Documente Academic
Documente Profesional
Documente Cultură
A continuacin di i i discutiremos l modelos ARIMA (d i los d l (de sus siglas en Ingls Autoregressive/ Integrated / Moving Average , los cuales fueron popularizados por , George Box y Gwilym Jenkins en los aos 70s. Como herramienta principal de esta metodologa en la p p g identificacin de un modelo apropiado utilizaremos el Coeficiente de Correlacin rk discutido previamente, te asi como el Coeficiente de Autocorrelacin Parcial Coeficiente de orden k, el cual denotamos como rkk.
donde :
234
235
236
S rkk
Mtro. Ral Castro
1 = n
Lmites :
237
0 t / 2,( n 1) g .l . S rkk
( )
Yt = k + et
donde : y cada
et N 0, 2 ,
et es independiente
Cuando la variable de inters en el tiempo t depende tanto de su valor previo como de un ruido blanco, decimos que tenemos un Modelo de Caminata q Aleatoria (Random Walk) :
Yt = Yt 1 + et
Mtro. Ral Castro 238
Yt ' = Yt Yt 1
Pero cmo saber a esencia cierta si nuestra serie original requiere diferenciacin? Para este propsito podemos utilizar la Prueba de Estacionariedad de Dickey-Fuller, Dickey-Fuller la cual utiliza el siguiente modelo de regresin :
Yt ' = + Yt 1 + t
239
Ha :
Para tomar una decisin se compara la t estadstica asociada al coeficiente en l regresin anterior vs el i d l fi i la i i l valor crtico de tablas propuesto por Fuller (1976). Si es menor a dicho valor crtico rechazamos H0.
Tamao de muestra 25 Nivel de Significancia 2% 5% 10% -3.75 -3.33 -2.63 2.63 -3.58 -3.22 -2.60 2.60 -3.51 -3.17 -2.58 2.58 -3.43 -3.12 -2.57 2.57 50 100
240
241
242
Yt ' = + Yt 1 + et
243
0 < n < 25
244
245
Yt ' = Yt Yt 1
En caso de que este procedimiento no llegara a funcionar, podemos sacar diferencias por segunda vez (obteniendo una diferencia de segundo orden) de la siguiente manera :
= Yt 2Yt 1 + Yt 2
Q Qu ocurre cuando la Serie es Estacional?
Mtro. Ral Castro 246
Yt ' = Yt Yt 12
As, los efectos remanentes d no estacionariedad A l f t t de t i i d d pueden ser removidos (en caso de ser necesario) con u a d e e ca una diferencia ms sobre la serie anterior. Esto s sob e a se e a te o . sto es, mediante :
200
150
100
50
0 0 10 20 30 40
248
BYt = Yt 1
lo l anterior implica que : l
B ( BYt ) = B 2Yt = Yt 2
El operador BackShiftes aropiado para describir el proceso de diferencias. Por ejemplo, una primera diferencia sobre la Serie de Tiempo original puede expresarse como :
Yt = Yt Yt 1 = Yt BYt = (1 B ) Yt
'
Mtro. Ral Castro 249
= 1 2 B + B 2 Yt
= (1 B ) Yt
2
Nota : Cabe hacer la distincin entre lo que se conoce q como una Diferencia de Segundo Orden ( denotada por (1-B)2 ) y una Segunda diferencia ( denotada por la l expresin 1 B2 ) i 1-B ).
250
(1 B) Yt
d
Una diferencia estacional seguida por una diferencia g p de primer orden se representa mediante :
(1 B ) (1 B s )Yt
= 1 B B s + B s +1 Yt
= Yt Yt 1 Yt s + Yt s 1
251
Yt = b0 + b1et 1 + b2 et 2 + ... + bq et q + et
Dicha ecuacin es denominada Modelo de Promedios Mviles (o simplemente Modelo MA). En la prctica, los modelos auto-regresivos AR pueden ser mezclados de forma efectiva con los modelos MA para f formar una clase ms general d modelos l l de d l denominados ARMA (Auto-regresivos de Promedios Mviles). Sin embargo , stos slo pueden ser usados ) g p cuando la Serie de Tiempo es Estacionaria.
