Documente Academic
Documente Profesional
Documente Cultură
PREDICCIN ECONMICA
Control y planificacin: gestin de inventarios, previsin de
ventas, planificacin de la produccin, etc.
Marketing: Las decisiones sobre precios y gastos en publicidad
se basan en predicciones de respuestas a las ventas en distintos
escenarios.
Economa: Los Gobiernos usan las predicciones en el contexto
de la poltica econmica y fiscal, mientras que las empresas las
usan para su planificacin estratgica, puesto que las
fluctuaciones econmicas generalmente tienen efectos a nivel de
industria y empresa.
Especulacin Financiera: Los analistas financieros buscan
beneficios con la prediccin de las series de rendimientos de los
activos.
Demografa: Los nacimientos, muertes, inmigrantes, emigrantes
son caractersticas que se predicen de forma rutinaria.
Tcnicas avanzadas de series temporales
PREDICCIONES E INNOVACIONES
PIB
Inversin
Produccin Industrial
Consumo Privado
Ventas al por menor.
Ventas de automviles
Empleo en la industria.
Empleo en el sector de servicios.
Inflacin
Comercio Exterior
Indicadores de Confianza de los
Consumidores
...
-10
-20
-30
-40
1988
1990
1992
1994
1996
1998
2000
2002
CONFIND
165
160
155
150
145
1995
1996
1997
1998
1999
2000
140000
120000
100000
80000
60000
40000
1990
1992
1994
1996
1998
2000
2002
MATRICULACION_VEHICULOS
0.4
0.2
0.0
-0.2
-0.4
-0.6
74 76 78 80 82 84 86 88 90 92 94 96 98
INTEL
10
PROCESOS ESTOCSTICOS:
Xt : Un proceso estocstico, es una coleccin {Xt; t=1,2,...,T} de variables
aleatorias ordenadas en el tiempo.
Caractersticas:
E(Xt) = medida de posicin central en el momento t = t
Var(Xt) = medida de dispersin en el momento t =ot
Cov (Xt, Xt+k ) = medida de la relacin lineal entre las observaciones = kt
kt = E [(X t t )(X t k t k )]
kt
kt =
0t 0 (t k )
Funcin de autocovarianzas
Funcin de autocorrelacin
11
12
-1
-1
-1
-2
-2
-2
-3
-3
-3
25
50
75
100
125
150
175
200
25
50
75
100
125
150
175
200
25
50
75
SERIE1
100
125
150
175
200
SERIE2
13
X
i =1
T
T
0 =
(X
i =1
T 1
(X
k = i = k +1
)(X i k )
(X
i =1
1
N 0, (en muestras grandes)
T
1.96
14
Ruido blanco:
Una serie at es ruido blanco si es impredecible:
E(at) = 0
2
Var(at) = a
cor(at, at-j) = 0 j 0
Un ruido blanco es un proceso estocstico estacionario.
Un proceso estocstico estacionario puede ser, en
general, predecible y
por tanto, no ser un ruido blanco.
15
xt = f (informacin conocida) +
predecible
ruido blanco
impredecible
xt = f (x1, x2, ..., xt-1 , a1, a2, ..., at-1) + at Modelos mixtos (ARMA)
Tcnicas avanzadas de series temporales
16
X t = j at j
j =0
0 = 1, 2j <
j =0
Yt = at + 1at 1 + 2 at 2 + 3 at 3 + !
Tiene las siguientes implicaciones:
- la importancia de una innovacin es menor cuanto mayor sea el tiempo
que ha transcurrido desde que ocurri
- Es una caracterizacin poco operativa puesto que requerira la estimacin
de infinitos parmetros.
Tcnicas avanzadas de series temporales
17
18
X t = at 1at 1 2 at 2 ! q at q
Para comprender las caractersticas de este modelo, se analizan
primero algunos casos simplificados.
Modelo de medias mviles de orden 1: MA(1)
El modelo incorpora la innovacin actual y la anterior.
