UNIVERSIDAD MARIANO GLVEZ DE GUATEMALA

CENTRO UNIVERSITARIO DE CHIQUIMULA

MA. EN ADMINISTRACIN DE RECURSOS HUMANOS

Modelo Arima

METODOS CUANTITATIVOS
INGA. CLAUDIA ESMERALDA VILLELA CERVANTES
NOMBRE: Juan David Daz Daz
CARNE: 3228 10 9182

CHIQUIMULA, GUATEMALA 23 DE JUNIO 2016

Modelo Arima

En estadstica y econometra, en particular en series temporales, un modelo

autorregresivo

integrado

de

promedio

mvil o ARIMA (acrnimo

del

ingls autoregressive integrated moving average) es un modelo estadstico que

utiliza variaciones y regresiones de datos estadsticos con el fin de encontrar
patrones para una prediccin hacia el futuro. Se trata de un modelo dinmico de
series temporales, es decir, las estimaciones futuras vienen explicadas por los datos
del pasado y no por variables independientes. Recuperado de (Fundacin Wikimedia,
2016).

Fue desarrollado a finales de los sesenta del siglo XX. Box y Jenkins (1976) lo
sistematizaron.

Expresin y Objetivos

El

modelo

ARIMA

necesita

identificar

los coeficientes y

nmero

de regresiones que se utilizarn. Este modelo es muy sensible a la precisin con que
se determinen sus coeficientes. Recuperado de (Fundacin Wikimedia, 2016).

Se

suele

expresar

como

ARIMA

(p,d,q)

donde

los parmetros p, d y q son nmeros enteros no negativos que indican el orden de

las distintas componentes del modelo

respectivamente, las componentes autor

regresiva integrada y de media mvil. Cuando alguno de los tres parmetros es cero,

es comn omitir las letras correspondientes del acrnimo AR para la componente

autor regresiva, I para la integrada y MA para la media mvil. Por ejemplo, ARIMA
(0,1,0) se puede expresar como I(1) y ARIMA(0,0,1) como MA(1). Recuperado de
(Fundacin Wikimedia, 2016).

El modelo ARIMA puede generalizarse an ms para considerar el efecto de

la estacionalidad. En ese caso, se habla de un modelo SARIMA (seasonal
autoregressive integrated moving average). Recuperado de (Fundacin Wikimedia,
2016).

El modelo ARIMA (p,d,q) se puede representar como:

Referencia (Fundacin Wikimedia, 2016).

en donde d corresponde a las d diferencias que son necesarias para convertir la

serie original en estacionaria,
parte "autorregresiva" del modelo,

son los parmetros pertenecientes a la

los parmetros pertenecientes a la

parte "medias mviles" del modelo, es una constante, y es el trmino de

error (llamado tambin innovacin perturbacin estocstica sta ltima asociada
ms para modelos economtricos uniecuacionales o multiecuacionales). Recuperado
de (Fundacin Wikimedia, 2016).

Se debe tomar en cuenta que:

Referencia (Fundacin Wikimedia, 2016).

Modelos ARIMA.
Son modelos paramtricos que tratan de obtener la representacin de la serie
en trminos de la interrelacin temporal de sus elementos. Este tipo de modelos que
caracterizan las series como sumas o diferencias, ponderadas o no, de variables
aleatorias o de las series resultantes, fue propuesto por Yule y Slutzky en la dcada
de los 20. Fueron la base de los procesos de medias mviles y autorregresivos que
han tenido un desarrollo espectacular tras la publicacin en 1970 del libro de BoxJenkins sobre modelos ARIMA. Recuperado de (Casimiro, 2009).
El instrumento fundamental a la hora de analizar las propiedades de una serie
temporal en trminos de la interrelacin temporal de sus observaciones es el
denominado coeficiente de autocorrelacin que mide la correlacin, es decir, el grado
de asociacin lineal que existe entre observaciones separadas k periodos. Estos
coeficientes de autocorrelacin proporcionan mucha informacin sobre como estn
relacionadas entre s las distintas observaciones de una serie temporal, lo que
ayudar a construir el modelo apropiado para los datos. Recuperado de (Casimiro,
2009).
La construccin de modelos ARIMA se lleva a cabo de forma iterativa
mediante un proceso en el que se pueden distinguir cuatro etapas:
a) Identificacin. Utilizando los datos y/o cualquier tipo de informacin disponible
sobre cmo ha sido generada la serie, se intentar sugerir una subclase de modelos
ARIMA(p, d, q) que merezca la pena ser investigada. El objetivo es determinar los
ordenes p, d, q que parecen apropiados para reproducir las caractersticas de la

serie bajo estudio y si se incluye o no la constante . En esta etapa es posible

identificar ms de un modelo candidato a haber podido generar la serie.
b) Estimacin. Usando de forma eficiente los datos se realiza inferencia sobre los
parmetros condicionada a que el modelo investigado sea apropiado. Dado un
determinado proceso propuesto, se trata de cuantificar los parmetros del mismo, 1,
. . . q, 1, . . . p , 2 y, en su caso, .
c) Validacin. Se realizan contrastes de diagnstico para comprobar si el modelo se
ajusta a los datos, o, si no es as, revelar las posibles discrepancias del modelo
propuesto para poder mejorarlo.
d) Prediccin. Obtener pronsticos en trminos probabilsticos de los valores futuros
de la variable. En esta etapa se tratar tambin de evaluar la capacidad predictiva
del modelo. Recuperado de (Casimiro, 2009).
Esta metodologa se basa, fundamentalmente, en dos principios:

Seleccin de un modelo en forma iterativa. En cada etapa se plantea la

posibilidad de rehacer las etapas previas.

Referencia (Casimiro, 2009).

Principio de parametrizacin escueta, tambin denominado parsimonia. Se

trata de proponer un modelo capaz de representar la serie con el mnimo de
parmetros posibles y nicamente acudir a una ampliacin del mismo en
caso de que sea estrictamente necesario para describir el comportamiento de
la serie. Recuperado de (Casimiro, 2009).

Modelos Arima Y Anlisis Econmico

Los modelos arima con anlisis de intervencin constituyen u na clase general
para explicar series econmicas en funcin exclusivamente de su propio pasado, as
pues, conviene saber cul es su relacin con un modelo global que contemple la de
terminacin multi variante de la serie en cuestin junto con ladas aqullas con las
que est relacionada. Recuperado de (Espasa & Daniel, 1990).
El tipo de anlisis econmico que se puede realizar con un modelo ARIMA se
puede resultar como sigue, El modelo ARIMA contiene una descripcin adecuada del
comportamiento a largo plazo del fenmeno en cuestin y a su vez, incorpora la
estructura temporal con la que dicho fenmeno tiende a volver en cada momento a
su sendero de crecimiento equilibrado ("steady state"), que en general es estocstico

en el sentido de que viene determinado por las condiciones iniciales del sistema.
Recuperado de (Espasa & Daniel, 1990).
Modelo Arima

Referencia (Mauricio, 2016).

Elaboracin de Modelos Arima

Referencia (Mauricio, 2016).

Referencia (Mauricio, 2016).

Previsin Con Modelos Arima

Referencia (Mauricio, 2016).

Modelo Arima Tutorial Excel

Una hoja Excel que contiene los datos y resultados de este ejemplo puede ser
descargada haciendo clic aqu. Los datos proceden de [Box, G.E.P. and Jenkins,
G.M. (1976). Time Series Analysis: Forecasting and Control. Holden-Day, San
Francisco], y corresponden al trfico areo internacional (en miles de pasajeros) de
enero de 1949 a Diciembre de 1960. El objetivo del anlisis es ajustar el modelo
sobre los datos de los 11 primeros aos y luego prever el trfico del ao 1960 con el
modelo. Recuperado de (XLSTAT, 2016).

Se observa en este grfico que el nmero de pasajeros tiende a aumentar

regularmente, que cada ao repite un ciclo similar, pero que las variaciones dentro de
un mismo ao son cada vez ms fuertes. Con el fin de suprimir el aumento de las
variaciones intra-anuales, escogemos el logaritmo Neperiano de los datos. Se puede
comprobar en el grfico a continuacin que el aumento de las variaciones intraanuales es mucho ms reducida.

Recuperado de (XLSTAT, 2016).

Podemos ahora ajustar un modelo ARIMA(0,1, 1)(0,1,1) 12 que parezca

apropiado para tener en cuenta el componente tendencial y el cclico.

Para activar el cuadro de dilogo de los mtodos de suavizacin, inicie

XLSTAT, luego seleccione el comando XLSTAT / Time / ARIMA.

Una vez el botn presionado, aparece el cuadro de dilogo de los mtodos de

suavizacin. Puede entonces seleccionar los datos en la hoja Excel. La "Serie para
analizar" corresponde a la serie estudiada, los datos Log(Pasajeros). Se deja la
opcin "Centrar" activada con el fin de permitir a XLSTAT centrar automticamente la
serie.

Tras seleccionar la columna de los datos, precise el tipo de modelo ARIMA

para ajustar introduciendo las rdenes del modelo (p,d,q)(P,D,Q) s. El periodo de la
serie est fijada a 12 ya que el trfico parece tener ciclos anuales (12 meses). Por
ltimo, en la casilla validacin introducimos el valor 12 ya que queremos que los 12
ltimos meses que corresponden al ao 1960 no sean tenidos en cuenta para el
ajuste del modelo pero que las previsiones sean calculadas para este periodo

(validacin del modelo). La opcin "Etiquetas columnas" est activada ya que la

primera fila de la serie incluye el nombre de la serie. Recuperado de (XLSTAT, 2016).

Los clculos empiezan cuando haga clic en el botn "OK", luego aparecen los
resultados. El primer cuadro proporciona estadsticas simples para la serie
seleccionada. Luego se proporciona un cuadro que permite evaluar la calidad del
modelo tras optimizacin. Estos diferentes ndices permiten eventualmente comparar
diferentes modelos entre s. Recuperado de (XLSTAT, 2016).

En el cuadro siguiente se visualiza los parmetros del modelo. Se observa que

los parmetros MA(1) y SMA(1) parameters son sustancialmente diferente de 0, su
intervalo de confianza a 95% no incluye el valor 0. Los intervalos de confianza estn
calculados en la base de la matriz hessiana tras optimizacin, como la mayora de
los programas lo propone. El resultado asinttico se visualiza tambin con el fin de
dar una idea del alejamiento de la serie con respecto a un caso ideal. La constante
del modelo est fijada, y es una funcin de la media de la serie.

El modelo ARIMA se escribe entonces:

Y(t) = 0.001+Z(t-1)-0.333.Z(t-1)-0.544.Z(t-12)+0.181*Z(t-13) con Z(t) ) es un

ruido blanco N(0, 0.001) Y(t)=(1-B)(1-B12)X(t), y X(t) es la serie de partida.
La ecuacin que permite calcular las previsiones para la serie X(t) es: X(t+1) =
Y(t+1)+X(t)+X(t-11)-X(t-12)

Tras el cuadro que proporciona los valores de los parmetros del modelo, un
cuadro proporciona los resutlados del ajuste, con la serie original y la serie del
modelo ARIMA. Debido a restricciones vinculadas al modelo, no tenemos previsiones
para los trece primeros valores. Son arbitrariamente fijadas para el valor de la serie
observada. Para las doce ltimas observaciones, las previsiones (Validacin) del
modelo son visualizadas con un intervalo de confianza.

En el grfico a continuacin, se puede confirmar visualmente que las

previsiones estn bien ajustadas a los datos. Recuperado de (XLSTAT, 2016).

Recuperado de (XLSTAT, 2016).

Bibliografa
Casimiro, M. P. (28 de abril de 2009). Sarriko-on. Obtenido de Sarriko-on:
https://addi.ehu.es/bitstream/10810/12492/1/04-09gon.pdf
Espasa, A., & Daniel, P. (1990). LOS MODELOS ARIMA, EL ESTADO DE
EQUILIBRIO EN VARIALBLES ECONOMICAS Y SU ESTIMACION. Espaa:
Imprenta Espaa.
Fundacin Wikimedia, I. (18 de marzo de 2016). Wikipedia. Obtenido de
Wikipedia:
https://es.wikipedia.org/wiki/Modelo_autorregresivo_integrado_de_media_m
%C3%B3vil
Mauricio, J. A. (2016). Anlisis de Series Temporales. madrid.
XLSTAT, C. d. (13 de mayo de 2016). XLSTAT. Obtenido de XLSTAT:
https://help.xlstat.com/customer/es/portal/articles/2062242