ANALISIS DE SERIES TEMPORALES

1.1 SERIES TEMPORALES:

Una serie temporal es una secuencia de N observaciones (datos) ordenadas y equidistantes

sobre una característica o varias de una unidad observable en diferentes momentos.

de la serie y N es el número de observaciones que consta la serie completa. Las N observaciones

puede recogerse en un vector columna y= [ y1, y2, … , yn]’ de orden NX1.

Objetivos:

* Elaborar un modelo estadístico que describa adecuadamente la procedencia de dicha serie, e

manera q las implicaciones teóricas del modelo resulten compatibles con las pautas muéstrales
observadas en la serie temporal. Después, el modelo elaborado podrá utilizarse para: Describir,
la evolución de dicha serie. Prever, la evolución futura de dicha serie. Contrastar, alguna teoría
de las características o variables.

El punto de partida para su elaboración consiste en considerar dicha serie con una realización
particular finita de un proceso estadístico.
 1.2 PROCESOS ESTOCASTICOS

OBSERVACION 1: Aunque es posible concebir ciertos experimentos controlados, en general es

imposible, costoso e inaceptable ejecutar dichos experimentos.

OBSERVACION 2: Una serie temporal se refiere a un periodo muestral que tal solo es una parte
de la historia del proceso estocástico del que procede este. Sin embargo, si las circunstancias
sociales o naturales del periodo muestral se mantienen estables después de dicho periodo, se
esperar que las conclusiones obtenidas del análisis sean aplicables a momentos posteriores.

PROCESOS ESTACIONARIOS

OBSERVACION 1: Las propiedades estadísticas de un modelo estocástico se simplifican

notablemente con respecto a las de un proceso que no lo sea, lo cual facilita la descripción de
sus estructuras probabilísticas completa a partir de una única realización finita del mismo.

OBSERVACION 2: Una condición necesaria para que un proceso sea estacionario es que la
esperanza incondicional de cada uno de sus componentes exista y sea la mima a lo largo de toda
la historia del proceso.
PROCESOS NO ESTACIONARIOS.

OBSERVACION 1: Una condición suficiente para que sea no estacionario es que la esperanza
incondicional de algunos de sus componentes sea distinta de la de otros. Siendo por este motivo
más complicadas que las Estacionarias.

OBSERVACION 2: Ya que tienen propiedades distintas a las Estacionarias, uno de los primeros
pasos en el análisis de series temporales consiste en determinar si cada una de las series
consideradas resulta o no compatible con la hipótesis de estacionariedad.

1.3. MODELOS

Un modelo para un proceso estocástico es cualquier conjunto de hipótesis bien definidas sobre
las propiedades estadísticas de dicho proceso. ( En algunos casos, las propiedades estadísticas
sobre las que se plantea un modelo son la esperanza de cada componente del proceso
considerado y las covarianzas entre cada par de componentes del mismo)

MODELOS UNIVARIANTES
 ENTRE OTROS MODELOS TALES COMO ARCH(1), GARCH (1,1) Y EL VAR(1) bivariante que es el
se detalla:

Existe además un modelo multivalente no estacionario, mediante la COINTEGRACION:

 MODELOS UNIVARIANTES

OBSERVACION 1: Un modelo de la estructura probabilística completa de (Y1) consiste en una

especificación de las distribuciones conjuntas de todos los vectores del tipo [Yt1, Yt2,…, Ytn] que
pueden considerarse en relación con (Y1).

OBSERVACION 2: Un modelo suele especificarse mediante alguna expresión matemática que

implique unas propiedades teóricas sobre los momentos de primer y segundo orden, que sean
compatibles con las propiedades muestrales correspondientes observadas en una serie
temporal.

OBSERVACION 3: Un modelo univariante se utiliza en la práctica para proporcionar una

descripción compacta de la procedencia de los datos, calcular previsiones a corto plazo o como
punto de partida para analizar posibles relaciones entre dicha serie y otras.

ETAPAS EN LA CONSTRUCCION DE UN MODELO UNIVARIANTE

*Identificación, selección de un modelo que implique ciertas propiedades teóricas y compatibles

con las propiedades muestrales observadas

*Estimación, Asignación de valores numéricos a los parámetros del modelo

*Diagnosis, Comprobación del ajuste del modelo a los datos utilizados.

