Documente Academic
Documente Profesional
Documente Cultură
TIEMPO
MODELOS ARIMA
Modelor Autorregresivo
ARMA (2,0,0)
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
Julio 2016
B k Z t Z t k
En particular
para k =1,2,..
B0 Zt Zt
18
B k Z t B( B k 1Z t ) Z t k
Operador de diferencia
Se identifica por la letra delta invertida
y se define como el la diferencia entre el
valor correspondiente al perodo t y valor retrasado k perodos.
Z t Z t Z t 1
Ambos operadores, el de diferencia y el de retraso se relacionan de la siguiente
forma:
Z t Z t Z t 1 Z t BZ t (1 B)Z t
= (1 B)
Al aplicar el operador diferencia en forma sucesiva se tiene:
k
(1 B) k
Zt
k!
(1) k Z t k
j 0 k!( k 1)!
1951
318
281
278
250
231
216
223
245
269
302
325
347
1952
342
309
299
268
249
236
242
262
288
321
342
364
1953
367
328
320
287
269
251
259
284
309
345
367
394
1954
392
349
342
311
290
273
282
305
328
364
389
417
1955
420
378
370
334
314
296
305
330
356
396
422
452
1956
453
412
398
362
341
322
335
359
392
427
454
483
1957
487
440
429
393
370
347
357
388
415
457
491
516
1958
529
477
463
423
398
380
389
419
448
493
526
560
19
Zt
BZt
Zt
200
100
0
-100
1
11
16
21
26
31
36
41
46 51 56
Perodo t
61
66
71
76
81
86
91
96
Z t g1 Z t 1 g 2 Z t 2 ........ g k Z t k Z t g j Z t j
j 1
G( B) Z t Z t g1 BZ t g 2 B 2 Z t ........ g k B k Z t Z t g j B j Z t
j 1
De donde
k
G( B) 1 g1 B g 2 B 2 ........ g k B k 1 g j B j
j 1
1
con IgI<1
1 gB
La representacin de un modelo para una serie de tiempo mediante polinomios de
retraso proporciona una forma resumida del modelo. As un modelo de medias
mviles puro MA(k), el cual se detallar ms adelante, se puede representar de la
siguiente forma:
G ( B)
Z t 1 1 B 2 B 2 ...... k B k at
20
Z t Bat
De manera anloga un modelo autorregresivo puro de orden k AR(k) se define
como sigue, en donde t representa los parmetros autorregresivos.
(1 1 B 2 B 2 ........ k B k )(Z t ) at
En notacin de polinomio de retraso queda
( B)(Z t ) at
Desde luego se pueden plantear modelos que combinen parmetros
autorregresivos y de medias mviles (ARMA):
( B)(Z t ) ( B)at
Es factible incorporar operadores de retraso y de diferencia que constituyen los
llamados modelos integrados autorregresivos y de medias mviles (ARIMA):
(B)
Z t ( B) at
Filtros lineales.
Los modelos que se emplearn se basan en la idea propuesta por Yule (1924) de
que una serie de tiempo se expresa como una sucesin de valores altamente
dependientes y que se consideran generados por una serie de choques
independientes at. Estos choques son variables aleatorias de una distribucin que
usualmente se supone normal con media cero y varianza 2 . La secuencia de
valores at,at-1,at-2,.. es llamada ruido blanco por alusin al campo de las
comunicaciones electrnicas.
El proceso de ruido blanco at es transformado al proceso Zt por un filtro lineal.
21
El filtro lineal consiste en una suma ponderada de los valores del ruido blanco.
Z t at 1at 1 2 at 2 ..........
Bat
El operador lineal o polinomio que transforma la sucesin de ruido blanco en la
serie de tiempo se conoce tambin como funcin de transferencia.
B 1 1 B 2 B 2 ..........
La sucesin 1 , 2 ,..... formada por los ponderadores, tericamente puede ser
finita o infinita. Si la sucesin es finita o infinita y convergente, se dice que el filtro
es estable y el proceso resultante es estacionario y vara en torno a la media. De
otra forma se dice que el proceso es no estacionario y la media es solamente un
punto de referencia de la serie.
Procesos Estacionarios.
Un proceso estocstico se caracteriza completamente si se exhibe la funcin de
distribucin conjunta de todas las variables aleatorias que lo constituyen. En la
prctica es difcil que esto se pueda tener. Se recurre entonces a los momentos de
primero y segundo orden (medias, varianzas y covarianzas).
EZ t t
En otros trminos se tiene la esperanza de la suma ponderada, pero si la serie es
infinita, no es tan simple como distribuir el operador esperanza.
1 i
i 1
EZ t
La serie eventualmente se puede alejar del valor medio, pero siempre volver. En
la siguiente grfica se observan des realizaciones del mismo proceso estacionario,
cuya media es cero.
22
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0 E Z t 2
E at 1 at 1 2 at 2 .....
2 2j
j 1
j 1
2
j
k EZ t Z t k
Eat 1at 1 2 at 2 .....at k 1at k 1 2 at k 2 .....
2 k 1 k 1 2 k 2 .....
23
f (Z t , Z t 1 , Z t 2 ,........ Z t n ) f (Z t m , Z t 1m , Z t 2m ,........ Z t nm )
Si un proceso es estrictamente estacionario cumple la estacionariedad de segundo
orden y en consecuencia
Media
EZ t EZ t k
Varianza
V Z t V Z t k 2
Autocovarianza
EZ t Z t k Z t m Z t mk k
para k=0,1,2,
2
0
E Z t
La serie de coeficientes de autocorrelacin define la funcin de autocorrelacin.
Estimaciones de Varianzas, Covarianzas y Autocorrelaciones.
