http://www.seh-lelha.org/tseries.htm http://www.uam.

es/personal_pdi/economicas/anadelsur//pdf/Box-Jenkins.PDF http://www.slideshare.net/gleandro/principios-de-econometria-arima

La mayoría de las series no requieren más de dos operaciones de diferencias u órdenes. Una función ACF con pico alto inicial y posiblemente en el segundo retraso y una función PACF con picos altos en los primeros atrasos que decaen a cero indica un proceso de promedio móvil. Estimar los parámetros. Hacer pronósticos de ser necesario. Primero. Usar Stat> Time Series >Differencespara obtener las diferencias.10 El método ARIMA Ajusta el modelo ARIMA de Box Jenkins a una serie de tiempo.  . Examinar la función de autocorrelación (ACF) para ver si las autocorrelaciones no decaen. decidir si los datos son estacionarios. no hay necesidad de diferencias adicionales.La palabra ARIMA significa Modelos Autorregresivos Integrados de Medias Móviles. examiner las funciones ACF y PACF de los datos estacionarios de manera de identificar que modelo autorregresivo o de promedio móvil se sugiere. Si los picos de la ACF decaen rápidamente. Es decir si los datos poseen media y varianza constante. Examinar las funciones ACF y PACF de las serie de datos diferenciada.   Examinar la gráfica de serie de tiempo para si es necesaria una transformación para tener varianza constante. Una indicación de sobre diferenciación de una serie es que la primera autocorrelación es cercana a -0. Verificar la adecuación del modelo. 4.5 y pequeños valores dondequiera.  Una función ACF con picos altos iniciales que decaen a cero o una función PACF con picos altos en el primero y posiblemente en el segundo atraso indica un proceso autorregresivo. representa pasos de filtraje hasta que solo haya ruido aleatorio. 2. indicando que se pueden requerir diferencias para dar una media constante. Un patrón de estacionalidad que se repite cada k-ésimo intervalo de tiempo sugiere tomar una diferencia k-ésima para eliminar una porción del patrón. con Stat> Time Series >Autocorrelation y Stat> Time Series >PartialAutocorrelation. se usa para generar pronósticos. 1. De acuerdo a Box y Jenkins para ajustar un modelo ARIMA a una serie de tiempo proponen un método iterativo que incluye:     Identificar el modelo aplicando el juicio del analista. Después.

poner el número en la celda apropiada. Si hay picos altos. considerar cambiar el modelo. Si se pone 2 en la celda MovingAverage en Seasonalel modelo incluirá términos de primero y segundo orden de promedios móviles. 3. después de tomar una diferencia de 12. Ejemplo de ARIMA Las gráficas de autocorrelación(ACF) y de autocorrelación parcial (PACF) sugieren un modelo de autoregresivo de orden 1 o AR(1). o o Para especificar los parámetros del modelo de promedios móviles y autoregresivo incluyendo el modelo estacional o no estacional ARIMA. analizando las gráficas y la bondad de ajuste. Para tomar una diferencia estacional de orden 12. Si se requiere una diferencia estacional de K como el periodo de estacionalidad. Instrucciones de Minitab .  Ajustar el modelo y examinar la significancia de los parámetros y seleccionar un modelo que tenga el mejor ajuste. Si las funciones ACF y PACF tienen pico altos que gradualmente caen a cero indican que los procesos de promedios móviles y autoregresivo están presentes. continuar con el procedimiento de ARIMA. Una vez que se ha identificado uno o más de los modelos a utilizar. seleccionar un valor de 0 a 5. con esto se realiza el pronóstico. La mayoría de modelo sólo requieren dos parámetros. seleccionar Includeconstantterm in model. sin picos altos. se tomará la diferencia k-ésima. o Si se desea un modelo estacional (intervalo en que se repite el patrón) seleccionar Fitseasonalmodel e introducir el periodo (default 12). Ahora se corre el modelo. usando las gráficas de ARIMA. Checar que las funciones ACF y PACF de residuos indiquen un proceso aleatorio. se especificó el periodo estacional de 12 y el orden de la diferencia 1. Al menos uno de esos parámetros no debe ser cero. o Para incluir la constante en el modelo.  o Para especificar el número de diferencias estaciónales o no estaciónales a tomar.

