You are on page 1of 25

INTRODUCCIN A LAS SERIES DE

TIEMPO




Dr. Luis Miguel Galindo
INTRODUCCIN



Los modelos de series de tiempo buscan capturar caractersticas
empricas relevantes de los datos observados

ARIMA

Las series de tiempo sirven para validar modelos estructurales a
ante su inexistencia.

Modelos estructurales no sirven, a veces, para pronsticos fuera
de la muestra
CONCEPTOS GENERALES

Una serie es estrictamente estacionaria en el caso en que la
distribucin de sus valores se mantienen constantes a lo largo
del tiempo de modo que la probabilidad de que Y
t
se ubique en
cierto intervalo se mantiene constante.

F(X
1t
, X
2t
,.., X
nt
) = F(X
1t+1
, X
2t+2
,.., X
nt+1
)

Una serie estacionaria dbil o de covarianza estacionaria se define
como:

1.1 E(Y
t
) = media constante

1.2 E(Y
t
- ) (Y
t
- ) = o
2
varianza constante

1.3 E(Y
1t
- ) (Y
2t
- ) =
12
t
estructura de la autocovarianza
constante
CONCEPTOS GENERALES


2.1 Cov(X
t
, X
t+s
) =
s
= E[(Y
t
- ) (Y
t+n
- )]

2.2. coeficiente de autocorrelacin





Funcin de autocovarianzas

2.3
s
= Cov(X
t
, X
t+s
)
Acf o correlograma =coeficientes de autocorrelacin
) var( ) var(
) , (
s t t
s t t
s
X X
X X Cov
P
+
+
=
CONCEPTOS GENERALES

Ruido Blanco:

Un ruido blanco es un proceso que tiene una estructura que puede
identificarse:

3.1 E(Y
t
) =

3.2 Var(Y
t
) = o
2


o
2
si t = r
3.3
t-r
=
0 en otro caso

Un ruido blanco tiene media y varianza constante y autocovarianzas
cero con excepcin del rezago cero.

Cada observacin no est autocorrelacionada
CONCEPTOS GENERALES


Bajo el supuesto de distribucin normal de Y
t
entonces los
coeficientes de autocorrelacin muestral tambin se distribuyen
normalmente:

4.
s
~ N(0, 1/T)

1.96 *
T
1
CONCEPTOS GENERALES

Box Pierce (1970):

5.1

Ho: _
2
(m)
= coeficientes de autocorrelacin
Todos los coeficientes de autocorrelacin son cero
m=rezago
Lung Box (1978):

5.2 ~ _
2
(m)

= coeficientes de autocorrelacin
LB mejores propiedades en muestras pequeas

=
=
m
k
s
T BP
1
2

=

+ =
m
k
k
k T
p
T T LB
1
2
) 2 (
EJERCICIO 1: Ejercicio: Determinar un AR con tasa de inters y
discutir sus criterios de seleccin
PROCESO MA



Una serie con E(u
t
) = 0 y var(u
t
) = o
2
entonces un MA es:

6. Y
t
= + u
t
+ u
1
u
t-1
+ u
2
u
t-2
+ + u
q
u
t-q

6.1


Un MA es una combinacin lineal de procesos que son ruido blanco

6.2

6.3
t i t
q
i
i t
u u Y + + =

=

1
u
t t
q
i
i
i t
u u L Y + + =

=1
u
t t
Lu Y u + =
PROCESO MA


Caractersticas del MA:

7.1 Media constante: E(Y
t
) =


7.2 Varianza constante: Var(Y
t
) =
0
= (1 + u
2
1
+ u
2
2
+ + u
2
q
)o
2



(u
s
+ u
1
u
s+1
+ + u
q
u
q-s
)o
2
7.3 Covarianza =
0 para s > q
PROCESO MA


Teorema de descomposicin de Wold indica que toda serie
estacionaria dbil que se extrajo el componente determinstico
puede descomponerse en una combinacin lineal de una secuencia
de variables aleatorias no correlacionadas
PROCESO AR


AR(p)

8. Y
t
= + |
1
Y
t-1
+ |
2
Y
t-2
+ + |
p
Y
t-p
+ u
t
u
t
= ruido blanco


8.1


8.2


8.3 |(L)Y
t
= + u
t
|(L) = (1 - |
1
L - |
2
L
2
- - |
p
L
p
)
t i t
p
i
i t
u y Y + + =

=

1
|
t t
p
i
i
i t
u y L Y + + =

=1
|
PROCESO AR


Como:

8.4 |(L)Y
t
= u
t

Entonces:

8.5 Y
t
= |(L)
-1
u
t

Las races de una ecuacin caracterstica caen fuera del crculo
unitario

9. (1 - |
1
Z - |
2
Z
2
- - |
p
Z
p
) = 0
PROCESO AR

Serie:

