Trans Tema 1

Models univariants de sries temporals (I): Conceptes
bsics
Josep Llus Carrion-i-Silvestre
Universitat de Barcelona
Setembre 2013
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 1 / 32
Processos estocstics i sries temporals
Dos enfocaments danlisi de sries temporals:
Aproximaci clssica o determinista. Se suposa que les sries
temporals es poden modelitzar mitjanant una descomposici que
considera ns a quatre possibles components:
1
Tendncia
2
Cicle
3
Estacional
4
Irregular
Aquestes components poden ser combinades de mltiples maneres -
les ms habituals donen lloc als esquemes additius, multiplicatius i
mixtes.
Aproximaci moderna o estocstica. Es considera que els valors que
constitueixen una srie temporal sn realitzaci dun procs estocstic.
Processos estocstics i sries temporals
Denici: Un procs estocstic s una collecci de variables aleatries
ordenada segons un determinat ndex (t).
En el cas de lanlisi de sries temporals, es considerar la notaci:
x
1
, x
2
, x
3
, . . . , x
T
= x
t
T
t=1
x
, . . . , x
1
, x
0
, x
1
, x
2
, . . . , x
= x
t
per designar processos estocstics.

Habitualment lndex t ser discret, ats que les observacions de qu es
disposar faran referncia a moments discrets del temps.
Distinci entre procs estocstic i srie temporal: una srie temporal
s la realitzaci dun procs estocstic.
Caracteritzaci dun procs estocstic
La denici de procs estocstic s molt mplia:
No simposa conixer la llei de probabilitat que el regeix
No sindica quines propietats ha de complir en relaci als moments ni
a la seva memria
En Econometria s que es requereix restringir el conjunt de processos
estocstics amb qu es treballa (cal garantir unes certes propietats pels
estimadors).
Condicions sobre els processos estocstics: Estacionarietat
i Ergodicitat
Una manera de descriure un procs estocstic s mitjanant la seva
funci de distribuci de probabilitat.
El Teorema dExistncia de Kolmogorov (1933) arma que si es
compleixen dues condicions de regularitat (simetria i compatibilitat)
el possible descriure el procs estocstic a partir duna distribuci
nita de les seves realitzacions:
F (x
t
1
, . . . , x
t
n
) ,
per qualsevol valor de n i t.
Problema: Per a cada moment del temps, t, noms disposem duna nica
realitzaci (n = 1). Aix fa que es restringeixi el conjunt de processos
estocstics amb qu es treballa
Supsits a introduir: Estacionarietat i Ergodicitat.

Concepte destacionarietat
Tenim dues denicions destacionarietat:
1
Estacionarietat forta o en sentit estricte. Requereix que la funci de
distribuci conjunta del procs estocstic no depengui del temps:
F (x
1
, x
2
, . . . , x
T
) = F (x
1+h
, x
2+h
, . . . , x
T+h
)
= F (x
1h
, x
2h
, . . . , x
Th
) \h = 1, 2, . . .
2
Estacionarietat dbil, de segon ordre o en covarincies. Requereix
que els moments de primer i segon ordre no depenguin del temps:
E (x
t
) = E (x
t+h
) = <
V (x
t
) = V (x
t+h
) =
2
<
Cov (x
t
, x
s
) = Cov (x
t+h
, x
s+h
) =
k
< , k = [t s[
El concepte destacionarietat en sentit estricte s difcil de comprovar a la
prctica pel que la situaci habitual ser centrar-se en el concepte
destacionarietat dbil.
Implicaci econmica de les denicions destacionarietat:
Estacionarietat forta: implica que les caracterstiques del procs
estocstic no varien quan es prenen perodes histrics diferents.
Situaci irreal en lentorn de lanlisi econmica, ats que les
condicions socio-econmiques canvien molt duna poca a una altra.
Estacionarietat dbil: els moments de primer i segon ordre sn
constants.
1
Qu passa amb les variables que presenten tendncia?
2
Qu passa amb lheteroscedasticitat (en sries temporals)?
Si en economia les variables acostumen a ser no estacionries, per qu
precisem conixer les condicions que deneixen els processos
estacionaris?
1
Els mtodes economtrics que sapliquen estan en funci daquesta
distinci.
2
Mitjanant transformacions senzilles de les variables originals s
possible obtenir processos estacionaris = Aix no est exempt de
crtiques i problemes!!
Concepte dergodicitat
La denici destacionarietat en sentit dbil que hem vist anteriorment
implica conixer els moments de primer i segon ordre. El problema s que
habitualment noms es disposar duna nica realitzaci de mida T del
procs.
Per exemple, hom pot concebre la srie dinaci de leconomia catalana
entre 1980-2000 com una nica realitzaci del procs estocstic:
(1)
1980
,
(1)
1981
,
(1)
1982
, . . . ,
(1)
2000
.
Si es torns enrera en la histria i haguessin canviat alguns fets, la srie
dinaci podria resultar diferent:
(2)
1980
,
(2)
1981
,
(2)
1982
, . . . ,
(2)
2000
.
La rplica de lexpermient n-vegades ofereriria n-sries temporals:
(j )
1980
,
(j )
1981
,
(j )
1982
, . . . ,
(j )
2000
,
j = 1, . . . , n.
A partir daquestes n-rpliques es podria estimar lE (
t
) per a cada any:

1980
= n
1
n
j =1
(j )
1980
.
Aquesta situaci no es troba a la prctica en economia. Llavors, com es
pot determinar lesperana del procs? Hom podria emprar la mitjana
mostral:
x = T
1
T
t=1
x
t
com a estimador de E (x
t
). Per, es pot assegurar que
x
p
E (x
t
) ,
s a dir que x convergeix en probabilitat cap a la mesura E (x
t
)?
Denici: Es diu que un procs estocstic s ergdic si es possible estimar
de manera consistent les seves caracterstiques a partir duna realitzaci
seva.
En concret, hom dir que x
t
s un procs ergdic per a lesperana si es
compleix:
x
p
E (x
t
) , (1)
quan T .
De la mateixa manera, hom dir que x
t
s un procs ergdic per a les
covarincies si es compleix:
(T k)
1
T
t=j +1
(x
t
) (x
tj
)
p
j
, (2)
quan T .
Quina altra propietat sest fent servir quan sestableixen (1) i (2)?
Funcions dautocovarincia i autocorrelaci
Podem destacar dues nalitats per les funcions dautocovarincia i
autocorrelaci:
1
Constitueixen un instrument important per caracteritzar els processos
estocstics, ats que informen sobre el grau de dependncia que
mostra cada membre de la srie temporal respecte dels altres.
2
Ajuden a la identicaci, estimaci i validaci de models de sries
temporals.
Funcions dautocovarincia i autocorrelaci
Ambdues funcions es fonamenten en el concepte dautocovarincia
Lautocovarincia dordre k dun procs estocstic es deneix com:
k
= Cov (x
t
, x
t+k
)
= E [(x
t
E (x
t
)) (x
t+k
E (x
t+k
))] . (3)
La funci dautocovarincia sobt en calcular lexpressi (3) per als
diferents valors de k = 0, 1, 2, . . . i mesura la dependncia lineal entre
els valors dun mateix procs estocstic.
Funcions dautocorrelaci simple (FAS)
Ats que les autocovarincies depenen de les unitats de mesura dx
t
, es
convenient denir les autocorrelacions dordre k mesura
estandarditzada de les autocovarincies:
k
=
Cov (x
t
, x
t+k
)
_
Var (x
t
)
_
Var (x
t+k
)
=

k
0
, (4)
ja que en els processos estacionaris Var (x
t
) = Var (x
t+k
) =
0
. La
funci dautocorrelaci simple (FAS) sobt en calcular les
autocorrelacions per a diferents valors de k = 0, 1, 2, . . . i mesura la
correlaci lineal entre els valors dun mateix procs estocstic.
Propietats de la FAS:
Simetria, ats que Cov (x
t
, x
t+k
) = Cov (x
tk
, x
t
) =
k
=
k
1 _
k
_ 1, \k = 0, 1, 2, . . ., amb
0
= 1
Es deneix el correlograma de la FAS com el grc que relaciona els
valors de k (eix dabcises) amb els valors de
k
(eix dordenades).
Lestimaci de la FAS empra els moments mostrals de les autocorrelacions

k
=

Tk
t=1
(x
t
x) (x
t+k
x)
_
T
t=1
(x
t
x)
2
_
Tk
t=1
(x
t+k
x)
2
=

Tk
t=1
(x
t
x) (x
t+k
x)
T
t=1
(x
t
x)
2
ja que Var (x
t
) = Var (x
t+k
) =
0
pels processos estacionaris en sentit
dbil.
Lespecicaci, estimaci i validaci dels models de sries temporals es
fonamenta en la determinaci del nombre de coecients
dautocorrelaci estadsticament signicatius.
Per poder fer una anlisi de signicaci sobre els coecients

dautocorrelaci sutilitza el segent resultat: Sota la hiptesi nulla que
k
= 0, k = 0, 1, 2, . . ., llavors

