Análisis de series temporales: Modelos ARIMA

ISBN: 978-84-692-3814-1

María Pilar González Casimiro

04-09

An´lisis de Series Temporales: Modelos ARIMA a
Pilar Gonz´lez Casimiro a Departamento de Econom´ Aplicada III (Econometr´ y Estad´ ıa ıa ıstica) Facultad de Ciencias Econ´micas y Empresariales o Universidad del Pa´ Vasco (UPV-EHU) ıs

Contenido
1. Introducci´n o 2. Procesos estoc´sticos a 2.1. Proceso estoc´stico y serie temporal . . . . . . . . . . . . . . . . . . . . . . . . . a 2.2. Caracter´ ısticas de un proceso estoc´stico . . . . . . . . . . . . . . . . . . . . . . . a 2.3. Procesos estoc´sticos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . . a 2.3.1. Funci´n de autocovarianzas y de autocorrelaci´n . . . . . . . . . . . . . . o o 2.3.2. Estimaci´n 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 M´viles: MA(q). . . . . . . . . . . . . . . . . . . . . . . . . . o 3.3.1. Proceso MA(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.2. Proceso MA(q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4. Procesos Autorregresivos de Medias M´viles: 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

. . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . Modelos ARIMA estacionales multiplicativos . Validaci´n del modelo . .2. Estimaci´n . . . . . . .1. . . . . . . . a 5. . . . . . . . . . . . 4. . . . . . . . . . . . o 5. . . . . . . . . . .1. . . .2. . . . . . An´lisis de estacionariedad . . . . . . o 5. Modelos ARIMA estacionales 7. . . . . . o 6. . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . .SARRIKO-ON 4/09 An´lisis 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. . . . . . Predicci´n con modelos no estacionarios. . . . . . . . . .4. . . 107 7. a 5. . . o 6. . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . 5. . Modelos ARMA estacionales no estacionarios . . . . . . . . . . . . . . . . . o 5. .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . Modelo de paseo aleatorio . .4. . . . . . . . . . . Predicci´n ´ptima con modelos ARIMA(p.1. . . . . Predicci´n con modelos MA(q). . Cuestiones . . . Modelizaci´n ARIMA estacional.3. . Modelo de paseo aleatorio con deriva . . . 137 ii .1. Problemas . . . . . . . 118 o 8. . . . . . . . . . . . . . Predicci´n con modelos ARMA(p. . . . .1. . . . . o 7. . . . . . . .2. . . . . . . . . . . Ejercicios 135 8. . . . . . . . . . . . . . . . . 135 8. . . . . . . . . . . . . . . . .2. Predicciones con modelos estacionarios estimados . . .3. . . . . . . . . . . . .4. . . . . . Modelos estacionales puros .1. . . . . 6. . . . . .1. Estrategia de modelizaci´n ARIMA . . . An´lisis de coeficientes estimados . . . . . . . . . . . . . . . . . . . . . . . . . q) o o 6. a 6. . . 109 7. . . . . . . . . . . . . . . . . . .2. . . . . . . . . Identificaci´n . . . . . o 5. . . . . . . . . . . 102 7.3. . .2. . .1. . .1. . Predicci´n con modelos AR(p) . . o 6. . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . Identificaci´n del modelo estacionario . . . . . . .2. . . . . . . . . . o 6. . . . . . . Modelizaci´n ARIMA o 5. . . . . . .1. . . . . d. . Predicci´n con modelos estacionarios . . .4. . . . . . o 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .q). . . . . An´lisis de residuos. . . . . . . .1. . . . .

los beneficios trimestrales. e temporal. en general. cantidad de lluvia ca´ ıa. cu´les son sus caracter´ a ısticas espec´ ıficas y por qu´ es necesario desarrollar m´todos e e espec´ ıficos para su an´lisis. actividad solar. las observaciones son dependientes entre s´ y la naturaleza de su dependencia es de inter´s en s´ misma ı e ı 1 . diarios de las acciones. este supuesto de independencia mutua se justifica por la atenci´n prestada o a diversos aspectos del experimento. velocidad del viento. As´ podemos pensar en series como los precios ı. En Demograf´ se estudian las series de Poblaci´n Total. etc. incluyendo la extracci´n aleatoria de la muestra de una o poblaci´n m´s grande. En general. los electrocardiogramas o electroencefalogramas. hemos de tener en cuenta. etc. el consumo mensual. u ımenes. ıda en una regi´n. la asignaci´n aleatoria del tratamiento a cada unidad experimental. En Astronom´ la ıa. En Medicina. vamos a comenzar definiendo qu´ se entiende por serie ıa.Cap´ ıtulo 1 Introducci´n o El objetivo de este documento es presentar un conjunto de t´cnicas para el an´lisis de series e a temporales en econom´ Por lo tanto. tasas de naıa o talidad. estos datos se presentan o o frecuentemente en forma de series temporales. etc. etc. sin embargo. o en Sociolog´ datos como el n´mero de cr´ ıa. En Metereolog´ tenemos series temporales de temperatura. etc. En Econom´ cuando buscamos datos para estudiar el comportamiento de ıa una variable econ´mica y su relaci´n con otras a lo largo del tiempo. que: • el orden es fundamental: tenemos un conjunto de datos ordenado • el supuesto de independencia no se sostiene ya que. en el caso de las series temporales. las exportaciones mensuales. o a o Adem´s en este tipo de datos (tomamos una muestra aleatoria simple de una poblaci´n m´s a o a grande) el orden de las observaciones no tiene mayor importancia. Ejemplos de series temporales las podemos encontrar en cualquier campo de la ciencia. En Marketing son de gran inter´s las series de ventas o e mensuales o semanales. Sin embargo. a Una serie temporal es una secuencia ordenada de observaciones cada una de las cuales est´ asociaa da a un momento de tiempo. La mayor´ de los m´todos estad´ ıa e ısticos elementales suponen que las observaciones individuales que forman un conjunto de datos son realizaciones de variables aleatorias mutuamente independientes.

sino lo que se a denomina serie desestacionalizada. por ejemplo. en promedio. De nuevo. el empleo crece en promedio suavemente. es decir. As´ a ı.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Consideremos algunos ejemplos de series temporales cuya evoluci´n es bastante habitual cuando o se trabaja con variables econ´micas. a pesar de que la inspecci´n visual de este gr´fico lleva a decir que n a o a el comportamiento general. al final de la muestra se puede observar que la serie estaba creciendo a una tasa muy fuerte a partir de finales de 2005 y que este ritmo se suaviza a partir de finales del a˜o 2007. el gr´fico refleja claramente el a n a efecto en el empleo de la crisis de comienzos de los a˜os 90 con un descenso espectacular en solo n dos a˜os. En el gr´fico 1. Es tambi´n una serie trimestral que a n e comienza el primer trimestre de 1961 y termina el cuarto trimestre de 1994. En el gr´fico no se presentan los datos brutos de la serie. Observando este gr´fico se puede concluir que la renta nacional de la UE ha seguido en este a periodo una evoluci´n continuamente creciente. o Ahora bien. la serie presenta una tendencia creciente.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 gr´fico 1.1 es la Renta Nacional de la Uni´n Europea (27 pa´ a o ıses miembros). la serie crece. tambi´n hay que se˜alar que el ritmo de crecimiento de la serie no siempre es el e n mismo.2 representa el empleo en el estado espa˜ol. Es una serie mensual que comienza el mes de enero de 1990 y termina 2 . el tercer trimestre de 2001 o el tercer trimestre de 2003. En este caso el comportamiento de la serie es muy variable. se pueden aislar momentos espec´ ıficos en que la renta nacional decrece. hasta el a˜o 1967. principios de 1999. se observa una fuerte ca´ del empleo hasta el a˜o 1985 cuando comienza a recuperarse ıda n r´pidamente para estabilizarse en los a˜o 1988-90. De 1967 hasta principios de los n 80. la serie sin comportamiento estacional.3 podemos encontrar los Ingresos por turismo en el estado espa˜ol obtenidos de a n la Balanza de Pagos. Incluso m´s. no se puede decir que tenga un comportamiento a largo plazo ni creciente ni decreciente sino que est´ continuamente cambiando de nivel. la serie comienza a crecer t´ n ımidamente. Por ejemplo. es decir. Es una serie trimestral que comienza el primer trimestre de 1995 y finaliza el tercer trimestre de 2008. o Gr´fico 1. aunque con fuertes oscilaciones. Al final de la muestra. al principio de la muestra. El gr´fico 1. Con la crisis de 1980. de la serie es creciente.

An´lisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Gr´fico 1.2: Empleo en el Estado Espa˜ol 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 evoluci´n de esta serie, o resaltar´ ıamos, en primer lugar, que a largo plazo crece ya que en media el nivel de ingresos es superios al final de la muestra que al principio de la misma, es decir, la serie tiene una tendencia creciente. Pero esta variable presenta tambi´n un tipo de comportamiento c´ e ıclico que no observabamos en las dos anteriores. Analizando con m´s cuidado el gr´fico observamos que, a a dentro de cada a˜o, los picos m´s altos de los ingresos son siempre en verano (julio y agosto) n a y los m´s bajos en invierno. Por lo tanto, si queremos estudiar esta serie y predecirla hemos de a tener en cuenta todas sus caracter´ ısticas, incluyendo los ciclos que se observan con un periodo anual y que se donominan, estacionalidad. Gr´fico 1.3: Ingresos por turismo en el estado espa˜ol 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

3

SARRIKO-ON 4/09

An´lisis de Series Temporales: modelos ARIMA a

Debido a estas caracter´ ısticas especificas de los datos de series temporales se han de desarrollar modelos espec´ ıficos que recojan y aprovechen la dependencia entre las observaciones ordenadas de una serie temporal. El conjunto de t´cnicas de estudio de series de observaciones dependientes ordenadas en el tiempo e se denomina An´lisis de Series Temporales. El instrumento de an´lisis que se suele utilizar es a a un modelo que permita reproducir el comportamiento de la variable de inter´s. e Los Modelos de Series Temporales pueden ser: • Univariantes: s´lo se analiza una serie temporal en funci´n 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 n´mero de pieles de vis´n y rata almizclera capturadas en u o C´nada. Se sabe que existe una relaci´n v´ a o ıctima-depredador entre ambos animales lo que se supone que afecta a la din´mica de ambas series. La forma de reflejar estas interacciones a din´micas 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 relaci´n entre los pasados de las diversas series. o Estas interacciones din´micas tambi´n aparecen cuando construimos modelos multivariana e tes para variables econ´micas, tales como la renta, consumo e inversi´n que, c´mo es bien o o o sabido, influyen 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 an´lisis 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´ ındice 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´ ısicos. En este caso denotamos la serie temporal por Yt , t∈R

y contamos con un n´mero infinito 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 ıa sociales, se observan en tiempo discreto a intervalos iguales, aunque se puedan suponer generadas por alg´n 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

An´lisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Cada uno de los datos, Yt , puede representar o una acumulaci´n 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 flujo son aquellas que se miden respecto a un intervalo de tiempo. Por ejemplo, el consumo mensual de petr´leo. 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 m´todos de an´lisis de series temporales son, en general, los mismos para ambos tipos de e a variables, pero puede haber ocasiones en que la distinci´n sea de inter´s debido a las distintas o e caracter´ ısticas que tienen las observaciones. Los objetivos que se pueden plantear al analizar una serie temporal son muy diversos, pero entre los m´s importantes se encuentran: a a) Describir las caracter´ ısticas de la serie, en t´rminos de sus componentes de inter´s. Por e e ejemplo, podemos desear examinar la tendencia para ver cuales han sido los principales movimientos de la serie. Por otro lado, tambi´n el comportamiento estacional es de inter´s, e e y para algunos prop´sitos, nos puede interesar extraerlo de la serie: desestacionalizar. o Esta descripci´n puede consistir en algunos estad´ o ısticos resumen (media, varianza, etc.) pero es m´s probable que incluya una o m´s representaciones gr´ficas 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 funci´n, m´s que un simple n´mero, para se˜alar las caracter´ o a u n ısticas fundamentales de las series; por ejemplo, una funci´n µt en vez de un n´mero µ 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 t´rminos de los valores pasados de Yt , y/o de su posici´n con respecto ´ e o al tiempo (ning´n 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 m´s 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 proporcioıve; nan un punto de referencia con el que comprar el funcionamiento de otros modelos m´s a sofisticados. 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 ıa ıa estoc´sticas en que el futuro s´lo 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 distribuci´n 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 desviaci´n t´ o ıpica de las observaciones supone describir caracter´ ısticas 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 ´ informaci´n muestral de una manera sistem´tica. El uso sistem´tico de la informaci´n muestral o a a o pasa normalmente por la formulaci´n de modelos que pueden describir la evoluci´n de la serie. o o 5

o El instrumento fundamental a la hora de analizar las propiedades de una serie temporal en t´rminos de la interrelaci´n temporal de sus observaciones es el denominado coeficiente de aue o tocorrelaci´n que mide la correlaci´n. se puede estimar este coeficiente 6 . mide el grado de o asociaci´n lineal entre ambas variables y se define como: o ρxy = cov(x. o estacionalidad y ciclo. y at es la parte a aleatoria.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Los modelos utilizados para describir el comportamiento de las variables econ´micas de inter´s. Si ρxy = −1. . Este tipo de modelos que cae o racterizan las series como sumas o diferencias. Yt−1 . lo que ayudar´ a construir el modelo apropiado para los datos. ρxy . o Una vez que tenemos una muestra de las variables x e y. tambi´n denominada innovaci´n. . Son modelos param´tricos que tratan de obtener la representaci´n de la serie en t´rminos de la interrelaci´n temporal de sus elementos. el grado de asociaci´n lineal que existe entre o o o observaciones separadas k periodos. Yt−2 . La estimaci´n de tendencias y el ajuste estacional atraen mucho la ateno ci´n debido a su importancia pr´ctica para el an´lisis de series econ´micas. e o En los modelos de series temporales univariantes la P St se determina unicamente en funci´n de ´ o la informaci´n disponible en el pasado de la serie: o P St = f (Yt . de variables aleatorias o de las series resultantes. . o a a o e o Modelos ARIMA . es decir. Se basa en la idea de que una serie temporal puede ser considerada como la superposici´n de varios componentes elementales no observables: tendencia. Estos coeficientes de autocorrelaci´n proporcionan mucha o informaci´n sobre como est´n relacionadas entre s´ las distintas observaciones de una serie temo a ı poral. no o existe relaci´n lineal entre x e y. Fueron la base de e los procesos de medias m´viles y autorregresivos que han tenido un desarrollo espectacular tr´s o a la publicaci´n en 1970 del libro de Box-Jenkins sobre modelos ARIMA. fue propuesto por Yule y Slutzky en la d´cada de los 20. Si ρxy = 1. Yt−3 . existe relaci´n lineal perfecta y negativa entre x e y.) El an´lisis de series temporales se basa en dos nociones fundamentales: a Componentes no observados. Si ρxy = 0. existe relaci´n lineal perfecta y positiva entre x e o o y. o e siempre responden a la misma estructura: Yt = P St + at donde: P St = Parte sistem´tica o comportamiento regular de la variable. y) V (x)V (y) Este coeficiente no tiene unidades por definici´n y toma valores −1 ≤ ρxy ≤ 1. ponderadas o no. a Recordemos que el coeficiente de correlaci´n entre dos variables xt e 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. . YT como otra. se puede estimar la correlaci´n entre observaciones o o separadas por k intervalos. es decir. . . . . YT ) . o Si tenemos T observaciones Y1 . YT . grado de asociaci´n lineal. podemos crear (T −1) pares de observaciones (Y1 . el coeficiente de autocorrelaci´n de orden k. podemos definir la correlaci´n entre ambas variables Yt . . ¿Qu´ valores esperas para el coeficiente de correlaci´n muestral en estos casos? e o 7 . En general. o coeficiente de o o autocorrelaci´n de primer orden. Esta f´rmula se suele aproximar por: ´ o T −1 ¯ ¯ (Yt − Y )(Yt+1 − Y ) r1 = t=1 T ¯ (Yt − Y )2 t=1 El coeficiente r1 mide la correlaci´n. Si consideramos Y1 . entre observaciones sucesivas. .An´lisis de Series Temporales: modelos ARIMA a poblacional mediante su correspondiente coeficiente 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 coeficiente de correlaci´n se puede utilizar como instrumento para analizar la estructura de o correlaci´n existente entre las observaciones de una serie temporal Yt . . YT −1 como una variable y Y2 . . (YT −1 . . . Y2 ). como sigue: o T −k ¯ ¯ (Yt − Y )(Yt+k − Y ) rk = t=1 T ¯ (Yt − Y )2 t=1 Ejercicio 1. .1. se o o le denomina coeficiente de correlaci´n simple o coeficiente de correlaci´n serial. .

400 0. pero cada vez m´s peque˜os y valores de rk aproximadamente a n cero para k grande. La interpretaci´n del correlograma no es f´cil pero vamos a dar unas pistas o a al respecto.SARRIKO-ON 4/09 200 An´lisis 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 gr´fico de los coeficientes de autocorrelaci´n de orden k contra el retardo a o k. pero cuyas observaciones sucesivas est´n correlacionadas positivamente. para observaciones por debajo de la media). seguido de algunos coeficientes rk distintos de cero. El correlograma es de la siguiente forma: un valor relativamente alto de r1 . o Sea una serie sin tendencia.1) Correlaci´n a corto plazo. 8 . rk cualquier k = 0. es decir. Este gr´fico es muy util para interpretar el conjunto de los coeficientes de autocorrelaci´n de a ´ o una serie temporal. que oscila en torno a una media constante. (A) Si una serie es puramente aleatoria. para 200 variable Y 0 -200 -400 -30 -20 -10 0 10 20 30 variable X (B. una serie en la que a una observaci´n a o por encima de la media. le suele seguir otra o m´s observaciones por encima de la media (lo a mismo. entonces para valores de T grandes.

cambia continuamente de nivel. e 4 Correlogram of AR1 Autocorrelation 2 0 -2 -4 1000 1005 1010 1015 1020 1025 1030 1035 1040 1045 1050 Por ejemplo.052 -0. positivo porque las observaciones separadas dos periodos tienden a estar al mismo lado de la media. A lo largo del curso.556 0.101 0.448 0.128 0. (C) Si la serie contiene una tendencia.271 -0.117 0.133 0.350 0. el valor de r2 puede ser.277 0.138 -0. es decir. Esto es debido a que una observaci´n 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.014 0.143 0. 9 Autocorrelation 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 -0.882 0. sin embargo. 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.122 0. los valores de rk no van a decrecer hacia cero r´pidamente. presentan un correlograma que tambi´n suele alternar los signos de sus coeficientes.689 0.194 0.2) Correlaci´n a corto plazo.017 -0.035 AC .016 AC 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0.071 0.004 -0.003 -0.375 0.029 0.An´lisis 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.006 0.521 -0.097 0. se estudiar´ como para que el a correlograma sea informativo habremos de eliminar esta tendencia.207 0.716 0. si el valor de r1 es negativo.

174 0. Por ultimo.419 -0. el correlograma da de nuevo poca informaci´n porque lo domina el comportamiento c´ o ıclico presente en los datos.768 0.285 -0.0 0.175 0.935 0.682 AC . El cap´ o ıtulo 7 trata sobre la especificaci´n de los modelos de series o temporales adecuados a los datos estacionales.724 0.192 0.892 0.483 -0.095 -0.167 0.8 0.848 0.807 0. 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 0.172 -0.SARRIKO-ON 4/09 An´lisis 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 alg´n tipo de ciclo.672 0.2 1. r6 ser´ grande y negativo. Si eliminamos la variaci´n c´ o ıclica de los datos el correlograma podr´ ser m´s util.141 -0. el correlograma tambi´n presentar´ una oscilaci´n u e a o a la misma frecuencia.786 0.390 -0. En las series con un comportamiento c´ ıclico permanente. ıa a ´ Correlogram of AIRESTM 1.703 0. y r12 a ser´ grande y positivo. Por ejemplo.546 0.619 0.679 AC 10 Autocorrelation 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0.870 0. el correlograma va a reproducir el comportamiento c´ a ıclico presente en la serie.345 -0. Estos modelos se basan en la teor´ de los procesos estoc´sticos que se desarrolla en el cap´ ıa a ıtulo 2.9 0.469 -0.955 0.388 -0. ıa o o estimaci´n y contraste de diagn´sticos se explica detalladamente en el cap´ o o ıtulo 5 y el cap´ ıtulo 6 se dedica a la predicci´n.766 0.975 0.374 -0.536 0. En general.483 -0.3 1.607 0.198 -0.913 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. La metodolog´ de modelizaci´n ARIMA con las fases de identificaci´n.407 -0.137 0.423 -0.874 0. Los modelos ARMA estacionarios se explican con detalle en el cap´ ıtulo 3 y los modelos ARIMA no estacionarios en el cap´ ıtulo 4. para series mensuales.1 1.365 -0.187 -0.447 -0.469 0.438 -0.828 0.173 0.428 -0.184 -0. el cap´ ´ ıtulo 8 reune una colecci´n de o ejercicios para el trabajo propio del lector.744 0.

.Cap´ ıtulo 2 Procesos estoc´sticos a Una serie temporal univariante consiste en un conjunto de observaciones de una variable de inter´s. t. . Yt (ω0 ). . Un modelo de series temporales debe reproducir las caracter´ e ısticas de la serie. Yt−2 . . . t + 2. es decir. se puede a interpretar como una realizaci´n muestral de un proceso estoc´stico que se observa unicamente o a ´ para un n´mero finito de periodos. el modelo univariante de series temporales se formular´ en t´rminos de los valores pasados de Yt y/o su posici´n en relaci´n con el tiempo. Yt−1 . . . en general. podr´ pensar. t − 2. u 11 . . . Si contamos con T observaciones. 2. 2. Yt−2 . Yt+1 (ω0 ). ıa o Si se fija el tiempo. . Yt . con su distribuci´n de probabilidad univariante.1. . . . . . Yt+1 . una serie temporal. Yt . se tiene una realizaci´n del proceso. En el marco estad´ ıstico de los procesos estoc´sticos. . t = 1. T . t = . . . Yt−1 . Y2 . Proceso estoc´stico y serie temporal a Un proceso estoc´stico es una familia de variables aleatorias que. . consideraremos unicamente a ´ secuencias de variables aleatorias ordenadas en el tiempo. . una muestra o de tama˜o 1 del proceso formada por una muestra de tama˜o 1 de cada una de las variables n n aleatorias que forman el proceso: . o ´ . . . no existe un unico modelo para conseguir este modelo. . . t = 1. . . Ahora a e o o bien. . Yt+2 . est´n relacionadas a a entre s´ y siguen una ley de distribuci´n conjunta. . Yt+2 . Si se fija la variable aleatoria ω = ω0 . t = t0 . pero no tiene por qu´ ser as´ Se e ı. se tiene una variable aleatoria determinada de la secuencia. . Yt−1 (ω0 ). . . t − 1. . YT . . Yt+1 . Se denota por: ı o Yt (ω). . En este cap´ ´ ıtulo se va a estudiar la teor´ de procesos estoc´sticos para describir la estructura probabil´ ıa a ıstica de una secuencia de observaciones en el tiempo y para predecir. por ejemplo. o ´ {Yt }+∞ −∞ o ´ simplemente Yt Dado que el objetivo del libro es el an´lisis de series temporales. en una ordenaci´n de tipo espacial. . Yt . . . o Yt0 (ω). 2. . Yt+2 (ω0 ). t + 1. Yt−2 (ω0 ). T . Y1 . .

tn ). . Sin embargo. Yt2 . si se considera el consumo semanal de una determinada ´ clase de familias de una ciudad en un momento dado. ±1. . por lo tanto. y las funciones bivariantes correspondientes a todo par de variables aleatorias del proceso. tj ) . Ytj ]. . . 12 ∀t. una serie temporal es una sucesi´n de observaciones en la que o cada una de ellas corresponde a una variable aleatoria distinta. . a +∞ denotado por {Ct }−∞ . . una muestra es un conjunto de observaciones de una unica variable aleatoria y. Caracter´ ısticas de un proceso estoc´stico a Un proceso estoc´stico se puede caracterizar bien por su funci´n de distribuci´n o por sus a o o momentos. . cov(Yt Ys ) = E[Yt − µt ][Ys − µs ] = γt.. ±2.. ı. ±1. porque se cambiar´ a ıan las caracter´ ısticas de la serie que se quiere estudiar. ∀(ti .2. siendo n finito Momentos del proceso estoc´stico. no se puede alterar. Consumo Privado que se observa o a unicamente de 1996 a 2007. .. CN es un conjunto de N observaciones de una variable aleatoria consumo familiar. por ´ lo tanto. Para conocer la funci´n de distribuci´n de un proceso estoc´stico o o o o a es necesario conocer las funciones de distribuci´n univariantes de cada una de las variables o aleatorias del proceso.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a En este contexto. F [Yti . Ytn ]. en principio infinito. en la teor´ del muestreo ıa aleatorio. < ∞ t = 0. y la ordenaci´n de la sucesi´n de o o observaciones es esencial para el an´lisis de la misma. 2. Funci´n de distribuci´n. En resumen. t2 . la muestra tomada para N familias : C1 C2 C3 C4 . C ∼ (µ. Sin embargo. su orden es irrelevante. s (t = s) . . la serie temporal dada por los valores del consumo anuales publicados por la agencia estad´ ıstica correspondiente: C1996 C1997 C1998 C1999 C2000 C2001 C2002 C2003 C2004 C2005 C2006 C2007 es una realizaci´n del proceso estoc´stico. 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 − µt ]2 = σt . F [Yti ]. σ 2 ). As´ si se considera el proceso estoc´stico Consumo Privado. . ±2. .. e El primer momento de un proceso estoc´stico viene dado por el conjunto de las medias de todas a las variables aleatorias del proceso: E(Yt ) = µt < ∞. . Como suele ser muy complejo determinar las caracter´ a ısticas de un proceso estoc´stico a trav´s de su funci´n de distribuci´n se suele recurrir a caractea e o o rizarlo a trav´s de los dos primeros momentos. la funci´n de distribuci´n de un proceso estoc´stico incluye todas las funciones de o o a distribuci´n para cualquier subconjunto finito de variables aleatorias del proceso: o F [Yt1 . y todas las funciones trivariantes. . . ∀ (t1 . .s . ∀ti . t = 0. . .

. no se pueden utilizar para predecir. ∀ t b) Todas las variables aleatorias tienen la misma varianza y es finita. se les conoce como estacionariedad. Yt . Un proceso estoc´stico. En el primer caso. todas las variables aleatorias del proceso tienen la misma media y es finita: E(Yt ) = µ < ∞. . en cada momento de tiempo presentan un comportamiento diferente e inestable. a El concepto de estacionariedad se puede caracterizar bien en t´rminos de la funci´n de distribue o ci´n o de los momentos del proceso. Un proceso estoc´stico. es estacionario en covarianza si y solo si: a) Es estacionario en media.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Si la distribuci´n del proceso es normal y se conocen sus dos primeros momentos (medias. Ytn ] = F [Yt1 +k . a Estacionariedad en covarianza. . es preciso que los procesos estoc´sticos generadores de las series temporales tengan alg´n tipo a u de estabilidad. A estas condiciones que se les impone a los procesos estoc´sticos para que sean estables para predecir. La filosof´ que subyace en la teor´ de la predicci´n es siempre la misma: se aprende de las ıa ıa o regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Yt . la covarianza lineal entre dos variables aleatorias del proceso que 13 . o 2. . ∀ t c) Las autocovarianzas solo dependen del n´mero de periodos de separaci´n entre las variables u o y no del tiempo. Si. Estacionariedad estricta. . Si se quieren conseguir m´todos de predicci´n consistentes. se hablar´ de estacionariedad en sentido o a estricto y. e o a sino que es necesario que la estructura probabil´ ıstica del mismo sea estable en el tiempo. tn ) y k es decir. Por lo tanto.3. en el segundo. . si la funci´n de distribuci´n de cualquier conjunto finito de n variables aleatorias del o o proceso no se altera si se desplaza k periodos en el tiempo. es decir. Ytn +k ] ∀ (t1 . . . Yt2 . . es estacionario en sentido estricto si y a solo si: F [Yt1 . por el contrario. Procesos estoc´sticos estacionarios a En el an´lisis de series temporales el objetivo es utilizar la teor´ de procesos estoc´sticos para a ıa a determinar qu´ proceso estoc´stico ha sido capaz de generar la serie temporal bajo estudio con el e a fin de caracterizar el comportamiento de la serie y predecir en el futuro. . es decir. t2 . de estacionariedad de segundo orden o en covarianza. . o varianzas y covarianzas). el proceso est´ perfectamente caracterizado y se conoce su funci´n de a o distribuci´n. . no se puede utilizar cualquier tipo de proceso estoc´stico. Yt2 +k . la dispersi´n 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 − µ]2 = σY < ∞. es decir.

. en general. La pregunta relevante ahora es si las series econ´micas presentan. Una simple inspecci´n visual de muchas series temporales econ´micas. La serie de Recaudaci´n de pel´ o ıculas parece oscilar en torno a una media constante y. De todas formas. La serie de Ingresos por turismo tampoco refleja un comportamiento estacionario en media no s´lo 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. En las figuras del gr´fico 2. independientemente del momento concreto de e e tiempo al que est´n referidas e cov(Yt Ys ) = E[Yt − µ][Ys − µ] = γ|t−s| = γk < ∞. en primer lugar. o 2. por ejemplo. que la mayor´ de las series econ´micas no van a presentar ıa o comportamientos estacionarios. a pesar de ser mensual. se proceder´ a proponer modelos para los a procesos estoc´sticos estacionarios. Si un proceso estoc´stico es estacionario en covarianza y su distribuci´n es Normal. si se considera el proceso estoc´stico te´rico. Sin embargo. . por lo tanto. luego no seria estacionaria en varianza. Funci´n de autocovarianzas y de autocorrelaci´n o o En principio. .1. para luego pasar a analizar c´mo se puede a o generalizar este tipo de modelos para incluir comportamientos no estacionarios del tipo observado en las series econ´micas. 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. Se puede concluir. no tiene comportamiento estacional. o 14 . estacionalidades. Yt . un proceso estoc´stico es estacionario en covarianza si y solo si: a (1) E(Yt ) = µ < ∞ 2 V (Yt ) = σY < ∞ t = s γ|t−s| = γk < ∞ t = s (2) Cov(Yt Ys ) = Un proceso estoc´stico estacionario en covarianza est´ caracterizado si se conoce: a a µ. ±2. ∀k Por lo tanto.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a disten k periodos de tiempo es la misma que existe entre cualesquiera otras dos variables que est´n separadas tambi´n k periodos. permite o o comprobar que presentan cambios de nivel. . k = ±1.1 se observa. por lo que conviene definir una funci´n que las agrupe a todas. es estacioa o nario en sentido estricto. por lo que no son estacionarias en media. como la serie de Renta Nacional crece sistem´ticamente a a o como la serie de N´mero de parados cambia constantemente de nivel. un comportamiento o estacionario. que comienza en alg´n momento a o u del pasado lejano y acaba en un futuro indeterminado se pueden calcular un n´mero indefinido u de autocovarianzas.3. 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. tendencias crecientes. V (Yt ) y γk .

Caracter´ ısticas de la funci´n de autocovarianzas: o • Incluye la varianza del proceso para k = 0: γ0 = E[Yt − µ][Yt − µ] = V (Yt ) • Es una funci´n sim´trica: γk = E[Yt − µ][Yt+k − µ] = E[Yt − µ][Yt−k − µ] = γ−k o e La funci´n de autocovarianzas de un proceso estoc´stico recoge toda la informaci´n sobre la o a o estructura din´mica lineal del mismo. 1. k = 0. 2. en general. a por lo que. . . . 3.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 2. 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 0 salucílep ed nóicaduaceR )adazilanoicatsesed( 72EU lanoicaN atneR 5000000 4000000 3000000 2000000 1000000 0 sodarap ed oremúN . .1: Series temporales econ´micas 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 Funci´n de autocovarianzas (FACV) o La funci´n de autocovarianzas de un proceso estoc´stico estacionario es una funci´n de k (n´mero o a o u de periodos de separaci´n entre las variables) que recoge el conjunto de las autocovarianzas del o proceso y se denota por: γk . Pero depende de las unidades de medida de la variable. se suele utilizar la funci´n de autocorrelaci´n.

0 0. La funci´n de autocorrelaci´n se suele representar gr´ficamente por medio de o o a un gr´fico de barras denominado correlograma. o La funci´n de autocorrelaci´n de un proceso estoc´stico estacionario es una funci´n de k que o o a o recoge el conjunto de los coeficientes de autocorrelaci´n del proceso y se denota por ρk . por definici´n.0 a) 0.5 1. . a Gr´fico 2.0 2 4 6 8 10 12 14 16 18 20 -1. 3.0 4 6 8 10 12 14 16 18 20 -1.5 K -1.0 -0. ∀k.5 d) 0.2: Funciones de autocorrelaci´n a o 1.0 2 1. .SARRIKO-ON 4/09 Funci´n de autocorrelaci´n (FAC) o o An´lisis de Series Temporales: modelos ARIMA a El coeficiente de autocorrelaci´n de orden k de un proceso estoc´stico estacionario mide el grado o a de asociaci´n lineal existente entre dos variables aleatorias del proceso separadas k periodos: o ρk = cov(Yt Yt+k ) γk γk = =√ γ0 γ0 γ0 V (Yt ) V (Yt+k ) Por ser un coeficiente de correlaci´n. . 2. o o ρ0 = 16 γ0 =1 γ0 .5 -0. .0 2 1.5 -0.0 2 4 6 8 10 12 14 16 18 K 20 Las caracter´ ısticas de la funci´n de autocorrelaci´n de un proceso estoc´stico estacionario: o o a • El coeficiente de autocorrelaci´n de orden 0 es.0 -0. 1. k = o 0.. Por eso.5 K -1.5 0. no depende de unidades y |ρk | ≤ 1. a menudo.0 0.0 4 6 8 10 12 14 16 18 K 20 c) 0.0 b) 0. 1. no se o o le incluye expl´ ıcitamente en la funci´n de autocorrelaci´n.5 0.

b) Media. 1. Estimaci´n de los momentos o Los momentos poblacionales de un proceso estoc´stico estacionario se estiman a trav´s de los a e correspondientes momentos muestrales. . Se recomienda un m´ximo de T /3 . . . . Y2 . . 2. Si el proceso o que ha generado la serie (Y1 . b) y c) decrecen r´pidaa mente hacia cero conforme aumenta k: exponencialmente en los casos a) y b) y trunc´ndose a en el caso c).3. en el correlograma se representa o e γ0 la funci´n de autocorrelaci´n solamente para los valores positivos del retardo k. k = 1. varianza y funci´n de autocorrelaci´n: o o 2.2 muestran 4 correlogramas a a correspondientes a diferentes series temporales. ˆ ¯ ¯ (Yt − Y ) (Yt+k − Y ). Los correlogramas a). La funci´n de autocorrelaci´n va a ser el principal instrumento utilizado para recoger la eso o tructura din´mica lineal del modelo. . . en la pr´ctica. . o o La estimaci´n de los momentos poblacionales de un proceso estoc´stico proporciona otra raz´n o a o por la que es necesario imponer la restricci´n de estacionariedad de un proceso. o o • La funci´n de autocorrelaci´n de un proceso estoc´stico estacionario tiende a cero r´pidao o a a mente cuando k tiende a ∞. 2. k = 0. por lo tanto. los coeficientes de autocorrelaci´n del correlograma d) decrecen lentamente. K Aunque para el proceso estoc´stico te´rico se cuenta con un n´mero indefinido de autocovariana o u zas y coeficientes de autocorrelaci´n. 2. .2. Por el contrario. 3. 3. K k = 1. T ¯ a) Media: µ = Y = ˆ 1 T t=1 Yt T ˆ b) Varianza: γ0 ˆ = V (Y ) = 1 T t=1 ¯ (Yt − Y )2 T −k o ˆ c) Funci´n de Autocovarianzas: γk = d) Funci´n de Autocorrelaci´n: ρk = o o ˆ 1 T t=1 γk ˆ γ0 . de forma o lineal. Esto es debido a que cuanto a mayor sea k menos informaci´n hay para estimar ρk y la calidad de la estimaci´n es menor. cuando se dispone de una serie temporal finita de tama˜o o n T . k = 1. YT ) no fuera estacionario. . Son. por lo que no corresponden a una serie estacionaria. . . Por ello. como m´ximo se pueden estimar T − 1 coeficientes de autocorrelaci´n. 2. µ γ0 ρk . . . . . correlogramas correspondientes a series estacionarias. . Los gr´ficos de la figura 2. Para caracterizar un proceso estoc´stico estacionario por sus momentos existen dos opciones: a a) Media y funci´n de autocovarianzas: o µ γk .An´lisis de Series Temporales: modelos ARIMA a γ SARRIKO-ON 4/09 −k • Es una funci´n sim´trica: ρk = γk = γ0 = ρ−k . a o a se van a estimar muchos menos. pero. . ser´ preciso estimar T medias ıa 17 .

∀t Cov(at as ) = 0. 1). ±1. σ 2 ) . Se observa que la serie simulada oscila en torno a un nivel constante nulo con una dispersi´n constante y de forma aleatoria. tendr´ a a ıamos que estimar M medias m´s. k = 0 y γk = 0. etc. el proceso o ruido blanco es muy util en el an´lisis de series temporales porque es la base para la construcci´n ´ a o de los modelos ARIM A(p. De todas formas. varianza constante y covarianzas nulas.: E(at ) = 0. ∀t = s As´ un proceso ruido blanco. La soluci´n habitual a este tipo de problema o es buscar m´s datos pero. at ∼ RBN (0. Si a o a conseguimos una serie temporal m´s larga. o 2. sin ning´n patr´n de comporo u o tamiento. . ∀t V (at ) = σ 2 . .3 muestra una realizaci´n de tama˜o 150 de un proceso ruido blanco normal con a o n varianza unidad. es estacionario si la varianza σ 2 es finita con ı. d. Se denotar´ habituala mente por at . t = 0. en el caso de las series temporales. por ejemplo. 18 . k = 0 y y funci´n de autocorrelaci´n (FAC): o o γk = 1. como corresponde a la ausencia de correlaci´n en el tiempo entre sus observaciones. M varianzas m´s. k > 0 Gr´fico 2. esta soluci´n no es v´lida. por lo que no es de esperar que muchas series econ´micas presenten un o comportamiento que responda a una ausencia de correlaci´n temporal en el sentido de que lo o que ocurre hoy no tiene relaci´n lineal con lo sucedido en el pasado. con lo cual estar´ a a ıamos en la misma situaci´n. q).3: Realizaci´n de un proceso Ruido Blanco a o 3 2 1 0 -1 -2 -3 1020 1040 1060 1080 1100 1120 1140 El gr´fico 2.4. T varianzas diferentes. . µt . k > 0 γk = 0. σt . Proceso Ruido Blanco El proceso estoc´stico m´s sencillo es el denominado Ruido Blanco que es una secuencia de a a variables aleatorias de media cero. at ∼ RB(0. ±2.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a 2 diferentes. M observaciones m´s. funci´n de autocovarianzas (FACV): o γk = σ 2 . o Dado que la caracter´ ıstica fundamental de las series temporales es la dependencia temporal entre sus observaciones. lo que no es u posible contando con T observaciones solamente. y un gran n´mero de autocorrelaciones.

una o forma de trabajar es recoger informaci´n sobre el pasado de la variable. o En un modelo de series temporales univariante se descompone la serie Yt en dos partes. como el valor de Y en el momento t depende de su pasado. observar su evoluci´n o o en el tiempo y explotar el patr´n de regularidad que muestran los datos.1. por lo tanto. Es impredecible. su predicci´n es siempre cero. la serie temporal Y1 .Cap´ ıtulo 3 Modelos lineales estacionarios 3. Modelo Lineal General La metodolog´ de la modelizaci´n univariante es sencilla. La estructura de o dependencia temporal de un proceso estoc´stico est´ recogida en la funci´n de autocovarianzas a a o (FACV) y/o en la funci´n de autocorrelaci´n (FAC). . a partir de ´ste. 2. . ni con a la parte sistem´tica del modelo.) + at t = 1. . un o o a e modelo que reproduzca el comportamiento de la serie y se pueda utilizar para predecir. . y otra parte puramente aleatoria. en el mundo a o Normal. Yt−3 . La innovaci´n respecto al cono junto de informaci´n con el que se construye el modelo. es una parte aleatoria en la que sus o valores no tienen ninguna relaci´n o dependencia entre s´ La innovaci´n en el momento t no o ı. Dado que el objetivo es explicar el ıa o valor que toma en el momento t una variable econ´mica que presenta dependencia temporal. es decir. YT . una que recoge el patr´n de regularidad. . . Yt−2 . . un modelo te´rico capaz de describir su comportamiento ser´ o ıa: Yt = f (Yt−1 . . A la a o hora de construir un modelo estad´ ıstico para una variable econ´mica. Dada una serie temporal de media cero. o est´ relacionada. Este procedimiento se har´ operativo mediante los modelos ARMA que son una aproximaci´n a la a o estructura te´rica general. 19 . posiblemente o infinitos. En este contexto. es decir. ni con las innovaciones anteriores ni con las posteriores. Y2 . . La parte sistem´tica es la parte predecible con el conjunto de informaci´n que se utiliza para a o construir el modelo. donde se exige que el comportamiento de Yt sea funci´n de sus valores pasados. . o parte sistem´tica. . un ruido blanco. . el problema es formular o la parte sistem´tica de tal manera que el elemento residual sea una innovaci´n. 2. se trata de utilizar o o la informaci´n de estas funciones para extraer un patr´n sistem´tico y. o a denominada tambi´n innovaci´n: e o Yt = P St + at t = 1.

) at Π∞ (L) t = 1. 20 . Yt se ıa a n puede expresar como combinaci´n lineal de los valores pasados infinitos de Y m´s una innovaci´n o a o ruido blanco: Yt = π1 Yt−1 + π2 Yt−2 + π3 Yt−3 + . (3. 2.1) se puede escribir de forma m´s compacta en t´rminos del operador de retardos: a e Yt = (π1 L + π2 L2 + . . la teor´ de procesos estoc´sticos se˜ala que.2) Yt = at + ψ1 at−1 + ψ2 at−2 + ψ3 at−3 + . b) Que el proceso sea invertible. . .2) cumple la condici´n de estacionariedad si los par´metros del o a modelo satisfacen la siguiente restricci´n: o ∞ 2 ψi < ∞ i=1 Esta restricci´n implica que el valor presente depende de forma convergente de las innovaciones o pasadas.1) cumplen la siguiente restricci´n: o ∞ 2 πi < ∞ i=1 ∀t t = 1. . en el caso de los procesos estacionarios con distribuci´n normal y o media cero. . 2. De hecho. . . . bajo condiciones muy generales. . es decir. ) Yt + at −→ (1 − π1 L − π2 L2 − . es decir. . . es decir. el valor Yt se puede representar como la combinaci´n lineal del ruido blanco at y su o pasado infinito. la influencia de la innovaci´n at−k va desapareciendo conforme se aleja en el o pasado. que el presente dependa de forma convergente de su propio pasado lo que implica que la influencia de Yt−k en Yt ha de ir disminuyendo conforme nos alejemos en el pasado. . Es decir. . .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Dentro de los procesos estoc´sticos estacionarios se considerar´ unicamente la clase de procesos a a´ lineales que se caracterizan porque se pueden representar como una combinaci´n lineal de vao riables aleatorias. . luego el valor de Y en el momento t no puede depender de valores futuros de Y o de las innovaciones a.1) es: Yt = 1 at = Ψ∞ (L) at = (1 + ψ1 L + ψ2 L2 + . (3.1) El modelo (3. + at Las condiciones generales que ha de cumplir el proceso son: a) Que el proceso sea no anticipante. ) Yt = at −→ Π∞ (L) Yt = at Otra forma alternativa de escribir el modelo (3. Esta condici´n se cumple si los par´metros del modelo o a general (3. . El modelo (3. que el presente no venga determinado por el futuro.