641 0.2092 0. 5 Seleccionar Graphs.1 Worksheet EMPLOY.550 0. after differencing 48 Residuals: SS = 51.733 0.000 Constant 0.410 4 52.1520 1. 6 OK en cada cuadro de diálogo.702 2 64.2226 0. 4 Seleccionar Fitseasonalmodel.768 * .1095 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 11.261 5 52.2343 0.400 0. En Period poner 12 en Nonseasonal.3 19. 3 En Series.31 0. poner 1 en Difference. 1 seasonal of order 12 Number of observations: Original series 60.556 3 56.42 0.2092 0.250 0. En Seasonal.1578 0.2092 0.5568 0.216 6 52.338 0. 2 Stat> Time Series > ARIMA.743 0.700 0.5317 0.200 9 52. ARIMA Model: Food Estimates at each iteration Iteration SSE Parameters 0 95.0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0.1001 7.7434 0.100 0. poner 1en Autoregressive.203 7 52.4345 0.847 1 77.201 8 52. Seleccionar ACF of residuals yPACF of residuals.7 * DF 10 22 34 * P-Value 0.743 0.MTW.2100 0. poner Food.741 0.743 0.1 27.200 Relative change in each estimate less than 0.0364 (backforecasts excluded) MS = 1.196 Differencing: 0 regular.1996 0.

1095) se usa para comparar el ajuste de diferentes modelos ARIMA. como regla si t es mayor a 2 se puede juzgar el parámetro como significativo diferente de cero. El modelo AR(1) tiene un estadístico t de 7. En el ejemplo anterior se encontró que un modelo AR(1) con una diferencia estacional de 12 da un buen ajuste para el sector de Food de los datos de empleo.Interpretación de resultados El modelo ARIMA converge en 9 iteraciones. asumiendo que el valor 9 es aleatorio). Los residuos no parecen estar correlacionados como se muestra en las gráficas (estan dentro de los intervalos de confianza. El modelo AR(1) parece ser adecuado para pronosticar.42. Ahora se puede pronosticar esta estimación para los siguientes 12 meses. El MSE (1. .

poner 1en Autoregressive.2100 0.1 27.42 0. En Period poner 12 en Nonseasonal.1095 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 11.31 0.2092 0.847 1 77. after differencing 48 Residuals: SS = 51.338 0.7 * DF 10 22 34 * P-Value 0.216 6 52.100 0. poner 1 en Difference.743 0.556 3 56. OK en cada cuadro de diálogo.2092 0.2226 0.768 * .1996 0.200 9 52.261 5 52.3 19.410 4 52.4345 0. enLead.0364 (backforecasts excluded) MS = 1.743 0.1001 7.7434 0.203 7 52. Seleccionar Time series plot.2343 0.MTW. En Seasonal.2092 0. poner 12 . ARIMA Model: Food Estimates at each iteration Iteration SSE Parameters 0 95. Paso 2: Mostrar la Gráfica de serie de tiempo 1 Seleccionar Graphs.733 0. Generar los pronósticos 1 Seleccionar Forecast.200 Relative change in each estimate less than 0.250 0. OK.196 Differencing: 0 regular.741 0.5317 0.550 0.702 2 64.Corrida de ARIMA para pronósticos: Paso 1. Correr el modelo ARIMA sin gráficas de ACF y PACF de los residuos Instrucciones de Minitab 1 Worksheet EMPLOY.5568 0.700 0. 4 Seleccionar Fitseasonalmodel.201 8 52.1578 0.400 0. 3 En Series.000 Constant 0.0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0. 1 seasonal of order 12 Number of observations: Original series 60. 2 Stat> Time Series > ARIMA.743 0. Paso 3. poner Food.641 0.1520 1.

8328 52.4121 54.3191 71 61.2360 64.1089 77.4240 61.3605 65 55.1827 71. .4770 62 55.5981 53.4809 58.3210 58.3472 58.1527 70.4357 70 67.5100 55.Forecasts from period 60 95 Percent Limits Period Forecast Lower Upper Actual 61 56.8394 66 59.1711 63 55.2359 64.0244 62.8261 58.0674 56.8390 53.1104 67 69.3558 73.9559 72.2760 79.2565 69 76.0251 58. usando el modelo AR(1) la estacionalidad domina el perfil de pronósticos para los próximos 12 meses con los valores pronosticados ligeramente mayores que los 12 meses previos.0188 65.4060 72 58.0243 58.6537 64 55.4207 52.0817 68 74.5960 Interpretación de resultados El modelo ARIMA proporciona pronósticos con bandas de confianza en 95%.