET [ YT + aT +1 ] = YT YT +2 = YT +1 + aT +2 YT (2) = ET [YT +2 ] = ET [ YT +1 + aT +2 ] = ET [YT +1 ] = YT (1) YT +3 = YT +2 + aT +3 YT (3) = ET [YT +3 ] = ET [ YT +2 + aT +3 ] = ET [YT +2 ] = YT (2) De forma que la funcin de prediccin es: o o YT ( ) = YT ( ), dado que: ET (YT +j ) = YT +j E(YT (j)) 90 j0 j>0 = 1, 2, 3, . . . (6.3) at RBN (0, 2 ) t = 1, 2, . . .

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

La funcin de prediccin (6.3) recoge una regla de cadena para obtener las predicciones de un o o proceso autorregresivo unas en funcin de las otras hasta un futuro indenido. La trayectoria o de la funcin de prediccin depende de la estructura de la parte autorregresiva: o o YT (1) = YT YT (2) = YT (1) = YT = 2 YT YT (3) = YT (2) = 2 YT = 3 YT YT (4) = YT (3) = 3 YT = 4 YT YT ( ) = YT = 1, 2, 3, . . .

Como el proceso autorregresivo es estacionario, || < 1, y por lo tanto cuando nos alejamos en el futuro la funcin de prediccin tiende hacia la media no condicionada del proceso: o o l YT ( ) = 0 ( = E(Yt )) m

Para construir los intervalos de prediccin, se ha de obtener la varianza del error de prediccin. o o Para ello es preciso partir del modelo escrito en forma medias mviles. En el caso del AR(1): o (1 L) Yt = at Yt = 1 at 1 L

Yt = (1 + L + 2 L2 + 3 L3 + . . . ) at Yt = at + at1 + 2 at2 + 3 at3 + . . . Por lo que la varianza del error de prediccin se obtiene aplicando la frmula general (6.2) con o o i , i : 1 = 2 V (eT (1)) = V (e (2)) = (1 + 2 ) 2 T V (eT (3)) = (1 + 2 + (2 )2 ) 2 V (eT ( )) = V (e (4)) = (1 + 2 + (2 )2 + (3 )2 ) 2 T V (eT ( )) = (1 + 2 + (2 )2 + . . . + ( 1 )2 ) 2 La varianza del error de prediccin es monotonamente creciente conforme nos alejamos en el o futuro. Como el proceso es estacionario, esta varianza no crece indenidamente sino que tiene una cota superior dada por la varianza no condicionada del proceso: l V (eT ( )) = l 2 m m

1 + 2 + (2 )2 + . . . + ( 91

1 2

2 = V (Yt ) 1 2

SARRIKO-ON 4/09 La prediccin por intervalo es: o =1 =2 =3 ... YT N/2 2

Anlisis de Series Temporales: modelos ARIMA a

YT (1) N/2 YT (2) N/2 ...

2 (1 + 2 ) 2 (1 + 2 + (2 )2 )

YT ( 1) N/2

2 (1 + 2 + (2 )2 + . . . + (

1 )2 )

La amplitud de los intervalos de prediccin va creciendo con , con el l o mite impuesto por 2 = N/2 1 2

N/2

V (Yt )

Los resultados obtenidos para el modelo AR(1) se pueden extender para el modelo AR(p). En general, las funciones de prediccin de procesos autorregresivos puros, se obtendrn a partir de o a reglas de cadena: YT ( ) = 1 YT ( 1) + 2 YT ( 2) + 3 YT ( 3) + . . . + p YT ( p), = 1, 2, 3, . . .

La funcin de prediccin de un proceso AR(1) utiliza la ultima observacin YT para obtener o o o la prediccin un periodo hacia adelante y luego, a partir de sta, se obtienen el resto de las o e predicciones. En el caso de un autorregresivo de orden p autorregresivo de orden p, se utilizarn a las p ultimas observaciones para obtener las predicciones para = 1, 2, . . . , p, y el resto se obtienen a partir de las p primeras.

6.1.3.

Prediccin con modelos ARMA(p,q). o

Consideremos un modelo ARM A(p, q) sencillo, el ARM A(1, 2): Yt = + Yt1 + at 1 at1 2 at2 La media de este proceso no es cero si = 0 : E(Yt ) = 92 1 at RBN (0, 2 ) t = 1, 2, . . . (6.4)

Anlisis de Series Temporales: modelos ARIMA a Las predicciones por punto son: YT +1 = + YT + aT +1 1 aT 2 aT 1

SARRIKO-ON 4/09

YT (1) = ET [YT +1 ] = ET [ + YT + aT +1 1 aT 2 aT 1 ] = = + YT 1 aT 2 aT 1 YT +2 = + YT +1 + aT +2 1 aT +1 2 aT YT (2) = ET [YT +2 ] = ET [ + YT +1 + aT +2 1 aT +1 2 aT ] = = + YT (1) 2 aT YT +3 = + YT +2 + aT +3 1 aT +2 2 aT +1 YT (3) = ET [YT +3 ] = ET [ + YT +2 + aT +3 1 aT +2 2 aT +1 ] = = + YT (2) YT ( ) = ET [YT + ] = + YT ( 1) > 2 La estructura de la funcin de prediccin es la siguiente. Las dos primeras predicciones dependen o o de la ultima observacin YT (parte autorregresiva) y de los ultimos errores de prediccin un o o periodo hacia adelante aT y aT 1 (parte medias mviles). Para > 2, la parte medias mviles o o no aparece de forma expl cita en la funcin de prediccin, y cada prediccin se va obteniendo de o o o las anteriores siguiendo una regla en cadena marcada por la parte autorregresiva. Esta funcin o se va acercando a la media del proceso conforme nos alejamos en el futuro: YT (3) = + YT (2) YT (4) = + YT (3) = + ( + YT (2)) = (1 + ) + 2 YT (2) YT (5) = + YT (4) = + ((1 + ) + 2 YT (2)) = (1 + + 2 ) + 3 YT (2) ... ...
3

YT ( ) = + YT ( 1) = (1 + + 2 + . . . +

)+

YT (2)

de forma que como el modelo ARM A(2, 1) es estacionario, || < 1 y:


3

l YT ( ) = m
i=0

i =

( = E(Yt )) 1

Para obtener la varianza del error de prediccin y, por lo tanto, las predicciones por intervalo, o se deriva la representacin medias mviles innita: o o (1 L) Yt = (1 1 L 2 L2 ) at Yt = 1 1 L 2 L2 at = (1 + 1 L + 2 L2 + 3 L3 + . . .) at 1 L 93

SARRIKO-ON 4/09 de donde:

Anlisis de Series Temporales: modelos ARIMA a

1 1 L 2 L2 = 1 + 1 L + 2 L2 + 3 L3 + . . . 1 L 1 1 L 2 L2 = (1 L)(1 + 1 L + 2 L2 + 3 L3 + . . .)

e igualando coecientes: L L2 L3 ... 1 L = (1 ) L 1 = 1 1 = 1

2 L2 = (2 1 ) L2 2 = 2 1 2 = 1 2 = ( 1 ) 2 0 L3 = (3 2 ) L3 ... innita son: 0 = 1 1 = 1 2 = 1 2 = ( 1 ) 2 k = k1 0 = 3 2 3 = 2

Los pesos de la forma medias mviles o k=0 k=1 i = k=2 k>2

con estos pesos se pueden construir los intervalos de prediccin. Como el proceso ARM A(1, 2) o es estacionario, la amplitud de los intervalos ir creciendo conforme nos alejamos en el futuro a pero con una cota mxima dada por N/2 V (Yt ) . a

6.1.4.

Predicciones con modelos estacionarios estimados

Habitualmente no se conoce el proceso que ha generado la serie temporal Yt por lo que hay que estimarlo con los datos disponibles, obteniendo: p (L) Yt = q (L) at t = 1, 2, . . . , T

donde at son los residuos del modelo, pero tambin una estimacin del error de prediccin un e o o periodo hacia adelante. Por ejemplo, en el caso del modelo (6.4), la funcin de prediccin estimada ser o o a: YT (1) = + YT 1 aT 2 aT 1 =1 YT ( ) = =2 YT (2) = + YT (1) 2 aT >2 YT ( ) = + YT ( 1)

94

Anlisis de Series Temporales: modelos ARIMA a Ejemplo 4.1. Modelo M A(2) Yt = 10, 3 + at + 0, 67 at1 0, 31 at2 Funcin de prediccin: o o YT ( ) = =1 =2 >2

SARRIKO-ON 4/09

t = 1, 2, . . . , T

YT (1) = 10, 3 + 0, 67 aT 0, 31 aT 1 YT (2) = 10, 3 0, 31 aT YT ( ) = 10, 3 ( = E(Yt ))

Todos los procesos medias mviles nitos son estacionarios y, como se puede observar en la gura o de la izquierda del grco 6.1, a partir de = 2 la funcin de prediccin permanece constante a o o en la media del proceso con una amplitud constante del intervalo de prediccin. o Grco 6.1: Proceso MA(2) versus Proceso AR(2) a
16 10

AR(2) AR(2)F
14 9

AR(2)F-2*SD AR(2)F+2*SD

12

10

MA(2) MA2F
2 70 72 74 76 78 80 82 84

MA2F+2*SD MA2F-2*SD
3 86 88 90 92 94 96 98 00 02 04 06 08 10 70 75 80 85 90 95 00 05 10 15 20 25 30 35 40 45 50

Ejemplo 4.2. Modelo AR(2) Yt = 2, 4 + 1, 33 Yt1 0, 69 Yt2 + at Funcin de prediccin: o o =1 =2 YT ( ) = = 1, 2, 3, . . . El proceso AR(2) es estacionario: 1 1, 33 L + 0, 69 L2 = 0 L1 , L2 = 1, 33 1, 33 0, 99 1, 33 1, 332 4 0, 69 0, 99 = = i = a bi 2 0, 69 1, 38 1, 38 1, 38 95 t = 1, 2, . . . , T

YT (1) = 2, 4 + 1, 33 YT 0, 69 YT 1 YT (2) = 2, 4 + 1, 33 YT (1) 0, 69 YT YT ( ) = 2, 4 + 1, 33 YT ( 1) 0, 69 YT ( 2)

SARRIKO-ON 4/09 1, 33 1, 38

Anlisis de Series Temporales: modelos ARIMA a


2

|L1 | = |L1 | =

a2

b2

0, 99 1, 38

1, 4486 = 1, 2 > 1

Por lo que la funcin de prediccin tiende a su media cuando nos alejamos en el futuro: o o l YT ( ) = E(Yt ) = m

2, 4 = = 6, 67 1 2 1 1, 33 + 0, 69 1

Este resultado se puede observar claramente en la gura de la derecha del grco 6.1. La serie a presenta un comportamiento c clico que se reeja en la funcin de prediccin que presenta un o o ciclo amortiguado antes de dirigirse sistemticamente hacia la media del proceso. a Ejemplo 4.3. Modelo ARM A(1, 1) Yt = 9, 3 + 0, 82Yt1 + at + 0, 62 at1 La funcin de prediccin es: o o YT ( ) = =1 >2 YT (1) = 9, 3 + 0, 82 YT + 0, 62 aT YT ( ) = 9, 3 + 0, 82 YT ( 1) t = 1, 2, . . . , T

Grco 6.2: Funcin de prediccin: ARMA(1,1) estacionario a o o


65 65

60

60

55

55

50

50

45

45

40

40

ARMA(1,1) ARMA11F
35 60 65 70 75 80

ARMA11F+2* SD ARMA11F-2* SD
35 85 90 95 00 05 10 60 65

ARMA(1,1) ARMA11F
70 75 80 85

ARMA11F+2*SD ARMA11F-2*SD
90 95 00 05 10 15 20 25 30

Como el proceso es estacionario dado que cumple la condicin de que la ra del polinomio o z autorregresivo es, en valor absoluto, mayor que la unidad, 1 0, 82 L = 0 L= 1 = 1, 22 0, 82 |L| = |1, 22| > 1

la funcin de prediccin tiende a su media cuando nos alejamos en el futuro: o o l YT ( ) = E(Yt ) = m

1 96

9, 3 = 51, 67 1 0, 82

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

En las guras del grco 6.2 se puede observar el comportamiento de la funcin de prediccin a o o por punto y por intervalo. Las ultimas observaciones se encuentran por debajo de la media lo que lleva a que la funcin de prediccin parta de un valor inferior a la media estimada del proceso. De o o forma que la trayectoria de la funcin de prediccin es creciente al principio para dirigirse hacia o o la media del proceso donde se va estabilizando. Asimismo, se observa el comportamiento de los intervalos de prediccin, de amplitud creciente al principio hasta estabilizarse con la varianza o del proceso.

6.2.

Prediccin con modelos no estacionarios. o

La prediccin con modelos no estacionarios ARIM A(p, d, q) se lleva a cabo de la misma manera o que con los modelos estacionarios ARM A(p, q). El predictor por punto ptimo de YT + viene o dado por la esperanza condicionada al conjunto de informacin YT ( ) = ET [YT + ]. Para obtener o esta esperanza condicionada basta con escribir el modelo en forma de ecuacin en diferencias y o obtener las esperanzas condicionadas, sabiendo que: ET [YT +j ] = YT +j YT (j) j0 j>0 ET [aT +j ] = aT +j 0 j0 j>0

Para construir los intervalos de prediccin, o


1

YT ( ) N/2

V (eT ( ))

donde V (eT ( )) =
j=0

2 j

el modelo ha de estar escrito en forma M A() ya que j son los pesos del modelo ARIM A escrito en forma medias mviles. o Para analizar las caracter sticas de la funcin de prediccin para modelos no estacionarios o o ARIM A(p, d, q), consideremos varios ejemplos sencillos. Ejemplo 5.1. Modelo ARIM A(0, 1, 1). Consideremos que la serie Yt ha sido generada por el siguiente modelo: (1 L) Yt = (1 + L) at Yt = Yt1 + at + at1 La funcin de prediccin es: o o YT (1) = ET [YT +1 ] = YT + aT YT (2) = ET [YT +2 ] = YT (1) = YT + aT YT (3) = ET [YT +3 ] = YT (2) = YT (1) = YT + aT . . . . . . YT ( ) = ET [YT + ] = YT ( 1) = YT + aT 97 = 1, 2, 3, . . .

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Por lo tanto, la funcin de prediccin es una l o o nea horizontal: pasa por la prediccin un periodo o hacia adelante, YT (1) , que depende del conjunto de informacin a travs de YT y aT y del o e parmetro del modelo, , y permanece all conforme crece. a En el caso del modelo de paseo aleatorio, como = 0 , la funcin de prediccin es: o o YT ( ) = ET [YT + ] = YT = 1, 2, 3, . . .

Por lo tanto, las predicciones ptimas vienen dadas por la ultima observacin independienteo o mente del horizonte de prediccin (vese la gura izquierda del grco 6.3). o a a Se puede demostrar que si la serie Yt ha sido generada por un proceso integrado de orden 1, de forma que se puede representar mediante un modelo ARIM A(p, 1, q) sin trmino independiente e ( = 0), la funcin de prediccin cuando , tiende a una constante: o o YT ( )

KT

Hay que tener en cuenta que K T no es la media del proceso porque como no es estacionario no tiene una media hacia dnde ir, sino que es una constante que depende del conjunto de o informacin y de los parmetros AR y M A del modelo. o a Obtengamos la funcin de prediccin para un proceso integrado de orden 1 con constante, por o o ejemplo, el modelo de paseo aleatorio con deriva (4.5). YT (1) = ET [YT +1 ] = YT + YT (2) = ET [YT +2 ] = YT (1) + = YT + 2 YT (3) = ET [YT +3 ] = YT (2) + = YT + 3 . . . . . . YT ( ) = ET [YT + ] = YT ( 1) + = YT + = 1, 2, 3, . . .

La funcin de prediccin es una linea recta de pendiente (vese la gura derecha del grco 6.3). o o a a Se puede demostrar que si la serie Yt ha sido generada por un proceso integrado de orden 1, de forma que se puede representar mediante un modelo ARIM A(p, 1, q) con trmino independiente e ( = 0), la funcin de prediccin tiende a una l o o nea recta cuando , YT ( )

KT +

La pendiente de la funcin de prediccin viene dada por la constante y el intercepto, K T , o o depende del conjunto de informacin y de los parmetros del modelo. o a En lo que se reere a la prediccin por intervalo para modelos no estacionarios, las guras o del grco 6.3 muestran como la amplitud de los intervalos de prediccin para los modelos a o ARIM A(p, d, q) crece indenidamente conforme el horizonte de prediccin se hace mayor. Hay o que tener en cuenta que cuando el proceso no es estacionario el l mite l V [eT ( )] no m existe. 98

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 6.3: Modelos ARIMA: Funciones de prediccin. a o


30

P.A. P.A.F
20

P.A.F+2*SD P.A.F-2*SD
150

P.A.D. P.A.D.F

P.A.D.+2*SD P.A.D.-2*SD

10

100

50
-10

-20

-30 1110 1120 1130 1140 1150 1160 1170 1180 1190 1200 1210 1220 1230 1240 1250 1260 1270 1280 1290 1300

1760

1780

1800

1820

1840

1860

1880

1900

1920

1940

1960

1980

2000

2020

2040

Para calcular la V [eT ( )] de un modelo no estacionario ARIM A(p, d, q) es necesario escribir el modelo en forma M A(). Pongamos como ejemplo el modelo de paseo aleatorio (4.4) que, escrito en forma M A() queda como sigue: Yt = at + at1 + at2 + at3 + . . . La varianza del error de prediccin es: o
0

de forma que

j = 1 j

V [eT (1)] =

2 j=0 1

2 j = 2

V [eT (2)] = 2
j=0 2

2 j = 2 (1 + 1) = 2 2

V [eT (3)] = 2
j=0

2 j = 2 (1 + 1 + 1) = 3 2

. . .

