ANLISIS DE SERIES DE

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

Profr. Francisco Snchez Villarreal

Julio 2016

MODELOS AUTORREGRESIVOS INTEGRADOS DE MEDIAS MOVILES

(ARIMA)
En 1970 George E.P. Box y Gwilym M. Jenkins publican su ahora famoso libro
Time Series anlisis forecasting and control en donde presentan una
metodologa para identificar, estimar y diagnosticar modelos dinmicos de series
temporales con la idea de que las estructuras subyacentes conduzcan al
investigador a construir un modelo en el que la variable exgena est constituida
por valores retrasados de la misma variable. Se argumenta como ventaja el que el
investigador se ahorra el esfuerzo de especificacin de variables y relaciones
adicionales, pero por otra parte se renuncia a la presencia de otras variables
relacionadas con el fenmeno que se estudia y la riqueza interpretativa que la
acompaa.
Procesos Estocsticos y Series de Tiempo
Un proceso estocstico es sucesin ordenada de variables aleatorias Zt asociadas
a un conjunto ndice de nmeros reales. Z t ; t T. Si T es un conjunto finito o
infinito pero numerable se dice que el proceso es discreto.
Una serie de tiempo se concibe como una sucesin de observaciones generadas
por un proceso estocstico cuyo conjunto ndice es el tiempo. Entonces Z1, Z2 Z3.
Zn denota valores sucesivos de la serie a intervalos equidistantes. El proceso
estocstico quedar plenamente caracterizado si se exhibe la funcin de densidad
conjunta f (Z1 , Z 2 ,....., Z n ) .
Una clase importante de modelos estocsticos para describir series de tiempo son
los llamados modelos estacionarios, los cuales suponen que el proceso
permanece en equilibrio en torno a una media constante. Ms adelante se
analizar su definicin formal. Sin embargo, la mayora de las series de inters
econmico se representan mejor por modelos no estacionarios, ello motiv los
mtodos de suavizamiento exponencial revisados en la seccin anterior de Brown,
Holt y Winter entre otros.
Box y Jenkins mencionan que los modelos de suavizamiento exponencial ptimos
corresponden a los llamados modelos autorregresivos integrados y de medias
mviles (ARiMA) que se revisarn con mayor detalle.
Operador de retraso
Se identifica por la letra B y se define como el valor retrasado de la serie indicado
por el exponente del operador:

B k Z t Z t k
En particular

para k =1,2,..

B0 Zt Zt
18

El operador se puede aplicar en forma sucesiva

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)!

Ejemplo 1 Consumo de Energa:

La siguiente serie de tiempo corresponde a consumo de energa elctrica en USA
durante el perodo enero de 1951 a diciembre de 1958. En la grfica se presenta
la serie original y las series generadas por los operadores Diferencia y Hacia Atrs
aplicados para k=1.
Mes
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic

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

Como se puede ver en la grfica, la tendencia creciente de la serie original se

elimina en la serie de primera diferencia.
Serie de consumo de energa elctrica USA
Serie original y operadores Hacia Atrs y Diferencia
600
500
400
300

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

Operador de retraso y polinomios.

Una combinacin lineal de la forma:
k

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

Donde Zt es el valor de la serie en el perodo t y gt es un ponderador para el valor

del mismo perodo. La serie se puede considerar como un polinomio de retraso:
k

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

Un ejemplo de polinomio de retraso es la serie geomtrica:

G( B) 1 g1 B g 22 B 2 g 33 B 3 ....... con IgI<1

En forma alternativa

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

En donde representa la media de la serie, j un conjunto de parmetros del

modelo y at un sucesin de variables aleatorias. En notacin de polinomio de
retraso, el modelo se puede representar entonces:

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.

t Eat 1at 1 2 at 2 .....

A menos que la suma de ponderadores converja.

1 i
i 1

Entonces la media de la serie no depende del tiempo

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

La varianza del proceso se obtiene a partir de la definicin

0 E Z t 2
E at 1 at 1 2 at 2 .....

E a 2 t 21a 2 t 1 2 2 a 2 t 2 ..... E (2at 1at 1 2at 2 at 2 .... 2 1at 1 2 at 2 .......)

por independencia y considerando que las at tienen la misma varianza.

2 2j

adopta un valor real si

j 1

j 1

2
j

La varianza no depende del tiempo.

La covarianza se define

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 .....

2 i i k k tambin se debe cumplir la condicin de convergencia.

j 1

Se observa que la covarianza tampoco depende del tiempo.

23

Cuando los momentos de primero y segundo orden de un proceso no dependen

del tiempo se les designa como estacionarios de segundo orden.
Un proceso se define estrictamente estacionario si la funcin d densidad para un
conjunto arbitrario de variables Z t , Z t 1 , Z t 2 ,........ Z t n no cambia respecto a
desplazamientos en el tiempo.

