Series de Tiempo
Series de Tiempo
Series de Tiempo
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Aplicación a datos reales<br />
Presentamos a continuación un ejemplo con datos reales en el<br />
que se hace uso <strong>de</strong> gran parte <strong>de</strong> lo expuesto hasta este<br />
momento.<br />
La serie <strong>de</strong> tiempo que analizaremos se correspon<strong>de</strong> con la<br />
producción anual <strong>de</strong> tabaco en EE.UU. (1872-1983).<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
1: I<strong>de</strong>ntificación <strong>de</strong>l mo<strong>de</strong>lo (gráf. secuencial, fas y fap muestrales)<br />
1872-1983 El gráfico <strong>de</strong> la izquierda<br />
muestra presencia <strong>de</strong><br />
heterocedasticidad y ten<strong>de</strong>ncia.<br />
Germán Aneiros Pérez<br />
Comenzamos transformando la<br />
serie para tratar <strong>de</strong> estabilizar<br />
la variabilidad. Puesto que ésta<br />
aumenta con el nivel <strong>de</strong> la serie<br />
(quizás la <strong>de</strong>sviación típica sea<br />
lineal en la media), le aplicamos<br />
a la producción <strong>de</strong> tabaco la<br />
función logaritmo neperiano.<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Producción transformada (ln)<br />
Germán Aneiros Pérez<br />
El gráfico <strong>de</strong> la izquierda<br />
muestra que:<br />
La varianza <strong>de</strong> la<br />
producción se ha<br />
estabilizado al aplicarle la<br />
función logaritmo<br />
neperiano.<br />
La serie transformada<br />
tiene ten<strong>de</strong>ncia.<br />
La diferenciación regular podría<br />
eliminar la ten<strong>de</strong>ncia.<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Dif. reg. <strong>de</strong>l ln <strong>de</strong> la producc.<br />
El gráfico <strong>de</strong> la izquierda<br />
muestra que:<br />
La ten<strong>de</strong>ncia ha sido<br />
eliminada al aplicarle una<br />
diferencia regular.<br />
La serie diferenciada es<br />
estacionaria (quizás<br />
presenta algún valor<br />
atípico).<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Dif. reg. <strong>de</strong>l ln <strong>de</strong> la producc.<br />
A la espera <strong>de</strong> realizar el<br />
análisis <strong>de</strong> residuos, el gráfico<br />
<strong>de</strong> la izquierda sugiere que:<br />
La serie transformada<br />
proviene <strong>de</strong> un proceso<br />
MA(1).<br />
El logaritmo neperiano <strong>de</strong><br />
la producción <strong>de</strong> tabaco ha<br />
sido generado por un<br />
proceso ARIMA(0,1,1).<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
El mo<strong>de</strong>lo i<strong>de</strong>ntificado (ARIMA(0,1,1)) se pue<strong>de</strong> expresar como<br />
(1 − B) Y t = c + (1 + θ 1 B) a t ,<br />
siendo Y t = ln (X t ) y X t la producción <strong>de</strong> tabaco <strong>de</strong>l año t.<br />
Una representación equivalente es<br />
Y t = c + Y t−1 + a t + θ 1 a t−1 .<br />
Nota: Obsérvese que, puesto que el proceso diferenciado no<br />
tiene parte AR, la constante c coinci<strong>de</strong> con su media µ.<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
2: Estimación <strong>de</strong>l mo<strong>de</strong>lo i<strong>de</strong>ntificado ARIMA(0,1,1)<br />
Estimando los parámetros por máxima verosimilitud resulta:<br />
̂θ 1 = −0.6899 (0.0698), ̂µ = 0.0145 (0.0049),<br />
y ̂σ 2 a = 0.02624.<br />
Nótese que todos los parámetros son significativamente<br />
distintos <strong>de</strong> cero.<br />
Puesto que el mo<strong>de</strong>lo no tiene parte AR, la constante c <strong>de</strong>l<br />
mo<strong>de</strong>lo coinci<strong>de</strong> con la media µ <strong>de</strong>l proceso diferenciado. Por<br />
tanto, c = 0.0145.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
3: Diagnosis <strong>de</strong>l mo<strong>de</strong>lo ARIMA(0,1,1)<br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Residuos: gráficos secuencial y<br />
Q-Q normal<br />
Contrastes <strong>de</strong> in<strong>de</strong>pen<strong>de</strong>ncia<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Contrastes <strong>de</strong> media cero y<br />
normalidad<br />
µ a = 0:<br />
p − valor = 0.9145<br />
Normalidad:<br />
Jarque-Bera:<br />
p − valor = 9.39e − 07<br />
Shapiro-Wilk:<br />
p − valor = 0.002283<br />
Conclusión: Un mo<strong>de</strong>lo<br />
ARIMA(0,1,1) con constante e<br />
innovaciones no gaussianas<br />
resulta a<strong>de</strong>cuado como<br />
generador <strong>de</strong> la serie <strong>de</strong> la<br />
producción <strong>de</strong> tabaco<br />
(transformada a través <strong>de</strong> la<br />
función logaritmo neperiano).<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
4: Selección <strong>de</strong>l mo<strong>de</strong>lo (criterio BIC)<br />
Hemos calculado los valores <strong>de</strong>l criterio BIC para distintos<br />
procesos ARIMA(p,1,q) (p, q ∈ {0, 1, 2, 3}).<br />
El mo<strong>de</strong>lo ARIMA(0,1,1) resultó ser el <strong>de</strong> menor BIC<br />
(BIC= −74.31). Nótese que este mo<strong>de</strong>lo coinci<strong>de</strong> con el<br />
previamente i<strong>de</strong>ntificado en base a las fas y fap muestrales.<br />
Ninguno <strong>de</strong> los <strong>de</strong>más mo<strong>de</strong>los evaluados alcanzó un BIC que<br />
distase <strong>de</strong>l mínimo menos <strong>de</strong> 2 unida<strong>de</strong>s.<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
5: Predicción en base al mo<strong>de</strong>lo ARIMA(0,1,1)<br />
El ARIMA(0,1,1) que hemos<br />
seleccionado, estimado y<br />
chequeado fue utilizado para<br />
realizar predicciones a<br />
horizontes <strong>de</strong> predicción<br />
k = 1, . . . , 5.<br />
Éstas se muestran en el gráfico<br />