Como en la pr´ctica se va a trabajar con series finitas. se obtiene: Π∞ (L) Yt φp (L) Yt = at θq (L) → φp (L) Yt = θq (L) at Por lo tanto. se puede aproximar un polinomio de orden ıa infinito mediante un cociente de polinomios finitos: Π∞ (L) φp (L) θq (L) donde φp (L) y θq (L) son polinomios en el operador de retardos finitos de orden p y q .2) son igualmente v´lidas para los procesos estoc´sticos o a a estacionarios siempre que se cumplan las dos condiciones antes mencionadas. − θq Lq ) at Yt = φ1 Yt−1 + φ2 Yt−2 + . o sea que el modelo sea no anticipante e invertible.2) de forma que tengan un n´mero finito de par´metros. . Acudiendo a la u a teor´ de polinomios. + φp Yt−p parte autorregresiva + at − θ1 at−1 − θ2 at−2 − .2). . Ser´ necesario simplificar las formulaciones del modelo a general (3.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Tanto la representaci´n (3. o • Representaci´n finita: o φp (L) Yt = θq (L) at (1 − φ1 L − φ2 L2 − . . . los modelos no van a poder expresar a dependencias infinitas sin restricciones sino que tendr´n que especificar una dependencia en a el tiempo acotada y con restricciones. bajo condiciones muy generales. − θq at−q parte medias m´viles o En este modelo finito. . de la innovaci´n contempor´nea y su pasado hasta el momento o a 21 . respectivamente: φp (L) = 1 − φ1 L − φ2 L2 − . . − φp Lp ) Yt = (1 − θ1 L − θ2 L2 − . . M A(∞): el valor presente de la vao o riable se representa en funci´n de todas las innovaciones presente y pasadas. . el valor de Yt depende del pasado de Y hasta el momento t − p (parte autorregresiva).1) y/o (3.1). todas igualmente v´lidas a bajo los supuestos se˜alados: n • Representaci´n puramente autorregresiva (3. o a o a • Representaci´n puramente de medias m´viles (3. . − φp Lp θq (L) = 1 − θ1 L − θ2 L2 − .1) como la (3. AR(∞): el valor presente de la variable o se representa en funci´n de su propio pasado m´s una innovaci´n contempor´nea.1). . . − θq Lq Sustituyendo en el modelo (3. . el modelo lineal general admite tres representaciones.

El modelo autorregresivo finito de orden p. hay que utilizar necesariamente la formulaci´n finita. . q).2). . + φp Yt−p + at • M A(q). 2. 22 at ∼ RB(0. Los modelos ARM A(p. .1). Deriva el modelo finito a partir del modelo (3. Proceso AR(1).2). Es preciso ser conscientes de que estamos tratando de modelar una realidad compleja y el objetivo es lograr un modelo parsimonioso y suficientemente preciso que represente adecuadamente las caracter´ ısticas de la serie recogidas fundamentalmente en la funci´n de autocorrelaci´n. . . comenzaremos por el modelo autorregresivo de orden 1. . 2. es decir. Ejercicio 3. 3. . q) de gran inter´s son: e • AR(p).1. AR(1). Este modelo se denomina Autorregresivo de Medias M´viles o o de orden (p.1)-(3. . AR(p) es una aproximaci´n natural al modelo lineal o general (3. Esta formulaci´n finita es una representaci´n m´s restringida que las representaciones o o a generales (3. el polinomio autoo o rregresivo es de orden 0: Yt ∼ AR(p) → Yt = at − θ1 at−1 − θ2 at−2 − . Yt−1 . − θq at−q Cuando el modelo es conocido se puede utilizar cualquiera de las tres representaciones dependiendo de los intereses. q). . Se obtiene un modelo finito simplemente truncando el modelo general: Yt = φ1 Yt−1 + φ2 Yt−2 + . es decir.3) . AR(p) y M A(q) son aproximaciones al o o modelo lineal general. . q). Si el modelo no es conocido y hay que especificarlo y estimarlo a partir de una serie temporal concreta.2.2. o Cuando se construye un modelo de series temporales univariante el objetivo no es conseguir el “verdadero” modelo. el polinomio de medias o m´viles es de orden 0: o Yt ∼ AR(p) → Yt = φ1 Yt−1 + φ2 Yt−2 + . Dos casos particulares del modelo ARM A(p. Comenzaremos por caracterizar sus funciones de autocorrelaci´n para o conocer sus propiedades y posteriormente utilizarlos para modelar series y predecir. . Procesos autorregresivos: AR(p).1. En el proceso AR(1) la variable Yt viene determinada unicamente por su valor pasado. y ´ la perturbaci´n contempor´nea. Modelo que s´lo presenta parte medias m´viles. σ 2 ) (3. + φp Yt−p + at t = 1. . at : o a Yt = φ Yt−1 + at t = 1. 3.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a t − q (parte medias m´viles). Modelo que s´lo presenta parte autorregresiva. y se denota por ARM A(p. Para estudiar sus caracter´ ısticas.

. es necesario que |φ| < 1 . es decir.. E(Yt−1 )2 = V (Yt−1 ) = V (Yt ) = γ0 por lo que: γ 0 = φ γ0 + σ 2 −→ (1 − φ2 ) γ0 = σ 2 −→ γ0 = σ2 1 − φ2 Para que el proceso sea estacionario. Yt−2 → Yt−1 → Yt → Yt+1 → Yt+2 ↑ ↑ ↑ ↑ ↑ at−1 at at+1 at+2 . para que el proceso sea estacionario es necesario que el par´metro φ = 1 . . . a) Estacionario en media: E(Yt ) = E(φ Yt−1 + at ) = φ E(Yt−1 ) Para que el proceso sea estacionario. Recu´rdese adem´s que suponemos que el proceso es no anticipante. varianza constante y finita. o 1.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 La estructura de correlaci´n temporal representada por el modelo AR(1) es como sigue: o .. la varianza ha de ser constante y finita: γ0 = E(Yt − E(Yt ))2 = E(φ Yt−1 + at − 0)2 = = φ2 E(Yt−1 )2 + E(at )2 + 2 φ E(Yt−1 at ) = φ2 V (Yt−1 ) + σ 2 + 0 Dada la estructura de autocorrelaci´n del proceso o E(Yt−1 at ) = E[(Yt−1 − 0)(at − 0)] = cov(Yt−1 at ) = 0 Bajo el supuesto de que el proceso es estacionario. lo que implica: E(Yt ) = φ E(Yt ) −→ (1 − φ) E(Yt ) = 0 −→ E(Yt ) = 0 =0 1−φ Por lo tanto. pero no en su pasado Para demostrar si el modelo AR(1) es estacionario para cualquier valor del par´metro φ es a preciso comprobar las condiciones de estacionariedad. es decir. el futuro no influye en el e a pasado. .. 1 23 . . la perturbaci´n at entra en el sistema en el momento t e influyendo en Yt y en su futuro.. at−2 . a b) Estacionario en covarianza: Para que el proceso sea estacionario. la media ha de ser constante y finita .

= φ γ0 = φ γ1 = φ γ2 . . la varianza es finita y el resto a de las autocovarianzas tambi´n lo son. la a funci´n de autocorrelaci´n decrece exponencialmente con k. 2. 24 . 3. es decir. = . se va aproximando a cero o o conforme k → ∞ pero no llega nunca a valer cero. . o Se puede concluir. . . o La funci´n de autocovarianzas de un proceso AR(1) estacionario es: o    γk =   σ2 1 − φ2 φ γk−1 k=0 k>0 Los coeficientes de autocorrelaci´n de un proceso estacionario AR(1) son: o ρk = φ γk−1 γk = = φ ρk−1 γ0 γ0 La funci´n de autocorrelaci´n de un proceso AR(1) estacionario es: o o 1 φ ρk−1 k=0 k>0 ρk = Se puede demostrar f´cilmente que la FAC de un AR(1) es una funci´n exponencial: a o ρ1 = φ ρ0 = φ ρ2 = φ ρ1 = φ2 ρ3 = φ ρ2 = φ3 . . . . Por lo que: ρk = φk k = 1. y adem´s dependen unicamente de los periodos de e a ´ separaci´n entre las variables y no del tiempo. si el par´metro autorregresivo es |φ| < 1 . por lo tanto. Por lo tanto. . Dado que para procesos estacionarios el par´metro en valor absoluto es menor que la unidad. . . la autocovarianza de orden k es: o γk = E(Yt − E(Yt ))(Yt−k − E(Yt−k )) = E(Yt Yt−k ) = E[(φ Yt−1 + at ) Yt−k ] = φ E(Yt Yt−k ) + E(at Yt−k ) = φ γk−1 Por lo que: γ1 γ2 γ3 . . que el proceso AR(1) es estacionario si y s´lo si |φ| < 1.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a En lo que se refiere a la funci´n de autocovarianzas. por lo que el proceso es estacionario.

2.1 muestran dos realizaciones de procesos AR(1) y sus correspondientes a correlogramas.3. Este comportamiento por rachas de la serie ser´ m´s pronunciado o persistente cuanto m´s se acerque el par´metro φ a a a a a la unidad.6 0. 1 − φL 25 .8 0.4 0. Ambas han sido simuladas en base a la misma realizaci´n del ruido blanco at . ¿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 = φ Yt−1 + at −→ (1 − φL) Yt = at −→ Yt = 1 at 1 − φL Como un cociente de polinomios es un polinomio infinito y.7 4 φ = -0.8 0. pero con rachas de observaciones por encima de o la media seguidas de rachas de observaciones por debajo de la media.4 -0.6 -0.6 -0.1: Procesos Autorregresivos de orden 1: AR(1) a φ = 0. φ = −0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 3.2 0 1 -0. Como era de esperar esto supone una serie que oscila en torno a cero (su media) con una dispersi´n estable.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0.4 -0.4 0.8 -1 -1 Las figuras del gr´fico 3. La serie correspondiente a esta estructura de autocorrelaci´n oscila en torno a cero (su media) con una dispersi´n estable. cruzando constantemente la media. o a Ejercicio 3. 1 = 1 + φ L + φ2 L2 + φ3 L3 + φ4 L4 + .1 con la del ruido blanco de la gr´fico 2.2 0. o por lo que s´lo se diferencian en el valor del par´metro autorregresivo. Para el proceso AR(1) de par´metro negativo.7 tiene todos los coeficientes de autocorrelaci´n positivos a o con decrecimiento exponencial.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0. en particular. o o pero con un comportamiento muy ruidoso.8 -0. Compara la evoluci´n de las realizaciones AR(1) del gr´fico 3. El correlograma del o a proceso AR(1) de par´metro φ = 0.7 .6 0. . . el correlograma presenta a un decrecimiento exponencial con coeficientes que alternan de signo.7 10 2 8 0 6 -2 4 -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.

.5) son las mismas que las del modelo (3.5) Las caracter´ ısticas del modelo (3. el modelo AR(1). o sino que tambi´n es una versi´n restringida del modelo general de medias m´viles (3.) at Yt = at + φ at−1 + φ2 at−2 + φ3 at−3 + φ4 at−4 + .3) se puede generalizar para representar procesos estoc´sticos estacionarios con a media distinta de cero: Yt = δ + φ Yt−1 + at t = 1. .4) Por lo tanto.5) es estacionario s´ y solo s´ |φ| < 1.2). . ya que si restamos la media la media a ambos lados del modelo (3. . en la e o o que los infinitos coeficientes ψi dependen de un s´lo par´metro φ. 2. at ∼ RB(0. o a El modelo (3. σ 2 ) (3.3):  σ2   1 k=0 k=0 1 − φ2 γk = ρk =  φ ρk−1 k>0  φ γk−1 k>0 Esto es l´gico. . . . 2 δ 1−φ δ + at = δ + φ Yt−1 − + at = 1−φ 1−φ 1−φ + at δ δ δ δ −φ + φ Yt−1 − + at = φ Yt−1 − 1−φ 1−φ 1−φ 1−φ donde Yt∗ = Yt − E(Yt ) con E(Yt∗ ) = 0 V (Yt ) γk (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) = γk (Y ∗ ) 26 . la media es constante y: (1 − φ) E(Yt ) = δ −→ E(Yt ) = δ <∞ 1−φ • La funci´n de autocovarianzas y la funci´n de autocorrelaci´n son las mismas que las del o o o modelo (3.5): o Yt − E(Yt ) = δ + φ Yt−1 − E(Yt ) + at Yt − δ 1−φ = δ + φ Yt−1 − = Por lo que2 : ∗ Yt∗ = φ Yt−1 + at .3) salvo por la media que no es nula.SARRIKO-ON 4/09 tenemos que: An´lisis de Series Temporales: modelos ARIMA a Yt = (1 + φ L + φ2 L2 + φ3 L3 + φ4 L4 + . Se puede demostrar que: ı ı • El modelo (3. no solo es una versi´n restringida del modelo lineal general (3.1). (3. • Media: E(Yt ) = E(δ + φ Yt−1 + at ) = δ + φ E(Yt−1 ) Si el proceso es estacionario.

El proceso autorregresivo de orden p. . Condiciones de estacionariedad. . se complica para modelos autorregresivos de orden mayor cuyos par´metros a han de satisfacer restricciones complejas para ser estacionarios. . . . φ2 .2. expresa Yt en funci´n de su pasado hasta el retardo t − p o y una innovaci´n contempor´nea: o a Yt = φ1 Yt−1 + φ2 Yt−2 + . .6) donde φp (L) recibe el nombre de polinomio autorregresivo y (φ1 .1. Modelo AR(1): Yt = φ Yt−1 + at ⇒ (1 − φL) Yt = at Polinomio autorregresivo: Ra´ ıces: 1 − φL = 0 ⇒ φ1 (L) = 1 − φL L= 1 φ 1 >1 φ ⇒ |φ| < 1 Condici´n de estacionariedad: o |L| = Modelo AR(2): Yt = φ1 Yt−1 + φ2 Yt−2 + at ⇒ (1 − φ1 L − φ2 L2 ) Yt = at Polinomio autorregresivo: Ra´ ıces: φ2 (L) = 1 − φ1 L − φ2 L2 ⇒ L1 . 2. . − φp Lp ) Yt = at −→ φp (L) Yt = at at ∼ RB(0. φp ) es el vector de par´metros autorregresivos. + φp Yt−p + at En t´rminos del operador de retardos. (3.2. a En primer lugar es preciso comprobar si el proceso AR(p) cumple las condiciones de estacionariedad para cualquier valor de los par´metros. . . Esta comprobaci´n que es relativamente sencilla para a o el modelo AR(1). Teorema: Un proceso autorregresivo finito AR(p) es estacionario s´ y solo s´ el ı ı modulo de las ra´ del polinomio autorregresivo φp (L) est´ fuera del circulo unidad. e (1 − φ1 L − φ2 L2 − .An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 3. σ 2 ) t = 1. L2 = φ1 ± φ2 + 4 × φ2 1 −2 × φ2 1 − φ1 L − φ2 L2 = 0 27 . . . El siguiente teorema proporciona condiciones necesarias y suficientes para que el modelo AR(p) sea estacionario. ıces a Ejemplo 3. Proceso AR(p).

. . las ra´ ıces son complejas de la forma 1 L1 . .Si el radicando es negativo. el modelo AR(p) se puede escribir como un medias a m´viles de orden infinito: o 1 φp (L) Yt = at → Yt = at = Ψ∞ (L) at = (1 + ψ1 L + ψ2 L2 + ψ3 L3 + .SARRIKO-ON 4/09 Condici´n de estacionariedad: o |L1 | = φ1 + φ2 + 4 × φ2 1 >1 −2 × φ2 An´lisis de Series Temporales: modelos ARIMA a y |L2 | = φ1 − φ2 + 4 × φ2 1 >1 −2 × φ2 ¿C´mo se calcula el modulo de estas ra´ o ıces? . el modelo (3. + φp Yt−p + at ) = = φ1 E(Yt−1 ) + φ2 E(Yt−2 ) + . . 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.1) ya que supone que todos los o par´metros πi = 0. .2). φp ) . . Por lo tanto.6) es tambi´n una versi´n restringida del modelo e o lineal general (3. (φ2 + 4 × φ2 ) < 0 . es no anticipante porque su formulaci´n hace depender al valor de Yt de su pasado y no o de su futuro y es invertible porque su formulaci´n finita hace que se cumpla obligatoriamente la o condici´n o ∞ 2 πi < ∞ i=1 El modelo AR(p) (3. . por lo tanto. + φp E(Yt−p ) + E(at ) 28 . (φ2 + 4 × φ2 ) > 0 . donde los par´metros ψi est´n restringidos a depender del vector de par´metros autorregresivos a a a (φ1 . . cumple estas dos condiciones para cualquier valor de los par´metros autorregresivos ya que. Por otro lado. . AR(p). est´ escrito en forma autorregresiva. . φ2 . por definici´n. . ∀i > p . . es que el modelo fuera no anticipante e invertible. Es a o a decir.Si el radicando es positivo. . Las caracter´ ısticas del proceso estacionario AR(p) estacionario son: a) Media: E(Yt ) = E(φ1 Yt−1 + φ2 Yt−2 + .) at φp (L) Yt = at + ψ1 at−1 + ψ2 at−2 + ψ3 at−3 + . tambi´n e el AR(p) como aproximaci´n al mismo. o Todo modelo autorregresivo finito.6) es una versi´n restringida del modelo (3. las ra´ son reales y el modulo es el valor ıces 1 absoluto.

− φp b) La funci´n de autocorrelaci´n. El siguiente modelo AR(p): Yt = δ + φ1 Yt−1 + φ2 Yt−2 + . 2. Consideremos el modelo autorregresivo de orden 2 estacionario: Yt = φ1 Yt−1 + φ2 Yt−2 + at at ∼ RB(0. . 2. ρk . de un proceso AR(p) tiene la misma o o estructura que la de un proceso AR(1). Como el proceso es estacionario. . . Caracter´ ısticas del modelo AR(2). . es decir. . . la media es constante: (1 − φ1 − φ2 ) E(Yt ) = 0 b) Funci´n de autocovarianzas: o γ0 = E(Yt − E(Yt ))2 = E(Yt )2 = E(φ1 Yt−1 + φ2 Yt−2 + at )2 = = φ2 E(Yt−1 )2 + φ2 E(Yt−2 )2 + E(at )2 + 2 φ1 φ2 E(Yt−1 Yt−2 ) + 1 2 + 2 φ1 E(Yt−1 at ) + 2 φ2 E(Yt−2 at ) = φ2 γ0 + φ2 γ0 + σ 2 + 2 φ1 φ2 γ1 1 2 → → (1 − φ2 − φ2 ) γ0 = σ 2 + 2 φ1 φ2 γ1 1 2 γ0 = σ 2 + 2 φ1 φ2 γ1 1 − φ2 − φ2 1 2 → E(Yt ) = 0 γ1 = E(Yt − E(Yt ))(Yt−1 − E(Yt−1 )) = E(Yt Yt−1 ) = = E[(φ1 Yt−1 + φ2 Yt−2 + at ) Yt−1 ] = = φ1 E(Yt−1 )2 + φ2 E(Yt−2 Yt−1 ) + E(at Yt−1 ) = φ1 γ0 + φ2 γ1 → γ1 = φ1 γ0 1 − φ2 29 . + φp Yt−p + at tiene media: (1 − φ1 − φ2 − . . . σ 2 ) t = 1. k = 0. 1. − φp ) E(Yt ) = 0 → SARRIKO-ON 4/09 E(Yt ) = 0 Este modelo se puede generalizar para representar series con media distinta de cero. . .An´lisis de Series Temporales: modelos ARIMA a Como el proceso es estacionario. . (3. Ahora bien. decrece exponencialmente hacia cero sin truncarse.2. . e a a Ejemplo 3. para valores de p > 1 al ser el modelo m´s complejo. la estructura a de la FAC es tambi´n m´s rica y puede presentar m´s variedad de formas. . . la media es constante: (1 − φ1 − φ2 − . − φp ) E(Yt ) = δ → E(Yt ) = δ 1 − φ1 − φ2 − .7) Las caracter´ ısticas de este proceso son las siguientes: a) Media.

8 0.2 0.6 0. la funci´n de o autocorrelaci´n es una funci´n que decrece exponencialmente con todos los coeficientes positivos o o o con alternancia de signos. ∀k > 1 son: γk = E(Yt − E(Yt ))(Yt−k − E(Yt−k )) = E(Yt Yt−k ) = = E[(φ1 Yt−1 + φ2 Yt−2 + at ) Yt−k ] = = φ1 E(Yt−1 Yt−k ) + φ2 E(Yt−2 Yt−k ) + E(at Yt−k ) = φ1 γk−1 + φ2 γk−2 La funci´n de autocovarianzas de un modelo AR(2) es.8 -0.8 0.2 0.2 -0.4 -0.2 -0. 2.2 muestra diferentes estructuras de funciones de autocorrelaci´n para modelos AR(2) a o estacionarios. γ1 en funci´n de o 2 .4 -0.6 -0.4 -0. φ2 ) y de σ a Las autocovarianzas.8 -1 -1 1 1 0.2 -0.2 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.6 -0. 0.4 0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Estas dos ecuaciones proporcionan las dos primeras autocovarianzas. o   γ0   γ1 γk =    φ1 γk−1 + φ2 γk−2 c) Los coeficientes de autocorrelaci´n son: o ρk = γk φ1 γk−1 + φ2 γk−2 = = φ1 ρk−1 + φ2 ρk−2 γ0 γ0 k = 1. γk .8 0.8 -0. por lo tanto: k=0 k=1 k>1 La funci´n de autocorrelaci´n de un modelo AR(2) es: o o ρk = 1 φ1 ρk−1 + φ2 ρk−2 k=0 k>0 Gr´fico 3. Si las ra´ del polinomio autorregresivo ıces son complejas entonces la funci´n de autocorrelaci´n decrece exponencialmente hacia cero pero o o con forma de onda seno-coseno. γ0 .6 0.6 -0.6 0. Cuando las ra´ ıces del polinomio autorregresivo φ2 (L) son reales. .4 0. . los par´metros autorregresivos (φ1 .6 0. la varianza del ruido blanco. como para el modelo AR(1).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 -0.4 0.8 El gr´fico 3.8 -1 -1 30 .2: Procesos Autorregresivos de orden 2 a 1 1 0. .6 -0.4 -0.4 0. 3.2 -0.

2.1. . Proceso MA(1). σ 2 ) Para estudiar sus caracter´ ısticas. o El modelo de medias m´viles de orden finito q. . el modelo M A(1) es estacionario en media para todo valor del par´metro θ. Sin embargo. Yt−2 ↑ . − θq at−q at ∼ RB(0. Esto es debido a que. permaneciendo su influencia en el sistema un periodo e m´s largo. a . . at−2 Yt−1 ↑ at−1 Yt ↑ at Yt+1 ↑ at+1 Yt+2 ↑ at+2 . σ 2 ) t = 1.3.. . en un proceso ´ autorregresivo la perturbaci´n at aparece en el sistema en el momento t .An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 3. es una aproximaci´n natural al modelo o o lineal general (3. como se puede observar en la estructura de correlaci´n temporal del modelo M A(1) representada en el o esquema siguiente. . El modelo M A(1) determina el valor de Y en el momento t en funci´n de la innovaci´n contemo o por´nea y su primer retardo: a Yt = at − θ at−1 at ∼ RB(0. .. influye en Yt y a o trav´s de Yt en las observaciones futuras.. a a) Estacionario en media: E(Yt ) = E(at − θ at−1 ) = 0 Por tanto. Vamos a comprobar si el modelo M A(1) cumple las condiciones de estacionariedad para cualquier valor del par´metro θ. . comenzaremos por el m´s sencillo. mientras que o a los autorregresivos se les denomina procesos de memoria larga. la perturbaci´n at aparece en el sistema en el momento t e influye en Yt o e Yt+1 unicamente. M A(1). por lo que su memoria es de un solo periodo.8) Los procesos de medias m´viles se suelen denominar procesos de memoria corta. Procesos de Medias M´viles: MA(q). (3. M A(q)..3. el modelo medias m´viles a o de primer orden. . . 3. a b) Estacionario en covarianza: γ0 = E(Yt − E(Yt ))2 = E(Yt )2 = E(at − θ at−1 )2 = = E(at )2 + θ2 E(at−1 )2 − 2 θ E(at at−1 ) = σ 2 + θ2 σ 2 − 0 γ0 = (1 + θ2 ) σ 2 < ∞ 31 .2). Se obtiene un modelo finito por el simple procedimiento de truncar el modelo de medias m´viles de orden infinito: o Yt = at − θ1 at−1 − θ2 at−2 − . .

γk . a La funci´n de autocorrelaci´n de un proceso M A(1) o o  1     −θ ρk =  1 + θ2    0 es: k=0 k=1 k>1 La funci´n de autocorrelaci´n de un proceso M A(1) se caracteriza por ser una funci´n truncada o o o que sufre un corte bruco tomando el valor cero a partir del retardo 1. Las autocovarianzas. a Por lo tanto. ρ1 . En cuanto a las a o series generadas con estos modelos.3 recoge dos realizaciones de los siguientes procesos M A(1) con sus funciones de a autocorrelaci´n correspondientes: o (a) Yt = at + 0. es o o positivo o negativo dependiente del signo del par´metro de medias m´viles.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Es decir.8 at−1 (b) Yt = at − 0. para cualquier o o valor del par´metro θ. El coeficiente de autocorrelaci´n. El gr´fico 3. se nota que ambas oscilan en torno a la media cero con una 32 . se puede concluir que no es necesario poner restricciones sobre el valor del par´metro θ para que el modelo M A(1) sea estacionario.5 at−1 Se puede observar que ambas funciones de autocorrelaci´n se truncan en el primer retardo como o corresponde a un proceso medias m´viles de orden 1. k > 0: γ1 = E(Yt − E(Yt ))(Yt−1 − E(Yt−1 )) = E(at − θ at−1 )(at−1 − θ at−2 ) = = E(at at−1 ) − θ E(at−1 )2 − θ E(at at−2 ) + θ2 E(at−1 at−2 ) = − θ σ 2 < ∞ γ2 = E(Yt − E(Yt ))(Yt−2 − E(Yt−2 )) = E(at − θ at−1 )(at−2 − θ at−3 ) = = E(at at−2 ) − θ E(at−1 at−2 ) − θ E(at at−3 ) + θ2 E(at−1 at−3 ) = 0 La funci´n de autocovarianzas de un M A(1) es: o   γ0   γ1 γk =    γk = (1 + θ2 ) σ 2 = − θ σ2 =0 k=0 k=1 k>1 La funci´n de autocovarianzas es finita y depende s´lo de k y no del tiempo. la varianza del modelo M A(1) es constante y finita para cualquier valor de θ.

An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 3.4 0. θ.3: Procesos Medias M´viles de orden 1: MA(1) a o θ = 0.8 3 13 θ = -0.5 12 2 1 11 0 10 -1 9 -2 8 -3 1010 1 7 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. Esta representaci´n AR(∞) es restringida ya que. adem´s. los modelos de medias m´viles tambi´n se o o e pueden escribir de forma autorregresiva.4 0. es decir.2 0. o 33 .8 -1 -1 varianza constante y que la serie generada por el modelo (a) con par´metro positivo es m´s a a suave que la generada por el modelo (b) con par´metro negativo. Ahora bien. las condiciones de ser modelos no anticipantes a e invertibles.8 0.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.6 -0. .) Yt = at Yt = at + θ Yt−1 − θ2 Yt−2 + θ3 Yt−3 + .6 0. Adem´s.4 -0.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0. Escribiendo el modelo (3. Para que el modelo M A(1) sea invertible es preciso que su representaci´n autorregresiva sea convergente.6 0.8 -0. a Los modelos lineales tienen que cumplir.6 -0. ´ a o πi = (−θ)i . El modelo M A(1) es no anticipante porque el futuro no influye en el pasado. se tiene que: Yt = (1 − θL) at → 1 Y t = at 1 − θL → Π∞ (L) Yt = at (1 − θL + θ2 L2 − θ3 L3 + . . . En principio. . como sigue.8 0. todos los par´metros o a autorregresivos dependen del unico par´metro de medias m´viles del modelo.8) en t´rminos del operador e de retardos. como se puede observar. Estas condiciones se comprueban f´cilmente en modelos escritos de forma autorrea gresiva. un modelo de medias m´viles no parece estar o escrito de esta forma ya que Yt no depende directamente de las observaciones pasadas sino de la innovaci´n y de sus valores pasados. la representaci´n autorregresiva siempre es m´s intuitiva en el sentido de que a o a si el objetivo es predecir parece l´gico 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.2 0 1 -0.4 -0.

se puede escribir en forma autorregresiva.8). Si una a a perturbaci´n entra en el momento t . por lo que o si deseamos una representaci´n autorregresiva para el modelo. Proceso MA(q). y en valores posteriores hasta Yt+q .10) donde θq (L) se denomina polinomio de medias m´viles y (θ1 . . por lo tanto. . . a o El modelo (3. Siempre vamos a utilizar modelos invertibles porque de esta forma siempre se puede expresar el valor contempor´neo de Yt en funci´n de su pasado observado. en general. en este caso. − θq at−q En t´rminos del operador de retardos queda como sigue: e Yt = (1 − θ1 L − θ2 L2 − θ3 L3 − . de autocorrelaci´n.9) Este modelo tiene la misma funci´n de autocovarianzas y. σ 2 ) (3. por lo que el o modelo M A(1) no es siempre invertible sino que hay que poner restricciones sobre el valor del par´metro θ.2). en Yt+1 . Ahora bien. − θq Lq ) at → Yt = θq (L) at at ∼ RB(0. influye en Yt . . |θ| < 1 . o 34 . . a Bajo las condiciones de invertibilidad. no hace falta empezar por un o AR(p). es la aproximaci´n natural al modelo lineal geneo o ral (3. al introducir m´s retardos de la perturbaci´n en el modelo.3. a o la memoria aumenta y la estructura din´mica representada por el modelo es m´s rica. el modelo M A(1). El modelo medias m´viles finito de orden q. a o El modelo M A(q) es una generalizaci´n del modelo M A(1). .2. θq ) es el vector de o par´metros de medias m´viles. . θ3 . Esta condici´n se cumple si: o ∞ (−θi )2 < ∞ i=1 Para que se cumpla la condici´n anterior es necesario y suficiente que |θ| < 1 .8) se puede generalizar para representar procesos con media distinta de cero: Yt = δ + at − θ at−1 at ∼ RB(0. . que o o el modelo (3. ya que supone su truncamiento bajo el supuesto de que: ψi = 0 ∀i > q Este modelo expresa el valor de Yt en funci´n de la innovaci´n contempor´nea y de su pasado o o a hasta el retardo q: Yt = at − θ1 at−1 − θ2 at−2 − . θ2 . por lo tanto sus caracter´ o ısticas van a ser muy similares.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a que se cumpla que la influencia de Yt−k va siendo menor conforme nos alejamos en el pasado. y cualquier modelo de medias m´viles. La unica diferencia es que su media es distinta de cero: ´ E(Yt ) = E[δ + at − θ at−1 ] = δ 3. σ 2 ) (3.

An´lisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

Por lo tanto, la perturbaci´n at en un modelo M A(q) permanece q periodos en el sistema. Esta o memoria m´s larga del M A(q) se ver´ reflejada en la estructura de la funci´n de autocovarianzas a a o y / o autocorrelaci´n. o Vamos a comprobar si el modelo M A(q) es estacionario para cualquier valor de los par´metros a de medias m´viles. Para ello ser´ preciso comprobar si se cumplen las condiciones de estacionao ıa riedad. Pero teniendo en cuenta que el modelo medias m´viles finito de orden q no es m´s 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 condici´n de que la o sucesi´n de los par´metros del modelo es convergente: o a
∞ 2 ψi i=1 q

=
i=1

2 θi < ∞

Como el n´mero de par´metros de un M A(q) es finito, esta condici´n siempre se cumple y, por u a o lo tanto, todos los modelos de medias m´viles finitos son siempre estacionarios para cualquier o valor de sus par´metros. a El modelo de M A(q) (3.10) tiene media constante y cero, varianza constante y finita y su funci´n o de autocovarianzas est´ truncada a partir del retardo q, es decir, a ρk = ρk = 0 ρk = 0 k = 1, 2, . . . , q k>q

El modelo (3.10) se puede generalizar f´cilmente para representar modelos con media no nula: a Yt = δ + at − θ1 at−1 − θ2 at−2 − . . . − θq at−q at ∼ RB(0, σ 2 ) (3.11)

Ejemplo 3.3. Caracter´ ısticas del modelo M A(2). Consideremos el modelo de medias m´viles de orden 2: o Yt = at − θ1 at−1 − θ2 at−2 at ∼ RB(0, σ 2 )

Este proceso es estacionario para cualquier valor de θ1 , θ2 y sus caracter´ ısticas son: a) Media: E(Yt ) = E(at − θ1 at−1 − θ2 at−2 ) = 0

b) Funci´n de autocovarianzas, γk , k = 0, 1, 2, 3, . . .: o γ0 = E[Yt − E(Yt )]2 = E(Yt )2 = E(at − θ1 at−1 − θ2 at−2 )2 =
2 2 = E(at )2 + θ1 E(at−1 )2 + θ2 E(at−2 )2 − 2 θ1 E(at at−1 ) − 2 θ2 E(at at−2 ) + 2 2 2 2 + 2 θ1 θ2 E(at−1 at−2 ) = σ 2 + θ1 σ 2 + θ2 σ 2 = (1 + θ1 + θ2 ) σ 2

35

SARRIKO-ON 4/09

An´lisis de Series Temporales: modelos ARIMA a

γ1 = E[(Yt − E(Yt ))(Yt−1 − E(Yt ))] = E(Yt Yt−1 ) = = E[(at − θ1 at−1 − θ2 at−2 )(at−1 − θ1 at−2 − θ2 at−3 )] =
2 = E(at at−1 ) − θ1 E(at at−2 ) − θ2 E(at at−3 ) − θ1 E(at−1 )2 + θ1 E(at−1 at−2 ) + 2 + θ1 θ2 E(at−1 at−3 ) − θ2 E(at−1 at−2 ) + θ2 θ1 E(at−2 )2 + θ2 E(at−2 at−3 ) =

= −θ1 σ 2 + θ1 θ2 σ 2 = (−θ1 + θ1 θ2 ) σ 2 γ2 = E[(Yt − E(Yt ))(Yt−2 − E(Yt ))] = E(Yt Yt−2 ) = = E[(at − θ1 at−1 − θ2 at−2 )(at−2 − θ1 at−3 − θ2 at−4 )] = = E(at at−2 ) − θ1 E(at at−3 ) − θ2 E(at at−4 ) − θ1 E(at−1 at−2 ) +
2 + θ1 E(at−1 at−3 ) + θ1 θ2 E(at−1 at−4 ) − θ2 E(at−2 )2 + 2 + θ2 θ1 E(at−2 at−3 ) + θ2 E(at−2 at−4 ) = −θ2 σ 2

γ3 = E[(Yt − E(Yt ))(Yt−3 − E(Yt ))] = E(Yt Yt−3 ) = = E[(at − θ1 at−1 − θ2 at−2 )(at−3 − θ1 at−4 − θ2 at−5 )] = = E(at at−3 ) − θ1 E(at at−4 ) − θ2 E(at at−5 ) − θ1 E(at−1 at−3 ) +
2 + θ1 E(at−1 at−4 ) + θ1 θ2 E(at−1 at−5 ) − θ2 E(at−2 at−3 ) + 2 + θ2 θ1 E(at−2 at−4 ) + θ2 E(at−2 at−5 ) = 0

La funci´n de autocovarianzas de un M A(2) es: o  2 2  γ0 = (1 + θ1 + θ2 ) σ 2      γ1 = (−θ1 + θ1 θ2 ) σ 2 γk =  γ2 = − θ2 σ 2      γ =0 k La funci´n de autocorrelaci´n de un M A(2) es: o o  −θ1 + θ1 θ2  ρ  1 =  2 2  1 + θ1 + θ2   − θ2 ρk =  ρ2 = 2 2  1 + θ1 + θ2     ρk = 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 funci´n truncada en el retardo 2. Los coeficientes de o autocorrelaci´n, ρ1 , ρ2 , pueden ser positivos, negativos, o de distinto signo dependendiendo de o 36

1

1

0,8

0,8

0,6

0,6

0,4

0,4

An´lisis 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

Gr´fico 3.4: Procesos Medias M´viles de orden 2: MA(2) a o
-1 1 0,8

-0,8

1

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 par´metros autorregresivos. El gr´fico 3.4 muestra dos ejemplos de FAC de un a a M A(2). El modelo M A(q) (3.11) tiene tambi´n una representaci´n AR(∞) restringida: e o Yt = (1 − θ L − θ2 L2 − . . . − θq Lq ) at → → → 1 Yt = at 1 − θ L − θ2 L2 − . . . − θq Lq Π∞ (L) Yt = at → (1 + π1 L + π2 L2 + π3 L3 + . . .) Yt = at

Yt = at − π1 Yt−1 + π2 Yt−2 + π3 Yt−3 + . . .

Esta representaci´n AR(∞) es restringida ya que todos los par´metros autorregresivos, πi , o a dependen del vector de par´metros de medias m´viles del modelo (θ1 , θ2 , . . . , θq ) . a o El modelo M A(q) es no anticipante porque el futuro no influye en el pasado y ser´ invertible si a su representaci´n autorregresiva es tal que la influencia de Yt−k es menor conforme nos alejamos o en el pasado. Esta condici´n se cumple si: o
∞ 2 πi < ∞ i=1

Por lo tanto, el modelo M A(q) no es invertible para cualquier valor del vector de par´metros de a medias m´viles, sino que estos tendr´n 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 m´viles. El siguiente teorema proporciona condiciones necesarias y suficientes para el o un modelo de medias m´viles sea invertible. o Teorema: Un proceso de medias m´viles finito M A(q) es invertible s´ y solo s´ el o ı ı modulo de las ra´ ıces del polinomio de medias m´viles θq (L) est´ fuera del circulo o a unidad.

37

4. si es estacionario su representaci´n M A(∞) es o Yt = θq (L) at φp (L) → Yt = ψ∞ (L) at → Yt = at + ψ1 at−1 + ψ2 at−2 + ψ3 at−3 + .SARRIKO-ON 4/09 Ejemplo 3. de la innovaci´n contempor´nea y el pasado de la innovaci´n hasta el retardo q: o a o Yt = φ1 Yt−1 + . o El modelo (3. L2 = θ1 ± 2 θ1 + 4 × θ2 −2 × θ2 Condici´n de invertibilidad: o |L1 | = θ1 + 2 θ1 + 4 × φ2 >1 −2 × θ2 y |L2 | = θ1 − 2 θ1 + 4 × θ2 >1 −2 × θ2 Ejercicio 3. De hecho. − φp Lp ) Yt = (1 − θ1 L − . . . . 38 . σ 2 ) (3. . 3.1) como M A(∞) (3. Calcula la media y la varianza del modelo (3. o Los procesos autorregresivos de medias m´viles determinan Yt en funci´n de su pasado hasta el o o retardo p. . .2). Condiciones de invertibilidad.12) Este modelo se puede escribir en t´rminos del operador de retardos como sigue: e (1 − φ1 L − .4. + φp Yt−p + at + θ1 at−1 + . Procesos Autorregresivos de Medias M´viles: ARMA(p. . Modelo M A(1): Yt = at − θ at−1 ⇒ An´lisis de Series Temporales: modelos ARIMA a Yt = (1 − θL) at Polinomio medias m´viles: o Ra´ ıces: 1 − θL = 0 ⇒ θ1 (L) = 1 − θL L= 1 θ 1 >1 θ ⇒ |θ| < 1 Condici´n de invertibilidad: o |L| = Modelo M A(2): Yt = at − θ1 at−1 − θ2 at−2 ⇒ Yt = (1 − θ1 L − θ2 L2 ) at Polinomio de medias m´viles: o Ra´ ıces: 1 − θ1 L − θ2 L2 = 0 θ2 (L) = 1 − θ1 L − θ2 L2 ⇒ L1 . . . . + θq at−q at ∼ RB(0.12) es una aproximaci´n finita al modelo lineal general tanto en su forma AR(∞) o (3. − θq Lq ) at φp (L) Yt = θq (L) at donde φp (L) es el polinomio autorregresivo y θq (L) es el polinomio medias m´viles.11).q).3.

→ Yt−2 → Yt−1 → Yt → Yt+1 → Yt+2 → . como de la forma AR infinita. a ¿Es estacionario el modelo ARM A(p. at−2 at−1 at at+1 at+2 . Modelo ARM A(1. . q) es invero tible s´ y solo s´ el modulo de las ra´ del polinomio medias m´viles φp (L) est´ fuera ı ı ıces o a del circulo unidad. varianza constante y finita y una funci´n de autocovarianzas infinita.13) La estructura de dependencia temporal representada por este modelo es: . a Ejemplo 3. dado que la parte de medias m´viles finita siempre es estacionaria. a Las condiciones de estacionariedad del modelo ARM A(p. 2. . .5. . se estudia su representaci´n autorregresiva general. q) vienen impuestas por la parte autorregresiva. . θq . .. q) va a compartir las caracter´ ısticas de los modelos AR(p) y M A(q) ya que contiene ambas estructuras a la vez. σ 2 ) t = 1. φp .. o Teorema: Un proceso autorregresivo de medias m´viles finito ARM A(p. Consideremos el modelo ARM A(1. .. o Para comprobar si el modelo ARM A(p. est´n restringidos o a a depender del vector finito de par´metros ARMA: φ1 . Las condiciones de invertibilidad del modelo ARM A(p. . dado que la parte autorregresiva finita siempre es invertible porque est´ direco a tamente escrita en forma autorregresiva El modelo ARM A(p. . La funci´n de autocorrelaci´n es o o o infinita decreciendo r´pidamente hacia cero pero sin truncarse. . Tanto los pesos de la representaci´n M A infinita.. El modelo ARM A(p. (3. 1) en el Yt se determina en funci´n de su pasado hasta el o primer retardo.. . q) es no anticipante e invertible . 1). q) es eso tacionario s´ y solo s´ el modulo de las ra´ ı ı ıces del polinomio autorregresivo φp (L) est´ fuera del circulo unidad. . q) vienen impuestas por la parte de medias m´viles. φ2 . q) tiene media cero. . la innovaci´n contempor´nea y el pasado de la innovaci´n hasta el retardo 1: o a o Yt = φ Yt−1 + at − θ at−1 at ∼ RB(0. ↑ ↑ ↑ ↑ ↑ . θ2 . . .An´lisis de Series Temporales: modelos ARIMA a y si es invertible una representaci´n AR(∞) o φp (L) Yt = at θp (L) → π∞ (L) Yt = at → SARRIKO-ON 4/09 Yt = at + π1 Yt−1 + π2 Yt−2 + π3 Yt−3 + . q) para cualquier valor de sus par´metros? a Teorema: Un proceso autorregresivo de medias m´viles finito ARM A(p. 39 .. θ1 .