252
MA : q = Orden del componente de proNota : Si alguno de los parmetros p, d q son iguales a cero, entonces el modelo puede ser re-escrito p eliminando las partes sin usar de la notacin ARIMA. Asimismo, el modelo bsico anterior no contempla todava una posible estacionalidad
Mtro. Ral Castro 253
Yt = c + 1Yt 1 + et
2) ARIMA(1,0,1) = ARMA(1,1) :
N (0,1)
Yt = c + 1Yt 1 + et 1et 1
3) ARIMA(0,0,1) = MA(1) : ) ( ) ( )
Yt = c + et 1et 1
Los coeficientes 1 y 1 tienen algunas restricciones en cuanto a los valores que pueden tomar, mismas que discutiremos a continuacin. di ti ti i
Mtro. Ral Castro 254
Como se plante previamente, existen restricciones especficas sobre el rango de valores que pueden tomar los parmetros auto-regresivos. Por ejemplo : * Si p = 1 : * Si p = 2 :
Mtro. Ral Castro
1 + 2 < 1
2 1 < 1
Podemos utilizar l notacin B kShift d fi id P d tili la t i BackShift definida previamente si re-expresamos el modelo general de la siguiente manera : g
1 1 B ... p B p Yt = c + et
En la prctica es posible hacer uso de la Simulacin para modelar el patrn que siguen tanto la funcin de autocorrelacin como la de autocorrelacin parcial, de manera que podamos identificar ms fcilmente un modelo AR(p)
Mtro. Ral Castro 256
Yt = 5 + 0.8Yt 1 + et
donde podemos simular el valor del error aleatorio como una variable aleatorio N(0,1). Para hacer esto, generamos como :
et = U i 6
i =1
12
Uniforme(0,1) Analicemos as el comportamiento de las funciones as, ACF (Auto Correlation Function) y PACF (Partial Auto Correlation Function) para un total de 100 valores de Y. )p
Mtro. Ral Castro 257
258
Yt = 5 0 8Yt 1 + et 0.8
259
260
Funcin PACF F i Picos en los rezagos 1 al luego acercarse a p, para l cero de ah en adelante.
Yt = c + et 1et 1 2 e t 2 ... q et q
donde : Trmino t t c = T i constante j = J-simo parmetro de promedio mvil et k = Trmino de error en el tiempo t-k
Tal y como ocurre con los modelos AR, existen restricciones especficas sobre el rango de valores que pueden tomar los parmetros. Por ejemplo : * Si q = 1 : * Si q = 2 :
Mtro. Ral Castro
1 + 2 < 1
2 1 < 1
Yt = c + et 1et 1 2 e t 2 ... q et q
Yt = c + 1 1 B 2 B 2 ... q B q et
A continuacin revisaremos las grficas asociadas a modelos ARIMA(0,0,1) y ARIMA(0,0,2) ( equivalentes de forma ms simple a los modelos MA(1) y MA(2) ). p ( ) ( ))
263
Yt = 2 + et + 0 5et 1 0.5
264
Yt = 2 + et 0 5et 1 0.5
265
Yt = 0 + et et 1 + 0.8et 2
266
267
268
269
270
ARIMA(0,1,1) :(1 B ) Yt = k + (1 B1 ) et
Mtro. Ral Castro 271
ARIMA(1 1 0) : (1 B ) Yt = c + 1 (1 B ) Yt 1 + et (1,1,
La Serie de Diferencias s
es Estacionaria E i i
272
273
Valores ptimos
(1 B ) Yt
c +1 (1 B) Yt1
274
275
(1 B) Yt = k + et 1et1
Ligeramente mayor al nuestro El modelo de pronstico quedara (bajo la mejor combinacin) :
(1 B) Yt = k + et 1et1
277
Valores ptimos
(1 B ) Yt
(1 B) Yt = k + et 1et1
278
(1 B ) Yt
(1 B) Yt = k + et 1ett1
Ligeramente mayor al nuestro
Mtro. Ral Castro 279
(1 B ) Yt = 1.036587 0.29035 ( et 1 )
1.036587 Yt = 1 036587 + Yt 1 0.29035 ( et 1 ) 0 29035
= 1.036587 + Yt 1 0.29035 Yt 1 Yt 1
As, al seguir el criterio de escoger aquel mtodo con menor MSE tenemos : AR(1) : MSE = 3.461908 MA(1) : MSE = 3.429128 Modelo escogido
280
MSE = 3.3708
Mejor que el nuestro !
Mtro. Ral Castro 282
283
(1 1B )(1 B ) Yt = c + (1 1B ) et
AR(1) Primera diferencia MA(1)
1 1 B B + 1 B 2 Yt = c + ( et 1et 1 )
(1 B ) Yt = c + 1 (1 B ) Yt 1 + et 1et 1
Yt = c + Yt 1 + 1Yt 1 1Yt 2
+et 1et 1
285
ARIMA( p, d , q )( P, D, Q) s
Parte no Parte estacional estacional del del modelo modelo Consideremos por ejemplo : C id j l ARIMA(1,1,1)(1,1,1) ARIMA(1 1 1)(1 1 1)4
(1 1B ) (1 1B 4 ) (1 B ) (1 B 4 ) Yt = c + (1 1B ) (1 1B 4 ) e t
AR(1) no estacional
Mtro. Ral Castro
MA(1) no estacional
MA(1) estacional
(1 1B ) 1 1B
= c + (1 1 B ) 1 1 B
Mtro. Ral Castro 287
2 B
4
( ) ) (1 B ) (1 B ) Y (B ) )e
4 2 4
4 2 2 t