<strong>de</strong> la <strong>de</strong>recha (azul), junto con<br />
la serie histótica (negro).<br />
Puesto que no tenemos<br />
gaussianidad, no presentamos<br />
los intervalos <strong>de</strong> predicción.<br />
Germán Aneiros Pérez<br />
Serie histótica y predicciones<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos ARIMA estacionales: Introducción<br />
La clase <strong>de</strong> procesos ARIMA que acabamos <strong>de</strong> estudiar:<br />
Captura no estacionarieda<strong>de</strong>s provocadas por la presencia<br />
<strong>de</strong> ten<strong>de</strong>ncia (incluso no <strong>de</strong>terminista).<br />
No captura no estacionarieda<strong>de</strong>s provocadas por la<br />
presencia <strong>de</strong> componente estacional.<br />
A continuación, ampliaremos la clase <strong>de</strong> procesos ARIMA<br />
estudiada, <strong>de</strong> modo que la nueva clase sea capaz <strong>de</strong> mo<strong>de</strong>lizar<br />
no estacionarieda<strong>de</strong>s provocadas tanto por la presencia <strong>de</strong><br />
ten<strong>de</strong>ncia (<strong>de</strong>terminista o estocástica) como por la presencia <strong>de</strong><br />
componente estacional (<strong>de</strong>terminista o estocástica).<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos ARMA estacionales: Introducción<br />
En la construcción <strong>de</strong> los procesos ARIMA ya estudiados<br />
jugaban un papel fundamental los procesos ARMA. Recuér<strong>de</strong>se<br />
que:<br />
{X t } t<br />
es ARIMA(p,d,q) ⇔ (1 − B) d X t es ARMA(p,q).<br />
Del mismo modo, necesitaremos <strong>de</strong> los procesos ARMA<br />
estacionales para construir la nueva clase <strong>de</strong> procesos ARIMA<br />
estacionales.<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARMA estacionales: Introducción<br />
Los procesos ARMA que ya hemos estudiado mo<strong>de</strong>lizan la<br />
<strong>de</strong>pen<strong>de</strong>ncia regular: <strong>de</strong>pen<strong>de</strong>ncia entre observaciones<br />
consecutivas ocurridas en el pasado inmediato. Por ejemplo:<br />
AR(1): X t = c + φ 1 X t−1 + a t .<br />
MA(2): X t = c + θ 1 a t−1 + θ 2 a t−2 + a t .<br />
ARMA(1,1): X t = c + φ 1 X t−1 + θ 1 a t−1 + a t .<br />
Los procesos ARMA estacionales mo<strong>de</strong>lizan la <strong>de</strong>pen<strong>de</strong>ncia<br />
estacional: <strong>de</strong>pen<strong>de</strong>ncia entre observ. ocurridas en instantes<br />
separados por múltiplos <strong>de</strong>l período estacional s. Así, si s=12:<br />
AR(1) 12 : X t = c + Φ 1 X t−12 + a t .<br />
MA(2) 12 : X t = c + Θ 1 a t−12 + Θ 2 a t−24 + a t .<br />
ARMA(1,1) 12 : X t = c + Φ 1 X t−12 + Θ 1 a t−12 + a t .<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Ejemplo <strong>de</strong> la fas y la fap <strong>de</strong> procesos AR(1) 12 y MA(2) 4<br />
AR(1) 12 MA(2) 4<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Ejemplo <strong>de</strong> la fas y la fap <strong>de</strong> procesos ARMA(1,1) 12<br />
ARMA(1,1) 12 : Φ 1 > 0, Θ 1 > 0 ARMA(1,1) 12 : Φ 1 < 0, Θ 1 < 0<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARMA estacionales: Definición<br />
Un proceso estacionario {X t } t<br />
que admite la representación<br />
X t =<br />
c + Φ 1 X t−s + Φ 2 X t−2s + · · · + Φ P X t−Ps<br />
+a t + Θ 1 a t−s + Θ 2 a t−2s + · · · + Θ Q a t−Qs ,<br />
don<strong>de</strong> c, Φ 1 , . . . , Φ P , Θ 1 , . . . , Θ Q son constantes, se conoce<br />
como un proceso ARMA(P,Q) s (proceso ARMA estacional).<br />
Es un ARMA(sP,sQ) con muchos coeficientes nulos. Por<br />
tanto, las condiciones <strong>de</strong> estacionariedad, causalidad e<br />
invertibilidad se <strong>de</strong>ducen <strong>de</strong> las <strong>de</strong> los ARMA.<br />
ARMA(P,0) s ⇔ AR(P) s .<br />
ARMA(0,Q) s ⇔ MA(Q) s .<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARMA estacionales: Definición<br />
La ecuación que <strong>de</strong>fine al proceso ARMA(P,Q) s<br />
X t =<br />
c + Φ 1 X t−s + Φ 2 X t−2s + · · · + Φ P X t−Ps<br />
+a t + Θ 1 a t−s + Θ 2 a t−2s + · · · + Θ Q a t−Qs ,<br />
se pue<strong>de</strong> escribir en la forma compacta<br />
don<strong>de</strong><br />
Φ (B s ) X t = c + Θ (B s ) a t ,<br />
Φ (B s ) = ( 1 − Φ 1 B s − Φ 2 B 2s − · · · − Φ P B Ps) ,<br />
Θ (B s ) = ( 1 + Θ 1 B s + Θ 2 B 2s + · · · + Θ Q B Qs)<br />
y B s <strong>de</strong>nota al operador retardo estacional, <strong>de</strong>finido por<br />
B s X t = X t−s .<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARMA estacionales: I<strong>de</strong>ntificación<br />
fas ∗<br />
Retardos s, 2s, . . . :<br />
AR(P) s<br />
Muchos coeficientes<br />
no nulos<br />
Se anula para todo<br />
MA(Q) s<br />
retardo mayor<br />
que Qs<br />
Retardos s, 2s, . . . :<br />
ARMA(P,Q) s<br />
Muchos coeficientes<br />
no nulos<br />
fap ∗<br />
Se anula para todo<br />
retardo mayor<br />
que Ps<br />
Retardos s, 2s, . . . :<br />
Muchos coeficientes<br />
no nulos<br />
Retardos s, 2s, . . . :<br />
Muchos coeficientes<br />
no nulos<br />
∗ Los valores en los retardos no estacionales (distintos <strong>de</strong> ks)<br />
son nulos.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Utilizando la información contenida en la tabla anterior, y la<br />
distribución muestral <strong>de</strong> ̂ρ k ó ̂α k bajo procesos MA ó AR,<br />
respect., i<strong>de</strong>ntificamos algunos procesos ARMA estacionales.<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Serie, fas y fap<br />
Germán Aneiros Pérez<br />
Conclusión<br />
Los gráficos <strong>de</strong> la izquierda<br />
sugieren que la serie:<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong><br />
1 Es estacionaria.<br />
2 Ha sido generada por un<br />
proceso AR(1) 3 .