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

V [eT ( )] = 2

= 1, 2, 3, . . .

que no tiene l mite nito. Por ultimo, considerando el caso de procesos integrados de orden 2, ARIM A(p, 2, q), su funcin o de prediccin nal toma la forma: o YT ( )
T T K1 + K2

Es decir, conforme el horizonte de prediccin aumenta y nos alejamos en el futuro la funcin o o T T de prediccin tiende a una l o nea recta donde tanto el intercepto, K1 , como la pendiente, K2 , dependen del conjunto de informacin y de los parmetros del modelo. Por lo tanto, aunque la o a 99

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

estructura de esta funcin de prediccin es la misma que la de los modelos ARIM A(p, 1, q) con o o trmino independiente (por ejemplo, la funcin de prediccin del paseo aleatorio con deriva), e o o esta funcin de prediccin es ms exible. o o a

100

Cap tulo 7 Modelos ARIMA estacionales


Muchas series econmicas si se observan varias veces a lo largo del ao, trimestral o mensualo n mente, presentan comportamiento estacional. Este tipo de comportamiento puede ser debido a factores metereolgicos, tales como la temperatura, pluviosidad, etc. que afectan a muchas o actividades econmicas como el turismo; a costumbres sociales como las Navidades que estn o a muy relacionadas con cierto tipo de ventas como juguetes; a fenmenos sociales como el caso del o ndice de produccin industrial que en este pa desciende considerablemente todos los aos el o s n mes de agosto debido a las vacaciones, etc. A la hora de elaborar el modelo ARIMA adecuado para una serie temporal se ha de tener en cuenta el comportamiento estacional, si lo hubiere, porque implica que la observacin de un mes o y observacin del mismo mes del ao anterior tienen una pauta de comportamiento similar por lo o n que estarn temporalmente correlacionadas. Por lo tanto, el modelo de series temporales ARIMA a apropiado para este tipo de series deber recoger las dos clases de dependencia intertemporal a que presentan, a saber la relacin lineal existente entre observaciones sucesivas (comportamiento tendencial o o regular) y o n la relacin lineal existente entre observaciones del mismo mes en aos sucesivos (comportamiento estacional). El objetivo de este tema es extender los modelos ARIMA estudiados en los cap tulos 3 y 4 para las series con comportamiento estacional. Supongamos que la serie Yt presenta un componente estacional y se especica un modelo ARIM A(p, d, q) general: p (L) Yt = q (L) at Para recoger las dos estructuras de correlacin anteriormente mencionadas, la regular y la estao cional, bastar con aadir al modelo los retardos de Yt y at necesarios. As si la serie estacional a n , es mensual y se quiere representar, adems de la dependencia entre observaciones consecutivas, a la autocorrelacin entre observaciones del mismo mes separadas un ao, dos aos, etc. ser neceo n n a sario incluir en el modelo retardos hasta de orden 12, 24, etc. con lo que esto supone de aumento en el nmero de los parmetros del modelo. As por ejemplo, un modelo sencillo para una serie u a , estacional, un ARM A(12, 12), contiene 24 parmetros desconocidos. Como se ha discutido en a el cap tulo 5, uno de los criterios que se ha de seguir al construir un modelo ARIM A es el de 101

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

parsimonia, es decir, buscar el modelo ms sencillo y con el menor nmero de parmetros posible a u a que reproduzca las caracter sticas de la serie. Por lo tanto, en este cap tulo se derivarn modelos a capaces de recoger el comportamiento estacional pero con un nmero pequeo de parmetros, u n a es decir, ms parsimoniosos. a Antes de especicar un modelo apropiado, dentro del marco ARIM A, para una serie con tendencia y estacionalidad comenzaremos por estudiar las caracter sticas de la dependencia lineal estacional a travs de unos modelos muy sencillos, los modelos estacionales puros. e

7.1.

Modelos estacionales puros

Se entiende por modelo estacional puro aquel que recoge unicamente relaciones lineales entre observaciones del mismo mes para aos sucesivos, es decir, entre observaciones separadas s pen riodos o mltiplos de s, donde s = 4 si la serie es trimestral y s = 12 si la serie es mensual. Por u lo tanto, en estos modelos, para simplicar, se parte del supuesto de que no existe estructura regular, es decir, correlacin entre observaciones consecutivas. Como este supuesto es poco reao lista, este tipo de modelos no va a ser muy util en la prctica pero su estudio permitir identicar a a en qu retardos de la funcin de autocovarianzas y/o autocorrelacin se reeja la estructura de e o o tipo estacional de una serie. Se denotarn, en general, ARM A(P, Q)s , donde P es el orden del a polinomio autorregresivo estacionario y Q es el orden del polinomio medias mviles invertible. o Vamos a analizar las caracter sticas de los modelos estacionales puros espec cos para un proceso Yt estacionario y con estacionalidad trimestral, s = 4. Modelo M A(1)4 Yt = (1 L4 ) at Yt = at at4

En este proceso, el valor de Y en el momento t depende de la perturbacin contempornea y o a de la perturbacin del mismo trimestre del ao anterior. Como este proceso es un modelo de o n medias mviles nito es estacionario para cualquier valor de y su media es cero. El proceso o ser invertible si y solo si las cuatro ra del polinomio de medias mviles tienen modulo fuera a ces o del c rculo unidad. Las autocovarianzas vienen dada por: 0 = V (Yt ) = E[Yt ]2 = E[at at4 ]2 = (1 + 2 ) 2 1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(at at4 )(at1 at5 )] = 0 2 = Cov(Yt Yt2 ) = E[Yt Yt2 ] = E[(at at4 )(at2 at6 )] = 0 3 = Cov(Yt Yt3 ) = E[Yt Yt3 ] = E[(at at4 )(at3 at7 )] = 0 4 = Cov(Yt Yt4 ) = E[Yt Yt4 ] = E[(at at4 )(at4 at8 )] = 2 k = Cov(Yt Ytk ) = E[Yt Ytk ] = E[(at at4 )(atk at4k )] = 0, k > 4 Por lo tanto, la funcin de autocovarianzas y la funcin de autocorrelacin son las siguientes: o o o 102

Anlisis de Series Temporales: modelos ARIMA a Retardo k=0 k=4 k=4 FACV 0 = (1 + 2 ) 2 4 = 2 k = 0 FAC 0 = 1 4 =

SARRIKO-ON 4/09

(1 + 2 )

k = 0

Se puede observar que, como para todo modelo de medias mviles nito, la funcin de autocorreo o lacin se trunca y se hace cero a partir de un determinado retardo. Como el orden de la media o mvil es uno, solo un coeciente de autocorrelacin es distinto de cero y el resto son nulos, pero o o como la estructura de correlacin temporal es estacional, este coeciente de autocorrelacin no o o nulo es el asociado a k = s = 4 (vese el grco 7.1). Denominemos retardos estacionales a a a los asociados con s y mltiplos de s: k = s, 2s, 3s, . . . ., para distinguirlos as de la estructura u regular, existente entre las observaciones sucesivas y que se reeja fundamentalmente para los retardos ms cortos: k = 1, 2, 3, . . . . Por lo tanto, la estructura de la funcin de autocorrelacin a o o de un M A(1)4 es la siguiente: funcin truncada en el primer retardo estacional. o Grco 7.1: Funcin de autocorrelacin. Modelo M A(1)4 a o o
1
1

0,8

Parmetro MA = 0,7

0,8

Parmetro MA = -0,7

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

Generalizando el resultado obtenido para el modelo M A(1)4 , se puede demostrar que la estructura de la funcin de autocorrelacin para un modelo de medias mviles, M A(Q)s : o o o Yt = Q (Ls ) at = (1 1 Ls 2 L2s . . . Q LQs ) at Yt = at + 1 ats + 2 at2s + . . . + Q atQs es como sigue: k=0 k = s, 2s, . . . , Qs k = k = s, 2s, . . . , Qs 0 = 1 k = 0 k = 0

Es decir, un proceso de medias mviles de orden Q, tendr Q coecientes de autocorrelacin o a o diferentes de cero, correspondientes a los Q primeros retardos estacionales, k = s, 2s, . . . , Qs, y el resto son cero. La funcin de autocorrelacin es, por lo tanto, nita, truncndose a partir del o o a Q-simo retardo estacional, es decir, para k = Qs . e 103

SARRIKO-ON 4/09 Modelo AR(1)4 : (1 L4 ) Yt = at

Anlisis de Series Temporales: modelos ARIMA a

Yt = Yt4 + at

En este proceso, el valor de Y en el momento t depende de la perturbacin contempornea o a y del valor pasado de la serie Y en el mismo trimestre del ao anterior. Como es un modelo n autorregresivo nito es invertible para cualquier valor de y su media es cero. El proceso ser estacionario s y solo s las cuatro ra a ces del polinomio autorregresivo tienen modulo fuera del c rculo unidad. Las autocovarianzas son: 0 = V (Yt ) = E[Yt ]2 = E[Yt4 + at ]2 = 2 0 + 2 = 2 1 2

1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(Yt4 + at )Yt1 ] = 0 2 = Cov(Yt Yt2 ) = E[Yt Yt2 ] = E[(Yt4 + at )Yt2 ] = 0 3 = Cov(Yt Yt3 ) = E[Yt Yt3 ] = E[(Yt4 + at )Yt3 ] = 0 4 = Cov(Yt Yt4 ) = E[Yt Yt4 ] = E[(Yt4 + at )Yt4 ] = 0 5 = Cov(Yt Yt5 ) = E[Yt Yt5 ] = E[(Yt4 + at )Yt5 ] = 0 6 = Cov(Yt Yt6 ) = E[Yt Yt6 ] = E[(Yt4 + at )Yt6 ] = 0 7 = Cov(Yt Yt7 ) = E[Yt Yt7 ] = E[(Yt4 + at )Yt7 ] = 0 8 = Cov(Yt Yt8 ) = E[Yt Yt8 ] = E[(Yt4 + at )Yt8 ] = 4 = 2 0 ... = ... De lo que se deduce que la funcin de autocovarianzas y, como consecuencia, la funcin de o o autocorrelacin son: o Retardo k=0 k = 4.j, j = 1, 2, . . . k = 4.j, j = 1, 2, . . . FACV 0 = 2 1 2 k = k/4 0 FAC 0 = 1 k = k/4 k = 0

k = 0

La funcin de autocorrelacin es, por lo tanto, innita y decrece como una funcin exponencial o o o del parmetro , siendo nulos los coecientes de autocorrelacin asociados a valores de k no a o estacionales, k = j4. Como se puede observar en el grco 7.2 si el parmetro es positivo, todos a a los coecientes de autocorrelacin no nulos son positivos, mientras que si es negativo los o coecientes van alternando de signo. El modelo AR(P )s , P (Ls ) Yt = at , se puede escribir en forma extendida como: Yt = 1 Yts + 2 Yt2s + . . . + P YtP s + at 104

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 7.2: Funcin de autocorrelacin. Modelo AR(1)4 a o o


1 1 0,8

Parmetro AR = 0,7

0,8

Parmetro AR = - 0,7

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

A partir de los resultados para el modelo AR(1)s se puede generalizar que su funcin de autoo correlacin es innita y decrece exponencialmente o en forma onda seno-coseno amortiguada, o pero con valores no nulos unicamente para los retardos estacionales, k = s, 2s, 3s, . . . . Modelo ARM A(1, 1)4 . (1 L4 ) Yt = (1 L4 ) at Yt = Yt4 + at at4

En los procesos generados por este modelo ARMA estacional puro el valor de Y en el momento t depende del valor pasado de Y del mismo trimestre del ao anterior, de la perturbacin n o contempornea y su retardo correspondiente al mismo trimestre de hace un ao. Este modelo a n ser estacionario cuando las cuatro ra del polinomio autorregresivo tengan mdulo fuera del a ces o c rculo unidad y ser invertible cuando las cuatro ra del polinomio de medias mviles tengan a ces o mdulo fuera del c o rculo unidad. Es fcil demostrar que la media de este proceso estacionario es cero y sus autocovarianzas a 0 = V (Yt ) = E[Yt ]2 = E[Yt4 + at at4 ]2 = = 2 0 + 2 + 2 2 2 2 0 = 2 (1 + 2 2) 1 2

1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(Yt4 + at at4 )Yt1 ] = 0 2 = Cov(Yt Yt2 ) = E[Yt Yt2 ] = E[(Yt4 + at at4 )Yt2 ] = 0 3 = Cov(Yt Yt3 ) = E[Yt Yt3 ] = E[(Yt4 + at at4 )Yt3 ] = 0 4 = Cov(Yt Yt4 ) = E[Yt Yt4 ] = E[(Yt4 + at at4 )Yt4 ] = 0 2 5 = Cov(Yt Yt5 ) = E[Yt Yt5 ] = E[(Yt4 + at at4 )Yt5 ] = 0 6 = Cov(Yt Yt6 ) = E[Yt Yt6 ] = 7 = Cov(Yt Yt7 ) = E[Yt Yt7 ] = 0 8 = Cov(Yt Yt8 ) = E[Yt Yt8 ] = E[(Yt4 + at at4 )Yt8 ] = 4 ... = ... 105

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

De donde se deducen la funcin de autocovarianzas y de autocorrelacin siguientes: o o Retardo k=0 k=4 k = 4.j, j = 2, 3, . . . k = 4.j, j = 1, 2, . . . 0 = FACV (1 + 2 2) 2 1 2 0 = 1 4 = ( )(1 ) 1 + 2 2 FAC

4 = 0 2 k = k4 k = 0

k = k4 k = 0

En el grco 7.3 se representan las funciones de autocorrelacin para los siguientes modelos a o ARM A(1, 1)4 : (A) Yt = 0, 7 Yt4 + at + 0, 4 at4 (B) Yt = 0, 3 Yt4 + at 0, 8 at4

Grco 7.3: Funcin de autocorrelacin. Modelos ARM A(1, 1)4 a o o


1,2 1 1

Modelo A

0,8

Modelo B

0,8

0,6

0,6 0,4 0,4 0,2 0,2 0 0 1 -0,2 -0,4 -0,4 -0,6 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0,2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,6

-0,8

-0,8

-1

-1

En ambas guras de este grco se observa que la funcin es innita y decrece exponencialmente a o tomando valores no nulos unicamente en los retardos estacionales. La estructura que puede tomar esta FAC innita es ms compleja que la del AR(1)4 porque el primer coeciente estacional de la a FAC depende tanto de la parte autorregresiva como medias mviles del modelo. Luego, a partir o del segundo retardo estacional la trayectoria de la FAC depende slo de la parte autorregresiva. o Por eso, podemos tener FAC con todos los coecientes positivos o todos negativos, o alternando de signo. A partir de estos resultados se puede generalizar que la funcin de autocorrelacin de un modelo o o ARM A(P, Q)s : (1 P Ls ) Yt = (1 Q Ls ) at (1 1 Ls 2 L2s . . . P LP s ) Yt = (1 1 Ls 2 L2s . . . Q LQs ) at Yt = 1 Yts + 2 Yt2s + . . . + P YtP s + at 1 ats + 2 at2s + . . . + Q atQs 106

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

La FAC de este modelo es innita y decrece exponencialmente pero con valores no nulos unica mente para los retardos estacionales, k = s, 2s, . . . . Los Q primeros coecientes de autocorrelacin k , k = s, 2s, 3s, . . . , Qs dependen de los parmetros autorregresivos y de medias mviles; o a o a partir de k = s(Q + 1) las autocorrelaciones se derivan de la estructura autorregresiva exclusivamente, por lo que decrecern exponencialmente o en forma de onda seno-coseno amortiguada a dependiendo de si las s ra del polinomio autorregresivo (1 P Ls ) son reales o complejas. ces En lo que se reere a la estructura de la funcin de autocorrelacin parcial de los modelos estao o cionales puros que estamos estudiando es anloga a la estudiada en el cap a tulo 3 para los modelos ARM A(p, q) no estacionales, pero en estos modelos aparece slo en los retardos estacionales. o As se puede demostrar que la FACP de un modelo AR(P )s es nita, toma valores no nulos , unicamente en los P primeros retardos estacionales, es decir, y se trunca a partir de k = P s . La FACP de un modelo M A(Q)s es innita y decrece exponencialmente tomando valores no nulos unicamente para los retardos no estacionales. Por ultimo, la FACP de un modelo ARM A(P, Q)s ser tambin innita con valores no nulos slo en los retardos estacionales y tal que los coeciena e o tes de autocorrelacin parcial, pk , asociados a los P primeros retardos estacionales dependen de o los parmetros autorregresivos y de medias mviles y a partir de k = (P + 1)s , su estructura a o depender de la parte de medias mviles. a o Por lo tanto, podemos concluir que la estructura estacional, es decir, la dependencia temporal de las observaciones separadas por un ao, aparece exclusivamente en los coecientes de auton correlacin simple y parcial asociados a los retardos estacionales, k = s, 2s, 3s, . . ., siendo nulos o para el resto de los valores k = s, 2s, 3s, . . ..

