Taller No 3.

Curso Series de Tiempo y Econometra

Maestra en Ing. Administrativa - EIO
Abril 2009
Norman Giraldo Gmez

Objetivo: Varios ejemplos de anlisis de la componente aleatoria con modelos ARMA.

Referencia: Captulo 6, seccin 6

1. Anlisis de la series de Empleo en Canad, des-estacionalizada.

Anlisis:
1. Aplicar filtros para determinar tendencia, asumiendo que no hay tendencia estacional ya que la series se
define como des-estacionalizada
2. Examinar los residuos en caso de existir la tendencia la serie en caso de no existir sta: la fac muestra
autocorrelaciones significativas?, la prueba DW detecta autocorrelacin de orden 1?, la prueba LB detecta
ruido blanco?
3. En caso de detectar autocorrelacin es AR?, MA? ARMA?
4. Utilizar las funciones de R para estimacin ARMA:
o arima
o auto.arima ( librera forecast )
o tsdisplay (librera forecast)
o predict

1. Resultado del filtro stl (loess):

Grafica 1. filtro stl

Comentario: La serie parece tener tendencia parablica. Pero observando la ltima para de la serie hay una
tendencia creciente en la tasa de empleo y usar la tendencia parablica conlleva a pronosticar errneamente un
descenso en la tasa. Luego no se acepta una tendencia determinstica global.

1
2. Resultado de FAC y FAC Parcial muestrales.

Grfica 2. fac y fac parcial

Comentarios:

1. En R la fac siempre empieza en 1.0 para el rezago k = 0. La segunda es la correlacin en k = 1. La fac

parcial empieza en k = 1, y es igual a la correlacon en k = 1.
2. Es fuertemente evidente una estructura AR(2) porque la fac decrece a cero y la fac parcial se hace cero
abruptamente a partir del rezago k=3. Sin embargo, el valor de la fac parcial en k = 1 es casi 1.0. Esto
indica que la serie est co-integrada.

3. Estimacin con la funcin arima de R de un modelo AR(2)

Series: y
ARIMA(2,0,0) with non-zero mean

Coefficients: ar1 ar2 intercept

1.4505 -0.4763 97.4982
s.e. 0.0749 0.0762 4.3936

sigma^2 estimated as 2.022: log likelihood = -242.79

AIC = 493.57 AICc = 493.88 BIC = 505.22

1. Ntese que el polinomio caracterstico tiene races: 1.05, 1.99 es decir, casi 1.0 y
2.0. Hay una raz con mdulo muy cercano a 1.0.

2. Divide Coefficients por s.e., el resultado en valor absoluto mayor de 1.96?. En caso
afirmativo los coeficientes son significativos al nivel de 5%.
ar1 ar2 intercept
19.35939 -6.24973 22.19073

Comentario: los coeficientes del modelo son significativos. El modelo es estacionario en covarianza pero tiene
una raz con mdulo muy cerca de 1.0

2
4. Examinar los residuos del modelo AR(2) para ver si son ruido blanco

4.1 Prueba Ljung-Box

> Box.test(ar2.resi,lag=10,type="Ljung" )

Box-Ljung test

data: ar2.resi
X-squared = 2.9183, df = 10,
p-value = 0.9833

> Box.test(ar2.resi,lag=20,type="Ljung" )

Box-Ljung test

data: ar2.resi
X-squared = 16.546, df = 20,
p-value = 0.6822

Comentario: no rechaza la hiptesis nula de ruido blanco

Grfica no 3. residuos de ar(2)

3
 Grfica no 4. pronosticos con ar(2)

Valores pronosticados:

Qtr1 Qtr2 Qtr3 Qtr4

1995 92.31868 92.59658 92.85503 93.09755

5. Programa R

library(forecast) # para la funcion auto.arima

# Canadian employment index, seasonally adjusted, 1961:1-1994:4 (136 obs)

E = read.table("D:/R/curso series eio/datos/datos pib desempleo/CAEMP.DAT", header = TRUE)

y = ts(E$x, frequency = 4, start = c(1961,01), end = c(1994,04))

plot(y, main="tasa empleo Canada trimestral des-estacionalizado")

# analisis mediante filtro de medias moviles

m <- decompose(y, type = "additive")

m$figure
plot(m)

# analisis mediante metodo stl basado en suavizamiento lineal local

par(mfrow=c(1,1))
m1 = stl(y, s.window = 'per', t.window = 50, t.jump = 1)

plot(m1)

fit <- StructTS(y,"trend")

plot(forecast(fit))

# analisis de descomposicion: no hay tendencia ni estacionalidad

# examinamos fac y fac parcial buscando estructura arma

x11()
par(mfrow=c(1,2))
acf(y, main="FAC MUESTRAL DE TASA EMPLEO CANADA")

4
pacf(y, main="FAC PARCIAL")

# La fac sugiere fuertemente un AR(2)

# estimar un modelo ar(2) = arima(2,0,0)

m.ar2 = arima(y,order=c(2,0,0))
summary(m.ar2)

# mirar el t critico

ar2.coef = m.ar2$coef
ar2.resi = m.ar2$residuals
ar2.aic = m.ar2$aic
ar2.var = diag(m.ar2$var.coef)

(tcrit = ar2.coef/sqrt(ar2.var))

# mirar los residuos ar(2): fac y prueba lb

tsdiag(m.ar2)

# dianostico con prueba ljung-box

Box.test(ar2.resi,lag=10,type="Ljung" )
Box.test(ar2.resi,lag=20,type="Ljung" )

# no es ruido blanco !!!!

X11()
## Perform the prediction
ar2.pred <- predict(modelo.ar2,n.ahead = 4)

ar2.pred$pred # valores pronostico

ar2.pred$se # desviaciones estandar del pronostico

plot(y)
lines(ar2.pred$pred, col="red")
lines(ar2.pred$pred+2*ar2.pred$se, col="red", lty=3)
lines(ar2.pred$pred-2*ar2.pred$se, col="red", lty=3)

# sin embargo buscar con auto.arima

modelo = auto.arima(y)

summary(modelo)