Documente Academic
Documente Profesional
Documente Cultură
5000 6000
la Bolsa de Nueva York (se desconoce fecha de inicio) ilustrada en la
8
Figura 1 junto con su logaritmo natural.
7
4000
log(FSVOL)
FSVOL
6
3000
6000
5
2000
8
5000
4
1000
7
3
4000
0
6
FSVOL
FSVOL
0 100 200 300 400 500 0 100 200 300 400 500
3000
Time Time
5
2000
4
1000
1.0
3
8
0
0 100 200 300 400 500 0 100 200 300 400 500
6
0.5
residuals(modelo1)
Time Time
FSVOL
Figura 1. Volumen de acciones negociadas en Bolsa de Nueva York Izq. Serie en su escala
4
original; Der. Logaritmo natural de la serie
0.0
2
De la Figura 1 es claro que la varianza no es constante y que al parecer
-0.5
0
no hay patrones estacionales. Para modelar esta serie es necesario
0 100 200 300 400 500 0 100 200 300 400 500
analizar su logaritmo natural, y en esa escala observamos que la Time Time
tendencia pudiera ser una recta o una cbica. Figura 2. Serie real y su logaritmo natural, sus ajustes y serie de residuos del modelo 1
Se postulan inicialmente dos modelos. El primero es un modelo
multiplicativo y por tanto considera que la varianza no es constante en
5000 6000
la escala original pero constante en la escala logartmica. El segundo
3000
ignora el problema de varianza y slo trata de explicar la trayectoria de
2000
tendencia a travs de un modelo exponencial lineal:
residuals(modelo2)
4000
FSVOL
Modelo 1: log log , 0,
1000
3000
Modelo 2: , 0,
2000
0
Observe que en el modelo 1 el intercepto en la escala de los logaritmos
1000
-1000
naturales no es sino el logaritmo natural de ese parmetro. Esto
0
implica que en la escala sin transformacin el modelo es 0 100 200 300 400 500 0 100 200 300 400 500
6000
para inicializar sus parmetros al modelo multiplicativo dado por
, donde log log , log
4000
0, , con log . Si compara este modelo auxiliar con el
FSVOL
modelo 1 vemos que estos dos modelos son los mismos, pues podemos
2000
5000 6000
5000 6000
Parmetro Estimacin Error estndar | | | | observado
ajuste modelo 1
observado
ajuste modelo 2
4.82096 0.5979 8.0630 4.86 10
-0.03713 0.0047 -7.9692 9.61 10
4000
4000
1.771 10 1.299 10 13.6339 2 10
FSVOL
FSVOL
3000
3000
-1.791 10 1.169 10 -15.3277 2 10
262.3 , 69332.9, 71565.91
2000
2000
Observacin: AIC y BIC calculados como exp
1000
1000
Ec. ajustada: exp 4.82096 0.03713 1.771 10 1.791 10
De nuevo, para comparar el ajuste se ha recurrido al clculo de AIC y
0
0 100 200 300 400 500 0 100 200 300 400 500
6000
6000
observado observado
exp log exp /2 . ajuste modelo 3 ajuste modelo 4
5000
5000
4000
4000
FSVOL
FSVOL
5000 6000
2000 3000
2000 3000
8
7
4000
1000
1000
log(FSVOL)
FSVOL
6
3000
0
5
2000
0 100 200 300 400 500 0 100 200 300 400 500
4
Time Time
1000
0 100 200 300 400 500 0 100 200 300 400 500
Time Time
1.0
3000
2000
0.5
residuals(modelo1)
residuals(modelo2)
8
1000
0.5
0.0
6
residuals(modelo3)
0
FSVOL
-0.5
-1000
0.0
Modelo 1 Modelo 2
2
0 100 200 300 400 500 0 100 200 300 400 500
Time Time
-0.5
0 100 200 300 400 500 0 100 200 300 400 500
3000
Time Time
Figura 4. Serie real y su logaritmo natural, sus ajustes y serie de residuos del modelo 3
2000
0.5
residuals(modelo3)
residuals(modelo4)
3000
1000
5000 6000
0.0
2000
0
residuals(modelo4)
4000
FSVOL
1000
-0.5
3000
-1000
Modelo 3 Modelo 4
2000
0 100 200 300 400 500 0 100 200 300 400 500
0
Time Time
1000
-1000
0
0 100 200 300 400 500 0 100 200 300 400 500
1.0
3000
Time Time
2000
0.5
residuals(modelo1)
residuals(modelo2)
1000
5000
0.0
0
3000
-0.5
-1000
FSVOL
Modelo 1 Modelo 2
fitted(modelo1) fitted(modelo2)
0
-1000
3000
Time
2000
residuals(modelo4)
1000
Modelo 3 Modelo 4
Considere de nuevo los residuos de los cuatro modelos cules modelos fitted(modelo3) fitted(modelo4)
presentan mejor comportamiento en estos residuales? hay algn Figura 7. Residuos de los modelos 1 a 4
Call:
lm(formula = log(nyse_vol) ~ t)
Residuals:
Min 1Q Median 3Q Max
-0.66075 -0.19657 -0.02112 0.18871 1.03309
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.709e+00 2.490e-02 108.8 <2e-16 ***
t 1.033e-02 7.946e-05 130.0 <2e-16 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
#Clculo de AIC y BIC como . En el modelo log-lineal es necesario usar seudo-residuos
seudores1=nyse_vol-yhat1 #seudo-residuos del modelo 1
aic1=exp(crit.inf.resid(residuales=seudores1,n.par=2)); aic1
bic1=exp(crit.inf.resid(residuales=seudores1,n.par=2,AIC="FALSE")); bic1
#AJUSTE MODELO EXPONENCIAL - LINEAL
#Valores estimados de parmetros en modelo log-lineal se usan como valores iniciales de parmetros del modelo 2
estim=coef(modelo1) #vector de parmetros estimados del modelo 1
modelo2=nls(nyse_vol~beta0*exp(beta1*t),start=list(beta0=exp(estim[1]),beta1=estim[2]))
summary(modelo2)
#Clculo de AIC y BIC como
aic2=exp(crit.inf.resid(residuales=residuals(modelo2),n.par=2)); aic2
bic2=exp(crit.inf.resid(residuales=residuals(modelo2),n.par=2,AIC="FALSE")); bic2
#AJUSTE MODELO LOG-CBICO
modelo3=lm(log(nyse_vol)~t+I(t^2)+I(t^3)); summary(modelo3)
Call:
lm(formula = log(nyse_vol) ~ t + I(t^2) + I(t^3))
Residuals:
Min 1Q Median 3Q Max
-0.58771 -0.18250 -0.00678 0.17638 0.85556
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.095e+00 4.290e-02 72.137 < 2e-16 ***
t 5.519e-03 6.836e-04 8.073 4.50e-15 ***
I(t^2) 1.195e-05 2.924e-06 4.087 5.03e-05 ***
I(t^3) -6.340e-09 3.540e-09 -1.791 0.0738 .