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Serie, fas y fap<br />
Germán Aneiros Pérez<br />
Conclusión<br />
Los gráficos <strong>de</strong> la izquierda<br />
sugieren que la serie:<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong><br />
1 Es estacionaria.<br />
2 Ha sido generada por un<br />
proceso AR(1) 12 , o por un<br />
MA(1) 12 .
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARMA estacionales multiplicativos: Definición<br />
ARMA: φ (B) X t = c + θ (B) a t . Mo<strong>de</strong>liza la <strong>de</strong>pen<strong>de</strong>ncia<br />
regular.<br />
ARMA estacional: Φ (B s ) X t = c + Θ (B s ) a t . Mo<strong>de</strong>liza la<br />
<strong>de</strong>pen<strong>de</strong>ncia estacional.<br />
ARMA estacional multiplicativo: Combinando ambos<br />
mo<strong>de</strong>los, po<strong>de</strong>mos mo<strong>de</strong>lizar conjuntamente la<br />
<strong>de</strong>pen<strong>de</strong>ncia regular y la estacional a través <strong>de</strong>l mo<strong>de</strong>lo<br />
φ (B) Φ (B s ) X t = c + θ (B) Θ (B s ) a t .<br />
Este mo<strong>de</strong>lo se <strong>de</strong>nota por ARMA(p,q)×(P,Q) s y es, en<br />
particular, un ARMA(p+sP,q+sQ) con muchos<br />
coeficientes nulos.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARMA estacionales multiplicativos: Ejemplos<br />
El proceso AR(1)× MA(1) 12 .<br />
1 (1 − φ 1 B) X t = c + ( 1 + Θ 1 B 12) a t .<br />
2 X t = c + φ 1 X t−1 + a t + Θ 1 a t−12 .<br />
El proceso MA(1)×AR(1) 12 .<br />
(<br />
1 1 − Φ1 B 12) X t = c + (1 + θ 1 B) a t .<br />
2 X t = c + Φ 1 X t−12 + a t + θ 1 a t−1 .<br />
El proceso AR(1)×AR(1) 12 .<br />
1 (1 − φ 1 B) ( 1 − Φ 1 B 12) X t = c + a t .<br />
2 X t = c + φ 1 X t−1 + Φ 1 X t−12 − φ 1 Φ 1 X t−13 + a t .<br />
El proceso MA(1)×MA(1) 12 .<br />
1 X t = c + (1 + θ 1 B) ( 1 + Θ 1 B 12) a t .<br />
2 X t = c + a t + θ 1 a t−1 + Θ 1 a t−12 + θ 1 Θ 1 a t−13 .<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Ejemplos <strong>de</strong> la fas y la fap <strong>de</strong> ARMAs estacionales multiplicativos<br />
AR(1)×MA(1) 12 MA(1)×AR(1) 12<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Ejemplos <strong>de</strong> la fas y la fap <strong>de</strong> ARMAs estacionales multiplicativos<br />
AR(1)×AR(1) 12 MA(1)×MA(1) 12<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Procesos ARMA estacionales multiplicativos: I<strong>de</strong>ntificación<br />
Fas <strong>de</strong> un proceso ARMA estacional multiplicativo:<br />
En los retardos bajos (1, 2, . . . , [s/2]) se observará la fas<br />
<strong>de</strong> la parte regular.<br />
En los retardos estacionales (s, 2s, 3s . . .) se observará la<br />
fas <strong>de</strong> la parte estacional.<br />
A ambos lados <strong>de</strong> los retardos estacionales se repetirá la<br />
fas <strong>de</strong> la parte regular (invertida, si la fas en el retardo<br />
estacional es negativa).<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARMA estacionales multiplicativos: I<strong>de</strong>ntificación<br />
Fap <strong>de</strong> un proceso ARMA estacional multiplicativo:<br />
En los retardos bajos (1, 2, . . . , [s/2]) se observará la fap<br />
<strong>de</strong> la parte regular.<br />
En los retardos estacionales (s, 2s, 3s . . .) se observará la<br />
fap <strong>de</strong> la parte estacional.<br />
A la <strong>de</strong>recha <strong>de</strong> cada retardo estacional aparecerá la fap<br />
<strong>de</strong> la parte regular (invertida, si la fap en el retardo<br />
estacional es positiva).<br />
A la izquierda <strong>de</strong> cada retardo estacional aparecerá la fas<br />
<strong>de</strong> la parte regular (invertida, si la fap en el retardo<br />
estacional es negativa).<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Utilizando la información contenida en las 2 transparencias<br />
anteriores, y la distribución muestral <strong>de</strong> ̂ρ k ó ̂α k bajo procesos<br />
MA ó AR, respectivamente, i<strong>de</strong>ntificamos algunos procesos<br />
ARMA estacionales multiplicativos.<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Serie, fas y fap<br />
Germán Aneiros Pérez<br />
Conclusión<br />
Los gráficos <strong>de</strong> la izquierda<br />
sugieren que la serie:<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong><br />
1 Es estacionaria.<br />
2 Ha sido generada por un<br />
proceso AR(1)×AR(1) 7 .
