Documente Academic
Documente Profesional
Documente Cultură
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
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.
Comentarios:
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
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
3
Grfica no 4. pronosticos con ar(2)
Valores pronosticados:
5. Programa R
par(mfrow=c(1,1))
m1 = stl(y, s.window = 'per', t.window = 50, t.jump = 1)
plot(m1)
4
pacf(y, main="FAC PARCIAL")
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))
tsdiag(m.ar2)
Box.test(ar2.resi,lag=10,type="Ljung" )
Box.test(ar2.resi,lag=20,type="Ljung" )
X11()
## Perform the prediction
ar2.pred <- predict(modelo.ar2,n.ahead = 4)
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)
modelo = auto.arima(y)
summary(modelo)