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

En el supuesto de normalidad basta conocer los momentos de primero y segundo

orden para considerar que una serie est completamente determinada. Para evitar
la influencia de las unidades, en lugar de las autocovarianzas se consideran los
coeficientes de autocorrelacin.
E Z t Z t k k
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

Estimacin de las autocovarianzas.

1 nk
Z t Z~ Z t k Z~ k=0,1,2,3.
n t 1
Estimacin de los coeficientes de autocorrelacin.
Ck

nk

rk

Ck

C0

Z
t 1

Z~ Z t k Z~

Z
n

t 1

2
Z~

Varianzas, Errores Estndares, Intervalos de Confianza y pruebas de

hiptesis para Autocorrelaciones.
En general se utilizan las siguientes aproximaciones de la varianza de las
autocorrelaciones propuestas por Bartlett.

1 2
V (rk ) v v k v k 4 k v v k 2 v2 k2
n v

Las varianzas y errores estndares de los coeficientes de autocorrelacin se

calculan en funcin de dos supuestos principales: El supuesto de que el proceso
corresponde a un modelo de medias mviles de orden k-1, esto es MA( k-1). , La
aproximacin de Bartlett se reduce a:
k 1
1

V (rk ) 1 2 ri 2
n
t 1

Para el supuesto de que la serie es ruido blanco, entonces la varianza y error

estndar se obtienen como sigue:

V (rk )

1nk

nn2

EE (rk )

1nk

nn2

Para n>50 se considera la aproximacin a la distribucin normal con media cero y

varianza dada por la expresin anterior, entonces un intervalo de confianza de
100(1-)% de confianza para la autocorrelacin de orden k en torno al origen y
que permite considerar significativamnte diferentes de cero a las autocorrelaciones
que escapan del intervalo se calcula de la manera: siguiente, donde Z es el
coeficiente de confianza correspondiente al percentil 100(1-/2)% de una
distribucin normal estndar. Usualmente Z=2.0

0 Z1 / 2 EE (rk )

25

Prueba de Box Ljung

Permite probar la hiptesis de que un conjunto de autocorrelaciones son iguales a
cero. La hiptesis se nula plantea de la siguiente forma:
Ho: Los datos se distribuyen de forma independiente o en forma equivalente el
conjunto de correlaciones de la poblacin de donde proviene la muestra son
todas cero.
H0: t = 0 para toda t
H1: t 0 para alguna t. Los datos no se distribuyen en forma independiente.
La estadstica de prueba:
k

Q( k ) n( n 2 )

t 1

rk2
(nk )

La Q(k) se distribuye Ji cuadrada con k grados de libertad. Cuando se aplica a los

residuales de un modelo ARIMA, a los grados de libertad se les debe restar el
nmero de parmetros autorregresivos y de medias mviles asociados al modelo.
Autocorrelaciones parciales.
La identificacin de los modelos se apoya en se puede llevar a efecto mediante la
funcin de autocorrelacin y de los intervalos de confianza, pero la identificacin
de un proceso autorregresivo con la sola ayuda de la FAC puede presentar serias
dificultades. Las autocorrelaciones parciales cubren esta limitante. Como se sabe,
la autocorrelacin parcial entre dos variables mide la relacin lineal existente entre
ellas manteniendo constante la presencia de otras variables o excluyendo su
influencia lineal..
Considrese que se desea calcular la autocorrelacin lineal de segundo orden
excluyendo la influencia de la autocorrelacin de primer orden en un modelo
AR(1). El coeficiente correlacin parcial de segundo orden se calcula en funcin
de los coeficientes de autocorrelacin simples de la siguiente forma:

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

22 (r2 r12 ) /(1 r12 )

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,

Quenouille (1949) demostr que bajo el supuesto de un modelo AR(p) y con

p k 1 entonces kk se distribuye normal con media cero y varianza 1/n. En
consecuencia es muy fcil calcular intervalos de confianza para los coeficientes de
autocorrelacin al sumar y restar la raz cuadrada de 1/n multiplicada por el
coeficiente de confianza (usualmente 1.96, para 95% de confianza), que se suele
aproximar a 2.

0 Z1 / 2

1
n

Modelos Autorregresivos AR(p)

Considrese un modelo en el cual la variable dependiente depende de p valores
retrasados de la misma variable en la siguiente forma:

Z~t 1 Z~t 1 2 Z~t 2 ....... p Z~t p at

Expresado en forma equivalente en trminos del operador de retraso.