7.2.

Modelos ARMA estacionales no estacionarios

Hasta el momento hemos supuesto que la serie Yt es estacionaria, quizs tras algn tipo de a u transformacin. En la prctica, dado que por estacionalidad entendemos una pauta regular de o a comportamiento c clico de periodo 1 ao de la serie que implica que, en promedio, cada mes n tiene un comportamiento diferente, las series estacionales suelen presentar problemas de falta de estacionariedad en media o lo que es lo mismo cambios sistemticos en el nivel de la serie. a Si la estacionalidad fuese siempre exactamente peridica, St = Sts se podr eliminar de la serie o a como un componente determinista previamente estimado (especicado, por ejemplo, en funcin o de variables cticias estacionales). Ahora bien, este esquema estacional es muy r gido porque exige que los factores estacionales estacionales permanezcan constantes a lo largo del tiempo. Sin embargo, la mayor de las series no se comportan de una forma tan regular y, en general, a el componente estacional ser estocstico y estar correlacionado con la tendencia. Por lo tanto, a a a un esquema de trabajo ms exible es suponer que la estacionalidad es slo aproximadamente a o constante y que evoluciona estocsticamente: a Yt = St + t con St = Sts + t

donde t es un proceso estocstico estacionario. a Para solucionar la no estacionariedad en media que genera el comportamiento estacional, se toman diferencias entre observaciones separadas s periodos, que llamaremos diferencias estacio107

SARRIKO-ON 4/09 nales:

Anlisis de Series Temporales: modelos ARIMA a

s Yt = (1 Ls ) Yt = St + t Sts ts = t + t ts de forma que s Yt M A(1)s estacionario e invertible. En conclusin, el operador s convierte un proceso estacional no estacionario en estacionario, de o forma anloga a como de un proceso no estacionario en media obten a amos una serie estacionaria aplicando el operador de diferencias de orden 1 o regular, (1 L). La formulacin general de un modelo para una serie estacional pura no estacionaria es: o P (Ls ) D Yt = Q (Ls ) at s (7.1)

En teor D, el nmero de las diferencias estacionales que se han de aplicar para convertir a la a, u serie en estacionaria, puede tomar cualquier valor dependiendo de las caracter sticas de la serie, aunque en la prctica nunca es superior a 1. a El modelo (7.1) es un modelo estacional puro que se denomina ARIM A(P, D, Q)s , donde P es el orden del polinomio autorregresivo estacional estacionario, Q es el orden del polinomio medias mviles estacional estacionario y D es el nmero de diferencias estacionales (1 Ls ) o u que es necesario aplicar a la serie Yt para que sea estacionaria, es decir, el orden de integracin o estacional de la serie. De hecho, si la serie Yt sigue el modelo (7.1) se dice que es integrada estacional de orden D , Yt I(D)s . El modelo (7.1) no es estacionario, no tiene una media constante y, al igual que para los modelos lineales no estacionarios en la parte regular, su funcin de autocorrelacin no va a decrecer o o rpidamente hacia cero, sino lentamente. a En el grco 7.4 se representan dos series de 100 observaciones, as como sus correspondientes a correlogramas, generadas a partir de los siguientes modelos: (A) Yt = at 0, 4 at4

(B) (1 L4 ) Yt = at 0, 4 at4 Aunque ambos modelos representan series con estructura de dependencia temporal entre observaciones separadas un ao, el modelo (A) es un M A(1)4 estacionario y el modelo (B) es n un ARIM A(0, 1, 1)4 , lo que implica que la serie Yt no es estacionaria y hay que tomar una diferencia estacional de orden 4 para transformarla en estacionaria. El hecho de que la estructura estacional sea estacionaria o no se reeja en las caracter sticas de cada proceso mostradas en las guras del grco 7.4. En cuanto a las realizaciones de ambos a procesos, ambas oscilan en torno a una media constante con un comportamiento c clico de periodo anual. Pero mientras, la evolucin c o clica estacionaria del modelo (A) es ms irregular y a aleatoria, la mostrada por el modelo (B) es ms persistente y sistemtica, reejando claramente a a el hecho de que cada mes tiene una media diferente. Analizando los correlogramas se puede concluir que el correspondiente al modelo (A) decrece rpidamente hacia cero como corresponde a a un modelo estacionario (de hecho se trunca en el retardo 4, primer retardo estacional), mientras que si nos jamos en los coecientes asociados a los retardos estacionales del correlograma del modelo (B), se observa que decrecen muy lentamente. Adems, la no estacionariedad del ciclo a estacional hace que la estructura c clica sistemtica de la serie se reproduzca en el correlograma, a 108

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

apareciendo correlaciones negativas en los retardos js/2, j = 1, 2, . . . que decrecen lentamente y recogen la relacin lineal inversa entre los valles y los picos del ciclo, etc. o Grco 7.4: Modelos estacionales estacionarios vs. no estacionarios a
45 52 43

Modelo A

Modelo B

41

39 42 37

35

33 32 31

29

27

25
:1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 70 70 71 72 73 73 74 75 76 76 77 78 79 79 80 81 82 82 83 84 85 85 86 87 88 88 89 90 91 91 92 93 94 94 95 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19

22
:1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 :3 :2 :1 :4 94 19
20

70

70

71

72

73

73

74

75

76

76

77

78

79

79

80

81

82

82

83

84

85

85

86

87

88

88

89

90

91

91

92

93

94

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

19

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

7.3.

Modelos ARIMA estacionales multiplicativos

En general, las series econmicas adems del componente estacional, presentan otros componeno a tes, como tendencia, etc. de los que, por otro lado, el componente estacional no es independiente. Se trata de proponer un modelo ARIM A que recoja no solo las relaciones entre periodos (aos) n sino tambin las relaciones dentro de los periodos (intranuales) y la interaccin entre ambas e o estructuras. Consideremos una serie estacional Yt con periodo s conocido, por ejemplo, una serie mensual observada durante N aos, de forma que en total contamos con T = 12N observaciones. Si n la serie es estacional podemos dividirla en 12 subseries, una por mes, de N observaciones que denotaremos: (1) (2) (3) (12) y , y , y , . . . , y , = 1, 2, . . . , N La relacin entre estas subseries y la serie de partida es: o
(j) y = Yj+12( 1) = Yt

= 1, 2, . . . , N

j = 1, 2, . . . , 12

19

95

:3

(7.2)

Cada una de estas doce subseries no presenta comportamiento estacional por lo que podemos representarlas mediante los modelos ARIM A(p, d, q) derivados en el cap tulo 4. Supongamos (j) que el modelo ARIM A adecuado para las doce subseries y es el mismo:
(j) (1 1 L . . . p Lp ) (1 L)D y = (1 1 L . . . q Lq ) u(j) = 1, 2, . . . , N (7.3)

109

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Si hay estacionalidad en la serie de partida Yt se cumple que D 1. Notse que si D = 0 y, por e (j) lo tanto, las series y fueran estacionarias, todos los modelos (7.3), al ser el mismo, tendr an la misma media, lo que es incompatible con el supuesto de estacionalidad que implica que la (j) media de cada mes, o sea de cada subserie y , j = 1, 2, . . . , 12 , es diferente. Los modelos para las doce subseries, al ser todos iguales, se pueden escribir conjuntamente en funcin de la serie de partida Yt , teniendo en cuenta que, dada la relacin (7.2): o o
(j) L y = y 1 = Yj+12( 2) = Yj12+12( 1) = L12 Yj+12( 1) (j)

Lo que implica que aplicar el operador L a y serie original Yj+12( 1) .

(j)

es equivalente a aplicar el operador L12 a la

Adems habr que denir una serie de ruido comn para las doce subseries, t , asignando a a a u cada mes t el ruido del modelo univariante correspondiente a dicho mes. En consecuencia, t se (j) obtendr a partir de las doce subseries u como sigue: a u(j) = j+12( 1) = 1, 2, . . . , N

Aplicando ambos resultados al modelo (7.3), se obtiene el modelo conjunto para toda la serie mensual, Yt :
(j) (1 1 L12 . . . p L12p ) (1L12 )D y = (1 1 L12 . . . q L12q ) t , (j)

t = 1, 2, . . . , 12N

Para cada uno de los modelos (7.3) las series u son, por construccin, ruido blanco, pero la o serie conjunta, t , t = 1, 2, . . . , T , no tiene por qu serlo, en general, ya que la mayor de las e a veces existir dependencia entre las observaciones contiguas que, como no ha sido todav tenida a a en cuenta, quedar recogida en esta serie de ruido. Es lo que se denomina estructura regular o a estructura asociada a los intervalos naturales de medida de la serie (meses en nuestro caso). Suponiendo que t sigue el modelo ARIM A no estacional siguiente: p (L) (1 L)d t = q (L) at at RBN (0, 2 )

Sustituyendo este modelo en el general para Yt se obtiene el modelo completo para la serie observada: P (Ls ) p (L) d D Yt = q (L) Q (Ls ) at (7.4) s donde p (L) y q (L) son los polinomios autorregresivos y medias mviles de la parte regular y d o es el orden de integracin de la parte regular; mientras que P (L) y Q (L) son los polinomios o autorregresivos y medias mviles de la parte estacional y D es el orden de integracin de la parte o o estacional. Los modelos ARIMA estacionales multiplicativos, ARIM A(p, d, q) (P, D, Q)s . Estos modelos son exibles en el sentido de que especican estacionalidades estocsticas, tendencias estocsticas a a y adems recogen la posible interaccin entre ambos componentes. a o Esta clase de modelos, como hemos visto, se basa en la hiptesis central de que la relacin de deo o pendencia estacional es la misma para todos los periodos. Este supuesto no se tiene por qu cume plir siempre pero, de todas maneras, estos modelos son capaces de representar muchos fenmenos o 110

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

estacionales que encontramos en la prctica de una forma muy simple. Supongamos, por ejemplo, a que Yt es una serie estacional mensual que sigue el siguiente modelo ARIM A(0, 1, 1)(0, 1, 1)12 , denominado Modelo de L neas Areas y que es muy utilizado en la prctica, e a 12 Yt = (1 1 L) (1 12 L12 ) at = (1 1 L 12 L12 + 1 12 L13 ) at Notse que este modelo para la transformacin estacionaria, es un M A(13) con restricciones, de e o forma que solo contiene dos parmetros desconocidos, en vez de los trece de un M A(13) general. a Lo que muestra que los modelos ARIM A(p, d, q) (P, D, Q)s son modelos muy parsimoniosos. A continuacin, se derivan las caracter o sticas de algunos modelos sencillos bajo el supuesto de que Yt es una serie trimestral con comportamiento estacional y estacionaria, posiblemente trs a aplicar los operadores de diferencias oportunos. Modelo ARM A(0, 1) (0, 1)4 . Sea Yt un proceso estocstico estacionario de media cero que sigue el modelo: a Yt = (1 1 L)(1 4 L4 )at Yt = at 1 at1 4 at4 + 1 4 at5 que se puede considerar la transformacin estacionaria del Modelo de L o neas Areas para una e serie trimestral. La media es cero y sus autocovarianzas son: 0 = V (Yt ) = E[Yt 0]2 = E[at 1 at1 4 at4 + 1 4 at5 ]2
2 2 2 = (1 + 1 + 2 + 1 2 ) 2 = (1 + 1 ) (1 + 2 ) 2 4 4 4

1 = Cov(Yt Yt1 ) = E[(Yt 0) (Yt1 0)] = = E[(at 1 at1 4 at4 + 1 4 at5 )(at1 1 at2 4 at5 + 1 4 at6 )] = (1 1 2 ) 2 = 1 (1 + 2 ) 2 4 4 2 = Cov(Yt Yt2 ) = E[(Yt 0) (Yt2 0)] = = E[(at 1 at1 4 at4 + 1 4 at5 ) (at2 1 at3 4 at6 + 1 4 at7 )] = 0 3 = Cov(Yt Yt3 ) = E[(Yt 0) (Yt3 0)] = = E[(at 1 at1 4 at4 + 1 4 at5 ) (at3 1 at4 4 at7 + 1 4 at8 )] = 1 4 2 4 = Cov(Yt Yt4 ) = E[(Yt 0) (Yt4 0)] = = E[(at 1 at1 4 at4 + 1 4 at5 ) (at4 1 at5 4 at8 + 1 4 at9 )]
2 2 = (4 1 4 ) 2 = 4 (1 + 1 ) 2

111

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

5 = Cov(Yt Yt5 ) = E[(Yt 0) (Yt5 0)] = = E[(at 1 at1 4 at4 + 1 4 at5 ) (at5 1 at6 4 at9 + 1 4 at10 )] = 1 4 2 k = Cov(Yt Ytk ) = E[(Yt 0) (Ytk 0)] = = E[(at 1 at1 4 at4 + 1 4 at5 ) (atk 1 atk1 4 atk4 + 1 4 atk41 )] = 0 Las funciones de autocovarianzas y la de autocorrelacin son: o Retardo k=0 k=1 k=2 k=3 k=4 k=5 k>5 FACV
2 0 = (1 + 1 )(1 + 2 ) 2 4

k > 5

FAC 0 = 1 1 = 1 2 1 + 1

1 = 1 (1 + 2 ) 2 4 2 = 0 3 = 1 4 2
2 4 = 4 (1 + 1 ) 2

2 = 0 3 = 4 = 5 = 1 4 2 (1 + 1 )(1 + 2 ) 4 4 1 + 2 4 1 4 2 (1 + 1 )(1 + 2 ) 4

5 = 1 4 2 k = 0

k = 0

Modelo ARM A(1, 0) (0, 1)4 . Sea Yt un proceso estocstico estacionario que sigue el modelo: a (1 L) Yt = (1 4 L4 ) at La media es cero y su varianza es: 0 = V (Yt ) = E[Yt 0]2 = E[ Yt1 + at 4 at4 ]2 = 2 0 + 2 (1 + 2 ) 2 4 E(Yt1 at4 ) 4 Es necesario calcular la covarianza entre at4 e Yt1 : E(Yt1 at4 ) = E[ Yt2 + at1 4 at5 ] at4 = E(Yt2 at4 ) E(Yt2 at4 ) = E[ Yt3 + at2 4 at6 ] at4 = E(Yt3 at4 ) 112 Yt = Yt1 + at 4 at4

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

E(Yt3 at4 ) = E[ Yt4 + at3 4 at7 ] at4 = E(Yt4 at4 ) E(Yt4 at4 ) = E[ Yt5 + at4 4 at8 ] at4 = 2 Por lo que, E(Yt1 at4 ) = 3 2 y la varianza del proceso es: 0 = 2 (1 + 2 2 4 4 ) 4 1 2

El resto de las autocovarianzas vienen dadas por: 1 = Cov(Yt Yt1 ) = E[(Yt Yt1 )] = E[( Yt1 + at 4 at4 ) Yt1 ] = 0 4 3 2 2 = Cov(Yt Yt2 ) = E[(Yt Yt2 )] = E[( Yt1 + at 4 at4 ) Yt2 ] = 1 4 2 2 3 = Cov(Yt Yt3 ) = E[(Yt Yt3 )] = E[( Yt1 + at 4 at4 ) Yt3 ] = 2 4 2 4 = Cov(Yt Yt4 ) = E[(Yt Yt4 )] = E[( Yt1 + at 4 at4 ) Yt4 ] = 3 4 2 5 = Cov(Yt Yt5 ) = E[(Yt Yt5 )] = E[( Yt1 + at 4 at4 ) Yt5 ] = 4 k = Cov(Yt Ytk ) = E[(Yt Ytk )] = E[( Yt1 + at 4 at4 ) Ytk ] = k1 y las funciones de autocovarianzas y de autocorrelacin son: o Retardo k=0 k=1 k=2 k=3 k=4 k5 0 = FACV 2 (1 + 2 2 4 4 ) 4 1 2 FAC 0 = 1 1 = 4 3 2 0 k 5

1 = 0 4 3 2 2 = 1 4 2 2 3 = 2 4 2 4 = 3 4 2 k = k1

4 2 2 0 4 2 3 = 2 0 2 = 1 4 = 3 k = k1 4 2 0

113

SARRIKO-ON 4/09 Modelo ARM A(0, 1) (0, 2)4 .