X t = at 1at 1
Con at un proceso ruido blanco con desviacin tpica residual
19
= E (X t ) = 0
0 = V (X t ) = (1 + 12 ) a2
1 a2 si k = 1
k = cov(X t , X t k ) =
si k > 1
0
1
si k = 1
k = corr (X t , X t k ) = 1 + 12
0
si k > 1
- siempre es estacionario.
- slo la primera autocorrelacin es distinta de cero.
Tcnicas avanzadas de series temporales
20
X t = at 0.5at 1 , a = 1
X t = at + 0.5at 1 , a = 1
MA(1);_-0.5
MA(1);_0.5
2
2
1
1
0
0
-1
-1
-2
-2
-3
20
40
60
80
100
120
140
160
180
200
FAC
20
40
60
80
100
120
140
160
180
200
1.0
1.0
0 = (1 + 0.52 ) 1 = 1.25
0.5
1 =
= 0.4
1 + 0.52
0.5
0.0
0.5
0 = (1 + 0.52 ) 1 = 1.25
0.5
1 =
= 0.4
1 + 0.5 2
0.0
-0.5
-0.5
-1.0
-1.0
1
21
X t = at 1at 1 2 at 2
con at un proceso ruido blanco con desviacin tpica residual
0 = V (X t ) = (1 + 12 + 22 ) a2
1 (1 2 )
(1 + 2 + 2 )
1
2
k = corr (X t , X t k ) =
2
2
(1 + 1 + 2 )
0
si k = 1
si k = 2
si k > 2
- siempre es estacionario.
- slo las dos primeras autocorrelaciones son distintas de cero.
Tcnicas avanzadas de series temporales
22
Ejemplo:
X t = (1 0.9 L + 0.2 L2 ) at
Funcin de autocorrelacin
4
1.00
0.80
0.60
0.40
0.20
0.00
-0.20
-0.40
-0.60
-0.80
-1.00
0
-1
-2
0 = 1.85
-3
-4
25
50
75
100
125
150
175
MA2
200
0.39 si k = 1
k = corr (X t , X t k ) = 0.11 si k = 2
0
si k > 2
23
X t = at 1at 1 2 at 2 ! q at q
- Siempre es estacionario
- Solo q innovaciones pasadas entran en el modelo
- x = 0 ,
- o = (1+12++ q2) a2.
- La funcin de autocorrelacin se corta tras q retardos.
- Las innovaciones persisten q perodos.
- Slo q predicciones hacia el futuro son distintas de 0 y la
incertidumbre hacia el futuro es acotada.
24
LX t = X t 1 L2 X t = X t 2
Lb X t = X t b
,
, en general, b
Lat = at 1 L2 at = at 2
L at = at b
En el caso de un polinomio de medias mviles MA(q):
X t = at 1at 1 2 at 2 ! q at q =
= (1 1 L 2 L2 ! q Lq )at
Polinomio en el operador de retardos L
Filtro de medias mviles (porque est aplicado a las innovaciones).
Observacin: Suma de una serie geomtrica
1+ g + g 2 + g3 +! =
1
1 g
25
PROCESOS AUTORREGRESIVOS
26
X t = 1 X t 1 + 2 X t 2 + ! + p X t p + at
Otras formulaciones:
X t 1 X t 1 2 X t 2 ! p X t p = at
(1 L L
! p Lp X t = at
27
X t = 1 X t 1 + at
(1 1 L) X t = at
(1 1 L) X t = at X t =
at
=
(1 1 L)
= 1 1 L 12 L2 13 L3 ! at =
= at 1at 1 12 at 2 13at 3 !
La condicin de estacionariedad:
(1 +
2
1
i =0
28
= E (X t ) = 0
0 = V (X t ) =
1
a2
2
1 1
k = cov( X t , X t k ) = 1 k 1 = 1k 0
k = corr ( X t , X t k ) = 1 k 1 = 1k
- Hay infinitas correlaciones distintas de cero.
- Las autocorrelaciones tienden a cero exponencialmente.