1 B B
1

..... p B p Z~t at en forma compacta

( B)Z~t at

Modelo AR(1)
Se revisar inicialmente, por simplicidad, el modelo AR(1):

Z~t 1Z~t 1 at En forma equivalente 1 1 BZ~t at

Para que la serie generada por este modelo sea estacionaria, se requiere que la
raz de la siguiente ecuacin se ubique dentro del crculo unitario.

1 x 0

27

Por tanto debe cumplir 1 1

y en forma alternativa se tiene la siguiente

expresin cuyos trminos convergen a cero.

1
Z~t 1 1 B at at 1 at 1 12 at 2 ..........

Entonces el valor esperado y la varianza de la serie es:

E Z~t E at 1 at 1 12 at 2 .......... E (at ) 1 E (at 1 ) 12 E (at 2 ) .......... 0

V Z~t V (at ) 12V (at 1 ) 14V (at 2 ) ..........

2 1 12 14 ..........

2
(1 12 )

De donde

V ( Z~t ) o

2
(1 12 )

De manera anloga las autocovarianzas se expresan

21k
1 k 1 para k=1,2,3..
(1 12 )

Puesto que se tiene una relacin simtrica k k se sigue:

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.

Ejemplo AR(1) Simulado

Se tiene una realizacin de 156 observaciones generadas por Montecarlo de un
modelo AR(1) que tiene los siguientes parmetros y cuyo error se distribuye
normal con media 0 y varianza 0.7. Se han calculado las autocorrelaciones
tericas y empricas. Obsrvese la lenta cada de las autocorrelaciones simples

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

En las autocorrelaciones parciales, solamente resulta significativa para K=1

Modelor Autorregresivo de Primer Orden

AR(1)
4.00
3.00

2.00
1.00
0.00
-1.00
-2.00
-3.00
-4.00

Autocorrelaciones Simples AR(1)

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

Ahora se cambia nicamente el parmetro 1 = -0.8 . Se observa el

comportamiento muy cortado de la serie y la cada alternada de las
autocorrelaciones.

29

1
2
3
4
5
6

Modelor Autorregresivo de Primer Orden AR(1)

6.00

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

Las autocorrelaciones parciales resultan todas negativas y solamente significativa

la primera.
Autocorrelaciones parciales
Modelo AR(1)
.000
-.100

-.200

-.300
-.400
-.500

-.600
-.700
-.800
-.900

Modelo AR(2)
De manera natural se sigue con el anlisis del modelo AR(2).

Z~t 1Z~t 1 2 Z~t 2 at

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

Estas restricciones definen una zona de combinaciones factibles en el plano

cartesiano 1 , 2 en forma de tringulo dentro de los puntos (-2,2) y (-1.1).
1.00
0.80
0.60
0.40
0.20

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 0 2 1 Por simetra equivale a 1 1 0 2 1 y por otra parte

2 1 1 2 0
Si estas dos ltimas ecuaciones se dividen entre 0 se obtienen las ecuaciones de
Yule Walker, las cuales permiten obtener los valores de las primeras dos
autocorrelaciones en funcin de 1 y 2

1 1 2 1
2 1 1 2

31

De la primera ecuacin 1 1 /(1 2 ) y al sustituir en la segunda ecuacin se

obtiene 2 12 /(1 2 ) 2 y las siguientes autocorrelaciones por la ecuacin
recurrente:

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)

Las autocorrelaciones simples decaern exponencialmente hacia cero y sern

positivas si la primera lo es. Si la primera es negativa, entonces presentarn
signos alternados.
Al utilizar las ecuaciones de Yule Walker y resolverlas para 1 y 2 se tienen
expresiones en funcin de las autocorrelaciones que al ser sustituidas por su
clculos empricos dan estimaciones de los parmetros.

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

Modelor Autorregresivo de Segundo Orden

AR(2)
2.00
1.50

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.

Z~t 1 Z~t 1 2 Z~t 2 .... p Z~t p at

Z~t Z~t

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

Una forma alternativa de verificar el supuesto de estacionariedad es mediante el

sistema de ecuaciones de Yule Walker asociadas al proceso AR(p) que
proporcionan las primeras p autocorrelaciones.

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

Considrese ahora la matriz de coeficientes de autocorrelacin para toda la

muestra.

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.

Modelos de Medias Mviles MA(q)

Los modelos de medias mviles, introducidos por Yule y Slutzky, representan un
proceso como una suma finita de choques aleatorios independientes at
ponderados por una serie de parmetros en la siguiente forma:

Z~t at 1at 1 2 at 2 ...... q at q

En forma equivalente se representa:
Z~t (1 1 B 2 B 2 ...... q B q )at

o bien Z~t ( B)at

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

Dado que la suma de los valores absolutos de los parmetros

i 1

involucra un

nmero finito de elementos finitos, entonces todo proceso de medias mviles es

estacionario.

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.

