Documente Academic
Documente Profesional
Documente Cultură
-3
-1
Serie AR(1)
50
100
150
200
0.4
0.0
ACF
0.8
Time
10
15
20
0.6
0.2
-0.2
Partial ACF
Lag
10
15
20
Lag
Primero
estimaremos
el
modelo
que
minimiza
AIC,
mediante
la
funcin
arima
ar1 <- arima(ts.sim1,order=c(1,0,0)) # AR(1)
ar1
Call:
arima(x = ts.sim1, order = c(1, 0, 0))
Coefficients:
ar1 intercept
0.7631
-0.0596
s.e. 0.0453
0.2984
sigma^2 estimated as 1.031:
aic = 580.48
Se
crea
la
funcin
para
el
estadistico
en
este
caso
ser
el
coeficiente
del
modelo.
AR1.sim.fun <- function(tsb) { # estadstico para tsboot
ar.fit <- ar(tsb, order.max = 25)
return(ar.fit$ar[1]) # coefficiente
La
funcin
a
utilizar
para
bootsrap
para
series
de
tiempo
es
tsboot
del
paquete
boot.
SIEVE
BOOTSTRAP
(Blchman
1997)
Para
poder
hacer
remuestreo
las
muestras
deben
ser
iid,
as
que
generamos
muestras
aleatorias
de
los
residuos
con
los
parmetros
inicialmente
estimados
de
del
modelo
de
la
serie.
Los
centramos
para
que
tengan
media
0.
Y
generamos
la
muestra
bootsrap
a
traves
de
ellos.
BOOTSTRAP
PARA
BLOQUES
FIJOS
(Knsh
(1989)
y
Liu
y
Sing(1992)
Mediante
este
mtodo
,
se
puede
preservar
y
posteriormente
modelizar
la
dependencia
de
la
serie.
std. error
0.08863113
R
devuelve
la
salida
std. error
0.0794962
En
la
figura
3
se
representa
la
distribucin
del
estadstico
calculado
por
bootstrap
y
los
valores
obtenidos
por
inferencia
clsica
y
por
inferencia
bootstrap.
Histograma 1*
250
1
^
1
*1
200
Frecuencia
IC
IC*
150
100
50
0
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1*
POST
BLACKENING
Una
dificultad
importante
para
reemplazamientos
basados
en
bloques
es
que
se
pueden
generar
series
con
menos
dependencia
que
los
datos
originales.
Si
se
hiciera
remuestreo
con
longitud
l=1
se
obtendra
ruido
blanco.
Entonces
se
puede
pre-blanquear
la
serie
para
estimar
un
modelo
que
posea
bastante
de
la
dependencia
de
las
observaciones
originales.
La
serie
de
innovaciones
generadas
por
remuestreo
de
bloques
de
los
residuos
del
modelo
estimado
,
y
la
serie
de
obtenida
es
es
post-blackened
post-oscurecida,
por
la
aplicacin
del
remuestreo.
Definimos
una
nueva
funcin
AR1.sim.black <- function(res, n.sim, ran.args) {
ts.orig <- ran.args$ts
ts.mod <- ran.args$model
mean(ts.orig) + ts(arima.sim(model = ts.mod,n = n.sim,innov = res))
}