2.2 PROCESOS ESTOCASTICOS ESTACIONARIOS

OBSERVACION 1: Considerada como una función del retardo k , la secuencia se denomina la
función de auto correlación simple del proceso estacionario. Dado que cada pk es un coeficiente
de correlación, se dice que la ACF, representa la duración y la intensidad de la memoria del
proceso.

OBSERVACION 2: Elaborar un modelo de la estructura probabilística completa de (Y1), requiere

al menos estimar el vector de medias y la matriz de varianzas-covarianzas de la muestra Y=[Y1,
Y2,…,YN]

OBSERVACION: La distribución de probabilidad de Y=[Y1,Y2,…,YN]’, aun no pueden estimarse

con presicion 1+N parámetros utilizando tan solo una única realización particular de Y, cuya
solución a este problema es expresar la media y la función de autocovatianza en términos de un
numeroreducido de parámetros de algún modelo ARMA.
OBSERVACION: A partir de la regresión anterior, puede comprobarse que IAkI / IBkI, donde:

OBSERVACION: Considerada como una función del retardo k, la secuencia anterior se denomina
la función de auto correlación parcial (PACF)

ACF-PACF muestrales
2.3 MODELOS ARMA
ESTACIONALIDAD – INVERTIBILIDAD

*Cuando un proceso estacionario (Yt) sigue un modelo ARMA (p,q) descrito por los modelos
anteriores, la esperanza incondicional de(Yt) es:

Donde phi(1) es el valor del operador AR, cuando B=1. Por lo tanto (2.10) puede escribirse
alternativamente como:

ACF-PACF teóricas en modelos ARMA

2.4 PROCESOS ESTOCASTICOS NO ESTACIONARIOS

*Muchas series temporales no pueden considerarse generadas por procesos estocásticos

porque presentan ciertas tendencias claras en su evolución temporal, porque su dispersión no
es constante, porque son estacionales, o por varias combinaciones de estos motivos.

*No obstante, muchas series temporales no estacionarias se pueden transformar de forma

adecuada para obtener series de aspecto estacionario. Para lograr esto se suele emplear dos
tipos de transformación: Un primer tipo para estabilizar su dispersión (estacionariedad en
varianza) y un segundo tipo para estabilizar su nivel (estacionariedad en media)

NO ESTACIONARIEDAD EN VARIANZA. TRANSFORMACION DE BOX-COX

NO ESTACIONARIEDAD EN MEDIA – TENDENCIAS

 2.5 MODELOS ARIMA

TENDENCIAS EN MODELOS INVERTIBLES

TENDENCIAS EN MODELOS NO INVERTIBLES

 2.6 ELABORACION DE MODELOS ARIMA

ESTIMACION
DIAGNOSIS

Entrada; Modelo estimado, residuos.

1.Parámetros: significación (individual y conjunta); correlaciones estimadas entre estimadores;

estacionariedad e invertibilidad.
2.Residuos (reemplaza a un proceso de ruido blanco en el modelo estimado): grafico temporal;
ACF y PACF residuales; media muestral; Normalidad.
3. Posble reformulación según los resultados de 1 y 2

Salida: Si modelo reformulado entonces se vuelve a la estimación. Si modelo es adecuado

entonces utilizar para preveer otros fines como, análisis de intervención, análisis multivariante.

OBSERVACIONES SOBRE LA ETAPA DE DIAGNOSIS:

*Contrastar la significación individual de cada parámetro, o la significación conjunta de varios

parámetros, según interese.
*Factoriza los operadores AR y MA estimados y ver si satisfacen las condiciones de
estacionariedad y de invertibilidad, respectivamente.

Las operaciones siguientes referidas a los residuos del modelo identificado y estimado, son
especialmente útiles en la etapa de diagnosis:

*Examinar el grafico temporal de la serie de residuos estandarizada. La presencia de cualquier

tipo de tendencia suele indicar la conveniencia de aplicar un diferencial regular o estacional.
*Si el modelo no contiene el parámetro Uw, contrastar la significación de la media de las
perturbaciones utilización la media residual.

CRITERIOS DE INFORMACION.
CONTRASTE DE NO ESTACIONARIEDAD DE SHIN FULLER

CONTRASTES DE NO INVERTIVILIDAD DE DAVIS-CHEN-DUNSMUIR

2.7 PREVISION CON MODELOS ARIMA
PREVISIONES PUNTUALES – INTERVALOS DE CONFIANZA
CRITERIOS DE EVALUACION DE PREVISIONES

EJEMPLO