Z~t at 1at 1 o en trminos del operador de retraso Z~t (1 1 B)at

En forma inmediata se tiene el valor esperado y la varianza del proceso.

E(Z~t ) E(at 1at 1 ) E(at ) 1 E(at 1 ) 0

V (Z~t ) 0 V (at 1at 1 ) E (at ) V (1at 1 ) 2 (1 2 )
Las autocovarianzas se obtienen:

1 2
0

k E(at 1at 1 )(at k 1at k ) E (at ) 1 E (at 1 )

k 1
k 1

Las autocorrelaciones quedan definidas entonces

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

autocorrelaciones son nulas para k>1, se observan valores empricos superiores a

0.1 para k= 4,5. Las parciales para k=1.2 son significtivas.
Proceso de Meadias Mviles MA(1)

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

donde ( B) 1 1 B 2 B 2 ....... es un polinomio de retraso que

cumple con que la siguiente suma converja dentro del crculo unitario.

( x) 1 i x i
i 1

Todo proceso MA es estacionario y todo proceso AR es invertible. Las condiciones

de invertibilidad de un proceso MA se obtienen de manera similar a las
estacionariedad de un proceso AR.
La invertibilidad de un proceso es importante porque todo proceso invertible est
determinado de manera nica por su funcin de autocorrelacin.

36

El proceso MA(1) es invertible si < 1 lo que implica que 1 0.5

Modelo MA (2)
Ahora se analiza el modelo de medias mviles que involucra dos parmetros.

Z~t at 1at 1 2 at 2 o su equivalente Z~t (1 1 B 2 B 2 )at

Su media y varianza estn dadas por

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

La forma de su funcin de autocorrelacin determina que la memoria del proceso

se limita a dos perodos. Para que el proceso MA(2) sea invertible se requiere que
las races de la siguiente ecuacin se encuentren fuera del crculo unitario.

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

En forma equivalente se establecen restricciones con referencia a los coeficientes

de autocorrelacin

12 0.5 y

2 0.5

Ejemplo MA(2)

A continuacin se presenta una realizacin del proceso 1 = 0.6 , 2 = -0.4 y con

media del error cero y varianza del 2 =0.7. Las primeras dos autocorrelaciones
coinciden en gran medida con los valores tericos esperados, pero las
subsiguientes no se anulan.
Medias Mviles 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

Las autocorrelaciones parciales muestran significancia para K=1 y 3

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.

Z~t at 1at 1 2 at 2 ...... q at q

Cuyos momentos de segundo orden y funcin de autocorrelacin son los
siguientes:

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

De manera anloga a lo observado en los procesos MA(1) y MA(2), la memoria del

proceso MA(q) se limita a q perodos. Para que el proceso sea invertible se
requiere que los q determinantes definidos en la siguiente forma sean positivos.
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

Modelo ARMA (p,q)

Constituyen una unin y generalizacin de los modelos autorregresivos y de
medias mviles. En trminos de polinomios de retraso de grados p y q se
expresan de la siguiente forma:

Z~t 1 Z~t 1 2 Z~t 2 ....... p Z~t p at 1at 1 2 at 2 ...... q at q

(1 1 B 2 B 2 ....... p B p ) Z~t (1 1 B 2 B 2 ...... q B q )at

( B)Z~t ( B)at
El proceso ARMA(p,q) se puede referir como un autorregresivo puro de orden p

39

 ( B)Z~t et donde et ( B)at

Tambin como un proceso de medias mviles de orden q.

Z~t ( B)bt con b siguiendo un proceso autorregresivo de orden p ( B)bt at de

forma que ( B)Z~t ( B) ( B)bt ( B)at

Modelo ARMA (1,1)

El ms sencillo modelo ARMA involucra un modelo autorregresivo
medias mviles, ambos de primer orden.

y uno de

Z~t 1 Z~t 1 at 1at 1

Cuyos primeros momentos son:
E(Z~t ) 0
1 1 (1 1 ( 1 )) 2

k
1 0 1 2

k 1

k 0
k 1
k2

Los valores de 0 y 1 se pueden obtener en funcin de los parmetros

autorregresivo y de medias mviles a partir del siguiente sistema de ecuaciones:

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

De donde se deduce que la funcin de autocovarianza se puede expresar:

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

Si se cumple la condicin de estacionariedad 1 1 entonces la funcin de

autocorrelacin experimenta un decaimiento exponencial.

