Sunteți pe pagina 1din 7

Taller de Estad´ıstica

Descripcion´

Curso 2oo5/2oo6

de datos temporales

El objetivo de esta pr´actica es familiarizarse con las t´ecnicas de descripci´on de datos temporales y con algunas de las opciones del programa SPSS/PC relacionadas con estas t´ecnicas. Para los ejemplos se utilizar´a el fichero best-x4.3 correspondiente al estudio del n´umero de pasajeros de l´ıneas a´ereas estudiado en clase.

1. ¿C´omo definir una serie temporal en SPSS/PC?

Para trabajar con datos temporales primero introducimos los datos (ver secci´on ¿C´omo introducir datos en SPSS/PC? en las pr´acticas 1 y 2) y a continuaci´on definimos las fechas

con:

Datos
Datos

Definir

fechas

. En el ejemplo:

1.

Datos
Datos

Definir

fechas

.

2.

En el cuadro Los casos son: seleccionamos la opci´on A~nos, meses.

3.

En el cuadro El primer caso es:, en la opci´on A~no escribimos 1949, y en la opci´on Mes escribimos 1.

Como resultado obtenemos tres nuevas variables: dos num´ericas year , y month y una cadena de caracteres date .

2. Representaci´on gr´afica

Para estudiar gr´aficamente una serie temporal utilizamos En el ejemplo:

Gr´aficos

Secuencia

.

1.

2. Pasamos al cuadro

Gr´aficos → Secuencia . 1. 2. Pasamos al cuadro Gr´aficos Secuencia . → Variables: la variable

Gr´aficos

Secuencia

.

Variables:

la variable airpass, y pasamos la variable DATE

Aceptar

.

al cuadro Etiquetas del eje del tiempo: . Por ultimo,´

1

AIRPASS

700 600 500 400 300 200 100 0 JAN 1949 JAN 1951 JAN 1953 JAN
700
600
500
400
300
200
100
0
JAN 1949
JAN 1951
JAN 1953
JAN 1955
JAN 1957
JAN 1959
JAN 1950
JAN 1952
JAN 1954
JAN 1956
JAN 1958
JAN 1960

Notemos que es posible representar la variable airpass transformada mediante Logaritmo, Diferencia, o Diferencia ciclo. Pero, en el ejemplo lo haremos de otra manera, definien- do una nueva variable log air mediante:

(a)

Seleccionamos

 

Transformar

Calcular

.

.

.

.

(b)

En el cuadro

 

Variable

de

destino:

escribimos log air.

 

(c)

Seleccionamos la funci´on LN(exrp num) con el bot´on

Seleccionamos la funci´on LN(exrp num) con el bot´on

, y seleccionamos la vari-

Aceptar .
Aceptar
.

able airpass con el bot´on

LN(airpass). Por ultimo,´

. En el cuadro Expresi´on num´erica: obtenemos

En este punto, podemos obtener un gr´afico de la nueva variable log air como antes lo hicimos con la variable original airpass.

3. Tendencia lineal determinista

Para obtener la pendiente y el t´ermino constante de la recta tenemos que utilizar la

entre la variable temporal (log air) y una

opci´on

nueva variable con el ´ındice de llegada de cada dato (tiempo). En lo que sigue, ilustramos una manera de construir esta variable tiempo:

Analizar

Regresi´on

Lineal
Lineal

a Seleccionamos

Transformar

Calcular

.

.

.

.

b En el cuadro

Variable

de

destino:

 

escribimos tiempo.

 

c En el cuadro

Expresi´on

num´erica:

 

escribimos (year

-

1949)*12

+

month

. El

resultado es una variable que toma valores 1, 2,

, 144.

Finalmente, obtenemos la recta de la tendencia, y una representaci´on gr´afica mediante:

2

1. Analizar → Regresi´on → Lineal . 2. Pasamos al cuadro Dependiente: la variable tiempo

1. Analizar

Regresi´on

Lineal .
Lineal
.

2. Pasamos al cuadro

Dependiente:

la variable tiempo.

la variable log air, y al cuadro

Independientes:

3. Seleccionamos la opci´on tipificados.

Guardar

, y en Valores pronosticados marcamos No

Coeficientes a

Sig.

,000

,000

 

Coeficientes no

Coeficientes

estandarizados

estandarizados

Modelo

B

Error típ.