k
~ N
_
0,
1
T
_
.
Daquesta manera, s possible establir les bandes de conana del 95%
com
_
2
_
T
,
2
_
T
_
a on situar les estimacions de
k
.
Quan
k
surti de les bandes de conana es conclour que aquest s
signicatiu.
Exemple: Procs AR(1)
x
t
= 0.5 x
t1
+u
t
,
amb u
t
~ N (0, 1).
Figure: Procs AR(1) amb = 0.5
Funcions dautocorrelaci parcial (FAP)
Lautocorrelaci parcial mesura la correlaci lineal que existeix entre dos
membres del procs estocstic per exemple, entre x
t
i x
t4
una vegada
sha descomptat la inuncia dels membres intermitjos - en el nostre cas,
els elements x
t1
, x
t2
i x
t3
.
Denim la variable x
t
= (x
t
x), llavors el primer coecient
dautocorrelaci parcial
11
sobt en estimar:
x
t
=
11
x
t1
+
t
. (5)
El segon coecient de la FAP,
22
, sobt en estimar:
x
t
=
21
x
t1
+
22
x
t2
+
t
, (6)
de manera que
22
mesura la correlaci entre x
t
i x
t2
un cop sha
controlat per x
t1
.
El tercer coecient de la FAP,
33
, sobt en estimar:
x
t
=
31
x
t1
+
32
x
t2
+
33
x
t3
+
t
, (7)
de manera que
33
mesura la correlaci entre x
t
i x
t3
un cop sha
controlat per x
t1
i x
t2
.
Aquest procs de formulaci de regressions continuar ns a un determinat
valor, en general, complir que k _
T
4
.
Lestimaci de les equacions (5) a (7) proporcionar una estimaci de les
correlacions parcials. El grc que relaciona els valors de k respecte els
valors de
kk
, k = 0, 1, 2, . . . rep el nom de correlograma de la FAP.
Caracterstica de la FAP:
El primer coecient de la FAP coincideix sempre amb el de la FAS, ja
que no hi ha retards intermitjos.
A ligual que succea amb els coecients de la FAS, sota la hiptesi
nulla que
kk
= 0 sestableix asimptticament que
kk
~ N
_
0,
1
T
_
,
de manera que s possible denir les bandes de conana aproximades
al 95% com
_
2
_
T
,
2
_
T
_
Exemple de procs estocstic: Soroll blanc
Sigui x
t
T
t=1
un procs estocstic soroll blanc. Per denici
x
t
~ iid
_
0,
2
_
, de manera que els moments de primer i segon ordre sn:
Esperana, E (x
t
)
E (x
t
) = E (x
t+h
) = E (x
th
) = 0 \h = 1, . . . ,
Varincia, V (x
t
)
V (x
t
) = E (x
t
E (x))
2
= E
_
x
2
t
_
=
2
\t
Covarincies, Cov (x
t
, x
s
)
Cov (x
t
, x
s
) = E [(x
t
E (x)) (x
s
E (x))]
= E (x
t
x
s
) = 0 \t, s; t ,= s
Exemple de procs estocstic: Soroll blanc
Com es pot comprovar, E (x
t
), V (x
t
), i Cov (x
t
, x
s
) no depenen del
temps, per tant, compleixen el requisit que exigeix lestacionarietat en
sentit dbil, de segon ordre o en covarincies.
Un procs soroll blanc sobre el qual a ms sassumeix una distribuci de
probabilitat normal es coneix amb el nom de procs gaussi.
Exemple de procs estocstic: Cam aleatori
Sigui x
t
T
t=1
un procs estocstic donat per
x
t
= x
t1
+
t
, (8)
amb
t
~ iid
_
0,
2
_
i x
0
= 0. Es diu que x
t
T
t=1
s un cam aleatori
simple.
El polinomi autoregressiu t una arrel dins del cercle de radi unitat
(1 L) = 0 =L = 1,
de manera que caldr concloure que el procs estocstic x
t
no s
estacionari en sentit dbil. Abans, notem que (8) es pot escriure de
manera alternativa com:
x
t
= x
t1
+
t
x
t
= x
t2
+
t
+
t1
,
. . .
x
t
= x
0
+
t1
j =0
tj
=
t1
j =0
tj
,
suposant, per simplicitat, que x
0
= 0.
Clcul dels moments de primer i segon ordre:
Esperana, E (x
t
)
E (x
t
) = E
_
t1
j =0
tj
_
= 0,
Varincia, V (x
t
)
V (x
t
) = V
_
t1
j =0
tj
_
=
2
t,
ats que E (
t
s
) = 0, \t, s; t ,= s.
Covarincies, Cov (x
t
, x
s
). Comprovem el cas especc Cov (x
t
, x
t1
)
Cov (x
t
, x
t1
) = E
__
t1
j =0
tj
__
t2
j =0
t1j
__
= E
__
t
+
t2
j =0
t1j
__
t2
j =0
t1j
__
= E
_
_
_
t2
j =0
t1j
_
2
_
_
=
2
(t 1) .
En general, Cov (x
t
, x
s
) = min t, s
2
.
El procs cam aleatori donat per (8) s un procs estocstic:
estacionari en mitjana (no depn del temps)
no estacionari en varincia ni covarincies (s que sn funci del
temps)
Per tant, incompleix dues de les condicions denides anteriorment, i el

procs s no estacionari en sentit dbil.
Notes:
El polinomi autoregressiu cont una arrel unitria (la soluci pertany
al cercle de radi unitat).
(1 L) x
t
=
t
=(1 L) = 0 =[L[ = 1
Un cam aleatori simple s un procs que un cop diferenciat es
transforma en un procs soroll blanc

Trans Tema 1

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Trans Tema 1

Uploaded by

Copyright:

Available Formats

Models univariants de sries temporals (I): Conceptes

per designar processos estocstics.

Supsits a introduir: Estacionarietat i Ergodicitat.

Lautocovarincia dordre k dun procs estocstic es deneix com:

Per poder fer una anlisi de signicaci sobre els coecients

Per tant, incompleix dues de les condicions denides anteriorment, i el

You might also like