40

Ejemplo ARMA (1,1) Simulado

A continuacin se presenta una realizacin del proceso 1 = 0.6 , 1 = 0.4 y con

media del error cero y varianza del 2 =1.0. Obsrvese la cada sistemtica de las
autocorrelaciones simples empricas y tericas que presentan una elevada
coincidencia.
Autocorrelaciones Simples
ARMA (1,1)

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

Modelo ARIMA (p,d,q)

Los modelos revisados plantean que los procesos son estacionarios, sin embargo
para el caso de ciertos procesos no estacionarios, es posible lograr la
estacionariedad con la aplicacin de diferencias a la serie original. Se ha visto que
d
al aplicar el operador diferencia
en forma sucesiva se logra eliminar
tendencias de tipo polinomial y a la serie resultante ya estacionaria se le puede
ajustar un modelo de tipo ARMA.
Wt d Z~t con d 1
As un modelo ARIMA(p,d,q) queda definido en trminos de los operadores de
diferencia y retraso de la siguiente forma:

41

 (B)

Z t = ( B)at

Al sustituir se tiene un ARMA(p,q) para Wt

(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

Por ejemplo, para d=1

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

Ajuste de Modelos ARIMA

Los modelos de la clase ARIMA, como se ha visto, incluyen varios tipos de
parmetros cuyos valores son desconocidos. La forma especfica del modelo ms
conveniente dentro de la clase ARIMA es una incgnita. En consecuencia se
tienen que aplicar herramientas y procedimientos adicionales para reducir las
alternativas y seleccionar el mejor modelo para una serie dada. La primera
recomendacin que se hace es la de reducir el nmero de parmetros tanto como
sea posible, esto es la parsimonia es la primera regla que hay que tomar en
cuenta.
Otro aspecto esencial es que estos modelos
requieren un mnimo de 50 observaciones para
obtener resultados satisfactorios. De hecho Box
y
Jenkins
recomiendan
100

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

Uso del Modelo

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.

Patrones Caractersticos de Funciones de Autocorrelacin.

Las funciones de autocorrelacin simples y parciales de los modelos
Autorregresivos puros AR(p) y de Medias Mviles puros MA(q) tienen patrones
muy caractersticos y por tanto fciles de identificar. A continuacin se presentan

43

las grficas de series de diferentes modelos puros y de los comportamientos

caractersticos de sus funciones de autocorrelacin simples y parciales.
AR(1) parmetro Phi negativo.
Modelor Autorregresivo de Primer Orden
AR(1)
2.50
2.00
1.50
1.00
0.50
0.00
-0.50
-1.00
-1.50
-2.00
-2.50

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

Autorregresivo AR(1) parmetro Phi positivo

Modelor Autorregresivo de Primer Orden
AR(1)
3.00
2.50
2.00
1.50
1.00
0.50
0.00
-0.50
-1.00
-1.50
-2.00

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

Medias Mviles MA(1) parmetro Theta negativo

Proceso de Medias Mviles
MA(1)
2.50
2.00
1.50
1.00
0.50
0.00
-0.50
-1.00
-1.50
-2.00
-2.50

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

Medias Mviles parmetro Theta positivo

Proceso de Medias Mviles
MA(1)
2.50
2.00

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

Modelo de Medias Mviles MA(2) Theta(1) positivo y Theta(2) negativo

Medias Mviles MA(2)
0.80
0.60
0.40
0.20
0.00
-0.20
-0.40
-0.60
-0.80
-1.00

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

Medias Mpoviles MA(2) Theta(1) negativo y Theta (2) negativo

Medias Mviles MA(2)
1.50

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

La serie transformada como se mencion, ser:

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

Despus de aplicar una primera diferencia respecto al perodo inmediato anterior,

la serie se estabiliza.

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

Los siguientes datos corresponden a transporte de pasajeros de una lnea area

que presentan en la serie G del anexo Box y Jenkins. Note que hay un efecto
estacional y un incremento sistemtico de la varianza.
Datos de Pasajeros de Lnea Ara
Box Jenkins

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

Se aplica la transformacin logaritmo natural a los datos y se logra la

estabilizacin de la serie en cuanto a varianza.
Serie de Pasajeros Transformada
Zt'=Ln(Zt)

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 )!

Si E=12 y k=2 se tendra:

2
12

Z t (1 B12 ) 2 Z t Z t 2Z t 12 Z t 24

Entonces se pueden definir modelos estrictamente estacionales de la forma:

B E

D
E

Z t B E at

o siguiendo la notacin ms simple

ARIMA (0,0,0)(P,D,Q)E

Modelo ARIMA (0,0,0)(1,0,0)E

El modelo estacional autorregresivo de primer orden, en analoga con el AR(1),
constituye el ms sencillo.

