Introducción a Series de Tiempo Univariadas - Centro Microdatos
Introducción a Series de Tiempo Univariadas - Centro Microdatos Introducción a Series de Tiempo Univariadas - Centro Microdatos
Introducción a Series de Tiempo UnivariadasDecember 31, 2010Tenemos entonces, que para la serie sin tendencia se rechaza la hipótesis nula de raíz unitaria.En caso de que la serie sea estacionaria en tendencia, como la que acabamos de analizar, se puedeeliminar la tendencia también diferenciando la serie, no se genera error alguno. Por lo cual,muchos investigadores en vez de testear si la serie es estacionaria en diferencia o en tendencia,simplemente testean si la serie es estacionaria, y de no serlo toman primera diferencia paralogarlo.En el caso de las ventas de pavo, podríamos haber testeado simplemente la presencia de raízunitaria, y si es que no se puede rechazar la hipótesis tomar primera diferencia de la serie paralograr la estacionariedad, en este caso la serie es integrada de orden 1:pperron salesPhillips-Perron test for unit root Number of obs = 39Newey-West lags = 3---------- Interpolated Dickey-Fuller ---------Test 1% Critical 5% Critical 10% CriticalStatistic Value Value Value------------------------------------------------------------------------------Z(rho) -7.784 -18.152 -12.948 -10.480Z(t) -2.160 -3.655 -2.961 -2.613------------------------------------------------------------------------------MacKinnon approximate p-value for Z(t) = 0.2212pperron D.salesPhillips-Perron test for unit root Number of obs = 38Newey-West lags = 3---------- Interpolated Dickey-Fuller ---------Test 1% Critical 5% Critical 10% CriticalStatistic Value Value Value------------------------------------------------------------------------------Z(rho) -35.020 -18.084 -12.916 -10.460Z(t) -17.707 -3.662 -2.964 -2.614------------------------------------------------------------------------------MacKinnon approximate p-value for Z(t) = 0.0000Podemos apreciar que la serie en nivel (y sin controlar por tendencia determinística) tiene raízunitaria, sin embargo, la primera diferencia de la serie es estacionaria. Por lo cual, podemosconcluir que la serie sales es integrada de orden 1.Ahora estudiemos la función de autocorrelación parcial para determinar el orden del procesoARIMA:pac D.sales74
-1.00 -0.500.00 0.50Introducción a Series de Tiempo UnivariadasDecember 31, 20100 5 10 15 20Lag95% Confidence bands [se = 1/sqrt(n)]Se encuentra que las primeras tres autocorrelaciones parciales son estadísticamente diferentes decero, indicando que al menos debemos considerar un proceso AR(3).Mediante el comando arima podemos obtener los parámetros estimados por máximaverosimilitud de cualquier proceso ARIMA. Por ejemplo,arima sales, arima(3,1,0)ARIMA regressionSample: 1990q2 - 1999q4 Number of obs = 39Wald chi2(3) = 125.92Log likelihood = -75.53558 Prob > chi2 = 0.0000------------------------------------------------------------------------------| OPGD.sales | Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------sales |_cons | .3138001 .0780852 4.02 0.000 .1607558 .4668444-------------+----------------------------------------------------------------ARMA |ar |L1. | -.8190622 .0876331 -9.35 0.000 -.9908199 -.6473045L2. | -.8174304 .1006355 -8.12 0.000 -1.014672 -.6201883L3. | -.7738966 .0902346 -8.58 0.000 -.9507532 -.59704-------------+----------------------------------------------------------------/sigma | 1.608579 .2642292 6.09 0.000 1.090699 2.126459------------------------------------------------------------------------------75
- Page 23 and 24: 10 122 4 6 8Introducción a Series
- Page 25 and 26: Tasa de desempleo2 4 6 810 12Introd
- Page 27 and 28: Introducción a Series de Tiempo Un
- Page 29 and 30: Introducción a Series de Tiempo Un
- Page 31 and 32: Introducción a Series de Tiempo Un
- Page 33 and 34: 4 6 8desempleo10 12 14Introducción
- Page 35 and 36: Introducción a Series de Tiempo Un
- Page 37 and 38: 4 6 810 12 144 6 810 12 14Introducc
- Page 39 and 40: 0salmón atlántico (ton)20000 4000
- Page 41 and 42: 020000 40000 60000Introducción a S
- Page 43 and 44: 020000 40000 60000Introducción a S