Para comprobar la estacionariedad. influye en todo el futuro del proceso.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a La memoria de este proceso es larga debido a la presencia de estructura autorregresiva. se calculan las ra´ ıces del polinomio medias m´viles: o 1−θL = 0 → L= 1 θ → |L| = 1 θ → |θ| < 1 Las caracter´ ısticas del proceso ARM A(1. La perturbaci´n at influye directamente en Yt y en Yt−1 . hay que tener en cuenta que: E(Yt−1 at−1 ) = E[(φ Yt−2 + at−1 − θ at−2 ) at−1 ] = E(at−1 )2 = σ 2 40 . a trav´s de la o e cadena de dependencia temporal de las Y . pero de forma indirecta. se calculan las ra´ ıces del polinomio autorregresivo: 1 − φL = 0 → L= 1 φ → |L| = 1 φ → |φ| < 1 Para comprobar la invertibilidad. 1) estacionario son: a) Media: E(Yt ) = E(φ Yt−1 + at − θ at−1 ) = φ E(Yt ) → b) Funci´n de autocovarianzas: o γ0 = E(Yt − E(Yt ))2 = E(Yt )2 = E(φ Yt−1 + at − θ at−1 )2 = = φ2 E(Yt−1 )2 + E(at )2 + θ2 E(at−1 )2 + 2 φ E(Yt−1 at ) − 2 φ θ E(Yt−1 at−1 ) − − 2 θ E(at at−1 ) = φ2 γ0 + σ 2 + θ2 σ 2 − 2 φ θ σ 2 = → γ0 = (1 + θ2 − 2 φ θ) σ 2 1 − φ2 (1 − φ) E(Yt ) = 0 → E(Yt ) = 0 = φ2 γ0 + (1 + θ2 − 2 φ θ) σ 2 γ1 = E(Yt − E(Yt ))(Yt−1 − E(Yt−1 )) = = E(Yt Yt−1 ) = E[(φ Yt−1 + at − θ at−1 ) Yt−1 ] = = φ E(Yt−1 )2 + E(Yt−1 at ) − θ E(Yt−1 at−1 ) = φ γ0 − θ σ 2 γ2 = E(Yt − E(Yt ))(Yt−2 − E(Yt−2 )) = E(Yt Yt−2 ) = = E[(φ Yt−1 + at − θ at−1 ) Yt−2 ] = = φ E(Yt−1 Yt−2 ) + E(Yt−2 at ) − θ E(Yt−2 at−1 ) = φ γ1 Para derivar los resultados siguientes.

5. 1) es: (1 + θ2 − 2 φ θ) σ 2 1 − φ2 φ γ0 − θ σ 2 φ γk−1 k=0 k=0 k>1 SARRIKO-ON 4/09 Como se puede observar.6 0. A partir del retardo 1.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0. 1) es: o o  2   ρ1 = φ − θ σ γ0 ρk =   ρk = φ ρk−1 k=0 k>1 La FAC presenta la misma estructura que la funci´n de autocovarianzas. hasta k = 1 y luego o a decrece exponencialmente. depende de los par´metros autorregresivos y de medias a m´viles. dependiendo ´sta s´lo de la estructura autorregresiva.4 0. otra que proviene de la parte autorregresiva y una tercera que es la intero acci´n entre ambas partes del modelo. o o a 41 . En el gr´fico 3. ρ1 .8 0.2 0 1 -0. las estructuras posibles para un ı ARM A(1.4 -0. o Gr´fico 3.An´lisis de Series Temporales: modelos ARIMA a La funci´n de autocovarianzas de un o    γ0 =    γk =  γ1 =     γk = ARM A(1. La funci´n de autocorrelaci´n de un ARM A(1.8 -0. La autocovarianza de orden 1. q) y concluir que su funci´n de autocorrelaci´n ser´ infinita. decrece exponencialmente. debido a la contribuci´n de la parte medias m´viles del modelo a o o en la determinaci´n del primer coeficiente. y M A. se observan dos ejemplos de funciones a de autocorrelaci´n de modelos ARM A(1. 1).1) a o 1 1 0.6 -0. γ1 . 1) son m´s variadas. se pueden genea ralizar para el modelo ARM A(p. φ.4 0. es decir. que depende de los par´metros AR.2 0.8 -1 -1 Los resultados obtenidos para el modelo ARMA m´s sencillo.5: Procesos Autorregresivo de Medias M´viles: ARMA(1. siguiendo la estructura marcada por la parte autorregresiva de primer orden. la parte medias m´viles del modelo no aparece de forma o expl´ ıcita en la FACV. la varianza cuenta con una parte que proviene de la parte de medias m´viles. 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).4 -0.6 0. pero a partir del retardo 2.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0. siguiendo la estructura dada o por la parte autorregresiva de orden 1. θ. Aunque o a las FAC que aqu´ se muestran son como las de un AR(1). Esta FACV es e o una funci´n infinita.8 0. el ARM A(1. es una funci´n o o infinita cuyo primer coeficiente. 1) para diferentes valores de los par´metros.6 -0.

− φp ) E(Yt ) = δ → E(Yt ) = δ 1 − φ1 − . si este polinomio tiene ra´ ıces complejas. . . .12) se puede generalizar para que su media no sea nula. + θq at−q at ∼ RB(0. . sus o o par´metros no aparecen de forma expl´ a ıcita en la FAC y est´ decrece r´pidamente hacia cero a a siguiendo la estructura marcada por la parte autorregresiva de orden p. Basta con a˜adir una constante al proceso estacionario: n Yt = δ + φ1 Yt−1 + . . . . q) (3. ρ1 . dependiendo de los par´metros autorregresivos y de a medias m´viles. la unica diferencia a ´ es que su media no es cero: E(Yt ) = E(δ + φ1 Yt−1 + . . . . . A partir del retardo q. .12). − φp 42 . + φp Yt−p + at + θ1 at−1 + . . El modelo ARM A(p. . ρq .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a con los q primeros coeficientes. . σ 2 ) Este modelo tiene las mismas caracter´ ısticas din´micas que el modelo (3. son reales. . es decir. + φp Yt−p + at + θ1 at−1 + . que es el orden de la parte media m´vil del modelo. φp (L) . + θq at−q ) → E(Yt ) = δ + φ1 E(Yt ) + . . como funciones exponenciales si todas las ra´ ıces del polinomio autorregresivo. o en forma onda seno-coseno. . + φp E(Yt ) → (1 − φ1 − .

No estacionariedad en varianza Cuando una serie no es estacionaria en varianza. es decir. la soluci´n es transformar o la serie mediante alg´n m´todo que estabilice la varianza. En estos o casos.Cap´ ıtulo 4 Modelos lineales no estacionarios Los modelos presentados en el cap´ ıtulo 3 se basan en el supuesto de estacionariedad en covarianza. El comportamiento habitual en las u e series econ´micas suele ser que la varianza cambie conforme el nivel de la serie cambia.1: Series temporales econ´micas a o salucílep ed nóicaduaceR 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. 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 . en procesos donde la media y la varianza son constantes y finitas y las autocovarianzas no dependen del tiempo sino s´lo del n´mero de periodos de separaci´n entre las o u o variables. suponemos que la varianza del proceso la podemos expresar como alguna funci´n del nivel: o V (Yt ) = k f (µt ) siendo k una constante positiva y f una funci´n conocida. bien ıa o porque suelen ir cambiando de nivel en el tiempo (serie Renta Nacional) o porque la varianza no es constante (serie Recaudaci´n de pel´ o ıculas).1. no se puede sostener el supuesto de que ha sido generada por un proceso con varianza constante en el tiempo. Gr´fico 4. El objetivo es conseguir alguna o funci´n que transforme la serie de forma que h(Yt ) tenga varianza constante. Pero la mayor´ de las series econ´micas no se comportan de forma estacionaria. es decir.

La varianza de la transformaci´n o h(Yt ) se puede aproximar como sigue: V [h(Yt )] = V h(µt ) + (Yt − µt ) h (µt ) = h (µt ) 2 V (Yt ) = h (µt ) 2 k f (µt ) Por lo tanto. la tecnoıa o log´ de la demograf´ etc.2. ıa ız En general. no evolucionan en a a torno a un nivel constante.1) no son estacionarias. para estabilizar la varianza se utilizan las transformaciones Box-Cox:   Ytλ − 1  λ=0 (λ) λ Yt =   ln(Yt ) λ=0 donde λ es el par´metro de transformaci´n. las transa o n formaciones Box-Cox no s´lo estabilizan la varianza sino que tambi´n mejoran la aproximaci´n o e o a la distribuci´n normal del proceso Yt . ıa si esla varianza de la serie Yt la que es proporcional a su nivel: f (µt ) = µt −→ 1 h(µt ) ha de cumplir que h (µt ) = √ µt =⇒ h(µt ) = √ µt y habr´ que tomar la ra´ cuadrada de la serie para obtener una varianza constante. ıa. La tendencia es o el movimiento a largo plazo de la serie una vez eliminados los ciclos y el t´rmino irregular. No estacionariedad en media. 44 . Es interesante se˜alar que. la transformaci´n logar´ o ıtmica proporcionar´ una varianza constante. usualmente.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a extensi´n de Taylor de primer orden alrededor de µt : o h(Yt ) h(µt ) + (Yt − µt ) h (µt ) donde h (µt ) es la primer derivada de h(Yt ) evaluada en µt . la funci´n h se ha de o o elegir de tal forma que: 1 h (µt ) = f (µt ) Si la desviaci´n t´ o ıpica de la serie Yt es proporcional a su nivel. ıa. En e econom´ esta tendencia se suele producir debido a la evoluci´n de las preferencias. Las series que presentan un comportamiento sistem´tico a de este tipo (ve´se la figura izquierda del gr´fico 4. Este comportamiento tendencial puede ser creciente o decreciente. Ahora bien. exponencial o aproximadamente lineal. Una de las caracter´ ısticas dominantes en las series econ´micas es la tendencia. se tiene que: f (µt ) = µ2 t −→ h(µt ) ha de cumplir que h (µt ) = 1 µt =⇒ h(µt ) = ln(µt ) Por lo tanto. para que la transformaci´n h(Yt ) tenga varianza constante. o 4.

(1 − L−1 L) p 1 2 Supongamos que (p − 1) ra´ ıces son estacionarias (con m´dulo fuera del c´ o ırculo unidad) y una de ellas es unitaria. un modelo ARM A(p. q): Φp (L) Yt = Θq (L) at donde el polinomio AR se puede factorizar en funci´n de sus p ra´ o ıces L1 .q). si un proceso no es estacionario en media tambi´n se puede modelar dentro de e la clase de modelos ARM A(p.. Entonces. Por otro lado. ) y o a ut es un proceso estoc´stico estacionario con media cero. Esta no es la evoluci´n temporal que se suele observar en series o econ´micas por lo que este tipo de no estacionariedad no es de inter´s en nuestro campo. Lp . cambios sistem´ticos de nivel. se puede reescribir como sigue: Φp (L) = (1 − L−1 L) (1 − L−1 L) . . mediante modelos globales en los que se a especifica la tendencia como una funci´n del tiempo: o Yt = Tt + ut donde Tt = f (t) . q) no es estacionario si las ra´ ıces de su polinomio AR no satisfacen la condici´n de estacionariedad. es decir. El comportaa) El m´dulo de alguna ra´ est´ dentro del c´ miento de las series generadas por estos procesos es explosivo. exponencial. Este tipo o ız de modelos genera comportamientos no estacionarios que no son explosivos. .. por lo que moı o delaremos series no estacionarias mediante modelos ARM A(p.1) . y se denominan modelos de tendencia determinista. Por ejemplo. si alguna de o sus ra´ ıces no est´ fuera del c´ a ırculo unidad: o ız a ırculo unidad: ∃ i | |Li | < 1. Li = 1. . cuadr´tica.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 La no estacionariedad en media se puede modelar de diferentes maneras. (1 − L−1 L) = ϕp−1 (L) (1 − (1)−1 L) p 1 2 Φp (L) = ϕp−1 (L) (1 − L) 45 (4. ız ız 4. Por un lado. . Supongamos el siguiente modelo ARM A(p. . o e b) El m´dulo de alguna ra´ es exactamente igual a la unidad: ∃ i | Li = 1. . . Este comportamiento s´ es el que observamos en series econ´micas.3. Φp (L) = (1 − L−1 L) (1 − L−1 L) . el modelo con tendencia a lineal ser´ ıa: Yt = a + bt + ut Estos modelos para la tendencia suponen que la serie evoluciona de una forma perfectamente predecible. es posible modelar tendencias. . salvo porque cambian de nivel. es una funci´n determinista del tiempo (lineal. crecen o decrecen a gran velocidad hacia infinito. sino que las realizaciones se comportan de forma similar a lo largo del tiempo. De hecho. q) no estacionarios porque tienen al menos una ra´ exactamente igual a la unidad.d. . Modelos ARIMA(p. el polinomio AR. L2 . denominada ra´ unitaria. q).

entonces se puede descomponer como: Φp (L) = ϕp−d (L) (1 − L)d y sustituyendo. q) estacionario e invertible. q) (4. contiene las d ra´ ıces unitarias no proceso Yt con estas caracter´ ısticas se le denomina proceso integrado de por Yt ∼ I(d) . los procesos que surgen m´s habitualmente en el an´lisis de las a a a series temporales econ´micas son los I(0) e I(1) . de nuevo. d. se tiene: ϕp−d (L) ∆d Yt = Θq (L) at donde el polinomio c´ ırculo unidad. El orden de integraci´n del proceso es el n´mero de diferencias que hay que tomar al proceso o u para conseguir la estacionariedad en media.q) o ARIM A(p. y el estacionarias. el n´mero de diferencias que hay que tomar a la o u serie para que sea estacionaria. En general. es decir. o Para comprender mejor el comportamiento representado por los modelos ARIM A(p. sigue un proceso ARM A(p − d. donde p es el orden del polinomio autorregresivo estacionario. ∆d Yt .3) se denomina modelo Autorregresivo Integrado de Medias M´viles de orden o (p.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a donde el polinomio ϕp−1 (L) resulta del producto de los (p − 1) polinomios de orden 1 asociados a las ra´ ıces Li con m´dulo fuera del c´ o ırculo unidad. Yt ∼ I(d) . el n´mero de ra´ u ıces unitarias del proceso.3) donde el polinomio autorregresivo estacionario Φp (L) y el invertible de medias m´viles Θq (L) o no tienen ra´ ıces comunes.d. si una serie Yt es integrada de orden d.1). en el modelo ARM A(p. En general. pero o su diferencia de orden d. si Yt no es estacionario.1) puede contener m´s de una ra´ unitaria. y q es el orden del polinomio de medias m´viles invertible. encontr´ndose los I(2) con mucha menos o a frecuencia. Sustituyendo en el modelo ARM A(p. a 46 . se puede representar por el siguiente modelo: Φp (L) ∆d Yt = δ + Θq (L) at (4. o lo que es lo mismo.2) donde el polinomio ϕp−1 (L) es estacionario porque todas sus ra´ ıces tienen modulo fuera del c´ ırculo unidad y el polinomio ∆ = (1 − L) es el que recoge la ra´ unitaria. Definici´n: Un proceso Yt es integrado de orden d. q) vamos a estudiar detalladamente dos de los modelos m´s sencillos. ız El modelo (4.1) se tiene que: ϕp−1 (L) (1 − L) Yt = Θq (L) at → ϕp−1 (L) ∆ Yt = Θq (L) at (4.2) representa el comportamiento de un proceso Yt que no es estacionario porque tiene una ra´ unitaria. d. En la pr´ctica. el polinomio AR del modelo (4. d. q) (4. de orden d. A un proceso Yt con estas caracter´ ız ısticas se le denomina proceso integrado de orden 1. El modelo (4. A un orden d y se denota ϕp−d (L) es estacionario porque sus (p − d) ra´ tienen modulo fuera del ıces polinomio ∆d = (1 − L)d . q) . por a ız ejemplo. d es el orden de integraci´n de la serie.

sin embargo. como la primera diferencia de la serie.4) Pero.2 2 3 4 5 6 7 8 -4 -0. a a 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 -0. sino que en principio permanece en un valor alto.6 -0.6 0.2: Modelo de paseo aleatorio a -0. a 0.4 0.6 -0.8 0.8 4 0.3.2). Tomando esperanzas condicionadas a la informaci´n anterior al modelo (4. .4 0 0. .4 0. Yt−2 . se tiene que Yt ∼ I(1) .4).4). .2 -0. sin mostrar ninguna inclinaci´n a dirigirse a ning´n punto en particular.8 0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 4.] = Yt−1 lo que implica que el nivel condicionado de la serie en el momento t es aleatorio.1. se obtiene: o E[Yt |Yt−1 .2 -0.8 -1 8 1 1 0.8 -1 -0. El modelo de paseo aleatorio no es estacionario porque la a o ra´ del polinomio AR no tiene m´dulo mayor que la unidad: ız o 1−L=0 −→ L=1 at ∼ RBN (0.6 Gr´fico 4. ∆ Yt es un ruido blanco.6 -0.2 0. a por lo que se dice que este modelo tiene tendencia estoc´stica.4 0. Es decir. σ 2 ) (4. se puede comprobar que se caracteriza porque sus coeficientes decrecen muy lentamente (ve´se la figura derecha del gr´fico 4.8 0.4 -0.6 0.4 -8 -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 1 1 En lo que se refiere a la FAC del modelo (4.2 se muestra el gr´fico de una realizaci´n simulada de 150 observaciones a o de un proceso de paseo aleatorio con σ 2 = 1 .8 -12 1110 1120 1130 1140 1150 1160 1170 1180 1190 1200 1210 1220 1230 1240 1250 -1 -1 47 .4 -0.2 0. Se puede observar que la evoluci´n de la serie o no tiene una caracter´ ıstica presente en los procesos estacionarios y que se denomina reversi´n o a la media: la serie se mueve aleatoriamente hacia arriba y hacia abajo.8 -0.6 0. En la figura 4. Modelo de paseo aleatorio El modelo de paseo aleatorio es simplemente un modelo AR(1) con par´metro φ = 1 : a Yt = Yt−1 + 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 m´s una perturbaci´n aleatoria.4 -0. para este modelo el nivel promedio de la serie va cambiando de forma estoc´stica a lo largo del tiempo. Si una perturbaci´n aumenta el valor de Yt o u o no hay ninguna tendencia a volver a disminuir otra vez.6 0.2 -0.

junto con la tendencia estoc´stica. tiende a retornar r´pidamente. Suponiendo que el modelo (4. .3 muestra en su figura de la derecha la diferente evoluci´n que se puede a o observar entre tendencias estoc´sticas y deterministas. mientras que si la serie con tendencia estoc´stica se separa de la a a l´ ınea de tendencia de pendiente δ no tiende a volver.5) empieza en alg´n momento t0 y.5). sustituyendo a u repetidamente. en los modelos no estacionarios su presencia en el modelo tiene efectos m´s relevantes. Pero.5) La unica diferencia entre los modelos (4. se obtiene: o E[Yt |Yt−1 . La serie con tendencia determinista oscila a aleatoriamente en torno a una tendencia lineal de pendiente constante y.4) y (4. el nivel promedio de la serie se ve afectado por un elemento estoc´stico a lo largo del a tiempo a trav´s de Yt−1 as´ como por un componente determinista a trav´s del par´metro δ. Este par´metro de deriva tiene el mismo papel que a el par´metro de la pendiente en el modelo determinista lineal.3 muestra una realizaci´n de tama˜o 150 simulada por el modelo a o n de paseo aleatorio con deriva con par´metros δ = 0. Yt−2 . 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. Tendencias estoc´sticas a a 70 60 20 50 40 10 30 20 Estocástica 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 figura izquierda del gr´fico 4.3.3: Tendencias deterministas vs. de la misma manera que el a modelo de paseo aleatorio no tiene un nivel promedio al que volver. Modelo de paseo aleatorio con deriva El modelo de paseo aleatorio con deriva surge de a˜adir una constante al modelo de paseo n aleatorio. e ı e a Gr´fico 4.5) es la presencia de la constante δ. Ahora bien. El gr´fico 4. al igual que para el modelo de paseo aleatorio. Por lo tanto. ´ as´ como en los modelos estacionarios la inclusi´n de una constante solo afecta al nivel promedio ı o constante de la serie. Yt = Yt−1 + δ + at → ∆ Yt = δ + at (4.2. . 48 . si se separa de ella. se obtiene: t Yt = Y0 + (t − t0 ) δ + i=t0 +1 ai Se puede observar que la introducci´n de la constante en el modelo implica la inclusi´n de una o o tendencia determinista con pendiente δ.5) muestra un a crecimiento promedio en cada periodo de δ.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a 4.] = Yt−1 + δ es decir. . Tomando esperanzas a condicionadas a la informaci´n pasada en el modelo (4. se tiene que Yt ∼ I(1) . 2 y σ = 1 . El modelo (4.

Cap´ ıtulo 5 Modelizaci´n ARIMA o
En este cap´ ıtulo se van a desarrollar de forma detallada cada una de las etapas de las que consta la metodolog´ de modelizaci´n ARIMA. Para apoyar esta explicaci´n se va a modelar una serie ıa o o cl´sica en la literatura Pieles de lince (1821-1930) y se va a proponer al lector como ejercicio a la modelizaci´n de una serie artificial que se ha denominado Producci´n de tabaco (1872-1984). o o Los datos de ambas series se encuentran en el ap´ndice A. e Los gr´ficos y resultados de este an´lisis se han obtenido mediante el software econom´trico a a e Gretl. Este es un sofware que se puede obtener de forma gratuita de la siguiente direcci´n: o http://gretl.sourceforge.net

5.1.

Estrategia de modelizaci´n ARIMA o

En los cap´ ıtulos 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): Φ(L)(1 − L)d Yt = δ + Θ(L)at (5.1)

Si se conocen los par´metros del modelo te´rico (5.1) para el proceso Yt , a partir de una a o realizaci´n 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 realizaci´n de tama˜o T del proceso estoc´stico. o n a La estructura es, por lo tanto, Φ(L)(1 − L)d Yt = δ + Θ(L) at at ∼ RBN (0, σ 2 ) ↓ Generaci´n o ↓ Realizaci´n: Y1 , Y2 , . . . , YT o 49

Proceso estoc´stico a

SARRIKO-ON 4/09

An´lisis de Series Temporales: modelos ARIMA a

A partir de una misma estructura ARIM A(p, d, q) se pueden obtener infinitas realizaciones. Para cada realizaci´n, la serie del ruido blanco, a1 , a2 , . . . , aT , ser´ diferente y la serie temporal geneo a rada, Y1 , Y2 , . . . , YT , tambi´n. Ahora bien, todas las series temporales generadas que proceden e de una misma estructura conservar´n entre s´ una similitud de comportamiento din´mico. a ı a En la aplicaci´n de la metodolog´ Box-Jenkins el punto de partida es el contrario: se conoo ıa 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. Realizaci´n: Y1 , Y2 , . . . , YT o ↓ Inferencia ↓ Proceso estoc´stico: a Φ(L)(1 − L)d Yt = δ + Θ(L) at at ∼ RBN (0, σ 2 )

La construcci´n 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) Identificaci´n. Utilizando los datos y/o cualquier tipo de informaci´n disponible sobre c´mo 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´ ısticas de la serie bajo estudio y si se incluye o no la constante δ. En esta etapa es posible identificar m´s de un modelo candidato a a haber podido generar la serie. b) Estimaci´n. Usando de forma eficiente los datos se realiza inferencia sobre los par´metros o a condicionada a que el modelo investigado sea apropiado. Dado un determinado proceso propuesto, se trata de cuantificar los par´metros del mismo, a 2 y, en su caso, δ. θ1 , . . . θq , φ1 , . . . φp , σ c) Validaci´n. Se realizan contrastes de diagn´stico 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 ı, poder mejorarlo. d) Predicci´n. Obtener pron´sticos en t´rminos probabil´ o o e ısticos de los valores futuros de la variable. En esta etapa se tratar´ tambi´n de evaluar la capacidad predictiva del modelo. a e Esta metodolog´ se basa, fundamentalmente, en dos principios: ıa 50

An´lisis de Series Temporales: modelos ARIMA a

SARRIKO-ON 4/09

• Selecci´n de un modelo en forma iterativa. En cada etapa se plantea la posibilidad de o rehacer las etapas previas. Identificaci´n o ↓ Estimaci´n o ↓ Validaci´n o SI ↓ Predicci´n o SI ↓ Modelo • Principio de parametrizaci´n escueta, tambi´n denominado parsimonia. Se trata de proo e poner un modelo capaz de representar la serie con el m´ ınimo de par´metros posibles y a unicamente acudir a una ampliaci´n del mismo en caso de que sea estrictamente necesario ´ o para describir el comportamiento de la serie. NO → NO → ← ↑ ↑ ↑ ↑ ↑ ↑ → ↑ ↑ ↑ →

5.2.

Identificaci´n o

El objetivo de esta etapa de la modelizaci´n es seleccionar el modelo ARIM A(p, d, q) apropiado o para la serie, es decir, que reproduce las caracter´ ısticas de la serie. La identificaci´n del modelo o se lleva a cabo en dos fases: A. An´lisis 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: n´mero de diferencias d que hay que tomar para lograr u que la serie sea estacionaria en media. B. Elecci´n 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 identificaci´n del modelo son o fundamentalmente los siguientes: ◦ Gr´fico y correlogramas muestrales de la serie original. a 51

Tomando logaritmos a la serie (la transformaci´n o Box-Cox m´s utilizada para las series econ´micas) se observa que la amplitud de estos ciclos se a o ha homogeneizado y que la variabilidad de la serie es mucho m´s estable en el tiempo (la figura a derecha del gr´fico).2. Por lo tanto. la transformaci´n m´s o o a utilizada en la pr´ctica econ´mica es la logar´ a o ıtmica. a 52 .1: Pieles de lince (1821-1930) a 7000 9 6000 8 5000 7 4000 Ln(lince) 1820 1840 1860 1880 1900 1920 Lince 6 3000 5 2000 1000 4 0 3 1820 1840 1860 1880 1900 1920 En el gr´fico 5. es decir. es decir. ◦ Contrastes de ra´ ıces unitarias. diferencias..1. cuando la variabilidad de la serie en torno a ´ su media se mantenga constante a lo largo del tiempo. a Ejemplo 6.. ız etc. En la figura a izquierda del gr´fico se puede observar que la serie en niveles presenta un comportamiento c´ a ıclico en el que la amplitud de los ciclos es variable en el tiempo. no parece adecuado suponer que la serie es estacionaria 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. Pieles de Lince Gr´fico 5.   Ytλ − 1  λ=0 (λ) λ Yt =   ln Yt λ=0 Las transformaciones Box-Cox incluye una familia infinita de funciones: ra´ cuadrada. las transformaciones Box-Cox. Como las series econ´micas suelen ser positivas y sin valores cero. Se puede concluir que la serie estacionaria en varianza es Zt = Ln(lince) . se utilizan las transformaciones estabilizadoras de varianza.1 se presenta la serie Pieles de lince capturadas de 1821 a 1930. Si la serie no es estacionaria en varianza. Los instrumentos que se utilizan para analizar la estacionariedad en varianza de una serie son el gr´fico de la serie original y de las transformaciones correspondientes. 5.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a ◦ Gr´fico y correlogramas muestrales de determinadas transformaciones de la serie: logarita mos. inversa.1.. An´lisis de estacionariedad a Estacionariedad en varianza.

se ha de identificar si la serie es estacionaria en media. se tomar´n d sucesivas diferencias de orden 1 sobre la serie hasta obtener una serie estacionaria: a Zt = (1 − L)d Yt 53 . cuando fluct´a alrededor de una ´ u media constante. a Estacionariedad en media. • En general.5 1000 6 500 5. Razona tu respuesta. o SARRIKO-ON 4/09 En el gr´fico 5. si oscila en torno a un nivel constante o no. Caracter´ ısticas de una serie no estacionaria: • La serie no es estacionaria en media cuando presenta tendencia o varios tramos con medias diferentes. Producci´n de tabaco. es decir. no siendo necesario que se mantenga pr´ximo a o la unidad.An´lisis de Series Temporales: modelos ARIMA a Ejercicio 6. En este apartado.5 2000 7 Ln(Producción) 1880 1900 1920 1940 1960 1980 1500 Producción 6.5 0 5 1880 1900 1920 1940 1960 1980 Pregunta: ¿Cu´l es la serie estacionaria en varianza?. Gr´fico 5.2: Producci´n de tabaco (1872-1984) a o 2500 8 7.2 se muestra la serie de Producci´n de tabaco desde 1872 a 1984 tanto en niveles a o (figura izquierda) como en logaritmos (figura derecha). a ı.1. Como se ha visto en el cap´ ıtulo 4. As´ si la serie no es estacionaria en media. Caracter´ ısticas 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. exponencialmente. Para tomar esta decisi´n nos basaremos en las caracter´ o ısticas que diferencian las series estacionarias de las no estacionarias. es decir. si la serie no es estacionaria en media se puede lograr la estacionariedad transform´ndola tomando diferencias. un proceso con alguna ra´ unitaria presenta una funci´n de autocorrelaci´n ız o o muestral con un decaimiento muy lento. • La funci´n de autocorrelaci´n te´rica de un proceso estacionario en media decae r´pidao o o a mente.

Sin embargo. por lo que hay tener cuidado ya que el objetivo en esta fase de la modelizaci´n ARIM A es determinar el menor n´mero de diferencias d o u capaz de convertir a una serie en estacionaria. sobre la no estacionariedad de la serie. hacer inferencia sobre la existencia o no de una ra´ unitaria o ız en una serie. los contrastes de ra´ o ıces unitarias m´s utilizados en a la pr´ctica del an´lisis de series temporales econ´micas y que. Sabemos que para las series econ´micas los valores de d m´s habituales son d = 0. Por lo tanto. at ∼ RBN (0. no se diferenciar´ m´s la serie. 95 Yt−1 + at → 1 − 0. fueron los pioneros en a a o este campo. Si se rechaza la hip´tesis nula de o existencia de ra´ unitaria en ∆d−1 Yt .2) . ız a o e • Sobrediferenciaci´n: se dice que la serie est´ sobrediferenciada si se toman m´s diferencias o a a de las necesarias. Consideremos el siguiente modelo AR(1) ız o Yt = 0. por ejemplo. o Yt = Yt−1 + at . Supongamos el siguiente proceso AR(1): Yt = φ Yt−1 + at . o a a A continuaci´n. Los contrastes de ra´ ıces unitarias proporcionan unos contrastes estad´ ısticos que permiten. Contraste de Dickey-Fuller. de ra´ unitaria porque est´ muy pr´ximo a ´l. o b) Correlograma estimado de la serie original y de las transformaciones correspondientes. a c) Contrastes de ra´ ıces unitarias.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Ahora bien. el problema es c´mo identificar el n´mero 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 pr´xima a la unidad. en la pr´ctica puede resultar muy dif´ a ıcil distinguir una realizaci´n de este proceso de una serie generada por un paseo aleatorio. no significa necesariamente que ∆d−1 Yt no lo sea. 95 que es un proceso estacionario. a partir del conjunto de informaci´n. 95L = 0 → L= 1 = 1. si se elige un orden de integraci´n d cuando la serie ∆d−1 Yt o ya es estacionaria. σ 2 ) 54 (5. el hecho de que ∆d Yt sea estacionario. 05 > 1 0. se desarrollan brevemente. en principio. si no ız a a se rechaza la hip´tesis nula se tomar´ una diferencia m´s de orden 1. 2 y o a para decidir cu´l es el m´s apropiado para la serie bajo estudio utilizaremos los siguientes a a instrumentos: a a) Gr´fico de la serie original y las transformaciones correspondientes. En caso contrario. En este punto conviene recordar que si se diferencia un proceso estacionario sigue siendo estacionario. es decir. a la vez. 1. para comprobar si decrece r´pidamente hacia cero o no. para observar si se cumple o no la condici´n de estacionariedad de oscilar en torno a un nivel constante.

Si. a El modelo (5. Adem´s. contrastar la hip´tesis nula de ra´ unitaria (paseo aleatorio) equivale a plantear el o ız siguiente contraste de hip´tesis en el modelo (5. es igual al estimador M´ximo Veros´ a ımil y sigue asint´ticamente una distribuci´n normal.2). a o ˆ el modelo AR(1) es estacionario y el estimador de φ por M´ ınimos Cuadrados Ordinarios. o ´ e porque un valor positivo de β supondr´ un modelo no estacionario de comportamiento explosivo. por el contrario.3) Ahora. por o a ejemplo. φ = 1 el proceso Yt no es estacionario porque tiene una ra´ unitaria. Se puede demostrar ˆ que el estimador φ est´ sesgado hacia abajo y que el estad´ a ıstico t bajo la hip´tesis nula de ra´ o ız unitaria no sigue una distribuci´n t de Student ni en el l´ o ımite cuando el tama˜o muestral tiende n a infinito. El o problema surge porque no se sabe a priori si el modelo es estacionario o no y cuando φ = 1 el modelo AR(1) no es estacionario y los resultados anteriores no se mantienen.4) .An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 que es estacionario si |φ| < 1. Adem´s si se utilizan los valores cr´ a ıticos de esta distribuci´n se tiende a rechazar la o H0 m´s veces de las deseadas. el procedimiento habitual es estimar la regresi´n de Yt sobre Yt−1 y despu´s o e utilizar el estad´ ıstico t est´ndar para contrastar la hip´tesis nula. se podr´ pensar en contrastar la hip´tesis de existencia de ra´ unitaria en la ıa o ız serie Yt (no estacionariedad) contrastando la hip´tesis nula H0 : φ = 1 en el modelo (5. ıa El modelo (5.3) es un modelo de regresi´n y el estad´ o ıstico habitual para realizar este tipo de contraste es: t = ˆ β−0 ˆ ˆ V (β) 55 (5. o o a el estad´ ıstico t tiene la siguiente distribuci´n asint´tica bajo la hip´tesis nula: o o o tφ = ˆ φ − φ0 Vφ ˆ ∼ N (0. Yt − Yt−1 = φ Yt−1 − Yt−1 + at ∆Yt = β Yt−1 + at con o bien β = φ−1 (5. Por lo tanto.2).3): o H0 : β = 0 Ha : β < 0 La hip´tesis alternativa de estacionariedad se plantea unicamente en t´rminos de β negativo. φ.2) se puede escribir como sigue restando Yt−1 en ambos lados. de hecho ser´ un modelo de paseo aleatorio: ız ıa Yt = Yt−1 + at → 1−L=0 → L=1 → Yt ∼ I(1) Si se desea contrastar alguna hip´tesis nula sobre el valor del par´metro φ en el modelo (5. Como es bien sabido. si |φ| < 1. 1) Para muestras peque˜as este estad´ n ıstico se distribuye aproximadamente como un t de Student de (T − 1) grados de libertad. H0 : φ = φ0 .

Restando Yt−1 en ambos ız lados del proceso se obtiene: ∆ Yt = c + β Yt−1 + at β = φ−1 El contraste de la hip´tesis nula de ra´ unitaria se plantea en este modelo (5. Si el modelo AR(1) incluye una constante: Yt = c + φ Yt−1 + at . Dickey-Fuller construyeron las tablas que proporcionan los niveles cr´ ıticos correctos para el estad´ ıstico tc en funci´n del tama˜o muestral. y el nivel de significaci´n.7) como sigue: o ız H0 : β = 0 Ha : β < 0 y el estad´ ıstico de contraste es: tc = ˆ β ˆ ˆ V (β) (5.SARRIKO-ON 4/09 donde: T An´lisis de Series Temporales: modelos ARIMA a yt−1 ∆yt ˆ β = t=2 T 2 yt−1 t=2 y ˆ ˆ V (β) = σ2 ˆ T 2 yt−1 t=2 (5. ser´ de inter´s considerar hip´tesis alternativas m´s generales que puedan incluir o ıa e o a estacionariedad alrededor de una constante o de una tendencia lineal. α. T . σ 2 ) (5. at ∼ RBN (0. Para las series econ´micas.7) ˆ ˆ ˆ donde β es el estimador MCO de β y V (β) el de su varianza. o n o 56 .6) el contraste de existencia de ra´ unitaria se realiza de forma similar. la existencia de ra´ unitaria a un nivel de significaci´n α si el valor ız o muestral del estad´ ıstico t es menor que el valor cr´ ıtico de las tablas de Dickey-Fuller (DFα ): t < DFα Hasta el momento se ha explicado como contrastar la hip´tesis nula de ra´ unitaria (paseo o ız aleatorio) frente a la alternativa de un proceso estacionario AR(1) de media cero. es decir. Este estad´ ıstico t no sigue ninguna distribuci´n conocida bajo la hip´tesis nula de no estacionariedad por lo que Dickeyo o Fuller calcularon los percentiles de este estad´ ıstico bajo la H0 proporcionando las tablas con los niveles cr´ ıticos correctos para el estad´ ıstico en funci´n del tama˜o muestral (T ) y el nivel de o n significaci´n (α) (las tablas de estos valores cr´ o ıticos se encuentran en el ap´ndice B.). e Se rechaza H0 .5) Al estad´ ıstico t se le denomina estad´ ıstico de Dickey-Fuller. Como anteriormente.

q). contrastar la hip´tesis ız o i=1 nula de existencia de ra´ unitaria es equivalente a contrastar la H0 : β = 0 en la regresi´n (5. σ 2 ) (5. Este estad´ ıstico tiene la misma distribuci´n que para el caso del modelo AR(1) y. + φp Yt−p + at Este modelo se puede reparametrizar como sigue: ∆Yt = β Yt−1 + α1 ∆ Yt−1 + · · · + αp−1 ∆ Yt−p+1 + at donde p i at ∼ RBN (0.9) β= i=1 φi − 1 y αi = j=1 φp−i+j Dado que un proceso AR(p) tiene una ra´ unitaria cuando p φi = 1. El modelo (5. el modelo que se estima por MCO es: ∆ Yt = c + γ t + β Yt−1 + at at ∼ RBN (0. Los contrastes anteriores de Dickey-Fuller se han derivado partiendo del supuesto restrictivo de que la serie sigue un proceso AR(1). σ 2 ) SARRIKO-ON 4/09 (5.9) se puede tambi´n generalizar introduciendo una constante y/o una tendencia e lineal: ∆Yt = δ + β Yt−1 + α1 ∆ Yt−1 + · · · + αp−1 ∆ Yt−p+1 + at ∆Yt = δ + γt + β Yt−1 + α1 ∆ Yt−1 + · · · + αp−1 ∆ Yt−p+1 + at procedi´ndose a la realizaci´n del contraste de la hip´tesis nula de ra´ unitaria por un procedie o o ız miento similar al desarrollado para el modelo AR(1). todo proceso a ARM A(p.9). ız o Este contraste de ra´ unitaria se denomina Dickey-Fuller Aumentado (ADF) y se basa en ız la estimaci´n MCO del par´metro β en el modelo (5. Pero la serie puede seguir procesos m´s generales ARM A(p. . q) se puede aproximar hasta el grado de bondad necesario mediante un AR(p): Yt = φ1 Yt−1 + φ2 Yt−2 + .An´lisis de Series Temporales: modelos ARIMA a Si el modelo AR(1) incluye una tendencia lineal: Yt = c + γ t + φ Yt−1 + at . . o podemos utilizar los mismos valores cr´ ıticos tabulados por Dickey-Fuller.9) y en el correspondiente estad´ o a ıstico t. Contraste de Dickey-Fuller aumentado.8) y se utiliza el estad´ ıstico t que denotaremos por tγ para contrastar la hip´tesis nula de ra´ o ız unitaria H0 : β = 0 frente Ha : β < 0. Como es bien conocido. 57 . por lo tanto.

3: Gr´ficos de Ln(Lince) y su primera diferencia.5 1820 1840 1860 1880 1900 1920 Cuadro 5.5 D Ln(Lince) 1820 1840 1860 1880 1900 1920 Ln(lince) 0 6 -0. a El tomar una diferencia a la serie no cambia el comportamiento del correlograma. Se puede concluir. tc = -5. por lo tanto. a a 9 2 1.1 muestran que el valor del estad´ ıstico ADF. Para contrastar la existencia de ra´ unitaria en la serie Zt = Ln(Lince) se lleva a cabo el ız contraste ADF aumentado. Pieles de lince. Zt = ln(Yt ) = Ln(Lince).1): -0. 89 (ve´se ap´ndice B).089e-005 o Ejemplo 6. es menor que el valor cr´ ıtico DF0.5 5 -1 -1.05 = −2. Los resultados del cuadro 5. Se puede observar que la serie Zt oscila c´ ıclicamente en torno a un nivel promedio m´s o menos constante y al diferenciarla no cambia su comportamiento salvo que pasa a oscilar a en torno a un nivel pr´ximo a cero. ya que si diferenciamos un proceso estacionario sigue siendo estacionario.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Gr´fico 5..1: Contrates de ra´ ıces unitarias Contrastes aumentados de Dickey-Fuller.5 8 1 7 0. 58 .L)y = b0 + (a-1)*y(-1) + .451665 Estad´stico de contraste: tau c(1) = -5.3 se representan la serie en logaritmos (Ln(Lince)) y su primera diferencia (D a Ln(Lince)). de autocorrelaci´n de primer orden de e: -0.13. En el gr´fico 5. orden 4. para Ln(lince): tama~o muestral 108 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste con constante modelo: (1 . + e Coef. como era de esperar. Por lo a e tanto. Analicemos la estacionariedad en media de la serie que es estacionaria en varianza. Analizando los correlogramas de Zt a y su primera diferencia recogidos en el gr´fico 5.019 o valor estimado de (a .2. que Zt es ya estacionaria o en media y no es preciso realizar m´s transformaciones.13165 ı valor p asint´tico 1.5 4 -2 3 -2.4 se obtiene la misma conclusi´n ya que el a o correlagrama de Zt decrece r´pidamente hacia cero en forma de onda seno-coseno amortiguada. se rechaza la hip´tesis nula de existencia de ra´ unitaria a un nivel de significaci´n o ız o del 5 % y la transformaci´n estacionaria en media y varianza de la serie Pieles de Lince es o Zt = ln(Yt ) = Ln(Lince)..