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Serie, fas y fap<br />
Germán Aneiros Pérez<br />
Conclusión<br />
Los gráficos <strong>de</strong> la izquierda<br />
sugieren que la serie:<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong><br />
1 Es estacionaria.<br />
2 Ha sido generada por un<br />
proceso MA(1)×AR(1) 12 .
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARIMA estacionales: Introducción<br />
Sea X t = S t + V t , don<strong>de</strong> {S t } t<br />
no es estacionario, {V t } t<br />
sí y<br />
1 S t = S t−s (componente estacional <strong>de</strong>terminista),<br />
ó<br />
2 S t = S t−s + W t don<strong>de</strong> {W t } t<br />
es estacionario con media 0<br />
(componente estacional estocástica).<br />
{X t } t<br />
no es estacionario, pues contiene una componente que<br />
no lo es, S t . Sin embargo, sí lo es el proceso diferenciado<br />
estacionalmente<br />
1 X t − X t−s = V t − V t−s<br />
ó<br />
2 X t − X t−s = W t + V t − V t−s .<br />
Conclusión: A veces, la diferenciación estacional consigue<br />
eliminar la componente estacional.<br />
Germán Aneiros Pérez <strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos ARIMA estacionales: Introducción<br />
Basándonos en los ejemplos anteriores, ante una serie con<br />
ten<strong>de</strong>ncia y/o componente estacional, sugerimos:<br />
Eliminar la ten<strong>de</strong>ncia aplicando d diferencias regulares<br />
((1 − B) d ). En general, es suficiente d ≤ 3.<br />
Eliminar la componente estacional aplicando D diferencias<br />
estacionales ((1 − B s ) D ). En general, es suficiente D = 1.<br />
Una vez que la serie diferenciada es estacionaria,<br />
mo<strong>de</strong>lizarla a través <strong>de</strong> un ARMA:<br />
Sólo <strong>de</strong>pen<strong>de</strong>ncia regular: ARMA(p,q).<br />
Sólo <strong>de</strong>pen<strong>de</strong>ncia estacional: ARMA(P,Q) s .<br />
Ambos tipos <strong>de</strong> <strong>de</strong>pen<strong>de</strong>ncia: ARMA(p,q)×(P,Q) s .<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARIMA estacionales: Definición<br />
Un proceso ARIMA(p,d,q)×(P,D,Q) s (o ARIMA estacional<br />
multiplicativo) es aquél que, <strong>de</strong>spués <strong>de</strong> aplicarle d diferencias<br />
regulares y D diferencias estacionales <strong>de</strong> periodo s, se corvierte<br />
en un proceso ARMA(p,q)×(P,Q) s .<br />
Equivalentemente:<br />
{X t } t<br />
es un proceso ARIMA(p,d,q)×(P,D,Q) s (o ARIMA<br />
estacional multiplicativo) si admite una representación <strong>de</strong>l tipo:<br />
φ (B) Φ (B s ) (1 − B) d (1 − B s ) D X t = c + θ (B) Θ (B s ) a t ,<br />
don<strong>de</strong> el polinomio φ (z) Φ (z s ) no tiene raíces <strong>de</strong> módulo 1.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Ejemplo: Proceso ARIMA(1,1,1)×(1,1,1) 12<br />
La expresión <strong>de</strong>l ARIMA(1,1,1)×(1,1,1) 12 es<br />
AR<br />
reg.<br />
AR<br />
est.<br />
Dif.<br />
reg.<br />
Dif.<br />
est.<br />
↓ ↓ ↓ ↓<br />
(1 − φ 1 B) ( 1 − Φ 1 B 12) (1 − B) ( 1 − B 12) X t =<br />
c + (1 + θ 1 B) ( 1 + Θ 1 B 12) a t<br />
↑ ↑<br />
MA MA<br />
reg. est.<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Ejemplo: Proceso ARIMA(1,1,1)×(1,1,1) 12<br />
Operando en la expresión <strong>de</strong>l ARIMA(1,1,1)×(1,1,1) 12<br />
(1 − φ 1 B) ( 1 − Φ 1 B 12) (1 − B) ( 1 − B 12) X t =<br />
c + (1 + θ 1 B) ( 1 + Θ 1 B 12) a t<br />
se obtiene la representación:<br />
X t = c + (1 + φ 1 ) X t−1 − φ 1 X t−2 + (1 + Φ 1 ) X t−12<br />
− (1 + φ 1 + Φ 1 + φ 1 Φ 1 ) X t−13<br />
+ (φ 1 + φ 1 Φ 1 ) X t−14 − Φ 1 X t−24<br />
+ (Φ 1 + φ 1 Φ 1 ) X t−25 − φ 1 Φ 1 X t−26<br />
+a t + θ 1 a t−1 + Θ 1 a t−12 + θ 1 Θ 1 a t−13<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARIMA estacionales: Definición<br />
El proceso ARIMA(p,d,q)×(P,D,Q) s :<br />
Es estacionario cuando d = D = 0 (se convierte en un<br />
proceso ARMA(p,q)×(P,Q) s ).<br />
Mo<strong>de</strong>liza la <strong>de</strong>pen<strong>de</strong>ncia regular (p o q ≠ 0).<br />
Mo<strong>de</strong>liza la <strong>de</strong>pen<strong>de</strong>ncia estacional (s > 1, y P o Q ≠ 0)<br />
Captura no estacionarieda<strong>de</strong>s provocadas por la presencia<br />
<strong>de</strong> ten<strong>de</strong>ncia (d > 0).<br />
Captura no estacionarieda<strong>de</strong>s provocadas por la presencia<br />
<strong>de</strong> componente estacional (s > 1 y D > 0).<br />
Generaliza a todos los procesos que hemos estudiado.<br />
Es, posiblemente, el proceso más utilizado en la<br />
mo<strong>de</strong>lización <strong>de</strong> series <strong>de</strong> tiempo univariantes.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARIMA estacionales: I<strong>de</strong>ntificación<br />
En la práctica, ante una serie real,...<br />
¿cuándo propondremos un ARIMA estacional como su generador?<br />
Cuando, siendo homocedástica, <strong>de</strong>tectemos la presencia <strong>de</strong><br />
componente estacional.<br />
La presencia <strong>de</strong> componente estacional en una serie (y, por<br />