Anlisis de Series Temporales: modelos ARIMA a

Sea Yt un proceso estocstico estacionario que sigue el modelo: a Yt = (1 1 L)(1 4 L4 8 L8 )at Yt = at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 La media es cero y sus autocovarianzas son: 0 = V (Yt ) = E[Yt 0]2 = E[at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ]2
2 2 2 2 = (1 + 1 + 2 + 2 + 1 2 + 1 2 ) 2 = (1 + 1 ) (1 + 2 + 2 ) 2 4 8 4 8 4 8

1 = Cov(Yt Yt1 ) = E[(Yt 0) (Yt1 0)] = = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at1 1 at2 4 at5 8 at9 + 1 4 at6 + 1 8 at10 )] = 1 (1 + 2 + 2 ) 2 4 8 2 = Cov(Yt Yt2 ) = E[(Yt 0) (Yt2 0)] = = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at2 1 at3 4 at6 8 at10 + 1 4 at7 + 1 8 at11 )] = 0 3 = Cov(Yt Yt3 ) = E[(Yt 0) (Yt3 0)] = = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at3 1 at4 4 at7 8 at11 + 1 4 at8 + 1 8 at12 )] = 1 4 (1 8 ) 2 4 = Cov(Yt Yt4 ) = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at4 1 at5 4 at8 8 at12 + 1 4 at9 + 1 8 at13 )] =
2 = (4 + 4 8 ) (1 + 1 ) 2

5 = Cov(Yt Yt5 ) = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at5 1 at6 4 at9 8 at13 + 1 4 at10 + 1 8 at14 )] = 1 4 (1 8 ) 2 6 = Cov(Yt Yt6 ) = E[(Yt 0) (Yt6 0)] = = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at6 1 at7 4 at10 8 at14 + 1 4 at11 + 1 8 at15 )] = 0 7 = Cov(Yt Yt7 ) = E[(Yt 0) (Yt7 0)] = = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at7 1 at8 4 at11 8 at15 + 1 4 at12 + 1 8 at16 )] = 1 8 2 8 = Cov(Yt Yt8 ) = E[(Yt 0) (Yt8 0)] = = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
2 (at8 1 at9 4 at12 8 at16 + 1 4 at13 + 1 8 at17 )] = 8 (1 + 1 ) 2

114

Anlisis de Series Temporales: modelos ARIMA a 9 = Cov(Yt Yt9 ) = E[(Yt 0) (Yt9 0)] =

SARRIKO-ON 4/09

= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at9 1 at10 4 at13 8 at17 + 1 4 at14 + 1 8 at18 )] = 1 8 2 10 = Cov(Yt Yt10 ) = E[(Yt 0) (Yt10 0)] = = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ) (at10 1 at11 4 at14 8 at18 + 1 4 at15 + 1 8 at19 )] = 1 8 2 k = Cov(Yt Ytk ) = E[(Yt 0) (Ytk 0)] = = E[(at 1 at1 4 at4 + 1 4 at5 ) (atk 1 atk1 4 atk4 + 1 4 atk41 )] = 0 k > 10

Las funciones de autocovarianzas y de autocorrelacin son las siguientes: o Retardo k=0 k=1 k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 k>9 FACV
2 0 = (1 + 1 )(1 + 2 + 2 ) 2 4 8

FAC 0 = 1 1 = 1 2 1 + 1 1 4 (1 8 ) 2 (1 + 1 ) (1 + 2 + 2 ) 4 8 4 (1 8 ) 1 + 2 + 2 4 8 1 4 (1 8 ) 2 (1 + 1 ) (1 + 2 + 2 ) 4 8

1 = (1 )(1 + 2 + 2 ) 2 4 8 2 = 0 3 = 1 4 (1 8 ) 2
2 4 = (1 + 1 ) (4 + 4 8 ) 2

2 = 0 3 = 4 = 5 =

5 = 1 4 (1 8 ) 2 6 = 0 7 = 1 4 2
2 8 = 8 (1 + 1 ) 2

6 = 0 7 = 8 = 9 = (1 + 1 4 2 ) (1 + 2 1 4 + 2 ) 8

8 1 + 2 + 2 4 8 (1 + 1 4 2 ) (1 + 2 1 4 + 2 ) 8

9 = 1 4 2 k = 0

k = 0

115

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

En las cuatro guras del grco 7.5 se muestran las funciones de autocorrelacin de los siguientes a o modelos para la serie Yt estacionaria posiblemente trs alguna transformacin: a o (A) Yt = (1 + 0, 4 L) (1 + 0, 7 L4 ) at

(B) (1 0, 7 L4 ) Yt = (1 + 0, 4 L) at (C) (D) (1 0, 4 L) Yt = (1 + 0, 8 L4 ) at Yt = (1 + 0, 7 L 0, 2 L2 ) (1 + 0, 4 L4 ) at

Grco 7.5: Funcin de autocorrelacin. Modelos ARIMA multiplicativos. a o o


1 1 0,8

Modelo A

0,8

Modelo B

0,6

0,6

0,4

0,4

0,2

0,2

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,2

-0,2

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

0,8

Modelo C

0,8

Modelo D

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

Con los resultados derivados para los dos modelos presentados y la ayuda de la gura 7.5, se puede aproximar la estructura general de la FAC del proceso ARIM A estacional multiplicativo (7.4): a a) El clculo de la FAC puede llegar a ser muy laborioso, sobre todo si incluye parte autorregresiva y los rdenes de los polinomios autorregresivos regular y/o estacional son altos. o b) La FAC del proceso ARIM A multiplicativo es una mezcla de las FAC correspondientes a su estructura regular y a su estructura estacional por separado, con trminos de interaccin e o porque ambas estructuras no son independientes. c) En los retardos ms bajos, k = 1, 2, ..., que recogen la estructura regular (observaciones a contiguas) se reproduce la estructura marcada por los polinomios p (L) y q (L) de la parte regular. As si es un M A(1), como en los modelos (A), (B) y (D), se tiene que 1 = 0 , y luego el resto son cero. Mientras que si es un AR(1) como en el modelo (C) la parte regular es innita y decrece exponencialmente hacia cero. d) En los retardos estacionales, k = 2, 2s, 3s, ..., se representa la estructura estacional generada por los polinomios P (L) y Q (L). Para estructuras medias mviles estacionales o 116

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

como las de los modelos (A) y (C) de forma M A(1)4 , se observa que 4 = 0 y luego los siguientes coecientes estacionales son cero, es decir, 8 = 1 2 = . . . , = 0 son cero. Para el modelo (D), M A(2)4 , sin embargo, los dos primeros coecientes estacionales, 4 , 8 , son distintos de cero y el resto son cero. En los modelos con estacionalidad autorregresiva la FAC es innita para los retardos estacionales y decrece exponencialmente (vese modelo a (B)). e) Alrededor de los retardos estacionales se observa la interaccin entre la estructura regular o y la estacional que se maniesta en la repeticin a ambos lados de cada retardo estacional o de la funcin de autocorrelacin simple de la parte regular. o o En los modelos (A), (B) y (D) la parte regular es un M A(1), por lo que s1 = s+1 = 0. Si la parte regular fuera, en cambio, un M A(2), aparecer a ambos lados de cada retardo an estacional no nulo 2 coecientes distintos de cero. Por ultimo, si la parte regular es un AR(1) como en el modelo (C), a ambos lados de los retardos estacionales se observa el decrecimiento exponencial impuesto por esta estructura autorregresiva. Notse que para e este modelo los coecientes 1 , 2 , 3 y4 recogen por un lado la estructura regular de la serie y la de interaccin entre la parte regular y la parte estacional. o Para completar la descripcin de las caracter o sticas de los procesos estacionales multiplicativos, se va a tratar la estructura de la funcin de autocorrelacin parcial (FACP) de un modelo o o ARM A(p, q) (P, Q)s : a) La FACP del proceso multiplicativo es una mezcla de las FACP correspondientes a su estructura regular y a su estructura estacional por separado, con un componente de interaccin porque ambas no son independientes. o a b) En los retardos ms bajos, k = 1, 2, ..., que recogen la estructura regular se reproduce la estructura marcada por los polinomios p (L) y q (L) de la parte regular. Si es un M A(q) o un ARM A(p, q) presentar el decaimiento rpido y continuado caracter a a stico de estos modelos, mientras que si fuera un AR(p) se truncar en el retardo p. a c) En los retardos estacionales, k = s, 2s, 3s, ..., se representa la estructura estacional generada por los polinomios P (L) y Q (L). Si es un M A(Q)s o un ARM A(P, Q)s presentar a el decaimiento rpido y continuado caracter a stico de estos modelos, mientras que si fuera un AR(P ) se truncar en el retardo k = P s. a d) Alrededor de los retardos estacionales se observa la interaccin entre la parte regular y la o estacional que se maniesta como sigue: A la derecha de cada coeciente estacional, k = js + 1, js + 2, ..., se reproduce la FACP de la parte regular. Si el coeciente estacional es positivo la FACP regular aparece invertida, mientras que si es negativo la FACP regular aparece con su propio signo. A la izquierda de los coecientes estacionales, k = js 1, js 2, ..., se reproduce la FAC de la parte regular. 117

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

7.4.

Modelizacin ARIMA estacional. o

La metodolog para construir el modelo ARIM A(p, d, q)(P, D, Q)s apropiado para la serie estaa cional Y1 , Y2 , . . . , YT consta de las fases de Identicacin, Estimacin, Validacin y Prediccin. o o o o Se ilustrar el proceso de construccin del modelo con una serie clsica en la literatura, Pasajeros a o a de L neas Areas, serie mensual observada desde Octubre de 1949 a Septiembre de 1961. Al nal e de esta seccin se propone como ejercicio al lector la modelizacin de la serie trimestral o o ndice de produccin industrial austr o aco. Los datos de ambas series se encuentran en el apndice C. e Identificacion. Se trata de proponer el/los modelos ARIM A(p, d, q)(P, D, Q)s que puedan representar la evolucin de la serie Yt . En primer lugar, se analiza la estacionariedad de la serie tanto en varianza o como en media y, despus, para la serie original o aquella transformacin estacionaria de la e o misma, se seleccionn los ordenes (p, q) de la estructura regular estacionaria y (P, Q)s de la estructura estacional estacionaria. Por ultimo, se estudia la necesidad de incluir o no un trmino e independiente en el modelo. a A. Anlisis de estacionariedad El instrumento utilizado para estudiar la estacionariedad en varianza de la serie es su grco que permite observar si la variabilidad de la serie es homognea a lo largo del a e tiempo o no. En las series con comportamiento estacional suele suceder que la variabilidad o amplitud del ciclo estacional crece con la tendencia. Este es el caso de la serie Pasajeros de L neas Areas (Pasajeros) como muestra la gura de la izquierda del grco7.6. Como e a la serie original no es estacionaria en varianza, tomamos la transformacin logar o tmica que presenta una variabilidad homognea en toda la muestra (vese la gura de la derecha e a del grco 7.6). Por lo tanto, consideramos que la serie Ln(P asajeros) es estacionaria en a varianza. Grco 7.6: Pasajeros de L a neas Areas (datos originales y logaritmos). e
700 6.6 6.4 600 6.2 6 500 5.8 5.6 5.4 5.2 5 200 4.8 100 1950 1952 1954 1956 1958 1960 4.6 1950 1952 1954 1956 1958 1960

400

300

El anlisis de la estacionariedad en media de una serie se lleva a cabo, en general, utilia zando tres instrumentos: el grco, la funcin de autocorrelacin y los contrastes de ra a o o ces unitarias. 118

Ln(pasajeros)

Pasajeros

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Inspeccionando en primer lugar el grco de la serie Ln(P asajeros)t , se observa que no a es estacionaria en media porque no oscila en torno a un nivel constante. De hecho, no es estacionaria porque, por un lado, su tendencia (comportamiento a largo plazo) es creciente y, por otro lado, presenta un ciclo estacional sistemtico con los meses de verano en los a valores mximos del ciclo y los de invierno en los m a nimos, con lo que la media de cada mes es distinta. Por otro lado, la gura superior del grco 7.7 muestra como el correlograma a de la serie Ln(P asajeros) decrece lentamente hacia cero tanto en la estructura regular como en la estacional: notse el lento decrecimiento para los tres retardos estacionales: 12, e 24 y 36. Grco 7.7: Correlogramas de la Ln(Pasajeros) y algunas transformaciones. a
FAC de Ln(pasajeros) 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

FAC de D12 Ln(pasajeros) FACP de Ln(pasajeros) 11 0.5 0.5 00 -0.5 -0.5 -1 -1 00 5 5 10 10 15 15 20 20 retardo retardo 25 25 30 30 35 35 +- 1,96/T^0,5 +- 1,96/T^0,5

FAC de de D12 Ln(pasajeros) FACP D1 D12 Ln(Pasajeros) 1 1 0.5 0.5 0 0 -0.5 -0.5 -1 -1 0 0 5 5 10 10 15 15 20 20 retardo retardo 25 25 30 30 35 35 +- 1,96/T^0,5 +- 1,96/T^0,5

Podemos concluir que la serie en FACP de D1 D12no es estacionaria en media ni en la estructura logaritmos Ln(Pasajeros) regular 1 en la estacionalidad. Para buscar una transformacin1,96/T^0,5serie que s sea estani o de la +cionaria, se suele proceder a diferenciar la serie. Tomaremos, en primer lugar, diferencias 0.5 estacionales para solucionar el problema de la no estacionariedad estacional. La gura izquierda del grco 7.8 muestra la serie (1 L12 ) Ln(P asajeros) . Ya no se a
-0.5 -1 0 5 10 15 0

119
20 retardo 25 30 35

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

aprecia un comportamiento estacional sistemtico y no se observan diferencias de media por a cada mes. Por otro lado, hay que sealar tambin que ha desaparecido el comportamiento n e tendencial creciente de la serie. Esto es debido a que el operador de diferencias estacional se puede escribir como: (1 L12 ) = (1 L) S12 (L) = (1 L) (1 + L + L2 + . . . + L11 ) lo que implica que al tomar diferencias estacionales, estamos eliminando, por un lado, la estacionalidad no estacionaria mediante el operador S12 (L) que suma las observaciones de cada ao, pero al estar aplicando a la vez el operador de diferencias regular, (1 L) , n se est actuando tambin sobre la no estacionariedad en tendencia. a e Grco 7.8: Grcos de algunas diferencias de la serie Ln(Pasajeros). a a
0.35 0.15

0.3 0.1 0.25


(1-L) (1-L12) Ln(Pasajeros)

0.05

(1-L12) Ln(pasajeros)

0.2

0.15

0.1

-0.05

0.05 -0.1 0

-0.05 1952 1954 1956 1958 1960

-0.15 1952 1954 1956 1958 1960

La serie (1 L12 ) Ln(P asajeros) ya no crece sistemticamente sino que parece oscilar a en torno a un nivel pero con grandes rachas de observaciones por encima y por debajo del promedio. No parece el grco de una serie estacionaria en media sino el de una serie a que va cambiando de nivel. El anlisis de su correlograma (vese la gura intermedia del a a grco 7.7) muestra un decrecimiento hacia cero que no es exponencial en la parte regular, a aunque ya no hay problemas en los retardos estacionales. Este resultado parece indicar que la serie an no es estacionaria en la parte regular. u Por ultimo, el contraste ADF para la hiptesis nula de existencia de ra unitaria en la o z serie (1 L12 ) Ln(P asajeros) , proporciona el siguiente resultado (vese cuadro 7.1): a tc = 2, 71 > DF0,05 = 2, 89 Por lo que no se rechaza la hiptesis nula de existencia de ra unitaria. o z Concluimos que la serie (1 L12 ) Ln(P asajeros) no es estacionaria en la parte regular, por lo que se toma otra diferencia regular y se analiza la posible estacionariedad de la serie (1 L)(1 L12 ) Ln(P asajeros) . Se observa que el grco de esta transformacin de la a o serie (vese la gura derecha del grco 7.8) oscila en torno a una media cero y que su a a correlograma (gura inferior del grco 7.7) decrece rpidamente hacia cero tanto en la a a estructura regular como en la estacional. 120

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Cuadro 7.1: Contrastes de ra ces unitarias. (1 L12 )Ln(P asajeros).