En la prctica estos valores parametrales se desconcen y solamente se cuenta
con una realizacin que se supone suficientemente larga a partir de la cual se
calculan estimaciones de media, varianza y funcin de autocorrelacin. Si se
considera que el proceso que gener la serie es ergdica en el segundo momento,
esto es que es estacionario y que las autocovarianzas se anulan al incrementar la
distancia, entonces basta calcular una serie relativamente corta de coeficientes de
autocorrelacin para tener caracterizado el proceso. Algunos autores recomiendan
a lo ms n/4 donde n es el tamao de la serie.
Estimacin de la media
1 n
Z~ Z t
n t 1
24
nk
rk
Ck
C0
Z
t 1
Z~ Z t k Z~
Z
n
t 1
2
Z~
1 2
V (rk ) v v k v k 4 k v v k 2 v2 k2
n v
V (rk ) 1 2 ri 2
n
t 1
V (rk )
1nk
nn2
EE (rk )
1nk
nn2
0 Z1 / 2 EE (rk )
25
Q( k ) n( n 2 )
t 1
rk2
(nk )
02.1
02 01 12
(1 012 )(1 122 )
Sabemos que
01 12 y que 02 2 , entonces el numerador es cero y
todas las dems tambin lo son.
Las autocorrelaciones parciales kj son calculadas en forma emprica mediante las
siguientes frmulas secuenciales:
11 r1
26
kj k 1, j kk k 1,k j
k 1
rk k 1 rk j
j 1
kk
k=2,. J=1,2,..,k-1
k 1
1 k 1r j
j 1
k=3,4,
0 Z1 / 2
1
n
1 B B
1
( B)Z~t at
Modelo AR(1)
Se revisar inicialmente, por simplicidad, el modelo AR(1):
1 x 0
27
2 1 12 14 ..........
2
(1 12 )
De donde
V ( Z~t ) o
2
(1 12 )
21k
1 k 1 para k=1,2,3..
(1 12 )
21 k
k
para k = 0,1. 2, 3.
(1 12 )
Las autocorrelaciones quedan entonces definidas por el cociente de las
autocovarianzas de orden k entre la varianza y resulta que las autocorrelaciones
corresponden a potencias sucesivas del coeficiente autorregresivo:
k
21k 2
1 k
k
/
2
2
o (1 1 ) (1 1 )
Es evidente que las autocorrelaciones tendern a cero conforme k se incrementa y
que una estimacin del parmetro 1 se obtiene mediante el coeficiente de
autocorrelacion de primer orden.
28
1
2
3
4
5
6
0.8
=
2=
0
0.7
Autocorrelaciones
Emprica
Terica
0.7670508
0.80000
0.5966973
0.64000
0.4532749
0.51200
0.3583434
0.40960
0.2533344
0.32768
0.1208182
0.26214
2.00
1.00
0.00
-1.00
-2.00
-3.00
-4.00
Autocorrelaciones parciales
Modelo AR(1)
1.000
0.800
Emprica
0.600
Terica
1.000
0.400
.800
0.200
.600
0.000
-0.200
-0.400
.400
.200
-0.600
.000
-0.800
-1.000
-.200
Valores de T
29
1
2
3
4
5
6
Emprica
Terica
-0.8794083
-0.80000
0.7603542
0.64000
-0.6485430
-0.51200
0.5239865
0.40960
-0.4232558
-0.32768
0.3288337
0.26214
4.00
Autocorrelaciones
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
-0.10
-0.20
-0.30
-0.40
-0.50
-0.60
-0.70
-0.80
-0.90
-1.00
2.00
0.00
-2.00
-4.00
-6.00
-.200
-.300
-.400
-.500
-.600
-.700
-.800
-.900
Modelo AR(2)
De manera natural se sigue con el anlisis del modelo AR(2).
1 B B Z~
2
at
Para que la serie generada por este modelo sea estacionaria, se requiere que las
races de la siguiente ecuacin se ubiquen fuera del crculo unitario
1 1 x 2 x 2 0
Esta condicin es equivalente a las siguientes restricciones:
2 1 , 1 2 1 y 2 1 1
30
0.00
-2
-1.5
-1
-0.5
-0.20
0.5
1.5
-0.40
-0.60
-0.80
-1.00
Ahora se establecen los primeros dos momentos del modelo para completar su
definicin.
E ( Z~) 0
V ( Z~ )
2
1 11 22
1 1 2 2 2 si k 0
k
1 k 1 2 k 2 si k 0
Considrese 1 y 2
1 1 2 1
2 1 1 2
31
k 1 k 1 2 k 2 para k 3
Tambin es factible establecer condiciones de estacionariedad para el modelo
AR(2) en funcin de los dos primeros coeficientes de autocorrelacin y definen
una superficie delimitada por una parbola.
1 1 1
1 2 1
1
2
12 ( 2 1)
1 1 (1 2 ) /(1 21 )
2 ( 2 12 ) /(1 21 )
Ejemplo AR(2)
Se tiene una realizacin de 156 observaciones del modelo AR(2) con los
siguientes parmetros: 1 = 0.40 , 2 = 0.20, 2 0.50 . Rpidamente se verifica
que es estacionario y la lenta cada de los valores de las autocorrelaciones
simples y significancia de las dos primeras autocorrelaciones parciales.
32
k
1
2
3
4
5
6
1.00
0.50
Emprica
0.4584103
0.3917076
0.2679200
0.0726749
0.1078618
0.1013765
Terica
0.50000
0.40000
0.26000
0.18400
0.12560
0.08704
0.00
Correlograma
-0.50
-1.00
1.000
-1.50
0.800
-2.00
0.600
-2.50
0.400
-3.00
0.200
0.000
-0.200
Autocorrelaciones parciales
AR(2)
-0.400
-0.600
.500
-0.800
.400
Emprica
-1.000
Valores de T
.300
Terica
.200
.100
.000
1
-.100
-.200
Modelo AR(p)
El caso general de los modelos autorregresivos puros considera p parmetros.