5 +. Producci´n de Tabaco.96/T^0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 5.5 -1 0 5 10 15 20 retardo 25 30 35 +.2 5. o o Gr´fico 5.5 0 0 -0.6 1880 1900 1920 1940 1960 1980 Pregunta: Analiza la estacionariedad en media de la serie en logaritmos.1.2 1 7.6 D Ln(Producción) 1880 1900 1920 1940 1960 1980 Ln(Producción) 0.8 7 0.2 y 5.5 b) Gr´fico -1 a 5.5 −0. o 1 0.1.6: muestra en la figura superior el correlograma de la serie Ln(Producci´n) y en o 0 10 15 25 30 35 la figura inferior el5 correlograma de la serie D20 Ln(Producci´n) = ∆ ln(P roduccion).2 6 0 −0.5 0.5 FAC de D Ln(Lince) FACP de Ln(lince) 1 1 0.4 5 −0. o -0.96/T^0.5 FACP de D Ln(Lince) +.96/T^0.1.2.5 Considera la siguiente informaci´n sobre la serie Producci´n de Tabaco. o o a) Gr´fico 0 a 5.5 0 -0.5 Ejercicio 6.5 -0. a a o 8 1. 59 .5: Gr´ficos de Ln(Producci´n) y su primera diferencia.1.5 0.5: muestra en la figura de la izquierda la serie Ln(Producci´n) y en la figura de o la derecha la serie D Ln(Producci´n) = ∆ ln(P roduccion).96/T^0.5 0. o retardo c) Cuadros 5.5 -1 -1 0 0 5 5 10 10 15 15 20 20 retardo retardo 25 25 30 30 35 35 +.4: Correlogramas de Ln(Lince) y su primera diferencia. a FAC de Ln(lince) 1 0.4 6.3 muestran los resultados de los contrastes de ra´ ıces unitarias ADF para las series Ln(Producci´n) y D Ln(Producci´n) respectivamente.

37034 Estad´stico de contraste: tau nc(1) = -6.1): -0.020 o valor estimado de (a ..3: Contrates de ra´ ıces unitarias Contrastes aumentados de Dickey-Fuller. de autocorrelaci´n de primer orden de e: -0. + e Coef..5554 ı valor p asint´tico 2. orden 4.46933 ı valor p asint´tico 0. + e Coef.029 o valor estimado de (a . + e Coef. orden 4.L)y = b0 + b1*t + (a-1)*y(-1) + ...127884 Estad´stico de contraste: tau ct(1) = -1.0907 o contraste con constante y tendencia modelo: (1 .145e-010 o 60 . de autocorrelaci´n de primer orden de e: -0.69183 Estad´stico de contraste: tau c(1) = -7.019 o valor estimado de (a .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Cuadro 5..020 o valor estimado de (a .8402 o Cuadro 5..61077 ı valor p asint´tico 0.0776783 Estad´stico de contraste: tau c(1) = -2. de autocorrelaci´n de primer orden de e: -0. de autocorrelaci´n de primer orden de e: -0.. para D Ln(Producci´n): o tama~o muestral 108 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 .1): -2.2: Contrates de ra´ ıces unitarias Contrastes aumentados de Dickey-Fuller.L)y = b0 + (a-1)*y(-1) + .06954 ı valor p asint´tico 2.L)y = (a-1)*y(-1) + .213e-010 o contraste con constante modelo: (1 .1): -2.1): -0. + e Coef.L)y = b0 + (a-1)*y(-1) + . para Ln(Producci´n): o tama~o muestral 109 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste con constante modelo: (1 ..

FAC.6: Correlogramas de Ln(Producci´n) y su primera diferencia. En esta fase se trata de identificar los ´rdenes p y q del proceso que puede reproducir las o −0.5 0 0 −0. Para identificar los ordenes p y q.5 0 −0.5 0.2.96/T^0. .5 +− 1.2. q) estacionario.96/T^0. se comparar´n las funciones de autocorrelaci´n muestrales con a o las FAC te´ricas de los modelos ARMA cuyas caracter´ o ısticas conocemos: 61 . o o Las caracter´ ısticas din´micas del proceso estacionario est´n recogidas en la funci´n de autocoa a o rrelaci´n.96/T^0. Los coeficientes de autocorrelaci´n muestral de Zt son: o T∗ ¯ ¯ (Zt − Z)(Zt−k − Z) ρk = ˆ t=k+1 T∗ k = 1. . por lo que ´sta ser´ el instrumento b´sico para identificar los ordenes p y q del o e a a modelo ARMA adecuado para representar las caracter´ ısticas de la serie estacionaria Zt . . a 0 5 10 15 20 retardo 25 30 35 A. Identificaci´n de los ´rdenes p. T ∗ /3 ¯ (Zt − Z)2 (5.5 −1 0 5 10 15 20 retardo 25 30 35 +− 1.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 5. δ.96/T^0. 2. q. Identificaci´n del modelo estacionario o 1 0.5 −1 −1 0 0 5 5 10 10 15 15 20 20 retardo retardo 25 25 30 30 35 35 +− 1.5 Una vez determinado el orden de diferenciaci´n d. . a o FAC de Ln(Producción) 1 0. se tiene la transformaci´n estacionaria de la o o serie Zt = (10− L)d Yt que puede representarse mediante un proceso ARM A(p.5 −0.5 5.5 FACP de D Ln(Producción) +− 1.5 FAC de D Ln(Producción) FACP de Ln(producción) 1 1 0.10) t=1 donde T ∗ = T − d es la longitud de la serie estacionaria Zt .5 caracter´ ısticas de la serie estacionaria y de analizar la conveniencia de la incorporaci´n del o −1 par´metro asociado a la media.

2. a la identificaci´n no es tan clara. + pk Yt−k + et Las propiedades de la funci´n de autocorrelaci´n parcial (FACP). Pero si el correlograma muestral no presenta ning´n corte sino o u que parece decrecer r´pidamente siguiendo una estructura exponencial o de onda seno-coseno. 3. o e • La FACP de un proceso estoc´stico estacionario decrece r´pidamente hacia cero cuando a a k → ∞.. .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a FAC M A(q) AR(p) ARM A(p.. . 1. es decir: pk = ρYt Yt−k . La funci´n de autocorrelaci´n parcial se puede estimar a partir de los datos de la serie como o o una funci´n de los coeficientes de autocorrelaci´n simples estimados. . son o o equivalentes a las de la FAC: • p0 = 1 y p1 = ρ1 • Los coeficientes pk no dependen de unidades y son menores que la unidad en valor absoluto.Yt−k+1 Por lo tanto. o Para ayudarnos en la identificaci´n de modelos ARM A(p. .. ya que bas´ndose unicamente en la FAC podr´ corresponder a o a ´ ıa un modelo te´rico AR o ARM A de cualquier orden. q) Se anula para j > q Decrecimiento r´pido a No se anula Decrecimiento r´pido a No se anula Si el correlograma muestral de la serie Zt presenta un corte a partir de un retardo finito j. la funci´n de autocorrelaci´n parcial.. ya que se corresponder´ con o ıa la FAC te´rica de un M A(j). denotado por pk . pk . mide el grado de asociaci´n o o lineal existente entre entre las variables Yt e Yt−k una vez ajustado el efecto lineal de todas las variables intermedias.Yt−2 . • La FACP es una funci´n sim´trica. q) en estos casos acudimos a otro o instrumento complementario. ρk . o o ˆ La estructura de la funci´n de autocorrelaci´n parcial para un modelo estacionario ARM A(p. q) o o es como sigue: 62 . . k = 0. o o El coeficiente de autocorrelaci´n parcial de orden k. el coeficiente de autocorrelaci´n parcial pk es el coeficiente de la siguiente regresi´n o o lineal: Yt = α + p1 Yt−1 + p2 Yt−2 + . la identificaci´n del proceso adecuado para la misma es sencilla.Yt−1 . .

p k = p + 1. por lo que pk = 0 . . . decrece r´pidamente hacia cero. . + φp Yt−p + at La estructura de la FACP es la siguiente: pk = pk = 0 pk = 0 k = 1. + θq at−q La FACP de un modelo ARM A(p. . + φp Yt−p + at + θ1 at−1 + θ2 at−2 + . se a o o puede identificar el / los procesos que podr´ haber generado la serie bajo estudio. + θq at−q La FACP de un modelo de medias m´viles finito es infinita y decrece r´pidamente hacia o a cero. Yt depende directamente de su pasado hasta el retardo p de forma que las variables aleatorias separadas un periodo. Comparando la estructura de las funciones de autocorrelaci´n simple y parcial estimadas con o las caracter´ ısticas b´sicas de las funciones de autocorrelaci´n te´ricas de la tabla siguiente. ıan FAC M A(q) AR(p) ARM A(p. ρk = 0 . . . . depende unicamente de la estructura de la parte de medias m´viles. y hasta p periodos mantienen una relaci´n lineal directa aunque se elimine el efecto de las variables intero medias. pero es indirecta a trav´s de las variables intermedias o e por lo que. a partir del a o retardo p + 1 . . q) Se anula para j > q Decrecimiento r´pido a No se anula Decrecimiento r´pido a No se anula 63 FACP Decrecimiento r´pido a No se anula Se anula para j > p Decrecimiento r´pido a No se anula . q): Yt = at + φ1 Yt−1 + φ2 Yt−2 + . Modelo M A(q): Yt = at + θ1 at−1 + θ2 at−2 + θ3 at−3 + . 2. Si un proceso sigue un modelo AR(p). . . o o Modelo ARM A(p. dos. . para variables separadas m´s de p periodos el a coeficiente de autocorrelaci´n parcial es cero porque no existe relaci´n lineal directa entre o o ellas: existe relaci´n lineal. q) es infinita y los p primeros coeficientes de la FACP dependen de los par´metros autorregresivos y de los de medias m´viles y. la correlaci´n entre Yt e Yt−k es nula y o pk = 0 . . . de forma exponencial cuando las ra´ del polinomio de medias m´viles son reales y ıces o en forma de onda seno-coseno amortiguada si las ra´ del citado polinomio son complejas. .An´lisis de Series Temporales: modelos ARIMA a Modelo AR(p): SARRIKO-ON 4/09 Yt = φ1 Yt−1 + φ2 Yt−2 + φ3 Yt−3 + . de ´ o forma que. ıces Esta estructura es l´gica dado que la representaci´n AR de un modelo M A(q) es infinita. una vez controlado el efecto de estas. p + 2. de forma exponencial cuando las ra´ a ıces del polinomio de medias m´viles son reales y en forma de onda seno-coseno amortiguada si o las ra´ ıces del citado polinomio son complejas. . Sin embargo.

. T ∗ /3 o H0 : pk = 0 Ha : pk = 0 64 . . . para obtener las bandas de confianza para pk se aplica esta distribuci´n indea ˆ o pendientemente del tipo de proceso que haya generado la serie. con k > p.96 ρ ρk ˆ ≥ N0. . para la identificaci´n del modelo apropiado s´lo se cuenta con las estimaciones de o o la FAC y de la FACP a partir de los datos de la serie Yt . En lo que se refiere a la funci´n de autocorrelaci´n parcial. V (ˆk )) ˆ p con V (ˆk ) p 1 T∗ En la pr´ctica. T ∗ /3 o H0 : ρk = 0 Ha : ρk = 0 Bajo la hip´tesis nula el estad´ o ıstico de contraste se distribuye asint´ticamente como o ρk ˆ V (ˆk ) ρ a ∼ N (0. 96 2 √ T∗ 2 Por lo tanto. Por lo tanto. para identificar el a orden del proceso ARM A(p.025 = 1. . o El estimador de los coeficientes de autocorrelaci´n ρk dado por (5. . . se distribuyen asint´ticamente como sigue para procesos AR(p): ˆ o a pk ∼ N (0. ± √ son las bandas de confianza que delimitan la zona de significatividad del T∗ coeficiente ρk . Se desea realizar el siguiente contraste de hip´tesis para k = 1. V (ˆk )) ˆ ρ con V (ˆk ) ρ 1 T∗ Se desea realizar el siguiente contraste de hip´tesis para k = 1.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Ahora bien. Los estimadores de los coeficientes de autocorrelaci´n ρk y pk son variables aleatorias que tienen una distribuci´n de probabilidad y o ˆ ˆ o tomar´n diferentes valores para diferentes realizaciones de Yt . q) adecuado para la serie. o a ρk ∼ N (ρk . es preciso determinar la estructura de las FAC y FACP estimadas realizando contrastes sobre la significaci´n individual de los coeficientes o de autocorrelaci´n simple y parcial estimados. los coeficientes de autocorrelaci´n o o o parcial muestrales pk . 1) Se rechaza la H0 a un nivel de significaci´n del 5 % si o ρk ˆ V (ˆk ) ρ o an´logamente. . 2. 2.10) es una variable aleatoria o ˆ que se distribuye asint´ticamente como sigue bajo el supuesto de que Zt es gaussiano y k > 0. a |ˆk | ≥ 1.

en principio. q) con parte autorregresiva de orden mayor o igual que 2. corresponden con el correlograma te´rico. hay cierta probabilidad de obtener alg´n coeficiente significativo aunque los u datos fueran generados por un ruido blanco y. por un lado. 96 o an´logamente. En general. se vuelve a plantear la o o identificaci´n del proceso. El an´lisis de la FACP muestra. En este caso el modelo m´s sencillo que recoger´ esta estructura ser´ un ARM A(2. que los tres primeros coeficientes son o significativamente distintos de cero y el resto no. los coeficientes de autocorrelaci´n muestral est´n correlacionados a o a entre s´ por lo que en el correlograma muestral pueden aparecer ciertas ondulaciones que no se ı. la FACP estar´ u o ıa truncada en el retardo 3 y el modelo adecuado para haber generado la serie ser´ un AR(3). que al determinar qu´ retardos e pueden ser significativamente distintos de cero. La FAC estimada muestra una estructura infinita decreciendo en forma de onda seno-coseno amortiguada que sugiere un modelo AR(p) o ARM A(p. En esta primera etapa no se trata tanto de identificar el modelo correcto. seg´n a u el resultado de los contrastes de significaci´n individual.3. Pieles de Lince. T∗ Cuando se procede a la identificaci´n de un modelo ARM A(p. estudiando el comportamiento general de la FACP. se trata de buscar los modelos m´s sencillos que reproduzcan las caracter´ a ısticas de la serie.96 p (ˆk ) p 2 √ T∗ 2 Por lo tanto. dependiendo de los resultados. se podr´ identificar dos modelos adecuados. 1) .7 muestra las funciones de autocorrelaci´n simple y parcial estimadas para la serie a o estacionaria Zt = ln(Yt ) = Ln(lince). Posteriormente. ± √ son las bandas que delimitan la zona de significatividad del coeficiente pk . 1). tambi´n se puede interpretar que e tiene una estructura infinita que 2 decrece r´pidamente a partir del retardo con forma c´ a ıclica. q) hay que tener en cuenta que o identificar el modelo a trav´s de las funciones de autocorrelaci´n simple y parcial estimadas no es e o una tarea sencilla.025 = 1. La tarea de identificaci´n ser´ m´s f´cil cuanto mayor o o a a a sea el tama˜o de muestra. n Ejemplo 6. ıa Ahora bien. Es preciso tener en cuenta que. por otro lado.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Bajo la hip´tesis nula el estad´ o ıstico de contraste se distribuye asint´ticamente como o pk ˆ V (ˆk ) p a ∼ N (0. en la fase de estimaci´n y validaci´n. para la serie estacionaria: ıan a) Zt ∼ AR(3) 65 b) Zt ∼ ARM A(2. a |ˆk | ≥ 1. Seg´n esta interpretaci´n. sino de acotar un subconjunto de modelos ARIMA que han podido generar la serie. El gr´fico 5. a ıa ıa Por lo tanto. tambi´n hay que considerar la interpretaci´n e o que se les pueda dar. Adem´s. 1) Se rechaza la H0 de no significatividad del coeficiente de autocorrelaci´n a un nivel de significao ci´n del 5 % si o pk ˆ V (ˆk ) p ≥ N0. o A la hora de interpretar las funciones de autocorrelaci´n estimadas no se debe dar demasiada o importancia a cada detalle que pueda aparecer en los datos.

5 Gr´fico 5.5 −1 0 5 10 15 20 retardo 25 30 35 +− 1.5 66 .5 -1 0 5 10 15 20 retardo 25 30 35 +. a FAC de D Ln(Producción) 1 0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Gr´fico 5. a FAC de Ln(lince) 1 0.8: FAC y FACP estimadas de la serie (1-L) Ln(Produccion).5 FACP de Ln(lince) 1 0.96/T^0.96/T^0.5 0 -0.1.5 0 −0.5 -1 0 5 10 15 20 retardo 25 30 35 +.5 −1 0 5 10 15 20 retardo 25 30 35 +− 1.5 FACP de D Ln(Producción) 1 0.96/T^0.7: FAC y FACP estimadas de la serie Ln(lince).5 0 -0.5 0 −0.96/T^0.1.

An´lisis de Series Temporales: modelos ARIMA a Ejercicio 6. entonces la media del proceso es cero. El estad´ ıstico de contraste es: t = ¯ Z H0 ∼ t(T ∗ − 1) σZ ˆ¯ ¯ donde σZ es el estimador de la varianza de la media muestral Z que viene dado por: ˆ2 ¯ σZ = ˆ2 ¯ C0 (1 + 2ˆ1 + 2ˆ2 + . 67 . La siguiente tabla muestra los estad´ ısticos descriptivos principales de la serie estacionaria Zt = ln(Yt ) que se van a utilizar para contrastar si la media es o no nula.4.8 muestra las funciones de autocorrelaci´n simple y parcial estimadas para la transo formaci´n estacionaria de la serie Producci´n de Tabaco.11) ¯ donde C0 = (Zt − Z)2 /(T −1) es la varianza muestral de la serie estacionaria y (ˆ1 .3. . se incluir´ el a o a par´metro δ en el modelo si: a t > tα/2 (T ∗ − 1) Ejemplo 6. . Si esta constante es cero. por lo tanto. En ocasiones. Zt = ∆ ln(Yt ) = D Ln(Produccion). La figura de la izquierda del gr´fico 5. Inclusi´n del t´rmino independiente o e Recordemos que la media de un proceso ARM A(p. .3 muestra la serie estacionaria Ln(lince) que parece oscilar a en torno a una media diferente de cero. Producci´n de tabaco. para calcular esta varianza. o o Pregunta: ¿Qu´ modelo o modelos ARM A(p. . + 2ˆn ) ρ ρ ρ T∗ (5. se aplica la siguiente aproximaci´n: o σZ = ˆ2 ¯ C0 T∗ Se rechazar´ la H0 : E(zt ) = 0 a un nivel de significaci´n α y. q) estacionario est´ directamente relacionada a con la constante δ. Pieles de Lince. ρ2 . q) propones para la serie estacionaria? e B. . . Para decidir si se incluye un t´rmino independiente no nulo en el modelo. o SARRIKO-ON 4/09 La figura 5. ρn ) ρ ˆ ˆ representan las n primeras autocorrelaciones muestrales significativas de Zt . se contrastar´ si la media de la e a serie estacionaria es o no cero. H0 : E(Zt ) = 0 Ha : E(Zt ) = 0.

1) : Ejercicio 6. 0.025 (180 − 1) ≈ 2 0. 35 + . usando las observaciones 1821 . de curtosis 4. 276)2 (1 + 2 ∗ 0. 192) = 0. (1.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Estad´ ısticos principales. o En la figura derecha del gr´fico 5. 68671 Desv.1933 para la variable Ln(lince) (113 observaciones v´lidas) a Media 6. 13.V. − 2 ∗ 0. 0147324 Desv. 203842 Preguntas: ¿Es preciso incluir un t´rmino independiente en la especificaci´n del modelo? e o Escribe el/los modelos ARM A(p.4. 668913 La distribuci´n del estad´ o ıstico de contraste bajo la hip´tesis nula H0 : E(Zt ) = 0 es: o t = ¯ Z ∼ t(180 − 1) σZ ˆ¯ ¯ Seg´n los estad´ u ısticos principales. Zt = ∆ ln(Yt ) que parece oscilar en torno a cero y la siguiente tabla muestra o los principales estad´ ısticos descriptivos de la misma. 66441 C. 0199342 C.5 se presenta la transformaci´n estacionaria de la serie Proa o ducci´n de Tabaco. de curtosis −0. 66356 Asimetr´ ıa −0. 0095 Se rechaza la H0 : E(Zt ) = 0 para un α del 5 % y se incluye un t´rmino constante en el modelo. 05 > t0. 0. 03192 Exc. 374282 M´ximo a 8. se proponen los dos modelos siguientes para la serie estacionaria: (1) (2) AR(3) : Zt = δ + φ1 Zt−1 + φ2 Zt−2 + φ3 Zt−3 + at Zt = δ + φ1 Zt−1 + φ2 Zt−2 + at + θ at−1 ARM A(2. T´ ıp.V. 94746 . 68 Mediana 0. Z = 6. usando las observaciones 1871 . 1. 66 = 701. 78 + 2 ∗ 0. T´ ıp. 66 y: σZ = ˆ¯ por lo tanto. 85238 Exc. 190462 M´ ınimo 3. 27356 Mediana 6.1984 para la variable D Ln(Produccion) (113 observaciones v´lidas) a Media 0. 711632 M´ximo a 1. e Resumiendo. 8363 M´ ınimo −0. Estad´ ısticos principales. . 565523 Asimetr´ ıa 0.0095 180 t = 6. Serie Producci´n de tabaco. . q) que podr´ ıan haber generado la serie.

at . aT . La condici´n 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. . . aT ) ∝ σ −T ∗ T∗ exp − t=1 a2 t 2 σ2 (5. se necesitan un conjunto de valores iniciales Z0 . Ambos m´todos de estimaci´n se basan en el c´lculo de las innovaciones. θ1 . .13) se han de expresar en o funci´n del conjunto de informaci´n y de los par´metros desconocidos del modelo. . . En este caso.14) de t = p + 1 en adelante.3. . φ1 . . . . a1 . basados en la maximizaci´n de la funci´n de verosimilitud exacta que se obtiene como una combinaci´n de la o o o funci´n de verosimilitud condicionada y la funci´n de densidad no condicionada para los valores o o iniciales. se calculan las innovaciones seg´n la ecuaci´n (5. a2 . Para un o o a modelo ARM A(p. 69 . a1 . . θq ) y 2 σa Estos par´metros se pueden estimar de forma consistente por M´ a ınimos Cuadrados o M´xima a Verosimilitud. Z1 . aq−1 . Los estimadores M´ximo veros´ u o a ımiles condicionados a las p primeras observaciones son iguales a los estimadores M´ ınimos Cuadrados condicionados. φp . q).14) Por lo tanto. . que.12) t t La funci´n de verosimilitud se puede derivar a partir de la funci´n de densidad conjunta de las o o innovaciones.12) y (5. El m´todo de M´ e ınimos Cuadrados minimiza la suma de cuadrados: M in a2 (5.13) Para resolver el problema de estimaci´n.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 5. a e o a partir de los valores de la serie estacionaria. . . . . las ecuaciones (5. a la siguiente etapa consiste en estimar los par´metros desconocidos de dichos modelos: a β = (δ. . . el procedimiento seguido es aproximar las innovaciones imponiendo una serie de a condiciones sobre los valores iniciales. para calcular las innovaciones a partir de un conjunto de informaci´n y de un vector o de par´metros desconocidos. . es como sigue: f (a1 . En la pr´ctica. con lo que se obtienen los denominados estimadores de M´ ınimos Cuadrados Condicionados y M´ximo veros´ a ımiles Condicionados. . . Zp−1 y a a0 . la innovaci´n se puede escribir como: o p q at = Zt − δ − i=1 φi Zt−i − i=1 θi at−i (5. . a2 . . . Estimaci´n o Una vez identificados el/los procesos estoc´sticos que han podido generar la serie temporal Yt . bajo el supuesto de normalidad. . Existen m´todos para obtener estimadores M´ximos veros´ e a ımiles no condicionados.

An´lisis de Series Temporales: modelos ARIMA a En las siguientes tablas se encuentran los resultados de la estimaci´n de los dos modelos proo puestos para la transformaci´n estacionaria Zt = ln(Yt ) = Ln(lince).8595 6.114106 0. 9120 3.27356 −0. 1057 1.0903199 58. 6252 0.0648607 0.68440 1.T. 9064 0. 0397 Frecuencia −0. dependiente D.328985 0.0008 Media de la var.49195 −0.0000 0. 6438 0. 0000 0. 1117 1.5. 6438 0.876 M´dulo o 1.137053 0.7179 −2.106330 0.296583 −92.1380 −3. 0397 Imaginaria −0. 1327 Imaginaria −0.68527 1.0000 0. dependiente D.T.340902 −0. 0983 0.14741 −0.27356 −0.0000 0.0000 0.817975 −0.8649 23.0000 0. t´ ıpica estad´ ıstico t valor p const φ1 φ2 θ1 6. t´ ıpica estad´ ıstico t valor p const φ1 φ2 φ3 6. 5000 0.68671 1. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 0.00562629 0.296613 −92. 0956 0.SARRIKO-ON 4/09 Ejemplo 6.0578566 0. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 0. 6252 0. o Modelo 1: estimaciones ARMA utilizando las 113 observaciones 1821–1933 Variable dependiente: Ln(lince) Coeficiente Desv. 1117 3.0042 Media de la var. 1057 3. 0983 0.4874 −2.5883 12.0982730 62.258269 0. 9120 0.887 M´dulo o 1. 9064 −3. 0000 AR Ra´ ız Ra´ ız Ra´ ız 1 2 3 Modelo 2: estimaciones ARMA utilizando las 113 observaciones 1821–1933 Variable dependiente: Ln(lince) Coeficiente Desv.0129 0.0023 −14. Pieles de lince.3477 6.0902207 0. 0956 0. 0000 70 AR MA Ra´ ız Ra´ ız Ra´ ız 1 2 1 .00587872 0. 1327 Frecuencia −0.68671 1.

30737 T∗ − p − q 110 − 2 − 1 a2 ˆ ∗−p−q T (2) σ 2 = ˆ Por lo que los modelos estimados para la serie de Pieles de lince son: (1) Zt = 3. 34 at−1 ˆ ˆ (0. 07 + 1. 82 1 − φ1 − φ2 → ˆ δ = 6. viene dada por: ´ o σ2 = ˆ Por lo tanto. 82 Zt−2 + at − 0. q): ˆ ˆ const = C = µ = Para la serie de Pieles de lince: ˆ (1) C = µ = 6. 30731 σ 2 = 0. 13) La estimaci´n de la constante dada por Gretl es la media estimada de la serie estacionaria: o • si el modelo estimado es un M A(q): ˆ ˆ ˆ const = C = µ = δ • si el modelo estimado es un AR(p) o ARM A(p. 34 + 0. 30737 (2) Zt = 2. 82 Zt−2 + at − 0. 09) ARM A(2. 68 = ˆ ˆ ˆ δ δ = ˆ ˆ 1 − 1. 1) : ˆ ˆ ˆ Zt = δ + 1. 68 × 0. . la estimaci´n de la varianza del ruido blanco. 26 Zt−3 + at ˆ (0. 13 Por ultimo. 07) (0. 14) (0. 34 Zt−2 − 0. (1) σ 2 = ˆ a2 ˆ 32. 14 Zt−1 − 0. 50 + 0. 08) (0. 10) (0. 09) σ 2 = 0. 68 = ˆ ˆ δ ˆ ˆ ˆ 1 − φ1 − φ2 − φ3 = ˆ δ 1 − 1. 14 + 0. 07) (0. − φp ˆ (2) C = µ = 6. 08) (0. 30731 ∗−p−q T 110 − 3 − 0 32. 13 + 1. 14) (0. 46 = 3. 32 = 2. 50 Zt−1 − 0. 34 Zt−2 − 0. 50 Zt−1 − 0. 14 Zt−1 − 0. 34 at−1 (0. 68 × 0. σ 2 . 26 → ˆ δ = 6. 26 Zt−3 + at ˆ (0. 10) (0. 88891 a2 ˆ = = 0. .An´lisis de Series Temporales: modelos ARIMA a Los modelos estimados son: (1) (2) AR(3) : SARRIKO-ON 4/09 ˆ Zt = δ + 1. 07 ˆ δ ˆ ˆ ˆ 1 − φ1 − φ2 − . 88223 = = 0. 13) 71 .

3906 702.203842 0. dependiente D.0991205 0.0108 0.0000 Media de la var.SARRIKO-ON 4/09 Ejercicio 6.0147324 0.T.203842 0.0013 0.0013 0.0000 0.5. dependiente D.3014 M´dulo o 1. 0000 0. Modelo 1: estimaciones ARIMA utilizando las 113 observaciones 1872–1984 Variable dependiente: (1 − L) Ln(Produccion) Coeficiente Desv. 0000 0.00227119 0. 0000 MA Ra´ ız Ra´ ız 1 2 72 . Zt = ∆ ln(Yt ) = DLn(P roduccion).719692 0.3014 M´dulo o 1.9914 Media de la var.00444005 0. 9871 Frecuencia 0.0270320 43. Producci´n de tabaco.0142527 −0. 3906 702.2119 −11. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 1.720531 0. de la serie Producci´n de o o Tabaco. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 1.7249 0. t´ ıpica estad´ ıstico t valor p const θ1 0.00443753 0.0270321 43.2100 −7.0142529 −0.0147324 0. t´ ıpica estad´ ıstico t valor p const θ1 θ2 0. 0000 MA Ra´ ız 1 Modelo 2: estimaciones ARIMA utilizando las 113 observaciones 1872–1984 Variable dependiente: (1 − L) Ln(Produccion) Coeficiente Desv.2692 0. Pregunta: Escribe los correspondientes modelos estimados.00226524 0.0948359 3.T. 9871 Imaginaria 0.00102293 0. 0000 0. 0000 0. o An´lisis de Series Temporales: modelos ARIMA a En las siguientes tablas se encuentran los resultados de la estimaci´n de varios modelos para o la transformaci´n estacionaria. 3895 Imaginaria 0.0613815 3. 3895 Frecuencia 0.

En el caso m´s general de un ARM A(p.1. para contrastar o la H0 de no significatividad individual de los par´metros se utilizar´ el estad´ a a ıstico t habitual que sigue asint´ticamente una distribuci´n normal: o o t= ˆ βi − 0 ˆ V (βi ) ∼ N (0.4.15) (5. . 5. φ2 . θ1 . . la distribuci´n asint´tica de los estimadores es la siguiente: o o ˆ ˆ βi ∼ N (βi . q) con constante se plantean los siguientes contrastes: a H0 : δ = 0 H0 : φi = 0 H0 : θi = 0 frente a frente a frente a Ha : δ = 0 Ha : φi = 0 Ha : θi = 0 (5. Validaci´n del modelo o En la etapa de validaci´n. a b) Si los residuos del modelo tienen un comportamiento similar a las innovaciones. . se han de realizar los contrastes habituales de significaci´n individual de los o coeficientes AR y M A: β = (δ. . .17) En general.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 5. diagnosis o chequeo se procede a evaluar la adecuaci´n de los modelos o o estimados a los datos. . φ1 . Para ello. si se ha incluido estructura a que no es relevante. An´lisis de coeficientes estimados a En primer lugar. es decir. es decir. si son ruido blanco. φp . V (βi )) ∀i con la varianza dada por la inversa de la matriz de informaci´n.16) (5. . De forma que. se calculan las ra´ del polinomio autorregresivo. es importante comprobar si las condiciones de estacionariedad e invertibilidad se satisfacen para el modelo propuesto. cuando: a o o ˆ βi ˆ V (βi ) > Nα/2 (0. Se tiene en cuenta: a) Si las estimaciones de los coeficientes del modelo son significativas y cumplen las condiciones de estacionariedad e invertibilidad que deben satisfacer los par´metros del modelo. . ıces 73 .4. 1) 2 Por otro lado. 1) Se rechazar´ la hip´tesis nula a un nivel de significaci´n α = 5 %. θq ) para comprobar si el modelo propuesto est´ sobreidentificado.

00334739 theta 1 0. 6. 12 i = 1.025 ≈ 2 Se rechaza H0 : φ1 = 0 para un nivel de significaci´n del 5 %.1)) const 0. 00813977 phi 2 −4. 56654e-05 0. o 74 . 80732e-05 −0. 03| > N0. se analizan los resultados de la o estimaci´n de los modelos 1 y 2 y las matrices de covarianzas siguientes. 14 0. 0109509 0. 00420691 phi 2 5.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a φ(L) = 0 .6. Pieles de lince. 0113060 phi 1 −6. 3 = = |55. o φ1 : ˆ φ1 σφ1 ˆˆ = 1. 0130202 phi 1 2. 68 0. 00815768 const phi 1 phi 2 phi 3 Matriz de covarianzas de los coeficientes (Modelo ARMA(2. Si alguna de estas ra´ o ıces est´ pr´xima a la unidad podr´ indicar falta de estacionariedad y/o invertibilidad. 10 = |12. Ejemplo 6.025 ≈ 2 Se rechaza H0 : C = 0 para un nivel de significaci´n del 5 %. Para realizar los contrastes de diagn´stico sobre los coeficientes. es conveniente tambi´n analizar la matriz de covarianzas entre los par´metros esti´ e a mados con el fin de detectar la posible presencia de una correlaci´n excesivamente alta entre las o estimaciones de los mismos lo que puede ser una indicaci´n de la presencia de factores comunes o en el modelo. 00573862 −0. y las ra´ ıces del polinomio de medias m´viles. 83053e-05 −0. 16782e-05 0. 0108657 0. 0187835 phi 3 5. a o ıa Por ultimo. 87| > N0. 48347e-05 0. a • Contrastes de significatividad individual: H0 : C = 0 Ha : C = 0 C: ˆ C σC ˆˆ . 00965758 const phi 1 phi 2 theta 1 Modelo AR(3). 00318008 0. H0 : φi = 0 Ha : φi = 0 . 00379432 0. o Matriz de covarianzas de los coeficientes (Modelo AR(3)) const 0. θ(L) = 0. 00256617 0. 000117743 −0. 2. An´lisis de los coeficientes.

An´lisis de los coeficientes. • Contrastes de significatividad individual: H0 : C = 0 Ha : C = 0 C: ˆ C σC ˆˆ . φ3 ) ˆ ˆ V (φ1 )V (φ3 ) ˆ ˆ Cov(φ2 . φ2 ) = ˆ ˆ Cov(φ1 . o φ3 : ˆ φ3 σφ3 ˆˆ = −0. φ2 ) ˆ ˆ V (φ1 )V (φ2 ) ˆ ˆ Cov(φ1 . 09 = | − 2. 11 i = 1.025 ≈ 2 Se rechaza H0 : φ3 = 0 para un nivel de significaci´n del 5 %. φ3 ) = ˆ ˆ Corr(φ2 . 26 0. 732 + (−0. φ3 ) ˆ ˆ V (φ2 )V (φ3 ) −0. 009 ∗ 0. 745 0. 87| > N0.1). 02 ∗ 0. 009 −0. 35| > N0. 2 . 666 0. 89 • Las correlaciones entre los coeficientes estimados que muestran la matriz de covarianzas no son muy altas: ˆ ˆ Corr(φ1 . H0 : φi = 0 Ha : φi = 0 . Los m´dulos de las ra´ del polinomio autorregresivo cumplen la condici´n de estacionao ıces o riedad: |L1 | = 1 >1 −0. 67 0.025 ≈ 2 Se rechaza H0 : C = 0 para un nivel de significaci´n del 5 %. H0 : θ = 0 Ha : θ = 0 = = |60. 01 =√ = −0. 009 ∗ 0. 52)2 = 1 >1 0. 34 0. φ3 ) = a Modelo ARMA(2. 01 =√ = −0. 02 0.025 ≈ 2 Se rechaza H0 : φ2 = 0 para un nivel de significaci´n del 5 %. 6. 745 0. 32 |L2 | = |L3 | = 1 0. 009 ˆ ˆ Corr(φ1 . 006 =√ = 0. 14 = | − 2. o 75 . 78| > N0.An´lisis de Series Temporales: modelos ARIMA a φ2 : SARRIKO-ON 4/09 ˆ φ2 σφ2 ˆˆ = −0. o • Estacionariedad del modelo AR(3).

φ2 ) ˆ ˆ V (φ1 )V (φ2 ) ˆ ˆ Cov(φ1 . 51)2 0. θ) . 006 =√ = −0. 5 =√ 0. 1). 671 0. 75 El m´dulo de la ra´ del polinomio medias m´viles cumple la condici´n de invertibilidad: o ız o o |L| = 1 >1 0. Los m´dulos de las ra´ del polinomio autorregresivo cumplen la condici´n de estacionao ıces o riedad: 1 1 |L1 | = |L2 | = >1 = 2 + (−0. 06 = | − 12.025 ≈ 2 Se rechaza H0 : φ1 = 0 para un nivel de significaci´n del 5 %. 62| > N0. 894 0. o θ: ˆ θ σθ ˆˆ = −0. 005 ∗ 0. 50 0. 91 0. o φ2 : ˆ φ2 σφ2 ˆˆ = −0. 016 ˆ ˆ V (φ1 )V (θ) 0. 004 ∗ 0. 13 = | − 2. 004 ˆ ˆ Corr(φ1 . ˆ ˆ Corr(φ1 . θ) = −0. θ) −0. 34 0. 016 ˆ ˆ V (φ2 )V (θ) 76 ˆ ˆ Corr(φ2 .025 ≈ 2 Se rechaza H0 : θ = 0 para un nivel de significaci´n del 5 %. 005 ∗ 0. 004 =√ = −0. 70| > N0. θ) = ˆ ˆ Cov(φ2 .025 ≈ 2 Se rechaza H0 : φ2 = 0 para un nivel de significaci´n del 5 %. φ2 ) = ˆ ˆ Cov(φ1 . 87| > N0. 004 = 0. 34 • Las correlaciones entre los coeficientes estimados que se recogen en la matriz de covarianzas no son muy altas. 82 0. 07 An´lisis de Series Temporales: modelos ARIMA a = |20.SARRIKO-ON 4/09 φ1 : ˆ φ1 σφ1 ˆˆ = 1. o • Estacionariedad e invertibilidad del modelo ARM A(2.

An´lisis de residuos. El estad´ ıstico de contraste se distribuye bajo la hip´tesis nula como sigue: o t = √ T ¯ a ˆ C0 (ˆ) a a ∼ N (0. suponemos que EZt = 0) Φp (L) Zt = Θq (L) at es correcto. a o concluiremos que la varianza de at permanece constante. se a pueden llevar a cabo: • Contrastes de significatividad individual sobre los coeficientes de autocorrelaci´n:. ˆ a No se rechaza la hip´tesis nula al nivel de significaci´n del 5 % si |t| ≤ 1. si su media es cero. a) Para comprobar si la media es cero.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 5. Los residuos del modelo Θq (L) at = Φp (L) Θq (L) Zt (5. respectivamente. representando los residuos a a a lo largo del tiempo y observando si los valores oscilan alrededor de cero.96. Adem´s se puede llevar a cabo el siguiente contraste de hip´tesis: a o H0 : E(at ) = 0 Ha : E(at ) = 0. se realiza un an´lisis gr´fico. o o b) Varianza constante.4.18) Φp (L) Zt es un proceso ruido blanco. la media y la varianza muestrales de los residuos. a Si el modelo ARM A(p. 1 T∗ . c) Ausencia de correlaci´n serial.20) ¯ donde a y C0 (ˆ) son. los coeficientes de la FAC y FACP muestrales deben ser pr´cticamente nulos para todos los retardos.2. 1) (5. su varianza constante y las autocorrelaciones nulas. El an´lisis de residuos consiste en una serie de contrastes de diagn´stico a o con el objetivo de determinar si los residuos replican el comportamiento de un ruido blanco. Para comprobarlo.19) son estimaciones de at . o Si los residuos se comportaran como un ruido blanco. se tiene que o a ρk (a) ∼ N ˆ 77 0. o H0 : ρk (a) = 0 Ha : ρk (a) = 0 Bajo la hip´tesis nula. es decir. Si en el gr´fico de los residuos la dispersi´n de los mismos es constante. entonces at = estimado (5. q) elegido para la serie estacionaria Zt (por simplicidad.

a ∼ χ2 (M − p − q) (5. . 99. que la pr´ctica totalidad de los coeficientes de autocorrelaci´n a o 78 .05 En este caso. a ıa d) Contraste de normalidad. El gr´fico 5. . para un nivel de signio o ficaci´n del 5 %.21) Se rechaza la hip´tesis nula de ausencia de correlaci´n serial. es decir. . o o H0 : ρ1 (a) = ρ2 (a) = . existir´ correlaci´n serial en los residuos del modelo por lo que se ıa o concluye que el modelo no ha sido capaz de reproducir el patr´n de comportamiento o sistem´tico de la serie y habr´ que reformularlo.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Se dir´ que at es un ruido blanco si los coeficientes de autocorrelaci´n estimados est´n a o a dentro del intervalo de no significaci´n. que se define: a JB = T∗ − p − q 6 1 Asimetria2 + (Kurtosis − 3)2 4 y que bajo la hip´tesis nula de normalidad se distribuye asint´ticamente como χ2 (2). .9 muestra el gr´fico y el correlograma de los residuos para cada uno de los modelos a a propuestos y estimados para esta serie. para valores grandes del estad´ o ıstico. si o 2 |ˆk (a)| ≤ √ ρ T∗ para todo k o al menos para el 95 % de los coeficientes estimados. o o Ejemplo 6. e En lo que se refiere al correlograma de los residuos. . M . para k = 1.7. es decir. El estad´ ıstico m´s utilizado es el de Jarque-Bera. o u El estad´ ıstico m´s utilizado para contrastar esta hip´tesis es el propuesto por Ljunga o Box(1978): M Q (M ) = T (T + 2) k=1 ∗ ∗ ∗ ρ2 (a) ˆk T∗ − k H0 . Pieles de Lince. si Q∗ (M ) > χ2 (M − p − q) 0. tambi´n en los correlogramas de los residuos e de los dos modelos se observa. siendo la hip´tesis nula. . Se o o rechaza la hip´tesis nula de normalidad al nivel de significaci´n del 5 % si JB > 5. = ρM (a) = 0 y la hip´tesis alternativa que alg´n coeficiente ρk sea no nulo. • Otra alternativa es realizar un contraste de significatividad sobre un conjunto de coeficientes de autocorrelaci´n. Se puede observar que el gr´fico de los residuos de los dos modelos propuestos y estimados es a muy similar y oscila en torno a cero con una varianza bastante homog´nea.

a 0 Las0 siguientes tablas muestran los estad´ ısticos descriptivos principales de los residuos de los dos modelos estimados para esta series.5 +. 7580 Asimetr´ ıa −0.5 0 -0. 94.5 -1. a o Modelo AR(3) 2 2 1. sobre todo1.5 -2 -2 1820 1840 1860 1880 1900 1920 FAC de los residuos 1 0.5 FAC de los residuos 1 0.1.5 Modelo ARMA(2.9: Ln(pieles de lince). 98. 128958 M´ximo a 1.1) 1 1 0. 00562629 Desv. 6175 M´ ınimo −1. de curtosis 1. usando las observaciones 1821 .V.5 0 -0.1.5 -1 0 5 10 15 20 retardo 25 30 35 +.1.5 Residuo 0 Residuo 1820 1840 1860 1880 1900 1920 0 -0.5 -1 0 5 10 15 20 retardo 25 30 35 +.5 -0. 87878 Exc.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 5.5 -1 -1 -1.5 -0.5 -1 0 5 10 Estad´ 20 principales.5 0. 00587872 Desv.5 retardos m´s bajos. 203604 79 M´ximo a 1. 0.96/T^0. 78708 Exc. Contrastes de diagn´stico.los simple estimados se encuentran dentro de las bandas de no significaci´n.5 de los o 0.20 1933 15 ısticos 25 30 35 0 5 10 15 retardo para retardovariable uhat1 (113 observaciones v´lidas) AR(3) la a Media −0. 0845680 C. 8127 Asimetr´ ıa −0.96/T^0. 554805 Mediana 0.5 1.5 0. 554851 Mediana 0. 00983 -1 25 30 35 Estad´ ısticos principales.96/T^0. T´ ıp.V.5 FACP de los residuos 1 FACP de los residuos 1 +. usando las observaciones 1821 . T´ ıp. -0. 871798 .1) a Media −0.1933 para la variable uhat2 (113 observaciones v´lidas) ARMA(2. de curtosis 0. 3750 M´ ınimo −1. 0931793 C.96/T^0. 0.