Contrastes aumentados de Dickey-Fuller, orden 12, para (1-L12) Ln(Pasajeros): tama~o muestral 119 hiptesis nula de raz unitaria: a = 1 n o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,015 o valor estimado de (a - 1): -0,249907 Estadstico de contraste: tau c(1) = -2,70958 valor p asinttico 0,07233 o

Cuadro 7.2: Contrastes de ra ces unitarias. (1 L)(1 L12 )Ln(P asajeros)

Contrastes aumentados de Dickey-Fuller, orden 12, (1-L)(1-L12) Ln(Pasajeros): tama~o muestral 118 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,006 o valor estimado de (a - 1): -2,22523 Estadstico de contraste: tau nc(1) = -4,46639 valor p asinttico 8,807e-006 o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,006 o valor estimado de (a - 1): -2,22377 Estadstico de contraste: tau c(1) = -4,44332 valor p asinttico 0,0001 o

121

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

En lo que se reere al contraste de ra unitarias sobre la serie (1L)(1L12 ) Ln(P asajeros) , ces los resultados del cuadro 7.2 muestran que se: tc = 4, 44 < DF0,05 = 2, 89 Por lo que se rechaza la hiptesis nula de existencia de ra unitaria. o z Podemos concluir que la serie (1 L)(1 L12 ) Ln(P asajeros) es estacionaria, por lo que la serie Ln(P asajeros) es integrada de orden 1 en la parte regular, d = 1 e integrada de orden 1 en la parte estacional, D = 1 . B. Seleccin de los rdenes (p, q) y (P, Q) o o La eleccin del / los modelos apropiados para la serie estacionaria se realiza estudiando su o funcin de autocorrelacin simple y parcial (grco 7.9). El grco de la funcin de autoo o a a o correlacin simple muestra que el primer coeciente regular signicativamente distinto de o cero y que en la parte estacional tambin solo el primer coeciente, 12 , es signicativae mente distinto de cero. En la funcin de autocorrelacin parcial se observa que el primer o o coeciente es signicativamente distinto de cero, aunque se aprecia una estructura general exponencial decreciente, y que en la parte estacional el coeciente p12 es signicativamente distinto de cero y decrecen. En principio, como tanto en la parte regular como en la estacional observamos que el primer coeciente de la FAC es distinto de cero y el resto no son signicativos proponemos una estructura medias mviles de orden 1 para ambas, osea, ARM A(0, 1)(0, 1)12 . Observse o e como a ambos lados de los coecientes estacionales de la FAC se reproduce la estructura de la parte regular. Por ultimo, para acabar de identicar el/los modelos que pueden haber generado la serie Pasajeros de l neals areas, es preciso decidir si es necesario incluir o no un trmino indee e pendiente. El grco de la serie (gura derecha del grco 7.9) parece sugerir que la media a a de esta transformacin estacionaria es cero y que, por lo tanto, no hay que aadir ninguna o n constante. Para conrmar esta conclusin, contrastamos la hiptesis nula de que la media o o de la serie Zt = 12 Ln(P asajeros)t es cero, con el estad stico: t= Z Z

Para calcular este estad stico se utilizan los siguientes datos sobre la serie estacionaria (1 L)(1 L12 )Ln(P asajeros) Estad sticos principales, usando las observaciones 1949:10 - 1963:09 para la variable (1-L) (1-L12) Ln(Pasajeros) (131 observaciones vlidas) a Media 0, 000290880 Desv. T p. 0, 0458483 Mediana 0, 000000 C.V. 157, 619 122 M nimo 0, 141343 Asimetr a 0, 0381906 Mximo a 0, 140720 Exc. de curtosis 1, 14778

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 7.9: FAC y FACP estimadas de la serie estacionaria. a


FAC de D1 D12 Ln(Pasajeros) 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

FACP de D1 D12 Ln(Pasajeros) 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

As se obtiene: , 0, 04582 2 Z = V (Z) (1 + 2 1 + 2 12 ) = (1 + 2 0, 34 + 2 0, 387) = 0, 0000395 (131 1) t = 0, 000291 = 0, 04628 < 2 t0,025 (130) 0, 006287

Por lo tanto, no se rechaza la hiptesis nula y no se incluye un trmino independiente en o e el modelo.

En la etapa de Identicacin se ha propuesto el siguiente modelo candidato a haber generado la o serie Pasajeros de l neas areas: e ARIM A(0, 1, 1)(0, 1, 1)12 : 12 Ln(P asajeros)t = (1 L) (1 L12 ) at

Estimacion. El modelo estimado segn el output obtenido con Gretl que se presenta a continuacin es: u o 12 Ln(P asajeros)t = (1 0, 4018 L) (1 0, 5569 L12 ) at

123

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Modelo 1: estimaciones ARIMA utilizando las 131 observaciones 1950:111961:09 Variable dependiente: (1 L)(1 L12 )Ln(P asajeros) Desviaciones t picas basadas en el Hessiano Coeciente 1 1 0,401823 0,556937 Desv. t pica 0,0896453 0,0731050 estad stico t 4,4824 7,6183 0,000290880 0,0458483 0,00100838 0,00134810 244,696 Mdulo o 2, 4887 1, 7955 Frecuencia 0, 0000 0, 0000 valor p 0,0000 0,0000

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 2, 4887 1, 7955 Imaginaria 0, 0000 0, 0000

MA MA (estacional)

Ra z Ra z

1 1

Validacion. En esta etapa se trata de comprobar de que el modelo propuesto se ajusta bien a los datos y reproduce la estructura de comportamiento de la serie. Comenzando por el anlisis de los coecientes, comprobaremos, en primer lugar, si son o no a estad sticamente signicativos. Contrastes de signicatividad individual: H0 : = 0 Ha : = 0 : , H0 : = 0 Ha : = 0 0, 265 0, 0699

= | 3, 79| > N0,025 2

Se rechaza H0 : = 0 para un nivel de signicacin del 5 %. o : 0, 527 0, 072

= | 7, 346| > N0,025 2

Se rechaza H0 : = 0 para un nivel de signicacin del 5 %. o El modelo propuesto es estacionario porque es un medias mviles nito y es invertible porque o el mdulo de las trece ra o ces medias mviles est fuera del c o a rculo unidad. 124

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Comenzamos el anlisis de los residuos con el anlisis de la gura izquierda del grco 7.10 en la a a a que se observa que los residuos oscilan en torno a cero con una variabilidad bastante homognea. e Por otro lado, el correlograma de los residuos muestra que ningn coeciente de autocorrelacin u o est fuera de la regin cr a o tica, por lo que ninguno es signicativamente distinto de cero. Grco 7.10: Serie: 12 Ln(P asajeros). Estimacin y diagnsticos. a o o
0.15

FAC de los residuos 1 0.5 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +- 1,96/T^0,5

0.1

0.05

Residuo

-0.05

-0.1

-0.15 1952 1954 1956 1958 1960

FACP de los residuos

En cuanto al contraste de signicacin conjunto de la siguiente hiptesis nula: o o 1 H0 : 1 = 2 = .0.5 . = 36 = 0 .

+- 1,96/T^0,5

El estad stico de Box-Ljung, Q = 43, 75 < 2 , 0por lo que no se rechaza la hiptesis nula de o 0,05 que los 36 primeros coecientes de autocorrelacin son conjuntamente cero. o
-0.5

Estad sticos principales, usando las -1 observaciones 1949:10 - 1963:09 0 5 10 25 para la variable uhat1 (131 observaciones vlidas) 20 a 15
retardo

30

35

Media 0, 00100838 Desv. T p. 0, 0376848

Mediana 0, 00280376 C.V. 37, 3715

M nimo 0, 118741 Asimetr a 0, 0770597

Mximo a 0, 112436 Exc. de curtosis 0, 547118

En lo que se reere al contraste de Jarque-Bera de Normalidad, se tiene que: JB = 32, 46 > 2 (2) = 5, 99 0,05 Por lo tanto, podemos concluir que los residuos se comportan como un ruido blanco si bien no parecen seguir una distribucin normal. o

125

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Ejercicio 7.1. Indice de Produccin Industrial austr o aco. Dados los siguientes grcos y tablas, construye del modelo ARIM A(p, d, q)(P, D, Q)s apropiado a para la serie trimestral del Indice de produccin industrial austriaco (IPI) para la que se cuenta o con datos desde el primer trimestre de 1975 hasta el cuarto de 1988 (los datos originales se encuentran en el apndice C). e Identificacion. A. Anlisis de estacionariedad. a Pregunta: Es la serie estacionaria en varianza? Busca la transformacin estacionaria. o Grco 7.11: Serie: Indice de Produccin Industrial (1975:I - 1988:IV) a o
140 4.9 4.8 4.7 4.6 110 4.5
Ln(IPI)

130

120

100
IPI

4.4 4.3

90

80 4.2 70 4.1 4 3.9 1976 1978 1980 1982 1984 1986 1988 1976 1978 1980 1982 1984 1986 1988

60

50

IPI

Ln(IPI)

Pregunta: Es la serie estacionaria en media? Busca la transformacin estacionaria. o Grco 7.12: Grcos de diferencias de la serie Ln(IPI). a a
0.16 0.08 0.14 0.06

0.12

0.04

0.08

(1-L) (1-L4) Ln(IPI)

0.1
(1-L4) Ln(IPI)

0.02

0.06

-0.02

0.04

-0.04

0.02

-0.06

0 1976 1978 1980 1982 1984 1986 1988

-0.08 1976

1978

1980

1982

1984

1986

1988

(1

L4 )Ln(IP I) 126

(1 L)(1

L4 )Ln(IP I)

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 7.13: Correlogramas de diferencias de la serie Ln(IPI). a

FAC de Ln(IPI) 1 0.5 0 -0.5 -1 0 2 4 6 +- 1,96/T^0,5

ln(IP I)
1 1 0.5 0.5 0 0 -0.5 -0.5 -1 -1 0 0 2 2 4 4 6 6

8 retardo

10

12

14

16

FACP de Ln(IPI) FAC de D4 Ln(IPI) +- 1,96/T^0,5 +- 1,96/T^0,5

4 ln(IP I)
1 1 0.5 0.5 0 0 -0.5 -0.5 -1 0 -1 0 2 4 6 2 4 6

8 retardo 8 retardo

10 10

12 12

14 14

16 16

FACP de D4 Ln(IPI) FAC de D1 D4 Ln(IPI) +- 1,96/T^0,5 +- 1,96/T^0,5

4 ln(IP I)
1 0.5 0 -0.5 -1 0 2 4 6

8 retardo 8 retardo

10 10

12 12

14 14

16 16

FACP de D1 D4 Ln(IPI) +- 1,96/T^0,5

127
8 retardo 10 12 14 16

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Cuadro 7.3: Contrastes de ra ces unitarias.

Contrastes aumentados de Dickey-Fuller, orden 4, para (1 L4 ) Ln(IPI): tama~o muestral 47 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,022 o valor estimado de (a - 1): -0,0473233 Estadstico de contraste: tau nc(1) = -0,799128 valor p asinttico 0,3701 o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: 0,005 o valor estimado de (a - 1): -0,353237 Estadstico de contraste: tau c(1) = -2,39611 valor p asinttico 0,1428 o

Contrastes aumentados de Dickey-Fuller, orden 4, para (1 L)(1 L4 ) Ln(IPI): tama~o muestral 46 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,022 o valor estimado de (a - 1): -1,64814 Estadstico de contraste: tau nc(1) = -3,70536 valor p asinttico 0,0001 o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,022 o valor estimado de (a - 1): -1,65542 Estadstico de contraste: tau c(1) = -3,65382 valor p asinttico 0,004838 o

128

Anlisis de Series Temporales: modelos ARIMA a B. Seleccin de los ordenes (p, q) y (P, Q), y del trmino independiente. o e

SARRIKO-ON 4/09

Grco 7.14: FAC y FACP estimadas de la serie 4 ln IP It . a


FAC de (1-L) (1-L4) Ln(IPI) 1 0.5 0 -0.5 -1 0 2 4 6 8 retardo FACP de (1-L) (1-L4) Ln(IPI) 1 0.5 0 -0.5 -1 0 2 4 6 8 retardo 10 12 14 16 +- 1,96/T^0,5 10 12 14 16 +- 1,96/T^0,5

Estad sticos principales, usando las observaciones 1975:1 - 1988:4 para la variable D1D4 LnIPI (51 observaciones vlidas) a Media 0, 00113181 Desv. T p. 0, 0260694 Mediana 0, 00316331 C.V. 23, 0334 M nimo 0, 0795702 Asimetr a 0, 0446416 Mximo a 0, 0788784 Exc. de curtosis 1, 73581

Pregunta: Qu modelo/modelos ARIMA estacionales propones para la serie IPI? e

129

SARRIKO-ON 4/09 Estimacion.

Anlisis de Series Temporales: modelos ARIMA a

Un investigador ha propuesto los siguientes modelos para la serie IPI: Modelo A : Modelo B : (1 L) 4 ln IP It = (1 L4 ) at 4 ln IP It = (1 L) (1 L4 ) at

Pregunta: Ests de acuerdo? Por qu? a e Con los resultados que se presentan a continuacin, escribe los modelos estimados. o Modelo A: estimaciones ARIMA utilizando las 51 observaciones 1976:21988:4 Variable dependiente: (1 L)(1 L4 ) Ln(IPI) Variable Coeciente Desv. t pica Estad stico t valor p 1 1 0,353517 0,868740 0,131443 0,177300 2,6895 4,8998 0,00171446 0,000401395 124,237 Imaginaria 0, 0000 0, 0000 Mdulo o 2, 8287 1, 1511 Frecuencia 0, 5000 0, 0000 0,0072 0,0000

media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 2, 8287 1, 1511

AR MA (estacional)

Ra z Ra z

1 1

Modelo B: estimaciones ARIMA utilizando las 51 observaciones 1976:21988:4 Variable dependiente: (1 L)(1 L4 ) Ln(IPI) Variable 1 1 Coeciente 0,296070 0,855573 Desv. t pica 0,115774 0,161817 Estad stico t 2,5573 5,2873 0,00184053 0,000413225 123,660 Imaginaria 0, 0000 0, 0000 Mdulo o 3, 3776 1, 1688 Frecuencia 0, 0000 0, 0000 valor p 0,0105 0,0000

media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 3, 3776 1, 1688

MA MA (estacional)

Ra z Ra z

1 1

130

Anlisis de Series Temporales: modelos ARIMA a Validacion

SARRIKO-ON 4/09

Con los resultados mostrados en los grcos y tablas del cuadro 7.4 contesta a las siguientes a pregunta: Pregunta: Se ajustan los modelos a los datos? Qu modelo seleccionar para predecir? e as

Cuadro 7.4: Serie: 4 ln IP It . Diagnstico. o Modelo ARIM A(1, 1, 0)(0, 1, 1)4


Residuos de la regresin (= L_IPI observada estimada) 0.08 0.08

Modelo ARIM A(0, 1, 1)(0, 1, 1)4


Residuos de la regresin (= L_IPI observada estimada)

0.06

0.06

0.04

0.04

0.02

0.02

residuo

residuo

0.02

0.02

0.04

0.04

0.06 1976

1978

1980

1982

1984

1986

1988

0.06 1976

1978

1980

1982

1984

1986

1988

FAC de los residuos 1 0.5 0 -0.5 -1 0 2 4 6 8 retardo FACP de los residuos 1 0.5 0 -0.5 -1 0 2 4 6 8 retardo 10 12 14 16 +- 1,96/T^0,5 1 0.5 0 -0.5 -1 0 2 4 6 10 12 14 16 +- 1,96/T^0,5 1 0.5 0 -0.5 -1 0 2 4 6

FAC de los residuos +- 1,96/T^0,5

8 retardo

10

12

14

16

FACP de los residuos +- 1,96/T^0,5

8 retardo

10

12

14

16

Q(24) = 16,465

Q(24) = 18,00

131

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Modelo ARIM A(1, 1, 0)(0, 1, 1)4 Estad sticos principales, usando las observaciones 1975:1 - 1988:4 para la variable uhatA (51 observaciones vlidas) a Media 0, 00171446 Desv. T p. 0, 0208678 Mediana 0, 00158269 C.V. 12, 1716 M nimo 0, 0430086 Asimetr a 0, 706177 Mximo a 0, 0740437 Exc. de curtosis 1, 47041

Modelo ARIM A(0, 1, 1)(0, 1, 1)4 Estad sticos principales, usando las observaciones 1975:1 - 1988:4 para la variable uhatB (51 observaciones vlidas) a Media 0, 00184053 Desv. T p. 0, 0211028 Mediana 0, 000717917 C.V. 11, 4656 M nimo 0, 0479773 Asimetr a 0, 588185 Mximo a 0, 0747304 Exc. de curtosis 1, 67900

132

Anlisis de Series Temporales: modelos ARIMA a Apndice C. Datos. e

SARRIKO-ON 4/09

Cuadro 7.5: Pasajeros de l neas areas (Octubre 1949 - Septiembre 1961) e Ao n 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 Ene. 129 135 163 181 235 227 269 313 348 348 396 461 Febr. 121 125 172 183 229 234 270 318 355 363 420 472 Marzo 135 149 178 218 243 264 315 374 422 435 472 535 Abril 148 170 199 230 264 302 364 413 465 491 548 622 Mayo 148 170 199 242 272 293 347 405 467 505 559 606 Jun. 136 158 184 209 237 259 312 355 404 404 463 508 Jul. 119 133 162 191 211 229 274 306 347 359 407 461 Agos. 104 114 146 172 180 203 237 271 305 310 362 390 Sept. 118 140 166 194 201 229 278 306 336 337 405 432 Oct. 112 115 145 171 196 204 242 284 315 340 360 417 Nov. 118 126 150 180 196 188 233 277 301 318 342 391 Dic. 132 141 178 193 236 235 267 317 356 362 406 419

133

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Cuadro 7.6: Indice de produccin industrial (1o trimestre 1975 - 4o trimestre 1988) o Fecha 1975:1 1975:2 1975:3 1975:4 1976:1 1976:2 1976:3 1976:4 1977:1 1977:2 1977:3 1977:4 IPI 54,1 59,5 56,5 63,9 57,8 62,0 58,5 65,0 59,6 63,6 60,4 66,3 Fecha 1978:1 1978:2 1978:3 1978:4 1979:1 1979:2 1979:3 1979:4 1980:1 1980:2 1980:3 1980:4 IPI 60,6 66,8 63,2 71,0 66,5 72,0 67,8 75,6 69,2 74,1 70,7 77,8 Fecha 1981:1 1981:2 1981:3 1981:4 1982:1 1982:2 1982:3 1982:4 1983:1 1983:2 1983:3 1983:4 IPI 72,3 78,1 72,4 82,6 72,9 79,5 72,6 82,8 76,0 85,1 80,5 89,1 Fecha 1984:1 1984:2 1984:3 1984:4 1985:1 1985:2 1985:3 1985:4 1986:1 1986:2 1986:3 1986:4 IPI 84,8 94,2 89,5 99,3 93,1 103,5 96,4 107,2 101,7 109,5 101,3 112,6 Fecha 1987:1 1987:2 1987:3 1987:4 1988:1 1988:2 1988:3 1988:4 IPI 105,5 115,4 108,0 129,9 112,4 123,6 114,9 131,0

134

Cap tulo 8 Ejercicios


8.1. Cuestiones

C1. Sea Yt un proceso estocstico tal que Yt = a + b X, para todo t, donde a, b son constantes a y X una variable aleatoria con media y varianza 2 . Demuestra que el proceso estocstico Yt a es estacionario en covarianza. Cul es la funcin de autocovarianzas del proceso Yt ? a o C2. Supongamos que la funcin de autocovarianzas del proceso Yt no depende de t, pero sin o embargo, la media del proceso viene dada por E(Yt ) = 4t. Es el proceso Yt estacionario?. Considera ahora el proceso Zt = 10 4t + Yt , es estacionario? C3. Considera el proceso estocstico Zt = X + Yt , donde Yt es un proceso estocstico estacioa a nario en covarianza y X es una variable aleatoria independiente de Yt . Suponiendo conocidas la media y varianza de X y la media y la funcin de autocorrelacin simple de Yt , obtn la media o o e y la funcin de autocorrelacin simple del proceso Zt . o o a o C4. Sea Yt un proceso estocstico estacionario con funcin de autocovarianzas k . Demuestra que: Zt = Yt = Yt Yt1 es estacionario. Zt = 2 Yt es estacionario. Zt = 4 Yt es estacionario. en general, Zt =
N j=0 aj Ytj

es estacionario.