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.248 on 538 degrees of freedom
Multiple R-squared: 0.9773, Adjusted R-squared: 0.9772
F-statistic: 7737 on 3 and 538 DF, p-value: < 2.2e-16
logyhat3=ts(fitted(modelo3),freq=1) #Valores ajustados escala log modelo 3
#Clculo de AIC y BIC como . En el modelo log-cbico es necesario usar los seudo-residuos
seudores3=nyse_vol-yhat3 #seudo-residuos del modelo 3
aic3=exp(crit.inf.resid(residuales=seudores3,n.par=4)); aic3
bic3=exp(crit.inf.resid(residuales=seudores3,n.par=4,AIC="FALSE")); bic3
#AJUSTE MODELO EXPONENCIAL CBICO
#Valores estimados parmetros modelo log-cbico #se usan como valores iniciales de parmetros en modelo 4
estim3=coef(modelo3) #vector de parmetros estimados del modelo 3
modelo4=nls(nyse_vol~exp(beta0+beta1*t+beta2*I(t^2)+beta3*I(t^3)),
start=list(beta0=estim3[1],beta1=estim3[2],beta2=estim3[3],beta3=estim3[4]))
summary(modelo4)
Parameters:
Estimate Std. Error t value Pr(>|t|)
beta0 4.821e+00 5.979e-01 8.063 4.86e-15 ***
beta1 -3.713e-02 4.659e-03 -7.969 9.61e-15 ***
beta2 1.771e-04 1.299e-05 13.634 < 2e-16 ***
beta3 -1.791e-07 1.169e-08 -15.328 < 2e-16 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
#Clculo de AIC y BIC como
aic4=exp(crit.inf.resid(residuales=residuals(modelo4),n.par=4)); aic4
bic4=exp(crit.inf.resid(residuales=residuals(modelo4),n.par=4,AIC="FALSE")); bic4
#COMPARANDO LOS GRFICOS DE AJUSTES DE LOS CUATRO MODELOS, EN ESCALA DE LOS DATOS
layout(rbind(c(1,1,2,2),c(3,3,4,4))) #Ventana grfica es dividida en cuatro celdas segn una matriz de 2x2
plot(nyse_vol,lwd=2)
lines(yhat1,col="red",lty=2,lwd=2)
legend("topleft",legend=c("observado","ajuste modelo 1"),col=c("black","red"),lty=1:2,lwd=2)
plot(nyse_vol,lwd=2)
lines(yhat2,col="blue",lty=2,lwd=2)
legend("topleft",legend=c("observado","ajuste modelo 2"),
col=c("black","blue"),lty=1:2,lwd=2)
plot(nyse_vol,lwd=2)
lines(yhat3,col="orange",lty=2,lwd=2)
legend("topleft",legend=c("observado","ajuste modelo 3"),
col=c("black","orange"),lty=1:2,lwd=2)
plot(nyse_vol,lwd=2)
lines(yhat4,col="violet",lty=2,lwd=2)
legend("topleft",legend=c("observado","ajuste modelo 4"),
col=c("black","violet"),lty=1:2,lwd=2)
#COMPARANDO LOS RESIDUALES EN ESCALA DE AJUSTE
#serie de residuales de ajuste
layout(rbind(c(1,1,2,2),c(3,3,4,4))) #Ventana grfica es dividida en cuatro celdas segn una matriz de 2x2
plot.ts(residuals(modelo1),col=2)
abline(h=0)
legend("bottomleft",legend="Modelo 1")
plot.ts(residuals(modelo2),col=2)
abline(h=0)
legend("bottomleft",legend="Modelo 2")
plot.ts(residuals(modelo3),col=2)
abline(h=0)
legend("bottomleft",legend="Modelo 3")
plot.ts(residuals(modelo4),col=2)
abline(h=0)
legend("bottomleft",legend="Modelo 4")