Z~t Z~t E at

donde

Z~t Z~t

Evidentemente su esperanza es nula, pero su varianza est dada por:

49

0 V Z~t E Z~t 2 E Z~t E at

E 2 Z~t2E 2Z~t E at at2

2 E Z~t2E 2E Z~t E at E at2

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

De donde es fcil concluir que la FAC se expresa como:

i para k i E con i 0,1,2,.....

k
0 para k i E
Ejemplo Modelo Estacional Simulado

A continuacin se presenta una realizacin del proceso Z t 0.6Z t 3 at

con media del error cero y varianza del 2 =1.0. Obsrvese la significancia de las
autocorrelaciones que son mltiplo del parmetros de estacionalidad ( 3 ) y la
oscilacin de su signo.

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

Modelo ARIMA (0,0,0)(0,0,1)E

El modelo estacional de medias mviles de primer orden, en analoga con el
MA(1), es el siguiente modelo que lgicamente resulta interesante revisar.

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

Por ejemplo, obsrvese una realizacin del modelo Z t at 0.6at 3 . La funcin

de autocorrelacin presenta un valor significativo par k=3 y los dems coeficientes
se anulan, aunque la autocorrelacin emprica presenta algunos valores distintos
de cero, pero no significativos.

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

Modelo Multiplicativo ARIMA (p,d,q)(P,D,Q)E

Las series que observamos en la prctica desde luego presentan una combinacin
de efectos que en observaciones mensuales se pueden asociar tanto a los meses
recientes, como a los mismos meses de aos anteriores.
As los efectos puramente estacionales se combinan con efectos de corto plazo.

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

La multiplicacin de ambos efectos da lugar al modelo general

B B E

D
E

Z t ( B)B E at

Evidentemente las expresiones para las autocovarianzas y funciones de

autocorrelacin se complican notablemente y como consecuencia el proceso de
identificacin. El analista se ve en la necesidad de construir su modelo por etapas
y analizar varios modelos alternativos.

52

10

Ejemplo Indice Nacional de Precios al Consumido (INPC)

Considere la serie de valores del Indice Nacional de Precios al Consumidor de
enero de enero de 2000 a agosto de 2014.
Mes
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic

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

96.575 100.228 104.284 107.678 112.505

60.339

64.617

67.711

71.447

74.686

77.875

80.794

84.117

87.248

92.659

97.134 100.604 104.496 108.208 112.790

60.673

65.026

68.057

71.898

74.939

78.226

80.896

84.299

87.880

93.192

97.824 100.797 104.556 109.002 113.099

61.019

65.354

68.429

72.020

75.053

78.505

81.014

84.248

88.080

93.518

97.512 100.789 104.228 109.074 112.888

61.247

65.504

68.568

71.788

74.864

78.307

80.653

83.837

87.985

93.245

96.898 100.046 103.899 108.711 112.527

61.609

65.659

68.902

71.847

74.984

78.232

80.723

83.938

88.349

93.417

96.867 100.041 104.378 108.645 112.722

61.850

65.489

69.100

71.951

75.181

78.538

80.944

84.295

88.842

93.672

97.078 100.521 104.964 108.609 113.032

62.190

65.877

69.363

72.167

75.645

78.632

81.358

84.638

89.355

93.896

97.347 100.680 105.279 108.918 113.438

62.644

66.490

69.780

72.597

76.270

78.947

82.179

85.295

89.964

94.367

97.857 100.927 105.743 109.328

63.075

66.790

70.088

72.863

76.799

79.141

82.538

85.627

90.577

94.652

98.462 101.608 106.278 109.848

63.615

67.042

70.654

73.468

77.454

79.711

82.971

86.232

91.606

95.143

99.250 102.707 107.000 110.872

64.303

67.135

70.962

73.784

77.614

80.200

83.451

86.588

92.241

95.537

99.742 103.551 107.246 111.508

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.

Indice Nacional de Precios al Consumidor

2000-2014 Zt
120

Indice Nacional de Precios al Consumidor

2010 - 2014

115
113
111

110

109
100

107
105

90

103
80

101
99

70

97

Procedemos a tomar la primera diferencia simple para remover la tendencia. La

grfica de la serie de la primera diferencia revela con mayor claridad el efecto
estacional y un incremento de la varianza relacionada con el tiempo. En
consecuencia habr que atacar inicialmente el problema de la varianza, para
lograr la estacionariedad de segundo orden.