Qu conclusin general puedes obtener de los resultados obtenidos en los cuatro apartados e o anteriores? C5. Demuestra que el proceso M A() siguiente: Yt = at + c (at1 + at2 + . . . ) 135

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

donde c es una constante, no es estacionario. Demuestra tambin que las primeras diferencias e del proceso: Wt = Yt Yt1 son un proceso MA(1) estacionario. Busca la funcin de autocorrelacin simple de Wt . o o C6. Considera el proceso MA estacionario Yt = (1 L)at y sea Zt = Yt Yt1 . Es el proceso Zt estacionario? Es la varianza del proceso Zt mayor o menor que la del proceso Yt ? Cul es a la funcin de autocovarianzas del proceso diferenciado?. o C7. Considera el proceso AR estacionario (1 L)Yt = at y sea Zt = Yt Yt1 . Es el proceso Zt estacionario? Es la varianza del proceso Zt mayor o menor que la del proceso Yt ? Cul es a la funcin de autocovarianzas del proceso diferenciado?. o C8. Si un analista presenta el siguiente modelo AR(4) para una muestra dada: (1 + 0,48L + 0,22L2 + 0,14L3 + 0,05L4 )Yt = at Podr sugerirle un modelo ms parsimonioso? Por qu? as a e C9. Contesta a las siguientes preguntas: Cmo se obtienen las funciones de autocorrelacin simple y parcial tericas? o o o Cmo se obtienen las funciones de autocorrelacin simple y parcial estimadas o muestrao o les? o e Las facs y facp estimadas se corresponden exactamente con las tericas? Por qu? C10. Sea el proceso Yt = + at + at1 , donde es una constante, demuestra que la f.a.c.s. de Yt no depende de . o C11. Si IT es un conjunto de informacin que incluye los valores pasados y presente de la serie que queremos predecir, Yt , y YT (1) es la prediccin ptima basada en el citado conjunto de o o informacin IT , de forma que el error de prediccin es eT (1). Por qu esperas que eT (1) sea o o e ruido blanco? C12. Comenta las siguientes frases: Un modelo ARIM A(p, d, q) bien construido tiene autocorrelaciones residuales que son todas cero. Un modelo ARIMA estimado con residuos que estn signicativamente autocorrelacionaa dos no es apropiado. 136

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

8.2.

Problemas

Problema 1. Contamos con la siguiente serie temporal estacionaria: 1,5 0,8 0,9 1,2 0,5 1,3 0,8 1,6 0,8 1,2 0,5 0,9 1,1 1,1 0,6 1,2

En base al grco de las observaciones, sugiere un valor aproximado para el coeciente de a autocorrelacin muestral de orden 1, 1 . o Dibuja Yt contra Yt+1 e Yt contra Yt+2 y, en base a estos grcos, sugiere valores aproxia mados para 1 y 2 . Comprueba si tus sugerencias eran apropiadas calculando k , k = 0, 1, 2, 3, 4, 5 Problema 2. Considera los siguientes procesos estocsticos: a 1. 2. 3. 4. 5. 6. 7. Yt = 1, 05 Yt1 0, 5 Yt2 + at Yt = 1, 03 Yt1 + at Yt = 0, 7 Yt1 + at 0, 45 at1 Yt = at + 0, 7 at1 0, 5 at2 Yt = at 1, 05 at2 Yt = 0, 09 Yt2 + at 0, 3 at1 Yt = 0, 6 Yt1 + at + 0, 4 at2

Qu modelo ARM A(p, q) son? Son estacionarios e invertibles? Por qu? e e Problema 3. Sean los modelos AR(1) siguientes: (a) (b) Yt = 0,8 Yt1 + at Yt = 0,5 Yt1 + at
2 a = 2

Son estacionarios? Son invertibles? Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coecientes de autocorrelacin simple, 1 , 2 , . . . , 5 . Represntalos grcameno e a te. Calcula los coecientes de autocorrelacin parcial, p1 , p2 , p3 , p4 , p5 . Represntalos grcao e a mente. Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma M A() en que, si es posible, puede transformarse los dos modelos AR(1) dados. 137

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Problema 4. Considera el proceso AR(1) siguiente: Yt = 20 + 0,6 Yt1 + at Es estacionario? Es invertible? Calcula la media y la funcin de autocovarianzas del proceso. Dibuja la funcin de autoo o correlacin terica. o o Si Y50 = 21 , es de esperar que Y51 sea mayor o menor que la media?
2 a = 4

Problema 5. Sea at un proceso ruido blanco. Encuentra la funcin de autocorrelacin simple o o de los siguientes procesos lineales: (1) Yt = at + 0, 4 at1 (2) Yt = at + 2, 5 at1

Crees que estos dos modelos lineales se pueden distinguir en base a observaciones de {Yt }?. Problema 6. Sean los modelos M A(1) siguientes: 1. 2. Yt = at 0, 9 at1 Yt = at + 0, 5 at1
2 a = 4

Son estacionarios? Son invertibles? Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coecientes de autocorrelacin simple, 1 , 2 , . . . , 5 . Represntalos grcameno e a te. Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma AR() en que, si es posible, puede transformarse los dos modelos M A(1) dados.

Problema 7. Considera el proceso M A(1) siguiente: Yt = 5 + at + 0, 2 at1 Es estacionario? Es invertible? Calcula la media y la funcin de autocovarianzas del proceso. Dibuja la funcin de autoo o correlacin terica. o o Si Y100 es mayor que la media del proceso, es de esperar que Y101 sea tambin mayor? e 138 2 = 3

Anlisis de Series Temporales: modelos ARIMA a Problema 8. Sean los modelos AR(2) siguientes: 1. 2. 3. 4. Yt = 0, 6 Yt1 + 0, 3Yt2 + at Yt = 1, 3 Yt1 0, 4Yt2 + at Yt = 1, 2 Yt1 0, 8Yt2 + at Yt = 0, 8 Yt1 0, 5Yt2 + at 2 = 3

SARRIKO-ON 4/09

Son estacionarios? Son invertibles? Cual es la estructura de la funcin de autocorrelacin simple y de la funcin de autocoo o o rrelacin parcial? o Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coecientes de autocorrelacin simo ple, 1 , 2 , . . . , 5 . Represntalos grcamente. e a Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma M A() en que, si es posible, puede transformarse los cuatro modelos AR(2) dados.

Problema 9. Considera el proceso AR(2) siguiente: Yt = 10 + 0, 8 Yt1 0, 2 Yt2 + at Es estacionario? Es invertible? o o o o Calcula su media y funcin de autocovarianzas. Dibuja la funcin de autocorrelacin terica. Si Y45 = 12, es de esperar que Y46 sea mayor o menor que la media? 2 = 1

Problema 10. Sean los modelos M A(2) siguientes: 1. 2. 3. 4. Yt = at 0, 4 at1 + 1, 2 at2 Yt = at + 0, 7 at1 0, 2 at2 Yt = at 1, 3 at1 + 0, 4 at2 Yt = at 0, 1 at1 + 0, 21 at2
2 a = 2

Son estacionarios? Son invertibles? Cual es la estructura de la funcin de autocorrelacin simple y de la funcin de autocoo o o rrelacin parcial? o Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coecientes de autocorrelacin simo ple, 1 , 2 , . . . , 5 . Represntalos grcamente. e a Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma AR() en que, si es posible, puede transformarse los cuatro modelos M A(2) dados.

139

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Problema 11. Sean los modelos ARM A(1, 1) siguientes: (a) (b) Yt = 0, 9 Yt1 + at + 0, 8 at1 Yt = 0, 6 Yt1 + at 0, 6 at1 2 = 5

Son estacionarios? Son invertibles? Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coecientes de autocorrelacin simple, 1 , 2 , . . . , 5 . Represntalos grcameno e a te. Pueden simplicarse estos modelos? Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma AR() en que, si es posible, puede transformarse los dos modelos ARM A(1, 1) dados. Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma M A() en que, si es posible, puede transformarse los dos modelos ARM A(1, 1) dados.

Problema 12. Supongamos que la serie Yt ha sido generada como sigue: Yt = 0,2Yt1 + 0,48Yt2 + at + 0,6at1 0,16at2 e Qu proceso lineal sigue la serie Yt ? Es estacionario? Es invertible? Est el modelo sobreparametrizado? En caso armativo, escribe un modelo equivalente a con menos parmetros. a

Problema 13. Sea el modelo ARMA(2,2) siguiente: Yt = 0, 9 Yt1 0, 2 Yt2 + at 1, 3 at1 + 0, 4 at2 Puede simplicarse este modelo? Problema 14. Encuentra un proceso invertible tal que: 0 = 1 1 = 0,49 k = 0 k > 1

Problema 15. Indica a qu tipo de modelo ARM A(p, q) se puede asociar cada uno de los e siguientes pares de funciones de autocorrelacin simples y parciales tericas, explicando por o o qu. e

140

Anlisis de Series Temporales: modelos ARIMA a


F.AC.S.
0,700 0,7 0,500 0,5

SARRIKO-ON 4/09
F.AC.P.

0,300

0,3

0,100

0,1

1)

1 -0,100

10

11

12

13

14

15

16

17

18

19

20 -0,1

10

11

12

13

14

15

16

17

18

19

20

-0,300

-0,3

-0,500

-0,5

-0,700

-0,7

0,5

0,5

0,4

0,4

0,3

0,3

0,2

0,2

0,1

0,1

2)

0 1 -0,1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,2

-0,2

-0,3

-0,3

-0,4

-0,4

-0,5

-0,5

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

3)

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

0,8

0,800

0,6

0,600

0,4

0,400

0,2

0,200

4)

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0,000 1 -0,200 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,400

-0,6

-0,600

-0,8

-0,800

0,9

0,900

0,7

0,700

0,5

0,500

0,3

0,300

0,1

0,100

5)

-0,1

10

11

12

13

14

15

16

17

18

19

20

-0,100

10

11

12

13

14

15

16

17

18

19

20

-0,3

-0,300

-0,5

-0,500

-0,7

-0,700

-0,9

-0,900

0,6

0,600

0,4

0,400

0,2

0,200

6)

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0,000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,2

-0,200

-0,4

-0,400

-0,6

-0,600

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

7)

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

8)

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

141

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Problema 16. Considera la siguiente secuencia de coecientes de autocorrelacin: o 1 = 0, 75 2 = 0, 56 3 = 0, 42 4 = 0, 31 5 = 0, 23 De qu proceso ARM A(p, q) pueden provenir estos coecientes? (considera slo valores bajos e o de p y q). Problema 17. Las funciones de autocorrelacin simple y parcial estimadas para una serie o temporal de 110 obeservaciones son las siguientes: k 1 2 3 4 5 k -0,38 -0.16 0.12 -0.08 -0.06 pk -0.38 -0.37 -0.20 -0.18 -0.03

Calcula la desviacin t o pica asinttica para cada coeciente estimado, k y pk bajo el o supuesto de que se trata de una realizacin que procede de un ruido blanco. o Qu modelo ARM A(p, q) ha podido generar la serie de datos? e

Problema 18. La funcin de autocorrelacin estimada para una serie Yt de 144 observaciones o o es: k rk 0 1 1 0.84 2 0.57 3 0.43 4 0.34 5 0.25 6 0.18

Sugiere un modelo ARM A(p, q) posible para Yt . Estima l/los parmetros del modelo propuesto (Nota: Recuerda las expresiones para la e a funcin de autocorrelacin simple en funcin de los parmetros del modelo tanto para los o o o a modelos AR como MA.) Suponiendo que el error de prediccin un periodo hacia adelante cometido al predecir Y6 o con informacin hasta el momento t = 5 es de 0,36 y si Y7 = 1 , obtn la prediccin o e o para Y8 .

Problema 19. A partir de una muestra de 64 observaciones se ha ajustado el siguiente modelo: (1 0,8L) Yt = (1 + 0,6L) at Las funciones de autocorrelacin simple y parcial de los residuos, at , vienen dadas por: o 142

Anlisis de Series Temporales: modelos ARIMA a k k pk 1 0.390 0.390 2 0.160 0.030 3 0.054 -0.033 4 0.021 0.025 5 -0.004 0.026

SARRIKO-ON 4/09

A la vista de la informacin anterior, consideras aceptable el modelo ajustado? En caso cono trario, cual podr ser la reformulacin del modelo? a o Problema 20. Se ha estimado con una muestra de 110 observaciones de la variable Yt el siguiente modelo: Yt = at + 0, 5 at1 + 0, 4 at2 + 18 Se cuenta con la siguiente informacin acerca de at e Yt : o Y106 = 20 Y107 = 21 Y108 = 19 Y109 = 19 Y110 = 17 2 = 4

Obtn la prediccin de Yt por punto para los periodos 111, 112 y 113. e o Calcula los errores cuadrticos medios de prediccin. a o Obtn la prediccin de Yt por intervalo para los periodos 111, 112 y 113. e o Suponiendo que se dispone de la informacin adicional: Y111 = 17, actualiza la prediccin o o de los periodos 112 y 113.

Problema 21. Consideremos el proceso AR(1) siguiente: (1 L) (Yt ) = at donde: = 0, 6


2 a = 0, 1

= 9.