- Page 45 and 46: Introducción a Series de Tiempo Un
- Page 47 and 48: 020000 40000 60000Introducción a S
- Page 49 and 50: 4 6 810 12Introducción a Series de
- Page 51 and 52: El análogo muestral de la media es
- Page 53 and 54: Introducción a Series de Tiempo Un
- Page 55 and 56: Introducción a Series de Tiempo Un
- Page 57 and 58: Introducción a Series de Tiempo Un
- Page 59 and 60: -0.500.00 0.50 1.00Introducción a
- Page 61 and 62: -.20.2 .4 .6 .8Introducción a Seri
- Page 63 and 64: Introducción a Series de Tiempo Un
- Page 65 and 66: Introducción a Series de Tiempo Un
- Page 67 and 68: -20000 -10000D.sa010000 20000Introd
- Page 69 and 70: Introducción a Series de Tiempo Un
- Page 71 and 72: Introducción a Series de Tiempo Un
- Page 73: -4 -2venta de pavo0 2 4Introducció
- Page 77 and 78: -0.500.00 0.50 1.00Introducción a
- Page 79 and 80: Introducción a Series de Tiempo Un
- Page 81 and 82: 95Introducción a Series de Tiempo
- Page 83 and 84: VI.5. Criterios de bondad de ajuste
- Page 85 and 86: Introducción a Series de Tiempo Un
- Page 87 and 88: Introducción a Series de Tiempo Un
- Page 89 and 90: Introducción a Series de Tiempo Un
- Page 91 and 92: 50100 150 200Introducción a Series
- Page 93 and 94: Introducción a Series de Tiempo Un
- Page 95 and 96: -0.40 -0.200.00 0.20 0.40 0.60Intro
- Page 97 and 98: Introducción a Series de Tiempo Un
- Page 99 and 100: Introducción a Series de Tiempo Un
- Page 101 and 102: Introducción a Series de Tiempo Un
- Page 103: Introducción a Series de Tiempo Un
Introducción a <strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong> <strong>Univariadas</strong>December 31, 2010Tenemos entonces, que para la serie sin ten<strong>de</strong>ncia se rechaza la hipótesis nula <strong>de</strong> raíz unitaria.En caso <strong>de</strong> que la serie sea estacionaria en ten<strong>de</strong>ncia, como la que acabamos <strong>de</strong> analizar, se pue<strong>de</strong>eliminar la ten<strong>de</strong>ncia también diferenciando la serie, no se genera error alguno. Por lo cual,muchos investigadores en vez <strong>de</strong> testear si la serie es estacionaria en diferencia o en ten<strong>de</strong>ncia,simplemente testean si la serie es estacionaria, y <strong>de</strong> no serlo toman primera diferencia paralogarlo.En el caso <strong>de</strong> las ventas <strong>de</strong> pavo, podríamos haber testeado simplemente la presencia <strong>de</strong> raízunitaria, y si es que no se pue<strong>de</strong> rechazar la hipótesis tomar primera diferencia <strong>de</strong> la serie paralograr la estacionariedad, en este caso la serie es integrada <strong>de</strong> or<strong>de</strong>n 1:pperron salesPhillips-Perron test for unit root Number of obs = 39Newey-West lags = 3---------- Interpolated Dickey-Fuller ---------Test 1% Critical 5% Critical 10% CriticalStatistic Value Value Value------------------------------------------------------------------------------Z(rho) -7.784 -18.152 -12.948 -10.480Z(t) -2.160 -3.655 -2.961 -2.613------------------------------------------------------------------------------MacKinnon approximate p-value for Z(t) = 0.2212pperron D.salesPhillips-Perron test for unit root Number of obs = 38Newey-West lags = 3---------- Interpolated Dickey-Fuller ---------Test 1% Critical 5% Critical 10% CriticalStatistic Value Value Value------------------------------------------------------------------------------Z(rho) -35.020 -18.084 -12.916 -10.460Z(t) -17.707 -3.662 -2.964 -2.614------------------------------------------------------------------------------MacKinnon approximate p-value for Z(t) = 0.0000Po<strong>de</strong>mos apreciar que la serie en nivel (y sin controlar por ten<strong>de</strong>ncia <strong>de</strong>terminística) tiene raízunitaria, sin embargo, la primera diferencia <strong>de</strong> la serie es estacionaria. Por lo cual, po<strong>de</strong>mosconcluir que la serie sales es integrada <strong>de</strong> or<strong>de</strong>n 1.Ahora estudiemos la función <strong>de</strong> autocorrelación parcial para <strong>de</strong>terminar el or<strong>de</strong>n <strong>de</strong>l procesoARIMA:pac D.sales74