tanto, la necesidad <strong>de</strong> diferenciarla estacionalmente para<br />
eliminarla) suele ser <strong>de</strong>latada por:<br />
El gráfico secuencial <strong>de</strong> la serie.<br />
La fas muestral:<br />
Presenta fuerte correlación positiva en el retardo estacional<br />
(y, posiblemente, en sus múltiplos),<br />
Converge lentamente a cero a medida que el retardo crece.<br />
Presenta periodicidad <strong>de</strong>l mismo periodo que la serie,<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Serie original<br />
Serie diferenciada regularmente<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Serie dif. reg. y estac. (s=12)<br />
Conclusión<br />
Los gráficos estudiados<br />
sugieren que la serie original:<br />
1 No es estacionaria.<br />
2 Ha sido generada por un<br />
proceso<br />
ARIMA(0,1,1)×(0,1,1) 12 ,<br />
o quizás por un<br />
ARIMA(1,1,0)×(0,1,1) 12 .<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Heterocedasticidad<br />
En los mo<strong>de</strong>los teóricos que hemos presentado, la falta <strong>de</strong><br />
estacionariedad venía provocada por la presencia <strong>de</strong> ten<strong>de</strong>ncia<br />
y/o componente estacional.<br />
Aplicando diferencias (regulares y/o estacionales,<br />
respectivamente) conseguíamos eliminar este tipo <strong>de</strong> no<br />
estacionariedad.<br />
Otra fuente que provoca falta <strong>de</strong> estacionariedad es la<br />
heterocedasticidad (la varianza no es constante o estable).<br />
A continuación veremos cómo eliminar la heterocedasticidad.<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
En el gráfico <strong>de</strong> la <strong>de</strong>recha, se<br />
intuye que la variabilidad <strong>de</strong> la<br />
serie (consumo <strong>de</strong><br />
electricidad...) no es constante.<br />
Concretamente, parece que la<br />
variabilidad aumenta al hacerlo<br />
el nivel <strong>de</strong> la serie.<br />
Serie heterocedástica<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
En el gráfico <strong>de</strong> la <strong>de</strong>recha, se<br />
muestra la serie transformada a<br />
través <strong>de</strong> la función logaritmo<br />
neperiano.<br />
Se observa que la aplicación <strong>de</strong><br />
dicha función ha conseguido<br />
estabilizar la varianza.<br />
Serie homocedástica (log)<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
TRANSFORMACIONES PARA ESTABILIZAR LA VARIANZA<br />
Transformaciones <strong>de</strong> Box-Cox<br />
La familia <strong>de</strong> transformaciones<br />
<strong>de</strong> Box-Cox se <strong>de</strong>fine como<br />
aquélla que transforma a x t en:<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
xt λ − 1<br />
, si λ ≠ 0<br />
λ<br />
ln(x t ), si λ = 0<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong><br />
Si la <strong>de</strong>sviación típica es<br />
una función potencial <strong>de</strong> la<br />
media (σ t = kµ t 1−λ ),<br />
entonces la transformación<br />
<strong>de</strong> Box-Cox con parámetro<br />
λ consigue estabilizar la<br />
varianza.<br />
Un situación muy usual es<br />
aquélla en que σ t = kµ t .<br />
En este caso λ = 0 y la<br />
aplicación <strong>de</strong>l logaritmo<br />
neperiano estabiliza la<br />
varianza.
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Obtención <strong>de</strong> un valor apropiado para λ<br />
Partiendo <strong>de</strong> la igualdad<br />
se obtiene que<br />
don<strong>de</strong> a = log(k) y b = 1 − λ.<br />
σ t = kµ 1−λ<br />
t ,<br />
log(σ t ) = a + b log(µ t ),<br />
Por tanto, si disponemos <strong>de</strong> estimaciones ˆµ t y ˆσ t y ajustamos<br />
un mo<strong>de</strong>lo lineal a {(log(ˆµ t ), log(ˆσ t ))}, obtendremos una<br />
estimación para el valor <strong>de</strong> λ:<br />
Germán Aneiros Pérez<br />
ˆλ = 1 − ˆb<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Para estimar la media y la <strong>de</strong>sviación típica utilizamos las 12<br />
observaciones <strong>de</strong> cada año.<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Regresión lineal: ˆλ = −0.269<br />
Germán Aneiros Pérez<br />
Intuitiva: ˆλ = 0 (log)<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARIMA estacionales: I<strong>de</strong>ntificación<br />
De manera esquemática, las etapas a seguir para i<strong>de</strong>ntificar un<br />
mo<strong>de</strong>lo como posible generador <strong>de</strong> una serie <strong>de</strong> tiempo son:<br />
1 Si la serie presenta heterocedasticidad, eliminarla a través<br />
<strong>de</strong> una transformación <strong>de</strong> Box-Cox.<br />
2 Si la serie (quizás transformada en la etapa 1) presenta<br />
ten<strong>de</strong>ncia, eliminarla a través <strong>de</strong> la diferenciación regular.<br />
3 Si la serie (quizás transformada en las etapas 1 y/o 2)<br />
presenta componente estacional, eliminarla a través <strong>de</strong> la<br />
diferenciación estacional.<br />
4 I<strong>de</strong>ntificar un mo<strong>de</strong>lo ARMA para la serie (quizás<br />