Supongamos que se cuenta con las siguientes observaciones: Y100 = 8, 9 Y99 = 9 Y98 = 9 Y97 = 9, 6

Predice Y101 , Y102 , Y103 , Y104 tanto por punto como por intervalo. Si se dispone de la informacin adicional: Y101 = 9, 7, actualiza la prediccin de los periodos 102, o o 103 y 104. Problema 22. Para predecir la serie Yt se han utilizado dos modelos diferentes: Yt = 20 + 0, 5 Yt1 + vt Yt = 50 + at + 0, 6 at1 donde at y vt son procesos ruido blanco con media cero. En el momento t = 20, las predicciones de ambos modelos para Y21 han sido de 110 y 90 respectivamente. Qu predicciones para Y22 e proporcionar ambos modelos con informacin hasta t = 21, sabiendo que Y21 = 100? an o 143

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Problema 23. El economista del servicio de planicacin del Ayuntamiento quiere predecir o los ingresos mensuales por impuestos en base a los datos recogidos los ultimos 100 meses, Yt . Analizando el correlograma estimado de la serie Yt , propone los siguientes modelos: Yt = 90 + 0, 7 Yt1 + at Yt = 300 + at + 0, 62 at1 + 0, 5 at2 Sabiendo que Y100 = 280 y a98 = 0,5, a99 = 2, a100 = 10 Obtn las predicciones por punto de Y101 , . . . , Y110 con ambos modelos. e Representa ambas predicciones y compara sus caracter sticas. Cul es la estructura de la a funcin de prediccin cuando para ambos modelos? o o Sabiendo que los verdaderos valores para Y son: t yt 101 295 102 310 103 302 104 275 105 320 106 310 107 290 108 283 109 315 110 303 (8.1) (8.2)

Representa los errores de prediccin cometidos con ambos mtodos de prediccin. Qu moo e o e delo proporciona las mejores predicciones?. Utiliza para compararlos aquellos criterios de precisin de la prediccin que te parezcan ms convenientes? o o a

Problema 24. La serie temporal representada en el grco corresponde a una variable obsera vada trimestralmente desde el primer trimestre de 1966 al tercer trimestre de 2003. Se desea
15

10

-5

-10

-15 1970 1975 1980 1985 1990 1995 2000

predecir la evolucin de la variable a lo largo de 2004. o Basndose en la informacin proporcionada por los correlogramas simple y parcial estimados, a o un experto ha propuesto el siguiente modelo para predecir Yt : Yt = + at + 1 at1 + 2 at2 + at N ID(0, 2 )

Crees que la eleccin es correcta? Qu modelo hubieras propuesto t? Por qu? o e u e 144

Anlisis de Series Temporales: modelos ARIMA a


FAC de Y 1 0.5 0 -0.5 -1 0 2 4 6 8 retardo FACP de Y 1 0.5 0 -0.5 -1 0 2 4 6 8 retardo 10 12 14 16 +- 1,96/T^0,5 10 12 14 16 +- 1,96/T^0,5

SARRIKO-ON 4/09

La estimacin del modelo propuesto ha producido los siguientes resultados: o = 0, 0275 1 = 1, 37 2 = 0, 51

Calcula las predicciones por punto para los cuatro primeros meses de 2004, con los siguientes datos adicionales: Y145 = 23,62 Y146 = 23,18 Y147 = 24,41

Problema 25. Una empresa tiene datos de sus ventas anuales y propone el siguiente modelo: Vt = 100 + yt donde Vt son las ventas del trimestre t-simo, son las ventas medias e yt es un proceso ese tocstico. a Las correlaciones estimadas para los valores de y con datos de los ultimos aos son: n k k 0 1 1 0,8 2 0,66 3 0,50 4 0,40 5 0,33 6 0,25 7 0,2

siendo la media de y durante el periodo muestral cero. El estad stico de la compa sugiere que el modelo apropiado para la y es: na yt = 0, 8 yt1 + at donde at es un ruido blanco con media cero. Ests de acuerdo con su decisin? Por qu? a o e Dado que las ventas de ao 2008 han sido 213, predice las ventas para el ao 2009. n n 145

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Problema 26. Sea Yt = 7 + t + Xt , donde Xt es un proceso estacionaria de media cero y funcin de autocovarianzas k : o Cual es la funcin media de Yt ? Cual es la funcin de autocovarianzas de Yt ? Es Yt o o estacionario? Es Yt estacionario?

Problema 27. Sea una serie anual, Yt que est generada por el siguiente proceso estocstico: a a Yt = a + b t + c t2 + at donde at es ruido blanco y a, b, c son constantes. Es el proceso Yt estacionario en covarianza? Es el proceso Yt estacionario en covarianza? e Qu operador de diferencias se ha de aplicar para convertir al proceso Yt en estacionario?. Discute la invertibilidad del proceso resultante. Existe algn otro mtodo para transformar al proceso Yt en estacionario? u e

Problema 28. Sea Yt una serie mensual estacional con factores estacionales constantes, St = St12 y at una serie de perturbaciones estacionarias. Si suponemos que la serie Yt consta de una tendencia global lineal y una estacionalidad aditiva, el modelo apropiado es: Yt = a + b t + St + at Es la serie Yt estacionaria? Es la serie Yt estacionaria? Demuestra que la aplicacin o del operador 12 a la serie Yt la convierte en estacionaria. Si suponemos que la serie Yt consta de una tendencia global lineal y una estacionalidad multiplicativa, el modelo apropiado es: Yt = (a + bt) St + at Convierte el operador 12 en estacionaria a la serie Yt ? Si no es as encuentra el operador que lo hace.

146

Anlisis de Series Temporales: modelos ARIMA a Problema 29. Para cada uno de los siguientes procesos estocsticos: a (1) (2) (3) (4) Yt = 0,7 Yt1 + at Yt = 5 + 0,7 Yt1 + at Yt = Yt1 + at 0,7 at1 Yt = 5 + Yt1 + at 0,7at1 at RBN (0, 9) at RBN (0, 9) at RBN (0, 9)

SARRIKO-ON 4/09

at RBN (0, 9)

o Es Yt estacionario? Si no lo es , existe alguna transformacin que lo convierta en estacionario? Qu modelo ARIM A(p, d, q) sigue? e Comenta las caracter sticas de cada uno de los procesos por separado. Compara las caracter sticas de los distintos procesos en las siguientes l neas: Funciones de autocorrelacin o Evolucin de las series generadas por los distintos modelos. o Simula una serie temporal de tamao 50, 100, 200. Comenta los resultados. n

Problema 30. Considera los siguientes procesos: 1. (1 0, 99L) (1 L) Yt = (1 0, 5L) at 2. (1 L)2 Yt = at 0, 81at1 + 0, 38at2 0, 2L2 ) at 0, 72L2 ) a
t

5. (1 0, 8L) Yt = (1 0, 12L) at 6. (1 L) Yt = (1 1, 5L) at 7. (1 L) Yt = at + 0, 5at1 8. Yt = Yt2 + at + 0, 2 at1

3. 1 0, 6L) Yt = (1 1, 2L + 4. (1 1, 1L + 0, 8L2 ) Yt

= (1 1, 5L +

Es el proceso Yt estacionario? Es invertible? Si no son estacionarios busca una transformacin que los convierta en estacionarios. Qu moo e delo ARIM A(p, d, q) son?

Problema 31. Sean los modelos siguientes: Yt = 0,1Yt1 + 0,9Yt2 + at Yt = 0,3Yt1 + 0,7Yt2 + at at1 Yt = Yt1 + at Analiza las condiciones de estacionariedad e invertibilidad del proceso Yt . En el caso de que no sea estacionario, puede hacerse alguna transformacin para convero tirlo en estacionario? Qu modelo ARIM A(p, d, q) son? e 147

SARRIKO-ON 4/09 Problema 32.

Anlisis de Series Temporales: modelos ARIMA a

A. Escribe estos siguientes modelos en forma ARIM A(p, d, q) y en forma de ecuacin en o diferencias: 1. 2. 3. 4. 5. (1 L)(1 L) Yt = at (1 L)2 Yt = (1 L) at (1 L) Yt = (1 L) at (1 L)Yt = (1 1 L 2 L2 ) at Yt = (1 L2 ) at

B. Escribe los siguientes modelos en trminos del operador de retardos L : e 1. 2. 3. 4. 5. 6. 7. 8. ARIM A(1, 1, 1) ARIM A(0, 2, 1) ARIM A(2, 0, 2) Yt = (1 1 2 ) + 1 Yt1 + 2 Yt2 + at Yt = (1 1 ) + 1 Yt1 1 at + at Yt = Yt1 1 at1 2 at2 + at Yt = 2 Yt1 Yt2 1 at1 + at Yt = Yt1 + 1 (Yt1 Yt2 ) + 2 (Yt2 Yt3 ) + at

Problema 33. Sea el modelo ARIM A(2, 1, 0) siguiente: (1 1 L 2 L2 ) Yt = at Es el proceso Yt estacionario? Es el proceso Wt = Yt estacionario? Qu proceso lineal sigue la serie Wt ? e Calcula la media y la funcin de autocorrelacin simple terica del proceso Wt . o o o Problema 34. A partir de una muestra de 100 datos se ha ajustado el siguiente modelo: Yt = (1 0, 324L) at Las funciones de autocorrelacin simple y parcial de los residuos vienen dadas por: o k k pk 1 -0,508 -0,508 2 0,013 -0,329 3 -0,032 -0,220 4 0,015 -0,143 5 0,043 -0,093

A la vista de la informacin anterior, consideras aceptable el modelo ajustado? En caso cono trario, cual podr ser la reformulacin del modelo? a o 148

Anlisis de Series Temporales: modelos ARIMA a Problema 35. Considera los siguientes modelos: 1. (1 1 L 2 L2 ) Yt = (1 1 L) at

SARRIKO-ON 4/09

T = 100, Y99 = 53, Y100 = 56, a100 = 1,4, 1 = 1,4, 2 = 0,7, a = 3,3 2 1 = 0,3, = 50 2. Yt = (1 1 L 2 L2 ) at T = 100, a99 = 1,3, a100 = 2, ,6, 1 = 0,7, 2 = 0,5, |mu = 100, a = 2,5 2 1 = 0,3, = 50 3. (1 1 L)(1 L) Yt = at T = 100, Y99 = 217, Y100 = 232, 1 = 0,7, a = 8 2 4. (1 L) Yt = (1 1 L) at T = 100, Y100 = 28, 1 = 0,5, a100 = 0,7, a = 6,7 2 5. (1 1 L) Yt = (1 1 L 2 L2 ) at T = 100, Y100 = 103, a100 = 1,2, a99 = 0,3, 1 = 0,6 1 = 0,8, 2 = 0,3, a = 2,5 2 6. (1 1 L) ( Yt ) = at T = 100, Y100 = 1, Y99 = 1, 5, a100 = 0,005, a99 = 0,3, 1 = 0,8 = 0, 2 7. (1 1 L) (1 L) Yt = (1 1 L) at T = 100, Y100 = 23, Y99 = 18, a100 = 0,2, a99 = 0,3, 1 = 0,8 1 = 0,6 Para cada uno de ellos, obtn las predicciones por punto y por intervalo para e Problema 36. Sea el modelo estimado: (1 + 0,6L)(1 L) Yt = (1 0,5L) at + 0,8 a = 1 2 = 1, 2, 3, 4, 5.

Dado Y79 = 40, Y80 = 41, Y81 = 41 y a80 = 0,2, predice Yt para los periodos 81, 82 y 83. Calcula los errores cuadrticos medios de prediccin y establece una banda de conanza a o del 95 % para la prediccin. o Suponiendo que Y81 = 41, actualiza la prediccin de los periodos 82 y 83. o

149

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Problema 37. Contamos con 221 datos para analizar la evolucin temporal de la tasa de o cambio de Hungr T ipot . Con ayuda de los grcos y la informacin siguientes, contesta a las a, a o preguntas: Es estacionaria la serie T ipot ? Por qu? e Es preciso tomar alguna diferencia a la serie T ipot para que sea estacionaria? Qu modelo ARMA(p,q) propones para la serie que has elegido como estacionaria? e

Estad sticos principales, usando las observaciones 1 - 221 para la variable Tipo (221 observaciones vlidas) a Media 19, 9115 Desv. T p. 3, 24292 Mediana 21, 0973 C.V. 0, 162867 M nimo 10, 5407 Asimetr a 0, 756369 Mximo a 24, 8438 Exc. de curtosis 0, 312477

Estad sticos principales, usando las observaciones 1 - 221 para la variable DTipo (220 observaciones vlidas) a Media 0, 0174748 Desv. T p. 0, 810736 Mediana 0, 00373450 C.V. 46, 3946 M nimo 2, 4866 Asimetr a 0, 0622331 Mximo a 2, 31328 Exc. de curtosis 0, 357541

Contrastes aumentados de Dickey-Fuller, orden 2, para Tipo: tama~o muestral 218 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,002 o valor estimado de (a - 1): -0,00164723 Estadstico de contraste: tau nc(1) = -0,602228 valor p asinttico 0,4568 o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,001 o valor estimado de (a - 1): -0,0248391 Estadstico de contraste: tau c(1) = -1,43424 valor p asinttico 0,567 o 150

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) Tipo: tama~o muestral 217 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,001 o valor estimado de (a - 1): -1,1125 Estadstico de contraste: tau nc(1) = -8,98227 valor p asinttico 1,124e-016 o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,001 o valor estimado de (a - 1): -1,11455 Estadstico de contraste: tau c(1) = -8,974 valor p asinttico 5,749 e-016 o

26

2.5 2 1.5

24

22 1

(1-L) Tipo cambio


0 50 100 150 200

20

0.5 0 -0.5 -1

Tipo cambio

18

16

14 -1.5 12 -2 -2.5 0 50 100 150 200

10

FAC de Tipo 1 0.5 0 -0.5 -1 0 5 10 retardo FACP de Tipo 1 0.5 0 -0.5 -1 0 5 10 retardo 15 20 +- 1,96/T^0,5 1 0.5 0 -0.5 -1 0 5 15 20 +- 1,96/T^0,5 1 0.5 0 -0.5 -1 0 5

FAC de (1-L) Tipo +- 1,96/T^0,5

10 retardo FACP de (1-L) Tipo

15

20

+- 1,96/T^0,5

10 retardo

15

20

151

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Problema 38. Los siguientes datos corresponden a la serie Yt a la que se ha ajustado el siguiente modelo: Yt = 0,5 + at at1 + 0,5at2 a = 0,04 2 t Yt 96 172 97 169 98 164 99 168 100 172

Obtn las predicciones para Y101 , Y102 , Y103 , Y104 , Y105 , Y106 . e Cul es el comportamiento de la funcin de prediccin conforme a o o ?

Calcula los Errores Cuadrticos Medios de Prediccin y obtn los intervalos de conanza a o e del 95 % para las predicciones. Suponiendo que Y101 = 174, actualiza las predicciones para Y102 , Y103 , . . . , Y106 . Representa grcamente la serie, las predicciones obtenidas con informacin hasta T = 100 y las a o actualizadas con informacin hasta T = 101. o

Problema 39. Con una muestra de 110 observaciones se ha estimado el siguiente modelo: (1 0,5L) Yt = (1 + 0,7L) at Tambin se dispone de la siguiente informacin: e o t yt 106 66 107 65 108 64 109 63 110 68

Expresa el modelo en la forma de ecuacin en diferencias nitas. o Calcula las predicciones de Yt para los periodos 111, 112, 113, 114 y 115, sabiendo que a110 = 0,5. Representa la funcin de prediccin. Cul es su estructura cuando o o a Expresa el modelo en la forma M A().
2 Calcula los errores cuadrticos medios de prediccin sabiendo que a = 2. a o

Calcula las predicciones por intervalo. Suponiendo que Y121 = 70 actualiza las predicciones.

152

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Problema 40. El director del Servicio de Estudios de una Divisin de la Unin Europea le ha o o pedido a uno de sus economistas que prediga la evolucin de la poblacin de la Unin Europea o o o hasta el ao 2000. Con los datos de los ultimos 100 aos (1896-1995), el economista estima el n n siguiente modelo: Pt = (1 0,7L + 1,2L2 )at Qu modelo ARIM A(p, d, q) ha propuesto el economista? e Basndote en este modelo obtn las predicciones de la poblacin hasta el ao 2000 por a e o n punto y por intervalo, sabiendo que los ultimos datos de la poblacin y de la prediccin o o obtenida con un ao de antelacin son: n o Valor real de Poblacin o Pt 105 109 111 113 Prediccin hecha el mes anterior o Pt1 (1) 104 110.5 110 113.5

Mes 1992 1993 1994 1995

sticas del modelo propuesto, cmo se o Dadas las predicciones obtenidas y las caracter comporta la poblacin a largo plazo? o

Problema 41. Supongamos que el modelo: Yt = (1 0,5L)et se utiliza para predecir una serie que de hecho ha sido generada por el modelo: Yt = (1 0,9L + 0,2L2 )at (8.4) (8.3)

Obtn la funcin de autocorrelacin simple del error de prediccin un periodo hacia adee o o o lante et , obtenidos del modelo ARIM A(0, 1, 1). o o Comenta como esta funcin de autocorrelacin puede utilizarse para identicar un modelo para la serie et , llevndonos a la identicacin de un ARIM A(0, 1, 2) para la serie Yt . a o

Problema 42. El servicio de estudios de un Banco quiere predecir el ndice de Bolsa de New York mediante un modelo ARIM A(p, d, q). Para ello cuenta con 78 observaciones diarias del ndice de bolsa (Yt = DowJonest ). Con la informacin presentada en los grcos y tablas o a siguientes: 153

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Estad sticos principales, usando las observaciones 1 - 78 para la variable DowJones (78 observaciones vlidas) a Media 115, 683 Desv. T p. 5, 50606 Mediana 113, 755 C.V. 0, 0475960 M nimo 108, 540 Asimetr a 0, 246937 Mximo a 124, 140 Exc. de curtosis 1, 6263

Estad sticos principales, usando las observaciones 1 - 78 para la variable (1-L) DowJones (77 observaciones vlidas) a Media 0, 133636 Desv. T p. 0, 426950 Mediana 0, 130000 C.V. 3, 19487 M nimo 0, 770000 Asimetr a 0, 521255 Mximo a 1, 53000 Exc. de curtosis 0, 939981

Estad sticos principales, usando las observaciones 1 - 78 para la variable (1 L)2 DowJones (76 observaciones vlidas) a Media 0, 00684211 Desv. T p. 0, 447974 Mediana 0, 0100000 C.V. 65, 4731 M nimo 1, 2100 Asimetr a 0, 112599 Mximo a 1, 23000 Exc. de curtosis 0, 141083

Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) DowJones: tama~o muestral 74 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,018 o valor estimado de (a - 1): -0,386798 Estadstico de contraste: tau nc(1) = -2,95062 valor p asinttico 0,00309 o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,008 o valor estimado de (a - 1): -0,46437 Estadstico de contraste: tau c(1) = -3,17663 valor p asinttico 0,02141 o Contrastes aumentados de Dickey-Fuller, orden 2, para (1 L)2 DowJones: tama~o muestral 73 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: -0,021 o valor estimado de (a - 1): -2,14076 Estadstico de contraste: tau nc(1) = -8,09521 valor p asinttico 2,654e-014 o