Beta

t

1

(Constante)

87,653

7,716

11,359

TIEMPO

2,657

,092

,924

28,778

Error típ. Beta t 1 (Constante) 87,653 7,716 11,359 TIEMPO 2,657 ,092 ,924 28,778
Error típ. Beta t 1 (Constante) 87,653 7,716 11,359 TIEMPO 2,657 ,092 ,924 28,778
Error típ. Beta t 1 (Constante) 87,653 7,716 11,359 TIEMPO 2,657 ,092 ,924 28,778
Error típ. Beta t 1 (Constante) 87,653 7,716 11,359 TIEMPO 2,657 ,092 ,924 28,778
Error típ. Beta t 1 (Constante) 87,653 7,716 11,359 TIEMPO 2,657 ,092 ,924 28,778

a. Variable dependiente: AIRPASS

4. Gr´aficos → Secuencia . 5. Pasamos al cuadro Variables: la variables log air y
4. Gr´aficos
Secuencia
.
5. Pasamos al cuadro
Variables:
la variables log air y pre 1, y pasamos la variable
DATE al cuadro
Etiquetas
del
eje
del
tiempo:
.
7,0
6,5
6,0
5,5
5,0
LOG_AIR
4,5
Predicted Value
JAN 1949
JAN 1951
JAN 1953
JAN 1955
JAN 1957
JAN 1959
JAN 1950
JAN 1952
JAN 1954
JAN 1956
JAN 1958
JAN 1960

4. Media m´ovil centrada de orden k

Para obtener la serie de tendencias utilizamos los siguientes pasos:

1.

Transformar

Crear

serie

temporal

.

3

2. En la opci´on

3.

2. En la opci´on 3. , y Funci´on: elegimos Media m´ovil centrada , y en la

, y

Funci´on:

elegimos Media m´ovil centrada, y en la opci´on

Amplitud:

escribimos k, en el ejemplo k = 3.

Por ultimo´

pasamos la variable log air al cuadro Nuevas variables con el bot´on

Aceptar

.

Obtenemos una nueva variable log ai 1 con las medias m´oviles centradas. Notemos que esta nueva serie tiene k/2 observaciones faltantes al principio de la serie y k/2 obser- vaciones faltantes al final. En el siguiente gr´afico representamos la serie original, y sus medias m´oviles de orden 3, y 20:

7,0 6,5 6,0 5,5 5,0 4,5 JAN 1949 JAN 1951 JAN 1953 JAN 1955 JAN
7,0
6,5
6,0
5,5
5,0
4,5
JAN 1949
JAN 1951
JAN 1953
JAN 1955
JAN 1957
JAN 1959
JAN 1950
JAN 1952
JAN 1954
JAN 1956
JAN 1958
JAN 1960

LOG_AIR

MA(LOG_AIR,3,3)

MA(LOG_AIR,20,20)

5. Diferenciar la serie

Para obtener la serie diferenciada utilizamos los siguientes pasos:

la serie diferenciada utilizamos los siguientes pasos: 1. Transformar → Crear serie temporal . 2. En

1. Transformar

Crear

serie

temporal

.

2. En la opci´on

Funci´on:

podemos elegir Diferencia o Diferencia Estacional

elegimos el n´umero de

si deseamos una u otra diferencia, y en la opci´on diferencias, en el ejemplo tomamos Orden = 1.

Orden
Orden

Obtenemos una nueva variable log ai 3 con la serie diferenciada regularmente y log ai 4 con la serie diferenciada estacionalmente. Notemos que estas nuevas series tienen 1 y 12 observaciones faltantes al principio de la serie, respectivamente. En la siguiente figura representamos la serie original X t , y sus correspondientes series diferenciadas (X t X t1 , X t X t12 , y X t X t1 X t12 +X t13 , es decir en la ultima´ serie diferenciamos regular y estacionalmente). ¿Cu´al de las series diferenciadas se aproxima m´as a una componente Irregular?

4

DIFF(LOG_AIR,1) <->Diferenciaregular

7,0 6,5 6,0 5,5 5,0 4,5 JAN 1949 JAN 1953 JAN 1957 JAN 1950 JAN
7,0
6,5
6,0
5,5
5,0
4,5
JAN 1949
JAN 1953
JAN 1957
JAN 1950
JAN 1951 JAN 1952
JAN 1954
JAN 1955 JAN 1956
JAN 1958
JAN 1959 JAN 1960
LOG_AIR
,4 ,3 ,2 ,1 0,0 -,1 JAN 1949 JAN 1955 JAN 1950 JAN 1951 JAN
,4
,3
,2
,1
0,0
-,1
JAN 1949
JAN 1955
JAN 1950 JAN 1951
JAN 1952
JAN 1953 JAN 1954
JAN 1956 JAN 1957
JAN 1958
JAN 1959 JAN 1960
SDIFF(LOG_AIR,1,12) <->Diferenciaestacional
1960 SDIFF(LOG_AIR,1,12) <->Diferenciaestacional ,3 ,2 ,1 -,0 -,1 -,2 -,3 JAN 1951

,3

,2

,1

-,0

-,1

-,2

-,3

JAN 1951 JAN 1957 JAN 1949 JAN 1950 JAN 1952 JAN 1953 JAN 1954 JAN
JAN 1951
JAN 1957
JAN 1949 JAN 1950
JAN 1952 JAN 1953
JAN 1954
JAN 1955 JAN 1956
JAN 1958
JAN 1959 JAN 1960
,2
,1
0,0
-,1
-,2
JAN 1951
JAN 1957
JAN 1949 JAN 1950
JAN 1952 JAN 1953
JAN 1954
JAN 1955 JAN 1956
JAN 1958 JAN 1959
JAN 1960
Diferenciaregular +estacional

6. Descomposici´on estacional

Para obtener la descomposici´on estacional, utilizamos los siguientes pasos:

estacional, utilizamos los siguientes pasos: 1. Analizar → Series temporales → Descomposici´on

1. Analizar

Series

temporales

Descomposici´on

estacional

.