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

Indice Nacional de Precios al Consumidor

Dif 1

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

96.575 100.228 104.284 107.678 112.505

60.339

64.617

67.711

71.447

74.686

77.875

80.794

84.117

87.248

92.659

97.134 100.604 104.496 108.208 112.790

60.673

65.026

68.057

71.898

74.939

78.226

80.896

84.299

87.880

93.192

97.824 100.797 104.556 109.002 113.099

61.019

65.354

68.429

72.020

75.053

78.505

81.014

84.248

88.080

93.518

97.512 100.789 104.228 109.074 112.888

61.247

65.504

68.568

71.788

74.864

78.307

80.653

83.837

87.985

93.245

96.898 100.046 103.899 108.711 112.527

61.609

65.659

68.902

71.847

74.984

78.232

80.723

83.938

88.349

93.417

96.867 100.041 104.378 108.645 112.722

61.850

65.489

69.100

71.951

75.181

78.538

80.944

84.295

88.842

93.672

97.078 100.521 104.964 108.609 113.032

62.190

65.877

69.363

72.167

75.645

78.632

81.358

84.638

89.355

93.896

97.347 100.680 105.279 108.918 113.438

62.644

66.490

69.780

72.597

76.270

78.947

82.179

85.295

89.964

94.367

97.857 100.927 105.743 109.328

63.075

66.790

70.088

72.863

76.799

79.141

82.538

85.627

90.577

94.652

98.462 101.608 106.278 109.848

63.615

67.042

70.654

73.468

77.454

79.711

82.971

86.232

91.606

95.143

99.250 102.707 107.000 110.872

64.303

67.135

70.962

73.784

77.614

80.200

83.451

86.588

92.241

95.537

99.742 103.551 107.246 111.508

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%

Despus de tomar logaritmo natural de la serie se vuelven calcular las mismas

estadsticas. El CV es comparable, pues no depende de las unidades. Los
coeficientes de variacin disminuyen a 0.1% y 0.5% respectivamente, por lo que
se considera que la transformacin resulta til para controlar la varianza.

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%

La serie diferenciada despus de aplicar logaritmo natural se reproduce en la

siguiente grfica.

Indice Nacional de Precios al Consumidor

Dif 1 (Ln(Zt))
0.02
0.01
0.01
0.00
-0.01

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

A continuacin se toma diferencia para el efecto cclico k=12. La serie resultante,

despus de aplicarle logaritmo natural, primera diferencia simple y primera
diferencia para ciclo k=12, se presenta en la siguiente grfica, para proceder a
calcular sus autocorrelaciones simples y parciales e identificar el modelo.

55

Serie de INPC D12(D1(Ln(Zt)))

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

El siguiente paso es el clculo de las autocorrelaciones simples y parciales de la

serie transformada y diferenciada. Las autocorrelaciones simples muestran valores
muy significtivos para k=1 y 12, adems son significtivas para k=3,8,9 y 11

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

Las autocorrelaciones parciales muestran cierta cada en los primeros perodos y

significancia para k=12 seguida de una brusca interrupcin. Ello sugiere un
modelo ARIMA con parmetros simples y estacionales de carcter mixto.

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

Se plantea un modelo mixto del tipo ARIMA (0,1,1)(1,1,0) donde Zt est

transformada por su logaritmo.

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

Puede observar que el promedio del error absoluto porcentual es menor al 1%

Estadsticas de ajuste:
Raz del
Error
Error
Error C. M Abs. Medio Porc. Abs.M
RMSE
MAE
MAPE
0.21607614 0.16527607

0.193%

El error estndar de la estimacin de Zt se obtiene mediante la siguiente

expresin:

( B)( B)Zt ( B)( B) at

( 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

La varianza estimada se obtiene a partir de la suma de cuadrados de residuales

corregidos por grados de libertad, multiplicada por la solucin de los coeficientes
la varianza se incrementa en funcin de m. La estimacin de los coeficientes de la
varianza resulta engorrosa y se recomienda aplicar paquetera estadstica.
n
m 1
1
2
V Zt m
et i2

n p q P Q t 1 i 0

El intervalo de confianza se obtiene mediante aproximacin normal:

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%

La grfica de los residuales no revela un patrn sistemtico, lo cual indica que se

han removido los principales componentes y nos ha quedado slo ruido blanco.

0.800

Residuales del Modelo ARIMA

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

Las autocorrelaciones simples y parciales de los residuales, no muestran

evidencia de un movimiento sistemtico no detectado. La significancia de algunas
autocorrelaciones simples y parciales K=8,9 y 10 se consideran espurias.

60

Autocorrelaciones Simples de Residuales

.250

.200
.150
.100
.050
.000
-.050

9 10 11 12 13 14 15 16 17 18 19 20

-.100
-.150
-.200

Autocorrelaciones Parciales de Residuales

.250
.200
.150
.100
.050

.000
-.050

9 10 11 12 13 14 15 16 17 18 19 20

-.100
-.150
-.200

Otras Estadsticas de Diagnstico.

Adems de las estadsticas vistas en el primer mdulo:
RMSE Raiz Cuadrada del Error Cuadrtico Medio
MAPE Error Absoluto Porcentual Promedio
MAE
Error Absoluto Medio
Otra estadstica que reporta es el logaritmo de la funcin de verosimilitud que se
supone alcanza el valor mximo con los estimadores calculados. Para este caso

61

L nLn a

SSQ' nLn(2 )

2
2 2 a

Tambin se suele reportar el criterio de informacin de Akaike que se calcula en

funcin del logaritmo de la verosimilitud y el nmero de parmetros.