154

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Grco 8.1: Grcos y correlogramas a a


126

124

122

120

FAC de DowJones 1 +- 1,96/T^0,5

Indice Dow Jones

118

116

0.5 0 -0.5 -1 0 5 10 retardo FACP de DowJones 1 +- 1,96/T^0,5


1.5

114

112

110

15

20

108 0 10 20 30 40 50 60 70 80

0.5
1.5

0
(1-L)(1-L) Indice Dow Jones

(1-L) Indice Dow Jones

-0.5 0.5 -1 00 5 10 retardo 15 20

0.5

-0.5

-0.5

-1

-1 10 20 30 40 50 60 70 80

-1.5 10 20 30 40 50 60 70

FAC de (1-L) DowJones 1 0.5 0 -0.5 -1 0 5 10 retardo FACP de (1-L) DowJones 1 0.5 0 -0.5 -1 0 5 10 retardo 15 20 +- 1,96/T^0,5 1 0.5 0 -0.5 -1 0 5 15 20 +- 1,96/T^0,5 1 0.5 0 -0.5 -1 0 5

FAC de (1-L)(1-L) DowJones +- 1,96/T^0,5

10 retardo FACP de (1-L)(1-L) DowJones

15

20

+- 1,96/T^0,5

10 retardo

15

20

Analiza la estacionariedad de la serie Yt , es decir, es la serie Yt estacionaria en media o es preciso hacer alguna transformacin para convertirla en estacionaria? Por qu? o e Qu modelo (o modelos) ARM A(p, q) propones para la serie estacionaria? Por qu? e e

155

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

El economista consultado por el servicio de estudios, basndose en la misma informacin de la a o que t dispones, ha identicado los siguientes modelos: u Modelo 1 Modelo 2 Modelo 3 Modelo 4 Yt AR(1) Yt ARM A(1, 1) 2 Yt M A(1) 2 Yt ARM A(1, 1)

Discute si te parecen razonables los cuatro modelos que l propone. e Analiza los resultados que obtiene en la estimacin de cada uno de los modelos. Se ajustan o los modelos bien a los datos? Cul de los cuatro modelos estimados elegir para predecir el futuro de la serie Yt ? Por a as qu? e

Modelo 1: estimaciones ARIMA utilizando las 77 observaciones 278 Variable dependiente: (1 L)DowJones Desviaciones t picas basadas en el Hessiano Coeciente 1 0,499168 Desv. t pica 0,100102 estad stico t 4,9866 0,133636 0,426950 0,0619386 0,149332 36,190 Mdulo o 2, 0033 Frecuencia 0, 0000 valor p 0,0000

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra z 1 2, 0033 0, 0000 Imaginaria

Residuos de la regresin (= DowJones observada estimada) 1.5

FAC de los residuos 1 +- 1,96/T^0,5

0.5
residuo

0.5
0

0 -0.5

0.5

-1 0
1 10 20 30 40 50 60 70 80

10 retardo FACP de los residuos

15

20

1 0.5 0

+- 1,96/T^0,5

156

-0.5 -1 0 5 10 retardo 15 20

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Modelo 2: estimaciones ARIMA utilizando las 77 observaciones 278 Variable dependiente: (1 L)DowJones Desviaciones t picas basadas en el Hessiano Coeciente 1 1 0,850965 0,526265 Desv. t pica 0,138465 0,254785 estad stico t 6,1457 2,0655 0,133636 0,426950 0,0341779 0,143363 34,689 Mdulo o 1, 1751 1, 9002 Frecuencia 0, 0000 0, 0000 valor p 0,0000 0,0389

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra z MA Ra z
1.5

Imaginaria 0, 0000 0, 0000

1 1

1, 1751 1, 9002

Residuos de la regresin (= DowJones observada estimada)

FAC de los residuos


1

1
0.5

+- 1,96/T^0,5

0.5
residuo
0

0 -0.5 -1 0 5 10 retardo FACP de los residuos 1 0.5 0 +- 1,96/T^0,5 15 20

0.5

1.5 10 20 30 40 50 60 70 80

Modelo 3: estimaciones ARIMA utilizando las 76 observaciones 378 -0.5 Variable dependiente: (1 L)2 DowJones -1 0 10 15 Desviaciones t picas basadas en el 5 Hessiano
retardo

20

Coeciente 1 0,715732

Desv. t pica 0,113333

estad stico t 6,3153 0,00684211 0,447974 0,00664944 0,150368 36,201 Mdulo o 1, 3972 Frecuencia 0, 0000

valor p 0,0000

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real MA Ra z 1 1, 3972 0, 0000 Imaginaria

157

SARRIKO-ON 4/09
Residuos de la regresin (= DowJones observada estimada) 1.5

Anlisis de Series Temporales: modelos ARIMA a

FAC de los residuos


1

1 0.5 0 -0.5 -1 0 5 10 retardo FACP de los residuos 1 0.5 15

+- 1,96/T^0,5

0.5

residuo

0.5

20

1.5 10 20 30 40 50 60 70

+- 1,96/T^0,5

Modelo 4: estimaciones ARIMA utilizando las 76 observaciones 378 0 Variable dependiente: (1 L)2 DowJones -0.5 Desviaciones t picas basadas en el Hessiano
-1

Coeciente 1 1 0,247838 0,839131

Desv. t pica 0,144741 0,0819245

estad retardo stico t 1,7123 10,2427 0,00684211 0,447974 0,00467602 0,144924 34,848

10

15

20

valor p 0,0868 0,0000

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra z MA Ra z 1 1, 1917 0, 0000 1 4, 0349 0, 0000 Imaginaria

Mdulo o 4, 0349 1, 1917

Frecuencia 0, 0000 0, 0000

Residuos de la regresin (= DowJones observada estimada) 1.5

FAC de los residuos


0.5

1 0.5 0

+- 1,96/T^0,5

residuo

0.5

-0.5
1

-1 0 5 10 retardo FACP de los residuos 1 0.5 0 -0.5 -1 0 5 10 retardo 15 20 +- 1,96/T^0,5 15 20


10 20 30 40 50 60 70

1.5

158

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Problema 43. Disponemos de 250 observaciones, desde octubre de 1978 hasta julio de 1999, para analizar y predecir la serie de tipo de inters a largo plazo (Yt = Interest . e Analiza la estacionariedad en media de la serie Yt en base a los grcos y la informacin a o presentada. Es preciso hacer alguna transformacin a la serie Yt para que sea estacionaria? o Por qu? e Propn razonadamente uno (o varios) modelos ARIM A(p, d, q) para la serie estacionaria. o Estad sticos principales, usando las observaciones 1978:10 - 1999:07 para la variable Interes (250 observaciones vlidas) a Media 11, 4799 Desv. T p. 3, 41329 Mediana 11, 2492 C.V. 0, 297328 M nimo 5, 35361 Asimetr a 0, 0707997 Mximo a 17, 2649 Exc. de curtosis 1, 0438

Estad sticos principales, usando las observaciones 1978:10 - 1999:07 para la variable (1-L) Interes (249 observaciones vlidas) a Media 0, 0477041 Desv. T p. 0, 0360135 Mediana 0, 0499643 C.V. 0, 754934 M nimo 0, 130352 Asimetr a 0, 287116 Mximo a 0, 0475899 Exc. de curtosis 0, 273057

Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) Interes: tama~o muestral 246 hiptesis nula de raz unitaria: a = 1 n o contraste sin constante modelo: (1 - L)y = (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: 0,057 o valor estimado de (a - 1): -0,124977 Estadstico de contraste: tau nc(1) = -3,81022 valor p asinttico 0,0001392 o contraste con constante modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelacin de primer orden de e: 0,034 o valor estimado de (a - 1): -0,453041 Estadstico de contraste: tau c(1) = -7,90484 valor p asinttico 9,481e-013 o

159

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Grco 8.2: Grcos y correlogramas a a


18 0.06 0.04 16 0.02 14 0 -0.02 -0.04 -0.06 -0.08 -0.1 6 -0.12 4 1980 1985 1990 1995 2000 -0.14 1980 1985 1990 1995 2000

12

10

FAC de Interes 1 0.5 0 -0.5 -1 0 5 10 retardo FACP de Interes 1 0.5 0 -0.5 -1 0 5 10 retardo 15 20 +- 1,96/T^0,5 1 0.5 0 -0.5 -1 0 5 15 20 +- 1,96/T^0,5 1 0.5 0 -0.5 -1 0 5

(1-L) Interes

Interes

FAC de (1-L) Interes +- 1,96/T^0,5

10 retardo FACP de (1-L) Interes

15

20

+- 1,96/T^0,5

10 retardo

15

20

Problema 44. Siguiendo con los datos del Problema anterior, el economista de un servicio de estudios ha propuesto los siguientes modelos para el tipo de inters: e Modelo 1 Modelo 2 Modelo 3 Yt ARIM A(1, 1, 0) Yt ARIM A(1, 1, 1) Yt ARIM A(0, 1, 2)

Te parecen apropiados los tres modelos propuestos? Por qu? e Basndote en los resultados de la estimacin de los tres modelos (tablas y correlogramas a o simple y parcial de los residuos) que se presentan a continuacin, cul de los tres modelos o a elegir para predecir el futuro de la serie Yt ? as

160

Anlisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Modelo 1: estimaciones ARIMA utilizando las 249 observaciones 1978:111999:07 Variable dependiente: (1 L)Interes Variable const 1 Coeciente 0,0471185 0,589559 Desv. t pica 0,00447042 0,0515826 Estad stico t 10,5401 11,4294 0,0477041 0,0360135 0,000160249 0,000847352 527,108 Mdulo o 1, 6962 Frecuencia 0, 0000 valor p 0,0000 0,0000

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra z
0.08

Imaginaria 0, 0000

1, 6962

0.06

FAC de Residuo Modelo 1 1 0.5 +- 1,96/T^0,5

0.04

Residuo Modelo 1

0.02

0
-0.02

-0.5
-0.04 -0.06

-1 0 5 10 retardo FACP de Residuo Modelo 1 1 0.5 0 +- 1,96/T^0,5 15 20

-0.08 1980 1985 1990 1995 2000

-0.5 Modelo 2: estimaciones ARIMA utilizando las 249 observaciones 1978:111999:07 -1 Variable dependiente: (1 L)Interes 0 5

Variable const 1 1

Coeciente 0,0468605 0,699453 0,161248

Desv. t pica 0,00506103 0,0628214 0,0736799

Estad stico t 9,2591 11,1340 2,1885 0,0477041 0,0360135 0,000220568 0,000831130 529,499 Mdulo o 1, 4297 6, 2016 Frecuencia 0, 0000 0, 0000

10 retardo

15

20

valor p 0,0000 0,0000 0,0286

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra z MA Ra z 1 6, 2016 0, 0000 1 1, 4297 0, 0000 Imaginaria

161

SARRIKO-ON 4/09
0.08

Anlisis de Series Temporales: modelos ARIMA a

0.06

FAC de Residuo Modelo 2 1 0.5 0 +- 1,96/T^0,5

0.04

Residuo Modelo 2

0.02

-0.02

-0.5
-0.04 -0.06

-1 0 5 10 retardo FACP de Residuo Modelo 2 1 0.5 +- 1,96/T^0,5 15 20

-0.08 1980 1985 1990 1995 2000

Modelo 3: estimaciones ARIMA utilizando las0 249 observaciones 1978:111999:07 -0.5 Variable dependiente: (1 L)Interes
-1

Variable const 1 2

Coeciente 0,0473130 0,615351 0,746517

Desv. t 0 pica 0,00375620 0,0437706 0,0402836

10 Estad stico 15t retardo

20

valor p 0,0000 0,0000 0,0000

12,5960 14,0586 18,5315 0,0477041 0,0360135 1,85507e-05 0,000634269 562,501

Media de la var. dependiente D.T. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real MA Ra z Ra z
0.08

Imaginaria 1, 0815 1, 0815

Mdulo o 1, 1574 1, 1574

Frecuencia 0, 3079 0, 3079

1 2

0, 4121 0, 4121

0.06

FAC de Residuo Modelo 3 1 0.5 0 -0.5 -1 0 5 10 retardo FACP de Residuo Modelo 3 1 0.5 0 -0.5 +- 1,96/T^0,5 15 20 +- 1,96/T^0,5

0.04

Residuo Modelo 3

0.02

-0.02

-0.04

-0.06 1980 1985 1990 1995 2000

Sabiendo que: Y98,9 = 5, 37 Y98,10 = 5, 35

a98,9 = 0,018 -1
0 5

a98,10 = 0,023
10 retardo 15 20

predice el tipo de inters a largo plazo desde Noviembre de 1998 hasta Diciembre de 1999. e Calcula los errores cuadrticos medios de prediccin Hacia donde tiende la prediccin del tipo a o o de inters a largo plazo? e 162

Anlisis de Series Temporales: modelos ARIMA a Problema 45. Supongamos que la serie Yt sigue el siguiente modelo: (1 1 L 2 L2 ) Yt = at Qu modelo sigue la serie Yt ?. Es la serie Yt estacionaria? e Es estacionaria la serie Zt = Yt ? Qu modelo sigue? e

SARRIKO-ON 4/09

e o o o Obtn la funcin de autocorrelacin simple terica para la serie Zt , k , k = 1, 2, . . . . Explica cual ser la estructura de la funcin de autocorrelacin parcial terica. a o o o En base a una muestra de 100 observaciones para Zt , hemos obtenido que los dos primeros coecientes de autocorrelacin simple estimados son r1 = 0,93 y r2 = 0,81. Estima los o parmetros del modelo para Zt . a Supongamos que las ultimas observaciones de la serie Yt son: t Yt 95 145 96 141 97 142 98 148 99 150 100 143

y que el error de predecir Y100 con informacin hasta t = 99 es -0.5. Basndote en el o a modelo para Yt con parmetros estimados: a Predice los valores de Yt para t = 101, 102, 103, 104, 105, 106. Cual es el comportamiento de la funcin de prediccin a largo plazo, es decir, cuando o o .? Calcula los errores cuadrticos medios de prediccin, sabiendo que la varianza del a o error de prediccin un periodo hacia adelante es 2. o Si sabemos que Y101 = 155, actualiza el resto de las predicciones.

Problema 46. Compara los modelos estacionales siguientes: 1. Yt = (1 1 L)(1 1 L12 ) at 2. Yt = (1 1 L 12 L12 13 L13 ) at Se puede distinguir entre las funciones de autocorrelacin del modelo (1) y del modelo (2)? o Problema 47. Con una muestra de 120 observaciones se ha estimado el siguiente modelo: (1 0,5L)(1 + 0,7L4 )(1 L) Yt = (1 0,5L4 ) at Tambin se dispone de la siguiente informacin: e o t Yt Se pide: 163 110 56 111 59 112 58 113 60 114 63 115 66 116 65 117 64 118 63 119 68

SARRIKO-ON 4/09

Anlisis de Series Temporales: modelos ARIMA a

Expresar el modelo en la forma de ecuacin en diferencias nitas. o Expresar el modelo en la forma M A(). Efectuar la prediccin de Yt para los periodos 121, 122, 123, 124 y 125. o Calcular los errores cuadrticos medios de prediccin y las predicciones por intervalo. a o Suponiendo que Y121 = 70, actualiza las predicciones para los periodos 122, 123, 124 y 125.

Problema 48. Deriva la funcin de autocorrelacin terica para los siguientes procesos: o o o 1. Yt = (1 0, 8L12 )(1 + 0, 6L) at 2. Yt = (1 0, 9L4 )(1 0, 7L) at

Problema 49. Cules de los siguientes modelos estimados son estacionarios e invertibles? a 1. 2. 3. (1 0, 8L)(1 L4 )Yt = (1 0, 8L4 ) at Yt = (1 0, 4L12 0,3L24 ) (1 0, 5L2 ) at (1 1, 2L + 0, 5L2 )(1 0, 5L12 )(1 L)Yt = at

Problema 50. Escribe los siguientes modelos en trminos del operador de retardos L y en forma e de ecuacin en diferencias: o 1. 2. 3. ARIM A(0, 1, 1)(0, 1, 1)s ARIM A(1, 1, 0)(0, 1, 1)4 ARIM A(2, 0, 0)(0, 0, 1)12 4. 5. 6. ARIM A(0, 2, 2)(2, 1, 2)12 ARIM A(0, 1, 0)(0, 1, 1)7 ARIM A(1, 1, 1)(1, 1, 1)4

164

Lecturas recomendadas
vez (1993). Mtodos de Prediccin en Econom Volumen II. Ed. Ariel. e o a. a) Aznar, A. y F.J. Tr Barcelona. b) Box, G.E.P. y G.M. Jenkins (1970). Time series analysis: forecasting and control. San Francisco, Holden Day. c) Franses, P.H. (1998). Time series models for business and economic forecasting. Cambridge University Press. Cambridge. d) Pea, D. (2005). Anlisis de series temporales. Alianza editorial. Madrid. n a e) Uriel, E. (2000). Introduccin al anlisis de series temporales. Editorial AC. Madrid. o a

165