2. Pasamos al cuadro

Variables:

elegimos Aditivo . Aditivo.

la variable log air con el bot´on

elegimos Aditivo . la variable log air con el bot´on , y en la opci´on Obtenemos

, y en la opci´on

Obtenemos 4 nuevas variables:

err

1

Residuos del modelo ajustado, es decir I t = X t T t S t .

sas

1

Serie desestacionalizada, i.e. X t S t .

saf

1

Coeficientes estacionales, i.e. S t

sas

1

Tendencia estimada sobre la serie desestacionalizada, i.e. T t .

5

MODEL: MOD_1.

Results of SEASON procedure for variable LOG_AIR Additive Model. Equal weighted MA method. Period = 12.

 

Seasonal

Period

index

1

-,086

2

-,115

3

,018

4

-,013

5

-,009

6

,115

7

,216

8

,204

9

,064

10

-,076

11

-,216

12

-,101

The following new variables are being created:

Name

Label

ERR_1

Error for LOG_AIR from SEASON, MOD_1

ADD EQU 12

SAS_1

Seas adj ser for LOG_AIR from SEASON, MOD_1 ADD EQU 12

SAF_1

Seas factors for LOG_AIR from SEASON, MOD_1 ADD EQU 12

STC_1

Trend-cycle for LOG_AIR from SEASON, MOD_1 ADD EQU 12

Ejercicio 1. El fichero best-x5.3 contiene los datos de las temperaturas medias mensu-

ales en Madrid entre 1988 y 1997 (en grados cent´ıgrados).

(a)

Obtener la serie desestacionalizada y representarla (por separado y en el mismo gr´afico que la serie original).

(b)

Obtener y representar (en un gr´afico con la serie desestacionalizada) la tendencia lineal determinista. Representar los residuos.

(c)

Obtener la tendencia de la serie desestacionalizada con una media m´ovil de orden 25. Representarla sobre la serie desestacionalizada. Representar los residuos.

(d)

Diferenciar la serie desestacionalizada y representarla.

(e)

Comparar los tres procedimientos de extraer la tendencia para obtener una serie estacionaria.

6

LOG_AIR

ErrorforLOG_AIR

En la figura siguiente presentamos la descomposici´on de la serie en: T t , S t , e I t :

7,0

6,5

6,0

5,5

5,0

JAN 4,5

1949 JAN 1951 JAN 1953 JAN 1955 JAN 1957 JAN 1959 JAN 1950 JAN 1952
1949 JAN
1951 JAN
1953 JAN
1955 JAN
1957 JAN
1959 JAN
1950 JAN
1952 JAN
1954 JAN
1956 JAN
1958 JAN
1960
7,0 6,5 6,0 5,5 5,0 JAN 4,5 1949 JAN 1951 JAN 1953 JAN 1955 JAN
7,0
6,5
6,0
5,5
5,0
JAN 4,5
1949 JAN
1951 JAN
1953 JAN
1955 JAN
1957 JAN
1959 JAN
1950 JAN
1952 JAN
1954 JAN
1956 JAN
1958 JAN
1960
TrendforLOG_AIR
,3 ,2 ,1 -,0 -,1 -,2 JAN -,3 1949 JAN 1951 JAN 1953 JAN 1955
,3
,2
,1
-,0
-,1
-,2
JAN -,3
1949 JAN
1951 JAN
1953 JAN
1955 JAN
1957 JAN
1959 JAN
1950 JAN
1952 JAN
1954 JAN
1956 JAN
1958 JAN
1960
SeasfactorsforLOG_AIR
,08 ,06 ,04 ,02 0,00 -,02 -,04 -,06 -,08 JAN 1949 JAN 1951 JAN 1953
,08
,06
,04
,02
0,00
-,02
-,04
-,06
-,08 JAN
1949 JAN
1951 JAN
1953 JAN
1955 JAN
1957 JAN
1959 JAN
1950 JAN
1952 JAN
1954 JAN
1956 JAN
1958 JAN
1960

En http://halweb.uc3m.es/omar/ se encuentran los ficheros de datos ASCII:

best-x4.3, best-x5.3 a utilizar en esta pr´actica.

7