2
p
En trminos del operador de retraso 1 1 B 2 B ..... p B Z t at
Para que el proceso AR(p) sea estacionario se requiere que las races del
polinomio se encuentren fuera del crculo unitario.
1 1 x 2 x 2 ....... p x p 0
Una forma alterntiva de verificar ello es que los siguientes determinantes que
involucran a los parmetros autorregresivos sean positivos. Estas condiciones son
una consecuencia de la aplicacin del llamado Teorema de Schur.
33
D1
1 p
p 1
D2
1
p
p 1
0 p p 1
1 0... 0... p p 1 ...
1 0 p
1 - 1... 0 0 p
. D p
0 1 1
...
...
... ... ...
p 0 1
1 2 ... p 0 0...
1
2
...
1
1 1 2 1 ...... p p-1
2 1 1 2 ...... p p-2
p 1 p-1 p 2 ...... p
Las restantes son obtenidas a travs de una relacin recursiva
k 1 k -1 2 k -2 ...... p k -p
para k p
Pn
1
...
1
...
n 1
n2
2 ... n 1
1... n 2
...
n 3
...
1
P1
P2 1
2
1 .
Para que la serie sea estacionaria se requiere que esta matriz as como sus
menores sean positivos.
34
Los parmetros que constituyen los coeficientes no definen una media mvil
ponderada en el sentido estricto, pues stos pueden ser negativos y su suma no
necesariamente es igual a 1 como sucede en un promedio mvil.
p
i 1
involucra un
Modelo MA (1)
De forma semejante a lo que se hizo con los modelos autorregresivos, iniciamos el
anlisis de los procesos de MA con el caso ms sencillo.
1 2
0
k 1
k 1
k 1 1 2
0
k 1
Al tener autocorrelaciones nulas ms all de 1 implica que el proceso MA(1) tenga
memoria de un solo perodo. Por otro lado la nica autocorrelacin no puede tener
valores muy elevados, pues de ser as implicara una fuerte relacin con valores
anteriores y dara lugar a un proceso autorregresivo, de hecho se debe cumplir
1 0.5 .
Ejemplo MA(1)
A continuacin se presenta una realizacin del proceso 1 = -0.4 y con media del
error cero y varianza del 2 =1 . Obsrvese que la primera autocorrelacin
coincide en gran medida con el valor terico esperado y aunque tericamente las
35
FAC Autocorrelaciones
1.00
0.80
0.60
0.20
-0.20
-1
-0.60
0.40
0.00
1
-0.40
-0.80
-1.00
-2
-3
k
1
2
3
4
5
6
Autocorrelaciones parciales
AR(2)
.400
.300
.200
Emprica
Terica
0.327776 0.34482759
-0.072329
0
-0.085026
0
-0.022376
0
0.016459
0
-0.002418
0
.100
.000
1
-.100
-.200
-.300
Invertibilidad
Cuando un proceso puede expresarse mediante un modelo AR, se dice que el
proceso es invertible, esto es que se puede representar por un polinomio de
retraso de la siguiente forma:
( B)Z~t at
( x) 1 i x i
i 1
36
Modelo MA (2)
Ahora se analiza el modelo de medias mviles que involucra dos parmetros.
E(Z~t ) 0
V ( Z~t ) 0 2 (1 12 22 )
Su funcin de autocovarianza y funcin de autocorrelacin tienen las siguientes
expresiones:
1 (1 2 )
1 2 2 k 1
(1 1 2 ) 2 k 1
1
2
2
k 2 2
k 2
k
k 2
2
2
0
k
3
1
2
0
k 3
1 1 x 2 x 2 0
De donde se deducen condiciones alternativas de invertibilidad.
2 1 , 2 1 1 , 2 1 1
Regin de Invertibilidad para
MA(2)
1.0
0.8
0.6
0.4
Theta 2
0.2
0.0
-2.0
-1.8
-1.6
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
-0.2
-0.4
-0.6
-0.8
-1.0
Theta 1
37
12 0.5 y
2 0.5
Ejemplo MA(2)
FAC Autocorrelaciones
1.00
3.0
0.80
2.0
0.60
0.40
1.0
0.20
0.0
0.00
1
-0.20
-1.0
-0.40
-2.0
-0.60
-0.80
-3.0
-1.00
-4.0
Autocorrelaciones parciales
MA(2)
.400
.300
.200
.100
.000
-.100
-.200
-.300
-.400
-.500
-.600
38
Modelo MA (q)
Se ha referido la forma general del modelo de medias mviles de q parmetros.
E(Z~t ) 0
V ( Z~t ) 0 1 12 22 ...... q2 2
k 1 k 1 ...... q k q
0
k 1,2....q
k q 1
k 1 k 1 ...... q k q
k 1,2....q
k 1 12 22 ......... q2
0
k q 1
D1
1 q
q 1
D2
0
1
0
1
q
q q 1
q q 1
1 0... 0... q q 1 ... 1
0 q
1 - 1... 0 0 q ... 2
. D p
1 1
...
...
... ... ... ...
0 1
1 2 .. q 0 0... 1
( B)Z~t ( B)at
El proceso ARMA(p,q) se puede referir como un autorregresivo puro de orden p
39
y uno de
k
1 0 1 2
k 1
k 0
k 1
k2
0 1 1 (1 1 (1 1 )) 2
1 1 0 1 2
Cuya solucin es
(1 211 12 ) 2
1 12
(1 11 )(1 1 ) 2
1 12
1k 1 (1 11 )(1 1 ) 2
1
para k=1,2,3,
1 12
De donde la funcin de autocorrelacin est dada por:
1k 1 (1 11 )(1 1 )
para k=1,2,3,
1 21 1 12
40
MODELO ARMA(1,1)
2.5
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
-0.10
-0.20
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-2.0
-2.5
Las autocorrelaciones parciales muestran una cada lenta hacia el cero con signos
alternos. Observamos la mezcla de comportamientos propia de los modelos
ARMA
Autocorrelaciones Parciales
ARMA (1,1)
0.80
0.60
0.40
0.20
0.00
1
-0.20
-0.40
41
(B)
Z t = ( B)at
(B) Wt = ( B)at
El adjetivo integrado hace alusin a que Zt se obtiene al despejar de Wt e invertir
d
el operador
y da como resultado una suma infinita o una integracin de
trminos Wt.
Z~t =
Wt con d 1
= (1 B) 1 1 B B 2 B 3 ..........
Para que el modelo sea estacionario e invertible se requiere que las races de
( x) 0 y ( x) 0 se encuentren fuera del crculo unitario.
La no estacionariedad de la serie de tiempo se puede deber a que la varianza no
sea constante esto es se tenga t2 asociada a cada perodo como funcin de su
media t . La estabilizacin de la varianza se logra a travs de una funcin
potencia (The use of transformations, Biomtrika, Bartlett ,3,39,1947) del tipo:
f ( t ) 2(1 )
De donde
t
si 0
T (t )
log( t ) si 0
Se sugiere entonces aplicar transformaciones del siguiente tipo con m suficiente
para hacer positivos todos los valores de la serie.
Z t m
si 0
Wt T ( Z t )
log(Zt m) si 0 m 0
La forma de elegir la mejor transformacin se discutir ms adelante con mayor
detalle.
42
ms
observaciones. Los mismos autores proponen
una serie de etapas que constituyen un proceso
iterativo para alcanzar un buen modelo, pues es
usual que no se tenga una respuesta
satisfactoria al primer intento. Estas etapas son
Identificacin, Estimacin y Diagnstico, las
cuales aplicadas secuencialmente y con ayuda
de herramientas auxiliares para cada etapa
llevan a un proceso convergente hacia la mejor
solucin. En la siguiente seccin se comentar
cada etapa, as como sus herramientas
auxiliares.
PROCEDIMIENTO ITERARIVO
PARA CONSTRUIR MODELOS
Identificacin
del Modelo
Estimacin de
Parmetros
Validacin y
Diagnstico
Adecuado
Identificacin.
En esta etapa se efectuarn pruebas de estacionariedad para determinar las
necesidades de transformacin y diferenciacin de la serie y los rdenes de los
parmetros autorregresivos y de medias mviles que se necesitarn, a partir del
anlisis de los patrones de autocorrelaciones simples y parciales.
43
Autocorrelaciones Parciales
Autocorrelaciones Simples
.400
.800
.600
.200
.400
.000
.200
10
-.200
.000
1
-.200
10
-.400
-.400
-.600
-.600
-.800
-.800
-1.000
-1.000
Autocorrelaciones Simples
Autocorrelaciones Parciales
1.000
1.000
.800
.800
.600
.600
.400
.400
.200
.200
.000
.000
10
-.200
-.200
-.400
-.400
10
44
Autocorrelaciones Simples
Autocorrelaciones Parciales
.500
.500
.400
.400
.300
.300
.200
.200
.100
.000
.100
-.100
.000
1
10
-.100
10
10
-.200
-.300
-.200
-.400
1.50
1.00
0.50
0.00
-0.50
-1.00
-1.50
-2.00
Autocorrelaciones Parciales
Autocorrelaciones Simples
.200
.200
.100
.100
.000
.000
1
10
-.100
-.100
-.200
-.200
-.300
-.300
-.400
-.400
-.500
-.500
45
Autocorrelaciones Parciales
Autocorrelaciones Simples
.300
.600
.200
.400
.100
.200
.000
-.100
.000
1
10
10
10
-.200
-.200
-.300
-.400
-.400
-.500
-.600
-.600
-.700
-.800
1.00
0.50
0.00
-0.50
-1.00
-1.50
Autocorrelaciones Parciales
Autocorrelaciones Simples
.700
.700
.600
.600
.500
.500
.400
.400
.300
.200
.300
.100
.200
.000
-.100
-.200
10
.100
.000
-.300
-.100
-.400
-.200
46
Estacionarizacin.
La estrategia de anlisis sugiere que en primer trmino se estabilice la varianza.
En su caso la bsqueda de una transformacin adecuada es el primer objetivo. Se
pretende encontrar un exponente de manera que el siguiente cociente sea
constante:
t
Cte para t 1,2,.....n
1
Z t m
si 0
Wt T ( Z t )
log(Zt m) si 0 m 0
En donde y t representan la media y la desviacin estndar de la variable Zt,
m es una constante que garantiza la no negatividad de la serie y n es el nmero
de observaciones. Como se dispone de una sola realizacin del modelo, una
alternativa propuesta por Vctor Guerrero es dividir la serie en H grupos contiguos
del mismo tamao y calcular estimaciones de la media y desviacin estndar para
cada grupo ( S h , Z h ) y construir una tabla para evaluar cada valor del exponente.
La tendencia de la serie se puede suprimir con la aplicacin de diferencias, tanto a
perodos inmediatos, como a perodos del tamao del ciclo estacional. Considere
la siguiente serie, la cual presenta una tendencia lineal creciente.
Modelor Autorregresivo de Segundo Orden
AR(2) con Tendencia
5.00
4.00
3.00
2.00
1.00
0.00
-1.00
47
Serie Diferenciada D1
4.00
3.00
2.00
1.00
0.00
-1.00
-2.00
-3.00
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
-4.00
700
600
500
400
300
200
100
sep.-60
jul.-59
feb.-60
dic.-58
oct.-57
may.-58
ago.-56
mar.-57
jun.-55
ene.-56
abr.-54
nov.-54
sep.-53
jul.-52
feb.-53
dic.-51
oct.-50
may.-51
mar.-50
ago.-49
ene.-49
7.00
6.50
6.00
5.50
5.00
4.50
sep.-60
feb.-60
jul.-59
dic.-58
may.-58
oct.-57
mar.-57
ago.-56
ene.-56
jun.-55
nov.-54
abr.-54
sep.-53
feb.-53
jul.-52
dic.-51
may.-51
oct.-50
mar.-50
ago.-49
ene.-49
4.00
48
Modelos Estacionales
Los modelos autorregresivos, integrados y de medias mviles que se han
expuesto bajo condiciones de estacionariedad o de no estacionariedad y las
diferencias y transformaciones que se requieren para inducir la estacionariedad
resultan de bastante utilidad, sin embargo en los fenmenos reales son frecuentes
los comportamientos estacionales motivados por el tiempo, cuyos cambios de
temperatura, regmenes pluviomtricos y otros fenmenos atmosfricos afectan el
comportamiento de la economa. Tambin los hbitos de comportamiento
colectivo, tales como los perodos vacacionales y migraciones temporales tienen
efectos importantes y dan lugar a cambios cclicos. Antes se han visto mtodos
descriptivos para expresar este tipo de series en forma aditiva o multiplicativa en
sus componentes de tendencia, estacionales y cclicos. Una extensin de los
modelos ARIMA revisados propone una alternativa ms eficiente que los mtodos
descriptivos y an que mtodos basados en series de Furier o combinaciones de
funciones basadas en senos y cosenos.
Como analoga al operador diferencia utilizado anteriormente se introduce el
operador diferencia estacional:
k
E
Z t (1 B E ) k Z t
k
j 0
k!
(1) j Z t jE para k=0,1,2,..y E=1,2,
j!(k j )!
Z t (1 B12 ) 2 Z t Z t 2Z t 12 Z t 24
B E
D
E
Z t B E at
ARIMA (0,0,0)(P,D,Q)E
Z~t Z~t E at
donde
Z~t Z~t
49
2 0 2
De donde
0 2 0 2
y al despejar se tiene
0 2 /(1 2 )
Las autocovarianzas se expresan de manera general por:
iE i 2 /(1 2 )
y
k 0
para i>0
para k iE
50
Funcin de Autocorrelacin
Perodo
Emprica
Terica
1
0.091
0.000
2
-0.089
0.000
3
-0.655
-0.600
4
-0.076
0.000
5
0.077
0.000
6
0.389
0.360
7
0.141
0.000
8
-0.082
0.000
9
-0.250
-0.216
10
-0.201
0.000
MODELO ARIMA(0.0.0)(1,0,0)3
4
3
2
1
Autocorrelaciones
0
1.000
0.800
0.600
0.400
0.200
0.000
-0.200
-0.400
-0.600
-0.800
-1.000
-1
-2
-3
-4
-5
Z~t at at E
Sus autocovarianzas y funcin de autocorrelacin se resumen en las siguientes
expresiones.
1 2 2 para k 0
k 2
para k E
0
en otro lado
/ 1 2
para k E
para k E
0
51
10
MODELO ARIMA(0.0.0)(0,0,1)3
4
3
2
Funcin de Autocorrelacin
Perodo
Emprica
Terica
1
-0.016
0.000
2
0.082
0.000
3
0.471
0.441
4
-0.072
0.000
5
0.137
0.000
6
0.004
0.000
7
0.014
0.000
8
0.036
0.000
9
-0.125
0.000
10
-0.063
0.000
1
Autocorrelaciones
0
1.000
0.800
0.600
0.400
0.200
0.000
-0.200
-0.400
-0.600
-0.800
-1.000
-1
-2
-3
-4
B E
D
E
Z t B E at
Donde los errores at no se comportan como ruido blanco sino generadas por un
proceso ARIMA(p,d,q)
a t B a t
B B E
D
E
Z t ( B)B E at
52
10
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
59.808
64.660
67.755
71.249
74.242
77.616
80.671
83.882
86.989
92.454
60.339
64.617
67.711
71.447
74.686
77.875
80.794
84.117
87.248
92.659
60.673
65.026
68.057
71.898
74.939
78.226
80.896
84.299
87.880
93.192
61.019
65.354
68.429
72.020
75.053
78.505
81.014
84.248
88.080
93.518
61.247
65.504
68.568
71.788
74.864
78.307
80.653
83.837
87.985
93.245
61.609
65.659
68.902
71.847
74.984
78.232
80.723
83.938
88.349
93.417
61.850
65.489
69.100
71.951
75.181
78.538
80.944
84.295
88.842
93.672
62.190
65.877
69.363
72.167
75.645
78.632
81.358
84.638
89.355
93.896
62.644
66.490
69.780
72.597
76.270
78.947
82.179
85.295
89.964
94.367
63.075
66.790
70.088
72.863
76.799
79.141
82.538
85.627
90.577
94.652
63.615
67.042
70.654
73.468
77.454
79.711
82.971
86.232
91.606
95.143
64.303
67.135
70.962
73.784
77.614
80.200
83.451
86.588
92.241
95.537
La grafica de la serie del INPC muestra una tendencia lineal, pero tambin se
percibe un efecto estacional con incrementos en el primer trimestre de cada ao,
la cual es ms evidente en la grfica de los ltimos 4 aos.
115
113
111
110
109
100
107
105
90
103
80
101
99
70
97
53
Jul 2014
Abr 2014
Ene 2014
Jul 2013
Oct 2013
Abr 2013
Ene 2013
Jul 2012
Oct 2012
Abr 2012
Ene 2012
Jul 2011
Oct 2011
Abr 2011
Ene 2011
Jul 2010
Oct 2010
Abr 2010
1
9
17
25
33
41
49
57
65
73
81
89
97
105
113
121
129
137
145
153
161
169
50
Ene 2010
95
60
1.50
1.00
0.50
0.00
-0.50
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
103
109
115
121
127
133
139
145
151
157
163
169
175
-1.00
Una de las formas ms usuales para corregir este tipo de problema, como se
mencion, es mediante la transformacin logartmica de la serie original y
posteriormente tomar primera diferencia. El efecto es una disminucin de la
varianza.
En la siguiente tabla se observan los promedios, desviaciones estndares y
coeficientes de variacin por cada ao de la serie. Se observa que los coeficientes
de variacin de cada ao varan entre 0.3% (2014) y 2.2%(2000).
Mes
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
59.808
64.660
67.755
71.249
74.242
77.616
80.671
83.882
86.989
92.454
60.339
64.617
67.711
71.447
74.686
77.875
80.794
84.117
87.248
92.659
60.673
65.026
68.057
71.898
74.939
78.226
80.896
84.299
87.880
93.192
61.019
65.354
68.429
72.020
75.053
78.505
81.014
84.248
88.080
93.518
61.247
65.504
68.568
71.788
74.864
78.307
80.653
83.837
87.985
93.245
61.609
65.659
68.902
71.847
74.984
78.232
80.723
83.938
88.349
93.417
61.850
65.489
69.100
71.951
75.181
78.538
80.944
84.295
88.842
93.672
62.190
65.877
69.363
72.167
75.645
78.632
81.358
84.638
89.355
93.896
62.644
66.490
69.780
72.597
76.270
78.947
82.179
85.295
89.964
94.367
63.075
66.790
70.088
72.863
76.799
79.141
82.538
85.627
90.577
94.652
63.615
67.042
70.654
73.468
77.454
79.711
82.971
86.232
91.606
95.143
64.303
67.135
70.962
73.784
77.614
80.200
83.451
86.588
92.241
95.537
Media
Desv Est
CV
61.864 65.804 69.114 72.257 75.644 78.661 81.516 84.750 89.093 93.813 97.712 101.042 105.196 109.200 112.875
1.359 0.878 1.086 0.776 1.123 0.740 0.997 0.952 1.690 0.949 0.985 1.078 1.128 1.083 0.312
2.2%
1.3%
1.6%
1.1%
1.5%
0.9%
1.2%
1.1%
1.9%
1.0%
1.0%
1.1%
1.1%
1.0%
0.3%
54
Mes
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Media
Desv Est
CV
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
4.091
4.169
4.216
4.266
4.307
4.352
4.390
4.429
4.466
4.527
4.570
4.607
4.647
4.679
4.723
4.100
4.168
4.215
4.269
4.313
4.355
4.392
4.432
4.469
4.529
4.576
4.611
4.649
4.684
4.726
4.106
4.175
4.220
4.275
4.317
4.360
4.393
4.434
4.476
4.535
4.583
4.613
4.650
4.691
4.728
4.111
4.180
4.226
4.277
4.318
4.363
4.395
4.434
4.478
4.538
4.580
4.613
4.647
4.692
4.726
4.115
4.182
4.228
4.274
4.316
4.361
4.390
4.429
4.477
4.535
4.574
4.606
4.643
4.689
4.723
4.121
4.184
4.233
4.275
4.317
4.360
4.391
4.430
4.481
4.537
4.573
4.606
4.648
4.688
4.725
4.125
4.182
4.236
4.276
4.320
4.364
4.394
4.434
4.487
4.540
4.576
4.610
4.654
4.688
4.728
4.130
4.188
4.239
4.279
4.326
4.365
4.399
4.438
4.493
4.542
4.578
4.612
4.657
4.691
4.731
4.137
4.197
4.245
4.285
4.334
4.369
4.409
4.446
4.499
4.547
4.584
4.614
4.661
4.694
4.144
4.202
4.250
4.289
4.341
4.371
4.413
4.450
4.506
4.550
4.590
4.621
4.666
4.699
4.153
4.205
4.258
4.297
4.350
4.378
4.418
4.457
4.517
4.555
4.598
4.632
4.673
4.708
4.164
4.207
4.262
4.301
4.352
4.385
4.424
4.461
4.524
4.560
4.603
4.640
4.675
4.714
4.125
0.022
0.5%
4.187
0.013
0.3%
4.236
0.016
0.4%
4.280
0.011
0.3%
4.326
0.015
0.3%
4.365
0.009
0.2%
4.401
0.012
0.3%
4.440
0.011
0.3%
4.490
0.019
0.4%
4.541
0.010
0.2%
4.582
0.010
0.2%
4.615
0.011
0.2%
4.656
0.011
0.2%
4.693
0.010
0.2%
4.726
0.003
0.1%
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
169
176
-0.01
55
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
0.010
0.008
0.006
0.004
0.002
0.000
-0.002
-0.004
-0.006
-0.008
-0.010
-0.012
0.40
Autocorrelaciones Simples
0.30
0.20
0.10
0.00
-0.10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-0.20
-0.30
-0.40
-0.50
-0.60
56
Autocorrelaciones Simples
Retardo Autocorrelacin
Estadstico de Box-Ljung
Error
Estndar
Q(k)
Grados
Lib
Probabilidad
.3449
.0776
19.747
.00001
-.0831
.0774
20.900
.00003
-.2658
.0771
32.780
.00000
-.1318
.0769
35.719
.00000
.0377
.0766
35.961
.00000
-.0095
.0764
35.976
.00000
.0276
.0762
36.108
.00001
.2175
.0759
44.317
.00000
.2643
.0757
56.518
.00000
10
.0797
.0754
57.636
10
.00000
11
-.2507
.0752
68.757
11
.00000
12
-.4857
.0749
110.778
12
.00000
13
-.1453
.0747
114.561
13
.00000
14
.0475
.0744
114.968
14
.00000
15
.1190
.0742
117.541
15
.00000
0.40
Autocorrelaciones Parciales
0.30
0.20
0.10
0.00
-0.10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-0.20
-0.30
-0.40
57
Autocorrelaciones parciales
Retardo
Autocorrelacin
Error
Estndar
.34489
.07833
-.22927
.07833
-.18157
.07833
.02452
.07833
.03080
.07833
-.12648
.07833
.07283
.07833
.25379
.07833
.10801
.07833
10
-.03635
.07833
11
-.17249
.07833
12
-.32686
.07833
13
.10414
.07833
14
-.09775
.07833
15
-.05883
.07833
Z~t 1at 1 12 Zt 12 at
Las
estimaciones
de
los
parmetros obtenidas mediante
uso de paquetera estadstica,
arrojan los siguientes resultados.
En la tabla se presentan los
valores observados y estimados
de agosto 2013 a agosto 2015.
Tambin
los
lmites
para
intervalos de 95% para los
correspondientes pronsticos.
Podr verificar la precisin de
las estimaciones, puesto que
este documento se escribe en
septiembre de 2014.
1 0.438114
12 0.579958
Mes
ago-13
sep-13
oct-13
nov-13
dic-13
ene-14
feb-14
mar-14
abr-14
may-14
jun-14
jul-14
ago-14
sep-14
oct-14
nov-14
dic-14
ene-15
feb-15
mar-15
abr-15
may-15
jun-15
jul-15
ago-15
Zt
108.92
109.33
109.85
110.87
111.51
112.51
112.79
113.1
112.89
112.53
112.72
113.03
113.44
Zt Est
108.64
109.36
109.94
110.78
111.51
112.12
113.01
113.04
112.91
112.48
112.79
113.01
113.34
113.92
114.44
115.31
115.7
116.37
116.79
117.39
117.3
116.88
116.89
116.97
117.3
Li 95%
108.11
108.84
109.41
110.24
110.98
111.58
112.46
112.5
112.37
111.94
112.24
112.47
112.79
113.37
113.48
114.05
114.21
114.67
114.9
115.32
115.09
114.54
114.41
114.36
114.56
Ls 95%
109.16
109.89
110.47
111.31
112.05
112.66
113.55
113.59
113.46
113.02
113.33
113.56
113.89
114.47
115.41
116.57
117.21
118.09
118.7
119.47
119.55
119.26
119.41
119.62
58
120.08
0.193%
( B ) ( B )
Zt
a ( B)at at i
( B ) ( B ) t
i 1
i
Por lo tanto
V Z t at2 i2 Donde 0 1
t
i 0
n p q P Q t 1 i 0
Z t Z1 / 1 V ( Z t )
La siguiente grfica muestra pronsticos, valores observados e intervalos de
confianza de agosto de 2013 a agosto de 2015.
59
Pronticos INPC
122
120
118
116
114
112
110
108
106
104
102
Zt
Zt Est
Li 95%
Ls 95%
0.800
0.600
0.400
0.200
0.000
-0.200
-0.400
-0.600
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
-0.800
60
.200
.150
.100
.050
.000
-.050
9 10 11 12 13 14 15 16 17 18 19 20
-.100
-.150
-.200
.000
-.050
9 10 11 12 13 14 15 16 17 18 19 20
-.100
-.150
-.200
61
L nLn a
SSQ' nLn(2 )
2
2 2 a
AIC 2L 2m
Donde m es el nmero de parmetros del modelo
Otra estadstica adicional es el Criterio Bayesiano de Schwartz que se calcula de
la siguiente forma:
SBC 2L Ln(n)m
1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960
112
115
145
171
196
204
242
284
315
340
360
417
118
126
150
180
196
188
233
277
301
318
342
391
132
141
178
193
236
235
267
317
356
362
406
419
129
135
163
181
235
227
269
313
348
348
396
461
121
125
172
183
229
234
270
318
355
363
420
472
135
149
178
218
243
264
315
374
422
435
472
535
148
170
199
230
264
302
364
413
465
491
548
622
148
170
199
242
272
293
347
405
467
505
559
606
136
158
184
209
237
259
312
355
404
404
463
508
119
133
162
191
211
229
274
306
347
359
407
461
104
114
146
172
180
203
237
271
305
310
362
390
118
140
166
194
201
229
278
306
336
337
405
432
62
600
500
400
300
200
100
Jul-60
Jul-59
Ene-60
Jul-58
Ene-59
Jul-57
Ene-58
Jul-56
Ene-57
Jul-55
Ene-56
Jul-54
Ene-55
Ene-54
Jul-53
Jul-52
Ene-53
Ene-52
Jul-51
Jul-50
Ene-51
Jul-49
Ene-50
Ene-49
6.5
6.0
5.5
5.0
4.5
Jul-60
Jul-59
Ene-60
Ene-59
Jul-58
Jul-57
Ene-58
Ene-57
Jul-56
Jul-55
Ene-56
Ene-55
Jul-54
Jul-53
Ene-54
Ene-53
Jul-52
Jul-51
Ene-52
Jul-50
Ene-51
Ene-50
Jul-49
Ene-49
4.0
63
Retardo k
1.20
Autocorrelacin
Error
Estndar
Estadstico de Box-Ljung
Q(k)
Grados Lib
probabilidad
.95370
.08247
133.723
.000
.89892
.08218
253.360
.000
.85080
.08189
361.293
.000
.80843
.08160
459.437
.000
.77890
.08131
551.200
.000
.75644
.08102
638.374
.000
.73760
.08072
721.864
.000
.72713
.08043
803.598
.000
.73365
.08013
887.420
.000
10
.74426
.07984
974.327
10
.000
11
.75803
.07954
1065.158
11
.000
12
.76194
.07924
1157.625
12
.000
13
.71650
.07894
1240.016
13
.000
14
.66304
.07863
1311.114
14
.000
15
.61836
.07833
1373.432
15
.000
16
.57621
.07803
1427.965
16
.000
17
.54380
.07772
1476.920
17
.000
18
.51946
.07742
1521.944
18
0.000
19
.50070
.07711
1564.110
19
0.000
20
.49040
.07680
1604.886
20
0.000
1.00
0.80
0.60
0.40
0.20
0.00
-0.20
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
-0.40
64
Autocorrelacin
parcial
.953703
Error
Estndar
.083333
-.117570
.083333
.054233
.083333
.023756
.083333
.115822
.083333
.044368
.083333
.038034
.083333
.099622
.083333
.204096
.083333
10
.063909
.083333
11
.106035
.083333
12
-.042466
.083333
13
-.485430
.083333
14
-.034350
.083333
15
.042225
.083333
16
-.044197
.083333
17
.027608
.083333
18
.037148
.083333
19
.041638
.083333
20
.014400
.083333
Retardo K
1.20
1.00
0.80
0.60
0.40
0.20
0.00
-0.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-0.40
-0.60
65
Sep-60
Ene-60
May-60
Sep-59
Ene-59
May-59
Sep-58
Ene-58
May-58
Sep-57
Ene-57
May-57
Sep-56
Ene-56
May-56
Sep-55
Ene-55
May-55
Sep-54
Ene-54
May-54
Sep-53
Ene-53
May-53
Sep-52
Ene-52
May-52
Sep-51
Ene-51
May-51
Sep-50
Ene-50
May-50
Sep-49
Ene-49
May-49
-0.25
0.20
0.15
0.10
0.05
0.00
-0.05
-0.10
Jul-60
Ene-60
Jul-59
Ene-59
Jul-58
Ene-58
Jul-57
Ene-57
Jul-56
Ene-56
Jul-55
Ene-55
Jul-54
Ene-54
Jul-53
Ene-53
Jul-52
Ene-52
Jul-51
Ene-51
Jul-50
Ene-50
Jul-49
-0.20
Ene-49
-0.15
66
Retardo k
Autocorrelacin
Error
Estdar
Estadstico de Box-Ljung
Q(k)
Grados Lib
Probabilidad
-.341124
.086379
15.596
.000
.105047
.086047
17.086
.000
-.202139
.085712
22.648
.000
.021359
.085377
22.710
.000
.055654
.085040
23.139
.000
.030804
.084702
23.271
.001
-.055579
.084362
23.705
.001
-.000761
.084022
23.705
.003
.176369
.083679
28.147
.001
10
-.076358
.083336
28.987
10
.001
11
.064384
.082991
29.589
11
.002
12
-.386613
.082644
51.473
12
.000
13
.151602
.082296
54.866
13
.000
14
-.057607
.081947
55.361
14
.000
15
.149565
.081596
58.720
15
.000
16
-.138942
.081243
61.645
16
.000
17
.070482
.080889
62.404
17
.000
18
.015631
.080534
62.442
18
.000
19
-.010611
.080177
62.460
19
.000
20
-.116729
.079818
64.598
20
.000
Autocorrelaciones Simples
D1(D12( Ln(Zt)))
1.20
1.00
0.80
0.60
0.40
0.20
0.00
-0.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-0.40
-0.60
67
Autocorrelacin
parcial
-.341124
Error
Estndar
.087370
-.012809
.087370
-.192662
.087370
-.125028
.087370
.033090
.087370
.034677
.087370
-.060187
.087370
-.020223
.087370
Retardo k
.225577
.087370
10
.043071
.087370
11
.046588
.087370
12
-.338695
.087370
13
-.109179
.087370
14
-.076839
.087370
15
-.021751
.087370
16
-.139545
.087370
17
.025892
.087370
18
.114822
.087370
19
-.013162
.087370
20
-.167430
.087370
21
.132404
.087370
22
-.072039
.087370
23
.142854
.087370
24
-.067332
.087370
Autocorrelaciones Parciales
D1(D12(Ln(Zt)))
0.30
0.20
0.10
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-0.10
-0.20
-0.30
-0.40
68
= -0.34112
= 0.40120
Constante =-0.00006
Esto es el modelo quedara de la forma: (1 0.34112B)Z t (1 0.4012B12 )at
Las estadsticas de ajuste que reporta SPSS son:
Parmetros
=
=
Cte
Error estndar
Tcalculada
Probabilidad
-0.33951036
0.08244750
-4.1178976
0.00006811
0.56291903
-0.00017482
0.08546761
0.000122245
6.5863437
-0.1430072
0.00000000
0.88650939
11 16 21 26 31 36 41
46 51 56 61 66 71 76 81
86 91 96 101 106 111 116 121 126 131 136 141 146 151 156
69
BIBLIOGRAFIA
Box, G. Jenkins, G. Time Series Analysis Forecasting and Control. Holden
Day, 1971
Caridad y Ocerin, J.M.; Econometra: Modelos Economtricos y Serires
Temporales Tomos 1 y 2. Ed. Revert S.A., 1998
Guerrero, V. Anlisis Estadstico de Series de Tiempo Econmicas. UAM,
1991
Makridakis, S.; Wheelwright, S. Forecasting Methods & Applications. John
Wiley & Sons 1978
Makridakis, S.; Wheelwright, S. Mtodos de Pronsticos. Limusa, 2000
70