Introducción a Series de Tiempo Univariadas - Centro Microdatos

Introducción a Series de Tiempo UnivariadasDecember 31, 2010arima sa, ar(1)ARIMA regressionSample: 2000m1 - 2010m8 Number of obs = 128Wald chi2(1) = 846.83Log likelihood = -1257.472 Prob > chi2 = 0.0000------------------------------------------------------------------------------| OPGsa | Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------sa |_cons | 22605.33 3116.448 7.25 0.000 16497.2 28713.45-------------+----------------------------------------------------------------ARMA |ar |L1. | .8629416 .029654 29.10 0.000 .8048208 .9210624-------------+----------------------------------------------------------------/sigma | 4445.791 144.0753 30.86 0.000 4163.409 4728.174------------------------------------------------------------------------------Podemos distinguir entre dos sintaxis para la estimación de estos modelos: Modelo ARMA:arima depvar, ar(numlist) ma(numlist) Modelo ARIMA:arima depvar, arima(#p,#d,#q)La primera opción nos permite indicar de manera precisa que rezagos incluir en el componente ARy MA.VI.4. PredicciónVI.4.1. Predicción un paso adelanteUna vez estimado el modelo ARIMA podemos utilizar el comando predict para hacerpredicciones.Por ejemplo, volvamos a la estimación del modelo ARIMA(3,1,0) para la variable venta de pavos:78