transformada en las etapas 1, 2 y/o 3).<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Proc. ARIMA estacionales: Estim., diag. y selec. <strong>de</strong>l mo<strong>de</strong>lo<br />
Como consecuencia <strong>de</strong> la estrecha relación que existe entre los<br />
procesos ARIMA y los procesos ARMA (diferenciando los<br />
primeros se obtienen los segundos), se tiene que la aplicación<br />
práctica <strong>de</strong> los ARIMA está totalmente basada en la<br />
correspondiente a los ARMA:<br />
Estimación: Se ajusta un ARMA (regular, estacional o<br />
estacional multiplicativo) a la serie diferenciada (regular<br />
y/o estacionalmente).<br />
Diagnosis: Se chequean los residuos proce<strong>de</strong>ntes <strong>de</strong>l ajuste<br />
ARMA anterior.<br />
Selección <strong>de</strong>l mo<strong>de</strong>lo: Se selecciona, para la serie<br />
diferenciada, el mo<strong>de</strong>lo ARMA cuyos ór<strong>de</strong>nes (p, q, P y/o<br />
Q) minimicen uno <strong>de</strong> los criterios AIC, AICC o BIC.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Procesos ARIMA estacionales: Predicción<br />
Del mismo modo, la predicción <strong>de</strong> valores futuros <strong>de</strong> procesos<br />
ARIMA se basa en la predicción <strong>de</strong> procesos ARMA.<br />
Los pasos a seguir son:<br />
1 Diferenciar (regular y/o estacionalmente) la serie<br />
proce<strong>de</strong>nte <strong>de</strong>l ARIMA hasta obtener una serie proce<strong>de</strong>nte<br />
<strong>de</strong> un ARMA (regular, estacional o estacional multiplic.).<br />
2 Pre<strong>de</strong>cir los valores futuros <strong>de</strong>l proceso ARMA.<br />
3 Deshacer la diferenciación en las predicciones <strong>de</strong>l ARMA,<br />
obteniendo entonces las predicciones <strong>de</strong>l proceso original<br />
ARIMA.<br />
En cuanto a los intervalos <strong>de</strong> predicción, su construcción es<br />
análoga a lo ya hecho para procesos ARMA.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Aplicación a datos reales<br />
Presentamos a continuación un ejemplo con datos reales en el<br />
que se hace uso <strong>de</strong> gran parte <strong>de</strong> lo expuesto en este capítulo.<br />
Para ello:<br />
Dividiremos en 2 trozos la serie <strong>de</strong>l consumo <strong>de</strong><br />
electricidad (introducida en el primer capítulo):<br />
1 Consumo entre los meses <strong>de</strong> enero 1972 y diciembre 2003<br />
(T = 384).<br />
2 Consumo durante los próximos 12 meses.<br />
El primer trozo será utilizado para seleccionar y ajustar un<br />
mo<strong>de</strong>lo.<br />
En base a dicho mo<strong>de</strong>lo, realizaremos predicciones para el<br />
consumo correspondiente a los próximos 12 meses, que<br />
serán comparadas con los consumos reales (2 o trozo).<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
1: I<strong>de</strong>ntificación <strong>de</strong>l mo<strong>de</strong>lo (fas y fap muestrales)<br />
Enero 1972 - Diciembre 2003<br />
Germán Aneiros Pérez<br />
El gráfico <strong>de</strong> la izquierda<br />
muestra presencia <strong>de</strong><br />
heterocedasticidad, ten<strong>de</strong>ncia y<br />
componente estacional.<br />
Comenzamos transformando la<br />
serie para tratar <strong>de</strong> estabilizar<br />
la variabilidad. Puesto que ésta<br />
aumenta con el nivel <strong>de</strong> la serie<br />
(quizás la <strong>de</strong>sviación típica sea<br />
lineal en la media), le<br />
aplicamos al consumo la<br />
función logaritmo neperiano.<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Consumo transformado (ln)<br />
Germán Aneiros Pérez<br />
El gráfico <strong>de</strong> la izquierda<br />
muestra que:<br />
La varianza <strong>de</strong>l consumo<br />
se ha estabilizado al<br />
aplicarle la función<br />
logaritmo neperiano.<br />
La serie transformada<br />
tiene ten<strong>de</strong>ncia y<br />
componente estacional.<br />
La diferenciación regular podría<br />
eliminar la ten<strong>de</strong>ncia.<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Dif. reg. <strong>de</strong>l ln <strong>de</strong>l consumo<br />
Germán Aneiros Pérez<br />
El gráfico <strong>de</strong> la izquierda<br />
muestra que:<br />
La ten<strong>de</strong>ncia ha sido<br />
eliminada al aplicarle una<br />
diferencia regular.<br />
La componente estacional<br />
se mantiene (s = 12).<br />
La diferenciación estacional<br />
podría eliminar la componente<br />
estacional.<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Dif. reg. y estac. <strong>de</strong>l ln <strong>de</strong>l<br />
consumo (s=12)<br />
Germán Aneiros Pérez<br />
A la espera <strong>de</strong> realizar el<br />
análisis <strong>de</strong> residuos, el gráfico<br />
<strong>de</strong> la izquierda sugiere que:<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong><br />
La serie transformada<br />
proviene <strong>de</strong> un proceso<br />
estacionario;<br />
concretamente, <strong>de</strong> un<br />
ARMA(0,2)×(0,1) 12 .<br />
El logaritmo neperiano <strong>de</strong>l<br />
consumo eléctrico ha sido<br />
generado por un proceso<br />
ARIMA(0,1,2)×(0,1,1) 12 .