- Las autocorrelaciones siguen la misma ecuacin en diferencias que
el proceso AR(1) original
29
Ejemplos:
X t = 0.7 X t 1 + at
6
1
0.8
0.6
-0.2
0.4
0.2
0
1
-0.4
-0.6
-0.8
-1
k = 0 .7 k
-2
-4
25
50
75
100
125
150
175
200
AR1POS
X t = 0.7 X t 1 + at
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-2
k = ( 0.7 )
-4
25
50
75
100
125
AR1NEG
150
175
200
30
X t = 1 X t 1 + 2 X t 2 + at
(1 1 L 2 L2 ) X t = at
Estacionariedad:
(1 1 L 2 L2 ) X t = at X t =
=
at
=
(1 1 L 2 L2 )
at
(1 G1 L)(1 G2 L)
La condicin de estacionariedad:
(1 1.2 L + 0.35L )X
Ejemplo
= at
Con lo cual:
1
1
3.5
2. 5
=
=
+
1 1.2 L + 0.35 L2
(1 0.7 L )(1 0.5L ) (1 0.7 L ) (1 0.5L )
32
FUNCIN DE AUTOCORRELACIN
La funcin de autocorrelacin sigue la misma ecuacin en diferencias
que el proceso AR(2) original:
1
1 2
k = 1 k 1 + 2 k 2
1 =
k = A1G1k + A2G2k
PACF
Reales
Complejas
34
35
AR(2)
X t = 1 X t 1 + at
X t 1 = 1 X t 2 + at 1
X t 2 X t 1 X t
X t = 1 X t 1 + 2 X t 2 + at ,
X t 2 X t 1 X t
36
(1 1 L)
(1 + 1 L + 12 L2 + 13 L3 + !) X t = at
at = X t + 1 X t 1 12 X t 2 13 X t 3 !
Para que la representacin sea convergente, el parmetro debe ser
inferior a la unidad en valor absoluto. (Al igual que ocurra con la
condicin de estacionariedad para los procesos autorregresivos).
Tcnicas avanzadas de series temporales
37
PACF
38
Estacionariedad
MA(q)
Siempre
AR(p)
Hay que
comprobarlo
Invertibilidad
F. Autocorrelacin
F. Autocorrelacin Parcial
Predicciones
Depende
Se corta tras q
retardos
Estructura exponencial o
sinusoidal
q predicciones distintas de
cero sin estructura
Siempre
Estructura
exponencial o
sinusoidal
Infinitas predicciones
distintas de cero pero que
tienden a cero con
estructura exponencial o
sinusoidal
39
PROCESOS MIXTOS:
AUTORREGRESIVOS Y DE MEDIAS
MVILES
40
X t = 1 X t 1 + 2 X t 2 + ! + p X t p 1at 1 2 at 2 ! q at q + at
(1 1 L 2 L2 ! p Lp ) X t = (1 1 L 2 L2 ! q Lq )at
Parte autorregresiva.
Responsable de la estacionariedad.
Responsable de la estructura de la
funcin de autocorrelacin y en las
predicciones.
41
(1 1 L) X t = (1 1 L) at
Estacionariedad: A partir de la representacin de medias mviles del
proceso:
Xt =
(1 1 L)
at
(1 1 L)
X t = 1 + (1 1 ) L + 1 (1 1 ) L2 + ! + 1k 1 (1 1 ) Lk + ! at
El proceso es estacionario si el parmetro autorregresivo es inferior a la
unidad en valor absoluto.
Invertibilidad: A partir de la representacin autorregresiva del proceso.
De igual manera, el proceso ser invertible si el parmetro de medias
mviles es inferior a la unidad en valor absoluto.
Tcnicas avanzadas de series temporales
42
1 =
PACF
( )(1 )
(1 2 + 2 )
2 = 1
k = k 1
Tras la primera
autocorrelacin,
las siguientes se
comportan segn
la parte AR
Tcnicas avanzadas de series temporales
43
44
45