00227119 Desv.05 Q(36) = 51. 73. 00226524 Desv. 99 0. T´ ıp.V. 99 0. 00881448 C. 05 < χ2 (2) = 5.05 Modelo ARM A(2.1984 para la variable uhat1 (113 observaciones v´lidas) MA(1) a Media 0. 550058 Asimetr´ ıa −0. 0241193 M´ximo a 0. o o En lo que se refiere al contraste de Jarque-Bera de Normalidad. 0. 166397 Mediana 0. 650369 Exc. 30 0. de curtosis 2. 550063 Asimetr´ ıa −0. 649804 Exc. 30 0. usando las observaciones 1871 .05 Q(36) = 54.V. 71 < χ2 (2) = 5. 70 < χ2 (33) = 57. 0253168 M´ximo a 0. 36 < 57. 30 0. o Estos son los resultados de estimar dos modelos para la serie Ln(Produccion).05 No se rechaza H0 Modelo ARM A(2. de curtosis 2.05 Por lo que no se rechaza la hip´tesis nula de que los coeficientes de autocorrelaci´n son cero. 73. 1) Q(15) = 21. 14227 80 . 00864620 C. Producci´n de tabaco.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a El estad´ ıstico de Box-Ljung proporciona los siguientes resultados: Modelo AR(3) Q(15) = 22.05 No se rechaza H0 Ambos modelos propuestos satisfacen los contrastes de diagn´stico por lo que ambos recogen la o estructura de la serie Pieles de Lince Ejercicio 6. T´ ıp. 67 0. Estad´ ısticos principales. 0.1984 para la variable uhat2 (113 observaciones v´lidas) MA(2) a Media 0. 42 < χ2 (12) = 28. 14855 Estad´ ısticos principales. 2644 M´ ınimo −0. 166395 Mediana 0. 67χ2 (33) = 28. se tiene que: Modelo AR(3) JB = 4. 1) JB = 4. 51 < χ2 (12) = 28. usando las observaciones 1871 . 4557 M´ ınimo −0.6.

59 +. 90397e-06 0.2 residuo residuo 0 0.96/T^0. 50197e-06 −0.5 -1 0 5 10 Normalidad: JB = 2.1.6 0. -1 15 20 retardo 25 const 30 1.4 −0.5 0 -0.1.59 Autocorrelaci´n: Q(15) = 10. 145 ˆˆ Normalidad: JB = 2.4 0.6 0. 96917e-05 1 6.6 1880 1900 1920 1940 1960 1980 FAC de los residuos 1 0. 00376769 35theta 0 5 10 15 const theta 1 20 retardo 25 30 35 Matriz de covarianzas de los coeficientes (Modelo MA(2)).8 0.An´lisis de Series Temporales: modelos ARIMA a Modelo ARIMA(0.1.1.86 o 0 -0.5 0 -0.2 −0. 97140e-05 theta 1 1.5 FACP de los residuos ¯ a = −0.4 −0.1.5 Q(36) = 18.49 +. 0025 de los residuos t = 0.5 -1 0 5 10 15 20 retardo 25 30 35 +.96/T^0.8 SARRIKO-ON 4/09 Modelo ARIMA(0.86 o Q(36) = 18.2 −0. 00982488 theta 2 −1.5 1 0.5 1 0.2 0 −0.5 15 20 retardo 25 30 35 FACP ¯ a = −0.1. 00899385 const theta 1 theta 2 Pregunta: ¿Qu´ modelo de los dos propuestos seleccionar´ para la serie Produce ıas ci´n de tabaco? o 81 .5 Autocorrelaci´n: Q(15) = 10.5 -1 0 5 10 FAC de los residuos +. 0028 ˆ σat = 0. 00737726 0. 82024e-07 0.6 1880 1900 1920 1940 1960 1980 −0.5 0 -0.96/T^0.58 Matriz de covarianzas de los coeficientes (Modelo MA(1)). 145 ˆ σa ˆˆ 1 0.4 0.1) Residuos de la regresión (= L_Produccion observada − estimada) 0.2) Residuos de la regresión (= L_Produccion observada − estimada) 0.96/T^0. const 1.

Datos.4: Pieles de lince (1821-1930) A˜o 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 A˜o 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 A˜o 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 A˜o 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 A˜o 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 A˜o 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 . e An´lisis de Series Temporales: modelos ARIMA a Cuadro 5.SARRIKO-ON 4/09 Ap´ndice A.

An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Cuadro 5.5: Produccion de tabaco (1872-1984) A˜o 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 A˜o 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 A˜o 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 A˜o 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 A˜o 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 A˜o 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 .

00 Por ejemplo. Contraste de Dickey-Fuller e An´lisis de Series Temporales: modelos ARIMA a Tablas de valores cr´ ıticos del estad´ ıstico de Dickey-Fuller Modelo sin constante T 0.2.88 -2.23 Nivel de significaci´n α o 0.24 .95 -1.95 -1.05 -3.07 -0.2.26 .03 -0.89 0.95 -1.9 -0.29 1. 66) = 0. 84 .29 0. 01.95 1.62 0.58 0.2.51 -3.2.05 -0.025 .24 .3.00 -0.12 Nivel de significaci´n α o 0.66 0.95 -1.95 0.06 -0.28 0.9 0.33 1.58 -2.95 -1.91 0.62 1.60 -1.89 0.63 1.62 -2.33 .3.44 0.3.3.25 .975 0.44 -3.025 .24 0.58 -3.10 -1.29 1.62 0.93 -2.975 1.SARRIKO-ON 4/09 Ap´ndice B.01 2.31 1.90 0.89 0.62 0.00 2.66 -2.89 -2.87 -2. para un tama˜o de muestra T = 25 y α = 0.2.01 25 50 100 250 500 ∞ -2.3.75 -3. Modelo con constante T 0.57 -2.72 0. se tiene que n P rob(t < −2.61 0.01 25 50 100 250 500 ∞ -3.99 2.28 1.46 -3.07 0.37 -0.61 -1. 75) = 0.3.43 0.57 0.34 0.42 -0.03 2.2. 01.63 0. para un tama˜o de muestra T = 25 y α = 0.23 .60 -2.64 1.10 -2.95 0.23 0. 01.58 -2.57 -2.62 -1.58 -2.60 -2.14 .00 -2.62 -1.16 2.13 .08 2.66 1.92 0.22 . se tiene que n P rob(tc < −3.05 -1.26 0.17 .70 1. 01.99 0.63 -2.24 0.40 -0.86 0.43 -0.60 Por ejemplo.42 -0.61 -1.

} (6. es de esperar que el n´mero real de e u ocupaados estar´ fuera de los intervalos construidos solo en un 5 % de los casos. para t = 0 hasta t = T . YT −2 . entonces o se predice el valor de YT +3 y se calcula la predicci´n tres periodos hacia adelante. YT −2 . . Para e predecir una variable aleatoria. en general. Un objetivo menos ambicioso o ser´ dise˜ar unos intervalos de confianza alrededor del valor YT + . Si = 1.000”. Si el m´todo de predicci´n es bueno y si e o pudi´ramos hacer un secuencia de predicciones de este tipo. que nos permitan decir que ıa n prob(B < YT + ≤ A) = 0. .000 con una probabilidad de 0. donde T es la ultima observaci´n de que disponemos. Un ejemplo de la predicci´n por intervalo. Si = 3. etc. que implica simplemente asignar un valor o o a YT + que de alguna manera represente a toda la distribuci´n de valores. Es interesante distinguir entre predicci´n por intervalo que conlleva la construcci´n de estos o o intervalos de predicci´n y la predicci´n por punto. Estos valores A y B permiten poner unos l´ ımites al valor que se quiere predecir con un grado de confianza de estar en lo cierto suficientemente alto. 42. entonces se predice el valor de YT +1 y se calcula lo que se denomina predicci´n un periodo hacia adelante. Ahora bien. 95 . ser´ decir: o ıa “ se predice un n´mero de ocupados en el sector industrial el primer trimestre de 2010 entre u 100. A la predicci´n de YT + con informaci´n o o hasta el momento T la vamos a denotar por YT ( ).Cap´ ıtulo 6 Predicci´n ´ptima con modelos o o ARIMA(p.1) Supongamos que se observa una serie temporal denotada por Yt . es tambi´n una variable aleatoria. ıa 85 . d. La predicci´n de series temporales supone decir ´ o o algo sobre el valor que tomar´ la serie en momentos futuros T + . o Como estamos considerando que la serie temporal es una realizaci´n de un proceso estoc´stico o a estacionario. q) El objetivo es obtener predicciones ´ptimas de Yt en alg´n momento futuro basadas en un o u conjunto de informaci´n dado que en el caso del an´lisis de series temporales univariante esta o a formado por el pasado disponible de la serie temporal IT = {YT . donde representa el n´mero a u de periodos en el futuro que estamos considerando. . YT + .000 y 140. va a ser muy dif´ determinar completamente la forma de la funci´n de densidad sin hacer supuestos ıcil o muy fuertes y poco realistas sobre la forma de esta funci´n. una o predicci´n por punto ser´ afirmar que “se predice un n´mero de ocupados en el sector industrial o ıa u el primer trimestre de 2010 de 120. se deber´ predecir su funci´n de distribuci´n y as´ poder hacer ıa o o ı afirmaciones tales como: prob(163 < YT + ≤ 190) = 0. YT −1 .95”. el valor que se quiere predecir. Por ejemplo.

1). o Pero si el proceso sigue una distribuci´n normal. o La predicci´n ´ptima por intervalo se construir´ a partir de la distribuci´n del error de predicci´n o o a o o que. . se puede demostrar que la esperanza condicioo nada se puede expresar como una funci´n lineal del conjunto de informaci´n.+ψ −1 aT +1 + ψ aT + ψ +1 aT −1 +ψ +2 aT −2 +.. por lo que diremos que YT ( ) es un predictor ´ptimo si minimiza el o o ECMP. YT + viene dado por: YT + = aT + + ψ1 aT + −1 + ψ2 aT + −2 +. M A(∞) y el conjunto de informaci´n dado por (6. es decir. el predictor ´ptimo en el sentido de minimizar el ECMP es o lineal. σ 2 ) . Si no se cumple este supuesto. si cumple que: ∗ E[YT + − YT ( )]2 ≤ E[YT + − YT ( )]2 ∗ ∀ YT ( ) Se puede demostrar que. . Para la representaci´n medias m´viles o o o general. por el valor esperado de la distribuci´n de YT ( ) condicionada la informaci´n disponible. Por lo tanto. bajo el supuesto de que at ∼ RBN (0.. 1) De forma que el intervalo de predicci´n de probabilidad (1 − α) % es: o YT ( ) − Nα/2 V (eT ( )).. es la siguiente: eT ( ) = YT + − YT ( ) ∼ N (0..1.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Por predictor ´ptimo (o predicci´n ´ptima) se denomina a ´quel que es la mejor en el sentido de o o o a que minimiza una determinada funci´n de p´rdida.] = ET [YT + ] es decir. V (eT ( ))) Tipificando se obtiene: YT + − YT ( ) − 0 V (eT ( )) ∼ N (0. o La estrategia de predicci´n se va a basar en escribir el valor que se desea predecir. YT + .2). . YT −2 . la proyecci´n lineal de YT + en su pasado proporcionar´ o ıa el predictor ´ptimo dentro de la clase de predictores lineales. el predictor por punto e o ´ptimo viene dado por la esperanza condicionada al conjunto de informaci´n: o YT ( ) = E[YT + |IT ] = E[YT + |YT . Predicci´n con modelos estacionarios o Consideremos el modelo lineal general (3. Tomando la esperanza condicionada al conjunto de informaci´n. Lo m´s usual es minimizar el Error Cuadr´tio e a a co Medio de Predicci´n. YT −1 .. IT . o o bajo el supuesto de normalidad. YT ( ) + Nα/2 V (eT ( )) 6.. se obtiene: o YT ( ) = ET [YT + ] = ψ aT + ψ +1 aT −1 +ψ +2 aT −2 +ψ +3 aT −3 + . o o Nada garantiza que esta esperanza condicionada sea una funci´n lineal del pasado de la serie. tal o y como se genera en funci´n del modelo para luego obtener la predicci´n ´ptima calculando o o o la esperanza condicionada al conjunto de informaci´n. YT −3 . 86 . bajo condiciones de regularidad muy d´biles.

− − (ψ1 aT + ψ2 aT −1 + ψ3 aT −3 + . eT ( ) = YT + − YT ( ) = aT + + ψ1 aT + + ψ aT + ψ +1 aT −1 +1 aT −1 −1 −1 + ψ2 aT + −2 + . a Los errores de predicci´n son: o eT (1) = YT +1 − YT (1) = aT +1 + ψ1 aT + ψ2 aT −1 + ψ3 aT −2 + . a la perturbaci´n at = Yt − P S t est´ determinada. + ψ −1 aT +1 + +ψ +2 aT −2 +2 aT −2 −2 + . + ψ 2−1 ) σ 2 = σ 87 . + ψ 2 −1 aT +1 ] = (6. con valor medio cero: ET (eT ( )) = ET [aT + + ψ1 aT + −1 + ψ2 aT + −2 + . se o o o conoce el verdadero valor de Yt . ..) = aT +1 eT (2) = YT +2 − YT (2) = aT +2 + ψ1 aT +1 + ψ2 aT + ψ3 aT −1 + .2) + 2 ψ2 + . dado IT . cero. es fija. . + ψ −1 aT +1 Los errores de predicci´n son una combinaci´n lineal de las perturbaciones futuras aT + . entonces la innovaci´n at no est´ determinada por el conjunto de informaci´n.) = aT +2 + ψ1 aT +1 . . ....... 2. .. no se conoce el verdadero o a valor de Yt .) = = aT + + ψ1 aT + + ψ2 aT + + .. . .. Si.. = . . es decir.. dado el conjunto de informaci´n IT . . . − − (ψ2 aT + ψ3 aT −1 + ψ4 aT −2 + ....... con o a o lo que su media condicionada ser´ la misma que su media no condicionada. = . + ψ −1 aT +1 ] = 0 La varianza del error de predicci´n o Error Cuadr´tico Medio de Predicci´n viene dado por: o a o VT (eT (1)) = ET [eT (1)]2 = ET [aT +1 ]2 = σ 2 2 VT (eT (2)) = ET [eT (2)]2 = ET [aT +2 + ψ1 aT +1 ]2 = (1 + ψ1 ) σ 2 . V (eT ( )) = ET [eT ( )]2 = ET [aT + + ψ1 aT + = (1 + 2 ψ1 −1 2 i=0 + ψ2 aT + −1 2 ψi −2 + . − +ψ +3 aT −3 − (ψ aT + ψ +ψ + .. . = o o 1. como la parte sistem´tica se puede predecir mediante el modelo.. . .An´lisis de Series Temporales: modelos ARIMA a dado que: ET (aT +j ) = aT +j E(aT +j ) = 0 j≤0 j>0 SARRIKO-ON 4/09 La perturbaci´n at es la innovaci´n en el momento t. Si.

o Si el proceso ruido blanco sigue una distribuci´n normal. V (eT ( ))] Por lo que el intervalo de predicci´n de probabilidad (1 − α) % es: o YT +1 : YT +2 : . . . √ σ2 2 σ 2 (1 + ψ1 ) 2 σ 2 (1 + ψ1 ) YT (2) + Nα/2 −1 2 ψi −1  2 ψi  . es la varianza del error de predicci´n un periodo hacia adelante. se tiene que: o eT ( ) = YT + − YT ( ) ∼ N [0. sino que tiene una cota m´xima finita. si el proceso es estacionario se cumple que: ∞ 2 ψi < ∞ i=1 por lo que esta varianza no crece indefinidamente. a Se puede observar que la perturbaci´n o innovaci´n at y su varianza σ 2 tienen una nueva o o interpretaci´n: o . σ 2 ) t = 1. el M A(2) de media cero: o Yt = at − θ1 at−1 − θ2 at−2 La funci´n de predicci´n es: o o YT +1 = aT +1 − θ1 aT − θ2 aT −1 YT (1) = ET [YT +1 ] = ET [aT +1 − θ1 aT − θ2 aT −1 ] = − θ1 aT − θ2 aT −1 YT +2 = aT +2 − θ1 aT +1 − θ2 aT YT (2) = ET [YT +2 ] = ET [aT +2 − θ1 aT +1 − θ2 aT ] = − θ2 aT −1 88 at ∼ RBN (0. o .  YT ( ) − Nα/2 σ2 i=0 √ σ2 . . . YT (1) + Nα/2 . Predicci´n con modelos MA(q). .1. YT + : YT (1) − Nα/2 YT (2) − Nα/2 .V (at ) = σ 2 . . .at = Yt − Yt−1 (1) . Ahora bien. por ejemplo. YT ( ) + Nα/2 σ2 i=0 6. 2.1.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Como se puede observar la varianza del error de predicci´n va creciendo conforme nos alejamos o en el futuro. . o Comencemos por un modelo de medias m´viles sencillo. es el error de predicci´n un periodo hacia adelante.

. . . + θq−1 ) σ 2      V (e ( )) = (1 + θ2 + θ2 + .An´lisis de Series Temporales: modelos ARIMA a YT +3 = aT +3 − θ1 aT +2 − θ2 aT +1 SARRIKO-ON 4/09 YT (3) = ET [YT +3 ] = ET [aT +3 − θ1 aT +2 − θ2 aT +1 ] = 0 YT ( ) = ET [YT + ] = 0 (= E(Yt )) ∀ > 2 Por lo tanto. o o Estos resultados se pueden generalizar f´cilmente para el modelo M A(q): a Yt = at − θ1 at−1 − θ2 at−2 − . luego a partir de = q . aT −1 . = 1. . 2 . Se puede concluir que para un modelo M A(q) las predicciones para los q primeros horizontes de predicci´n. o o o para = 1. . tiene una cota m´xima que viene dada por la varianza no condicionada del proceso y que o a se alcanza para = q. ∀i > q: o o   V (eT (1)) = σ2     2  V (eT (2)) = (1 + θ1 ) σ 2    . . . Como el modelo M A(2) est´ escrito directamente en forma medias m´viles. . + θ2 ) σ 2 (= V (Y )) = q + 1. . la predicci´n ´ptima viene dada por la media del proceso. q y ψi = 0. q + 2. σ 2 ) t = 1. . .. . la funci´n de predicci´n de un M A(2). 2.. i = 1. . . .. depende del conjunto de informaci´n. 2. se obtiene la varianza a o del error de predicci´n aplicando la expresi´n (6. . . − θq aT +1−q − θ2 aT − θ3 aT −2 − . . A partir de > 2 . se obtienen los mismos o resultados que sin condicionar. dependen del conjunto de informaci´n a trav´s de los errores de o o e predicci´n un periodo hacia adelante aT . . . − θq aT +2−q . . . 2. YT (q) = YT ( ) = − θ1 aT − θ2 aT −1 − .. IT . . .2) con ψi = θi . q . el horizonte de predico o ci´n. 89 . . A partir de = q . . . . aT +1−q . − θq at−q La funci´n de predicci´n es: o o          YT ( ) =         at ∼ RBN (0. con lo que se mejora la predicci´n o o respecto de la media no condicionada del proceso porque se predice con una varianza del error de predicci´n menor que la varianza no condicionada del proceso. IT ya no es informativo. condicionando al conjunto de informaci´n. . − θq aT 0 ∀ = q + 1. . ... Esto significa que. YT (1) = YT (2) = . V (eT ( )) =    2 2 2  V (eT (q)) = (1 + θ1 + θ2 + . el conjunto o de informaci´n no aporta nada a la predicci´n porque las predicciones ´ptimas son la media no o o o condicionada del proceso y la varianza del error de predicci´n es la varianza no condicionada del o proceso. q + 2. t T q 1 2 Aunque la varianza del error de predicci´n es una funci´n creciente de . .. .

dado que: ET (YT +j ) = YT +j E(YT (j)) 90 j≤0 j>0 = 1.. . 2. . − θq aT +2−q ± Nα/2 . a Yt = φ Yt−1 + at La funci´n de predicci´n es: o o YT +1 = φ YT + aT +1 YT (1) = ET [YT +1 ] = ET [φ YT + aT +1 ] = φ YT YT +2 = φ YT +1 + aT +2 YT (2) = ET [YT +2 ] = ET [φ YT +1 + aT +2 ] = φ ET [YT +1 ] = φ YT (1) YT +3 = φ YT +2 + aT +3 YT (3) = ET [YT +3 ] = ET [φ YT +2 + aT +3 ] = φ ET [YT +2 ] = φ YT (2) De forma que la funci´n de predicci´n es: o o YT ( ) = φ YT ( ). . + θq−1 + θq ) = ±Nα/2 V (Yt ) 6. + θq−1 ) √ σ2 2 σ 2 (1 + θ1 ) 2 2 2 σ 2 (1 + θ1 + . . .1. + θq−1 + θq ) La amplitud de los intervalos de predicci´n va creciendo con . − θq aT ± Nα/2 0 ± Nα/2 2 2 σ 2 (1 + θ1 + . 2. . el AR(1).SARRIKO-ON 4/09 La predicci´n por intervalo viene dada por: o =1 =2 .. . σ 2 ) t = 1. 3. . − θq aT +1−q ± Nα/2 − θ2 aT − θ3 aT −2 − .2... Predicci´n con modelos AR(p) o Consideremos el modelo autorregresivo m´s sencillo. .3) at ∼ RBN (0. . =q >q An´lisis de Series Temporales: modelos ARIMA a − θ1 aT − θ2 aT −1 − . . . (6. . . . . . con el l´ o ımite impuesto por ± Nα/2 2 2 2 σ 2 (1 + θ1 + .

. . ) at → Yt = at + φ at−1 + φ2 at−2 + φ3 at−3 + . . Por lo que la varianza del error de predicci´n se obtiene aplicando la f´rmula general (6. 3.3) recoge una regla de cadena para obtener las predicciones de un o o proceso autorregresivo unas en funci´n de las otras hasta un futuro indefinido. . ∀i : ψ1 = φ  σ2  V (eT (1)) =     V (e (2)) =  (1 + φ2 ) σ 2  T   V (eT (3)) = (1 + φ2 + (φ2 )2 ) σ 2 V (eT ( )) =    V (e (4)) = (1 + φ2 + (φ2 )2 + (φ3 )2 ) σ 2  T      V (eT ( )) = (1 + φ2 + (φ2 )2 + .An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 La funci´n de predicci´n (6. o o Para ello es preciso partir del modelo escrito en forma medias m´viles. esta varianza no crece indefinidamente sino que tiene una cota superior dada por la varianza no condicionada del proceso: l´ V (eT ( )) = l´ σ 2 ım ım →∞ →∞ 1 + φ2 + (φ2 )2 + . . + (φ 91 −1 2 ) = σ2 = V (Yt ) 1 − φ2 . . se ha de obtener la varianza del error de predicci´n. . 2. . |φ| < 1. . La trayectoria o de la funci´n de predicci´n depende de la estructura de la parte autorregresiva: o o YT (1) = φ YT YT (2) = φ YT (1) = φ φ YT = φ2 YT YT (3) = φ YT (2) = φ φ2 YT = φ3 YT YT (4) = φ YT (3) = φ φ3 YT = φ4 YT YT ( ) = φ YT = 1. + (φ −1 )2 ) σ 2 La varianza del error de predicci´n es monotonamente creciente conforme nos alejamos en el o futuro. . Como el proceso es estacionario.2) con o o i . y por lo tanto cuando nos alejamos en el futuro la funci´n de predicci´n tiende hacia la media no condicionada del proceso: o o l´ YT ( ) = 0 ( = E(Yt )) ım →∞ Para construir los intervalos de predicci´n. Como el proceso autorregresivo es estacionario. En el caso del AR(1): o (1 − φ L) Yt = at → Yt = 1 at 1 − φL → Yt = (1 + φ L + φ2 L2 + φ3 L3 + . .

o Consideremos un modelo ARM A(p. σ 2 (1 + φ2 ) σ 2 (1 + φ2 + (φ2 )2 ) φ YT ( − 1) ± Nα/2 σ 2 (1 + φ2 + (φ2 )2 + .3. . + φp YT ( − p). 2. . 2. q) sencillo. . . con el l´ o ımite impuesto por σ2 = ±Nα/2 1 − φ2 ±Nα/2 V (Yt ) Los resultados obtenidos para el modelo AR(1) se pueden extender para el modelo AR(p). φ YT ± Nα/2 √ σ2 An´lisis de Series Temporales: modelos ARIMA a φ YT (1) ± Nα/2 φ YT (2) ± Nα/2 .. y el resto se obtienen a partir de las p primeras. En el caso de un autorregresivo de orden p autorregresivo de orden p. + (φ −1 )2 ) La amplitud de los intervalos de predicci´n va creciendo con . las funciones de predicci´n de procesos autorregresivos puros. .. 2. ..q). . = 1. 2): Yt = δ + φ Yt−1 + at − θ1 at−1 − θ2 at−2 La media de este proceso no es cero si δ = 0 : E(Yt ) = 92 δ 1−φ at ∼ RBN (0. . La funci´n de predicci´n de un proceso AR(1) utiliza la ultima observaci´n YT para obtener o o ´ o la predicci´n un periodo hacia adelante y luego. σ 2 ) t = 1. 3.SARRIKO-ON 4/09 La predicci´n por intervalo es: o =1 =2 =3 . En general. se obtendr´n a partir de o a reglas de cadena: YT ( ) = φ1 YT ( − 1) + φ2 YT ( − 2) + φ3 YT ( − 3) + . Predicci´n con modelos ARMA(p. . a partir de ´sta. .1. se obtienen el resto de las o e predicciones.4) . (6. . . . el ARM A(1. p. . 6.. se utilizar´n a las p ultimas observaciones para obtener las predicciones para ´ = 1.

... 1) es estacionario. . Las dos primeras predicciones dependen o o de la ultima observaci´n YT (parte autorregresiva) y de los ultimos errores de predicci´n un ´ o ´ o periodo hacia adelante aT y aT −1 (parte medias m´viles). y cada predicci´n se va obteniendo de o o o las anteriores siguiendo una regla en cadena marcada por la parte autorregresiva. las predicciones por intervalo.) at 1 − φL 93 . . −3 YT ( ) = δ + φ YT ( − 1) = δ(1 + φ + φ2 + . .. o se deriva la representaci´n medias m´viles infinita: o o (1 − φL) Yt = (1 − θ1 L − θ2 L2 ) at → Yt = 1 − θ1 L − θ2 L2 at = (1 + ψ1 L + ψ2 L2 + ψ3 L3 + . . Para > 2. + φ )+φ −2 YT (2) de forma que como el modelo ARM A(2. Esta funci´n o se va acercando a la media del proceso conforme nos alejamos en el futuro: YT (3) = δ + φ YT (2) YT (4) = δ + φ YT (3) = δ + φ (δ + φ YT (2)) = δ(1 + φ) + φ2 YT (2) YT (5) = δ + φ YT (4) = δ + φ (δ(1 + φ) + φ2 YT (2)) = δ(1 + φ + φ2 ) + φ3 YT (2) . . la parte medias m´viles o o no aparece de forma expl´ ıcita en la funci´n de predicci´n. |φ| < 1 y: −3 l´ YT ( ) = δ ım →∞ i=0 φi = δ ( = E(Yt )) 1−φ Para obtener la varianza del error de predicci´n y. por lo tanto.An´lisis de Series Temporales: modelos ARIMA a Las predicciones por punto son: YT +1 = δ + φ YT + aT +1 − θ1 aT − θ2 aT −1 SARRIKO-ON 4/09 YT (1) = ET [YT +1 ] = ET [δ + φ YT + aT +1 − θ1 aT − θ2 aT −1 ] = = δ + φ YT − θ1 aT − θ2 aT −1 YT +2 = δ + φ YT +1 + aT +2 − θ1 aT +1 − θ2 aT YT (2) = ET [YT +2 ] = ET [δ + φ YT +1 + aT +2 − θ1 aT +1 − θ2 aT ] = = δ + φ YT (1) − θ2 aT YT +3 = δ + φ YT +2 + aT +3 − θ1 aT +2 − θ2 aT +1 YT (3) = ET [YT +3 ] = ET [δ + φ YT +2 + aT +3 − θ1 aT +2 − θ2 aT +1 ] = = δ + φ YT (2) → YT ( ) = ET [YT + ] = δ + φ YT ( − 1) ∀ > 2 La estructura de la funci´n de predicci´n es la siguiente.

T donde at son los residuos del modelo. en el caso del modelo (6.. Como el proceso ARM A(1. la amplitud de los intervalos ir´ creciendo conforme nos alejamos en el futuro a pero con una cota m´xima dada por ± Nα/2 × V (Yt ) . 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. 2. 1 − φL → 1 − θ1 L − θ2 L2 = (1 − φL)(1 + ψ1 L + ψ2 L2 + ψ3 L3 + . 2) o es estacionario. .4). −θ1 L = (ψ1 − φ) L ⇒ −θ1 = ψ1 − φ ⇒ ψ1 = φ − θ1 −θ2 L2 = (ψ2 − φψ1 ) L2 ⇒ −θ2 = ψ2 − φψ1 ⇒ ψ2 = φψ1 − θ2 = φ(φ − θ1 ) − θ2 0 L3 = (ψ3 − ψ2 φ) L3 . obteniendo: ˆ ˆ φp (L) Yt = θq (L) at ˆ t = 1. infinita son: ψ0 = 1 ψ1 = φ − θ1 ψ2 = φψ1 − θ2 = φ(φ − θ1 ) − θ2 ψk = φ ψk−1 ⇒ 0 = ψ3 − ψ2 φ ⇒ ψ3 = φ ψ2 Los pesos de la forma medias m´viles o   k=0      k=1 ψi =  k=2      k>2 con estos pesos se pueden construir los intervalos de predicci´n.. Por ejemplo. la funci´n de predicci´n estimada ser´ o o ıa:  ˆ ˆ ˆ ˆ ˆ ˆ YT (1) = δ + φ YT − θ1 aT − θ2 aT −1  =1   ˆ ˆ ˆ ˆ YT ( ) = =2 YT (2) = δ + φ YT (1) − θ2 aT    ˆ ˆ >2 YT ( ) = δ + φ YT ( − 1) 94 .1. . . a 6. pero tambi´n una estimaci´n del error de predicci´n un ˆ e o o periodo hacia adelante.SARRIKO-ON 4/09 de donde: An´lisis de Series Temporales: modelos ARIMA a 1 − θ1 L − θ2 L2 = 1 + ψ1 L + ψ2 L2 + ψ3 L3 + .. ..4. . .) e igualando coeficientes: L L2 L3 . . .

33 1.2. 67 at−1 − 0. 31 at−2 ˆ ˆ ˆ Funci´n de predicci´n: o o     YT ( ) =    =1 =2 >2 SARRIKO-ON 4/09 t = 1. L2 = 1. . 33 ± 1. como se puede observar en la figura o de la izquierda del gr´fico 6. 3 + at + 0. a partir de = 2 la funci´n de predicci´n permanece constante a o o en la media del proceso con una amplitud constante del intervalo de predicci´n. Modelo M A(2) Yt = 10. 69 L2 = 0 → L1 . . . 33 Yt−1 − 0.1: 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 8 10 7 8 6 6 5 4 4 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. . T YT (1) = 2. 2. 99 = = ± i = a ± bi 2 × 0. T YT (1) = 10. El proceso AR(2) es estacionario: 1 − 1. 69 YT −1 YT (2) = 2. 3 + 0. . 69 YT YT ( ) = 2. 3 ( = E(Yt )) Todos los procesos medias m´viles finitos son estacionarios y. 99 1. . o Gr´fico 6. 38 1. 4 + 1. . 4 + 1. 4 + 1. . . 33 YT − 0. 69 0. 33 YT (1) − 0.1. 38 1.1. 31 aT ˆ ˆ YT ( ) = 10.An´lisis de Series Temporales: modelos ARIMA a Ejemplo 4. 69 Yt−2 + at ˆ Funci´n de predicci´n: o o   =1    =2 YT ( ) =     = 1. 3. 33 ± −0. 67 aT − 0. 31 aT −1 ˆ ˆ YT (2) = 10. 33 L + 0. 38 95 t = 1. 4 + 1. Modelo AR(2) Yt = 2. 2. 2. 33 YT ( − 1) − 0. 3 − 0. . . 69 1. 69 YT ( − 2) . 332 − 4 × 0.

82 YT ( − 1) t = 1. en valor absoluto.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 condici´n de que la ra´ del polinomio o ız autorregresivo es. 62 at−1 ˆ ˆ La funci´n de predicci´n es: o o YT ( ) = =1 >2 YT (1) = 9. 82 → |L| = |1. 82 YT + 0. 38 2 = 1.1. 67 ˆ1 − φ2 ˆ 1 − 1. T Gr´fico 6.1) estacionario a o o 65 65 60 60 55 55 50 50 45 45 40 40 ARMA(1. 3 + 0. 67 1 − 0. 1 − 0. Modelo ARM A(1. 62 aT ˆ YT ( ) = 9. . La serie a presenta un comportamiento c´ ıclico que se refleja en la funci´n de predicci´n que presenta un o o ciclo amortiguado antes de dirigirse sistem´ticamente hacia la media del proceso. 82Yt−1 + at + 0. 3 = 51. 3 + 0. mayor que la unidad. 69 1−φ Este resultado se puede observar claramente en la figura de la derecha del gr´fico 6. 38 An´lisis de Series Temporales: modelos ARIMA a 2 |L1 | = |L1 | = a2 + b2 = + √ 0.2: Funci´n de predicci´n: ARMA(1. 82 L = 0 → L= 1 = 1. 33 + 0. . . 22| > 1 la funci´n de predicci´n tiende a su media cuando nos alejamos en el futuro: o o ˆ l´ YT ( ) = E(Yt ) = ım →∞ ˆ δ ˆ 1−φ 96 = 9.1) ARMA11F 35 60 65 70 75 80 ARMA11F+2* SD ARMA11F-2* SD 35 85 90 95 00 05 10 60 65 ARMA(1.SARRIKO-ON 4/09 1. 1) Yt = 9.3. a Ejemplo 4. 2 > 1 Por lo que la funci´n de predicci´n tiende a su media cuando nos alejamos en el futuro: o o ˆ l´ YT ( ) = E(Yt ) = ım →∞ ˆ 2. . 2. 4 δ = = 6. 82 . 99 1. 3 + 0. 22 0. 4486 = 1. 33 1.

Modelo ARIM A(0. . sabiendo que: ET [YT +j ] = YT +j YT (j) j≤0 j>0 ET [aT +j ] = aT +j 0 j≤0 j>0 Para construir los intervalos de predicci´n. . Consideremos que la serie Yt ha sido generada por el siguiente modelo: (1 − L) Yt = (1 + θL) at Yt = Yt−1 + at + θ at−1 La funci´n de predicci´n es: o o YT (1) = ET [YT +1 ] = YT + θ aT YT (2) = ET [YT +2 ] = YT (1) = YT + θ aT YT (3) = ET [YT +3 ] = YT (2) = YT (1) = YT + θ aT . 2. .1. se observa el comportamiento de los intervalos de predicci´n. q) se lleva a cabo de la misma manera o que con los modelos estacionarios ARM A(p. q).An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 En las figuras del gr´fico 6. 6. El predictor por punto ´ptimo de YT + viene o dado por la esperanza condicionada al conjunto de informaci´n YT ( ) = ET [YT + ]. De o o forma que la trayectoria de la funci´n de predicci´n es creciente al principio para dirigirse hacia o o la media del proceso donde se va estabilizando. 1. consideremos varios ejemplos sencillos. d. o La predicci´n con modelos no estacionarios ARIM A(p. Las ultimas observaciones se encuentran por debajo de la media lo que ´ lleva a que la funci´n de predicci´n parta de un valor inferior a la media estimada del proceso. q). o −1 YT ( ) ± Nα/2 V (eT ( )) donde V (eT ( )) = σ j=0 2 ψj el modelo ha de estar escrito en forma M A(∞) ya que ψj son los pesos del modelo ARIM A escrito en forma medias m´viles. Para obtener o esta esperanza condicionada basta con escribir el modelo en forma de ecuaci´n en diferencias y o obtener las esperanzas condicionadas. . o Para analizar las caracter´ ısticas de la funci´n de predicci´n para modelos no estacionarios o o ARIM A(p. 3. de amplitud creciente al principio hasta estabilizarse con la varianza o del proceso. YT ( ) = ET [YT + ] = YT ( − 1) = YT + θ aT 97 = 1. . d. . Asimismo. Predicci´n con modelos no estacionarios. . Ejemplo 5.2 se puede observar el comportamiento de la funci´n de predicci´n a o o por punto y por intervalo. 1). .2. .

3. por o o ejemplo. la funci´n de predicci´n cuando → ∞. YT (1) .3 muestran como la amplitud de los intervalos de predicci´n para los modelos a o ARIM A(p.3). θ. . 1. 1. . la funci´n de predicci´n es: o o YT ( ) = ET [YT + ] = YT = 1. d. o o depende del conjunto de informaci´n y de los par´metros del modelo. de forma que se puede representar mediante un modelo ARIM A(p. 2. de forma que se puede representar mediante un modelo ARIM A(p. 2. YT ( ) = ET [YT + ] = YT ( − 1) + δ = YT + δ = 1. o a Obtengamos la funci´n de predicci´n para un proceso integrado de orden 1 con constante. sino que es una constante que depende del conjunto de o informaci´n y de los par´metros AR y M A del modelo. 3. . o a a Se puede demostrar que si la serie Yt ha sido generada por un proceso integrado de orden 1. o a En lo que se refiere a la predicci´n por intervalo para modelos no estacionarios.3). que depende del conjunto de informaci´n a trav´s de YT y aT y del o e par´metro del modelo. . La funci´n de predicci´n es una linea recta de pendiente δ (ve´se la figura derecha del gr´fico 6. 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 d´nde ir. Por lo tanto. YT (1) = ET [YT +1 ] = YT + δ YT (2) = ET [YT +2 ] = YT (1) + δ = YT + 2 δ YT (3) = ET [YT +3 ] = YT (2) + δ = YT + 3 δ . q) con t´rmino independiente e (δ = 0). 98 . las predicciones ´ptimas vienen dadas por la ultima observaci´n independienteo ´ o mente del horizonte de predicci´n (ve´se la figura izquierda del gr´fico 6. . q) crece indefinidamente conforme el horizonte de predicci´n se hace mayor. Hay o que tener en cuenta que cuando el proceso no es estacionario el l´ ımite l´ →∞ V [eT ( )] no ım existe. las figuras o del gr´fico 6.5). como θ = 0 .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Por lo tanto. YT ( ) −→ →∞ KT + δ La pendiente de la funci´n de predicci´n viene dada por la constante δ y el intercepto. . . y permanece all´ conforme crece. K T . . el modelo de paseo aleatorio con deriva (4. o o a a Se puede demostrar que si la serie Yt ha sido generada por un proceso integrado de orden 1. q) sin t´rmino independiente e (δ = 0). . a ı En el caso del modelo de paseo aleatorio. . la funci´n de predicci´n tiende a una l´ o o ınea recta cuando → ∞. . la funci´n de predicci´n es una l´ o o ınea horizontal: pasa por la predicci´n un periodo o hacia adelante.

4) que.A. 3. escrito en forma M A(∞) queda como sigue: Yt = at + at−1 + at−2 + at−3 + .F+2*SD P. .A. conforme el horizonte de predicci´n aumenta y nos alejamos en el futuro la funci´n o o T T de predicci´n tiende a una l´ o ınea recta donde tanto el intercepto. Por lo tanto.F-2*SD 150 P. . considerando el caso de procesos integrados de orden 2.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 6... aunque la o a 99 . 2. ARIM A(p. d. Por ultimo. . .F 20 P. La varianza del error de predicci´n es: o 0 de forma que ψj = 1 ∀j V [eT (1)] = σ 2 j=0 1 2 ψj = σ 2 V [eT (2)] = σ 2 j=0 2 2 ψj = σ 2 (1 + 1) = 2 σ 2 V [eT (3)] = σ 2 j=0 2 ψj = σ 2 (1 + 1 + 1) = 3 σ 2 .3: Modelos ARIMA: Funciones de predicci´n. q). P.-2*SD 10 100 0 50 -10 -20 0 -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. q) es necesario escribir el modelo en forma M A(∞).A. dependen del conjunto de informaci´n y de los par´metros del modelo.F P. .D. Pongamos como ejemplo el modelo de paseo aleatorio (4. su funci´n ´ o de predicci´n final toma la forma: o YT ( ) −→ →∞ T T K1 + K2 Es decir. . P.+2*SD P.A. K1 .D. . . 2. . a o 30 P.D. + 1) = j=0 V [eT ( )] = σ 2 σ2 = 1. que no tiene l´ ımite finito.A.A.A. . K2 .D.A. −1 2 ψj = σ 2 (1 + 1 + . como la pendiente.

