Professional Documents
Culture Documents
Trans Tema 1
Trans Tema 1
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 2 / 32
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
(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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 9 / 32
Concepte dergodicitat
A partir daquestes n-rpliques es podria estimar lE (
t
) per a cada any:
1980
= n
1
n
j =1
(j )
1980
.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 10 / 32
Concepte dergodicitat
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
)?
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 11 / 32
Concepte dergodicitat
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)?
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 12 / 32
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 13 / 32
Funcions dautocovarincia i autocorrelaci
Ambdues funcions es fonamenten en el concepte dautocovarincia
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 14 / 32
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 15 / 32
Funcions dautocorrelaci simple (FAS)
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).
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 16 / 32
Funcions dautocorrelaci simple (FAS)
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 17 / 32
Funcions dautocorrelaci simple (FAS)
Lespecicaci, estimaci i validaci dels models de sries temporals es
fonamenta en la determinaci del nombre de coecients
dautocorrelaci estadsticament signicatius.
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
.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 18 / 32
Funcions dautocorrelaci simple (FAS)
Quan
k
surti de les bandes de conana es conclour que aquest s
signicatiu.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 19 / 32
Funcions dautocorrelaci simple (FAS)
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
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 20 / 32
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
.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 21 / 32
Funcions dautocorrelaci parcial (FAP)
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
.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 22 / 32
Funcions dautocorrelaci parcial (FAP)
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 23 / 32
Funcions dautocorrelaci parcial (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
_
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 24 / 32
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
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 25 / 32
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 26 / 32
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 27 / 32
Exemple de procs estocstic: Cam aleatori
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 28 / 32
Exemple de procs estocstic: Cam aleatori
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.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 29 / 32
Exemple de procs estocstic: Cam aleatori
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
.
Carrion-i-Silvestre (UB) Models univariants de sries temporals 13/09 30 / 32
Exemple de procs estocstic: Cam aleatori
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)