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

Ejemplo Serie Lnea Area.

Como ejemplo de un modelo multiplicativo estacional considrese los datos de la
llamada serie G que Box y Jenkins incluyen en su texto. Estos 144 datos
corresponden al nmero de pasajeros internacionales en miles que viajaron por
una compaa area entre enero de 1949 y diciembre de 1960.
Mes
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic

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

En principio se procede a graficar la serie y se observa un evidente efecto de

incremento de la varianza directamente relacionada con el tiempo. Los puntos
mximos corresponden a los meses de julio y agosto de cada ao y los mnimos a
noviembre.

62

Datos de Pasajeros de Lnea Area

Serie G de Box y Jenkins
(miles de pasajeros)
700

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

Se comienza por estabilizar la varianza de la serie se procede a transformarla y se

toma el logaritmo natural. En la siguiente grfica se puede apreciar que la serie
presenta un comportamiento estable, resta sin embargo corregir la tendencia para
dejarla estacionaria.
Datos Logaritmo Natural de Pasajeros de Lnea Area
Serie G de Box y Jenkins
7.0

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

A continuacin se procede a calcular la funcin de autocorrelaciones simples FAC

y la funcin de autocorrelaciones parciales para la serie transformada a logaritmo.
Los valores y grfica de la funcin de autocorrelacin muestran el comportamiento
caracterstico de una serie no estacionaria. Esto es, elevados valores y muy lento
descenso. La oscilacin de la FAC se debe al efecto estacional.

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

Autocorrelaciones Simples Ln(Zt)

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

Las autocorrelaciones parciales muestran solamente dos valores significativos,

para K=1 y para K=13, ello por el efecto estacional.

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

Autocorrelaciones Parciales Ln(Zt)

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

Se procede entonces a diferenciar la serie para eliminar la tendencia. La siguiente

grfica muestra que la serie es estacionaria. El patrn repetitivo muestra la
influencia de la parte estacional.
Datos con Primera diferencia del Logaritmo Natural de Pasajeros de Lnea Area
Serie G de Box y Jenkins
0.25
0.20
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
-0.20

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

Se procede tambin a tomar una primera diferencia estacional de 12 perodos. La

grfica de la serie con la aplicacin de esta segunda diferencia ya no muestra el
patrn sistemtico y no aparecen las primeras 13 observaciones, pues la primera
se pierde por la diferencia simple y las siguientes 12 para contar con los
desplazamientos que requiere la diferencia estacional.
Datos con Primera diferencia del Logaritmo Natural y Primera diferencia estacional a 12 perodos
de Pasajeros de Lnea Area. Serie G de Box y Jenkins

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

A continuacin se vuelven a calcula las funciones de autocorrelacin simples y

parciales para tratar de identificar un modelo o modelos alternativos. Las
autocorrelaciones simples muestran significancia para K=1 y 12

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

Las autocorrelaciones parciales muestran valores significativos para K=1,9 y 12.

Se puede decir que hay patrones mezclados de componentes autorregrsivos y de
medias mviles.

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

En observacia de parsimonia, se plantea un modelo con un parmetro

autorregresivo en la parte simple y un parmetro de medias mviles en la parte
estacionaria, esto es un modelo ARIMA(1,1,0)(0,1,1)12 .
Se procede al ajuste con los siguientes resultados despus de 5 iteraciones:

= -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

La serie de observaciones en escala original, las predicciones incluyendo un ao

adicional y los intervalos de 95% de confianza para las predicciones se pueden
observar en la siguiente grfica.
SERIE G PASAJEROS BOX JENKINS
PRONOSTICOS CON MODELO ARIMA(1,1,0)(0,1,1)12
900
800
700
600
500
400
300
200
100
0
1

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

Para confirmar que el modelo es adecuado se calcularon las autocorrelaciones

para los residuales y stas resultaron no significativas. As se puede considerar
que los residuales se comportan como ruido blanco.
Box y Jenkins ajustan un modelo alternativo para esta serie de la forma
ARIMA(0,1,1)(0,1,1)12
que proporciona resultados muy similares en los
pronsticos y en los criterios de Akaike y Shwartz. Ello nos lleva a la conclusin de
que para una serie en particular pueden existir diferentes alternativas y se deben
evaluar bajo diferentes puntos de vista considerando siempre la parsimonia, la
bondad de ajuste, la interpretabilidad y la capacidad de pronstico. El modelaje de
series de tiempo responde a una tcnica pero tambin a un arte.

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