SARRIKO-ON 4/09

An´lisis de Series Temporales: modelos ARIMA a

estructura de esta funci´n de predicci´n es la misma que la de los modelos ARIM A(p, 1, q) con o o t´rmino independiente (por ejemplo, la funci´n de predicci´n del paseo aleatorio con deriva), e o o esta funci´n de predicci´n es m´s flexible. o o a

100

Cap´ ıtulo 7 Modelos ARIMA estacionales
Muchas series econ´micas si se observan varias veces a lo largo del a˜o, trimestral o mensualo n mente, presentan comportamiento estacional. Este tipo de comportamiento puede ser debido a factores metereol´gicos, tales como la temperatura, pluviosidad, etc. que afectan a muchas o actividades econ´micas como el turismo; a costumbres sociales como las Navidades que est´n o a muy relacionadas con cierto tipo de ventas como juguetes; a fen´menos sociales como el caso del o ´ ındice de producci´n industrial que en este pa´ desciende considerablemente todos los a˜os el o ıs 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 observaci´n de un mes o y observaci´n del mismo mes del a˜o anterior tienen una pauta de comportamiento similar por lo o n que estar´n 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 relaci´n lineal existente entre observaciones sucesivas (comportamiento tendencial o o regular) y o n • la relaci´n lineal existente entre observaciones del mismo mes en a˜os sucesivos (comportamiento estacional). El objetivo de este tema es extender los modelos ARIMA estudiados en los cap´ ıtulos 3 y 4 para las series con comportamiento estacional. Supongamos que la serie Yt presenta un componente estacional y se especifica un modelo ARIM A(p, d, q) general: φp (L) Yt = θq (L) at Para recoger las dos estructuras de correlaci´n anteriormente mencionadas, la regular y la estao cional, bastar´ con a˜adir al modelo los retardos de Yt y at necesarios. As´ si la serie estacional ıa n ı, es mensual y se quiere representar, adem´s de la dependencia entre observaciones consecutivas, a la autocorrelaci´n entre observaciones del mismo mes separadas un a˜o, dos a˜os, 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 n´mero de los par´metros del modelo. As´ por ejemplo, un modelo sencillo para una serie u a ı, estacional, un ARM A(12, 12), contiene 24 par´metros desconocidos. Como se ha discutido en a el cap´ ıtulo 5, uno de los criterios que se ha de seguir al construir un modelo ARIM A es el de 101

SARRIKO-ON 4/09

An´lisis de Series Temporales: modelos ARIMA a

parsimonia, es decir, buscar el modelo m´s sencillo y con el menor n´mero de par´metros posible a u a que reproduzca las caracter´ ısticas de la serie. Por lo tanto, en este cap´ ıtulo se derivar´n modelos a capaces de recoger el comportamiento estacional pero con un n´mero peque˜o de par´metros, u n a es decir, m´s parsimoniosos. a Antes de especificar un modelo apropiado, dentro del marco ARIM A, para una serie con tendencia y estacionalidad comenzaremos por estudiar las caracter´ ısticas de la dependencia lineal estacional a trav´s 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 a˜os sucesivos, es decir, entre observaciones separadas s pen riodos o m´ltiplos 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 simplificar, se parte del supuesto de que no existe estructura regular, es decir, correlaci´n entre observaciones consecutivas. Como este supuesto es poco reao lista, este tipo de modelos no va a ser muy util en la pr´ctica pero su estudio permitir´ identificar ´ a a en qu´ retardos de la funci´n de autocovarianzas y/o autocorrelaci´n se refleja la estructura de e o o tipo estacional de una serie. Se denotar´n, 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 m´viles invertible. o Vamos a analizar las caracter´ ısticas de los modelos estacionales puros espec´ ıficos para un proceso Yt estacionario y con estacionalidad trimestral, s = 4. Modelo M A(1)4 Yt = (1 − ΘL4 ) at Yt = at − Θ at−4

En este proceso, el valor de Y en el momento t depende de la perturbaci´n contempor´nea y o a de la perturbaci´n del mismo trimestre del a˜o anterior. Como este proceso es un modelo de o n medias m´viles finito es estacionario para cualquier valor de Θ y su media es cero. El proceso o ser´ invertible si y solo si las cuatro ra´ del polinomio de medias m´viles tienen modulo fuera a ıces o del c´ ırculo unidad. Las autocovarianzas vienen dada por: γ0 = V (Yt ) = E[Yt ]2 = E[at − Θ at−4 ]2 = (1 + Θ2 ) σ 2 γ1 = Cov(Yt Yt−1 ) = E[Yt Yt−1 ] = E[(at − Θ at−4 )(at−1 − Θ at−5 )] = 0 γ2 = Cov(Yt Yt−2 ) = E[Yt Yt−2 ] = E[(at − Θ at−4 )(at−2 − Θ at−6 )] = 0 γ3 = Cov(Yt Yt−3 ) = E[Yt Yt−3 ] = E[(at − Θ at−4 )(at−3 − Θ at−7 )] = 0 γ4 = Cov(Yt Yt−4 ) = E[Yt Yt−4 ] = E[(at − Θ at−4 )(at−4 − Θ at−8 )] = −Θ σ 2 γk = Cov(Yt Yt−k ) = E[Yt Yt−k ] = E[(at − Θ at−4 )(at−k − Θ at−4−k )] = 0, ∀k > 4 Por lo tanto, la funci´n de autocovarianzas y la funci´n de autocorrelaci´n son las siguientes: o o o 102

.8 -1 -1 Generalizando el resultado obtenido para el modelo M A(1)4 . pero o o como la estructura de correlaci´n temporal es estacional.7 0. . Denominemos retardos estacionales a a a los asociados con s y m´ltiplos de s: k = s.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0. . .1). .1: Funci´n de autocorrelaci´n.8 -0. trunc´ndose a partir del o o a Q-´simo retardo estacional.6 -0. .6 -0. . Modelo M A(1)4 a o o 1 1 0.6 0. . − ΘQ LQs ) at Yt = at + Θ1 at−s + Θ2 at−2s + . finita.6 0. .2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.2 0 1 -0. Por lo tanto. un proceso de medias m´viles de orden Q.4 0. .8 Parámetro MA = 0. para distinguirlos as´ de la estructura u ı regular. tendr´ Q coeficientes de autocorrelaci´n o a o diferentes de cero. 2. este coeficiente de autocorrelaci´n no o o nulo es el asociado a k = s = 4 (ve´se el gr´fico 7. . . por lo tanto. como para todo modelo de medias m´viles finito. para k = Qs . . .8 Parámetro MA = -0. . Qs ρk =    k = s. 2s. 2s. Qs.. . es decir. 3s. . solo un coeficiente de autocorrelaci´n es distinto de cero y el resto son nulos. correspondientes a los Q primeros retardos estacionales. . o Gr´fico 7. La funci´n de autocorrelaci´n es. k = s. la funci´n de autocorreo o laci´n se trunca y se hace cero a partir de un determinado retardo. . 2s.4 -0. .An´lisis de Series Temporales: modelos ARIMA a Retardo k=0 k=4 k=4 FACV γ0 = (1 + Θ2 ) σ 2 γ4 = −Θ σ 2 γk = 0 FAC ρ0 = 1 ρ4 = SARRIKO-ON 4/09 −Θ (1 + Θ2 ) ρk = 0 Se puede observar que. M A(Q)s : o o o Yt = ΘQ (Ls ) at = (1 − Θ1 Ls − Θ2 L2s − . existente entre las observaciones sucesivas y que se refleja fundamentalmente para los retardos m´s cortos: k = 1. Como el orden de la media o m´vil es uno.4 0. se puede demostrar que la estructura de la funci´n de autocorrelaci´n para un modelo de medias m´viles. . + ΘQ at−Qs es como sigue:   k=0   k = s. y el resto son cero. Qs ρ0 = 1 ρk = 0 ρk = 0 Es decir. . 2s. la estructura de la funci´n de autocorrelaci´n a o o de un M A(1)4 es la siguiente: funci´n truncada en el primer retardo estacional.4 -0. e 103 . . 3.7 0.2 0. .

De lo que se deduce que la funci´n de autocovarianzas y. . . El proceso ser´ estacionario s´ y solo s´ las cuatro ra´ a ı ı ıces del polinomio autorregresivo tienen modulo fuera del c´ ırculo unidad. . la funci´n de o o autocorrelaci´n son: o Retardo k=0 k = 4. 2. j = 1. k = j4.2 si el par´metro es positivo. FACV γ0 = σ2 1 − Φ2 γk = Φk/4 γ0 FAC ρ0 = 1 ρk = Φk/4 ρk = 0 γk = 0 La funci´n de autocorrelaci´n es.j. . mientras que si Φ es negativo los o coeficientes van alternando de signo. El modelo AR(P )s ..j. . j = 1. como consecuencia. = . siendo nulos los coeficientes de autocorrelaci´n asociados a valores de k no a o estacionales. el valor de Y en el momento t depende de la perturbaci´n contempor´nea o a y del valor pasado de la serie Y en el mismo trimestre del a˜o anterior. Como se puede observar en el gr´fico 7. Las autocovarianzas son: γ0 = V (Yt ) = E[Yt ]2 = E[ΦYt−4 + at ]2 = Φ2 γ0 + σ 2 = σ2 1 − Φ2 γ1 = Cov(Yt Yt−1 ) = E[Yt Yt−1 ] = E[(ΦYt−4 + at )Yt−1 ] = 0 γ2 = Cov(Yt Yt−2 ) = E[Yt Yt−2 ] = E[(ΦYt−4 + at )Yt−2 ] = 0 γ3 = Cov(Yt Yt−3 ) = E[Yt Yt−3 ] = E[(ΦYt−4 + at )Yt−3 ] = 0 γ4 = Cov(Yt Yt−4 ) = E[Yt Yt−4 ] = E[(ΦYt−4 + at )Yt−4 ] = Φ γ0 γ5 = Cov(Yt Yt−5 ) = E[Yt Yt−5 ] = E[(ΦYt−4 + at )Yt−5 ] = 0 γ6 = Cov(Yt Yt−6 ) = E[Yt Yt−6 ] = E[(ΦYt−4 + at )Yt−6 ] = 0 γ7 = Cov(Yt Yt−7 ) = E[Yt Yt−7 ] = E[(ΦYt−4 + at )Yt−7 ] = 0 γ8 = Cov(Yt Yt−8 ) = E[Yt Yt−8 ] = E[(ΦYt−4 + at )Yt−8 ] = Φ γ4 = Φ2 γ0 . infinita y decrece como una funci´n exponencial o o o del par´metro Φ.SARRIKO-ON 4/09 Modelo AR(1)4 : (1 − Φ L4 ) Yt = at An´lisis de Series Temporales: modelos ARIMA a Yt = Φ Yt−4 + at En este proceso. . . todos a a los coeficientes de autocorrelaci´n no nulos son positivos.. Como es un modelo n autorregresivo finito es invertible para cualquier valor de Φ y su media es cero.. se puede escribir en forma extendida como: Yt = Φ1 Yt−s + Φ2 Yt−2s + . 2. k = 4. ΦP (Ls ) Yt = at . + ΦP Yt−P s + at 104 .. por lo tanto. .

8 -0. .6 0. ´ Modelo ARM A(1. (1 − Φ L4 ) Yt = (1 − Θ L4 ) at Yt = Φ Yt−4 + at − Θ at−4 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 a˜o anterior.2 0.2: Funci´n de autocorrelaci´n.4 -0.6 -0. = . . 105 . 3s. ..2 0 1 -0.8 -1 -1 A partir de los resultados para el modelo AR(1)s se puede generalizar que su funci´n de autoo correlaci´n es infinita y decrece exponencialmente o en forma onda seno-coseno amortiguada.7 0. .2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0. Este modelo a n ser´ estacionario cuando las cuatro ra´ del polinomio autorregresivo tengan m´dulo fuera del a ıces o c´ ırculo unidad y ser´ invertible cuando las cuatro ra´ del polinomio de medias m´viles tengan a ıces o m´dulo fuera del c´ o ırculo unidad.0. 2s.8 Parámetro AR = .7 0. o pero con valores no nulos unicamente para los retardos estacionales.6 0..4 0.4 0. de la perturbaci´n n o contempor´nea y su retardo correspondiente al mismo trimestre de hace un a˜o..An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 7. k = s.8 Parámetro AR = 0. 1)4 . Modelo AR(1)4 a o o 1 1 0..4 -0. Es f´cil demostrar que la media de este proceso estacionario es cero y sus autocovarianzas a γ0 = V (Yt ) = E[Yt ]2 = E[ΦYt−4 + at − Θat−4 ]2 = = Φ2 γ0 + σ 2 + Θ2 σ 2 − 2ΦΘσ 2 γ0 = σ 2 (1 + Θ2 − 2ΦΘ) 1 − Φ2 γ1 = Cov(Yt Yt−1 ) = E[Yt Yt−1 ] = E[(ΦYt−4 + at − Θat−4 )Yt−1 ] = 0 γ2 = Cov(Yt Yt−2 ) = E[Yt Yt−2 ] = E[(ΦYt−4 + at − Θat−4 )Yt−2 ] = 0 γ3 = Cov(Yt Yt−3 ) = E[Yt Yt−3 ] = E[(ΦYt−4 + at − Θat−4 )Yt−3 ] = 0 γ4 = Cov(Yt Yt−4 ) = E[Yt Yt−4 ] = E[(ΦYt−4 + at − Θat−4 )Yt−4 ] = Φ γ0 − Θσ 2 γ5 = Cov(Yt Yt−5 ) = E[Yt Yt−5 ] = E[(ΦYt−4 + at − Θat−4 )Yt−5 ] = 0 γ6 = Cov(Yt Yt−6 ) = E[Yt Yt−6 ] = γ7 = Cov(Yt Yt−7 ) = E[Yt Yt−7 ] = 0 γ8 = Cov(Yt Yt−8 ) = E[Yt Yt−8 ] = E[(ΦYt−4 + at − Θat−4 )Yt−8 ] = Φ γ4 .2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.6 -0.

4 -0. γ0 = FACV (1 + Θ2 − 2ΦΘ) σ 2 1 − Φ2 ρ0 = 1 ρ4 = (φ − Θ)(1 − Φ Θ) 1 + Θ2 − 2ΦΘ FAC γ4 = Φ γ0 − Θ σ 2 γk = Φ γk−4 γk = 0 ρk = Φ ρk−4 ρk = 0 En el gr´fico 7. Luego. .2 -0.6 0. o Por eso. .2 0.4 0.8 -0. . + ΘQ at−Qs 106 .j.3 se representan las funciones de autocorrelaci´n para los siguientes modelos a o ARM A(1. k = 4. . 1)4 : (A) Yt = 0.3: Funci´n de autocorrelaci´n. . Q)s : (1 − ΦP Ls ) Yt = (1 − ΘQ Ls ) at (1 − Φ1 Ls − Φ2 L2s − . 8 at−4 Gr´fico 7. 3. − ΘQ LQs ) at Yt = Φ1 Yt−s + Φ2 Yt−2s + . . 3 Yt−4 + at − 0. Modelos ARM A(1.2 1 1 Modelo A 0. . j = 1. 7 Yt−4 + at + 0.2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a De donde se deducen la funci´n de autocovarianzas y de autocorrelaci´n siguientes: o o Retardo k=0 k=4 k = 4.2 0 0 1 -0. . La estructura que puede tomar ´ esta FAC infinita es m´s compleja que la del AR(1)4 porque el primer coeficiente estacional de la a FAC depende tanto de la parte autorregresiva como medias m´viles del modelo. .6 0. 4 at−4 (B) Yt = 0. 1)4 a o o 1. . .6 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0. + ΦP Yt−P s + at Θ1 at−s + Θ2 at−2s + . . .8 Modelo B 0. a partir o del segundo retardo estacional la trayectoria de la FAC depende s´lo de la parte autorregresiva. o alternando de signo. A partir de estos resultados se puede generalizar que la funci´n de autocorrelaci´n de un modelo o o ARM A(P. − ΦP LP s ) Yt = (1 − Θ1 Ls − Θ2 L2s − .j. 2. .8 0. j = 2. podemos tener FAC con todos los coeficientes positivos o todos negativos.4 -0.4 0.8 -1 -1 En ambas figuras de este gr´fico se observa que la funci´n es infinita y decrece exponencialmente a o tomando valores no nulos unicamente en los retardos estacionales.6 -0.

este esquema estacional es muy r´ ıgido porque exige que los factores estacionales estacionales permanezcan constantes a lo largo del tiempo. es decir. en funci´n o de variables ficticias estacionales). . . a o Por lo tanto. a a a un esquema de trabajo m´s flexible es suponer que la estacionalidad es s´lo aproximadamente a o constante y que evoluciona estoc´sticamente: a Yt = St + ηt con St = St−s + νt donde νt es un proceso estoc´stico estacionario. 2s. Los Q primeros coeficientes de autocorrelaci´n ρk . la FACP de un modelo ARM A(P. . unicamente en los P primeros retardos estacionales. se toman diferencias entre observaciones separadas s periodos. . . Sin embargo. La ´ FACP de un modelo M A(Q)s es infinita y decrece exponencialmente tomando valores no nulos unicamente para los retardos no estacionales. k = s. k = s.. las series estacionales suelen presentar problemas de falta de estacionariedad en media o lo que es lo mismo cambios sistem´ticos en el nivel de la serie. y se trunca a partir de k = P s . pk . . Por ultimo. k = s. . en promedio. 2s. dado que por estacionalidad entendemos una pauta regular de o a comportamiento c´ ıclico de periodo 1 a˜o de la serie que implica que. podemos concluir que la estructura estacional. Qs dependen de los par´metros autorregresivos y de medias m´viles. 2s. o a o a partir de k = s(Q + 1) las autocorrelaciones se derivan de la estructura autorregresiva exclusivamente. quiz´s tras alg´n tipo de a u transformaci´n. 7. Por lo tanto. . ıces En lo que se refiere a la estructura de la funci´n de autocorrelaci´n parcial de los modelos estao o cionales puros que estamos estudiando es an´loga a la estudiada en el cap´ a ıtulo 3 para los modelos ARM A(p. es decir. St = St−s se podr´ eliminar de la serie o ıa como un componente determinista previamente estimado (especificado. que llamaremos diferencias estacio107 . 3s. . 2s. . Ahora bien. . pero en estos modelos aparece s´lo en los retardos estacionales. . ıa el componente estacional ser´ estoc´stico y estar´ correlacionado con la tendencia. en general. aparece exclusivamente en los coeficientes de auton correlaci´n simple y parcial asociados a los retardos estacionales. En la pr´ctica.2.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 La FAC de este modelo es infinita y decrece exponencialmente pero con valores no nulos unica´ mente para los retardos estacionales. 3s. la dependencia temporal de las observaciones separadas por un a˜o. la mayor´ de las series no se comportan de una forma tan regular y.. asociados a los P primeros retardos estacionales dependen de o los par´metros autorregresivos y de medias m´viles y a partir de k = (P + 1)s . por lo que decrecer´n exponencialmente o en forma de onda seno-coseno amortiguada a dependiendo de si las s ra´ del polinomio autorregresivo (1 − ΦP Ls ) son reales o complejas. toma valores no nulos ı. 3s. por ejemplo. Modelos ARMA estacionales no estacionarios Hasta el momento hemos supuesto que la serie Yt es estacionaria. cada mes n tiene un comportamiento diferente. o As´ se puede demostrar que la FACP de un modelo AR(P )s es finita. siendo nulos o para el resto de los valores k = s. a Para solucionar la no estacionariedad en media que genera el comportamiento estacional. q) no estacionales. a Si la estacionalidad fuese siempre exactamente peri´dica. . Q)s ´ ´ ser´ tambi´n infinita con valores no nulos s´lo en los retardos estacionales y tal que los coeficiena e o tes de autocorrelaci´n parcial. su estructura a o depender´ de la parte de medias m´viles. .

1)4 . puede tomar cualquier valor dependiendo de las caracter´ ısticas de la serie. lo que implica que la serie Yt no es estacionaria y hay que tomar una diferencia estacional de orden 4 para transformarla en estacionaria. 1. Adem´s.4 se representan dos series de 100 observaciones. se observa que decrecen muy lentamente.SARRIKO-ON 4/09 nales: An´lisis de Series Temporales: modelos ARIMA a ∆s Yt = (1 − Ls ) Yt = St + ηt − St−s − ηt−s = νt + ηt − ηt−s de forma que ∆s Yt ∼ M A(1)s estacionario e invertible. ambas oscilan en torno a una media constante con un comportamiento c´ ıclico de periodo anual. Q)s . su funci´n de autocorrelaci´n no va a decrecer o o r´pidamente hacia cero. aunque en la pr´ctica nunca es superior a 1. 4 at−4 Aunque ambos modelos representan series con estructura de dependencia temporal entre observaciones separadas un a˜o. el orden de integraci´n o estacional de la serie. a En el gr´fico 7. donde P es el orden del polinomio autorregresivo estacional estacionario. a El modelo (7. es decir.4.1) se dice que es integrada estacional de orden D . la evoluci´n c´ o ıclica estacionaria del modelo (A) es m´s irregular y a aleatoria. De hecho. reflejando claramente a a el hecho de que cada mes tiene una media diferente. el modelo (A) es un M A(1)4 estacionario y el modelo (B) es n un ARIM A(0.1) En teor´ D. Yt ∼ I(D)s . La formulaci´n general de un modelo para una serie estacional pura no estacionaria es: o ΦP (Ls ) ∆D Yt = ΘQ (Ls ) at s (7. Analizando los correlogramas se puede concluir que el correspondiente al modelo (A) decrece r´pidamente hacia cero como corresponde a a un modelo estacionario (de hecho se trunca en el retardo 4. Q es el orden del polinomio medias m´viles estacional estacionario y D es el n´mero de diferencias estacionales (1 − Ls ) o u que es necesario aplicar a la serie Yt para que sea estacionaria. generadas a partir de los siguientes modelos: (A) Yt = at − 0. u serie en estacionaria. sino lentamente. primer retardo estacional). Pero mientras. (1 − L). si la serie Yt sigue el modelo (7. 4 at−4 (B) (1 − L4 ) Yt = at − 0. El modelo (7. el n´mero de las diferencias estacionales que se han de aplicar para convertir a la ıa. D. la mostrada por el modelo (B) es m´s persistente y sistem´tica. el operador ∆s convierte un proceso estacional no estacionario en estacionario. al igual que para los modelos lineales no estacionarios en la parte regular. En conclusi´n. la no estacionariedad del ciclo a estacional hace que la estructura c´ ıclica sistem´tica de la serie se reproduzca en el correlograma. as´ como sus correspondientes a ı correlogramas. El hecho de que la estructura estacional sea estacionaria o no se refleja en las caracter´ ısticas de cada proceso mostradas en las figuras del gr´fico 7. a 108 . no tiene una media constante y.1) es un modelo estacional puro que se denomina ARIM A(P. mientras que si nos fijamos en los coeficientes asociados a los retardos estacionales del correlograma del modelo (B). de o forma an´loga a como de un proceso no estacionario en media obten´ a ıamos una serie estacionaria aplicando el operador de diferencias de orden 1 o regular.1) no es estacionario. En cuanto a las realizaciones de ambos a procesos.

etc. N (7. τ = 1.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0. .An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 apareciendo correlaciones negativas en los retardos js/2. . N j = 1. de N observaciones que denotaremos: (1) (2) (3) (12) yτ . Supongamos (j) que el modelo ARIM A adecuado para las doce subseries yτ es el mismo: (j) (1 − Φ1 L − . como tendencia. una por mes. 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 1 1 0. .2 0.2 0 1 -0. de forma que en total contamos con T = 12N observaciones.2) Cada una de estas doce subseries no presenta comportamiento estacional por lo que podemos representarlas mediante los modelos ARIM A(p. Si n la serie es estacional podemos dividirla en 12 subseries.4 0. − Φp Lp ) (1 − L)D yτ = (1 − Θ1 L − . 2.4 -0. q) derivados en el cap´ ıtulo 4. . . . 12 19 95 :3 (7. Modelos ARIMA estacionales multiplicativos En general. − Θq Lq ) u(j) τ = 1. . yτ .3) τ 109 . .8 -1 -1 7.6 -0.8 0. una serie mensual observada durante N a˜os. por ejemplo. .8 0. . 2. .6 -0. 2. por otro lado.4: Modelos estacionales estacionarios vs.8 -0. Se trata de proponer un modelo ARIM A que recoja no solo las relaciones entre periodos (a˜os) n sino tambi´n las relaciones dentro de los periodos (intranuales) y la interacci´n entre ambas e o estructuras. .3. . . etc. 2. d.4 -0. .4 0. . . N La relaci´n entre estas subseries y la serie de partida es: o (j) yτ = Yj+12(τ −1) = Yt τ = 1.6 0. . . j = 1. yτ . el componente estacional no es independiente. o Gr´fico 7. . . . yτ . 2. .6 0. . que decrecen lentamente y recogen la relaci´n lineal inversa entre los valles y los picos del ciclo. presentan otros componeno a tes. .2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 -0. las series econ´micas adem´s del componente estacional. . Consideremos una serie estacional Yt con periodo s conocido. . de los que.

En consecuencia. se basa en la hip´tesis central de que la relaci´n de deo o pendencia estacional es la misma para todos los periodos. (j) t = 1. Yt : (j) (1 − Φ1 L12 −. . αt . 12 . . . al ser el mismo. . ARIM A(p. 2. Q)s . pero la o serie conjunta. Suponiendo que αt sigue el modelo ARIM A no estacional siguiente: φp (L) (1 − L)d αt = θq (L) at at ∼ RBN (0. 12N Para cada uno de los modelos (7. al ser todos iguales. . tendencias estoc´sticas a a y adem´s recogen la posible interacci´n entre ambos componentes. . . j = 1. N Aplicando ambos resultados al modelo (7.3). asignando a a a u cada mes t el ruido del modelo univariante correspondiente a dicho mes. Es lo que se denomina estructura regular o a estructura asociada a los intervalos naturales de medida de la serie (meses en nuestro caso). 2. D. . .3). se obtiene el modelo conjunto para toda la serie mensual. en general. αt se (j) obtendr´ a partir de las doce subseries uτ como sigue: ıa u(j) = αj+12(τ −1) τ τ = 1.− Φp L12p ) (1−L12 )D yτ = (1 − Θ1 L12 −. 2. Estos modelos son flexibles en el sentido de que especifican estacionalidades estoc´sticas. σ 2 ) Sustituyendo este modelo en el general para Yt se obtiene el modelo completo para la serie observada: ΦP (Ls ) φp (L) ∆d ∆D Yt = θq (L) ΘQ (Ls ) at (7.3) las series uτ son. mientras que ΦP (L) y ΘQ (L) son los polinomios o autorregresivos y medias m´viles de la parte estacional y D es el orden de integraci´n de la parte o o estacional.4) s donde φp (L) y θq (L) son los polinomios autorregresivos y medias m´viles de la parte regular y d o es el orden de integraci´n de la parte regular.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Si hay estacionalidad en la serie de partida Yt se cumple que D ≥ 1. 2. tendr´ ıan la misma media. quedar´ recogida en esta serie de ruido. Los modelos ARIMA estacionales multiplicativos. lo que es incompatible con el supuesto de estacionalidad que implica que la (j) media de cada mes. . Not´se que si D = 0 y. . t = 1. . Este supuesto no se tiene por qu´ cume plir siempre pero. teniendo en cuenta que. como no ha sido todav´ tenida a ıa en cuenta. se pueden escribir conjuntamente en funci´n de la serie de partida Yt . . Los modelos para las doce subseries. . o sea de cada subserie yτ . (j) es equivalente a aplicar el operador L12 a la Adem´s habr´ que definir una serie de ruido com´n para las doce subseries. estos modelos son capaces de representar muchos fen´menos o 110 . ya que la mayor´ de las e ıa veces existir´ dependencia entre las observaciones contiguas que. q) × (P.2): o o (j) L yτ = yτ −1 = Yj+12(τ −2) = Yj−12+12(τ −1) = L12 Yj+12(τ −1) (j) Lo que implica que aplicar el operador L a yτ serie original Yj+12(τ −1) . es diferente. . . por construcci´n. todos los modelos (7. las series yτ fueran estacionarias. T . a o Esta clase de modelos. de todas maneras. d. . αt . por e (j) lo tanto. no tiene por qu´ serlo. . como hemos visto. .− Θq L12q ) αt . . ruido blanco. dada la relaci´n (7.

1. q) × (P. de e o forma que solo contiene dos par´metros desconocidos. 1)×(0. d. a Lo que muestra que los modelos ARIM A(p.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 estacionales que encontramos en la pr´ctica de una forma muy simple. es un M A(13) con restricciones. posiblemente tr´s a aplicar los operadores de diferencias oportunos. Sea Yt un proceso estoc´stico estacionario de media cero que sigue el modelo: a Yt = (1 − θ1 L)(1 − Θ4 L4 )at Yt = at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 que se puede considerar la transformaci´n estacionaria del Modelo de L´ o ıneas A´reas para una e serie trimestral. Q)s son modelos muy parsimoniosos. en vez de los trece de un M A(13) general. a que Yt es una serie estacional mensual que sigue el siguiente modelo ARIM A(0. e a ∆∆12 Yt = (1 − θ1 L) (1 − Θ12 L12 ) at = (1 − θ1 L − Θ12 L12 + θ1 Θ12 L13 ) at Not´se que este modelo para la transformaci´n estacionaria. denominado Modelo de L´ ıneas A´reas y que es muy utilizado en la pr´ctica. 1. se derivan las caracter´ o ısticas de algunos modelos sencillos bajo el supuesto de que Yt es una serie trimestral con comportamiento estacional y estacionaria. 1)4 . Supongamos. D. La media es cero y sus autocovarianzas son: γ0 = V (Yt ) = E[Yt − 0]2 = E[at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 ]2 2 2 2 = (1 + θ1 + Θ2 + θ1 Θ2 ) σ 2 = (1 + θ1 ) (1 + Θ2 ) σ 2 4 4 4 γ1 = Cov(Yt Yt−1 ) = E[(Yt − 0) (Yt−1 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 )(at−1 − θ1 at−2 − Θ4 at−5 + θ1 Θ4 at−6 )] = (−θ1 − θ1 Θ2 ) σ 2 = −θ1 (1 + Θ2 ) σ 2 4 4 γ2 = Cov(Yt Yt−2 ) = E[(Yt − 0) (Yt−2 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 ) (at−2 − θ1 at−3 − Θ4 at−6 + θ1 Θ4 at−7 )] = 0 γ3 = Cov(Yt Yt−3 ) = E[(Yt − 0) (Yt−3 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 ) (at−3 − θ1 at−4 − Θ4 at−7 + θ1 Θ4 at−8 )] = θ1 Θ4 σ 2 γ4 = Cov(Yt Yt−4 ) = E[(Yt − 0) (Yt−4 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 ) (at−4 − θ1 at−5 − Θ4 at−8 + θ1 Θ4 at−9 )] 2 2 = (−Θ4 − θ1 Θ4 ) σ 2 = −Θ4 (1 + θ1 ) σ 2 111 . A continuaci´n. por ejemplo. 1)12 . Modelo ARM A(0. 1) × (0.

0) × (0. 1)4 .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a γ5 = Cov(Yt Yt−5 ) = E[(Yt − 0) (Yt−5 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 ) (at−5 − θ1 at−6 − Θ4 at−9 + θ1 Θ4 at−10 )] = θ1 Θ4 σ 2 γk = Cov(Yt Yt−k ) = E[(Yt − 0) (Yt−k − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 ) (at−k − θ1 at−k−1 − Θ4 at−k−4 + θ1 Θ4 at−k−4−1 )] = 0 Las funciones de autocovarianzas y la de autocorrelaci´n son: o Retardo k=0 k=1 k=2 k=3 k=4 k=5 k>5 FACV 2 γ0 = (1 + θ1 )(1 + Θ2 ) σ 2 4 ∀k > 5 FAC ρ0 = 1 ρ1 = −θ1 2 1 + θ1 γ1 = −θ1 (1 + Θ2 ) σ 2 4 γ2 = 0 γ3 = θ1 Θ4 σ 2 2 γ4 = −Θ4 (1 + θ1 ) σ 2 ρ2 = 0 ρ3 = ρ4 = ρ5 = θ1 Θ4 2 (1 + θ1 )(1 + Θ2 ) 4 −Θ4 1 + Θ2 4 θ1 Θ4 2 (1 + θ1 )(1 + Θ2 ) 4 γ5 = θ1 Θ4 σ 2 γk = 0 ρk = 0 Modelo ARM A(1. Sea Yt un proceso estoc´stico estacionario que sigue el modelo: a (1 − φ L) Yt = (1 − Θ4 L4 ) at La media es cero y su varianza es: γ0 = V (Yt ) = E[Yt − 0]2 = E[φ Yt−1 + at − Θ4 at−4 ]2 = φ2 γ0 + σ 2 (1 + Θ2 ) − 2 φ Θ4 E(Yt−1 at−4 ) 4 Es necesario calcular la covarianza entre at−4 e Yt−1 : E(Yt−1 at−4 ) = E[φ Yt−2 + at−1 − Θ4 at−5 ] at−4 = φ E(Yt−2 at−4 ) E(Yt−2 at−4 ) = E[φ Yt−3 + at−2 − Θ4 at−6 ] at−4 = φ E(Yt−3 at−4 ) 112 Yt = φ Yt−1 + at − Θ4 at−4 .

E(Yt−1 at−4 ) = φ3 σ 2 y la varianza del proceso es: γ0 = σ 2 (1 + Θ2 − 2 φ4 Θ4 ) 4 1 − φ2 El resto de las autocovarianzas vienen dadas por: γ1 = Cov(Yt Yt−1 ) = E[(Yt Yt−1 )] = E[(φ Yt−1 + at − Θ4 at−4 ) Yt−1 ] = φ γ0 − Θ4 φ3 σ 2 γ2 = Cov(Yt Yt−2 ) = E[(Yt Yt−2 )] = E[(φ Yt−1 + at − Θ4 at−4 ) Yt−2 ] = φ γ1 − Θ4 φ2 σ 2 γ3 = Cov(Yt Yt−3 ) = E[(Yt Yt−3 )] = E[(φ Yt−1 + at − Θ4 at−4 ) Yt−3 ] = φ γ2 − Θ4 φ σ 2 γ4 = Cov(Yt Yt−4 ) = E[(Yt Yt−4 )] = E[(φ Yt−1 + at − Θ4 at−4 ) Yt−4 ] = φ γ3 − Θ4 σ 2 γ5 = Cov(Yt Yt−5 ) = E[(Yt Yt−5 )] = E[(φ Yt−1 + at − Θ4 at−4 ) Yt−5 ] = φ γ4 γk = Cov(Yt Yt−k ) = E[(Yt Yt−k )] = E[(φ Yt−1 + at − Θ4 at−4 ) Yt−k ] = φ γk−1 y las funciones de autocovarianzas y de autocorrelaci´n son: o Retardo k=0 k=1 k=2 k=3 k=4 k≥5 γ0 = FACV σ 2 (1 + Θ2 − 2 φ4 Θ4 ) 4 1 − φ2 FAC ρ0 = 1 ρ1 = φ − Θ4 φ3 σ 2 γ0 ∀k ≥ 5 γ1 = φ γ0 − Θ4 φ3 σ 2 γ2 = φ γ1 − Θ4 φ2 σ 2 γ3 = φ γ2 − Θ4 φ σ 2 γ4 = φ γ3 − Θ4 σ 2 γk = φ γk−1 Θ4 φ2 σ 2 γ0 Θ4 φ σ 2 ρ3 = φ ρ2 − γ0 ρ2 = φ ρ1 − ρ4 = φ ρ3 − ρk = φ ρk−1 Θ4 σ 2 γ0 113 .An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 E(Yt−3 at−4 ) = E[φ Yt−4 + at−3 − Θ4 at−7 ] at−4 = φ E(Yt−4 at−4 ) E(Yt−4 at−4 ) = E[φ Yt−5 + at−4 − Θ4 at−8 ] at−4 = σ 2 Por lo que.

SARRIKO-ON 4/09 Modelo ARM A(0. 1) × (0. An´lisis de Series Temporales: modelos ARIMA a Sea Yt un proceso estoc´stico estacionario que sigue el modelo: a Yt = (1 − θ1 L)(1 − Θ4 L4 − Θ8 L8 )at Yt = at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 La media es cero y sus autocovarianzas son: γ0 = V (Yt ) = E[Yt − 0]2 = E[at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ]2 2 2 2 2 = (1 + θ1 + Θ2 + Θ2 + θ1 Θ2 + θ1 Θ2 ) σ 2 = (1 + θ1 ) (1 + Θ2 + Θ2 ) σ 2 4 8 4 8 4 8 γ1 = Cov(Yt Yt−1 ) = E[(Yt − 0) (Yt−1 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−1 − θ1 at−2 − Θ4 at−5 − Θ8 at−9 + θ1 Θ4 at−6 + θ1 Θ8 at−10 )] = −θ1 (1 + Θ2 + Θ2 ) σ 2 4 8 γ2 = Cov(Yt Yt−2 ) = E[(Yt − 0) (Yt−2 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−2 − θ1 at−3 − Θ4 at−6 − Θ8 at−10 + θ1 Θ4 at−7 + θ1 Θ8 at−11 )] = 0 γ3 = Cov(Yt Yt−3 ) = E[(Yt − 0) (Yt−3 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−3 − θ1 at−4 − Θ4 at−7 − Θ8 at−11 + θ1 Θ4 at−8 + θ1 Θ8 at−12 )] = θ1 Θ4 (1 − Θ8 ) σ 2 γ4 = Cov(Yt Yt−4 ) = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−4 − θ1 at−5 − Θ4 at−8 − Θ8 at−12 + θ1 Θ4 at−9 + θ1 Θ8 at−13 )] = 2 = (−Θ4 + Θ4 Θ8 ) (1 + θ1 ) σ 2 γ5 = Cov(Yt Yt−5 ) = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−5 − θ1 at−6 − Θ4 at−9 − Θ8 at−13 + θ1 Θ4 at−10 + θ1 Θ8 at−14 )] = θ1 Θ4 (1 − Θ8 ) σ 2 γ6 = Cov(Yt Yt−6 ) = E[(Yt − 0) (Yt−6 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−6 − θ1 at−7 − Θ4 at−10 − Θ8 at−14 + θ1 Θ4 at−11 + θ1 Θ8 at−15 )] = 0 γ7 = Cov(Yt Yt−7 ) = E[(Yt − 0) (Yt−7 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−7 − θ1 at−8 − Θ4 at−11 − Θ8 at−15 + θ1 Θ4 at−12 + θ1 Θ8 at−16 )] = θ1 Θ8 σ 2 γ8 = Cov(Yt Yt−8 ) = E[(Yt − 0) (Yt−8 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) 2 (at−8 − θ1 at−9 − Θ4 at−12 − Θ8 at−16 + θ1 Θ4 at−13 + θ1 Θ8 at−17 )] = −Θ8 (1 + θ1 ) σ 2 114 . 2)4 .

An´lisis de Series Temporales: modelos ARIMA a γ9 = Cov(Yt Yt−9 ) = E[(Yt − 0) (Yt−9 − 0)] = SARRIKO-ON 4/09 = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−9 − θ1 at−10 − Θ4 at−13 − Θ8 at−17 + θ1 Θ4 at−14 + θ1 Θ8 at−18 )] = θ1 Θ8 σ 2 γ10 = Cov(Yt Yt−10 ) = E[(Yt − 0) (Yt−10 − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 − Θ8 at−8 + θ1 Θ4 at−5 + θ1 Θ8 at−9 ) (at−10 − θ1 at−11 − Θ4 at−14 − Θ8 at−18 + θ1 Θ4 at−15 + θ1 Θ8 at−19 )] = θ1 Θ8 σ 2 γk = Cov(Yt Yt−k ) = E[(Yt − 0) (Yt−k − 0)] = = E[(at − θ1 at−1 − Θ4 at−4 + θ1 Θ4 at−5 ) (at−k − θ1 at−k−1 − Θ4 at−k−4 + θ1 Θ4 at−k−4−1 )] = 0 ∀k > 10 Las funciones de autocovarianzas y de autocorrelaci´n 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 γ0 = (1 + θ1 )(1 + Θ2 + Θ2 ) σ 2 4 8 FAC ρ0 = 1 ρ1 = θ1 2 1 + θ1 θ1 Θ4 (1 − Θ8 ) 2 (1 + θ1 ) (1 + Θ2 + Θ2 ) 4 8 −Θ4 (1 − Θ8 ) 1 + Θ2 + Θ2 4 8 θ1 Θ4 (1 − Θ8 ) 2 (1 + θ1 ) (1 + Θ2 + Θ2 ) 4 8 γ1 = (−θ1 )(1 + Θ2 + Θ2 ) σ 2 4 8 γ2 = 0 γ3 = θ1 Θ4 (1 − Θ8 ) σ 2 2 γ4 = (1 + θ1 ) (−Θ4 + Θ4 Θ8 ) σ 2 ρ2 = 0 ρ3 = ρ4 = ρ5 = γ5 = θ1 Θ4 (1 − Θ8 ) σ 2 γ6 = 0 γ7 = θ1 Θ4 σ 2 2 γ8 = −Θ8 (1 + θ1 ) σ 2 ρ6 = 0 ρ7 = ρ8 = ρ9 = (1 + θ1 Θ4 2 ) (1 + Θ2 θ1 4 + Θ2 ) 8 −Θ8 1 + Θ2 + Θ2 4 8 (1 + θ1 Θ4 2 ) (1 + Θ2 θ1 4 + Θ2 ) 8 γ9 = θ1 Θ4 σ 2 γk = 0 ρk = 0 115 .

4 L) at (C) (D) (1 − 0. Mientras que si es un AR(1) como en el modelo (C) la parte regular es infinita y decrece exponencialmente hacia cero. 7 L4 ) Yt = (1 + 0. d) En los retardos estacionales..4 0.8 Modelo C 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 1 -0. como en los modelos (A).4 0. que recogen la estructura regular (observaciones a contiguas) se reproduce la estructura marcada por los polinomios φp (L) y θq (L) de la parte regular.8 -0.6 0.5.8 -1 -1 1 1 0. (B) y (D). se representa la estructura estacional generada por los polinomios ΦP (L) y ΘQ (L). 4 L) Yt = (1 + 0.. con t´rminos de interacci´n e o porque ambas estructuras no son independientes.8 -0.2 0.2 -0. se tiene que ρ1 = 0 ı..4): a a) El c´lculo 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.6 0. 7 L − 0. 8 L4 ) at Yt = (1 + 0. 2.4 -0.5 se muestran las funciones de autocorrelaci´n de los siguientes a o modelos para la serie Yt estacionaria posiblemente tr´s alguna transformaci´n: a o (A) Yt = (1 + 0.6 -0.6 0.4 0.8 -1 -1 Con los resultados derivados para los dos modelos presentados y la ayuda de la figura 7.2 0.4 -0.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0. . Modelos ARIMA multiplicativos.5: Funci´n de autocorrelaci´n.4 -0. 4 L) (1 + 0.6 -0.4 0. Para estructuras medias m´viles estacionales o 116 . se puede aproximar la estructura general de la FAC del proceso ARIM A estacional multiplicativo (7. y luego el resto son cero. k = 1. a o o 1 1 0.8 Modelo B 0.8 Modelo A 0.. As´ si es un M A(1).2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.. k = 2.6 0. 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.4 -0.6 -0. 2 L2 ) (1 + 0.6 -0. c) En los retardos m´s bajos. . 4 L4 ) at Gr´fico 7. 3s. 7 L4 ) at (B) (1 − 0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a En las cuatro figuras del gr´fico 7.8 Modelo D 0. 2s.2 -0.

. Q)s presentar´ ıa el decaimiento r´pido y continuado caracter´ a ıstico de estos modelos. js + 2. aparecer´ a ambos lados de cada retardo ıan estacional no nulo 2 coeficientes distintos de cero. se reproduce la FACP de la parte regular. ıa c) En los retardos estacionales.. Si es un M A(q) o un ARM A(p. k = 1. 2.... k = js − 1. con un componente de interacci´n porque ambas no son independientes. los dos primeros coeficientes estacionales. . se reproduce la FAC de la parte regular. ıa d) Alrededor de los retardos estacionales se observa la interacci´n entre la parte regular y la o estacional que se manifiesta como sigue: • A la derecha de cada coeficiente estacional. js − 2.. = 0 son cero. . Si el coeficiente estacional es positivo la FACP regular aparece invertida. que recogen la estructura regular se reproduce la estructura marcada por los polinomios φp (L) y θq (L) de la parte regular. 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. un M A(2).. mientras que si fuera un AR(P ) se truncar´ en el retardo k = P s. 117 .. . Si es un M A(Q)s o un ARM A(P. Not´se que para e este modelo los coeficientes ρ1 .An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 como las de los modelos (A) y (C) de forma M A(1)4 . Para el modelo (D).. a ambos lados de los retardos estacionales se observa el decrecimiento exponencial impuesto por esta estructura autorregresiva. ρ4 . . mientras que si fuera un AR(p) se truncar´ en el retardo p. ρ2 . Por ultimo. por lo que ρs−1 = ρs+1 = 0. • A la izquierda de los coeficientes estacionales. se observa que ρ4 = 0 y luego los siguientes coeficientes estacionales son cero. q) × (P. 3s. e) Alrededor de los retardos estacionales se observa la interacci´n entre la estructura regular o y la estacional que se manifiesta en la repetici´n a ambos lados de cada retardo estacional o de la funci´n de autocorrelaci´n simple de la parte regular. Si la parte regular fuera. k = s. M A(2)4 . . en cambio.. k = js + 1. 2s. es decir.. sin embargo. En los modelos con estacionalidad autorregresiva la FAC es infinita para los retardos estacionales y decrece exponencialmente (ve´se modelo a (B)). (B) y (D) la parte regular es un M A(1). ρ8 = ρ1 2 = . q) presentar´ el decaimiento r´pido y continuado caracter´ ıa a ıstico de estos modelos. ρ8 . se representa la estructura estacional generada por los polinomios ΦP (L) y ΘQ (L). se va a tratar la estructura de la funci´n de autocorrelaci´n parcial (FACP) de un modelo o o ARM A(p. o Para completar la descripci´n de las caracter´ o ısticas de los procesos estacionales multiplicativos. o a b) En los retardos m´s bajos. si la parte regular es un ´ AR(1) como en el modelo (C). . o o En los modelos (A).. son distintos de cero y el resto son cero. . ρ3 yρ4 recogen por un lado la estructura regular de la serie y la de interacci´n entre la parte regular y la parte estacional. mientras que si es negativo la FACP regular aparece con su propio signo.

. Q)s que puedan representar la evoluci´n de la serie Yt . d. Se trata de proponer el/los modelos ARIM A(p. Como e a la serie original no es estacionaria en varianza. .6. Los datos de ambas series se encuentran en el ap´ndice C. En primer lugar. Al final e de esta secci´n se propone como ejercicio al lector la modelizaci´n de la serie trimestral ´ o o ındice de producci´n industrial austr´ o ıaco.8 100 1950 1952 1954 1956 1958 1960 4. se estudia la necesidad de incluir o no un t´rmino ´ e independiente en el modelo. . Por ultimo. D.2 5 200 4. tomamos la transformaci´n logar´ o ıtmica que presenta una variabilidad homog´nea en toda la muestra (ve´se la figura de la derecha e a del gr´fico 7. Pasajeros a o a de L´ ıneas A´reas. Q)s apropiado para la serie estaıa cional Y1 . e 700 6.6 1950 1952 1954 1956 1958 1960 400 300 El an´lisis de la estacionariedad en media de una serie se lleva a cabo. serie mensual observada desde Octubre de 1949 a Septiembre de 1961. a A. q)(P. se seleccionn los ordenes (p.2 6 500 5.4 600 6. q)(P. e ´ Identificacion. despu´s. An´lisis de estacionariedad El instrumento utilizado para estudiar la estacionariedad en varianza de la serie es su gr´fico que permite observar si la variabilidad de la serie es homog´nea a lo largo del a e tiempo o no. se analiza la estacionariedad de la serie tanto en varianza o como en media y. Estimaci´n.4. Gr´fico 7. utilia zando tres instrumentos: el gr´fico.6 5. q) de la estructura regular estacionaria y (P. Modelizaci´n ARIMA estacional. Este es el caso de la serie Pasajeros de L´ ıneas A´reas (Pasajeros) como muestra la figura de la izquierda del gr´fico7. YT consta de las fases de Identificaci´n. Q)s de la estructura estacional estacionaria. Validaci´n y Predicci´n. o o o o Se ilustrar´ el proceso de construcci´n del modelo con una serie cl´sica en la literatura. para la serie original o aquella transformaci´n estacionaria de la e o misma. d.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a 7. o La metodolog´ para construir el modelo ARIM A(p. Por lo tanto.6). la funci´n de autocorrelaci´n y los contrastes de ra´ a o o ıces unitarias. 118 Ln(pasajeros) Pasajeros . En las series con comportamiento estacional suele suceder que la variabilidad o amplitud del ciclo estacional crece con la tendencia. Y2 . D. consideramos que la serie Ln(P asajeros) es estacionaria en a varianza.4 5.6: Pasajeros de L´ a ıneas A´reas (datos originales y logaritmos).8 5.6 6. en general. .

96/T^0. La figura izquierda del gr´fico 7. Ya no se a -0.8 muestra la serie (1 − L12 ) Ln(P asajeros) . Gr´fico 7.5 0 0 -0.1. la figura superior del gr´fico 7.5 FAC de D12 Ln(pasajeros) FACP de Ln(pasajeros) 11 0.1.5 +. diferencias 0.96/T^0. se observa que no a es estacionaria en media porque no oscila en torno a un nivel constante.96/T^0.5 0.5 estacionales para solucionar el problema de la no estacionariedad estacional. Tomaremos.5 +. Por otro lado.5 -1 -1 0 0 5 5 10 10 15 15 20 20 retardo retardo 25 25 30 30 35 35 +.96/T^0.5 FAC de de D12 Ln(pasajeros) FACP D1 D12 Ln(Pasajeros) 1 1 0. en primer lugar.5 -1 -1 00 5 5 10 10 15 15 20 20 retardo retardo 25 25 30 30 35 35 +. Para buscar una transformaci´n1. presenta un ciclo estacional sistem´tico con los meses de verano en los a valores m´ximos del ciclo y los de invierno en los m´ a ınimos.5 -0.5 0 -0. no es estacionaria porque. por un lado.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Inspeccionando en primer lugar el gr´fico de la serie Ln(P asajeros)t .5 -1 0 5 10 15 20 retardo 25 30 35 +.5 0.1. a FAC de Ln(pasajeros) 1 0. e 24 y 36.5serie que s´ sea estani o de la ı +cionaria. por otro lado.5 -0.7: Correlogramas de la Ln(Pasajeros) y algunas transformaciones.5 -1 0 5 10 15 0 119 20 retardo 25 30 35 .1.96/T^0.5 00 -0. con lo que la media de cada mes es distinta.96/T^0. su tendencia (comportamiento a largo plazo) es creciente y.1. De hecho. se suele proceder a diferenciar la serie.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.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: not´se el lento decrecimiento para los tres retardos estacionales: 12.

8: Gr´ficos de algunas diferencias de la serie Ln(Pasajeros). Por otro lado.1 0. o ız Concluimos que la serie (1 − L12 ) Ln(P asajeros) no es estacionaria en la parte regular.05 (1-L12) Ln(pasajeros) 0. No parece el gr´fico de una serie estacionaria en media sino el de una serie a que va cambiando de nivel. n se est´ actuando tambi´n sobre la no estacionariedad en tendencia. pero al estar aplicando a la vez el operador de diferencias regular.7) muestra un decrecimiento hacia cero que no es exponencial en la parte regular. hay que se˜alar tambi´n que ha desaparecido el comportamiento n e tendencial creciente de la serie. u Por ultimo. 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 + .2 0. a aunque ya no hay problemas en los retardos estacionales.15 0 0.7) decrece r´pidamente hacia cero tanto en la a a estructura regular como en la estacional.1 -0.05 -0.3 0. + L11 ) lo que implica que al tomar diferencias estacionales.1): a tc = −2. por lo que se toma otra diferencia regular y se analiza la posible estacionariedad de la serie (1 − L)(1 − L12 ) Ln(P asajeros) .25 (1-L) (1-L12) Ln(Pasajeros) 0. 120 . . (1 − L) . el contraste ADF para la hip´tesis nula de existencia de ra´ unitaria en la ´ o ız serie (1 − L12 ) Ln(P asajeros) . por un lado.05 0. 71 > DF0.15 0.1 0 -0.15 1952 1954 1956 1958 1960 La serie (1 − L12 ) Ln(P asajeros) ya no crece sistem´ticamente sino que parece oscilar a en torno a un nivel pero con grandes rachas de observaciones por encima y por debajo del promedio. estamos eliminando. a e Gr´fico 7. 89 Por lo que no se rechaza la hip´tesis nula de existencia de ra´ unitaria. . Se observa que el gr´fico de esta transformaci´n de la a o serie (ve´se la figura derecha del gr´fico 7.05 1952 1954 1956 1958 1960 -0. El an´lisis de su correlograma (ve´se la figura intermedia del a a gr´fico 7.8) oscila en torno a una media cero y que su a a correlograma (figura inferior del gr´fico 7.35 0. a a 0. proporciona el siguiente resultado (ve´se cuadro 7.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a aprecia un comportamiento estacional sistem´tico y no se observan diferencias de media por a cada mes.05 = −2. la estacionalidad no estacionaria mediante el operador S12 (L) que suma las observaciones de cada a˜o. Este resultado parece indicar que la serie a´n no es estacionaria en la parte regular.

... (1 − L12 )Ln(P asajeros)...0001 o 121 . + e Coef.L)y = b0 + (a-1)*y(-1) + .1): -2.249907 Estad´stico de contraste: tau c(1) = -2.07233 o Cuadro 7.006 o valor estimado de (a . orden 12. para (1-L12) Ln(Pasajeros): tama~o muestral 119 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste con constante modelo: (1 .2: Contrastes de ra´ ıces unitarias.44332 ı valor p asint´tico 0.006 o valor estimado de (a .1): -2..An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Cuadro 7.L)y = b0 + (a-1)*y(-1) + .70958 ı valor p asint´tico 0. de autocorrelaci´n de primer orden de e: -0. + e Coef.L)y = (a-1)*y(-1) + . (1 − L)(1 − L12 )Ln(P asajeros) Contrastes aumentados de Dickey-Fuller.1): -0.1: Contrastes de ra´ ıces unitarias. orden 12. (1-L)(1-L12) Ln(Pasajeros): tama~o muestral 118 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 .46639 ı valor p asint´tico 8. Contrastes aumentados de Dickey-Fuller. + e Coef. de autocorrelaci´n de primer orden de e: -0.015 o valor estimado de (a .22377 Estad´stico de contraste: tau c(1) = -4. de autocorrelaci´n de primer orden de e: -0.22523 Estad´stico de contraste: tau nc(1) = -4.807e-006 o contraste con constante modelo: (1 .

05 = −2. osea. 1)12 . Por ultimo. no hay que a˜adir ninguna o n constante. 141343 Asimetr´ ıa 0. El gr´fico de la funci´n de autoo o a a o correlaci´n simple muestra que el primer coeficiente regular significativamente distinto de o cero y que en la parte estacional tambi´n solo el primer coeficiente.1963:09 para la variable (1-L) (1-L12) Ln(Pasajeros) (131 observaciones v´lidas) a Media 0. Observ´se o e como a ambos lados de los coeficientes estacionales de la FAC se reproduce la estructura de la parte regular. D = 1 . de curtosis 1. 44 < DF0.2 muestran que se: tc = −4. 140720 Exc. Para confirmar esta conclusi´n. 619 122 M´ ınimo −0. por lo que la serie Ln(P asajeros) es integrada de orden 1 en la parte regular. Q) o o La elecci´n del / los modelos apropiados para la serie estacionaria se realiza estudiando su o funci´n de autocorrelaci´n simple y parcial (gr´fico 7. En principio.9). ıces los resultados del cuadro 7. usando las observaciones 1949:10 . como tanto en la parte regular como en la estacional observamos que el primer coeficiente de la FAC es distinto de cero y el resto no son significativos proponemos una estructura medias m´viles de orden 1 para ambas. 0381906 M´ximo a 0. 000000 C. 1)(0. ρ12 . 000290880 Desv. 0458483 Mediana 0. 0. por lo tanto. es significativae mente distinto de cero. aunque se aprecia una estructura general exponencial decreciente.V. 157. El gr´fico de la serie (figura derecha del gr´fico 7. Selecci´n de los ´rdenes (p. es preciso decidir si es necesario incluir o no un t´rmino indee e pendiente. con el estad´ ıstico: t= ¯ Z σZ ¯ Para calcular este estad´ ıstico se utilizan los siguientes datos sobre la serie estacionaria (1 − L)(1 − L12 )Ln(P asajeros) Estad´ ısticos principales. 89 Por lo que se rechaza la hip´tesis nula de existencia de ra´ unitaria. contrastamos la hip´tesis nula de que la media o o de la serie Zt = ∆∆12 Ln(P asajeros)t es cero. T´ ıp. o ız Podemos concluir que la serie (1 − L)(1 − L12 ) Ln(P asajeros) es estacionaria. B. En la funci´n de autocorrelaci´n parcial se observa que el primer o o coeficiente es significativamente distinto de cero. y que en la parte estacional el coeficiente p12 es significativamente distinto de cero y decrecen. d = 1 e integrada de orden 1 en la parte estacional. para acabar de identificar el/los modelos que pueden haber generado la serie ´ Pasajeros de l´ ıneals a´reas. 14778 .9) parece sugerir que la media a a de esta transformaci´n estacionaria es cero y que. q) y (P. ARM A(0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a En lo que se refiere al contraste de ra´ unitarias sobre la serie (1−L)(1−L12 ) Ln(P asajeros) .

1.9: FAC y FACP estimadas de la serie estacionaria. 387) = 0. 04582 2 ˆ ¯ σZ = V (Z) (1 + 2 ρ1 + 2 ρ12 ) = ˆ ˆ (1 + 2 0. 5569 L12 ) at 123 .An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 7. 1. En la etapa de Identificaci´n se ha propuesto el siguiente modelo candidato a haber generado la o serie Pasajeros de l´ ıneas a´reas: e ARIM A(0.5 -1 0 5 10 15 20 retardo 25 30 35 +. a FAC de D1 D12 Ln(Pasajeros) 1 0.5 As´ se obtiene: ı.96/T^0.96/T^0.5 FACP de D1 D12 Ln(Pasajeros) 1 0. 1. no se rechaza la hip´tesis nula y no se incluye un t´rmino independiente en o e el modelo. 04628 < 2 ≈ t0.5 0 -0.025 (130) 0. 1)(0. 4018 L) (1 − 0. 0000395 ¯ (131 − 1) t = 0.5 0 -0. 000291 = 0.1. El modelo estimado seg´n el output obtenido con Gretl que se presenta a continuaci´n es: u o ∆∆12 Ln(P asajeros)t = (1 − 0. 006287 Por lo tanto. 1)12 : ∆∆12 Ln(P asajeros)t = (1 − θ L) (1 − Θ L12 ) at ´ Estimacion. 34 + 2 0.5 -1 0 5 10 15 20 retardo 25 30 35 +. 0.

H0 : Θ = 0 Ha : Θ = 0 −0.025 ≈ 2 Se rechaza H0 : Θ = 0 para un nivel de significaci´n del 5 %.0896453 0. 4887 1. comprobaremos. 0000 valor p 0. 0699 = = | − 3.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Modelo 1: estimaciones ARIMA utilizando las 131 observaciones 1950:11–1961:09 Variable dependiente: (1 − L)(1 − L12 )Ln(P asajeros) Desviaciones t´ ıpicas basadas en el Hessiano Coeficiente θ1 Θ1 −0. 346| > N0.000290880 0. t´ ıpica 0. 0000 0. 7955 Frecuencia 0.0458483 0. Contrastes de significatividad individual: H0 : θ = 0 Ha : θ = 0 θ: θ σθ ˆˆ .696 M´dulo o 2. 79| > N0. 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.6183 0. Comenzando por el an´lisis de los coeficientes.4824 −7. 4887 1. o El modelo propuesto es estacionario porque es un medias m´viles finito y es invertible porque o el m´dulo de las trece ra´ o ıces medias m´viles est´ fuera del c´ o a ırculo unidad.T.00100838 0. 265 0. 0000 0. 124 . dependiente D. 072 = = | − 7. o Θ: ˆ Θ σΘ ˆ −0. en primer lugar. si son o no a estad´ ısticamente significativos. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 2.0000 0.0731050 estad´ ıstico t −4.0000 Media de la var.556937 Desv.00134810 244. 0000 MA MA (estacional) Ra´ ız Ra´ ız 1 1 ´ Validacion. 527 0.401823 −0. 7955 Imaginaria 0.025 ≈ 2 Se rechaza H0 : θ = 0 para un nivel de significaci´n del 5 %.

5 Estad´ ısticos principales.0. usando las -1 observaciones 1949:10 .96/T^0.15 FAC de los residuos 1 0. o 125 . 0por lo que no se rechaza la hip´tesis nula de o 0.05 que los 36 primeros coeficientes de autocorrelaci´n son conjuntamente cero.05 Por lo tanto.5 El estad´ ıstico de Box-Ljung. Q = 43. 0770597 M´ximo a 0.05 Residuo 0 -0.10 en la a a a que se observa que los residuos oscilan en torno a cero con una variabilidad bastante homog´nea. a o o 0. e Por otro lado.10: Serie: ∆∆12 Ln(P asajeros). de curtosis 0.15 1952 1954 1956 1958 1960 FACP de los residuos En cuanto al contraste de significaci´n conjunto de la siguiente hip´tesis nula: o o 1 H0 : ρ1 = ρ2 = . = ρ36 = 0 . +. 37. o -0. Estimaci´n y diagn´sticos. 00280376 C. 00100838 Desv. Gr´fico 7. podemos concluir que los residuos se comportan como un ruido blanco si bien no parecen seguir una distribuci´n normal.5 . 0376848 Mediana −0. 112436 Exc. 99 0. T´ ıp.1. 46 > χ2 (2) = 5. 118741 Asimetr´ ıa 0. el correlograma de los residuos muestra que ning´n coeficiente de autocorrelaci´n u o est´ fuera de la regi´n cr´ a o ıtica.5 -1 0 5 10 15 20 retardo 25 30 35 +. 547118 En lo que se refiere al contraste de Jarque-Bera de Normalidad. 75 < χ2 .05 -0.1 0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Comenzamos el an´lisis de los residuos con el an´lisis de la figura izquierda del gr´fico 7.1 -0.96/T^0.1.5 0 -0.1963:09 0 5 10 25 para la variable uhat1 (131 observaciones v´lidas) 20 a 15 retardo 30 35 Media 0. 0.V. 3715 M´ ınimo −0.5 0. se tiene que: JB = 32. por lo que ninguno es significativamente distinto de cero.

a Pregunta: ¿Es la serie estacionaria en varianza? Busca la transformaci´n estacionaria. q)(P.1.04 0.1 4 3. o Gr´fico 7.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Ejercicio 7.06 0 1976 1978 1980 1982 1984 1986 1988 -0. a a 0.6 110 4.02 0 0.5 Ln(IPI) 130 120 100 IPI 4.08 (1-L) (1-L4) Ln(IPI) 0.2 70 4. An´lisis de estacionariedad. A.14 0. D.06 -0.9 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 transformaci´n estacionaria.9 4.08 0.04 -0. o Gr´fico 7.1 (1-L4) Ln(IPI) 0.02 0.11: Serie: Indice de Producci´n Industrial (1975:I .4 4. Q)s apropiado a para la serie trimestral del ´ Indice de producci´n 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 ap´ndice C).02 -0.06 0.12: Gr´ficos de diferencias de la serie Ln(IPI). ´ Indice de Producci´n Industrial austr´ o ıaco.08 1976 1978 1980 1982 1984 1986 1988 (1 − L4 )Ln(IP I) 126 (1 − L)(1 − L4 )Ln(IP I) .16 0.3 90 80 4.8 4.12 0.7 4.1988:IV) a o 140 4. construye del modelo ARIM A(p. e ´ Identificacion.04 0. Dados los siguientes gr´ficos y tablas. d.

5 127 8 retardo 10 12 14 16 .1.13: Correlogramas de diferencias de la serie Ln(IPI).96/T^0.96/T^0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 7.1.5 -1 0 2 4 6 +.1.96/T^0.5 -0.5 ∆4 ln(IP I) 1 1 0.5 0 -0.5 +.5 -1 0 2 4 6 8 retardo 8 retardo 10 10 12 12 14 14 16 16 FACP de D1 D4 Ln(IPI) +.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) +.5 0 0 -0.96/T^0.5 +.5 ∆ ∆4 ln(IP I) 1 0.96/T^0.5 -0.5 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 0 0 -0.1.1. a FAC de Ln(IPI) 1 0.5 ln(IP I) 1 1 0.5 0.

3701 o contraste con constante modelo: (1 .3: Contrastes de ra´ ıces unitarias..L)y = b0 + (a-1)*y(-1) + . de autocorrelaci´n de primer orden de e: 0.005 o valor estimado de (a . de autocorrelaci´n de primer orden de e: -0...1): -1.0473233 Estad´stico de contraste: tau nc(1) = -0.64814 Estad´stico de contraste: tau nc(1) = -3. de autocorrelaci´n de primer orden de e: -0. orden 4.65382 ı valor p asint´tico 0.1): -0. Contrastes aumentados de Dickey-Fuller.004838 o 128 .022 o valor estimado de (a .1): -1.0001 o contraste con constante modelo: (1 . + e Coef.1428 o Contrastes aumentados de Dickey-Fuller.022 o valor estimado de (a .L)y = (a-1)*y(-1) + .353237 Estad´stico de contraste: tau c(1) = -2.65542 Estad´stico de contraste: tau c(1) = -3.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Cuadro 7. + e Coef. de autocorrelaci´n de primer orden de e: -0.1): -0.L)y = (a-1)*y(-1) + .. para (1 − L4 ) Ln(IPI): tama~o muestral 47 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 . + e Coef. + e Coef.70536 ı valor p asint´tico 0.L)y = b0 + (a-1)*y(-1) + . orden 4....022 o valor estimado de (a .39611 ı valor p asint´tico 0..799128 ı valor p asint´tico 0. para (1 − L)(1 − L4 ) Ln(IPI): tama~o muestral 46 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 .

0334 M´ ınimo −0. 73581 Pregunta: ¿Qu´ modelo/modelos ARIMA estacionales propones para la serie IPI? e 129 .1.5 Estad´ ısticos principales. 23.V.96/T^0.14: FAC y FACP estimadas de la serie ∆∆4 ln IP It . de curtosis 1. 0795702 Asimetr´ ıa −0. usando las observaciones 1975:1 . 0260694 Mediana −0.5 -1 0 2 4 6 8 retardo 10 12 14 16 +. 0.96/T^0. o e SARRIKO-ON 4/09 Gr´fico 7.5 10 12 14 16 +.5 -1 0 2 4 6 8 retardo FACP de (1-L) (1-L4) Ln(IPI) 1 0. T´ ıp.1.1988:4 para la variable D1D4 LnIPI (51 observaciones v´lidas) a Media −0.5 0 -0. q) y (P. 0788784 Exc.An´lisis de Series Temporales: modelos ARIMA a B. 00316331 C. a FAC de (1-L) (1-L4) Ln(IPI) 1 0. Selecci´n de los ordenes (p. Q). y del t´rmino independiente.5 0 -0. 00113181 Desv. 0446416 M´ximo a 0.

237 Imaginaria 0.855573 Desv.5573 −5.296070 −0. 1688 Frecuencia 0. 8287 1.0105 0.161817 Estad´ ıstico t −2.0000 media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real 3. 0000 0. 0000 0. An´lisis de Series Temporales: modelos ARIMA a Un investigador ha propuesto los siguientes modelos para la serie IPI: Modelo A : Modelo B : (1 − φ L) ∆∆4 ln IP It = (1 − Θ L4 ) at ∆∆4 ln IP It = (1 − θ L) (1 − Θ L4 ) at Pregunta: ¿Est´s de acuerdo? ¿Por qu´? a e Con los resultados que se presentan a continuaci´n. 0000 0. 1511 AR MA (estacional) Ra´ ız Ra´ ız 1 1 Modelo B: estimaciones ARIMA utilizando las 51 observaciones 1976:2–1988:4 Variable dependiente: (1 − L)(1 − L4 ) Ln(IPI) Variable θ1 Θ1 Coeficiente −0.SARRIKO-ON 4/09 ´ Estimacion.177300 −2.0000 media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real −2.2873 0. 3776 1. 5000 0.000401395 124. 0000 valor p 0. o Modelo A: estimaciones ARIMA utilizando las 51 observaciones 1976:2–1988:4 Variable dependiente: (1 − L)(1 − L4 ) Ln(IPI) Variable Coeficiente Desv. 0000 0.353517 −0. t´ ıpica 0. t´ ıpica Estad´ ıstico t valor p φ1 Θ1 −0.000413225 123.00171446 0. 0000 M´dulo o 3.00184053 0.0072 0. 8287 1.115774 0.131443 0.8998 0.868740 0. escribe los modelos estimados. 1688 MA MA (estacional) Ra´ ız Ra´ ız 1 1 130 .660 Imaginaria 0. 3776 1.6895 −4. 1511 Frecuencia 0. 0000 M´dulo o 2.

1)4 Residuos de la regresión (= L_IPI observada − estimada) 0.04 0. 1)(0.4 contesta a las siguientes a pregunta: Pregunta: ¿Se ajustan los modelos a los datos? ¿Qu´ modelo seleccionar´ para predecir? e ıas Cuadro 7. 1.5 0 -0.1.5 -1 0 2 4 6 8 retardo FACP de los residuos 1 0.06 1976 1978 1980 1982 1984 1986 1988 −0.96/T^0.5 -1 0 2 4 6 10 12 14 16 +.1. 0)(0. 1.96/T^0.96/T^0.06 0.5 0 -0.5 8 retardo 10 12 14 16 Q(24) = 16.1. o Modelo ARIM A(1.4: Serie: ∆∆4 ln IP It .02 −0.04 0.08 0.00 131 . 1.04 −0. 1.5 8 retardo 10 12 14 16 FACP de los residuos +.5 -1 0 2 4 6 8 retardo 10 12 14 16 +.An´lisis de Series Temporales: modelos ARIMA a ´ Validacion SARRIKO-ON 4/09 Con los resultados mostrados en los gr´ficos y tablas del cuadro 7.06 1976 1978 1980 1982 1984 1986 1988 FAC de los residuos 1 0. Diagn´stico.96/T^0.1.08 Modelo ARIM A(0.5 -1 0 2 4 6 FAC de los residuos +.06 0.02 −0.5 1 0.465 Q(24) = 18.5 0 -0.02 0.5 0 -0.5 1 0.02 residuo 0 residuo 0 −0. 1)4 Residuos de la regresión (= L_IPI observada − estimada) 0.04 −0.

de curtosis 1. 00158269 C.V. 706177 M´ximo a 0. 0479773 Asimetr´ ıa 0. 588185 M´ximo a 0. 1)4 Estad´ ısticos principales. 00171446 Desv. T´ ıp. 1. 1716 M´ ınimo −0.1988:4 para la variable uhatB (51 observaciones v´lidas) a Media 0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Modelo ARIM A(1. 1. 0)(0.V. 000717917 C. 11. 1. 0208678 Mediana −0. 0430086 Asimetr´ ıa 0. 0. 0740437 Exc.1988:4 para la variable uhatA (51 observaciones v´lidas) a Media 0. T´ ıp. 00184053 Desv. de curtosis 1. 1)(0. 47041 Modelo ARIM A(0. usando las observaciones 1975:1 . 4656 M´ ınimo −0. 12. 0747304 Exc. 0. 67900 132 . 1)4 Estad´ ısticos principales. 0211028 Mediana −0. usando las observaciones 1975:1 . 1.

Septiembre 1961) e A˜o n 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 Ene. 118 140 166 194 201 229 278 306 336 337 405 432 Oct. 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. 132 141 178 193 236 235 267 317 356 362 406 419 133 . 112 115 145 171 196 204 242 284 315 340 360 417 Nov. 136 158 184 209 237 259 312 355 404 404 463 508 Jul.An´lisis de Series Temporales: modelos ARIMA a Ap´ndice C. Datos. e SARRIKO-ON 4/09 Cuadro 7. 129 135 163 181 235 227 269 313 348 348 396 461 Febr. 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.5: Pasajeros de l´ ıneas a´reas (Octubre 1949 . 118 126 150 180 196 188 233 277 301 318 342 391 Dic.

8 75.5 56.7 109.4 107.6 72.1 70.6 60.9 79.4 66.9 57.8 94.6: ´ Indice de producci´n industrial (1o trimestre 1975 .3 112.2 74.4o 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 54.3 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 60.4 123.0 66.5 96.8 76.0 59.2 89.0 134 .9 112.6 Fecha 1987:1 1987:2 1987:3 1987:4 1988:1 1988:2 1988:3 1988:4 IPI 105.8 63.2 71.1 72.6 66.6 63.0 58.2 101.5 89.1 59.5 101.6 69.5 72.8 62.3 93.1 103.4 108.3 78.6 114.0 67.7 77.5 65.5 99.9 131.1 80.5 115.5 72.5 63.0 85.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Cuadro 7.0 129.4 82.8 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 72.6 82.1 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.

donde a. Sea Yt un proceso estoc´stico estacionario con funci´n de autocovarianzas γk . • Zt = ∆2 Yt es estacionario. ¿Cu´l es la funci´n de autocovarianzas del proceso Yt ? a o C2. ¿es estacionario? C3. ) 135 . donde Yt es un proceso estoc´stico estacioa a nario en covarianza y X es una variable aleatoria independiente de Yt . para todo t. . o o a o C4. Sea Yt un proceso estoc´stico tal que Yt = a + b X. ¿Qu´ conclusi´n general puedes obtener de los resultados obtenidos en los cuatro apartados e o anteriores? C5. ¿Es el proceso Yt estacionario?.Cap´ ıtulo 8 Ejercicios 8. • en general. Supongamos que la funci´n de autocovarianzas del proceso Yt no depende de t. • Zt = ∆4 Yt es estacionario. Considera ahora el proceso Zt = 10 − 4t + Yt . . Considera el proceso estoc´stico Zt = X + Yt . Demuestra que el proceso M A(∞) siguiente: Yt = at + c (at−1 + at−2 + . obt´n la media o o e y la funci´n de autocorrelaci´n simple del proceso Zt . Demuestra que: • Zt = ∆Yt = Yt − Yt−1 es estacionario. Demuestra que el proceso estoc´stico Yt a es estacionario en covarianza. la media del proceso viene dada por E(Yt ) = 4t. b son constantes a y X una variable aleatoria con media µ y varianza σ 2 .1. Cuestiones C1. pero sin o embargo. Suponiendo conocidas la media y varianza de X y la media y la funci´n de autocorrelaci´n simple de Yt . Zt = N j=0 aj Yt−j es estacionario.

Sea el proceso Yt = µ + at + θat−1 .s.05L4 )Yt = at ¿Podr´ sugerirle un modelo m´s parsimonioso? ¿Por qu´? ıas a e C9. Si un analista presenta el siguiente modelo AR(4) para una muestra dada: (1 + 0. ¿Por qu´ esperas que eT (1) sea o o e ruido blanco? C12. y YT (1) es la predicci´n ´ptima basada en el citado conjunto de o o informaci´n IT . o C8.48L + 0.a. o o C6. 136 .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a donde c es una constante. ¿Es el proceso Zt estacionario? ¿Es la varianza del proceso Zt mayor o menor que la del proceso Yt ? ¿Cu´l es a la funci´n de autocovarianzas del proceso diferenciado?. Comenta las siguientes frases: • Un modelo ARIM A(p. Contesta a las siguientes preguntas: • ¿C´mo se obtienen las funciones de autocorrelaci´n simple y parcial te´ricas? o o o • ¿C´mo se obtienen las funciones de autocorrelaci´n simple y parcial estimadas o muestrao o les? o e • ¿Las facs y facp estimadas se corresponden exactamente con las te´ricas? ¿Por qu´? C10.c. Considera el proceso AR estacionario (1 − φL)Yt = at y sea Zt = Yt − Yt−1 . de Yt no depende de µ. de forma que el error de predicci´n es eT (1). Considera el proceso MA estacionario Yt = (1 − θL)at y sea Zt = Yt − Yt−1 . no es estacionario. o C11. d. Si IT es un conjunto de informaci´n que incluye los valores pasados y presente de la serie ˆ que queremos predecir. demuestra que la f.14L3 + 0. Yt . o C7. q) bien construido tiene autocorrelaciones residuales que son todas cero. ¿Es el proceso Zt estacionario? ¿Es la varianza del proceso Zt mayor o menor que la del proceso Yt ? ¿Cu´l es a la funci´n de autocovarianzas del proceso diferenciado?.22L2 + 0. Busca la funci´n de autocorrelaci´n simple de Wt . • Un modelo ARIMA estimado con residuos que est´n significativamente autocorrelacionaa dos no es apropiado. donde µ es una constante. Demuestra tambi´n que las primeras diferencias e del proceso: Wt = Yt − Yt−1 son un proceso MA(1) estacionario.

. 7 at−1 − 0.5 1. p3 . p2 . 05 Yt−1 − 0. 45 at−1 Yt = at + 0. Problemas Problema 1. ρ5 .5 0. 09 Yt−2 + at − 0. ψ5 del modelo en forma M A(∞) en que. • Calcula los coeficientes de autocorrelaci´n parcial. Sean los modelos AR(1) siguientes: (a) (b) Yt = 0. 05 at−2 Yt = 0. sugiere valores aproxia mados para ρ1 y ρ2 . 5 Problema 2. • Calcula los pesos ψ1 . p5 .8 0. ˆ ˆ ˆ • Comprueba si tus sugerencias eran apropiadas calculando ρk . . 3. 3. en base a estos gr´ficos.8 1.6 0.2 • En base al gr´fico de las observaciones. ψ2 .6 1. γ0 . 6 Yt−1 + at + 0.8 1. Repres´ntalos gr´ficao e a mente. si es posible. 2.3 0. 4. 4 at−2 ¿Qu´ modelo ARM A(p. . Contamos con la siguiente serie temporal estacionaria: 1. 6.1 1. ρ2 . 5 Yt−2 + at Yt = −1. 7. 7 Yt−1 + at − 0. 2. . .1 0.2 0. . q) son? ¿Son estacionarios e invertibles? ¿Por qu´? e e Problema 3. 137 . ρ1 . sugiere un valor aproximado para el coeficiente de a autocorrelaci´n muestral de orden 1.9 1. γ1 . . k = 0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 8. . puede transformarse los dos modelos AR(1) dados. p1 . Repres´ntalos gr´ficameno e a te. 5 at−2 Yt = at − 1. 03 Yt−1 + at Yt = 0.2. 1.5 Yt−1 + at 2 σa = 2 • ¿Son estacionarios? ¿Son invertibles? • Calcula las autocovarianzas. . p4 .9 1. 5. Yt = 1. Considera los siguientes procesos estoc´sticos: a 1.2 0. . • Calcula los coeficientes de autocorrelaci´n simple. γ5 .8 Yt−1 + at Yt = −0. 4. . . o ˆ • Dibuja Yt contra Yt+1 e Yt contra Yt+2 y. 3 at−1 Yt = −0. ρ1 .5 0.

2. si es posible. ¿es de esperar que Y51 sea mayor o menor que la media? 2 σa = 4 Problema 5. Problema 6. Dibuja la funci´n de autoo o correlaci´n te´rica. ρ2 . o o • Si Y100 es mayor que la media del proceso. γ0 . .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Problema 4. o o • Si Y50 = 21 . Repres´ntalos gr´ficameno e a te. 5 at−1 2 σa = 4 • ¿Son estacionarios? ¿Son invertibles? • Calcula las autocovarianzas. . Considera el proceso AR(1) siguiente: Yt = 20 + 0. ¿es de esperar que Y101 sea tambi´n mayor? e 138 σ2 = 3 . • Calcula los coeficientes de autocorrelaci´n simple. . 5 at−1 ¿Crees que estos dos modelos lineales se pueden distinguir en base a observaciones de {Yt }?. . . Encuentra la funci´n de autocorrelaci´n simple o o de los siguientes procesos lineales: (1) Yt = at + 0. Yt = at − 0. Problema 7. Sea at un proceso ruido blanco. 9 at−1 Yt = at + 0.6 Yt−1 + at • ¿Es estacionario? ¿Es invertible? • Calcula la media y la funci´n de autocovarianzas del proceso. puede transformarse los dos modelos M A(1) dados. . 2 at−1 • ¿Es estacionario? ¿Es invertible? • Calcula la media y la funci´n de autocovarianzas del proceso. . π2 . Sean los modelos M A(1) siguientes: 1. • Calcula los pesos π1 . . 4 at−1 (2) Yt = at + 2. . γ1 . Dibuja la funci´n de autoo o correlaci´n te´rica. γ5 . . Considera el proceso M A(1) siguiente: Yt = 5 + at + 0. ρ1 . . ρ5 . π5 del modelo en forma AR(∞) en que. .

Calcula los coeficientes de autocorrelaci´n simo ple. 21 at−2 2 σa = 2 • ¿Son estacionarios? ¿Son invertibles? • ¿Cual es la estructura de la funci´n de autocorrelaci´n simple y de la funci´n de autocoo o o rrelaci´n parcial? o • Calcula las autocovarianzas. Sean los modelos M A(2) siguientes: 1. ρ5 . γ1 . Problema 9. 6 Yt−1 + 0. Calcula los coeficientes de autocorrelaci´n simo ple. ψ5 del modelo en forma M A(∞) en que. 2 Yt−2 + at • ¿Es estacionario? ¿Es invertible? o o o o • Calcula su media y funci´n de autocovarianzas. γ5 . . 4. . . . . 3Yt−2 + at Yt = 1. γ0 . γ5 . . γ1 . . . ρ5 . Yt = 0. ρ1 . 2 at−2 Yt = at + 0. 2. si es posible. Yt = at − 0. . π2 . . . 3 Yt−1 − 0. 4Yt−2 + at Yt = 1. . . Sean los modelos AR(2) siguientes: 1. . ψ2 . Repres´ntalos gr´ficamente. . 4 at−1 + 1. • Si Y45 = 12. e a • Calcula los pesos ψ1 . . 2 at−2 Yt = at − 1. γ0 . ρ2 . 4. 3 at−1 + 0. 7 at−1 − 0. e a • Calcula los pesos π1 . . 4 at−2 Yt = at − 0. Dibuja la funci´n de autocorrelaci´n te´rica. π5 del modelo en forma AR(∞) en que. si es posible. . 8 Yt−1 − 0. . . ¿es de esperar que Y46 sea mayor o menor que la media? σ2 = 1 Problema 10. 3. 8 Yt−1 − 0. 1 at−1 + 0. . . puede transformarse los cuatro modelos AR(2) dados. 2 Yt−1 − 0.An´lisis de Series Temporales: modelos ARIMA a Problema 8. 2. puede transformarse los cuatro modelos M A(2) dados. . 8Yt−2 + at Yt = 0. 139 . 3. ρ1 . Repres´ntalos gr´ficamente. Considera el proceso AR(2) siguiente: Yt = 10 + 0. 5Yt−2 + at σ2 = 3 SARRIKO-ON 4/09 • ¿Son estacionarios? ¿Son invertibles? • ¿Cual es la estructura de la funci´n de autocorrelaci´n simple y de la funci´n de autocoo o o rrelaci´n parcial? o • Calcula las autocovarianzas. . ρ2 .

. 4 at−2 ¿Puede simplificarse este modelo? Problema 14. . si es posible. escribe un modelo equivalente a con menos par´metros.6at−1 − 0. 6 at−1 σ2 = 5 • ¿Son estacionarios? ¿Son invertibles? • Calcula las autocovarianzas. . Indica a qu´ tipo de modelo ARM A(p. • Calcula los coeficientes de autocorrelaci´n simple. .2Yt−1 + 0. Repres´ntalos gr´ficameno e a te. ρ2 . puede transformarse los dos modelos ARM A(1. 9 Yt−1 + at + 0. ψ2 . . γ5 . 6 Yt−1 + at − 0. . e 140 .2) siguiente: Yt = 0. 8 at−1 Yt = 0. q) se puede asociar cada uno de los e siguientes pares de funciones de autocorrelaci´n simples y parciales te´ricas. Sea el modelo ARMA(2. ρ5 . explicando por o o qu´. . • Calcula los pesos ψ1 . ψ5 del modelo en forma M A(∞) en que. si es posible. . . π5 del modelo en forma AR(∞) en que. 1) dados. Sean los modelos ARM A(1.49 ρk = 0 k > 1 Problema 15. Problema 12. π2 . γ0 . 1) siguientes: (a) (b) Yt = 0. . Supongamos que la serie Yt ha sido generada como sigue: Yt = −0. a Problema 13. . . . 3 at−1 + 0.48Yt−2 + at + 0. • ¿Pueden simplificarse estos modelos? • Calcula los pesos π1 . . ρ1 .16at−2 e • ¿Qu´ proceso lineal sigue la serie Yt ? ¿Es estacionario? ¿Es invertible? • ¿Est´ el modelo sobreparametrizado? En caso afirmativo. 9 Yt−1 − 0. Encuentra un proceso invertible tal que: ρ0 = 1 ρ1 = 0. puede transformarse los dos modelos ARM A(1. 2 Yt−2 + at − 1. . . 1) dados.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Problema 11. γ1 .

100 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.800 0.600 -0.2 0.8 -1 -1 0.4 -0.400 0.5 0.700 0.3 -0.5 SARRIKO-ON 4/09 F.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.9 -0.2 0.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0.6 -0.6 0.6 -0.500 -0.1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0.4 0.5 1 1 0.200 6) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0.600 1 1 0. 0.8 0.4 0.3 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 0.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0.3 0.4 0.6 0.6 0.600 0.6 -0.4 0.8 -0.An´lisis de Series Temporales: modelos ARIMA a F.6 0.2 -0.1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.6 0.6 -0.S.3 0.700 0.4 -0.4 -0.1 1) 1 -0.7 0.3 0.8 0.2 -0.700 -0.100 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.4 0.2 3) 0 1 -0.8 0.AC.8 0.3 -0.900 0.8 -1 -1 0.200 -0.1 2) 0 1 -0.4 -0.600 0.6 0.4 0.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.9 0.P.5 0.6 0.700 -0.8 -0.4 0.8 0.500 0.2 8) 0 1 -0.900 0.400 -0.6 0.AC.400 -0.400 0.4 -0.1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.500 0.6 -0.4 -0.2 0.2 -0.7 0.2 0.4 -0.6 -0.2 0.2 7) 0 1 -0.300 0. 0.3 -0.6 -0.1 0.1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.500 -0.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.5 0.7 -0.8 -0.200 4) 0 1 -0.4 -0.5 -0.8 -0.800 0.300 -0.8 0.2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 -0.100 0.200 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 -0.7 0.2 0.3 -0.2 0.300 0.300 -0.1 0.5 -0.6 -0.4 -0.000 1 -0.4 -0.100 5) -0.8 0.8 141 .4 0.5 -0.4 0.

at . 56 ρ3 = 0. vienen dadas por: o ˆ 142 .20 -0.18 -0.25 6 0.38 -0.34 5 0.16 0. obt´n la predicci´n o e o para Y8 .37 -0. 23 ¿De qu´ proceso ARM A(p.84 2 0. Considera la siguiente secuencia de coeficientes de autocorrelaci´n: o ρ1 = 0. q) posible para Yt . A partir de una muestra de 64 observaciones se ha ajustado el siguiente modelo: (1 − 0.38 -0. o • ¿Qu´ modelo ARM A(p. Las funciones de autocorrelaci´n simple y parcial estimadas para una serie o temporal de 110 obeservaciones son las siguientes: k 1 2 3 4 5 ρk ˆ -0.8L) Yt = (1 + 0. q) ha podido generar la serie de datos? e Problema 18.36 y si Y7 = 1 .08 -0.03 • Calcula la desviaci´n t´ o ıpica asint´tica para cada coeficiente estimado. Problema 17. 42 ρ4 = 0.18 • Sugiere un modelo ARM A(p.43 4 0.57 3 0. 75 ρ2 = 0. La funci´n de autocorrelaci´n estimada para una serie Yt de 144 observaciones o o es: k rk 0 1 1 0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Problema 16. 31 ρ5 = 0. Problema 19. ρk y pk bajo el o ˆ ˆ supuesto de que se trata de una realizaci´n que procede de un ruido blanco.12 -0.6L) at ˆ Las funciones de autocorrelaci´n simple y parcial de los residuos.06 pk ˆ -0. • Estima ´l/los par´metros del modelo propuesto (Nota: Recuerda las expresiones para la e a funci´n de autocorrelaci´n simple en funci´n de los par´metros del modelo tanto para los o o o a modelos AR como MA. q) pueden provenir estos coeficientes? (considera s´lo valores bajos e o de p y q).) • Suponiendo que el error de predicci´n un periodo hacia adelante cometido al predecir Y6 o con informaci´n hasta el momento t = 5 es de −0.

Supongamos que se cuenta con las siguientes observaciones: Y100 = 8. En el momento t = 20. 6 Predice Y101 . 1 µ = 9. ¿Qu´ predicciones para Y22 e proporcionar´ ambos modelos con informaci´n hasta t = 21. ¿consideras aceptable el modelo ajustado? En caso cono trario. o o 103 y 104.390 0.An´lisis de Series Temporales: modelos ARIMA a k ρk ˆ pk ˆ 1 0. 6 at−1 donde at y vt son procesos ruido blanco con media cero. Consideremos el proceso AR(1) siguiente: (1 − φL) (Yt − µ) = at donde: φ = 0.054 -0. 5 Yt−1 + vt Yt = 50 + at + 0. e o • Suponiendo que se dispone de la informaci´n adicional: Y111 = 17. Para predecir la serie Yt se han utilizado dos modelos diferentes: Yt = 20 + 0.390 2 0. actualiza la predicci´n de los periodos 102. Problema 22.025 5 -0. Problema 21.030 3 0.021 0. actualiza la predicci´n o o de los periodos 112 y 113. ¿cual podr´ ser la reformulaci´n del modelo? ıa o Problema 20.033 4 0. 6 2 σa = 0.004 0. 112 y 113.026 SARRIKO-ON 4/09 A la vista de la informaci´n anterior. Y102 . Si se dispone de la informaci´n adicional: Y101 = 9. 7.160 0. las predicciones de ambos modelos para Y21 han sido de 110 y 90 respectivamente. 5 at−1 + 0. Y103 . Y104 tanto por punto como por intervalo. Se ha estimado con una muestra de 110 observaciones de la variable Yt el siguiente modelo: Yt = at + 0. 9 Y99 = 9 Y98 = 9 Y97 = 9. e o • Calcula los errores cuadr´ticos medios de predicci´n. sabiendo que Y21 = 100? ıan o 143 . 112 y 113. a o • Obt´n la predicci´n de Yt por intervalo para los periodos 111. 4 at−2 + 18 Se cuenta con la siguiente informaci´n acerca de at e Yt : o Y106 = 20 Y107 = 21 Y108 = 19 Y109 = 19 Y110 = 17 σ2 = 4 ˆ • Obt´n la predicci´n de Yt por punto para los periodos 111.

. Y110 con ambos modelos.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Problema 23. 7 Yt−1 + at Yt = 300 + at + 0. El economista del servicio de planificaci´n del Ayuntamiento quiere predecir o los ingresos mensuales por impuestos en base a los datos recogidos los ultimos 100 meses. 5 at−2 Sabiendo que Y100 = 280 y a98 = −0.1) (8. a99 = 2.2) Representa los errores de predicci´n cometidos con ambos m´todos de predicci´n. o Bas´ndose en la informaci´n proporcionada por los correlogramas simple y parcial estimados. . σ 2 ) ¿Crees que la elecci´n es correcta? ¿Qu´ modelo hubieras propuesto t´? ¿Por qu´? o e u e 144 . ¿Qu´ moo e o e delo proporciona las “mejores” predicciones?. ´ Analizando el correlograma estimado de la serie Yt . La serie temporal representada en el gr´fico corresponde a una variable obsera vada trimestralmente desde el primer trimestre de 1966 al tercer trimestre de 2003. ¿Cu´l es la estructura de la a funci´n de predicci´n 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. Utiliza para compararlos aquellos criterios de precisi´n de la predicci´n que te parezcan m´s convenientes? o o a Problema 24. a100 = −10 • Obt´n las predicciones por punto de Y101 . 62 at−1 + 0. Se desea 15 10 5 0 Y -5 -10 -15 1970 1975 1980 1985 1990 1995 2000 predecir la evoluci´n de la variable a lo largo de 2004. propone los siguientes modelos: Yt = 90 + 0. a o un experto ha propuesto el siguiente modelo para predecir Yt : Yt = µ + at + θ1 at−1 + θ2 at−2 + at ∼ N ID(0. Yt . .5. e • Representa ambas predicciones y compara sus caracter´ ısticas. .

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.62 Y146 = 23.41 Problema 25. n n 145 .96/T^0.1.50 4 0.8 2 0.96/T^0.5 0 -0. 51 Calcula las predicciones por punto para los cuatro primeros meses de 2004. predice las ventas para el a˜o 2009. con los siguientes datos adicionales: Y145 = 23. 37 ˆ θ2 = 0.40 5 0.5 0 -0. ¿Est´s de acuerdo con su decisi´n? ¿Por qu´? a o e Dado que las ventas de a˜o 2008 han sido 213.25 7 0. 0275 ˆ ˆ θ1 = −1.66 3 0. a Las correlaciones estimadas para los valores de y con datos de los ultimos a˜os son: ´ n k ρk ˆ 0 1 1 0.An´lisis de Series Temporales: modelos ARIMA a FAC de Y 1 0.5 SARRIKO-ON 4/09 La estimaci´n del modelo propuesto ha producido los siguientes resultados: o µ = 0.2 siendo la media de y durante el periodo muestral cero.33 6 0.5 -1 0 2 4 6 8 retardo 10 12 14 16 +.18 Y147 = 24. El estad´ ıstico de la compa˜´ sugiere que el modelo apropiado para la y es: nıa yt = 0.5 -1 0 2 4 6 8 retardo FACP de Y 1 0.1. µ son las ventas medias e yt es un proceso ese toc´stico.5 10 12 14 16 +. 8 yt−1 + at donde at es un ruido blanco con media cero.

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 ı que lo hace. • Si suponemos que la serie Yt consta de una tendencia global lineal y una estacionalidad multiplicativa. • ¿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?. • ¿Existe alg´n otro m´todo para transformar al proceso Yt en estacionario? u e Problema 28. Sea una serie anual. 146 . b. Discute la invertibilidad del proceso resultante. c son constantes. donde Xt es un proceso estacionaria de media cero y funci´n de autocovarianzas γk : o • ¿Cual es la funci´n media de Yt ? ¿Cual es la funci´n de autocovarianzas de Yt ? ¿Es Yt o o estacionario? • ¿Es ∆Yt estacionario? Problema 27. Yt que est´ generada por el siguiente proceso estoc´stico: a a Yt = a + b t + c t2 + at donde at es ruido blanco y a. • Si suponemos que la serie Yt consta de una tendencia global lineal y una estacionalidad aditiva. Sea Yt una serie mensual estacional con factores estacionales constantes. Sea Yt = 7 + t + Xt . St = St−12 y at una serie de perturbaciones estacionarias. el modelo apropiado es: Yt = a + b t + St + at ¿Es la serie Yt estacionaria? ¿Es la serie ∆ Yt estacionaria? Demuestra que la aplicaci´n o del operador ∆12 a la serie Yt la convierte en estacionaria.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Problema 26.

• Compara las caracter´ ısticas de los distintos procesos en las siguientes l´ ıneas: Funciones de autocorrelaci´n o Evoluci´n de las series generadas por los distintos modelos. 8L2 ) Yt = (1 − 1. 8L) Yt = (1 − 0. 2L + 4. ¿existe alguna transformaci´n que lo convierta en estacionario? ¿Qu´ modelo ARIM A(p. d. 2L2 ) at 0.7at−1 at ∼ RBN (0. 2 at−1 3. ¿puede hacerse alguna transformaci´n para convero tirlo en estacionario? • ¿Qu´ modelo ARIM A(p. (1 − L) Yt = (1 − 1. 1L + 0. (1 − 1. d. o • Simula una serie temporal de tama˜o 50. q) sigue? e • Comenta las caracter´ ısticas de cada uno de los procesos por separado. d. q) son? Problema 31. 9) at ∼ RBN (0. Yt = −Yt−2 + at + 0. 72L2 ) a t 5. n Problema 30. 200. 9) o • ¿Es Yt estacionario? Si no lo es . • En el caso de que no sea estacionario. Considera los siguientes procesos: 1.3Yt−1 + 0. 9) SARRIKO-ON 4/09 at ∼ RBN (0.7 Yt−1 + at Yt = 5 + 0.1Yt−1 + 0. 6L) Yt = (1 − 1. q) son? e 147 . (1 − 0. 100. Comenta los resultados. (1 − L) Yt = at + 0. 1 − 0. 5L) at 7. 5L + • ¿Es el proceso Yt estacionario? ¿Es invertible? • Si no son estacionarios busca una transformaci´n que los convierta en estacionarios. 12L) at 6.9Yt−2 + at Yt = 0.7 Yt−1 + at Yt = Yt−1 + at − 0. Para cada uno de los siguientes procesos estoc´sticos: a (1) (2) (3) (4) Yt = 0. (1 − 0.7Yt−2 + at − at−1 Yt = −Yt−1 + at • Analiza las condiciones de estacionariedad e invertibilidad del proceso Yt . Sean los modelos siguientes: Yt = 0.7 at−1 Yt = 5 + Yt−1 + at − 0. (1 − L)2 Yt = at − 0. 5at−1 8. 38at−2 0. 9) at ∼ RBN (0.An´lisis de Series Temporales: modelos ARIMA a Problema 29. 99L) (1 − L) Yt = (1 − 0. 81at−1 + 0. 5L) at 2. ¿Qu´ moo e delo ARIM A(p.

013 -0. 6. Sea el modelo ARIM A(2.032 -0. 5. Escribe estos siguientes modelos en forma ARIM A(p. 4. A partir de una muestra de 100 datos se ha ajustado el siguiente modelo: ∆ Yt = (1 − 0. 1) ARIM A(2. d.508 -0.220 4 0. 2) Yt = µ (1 − φ1 − φ2 ) + φ1 Yt−1 + φ2 Yt−2 + at Yt = µ (1 − φ1 ) + φ1 Yt−1 − θ1 at + at Yt = Yt−1 − θ1 at−1 − θ2 at−2 + at Yt = 2 Yt−1 − Yt−2 − θ1 at−1 + at Yt = Yt−1 + φ1 (Yt−1 − Yt−2 ) + φ2 (Yt−2 − Yt−3 ) + at Problema 33. 3. 0. 1. 4. ARIM A(1. (1 − φL)(1 − L) Yt = at (1 − L)2 Yt = (1 − θL) at (1 − φL) Yt = (1 − θL) at (1 − L)Yt = (1 − θ1 L − θ2 L2 ) at Yt = (1 − θL2 ) at B.093 A la vista de la informaci´n anterior. 8. 2.329 3 -0.SARRIKO-ON 4/09 Problema 32. 1. 3. 324L) at ˆ Las funciones de autocorrelaci´n simple y parcial de los residuos vienen dadas por: o k ρk ˆ pk ˆ 1 -0.508 2 0. q) y en forma de ecuaci´n en o diferencias: 1. An´lisis de Series Temporales: modelos ARIMA a A.015 -0.043 -0. 7. 0) siguiente: (1 − φ1 L − φ2 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 funci´n de autocorrelaci´n simple te´rica del proceso Wt .143 5 0. Escribe los siguientes modelos en t´rminos del operador de retardos L : e 1. ¿cual podr´ ser la reformulaci´n del modelo? ıa o 148 . ¿consideras aceptable el modelo ajustado? En caso cono trario. 2. 5. 1) ARIM A(0. o o o Problema 34. 2.

3. σa = 2. (1 − φ1 L) (1 − L) Yt = (1 − θ1 L) at ˆ ˆ T = 100.6 ˆ ˆ Para cada uno de ellos. σa = 6. a100 = −0. Y99 = 53. predice Yt para los periodos 81. φ1 = 1. 2. 4.5. o • Suponiendo que Y81 = 41.5L) at + 0.7 ˆ ˆ2 5. (1 − φ1 L)(1 − L) Yt = at ˆ T = 100. . 5.3. Considera los siguientes modelos: 1.7. Y99 = 217.3.7. 82 y 83. µ = 50 ˆ 3. a100 = 0. (1 − φ1 L − φ2 L2 ) Yt = (1 − θ1 L) at SARRIKO-ON 4/09 ˆ ˆ T = 100. a99 = 0. σa = 8 ˆ2 4. Y99 = 18. obt´n las predicciones por punto y por intervalo para e Problema 36.5 ˆ ˆ ˆ2 ˆ θ1 = 0.An´lisis de Series Temporales: modelos ARIMA a Problema 35.3. φ1 = 0. θ1 = 0. θ2 = −0. 5.5. o 149 . Y99 = 1. (1 − L) Yt = (1 − θ1 L) at ˆ T = 100.6 ˆ ˆ ˆ ˆ θ1 = 0. σa = 2. Y80 = 41. φ2 = −0. (1 − φ1 L) (∆ Yt − µ) = at ˆ T = 100. µ = 50 ˆ 2. a100 = 0.8 σa = 1 ˆ2 = 1.005. θ1 = 0. Yt = (1 − θ1 L − θ2 L2 ) at ˆ ˆ ˆ T = 100.2. a100 = −2. |mu = 100. Y100 = 56.4.6L)(1 − L) Yt = (1 − 0. 2 ˆ ˆ ˆ 7.8.3. a100 = 1. a99 = 0. Y100 = 1.5 ˆ2 6. 3. θ2 = −0.7.2. a99 = 1.3 ˆ ˆ2 ˆ θ1 = 0.7.8 µ = 0. φ1 = 0. Y100 = 23. φ1 = 0. actualiza la predicci´n de los periodos 82 y 83. a99 = −0.6. (1 − φ1 L) Yt = (1 − θ1 L − θ2 L2 ) at ˆ T = 100.8 θ1 = 0.2.3.3.4. Sea el modelo estimado: (1 + 0. Y81 = 41 y a80 = 0. Y100 = 28. a100 = 1. σa = 3. Y100 = 232. φ1 = 0. Y100 = 103. • Calcula los errores cuadr´ticos medios de predicci´n y establece una banda de confianza a o del 95 % para la predicci´n. • Dado Y79 = 40.

L)y = (a-1)*y(-1) + .. usando las observaciones 1 . para Tipo: tama~o muestral 218 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 . orden 2. 8438 Exc.001 o valor estimado de (a .002 o valor estimado de (a . 0622331 M´ximo a 2.V.221 para la variable Tipo (221 observaciones v´lidas) a Media 19.0248391 Estad´stico de contraste: tau c(1) = -1. de curtosis 0. 0973 C.1): -0. 00373450 C. 0. 31328 Exc. 3946 M´ ınimo −2.43424 ı valor p asint´tico 0.L)y = b0 + (a-1)*y(-1) + . Con ayuda de los gr´ficos y la informaci´n siguientes. usando las observaciones 1 .602228 ı valor p asint´tico 0. Contamos con 221 datos para analizar la evoluci´n temporal de la tasa de o cambio de Hungr´ T ipot . + e Coef.q) propones para la serie que has elegido como estacionaria? e Estad´ ısticos principales. 24292 Mediana 21. 0. 5407 Asimetr´ ıa −0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Problema 37.00164723 Estad´stico de contraste: tau nc(1) = -0. + e Coef.V.221 para la variable DTipo (220 observaciones v´lidas) a Media −0.567 o 150 . 810736 Mediana −0.. 756369 M´ximo a 24. de curtosis −0..4568 o contraste con constante modelo: (1 .1): -0. 357541 Contrastes aumentados de Dickey-Fuller. 312477 Estad´ ısticos principales. 9115 Desv. 0174748 Desv. 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. contesta a las ıa.. 162867 M´ ınimo 10. 4866 Asimetr´ ıa 0. de autocorrelaci´n de primer orden de e: -0. T´ ıp. 46. 3. T´ ıp. de autocorrelaci´n de primer orden de e: -0.

749 e-016 o 26 2.001 o valor estimado de (a ..96/T^0..98227 ı valor p asint´tico 1.124e-016 o contraste con constante modelo: (1 .5 0 -0.5 24 22 1 (1-L) Tipo cambio 0 50 100 150 200 20 0.L)y = b0 + (a-1)*y(-1) + .1.5 12 -2 -2.1.5 2 1..5 1 0. para (1-L) Tipo: tama~o muestral 217 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 . + e Coef. de autocorrelaci´n de primer orden de e: -0. de autocorrelaci´n de primer orden de e: -0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Contrastes aumentados de Dickey-Fuller.96/T^0.1.1): -1. + e Coef.5 -1 Tipo cambio 18 16 14 -1.5 -1 0 5 15 20 +.5 0 -0.5 0 -0.974 ı valor p asint´tico 5.001 o valor estimado de (a .1): -1.96/T^0. orden 2.96/T^0.1125 Estad´stico de contraste: tau nc(1) = -8.5 0 -0.1.5 10 retardo 15 20 151 .5 10 retardo FACP de (1-L) Tipo 15 20 +.5 0 50 100 150 200 10 FAC de Tipo 1 0.5 -1 0 5 FAC de (1-L) Tipo +.5 1 0..5 -1 0 5 10 retardo FACP de Tipo 1 0.5 0 -0.L)y = (a-1)*y(-1) + .5 -1 0 5 10 retardo 15 20 +.11455 Estad´stico de contraste: tau c(1) = -8.

2 • Calcula los errores cuadr´ticos medios de predicci´n sabiendo que σa = 2. Y103 . o Problema 39. . • Suponiendo que Y121 = 70 actualiza las predicciones. .SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Problema 38. ¿Cu´l es su estructura cuando o o a • Expresa el modelo en la forma M A(∞). actualiza las predicciones para Y102 . a o → ∞? • Calcula las predicciones por intervalo. Y102 . Y106 . 114 y 115. • Suponiendo que Y101 = 174.5L) ∆Yt = (1 + 0. 152 .5at−2 σa = 0. e • ¿Cu´l es el comportamiento de la funci´n de predicci´n conforme a o o → ∞? • Calcula los Errores Cuadr´ticos Medios de Predicci´n y obt´n los intervalos de confianza a o e del 95 % para las predicciones.5. . 112. Representa gr´ficamente la serie. Y105 . 113. sabiendo que a110 = −0. Y106 . Con una muestra de 110 observaciones se ha estimado el siguiente modelo: (1 − 0. Y103 .04 ˆ2 t Yt 96 172 97 169 98 164 99 168 100 172 • Obt´n las predicciones para Y101 . . o • Calcula las predicciones de Yt para los periodos 111. las predicciones obtenidas con informaci´n hasta T = 100 y las a o actualizadas con informaci´n hasta T = 101.7L) at Tambi´n se dispone de la siguiente informaci´n: e o t yt 106 66 107 65 108 64 109 63 110 68 • Expresa el modelo en la forma de ecuaci´n en diferencias finitas. • Representa la funci´n de predicci´n.5 + at − at−1 + 0. Los siguientes datos corresponden a la serie Yt a la que se ha ajustado el siguiente modelo: ∆Yt = 0. Y104 .

Para ello cuenta con 78 observaciones diarias del ´ ındice de bolsa (Yt = DowJonest ). a o Problema 42. ¿c´mo se o • Dadas las predicciones obtenidas y las caracter´ comporta la poblaci´n a largo plazo? o Problema 41. d. o o • Comenta como esta funci´n de autocorrelaci´n puede utilizarse para identificar un modelo para la serie et .7L + 1.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Problema 40.3) • Obt´n la funci´n de autocorrelaci´n simple del error de predicci´n un periodo hacia adee o o o lante et . el economista estima el n ´ n siguiente modelo: ∆Pt = (1 − 0. q).5 Mes 1992 1993 1994 1995 ısticas del modelo propuesto.5L)et se utiliza para predecir una serie que de hecho ha sido generada por el modelo: ∆Yt = (1 − 0. Supongamos que el modelo: ∆Yt = (1 − 0. El director del Servicio de Estudios de una Divisi´n de la Uni´n Europea le ha o o pedido a uno de sus economistas que prediga la evoluci´n de la poblaci´n de la Uni´n Europea o o o hasta el a˜o 2000.4) (8. llev´ndonos a la identificaci´n de un ARIM A(0. d. obtenidos del modelo ARIM A(0. 1.2L2 )at • ¿Qu´ modelo ARIM A(p. 2) para la serie Yt . Con los datos de los ultimos 100 a˜os (1896-1995). q) ha propuesto el economista? e • Bas´ndote en este modelo obt´n las predicciones de la poblaci´n hasta el a˜o 2000 por a e o n punto y por intervalo. sabiendo que los ultimos datos de la poblaci´n y de la predicci´n ´ o o obtenida con un a˜o de antelaci´n son: n o Valor real de Poblaci´n o Pt 105 109 111 113 Predicci´n hecha el mes anterior o Pt−1 (1) 104 110.9L + 0.5 110 113. Con la informaci´n presentada en los gr´ficos y tablas o a siguientes: 153 .2L2 )at (8. 1). 1. El servicio de estudios de un Banco quiere predecir el ´ ındice de Bolsa de New York mediante un modelo ARIM A(p.

de curtosis 0. + e Coef. 2100 Asimetr´ ıa −0.L)y = (a-1)*y(-1) + .. 0. 112599 M´ximo a 1. 50606 Mediana 113.021 o valor estimado de (a . 426950 Mediana 0. usando las observaciones 1 ..95062 ı valor p asint´tico 0. usando las observaciones 1 . 141083 Contrastes aumentados de Dickey-Fuller. para (1 − L)2 DowJones: tama~o muestral 73 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 . 540 Asimetr´ ıa 0. + e Coef.00309 o contraste con constante modelo: (1 .1): -2. 133636 Desv.V. 19487 M´ ınimo −0. para (1-L) DowJones: tama~o muestral 74 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 .14076 Estad´stico de contraste: tau nc(1) = -8. 770000 Asimetr´ ıa 0.. de curtosis −1. de autocorrelaci´n de primer orden de e: -0. 447974 Mediana −0. de autocorrelaci´n de primer orden de e: -0. 939981 Estad´ ısticos principales. 683 Desv. 0. 5. orden 2. 53000 Exc. 130000 C.. T´ ıp. usando las observaciones 1 .78 para la variable DowJones (78 observaciones v´lidas) a Media 115.654e-014 o 154 . 140 Exc.78 para la variable (1-L) DowJones (77 observaciones v´lidas) a Media 0. 6263 Estad´ ısticos principales.1): -0.V. 0100000 C. 3..V.L)y = (a-1)*y(-1) + . 755 C. T´ ıp. 246937 M´ximo a 124.008 o valor estimado de (a .09521 ı valor p asint´tico 2.018 o valor estimado de (a . 00684211 Desv. 65.02141 o Contrastes aumentados de Dickey-Fuller. 0.1): -0. orden 2. 0475960 M´ ınimo 108. T´ ıp.78 para la variable (1 − L)2 DowJones (76 observaciones v´lidas) a Media −0.46437 Estad´stico de contraste: tau c(1) = -3. de autocorrelaci´n de primer orden de e: -0. 23000 Exc. 521255 M´ximo a 1. + e Coef.386798 Estad´stico de contraste: tau nc(1) = -2.L)y = b0 + (a-1)*y(-1) + .17663 ı valor p asint´tico 0. 4731 M´ ınimo −1.. de curtosis 0.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Estad´ ısticos principales.

q) propones para la serie estacionaria? ¿Por qu´? e e 155 .5 1 0.5 114 112 110 15 20 108 0 10 20 30 40 50 60 70 80 2 0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Gr´fico 8.1.5 -1 -1 10 20 30 40 50 60 70 80 -1.5 -1 0 5 10 retardo FACP de (1-L) DowJones 1 0.1.96/T^0.1.5 -1 0 5 10 retardo FACP de DowJones 1 +.96/T^0.5 10 20 30 40 50 60 70 FAC de (1-L) DowJones 1 0.5 0 -0.5 1.1.5 -0.5 -1 0 5 15 20 +.5 Indice Dow Jones 118 116 0.5 0 -0.5 1.96/T^0.5 10 retardo 15 20 • Analiza la estacionariedad de la serie Yt .5 0 -0.96/T^0.5 0 -0.5 1 0.1.96/T^0.5 0 (1-L)(1-L) Indice Dow Jones 1 (1-L) Indice Dow Jones 1 -0.5 -1 00 5 10 retardo 15 20 0. ¿es la serie Yt estacionaria en media o es preciso hacer alguna transformaci´n para convertirla en estacionaria? ¿Por qu´? o e • ¿Qu´ modelo (o modelos) ARM A(p.5 -1 0 5 FAC de (1-L)(1-L) DowJones +. es decir.1.1: Gr´ficos y correlogramas a a 126 124 122 120 FAC de DowJones 1 +.5 0 -0.5 10 retardo FACP de (1-L)(1-L) DowJones 15 20 +.5 0 -0.5 -1 0 5 10 retardo 15 20 +.5 0.96/T^0.

T.5 0 0 -0.190 M´dulo o 2.1.9866 0.100102 estad´ ıstico t 4. 0000 Imaginaria Residuos de la regresión (= DowJones observada − estimada) 1.96/T^0.5 -1 0 −1 10 20 30 40 50 60 70 80 5 10 retardo FACP de los residuos 15 20 1 0. e • Analiza los resultados que obtiene en la estimaci´n de cada uno de los modelos.0619386 0.1. 0033 Frecuencia 0.5 −0. t´ ıpica 0. dependiente D.5 0.5 -1 0 5 10 retardo 15 20 .0000 Media de la var.149332 −36. 0000 valor p 0.5 1 FAC de los residuos 1 +.96/T^0. ha identificado los siguientes modelos: u Modelo 1 Modelo 2 Modelo 3 Modelo 4 ∆Yt ∼ AR(1) ∆Yt ∼ ARM A(1.5 0 +. ¿Se ajustan o los modelos bien a los datos? • ¿Cu´l de los cuatro modelos estimados elegir´ para predecir el futuro de la serie Yt ? ¿Por a ıas qu´? e Modelo 1: estimaciones ARIMA utilizando las 77 observaciones 2–78 Variable dependiente: (1 − L)DowJones Desviaciones t´ ıpicas basadas en el Hessiano Coeficiente φ1 0.133636 0. 1) ∆2 Yt ∼ M A(1) ∆2 Yt ∼ ARM A(1.5 156 -0. 0033 0.5 residuo 0.426950 0. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra´ ız 1 2. 1) • Discute si te parecen razonables los cuatro modelos que ´l propone.499168 Desv.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a El economista consultado por el servicio de estudios. bas´ndose en la misma informaci´n de la a o que t´ dispones.

An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Modelo 2: estimaciones ARIMA utilizando las 77 observaciones 2–78 Variable dependiente: (1 − L)DowJones Desviaciones t´ ıpicas basadas en el Hessiano Coeficiente φ1 θ1 0.0341779 0. 3972 0. t´ ıpica 0.1457 −2.0000 0.5 residuo 0 0 -0.689 M´dulo o 1. 0000 Imaginaria 157 .0000 Media de la var. 1751 1. dependiente D.526265 Desv.201 M´dulo o 1.5 0. 1751 1. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real MA Ra´ ız 1 1.138465 0. 0000 valor p 0.1.426950 0. 0000 0.5 Imaginaria 0.96/T^0.5 10 20 30 40 50 60 70 80 Modelo 3: estimaciones ARIMA utilizando las 76 observaciones 3–78 -0.0655 0.5 0 +.150368 −36. 9002 Frecuencia 0. 0000 1 1 1.133636 0.447974 −0.143363 −34.113333 estad´ ıstico t −6.254785 estad´ ıstico t 6.5 +. dependiente D. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra´ ız MA Ra´ ız 1.5 −1 −1.5 Variable dependiente: (1 − L)2 DowJones -1 0 10 15 Desviaciones t´ ıpicas basadas en el 5 Hessiano retardo 20 Coeficiente θ1 −0.3153 −0.00684211 0.T.0389 Media de la var.715732 Desv.1.850965 −0. t´ ıpica 0.5 15 20 −0.96/T^0. 0000 0.5 -1 0 5 10 retardo FACP de los residuos 1 0.T. 0000 valor p 0.00664944 0. 9002 Residuos de la regresión (= DowJones observada − estimada) FAC de los residuos 1 1 0. 3972 Frecuencia 0.

5 0 -0.5 0 -0.96/T^0.848 10 15 20 valor p 0.247838 −0. 0000 Imaginaria M´dulo o 4. 1917 0.5 -1 0 5 10 retardo FACP de los residuos 1 0.5 residuo 0 −0.5 −1 20 −1.1.5 15 20 10 20 30 40 50 60 70 −1.5 1 0. 0000 Residuos de la regresión (= DowJones observada − estimada) 1.5 0 +.T.5 -0. 0349 1.5 158 .1.5 −1 -1 0 5 10 retardo FACP de los residuos 1 0.5 1 FAC de los residuos 0.1.5 0. 0349 0.5 An´lisis de Series Temporales: modelos ARIMA a FAC de los residuos 1 1 0.447974 −0.839131 Desv. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra´ ız MA Ra´ ız 1 1. 1917 Frecuencia 0.5 10 20 30 40 50 60 70 +. t´ ıpica 0.0819245 0 5 estad´ retardo ıstico t 1.0000 Media de la var. 0000 1 4.00467602 0.0868 0.96/T^0.96/T^0.00684211 0.144741 0.2427 −0.144924 −34.5 Desviaciones t´ ıpicas basadas en el Hessiano -1 Coeficiente φ1 θ1 0.SARRIKO-ON 4/09 Residuos de la regresión (= DowJones observada − estimada) 1.5 15 +.5 Modelo 4: estimaciones ARIMA utilizando las 76 observaciones 3–78 0 Variable dependiente: (1 − L)2 DowJones -0.7123 −10.5 -1 0 5 10 retardo 15 20 +. dependiente D.5 residuo 0 −0.1.96/T^0. 0000 0.

057 o valor estimado de (a . 4799 Desv. 287116 M´ximo a 0.034 o valor estimado de (a .81022 ı valor p asint´tico 0.1): -0.1999:07 para la variable (1-L) Interes (249 observaciones v´lidas) a Media −0. T´ ıp.L)y = b0 + (a-1)*y(-1) + . 297328 M´ ınimo 5.453041 Estad´stico de contraste: tau c(1) = -7.1999:07 para la variable Interes (250 observaciones v´lidas) a Media 11. 0707997 M´ximo a 17. 41329 Mediana 11. desde octubre de 1978 hasta julio de 1999. 3. d.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Problema 43. e • Analiza la estacionariedad en media de la serie Yt en base a los gr´ficos y la informaci´n a o presentada.V. T´ ıp. de autocorrelaci´n de primer orden de e: 0.. para (1-L) Interes: tama~o muestral 246 hip´tesis nula de ra´z unitaria: a = 1 n o ı contraste sin constante modelo: (1 .V. 0360135 Mediana −0. orden 2. Disponemos de 250 observaciones. 2649 Exc. q) para la serie estacionaria. 0477041 Desv..0001392 o contraste con constante modelo: (1 .124977 Estad´stico de contraste: tau nc(1) = -3. 0. + e Coef...481e-013 o 159 . 0. 130352 Asimetr´ ıa 0. de curtosis −1. ¿Es preciso hacer alguna transformaci´n a la serie Yt para que sea estacionaria? o ¿Por qu´? e • Prop´n razonadamente uno (o varios) modelos ARIM A(p. 0438 Estad´ ısticos principales. 0475899 Exc.90484 ı valor p asint´tico 9. de autocorrelaci´n de primer orden de e: 0. + e Coef. 754934 M´ ınimo −0. de curtosis −0. 35361 Asimetr´ ıa −0. 2492 C. usando las observaciones 1978:10 . o Estad´ ısticos principales. 0. usando las observaciones 1978:10 . para analizar y predecir la serie de tipo de inter´s a largo plazo (Yt = Interest . 273057 Contrastes aumentados de Dickey-Fuller. 0499643 C.1): -0.L)y = (a-1)*y(-1) + .

96/T^0.04 16 0.14 1980 1985 1990 1995 2000 12 10 8 FAC de Interes 1 0. 0) Yt ∼ ARIM A(1.5 0 -0.96/T^0.5 -1 0 5 (1-L) Interes Interes FAC de (1-L) Interes +.1.08 -0.1.1.12 4 1980 1985 1990 1995 2000 -0. Siguiendo con los datos del Problema anterior.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a Gr´fico 8.2: Gr´ficos y correlogramas a a 18 0.96/T^0. ¿cu´l de los tres modelos o a elegir´ para predecir el futuro de la serie Yt ? ıas 160 . 1. 2) • ¿Te parecen apropiados los tres modelos propuestos? ¿Por qu´? e • Bas´ndote en los resultados de la estimaci´n de los tres modelos (tablas y correlogramas a o simple y parcial de los residuos) que se presentan a continuaci´n.02 14 0 -0.5 1 0.5 -1 0 5 10 retardo 15 20 +.04 -0.1.96/T^0.06 -0. 1. 1) Yt ∼ ARIM A(0.5 10 retardo 15 20 Problema 44. el economista de un servicio de estudios ha propuesto los siguientes modelos para el tipo de inter´s: e Modelo 1 Modelo 2 Modelo 3 Yt ∼ ARIM A(1.5 0 -0.5 10 retardo FACP de (1-L) Interes 15 20 +.5 0 -0.5 -1 0 5 15 20 +.06 0. 1.5 1 0.02 -0.1 6 -0.5 -1 0 5 10 retardo FACP de Interes 1 0.5 0 -0.

00447042 0.0471185 0.0515826 Estad´ ıstico t −10. t´ ıpica 0.0736799 Estad´ ıstico t −9.0360135 −0.T. 0000 1 1.00506103 0.699453 −0.1.T.04 Residuo Modelo 1 0. 4297 0.06 -1 0 5 10 retardo FACP de Residuo Modelo 1 1 0.1. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra´ ız 0.0000 0. 0000 Imaginaria 161 . dependiente D.5 Modelo 2: estimaciones ARIMA utilizando las 249 observaciones 1978:11–1999:07 -1 Variable dependiente: (1 − L)Interes 0 5 Variable const φ1 θ1 Coeficiente −0.96/T^0.0000 Media de la var. t´ ıpica 0.0477041 0.02 0 0 -0.An´lisis de Series Temporales: modelos ARIMA a SARRIKO-ON 4/09 Modelo 1: estimaciones ARIMA utilizando las 249 observaciones 1978:11–1999:07 Variable dependiente: (1 − L)Interes Variable const φ1 Coeficiente −0. 4297 6.5 0 +.0468605 0.0286 Media de la var.000831130 529.000220568 0.499 M´dulo o 1.589559 Desv. 6962 Frecuencia 0. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real AR Ra´ ız MA Ra´ ız 1 6. dependiente D.06 FAC de Residuo Modelo 1 1 0.2591 11.5 0.161248 Desv.1340 −2. 2016 0.4294 −0.000847352 527.000160249 0.108 M´dulo o 1.0000 0.5 -0.08 1980 1985 1990 1995 2000 -0.04 -0.1885 −0.0477041 0.0360135 −0. 6962 0.5 15 20 -0.5 +. 0000 10 retardo 15 20 valor p 0. 2016 Frecuencia 0.0000 0.5401 11.0628214 0. 0000 0. 0000 valor p 0.96/T^0. 0000 1 1.02 -0.08 Imaginaria 0.

1.0000 −12.018 -1 0 5 a98.06 FAC de Residuo Modelo 3 1 0.5 -1 0 5 10 retardo FACP de Residuo Modelo 3 1 0.04 Residuo Modelo 3 0. de la variable dependiente media de las innovaciones Varianza de las innovaciones Log-verosimilitud Real MA Ra´ ız Ra´ ız 0.023 10 retardo 15 20 predice el tipo de inter´s a largo plazo desde Noviembre de 1998 hasta Diciembre de 1999. 0815 M´dulo o 1.08 Imaginaria −1.04 Residuo Modelo 2 0.04 -0.0437706 0.5 0 -0.02 0 -0. 0815 1.T.0477041 0.96/T^0.96/T^0.5 Variable dependiente: (1 − L)Interes -1 Variable const θ1 θ2 Coeficiente −0.06 -1 0 5 10 retardo FACP de Residuo Modelo 2 1 0.501 Media de la var.615351 0. 3079 1 2 −0.0360135 −1.08 1980 1985 1990 1995 2000 Modelo 3: estimaciones ARIMA utilizando las0 249 observaciones 1978:11–1999:07 -0.08 An´lisis de Series Temporales: modelos ARIMA a 0.00375620 0.1. 35 a98.04 -0. t´ 0 ıpica 0.5 0.5 -0.5 0 +.06 FAC de Residuo Modelo 2 1 0.9 = 0.96/T^0.000634269 562.0000 0.5 15 20 -0.96/T^0.5 +.02 0 -0.85507e-05 0. dependiente D.02 -0.10 = 5.5 0 -0. 1574 1.5 +.5 15 20 +.9 = 5.1.SARRIKO-ON 4/09 0.10 = 0.0000 0.0473130 0.5315 −0. 4121 −0.746517 Desv. e Calcula los errores cuadr´ticos medios de predicci´n ¿Hacia donde tiende la predicci´n del tipo a o o de inter´s a largo plazo? e 162 . 1574 Frecuencia −0. 4121 0.1.5 0.0586 18.0402836 5 10 Estad´ ıstico 15t retardo 20 valor p 0.5960 14.06 1980 1985 1990 1995 2000 Sabiendo que: Y98. 3079 0.02 -0. 37 Y98.

. Explica cual ser´ la estructura de la funci´n de autocorrelaci´n parcial te´rica. . k = 1.? Calcula los errores cuadr´ticos medios de predicci´n. . es decir. 104.81. . Problema 46. 102.7L4 )(1 − L) Yt = (1 − 0. Con una muestra de 120 observaciones se ha estimado el siguiente modelo: (1 − 0. 106. sabiendo que la varianza del a o error de predicci´n un periodo hacia adelante es 2. 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 informaci´n hasta t = 99 es -0. Yt = (1 − θ1 L − θ12 L12 − θ13 L13 ) at ¿Se puede distinguir entre las funciones de autocorrelaci´n del modelo (1) y del modelo (2)? o Problema 47. actualiza el resto de las predicciones. Estima los o par´metros del modelo para Zt . Yt = (1 − θ1 L)(1 − Θ1 L12 ) at 2. 105.5L4 ) at Tambi´n se dispone de la siguiente informaci´n: 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 . hemos obtenido que los dos primeros coeficientes de autocorrelaci´n simple estimados son r1 = 0. 103. Bas´ndote en el o a modelo para Yt con par´metros estimados: a Predice los valores de Yt para t = 101. Supongamos que la serie Yt sigue el siguiente modelo: (1 − φ1 L − φ2 L2 ) ∆Yt = at • ¿Qu´ modelo sigue la serie Yt ?. ¿Cual es el comportamiento de la funci´n de predicci´n a largo plazo. ¿Es la serie Yt estacionaria? e • ¿Es estacionaria la serie Zt = ∆Yt ? ¿Qu´ modelo sigue? e SARRIKO-ON 4/09 e o o o • Obt´n la funci´n de autocorrelaci´n simple te´rica para la serie Zt .5L)(1 + 0. Compara los modelos estacionales siguientes: 1.93 y r2 = 0. ρk . 2.An´lisis de Series Temporales: modelos ARIMA a Problema 45. cuando o o → ∞. o Si sabemos que Y101 = 155. ıa o o o • En base a una muestra de 100 observaciones para Zt .5.

1)(1. a o • Suponiendo que Y121 = 70. (1 − 0. • Efectuar la predicci´n de Yt para los periodos 121. 5L2 ) at ˆ (1 − 1. 1. 122. 8L12 )(1 + 0. Escribe los siguientes modelos en t´rminos del operador de retardos L y en forma e de ecuaci´n en diferencias: o 1. o • Calcular los errores cuadr´ticos medios de predicci´n y las predicciones por intervalo. 1. Deriva la funci´n de autocorrelaci´n te´rica para los siguientes procesos: o o o 1. 1)7 ARIM A(1. 1. 123. 1.SARRIKO-ON 4/09 An´lisis de Series Temporales: modelos ARIMA a • Expresar el modelo en la forma de ecuaci´n en diferencias finitas. 1. 8L)(1 − L4 )Yt = (1 − 0. 1)(0. 5L12 )(1 − L)Yt = at ˆ Problema 50. 0. 2L + 0. o • Expresar el modelo en la forma M A(∞). 2)12 ARIM A(0. 1)4 ARIM A(2. 2. 5L2 )(1 − 0. 6L) at 2. 0)(0. 1. 8L4 ) at ˆ Yt = (1 − 0. 2. 4L12 − 0. 5. 0)(0. 0)(0. Yt = (1 − 0. 1)12 4. 7L) at Problema 49. 1)4 164 . 1)s ARIM A(1. 3. 2)(2. 2. 9L4 )(1 − 0. ARIM A(0. 1. 1. ¿Cu´les de los siguientes modelos estimados son estacionarios e invertibles? a 1. 123. 3. 124 y 125. 124 y 125. 0. 6. ARIM A(0. 1. actualiza las predicciones para los periodos 122. Problema 48. Yt = (1 − 0.3L24 ) (1 − 0.

y G. Ariel. (2005). D. A. Time series analysis: forecasting and control. c) Franses.P. E. G. o a 165 . e o ıa. Editorial AC. An´lisis de series temporales.Lecturas recomendadas ıvez (1993).M. Cambridge. M´todos de Predicci´n en Econom´ Volumen II.E. Tr´ Barcelona. (1998). Jenkins (1970). Madrid. d) Pe˜a. Alianza editorial. (2000). Time series models for business and economic forecasting. Cambridge University Press. P.H. b) Box. Introducci´n al an´lisis de series temporales. Madrid. San Francisco. y F.J. n a e) Uriel. a) Aznar. Holden Day. Ed.

Sign up to vote on this title
UsefulNot useful