10. Y
t
= 3Y
t-1
0.25Y
t-2
+ 0.75Y
t-3
+ u
t

Entonces:

11. Y
t
= 3LY
t
0.25L
2
Y
t
+ 0.75L
3
Y
t
+ u
t

12. (1 - 3L 0.25L
2
+ 0.75L
3
)Y
t
= u
t

La ecuacin caracterstica:

12.1 (1 - 3Z 0.25Z
2
+ 0.75Z
3
) = 0

Factorizando:

12.2 (1 - Z) (1 1.5Z) (1 - 0.5Z) = 0

Z = 1, Z = 2/3, Z = 2
RAZ UNITARIA

t t
t t t
t t t
e Y L
e Y Y
e Y Y
+ =
+ =
+ + =

|
|
|
) 1 ( ) 2 . 1 (
) 1 . 1 (
) 1 (
1
1 1
1 1


Dividiendo (1.2) por |
1
:

(

|
|
.
|

\
|
L
1
1
) 3 . 1 (
|


La raz de esta ecuacin es el valor L (L*) que satisface que:

0
1
) 4 . 1 (
1
=
(

|
|
.
|

\
|
L
|



(

|
|
.
|

\
|
=
1
1
*
|
L


L* = La raz de la ecuacin
RAZ UNITARIA
Un AR(2) puede generar un I(1):

Una de las races es 1 y la otra tiene un modulo mayor a uno para que el proceso
sea estable:

Ejemplo:

( ) ( ) 0 25 . 0 1 1 :
) 25 . 0 25 . 1 1 ( ) 1 . 3 (
25 . 0 25 . 1 ) 3 (
2
2 1
=
+ = +
+ + =

L L in Factorizac
e Y L L
e Y Y Y
t t
t t t t



4 1
*
2
*
1
= = L L
RAZ UNITARIA
( ) ( )
( )
t t
t t t
t t
Y Z
Z Z Z L
a igual es Ello
e Y L L
elo el do Factorizan
A =
+ =
+ =
1
25 . 0 25 . 0 1 ) 3 . 3 (
:
25 . 0 1 1 ) 2 . 3 (
: mod



La condicin necesaria y suficiente para que la estabilidad es que las races del
polinomio |(L) = 1 - |
1
L - . - |
q
L
q
deben que tener un modulo mayor que uno.










Estabilidad Estacionariedad

Estacionariedad Estabilidad

RACES Y VALORES CARACTERSTICOS
L I L A
e Y L A
e Y
t t
t t
1
1 1
) (
) (
) 1 (
t
t
=
=
+



Estabilidad es suficiente pero no necesaria para estacionariedad
PROCESO ARMA


13. |(L)Y
t
= + |(L)u
t
|(L) = 1 - |
1
L - |
2
L
2
- - |
p
L
p
u(L) = 1 + u
1
L + u
2
L
2
- + u
q
L
q

Con:

E(u
t
) = 0; E(u
2
t
) = o
2
, E(u
t
u
s
) = 0 t = s

Las caractersticas del proceso ARMA es una combinacin de los
AR y MA

Condicin de invertibilidad:
MA |u| < 1
MODELOS ARMA: BOX JENKINS



1. Identificacin: Determinar el orden del modelo
Mtodo: ACF o grficas


2. Estimacin: MCO o Mxima Verosimilitud


3. Pruebas de diagnstico: Ajuste o diagnstico de residuales
PRONSTICOS EN EW


Estimacin de predicciones:

Mtodo esttico: Estima las predicciones una a una utilizando la
observacin anterior y los valores actuales

Mtodo dinmico: Estima las predicciones a partir de la primera
observacin del perodo de prediccin y utiliza valores
pronosticados en el caso de que existan valores rezagados de la
variable endgena

El mtodo estructural se utiliza con los errores sistemticos y
ofrece opcin esttica y dinmica

De no indicarse nada las predicciones se obtienen utilizando slo
la parte estructural del modelo (ignorando las autocorrelaciones)
PRONSTICOS EN EW


1. Root Mean Squared Error:




2. Mean Absolute Error:




3. Mean Absolute Percent Error:
T
f
RECM
i
=
2
T
f
EAM
n
i
n
i
=
=
1
| |

=
=
n
i
i
i
Y
f
T
EAMP
1
1
PRONSTICOS EN EW


4. Theil Inequality Coefficient:







Bias proportion

Variance proportion

Covariance proportion
T
Y
T
Y
T
Y Y
CDT
t t
t t

=
2 2
2

(
EJERCICIO 2: PRONSTICOS CON ARMA


Pronstico con ARMA de tasa de inters


INTRODUCCIN A LAS SERIES DE
TIEMPO




Dr. Luis Miguel Galindo