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
El mo<strong>de</strong>lo i<strong>de</strong>ntificado (ARIMA(0,1,2)×(0,1,1) 12 ) se pue<strong>de</strong><br />
expresar como<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
(1 − B) ( 1 − B 12) Y t = c + ( 1 + θ 1 B + θ 2 B 2) ( 1 + Θ 1 B 12) a t ,<br />
siendo Y t = ln (X t ) y X t el consumo eléctrico <strong>de</strong>l mes t.<br />
Una representación equivalente es<br />
Y t = Y t−1 + Y t−12 − Y t−13<br />
+c + a t + θ 1 a t−1 + θ 2 a t−2<br />
+Θ 1 a t−12 + θ 1 Θ 1 a t−13 + θ 2 Θ 1 a t−14 .<br />
Nota: Obsérvese que, puesto que el proceso diferenciado no<br />
tiene parte AR, la constante c coinci<strong>de</strong> con su media µ.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
2: Estimación <strong>de</strong>l mo<strong>de</strong>lo i<strong>de</strong>ntificado ARIMA(0,1,2)×(0,1,1) 12<br />
Estimando los parámetros por máxima verosimilitud resulta:<br />
̂θ 1 = −0.3371 (0.0440), ̂θ 2 = −0.5503 (0.0452),<br />
̂Θ 1 = −0.7116 (0.0377), ̂µ = 0e + 00 (1e-04)<br />
y ̂σ 2 a = 0.0006759.<br />
Puesto que la media µ <strong>de</strong>l proceso diferenciado no es<br />
significativamente distinta <strong>de</strong> cero, estimaremos un<br />
ARIMA(0,1,2)×(0,1,1) 12 con µ = 0 o, lo que es lo mismo, con<br />
c = 0.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Bajo la restricción µ = 0, se obtienen las estimaciones:<br />
̂θ 1 = −0.3365 (0.0439), ̂θ 2 = −0.5496 (0.0451),<br />
̂Θ 1 = −0.7111 (0.0377) y ̂σ 2 a = 0.0006762,<br />
resultando todos los parámetros significativamente distintos <strong>de</strong><br />
cero. Por tanto, el ARIMA(0,1,2)×(0,1,1) 12 estimado es:<br />
Y t = Y t−1 + Y t−12 − Y t−13<br />
+a t − 0.3365a t−1 − 0.5496a t−2<br />
−0.7111a t−12 + 0.2393a t−13 + 0.3908a t−14 ,<br />
siendo 0.0006762 la varianza <strong>de</strong>l ruido blanco.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
3: Diagnosis <strong>de</strong>l mo<strong>de</strong>lo ARIMA(0,1,2)×(0,1,1) 12<br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Residuos: gráficos secuencial y<br />
Q-Q normal<br />
Contrastes <strong>de</strong> in<strong>de</strong>pen<strong>de</strong>ncia<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Conclusiones:<br />
El contraste <strong>de</strong> Ljung-Box rechaza la in<strong>de</strong>pen<strong>de</strong>ncia <strong>de</strong> los<br />
residuos.<br />
Un mo<strong>de</strong>lo ARIMA(0,1,2)×(0,1,1) 12 no resulta a<strong>de</strong>cuado<br />
como posible generador <strong>de</strong> la serie <strong>de</strong>l consumo eléctrico<br />
(transformada a través <strong>de</strong>l logaritmo neperiano).<br />
Puesto que no tenemos in<strong>de</strong>pen<strong>de</strong>ncia en los residuos, los<br />
contrastes propuestos <strong>de</strong> media cero y normalidad no<br />
tienen vali<strong>de</strong>z.<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
4: I<strong>de</strong>ntificación <strong>de</strong>l mo<strong>de</strong>lo (criterio BIC)<br />
Hemos calculado los valores <strong>de</strong>l criterio BIC para distintos<br />
procesos ARIMA(p,1,q)×(P,1,Q) 12 (p, q ∈ {0, 1, 2, 3} y<br />
P, Q ∈ {0, 1, 2}).<br />
El mo<strong>de</strong>lo ARIMA(1,1,2)×(0,1,1) 12 resultó ser el <strong>de</strong> menor BIC<br />
(BIC= −1625.907, siendo la constante <strong>de</strong>l mo<strong>de</strong>lo nula).<br />
De entre los mo<strong>de</strong>los evaluados, sólo uno (el<br />
ARIMA(2,1,1)×(0,1,1) 12 ) tuvo un valor BIC que no distase<br />
más <strong>de</strong> 2 unida<strong>de</strong>s <strong>de</strong>l óptimo.<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
5: Estimación <strong>de</strong>l mo<strong>de</strong>lo ARIMA(1,1,2)×(0,1,1) 12<br />
El mo<strong>de</strong>lo ARIMA(1,1,2)×(0,1,1) 12 se pue<strong>de</strong> expresar como<br />
(1 − φ 1 B) (1 − B) ( 1 − B 12) Y t =<br />
(<br />
1 + θ1 B + θ 2 B 2) ( 1 + Θ 1 B 12) a t .<br />
Las estimaciones <strong>de</strong> sus parámetros por máxima verosimilitud<br />
han resultado:<br />
̂φ 1 = 0.3214 (0.0901), ̂θ 1 = −0.5804 (0.0898),<br />
̂θ 2 = −0.3762 (0.0784), ̂Θ 1 = −0.7135 (0.0391),<br />
Germán Aneiros Pérez<br />
y ̂σ 2 a = 0.0006543.<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
6: Diagnosis <strong>de</strong>l mo<strong>de</strong>lo ARIMA(1,1,2)×(0,1,1) 12<br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Residuos: gráficos secuencial y<br />
Q-Q normal<br />
Contrastes <strong>de</strong> in<strong>de</strong>pen<strong>de</strong>ncia<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Contrastes <strong>de</strong> media cero y<br />
normalidad<br />
µ a = 0:<br />
p − valor = 0.2012<br />
Normalidad:<br />
Jarque-Bera:<br />
p − valor = 0.7272<br />
Shapiro-Wilk:<br />
p − valor = 0.7198<br />
Germán Aneiros Pérez<br />
Conclusión: Un mo<strong>de</strong>lo<br />
ARIMA(1,1,2)×(0,1,1) 12 sin<br />
constante y con innovaciones<br />
gaussianas resulta a<strong>de</strong>cuado<br />
como generador <strong>de</strong> la serie <strong>de</strong>l<br />
consumo <strong>de</strong> electricidad<br />
(transformada a través <strong>de</strong> la<br />
función logaritmo neperiano).<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
7: Predicción en base al mo<strong>de</strong>lo ARIMA(1,1,2)×(0,1,1) 12<br />
Para finalizar el estudio, el<br />
ARIMA(1,1,2)×(0,1,1) 12 que<br />
hemos seleccionado, estimado y<br />
chequeado fue utilizado para<br />
realizar predicciones con origen<br />
en T = 384 y horizontes <strong>de</strong><br />
predicción k = 1, . . . , 12.<br />
Éstas se pue<strong>de</strong>n observar en el<br />
gráfico <strong>de</strong> la <strong>de</strong>recha (azul),<br />
junto con los valores reales<br />
(ver<strong>de</strong>) y los intervalos <strong>de</strong><br />
predicción al 95% (rojo).<br />
Germán Aneiros Pérez<br />
Predicciones, ...<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Valores numéricos<br />
Mes Consumo Predicción Intervalo <strong>de</strong> Predicción (95%)<br />
enero 229.922 233.2989 (221.8904 , 245.2940)<br />
febr. 207.913 202.7579 (190.4922 , 215.8133)<br />
mar. 195.917 197.3801 (185.1477 , 210.4206)<br />
abril 180.561 182.2473 (170.8927 , 194.3562)<br />
mayo 193.574 190.7098 (178.8020 , 203.4107)<br />
junio 222.073 216.9540 (203.3874 , 231.4254)<br />
julio 247.093 253.2536 (237.3969 , 270.1693)<br />
agos. 243.509 258.9025 (242.6725 , 276.2180)<br />
sept. 224.615 229.9236 (215.4930 , 245.3205)<br />
oct. 198.691 200.5321 (187.9313 , 213.9777)<br />
nov. 187.896 188.6941 (176.8231 , 201.3619)<br />
dic. 216.703 213.4435 (199.9998 , 227.7909)<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Resumen: Construcción <strong>de</strong>l mo<strong>de</strong>lo generador <strong>de</strong> la serie<br />
Etapas a seguir para i<strong>de</strong>ntificar un ARIMA(p,d,q)×(P,D,Q) s<br />
como posible generador <strong>de</strong> la serie <strong>de</strong> tiempo a analizar:<br />
Etapa 1: Representar gráficamente la serie frente al<br />
tiempo, y su fas muestral frente al retardo.<br />
1 Si el gráfico <strong>de</strong> la serie sugiere presencia <strong>de</strong> variabilidad no<br />
constante, transformar (Box-Cox) la serie para estabilizar<br />
la varianza.<br />
2 Si el gráfico <strong>de</strong> la serie (quizás transformada en el paso<br />
anterior) y/o el gráfico <strong>de</strong> su fas muestral sugiere/n<br />
presencia <strong>de</strong> ten<strong>de</strong>ncia, aplicar diferencias regulares (d)<br />
hasta eliminarla.<br />
3 Si el gráfico <strong>de</strong> la serie (posiblemente transformada en<br />
alguno <strong>de</strong> los 2 pasos anteriores) y/o el gráfico <strong>de</strong> su fas<br />
muestral sugiere/n presencia <strong>de</strong> componente estacional (s),<br />
aplicar diferencias estacionales (D) hasta eliminarla.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Resumen: Construcción <strong>de</strong>l mo<strong>de</strong>lo generador <strong>de</strong> la serie<br />
Etapa 2: Representar gráficamente la serie (posiblemente<br />
transformada en la etapa 1) frente al tiempo, y sus fas y<br />
fap muestrales frente al retardo (en caso necesario,<br />
constuir también la tabla relativa a la fase muestral).<br />
Dichos gráficos <strong>de</strong>bieran sugerir la proce<strong>de</strong>ncia <strong>de</strong> la serie<br />
(posiblemente transformada en la etapa 1) <strong>de</strong> un proceso<br />
estacionario (ARMA, quizás multiplicativo), pues en caso<br />
contrario no <strong>de</strong>beríamos haber pasado a esta etapa 2.<br />
1 Tratar <strong>de</strong> i<strong>de</strong>ntificar sus ór<strong>de</strong>nes p, q, P y Q a través <strong>de</strong>l<br />
estudio <strong>de</strong> su fas y fap muestrales (quizás sea necesaria,<br />
a<strong>de</strong>más, la fase muestral).<br />
2 I<strong>de</strong>ntificar sus ór<strong>de</strong>nes p, q, P y Q a través <strong>de</strong>l estudio <strong>de</strong><br />
las funciones AIC, AICC y/o BIC.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Resumen: Construcción <strong>de</strong>l mo<strong>de</strong>lo generador <strong>de</strong> la serie<br />
Una vez que uno o varios mo<strong>de</strong>los han sido i<strong>de</strong>ntificados, la<br />
siguiente etapa es su estimación.<br />
A continuación, el/los mo<strong>de</strong>lo/s estimado/s <strong>de</strong>be/n ser<br />
chequeado/s (es necesario comprobar que verifica/n las<br />
hipótesis básicas que se han supuesto en su construcción).<br />
Principalmente, comprobaremos la hipótesis <strong>de</strong> que las<br />
innovaciones son ruido blanco (preferiblemente gaussiano).<br />
Si disponemos <strong>de</strong> varios mo<strong>de</strong>los que han superado el análisis<br />
<strong>de</strong> residuos (diagnosis), seleccionaremos aquél que, teniendo un<br />
AIC, AICC y/o BIC pequeño (diferencias <strong>de</strong> hasta 2 unida<strong>de</strong>s<br />
no se consi<strong>de</strong>ran relevantes), resulte más simple. En base a<br />
dicho mo<strong>de</strong>lo, realizaremos las predicciones.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>
Mo<strong>de</strong>los Box-Jenkins<br />
<strong>Series</strong> <strong>de</strong><br />
<strong>Tiempo</strong><br />
Germán<br />
Aneiros Pérez<br />
Introducción<br />
Procesos<br />
ARMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Procesos<br />
ARIMA:<br />
Definición e<br />
i<strong>de</strong>ntificación<br />
Estimación y<br />
diagnosis<br />
Selección <strong>de</strong>l<br />
mo<strong>de</strong>lo y<br />
predicción<br />
Aplicación a<br />
datos reales<br />
Procesos<br />
ARIMA<br />
estacionales<br />
Recapitulación<br />
A lo largo <strong>de</strong> este tema:<br />
Se ha construido la clase <strong>de</strong> mo<strong>de</strong>los Box-Jenkins.<br />
Se han propuesto métodos para i<strong>de</strong>ntificar sus ór<strong>de</strong>nes:<br />
Basados en el estudio <strong>de</strong> sus fas, fap y fase muestrales.<br />
Basados en el estudio <strong>de</strong> las funciones AIC, AICC y BIC.<br />
Se han propuesto estimadores <strong>de</strong> sus parámetros y se han<br />
mostrado algunas <strong>de</strong> sus propieda<strong>de</strong>s asintóticas.<br />
Se han propuesto técnicas para chequear el mo<strong>de</strong>lo<br />
ajustado.<br />
Se han propuesto métodos para pre<strong>de</strong>cir sus valores<br />
futuros, y se han construido intervalos <strong>de</strong> predicción.<br />
Germán Aneiros Pérez<br />
<strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong>