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, 2010componentes AR. El problema es que típicamente las series son una combinación entre modelosAR y MA, es decir, modelos ARMA donde sabemos que la función de autocorrelación decae másrápido o más lento que un proceso AR puro.El consejo es comenzar con un modelo general, con cuatro componentes AR y 4 componentes MA,luego estimar diferentes combinaciones, y quedarse con el modelo con menor criterio deinformación.VI.7. Modelos ARIMA con estacionalidadRecordemos que si la magnitud de la fluctuación estacional no es proporcional al nivel de la serie,el efecto estacional es aditivo, por el contrario si la fluctuación estacional es proporcional al nivelde la serie, la estacionalidad es multiplicativa.VI.7.1. Estacionalidad aditivaUtilizaremos la base de datos hstarts.dta que contiene datos mensuales de construcciones nuevas,debido a los meses de invierno o frío, el inicio de construcciones tiene un fuerte componenteestacional. A pesar de que la estacionalidad normalmente es multiplicativa en este caso unaestacionalidad aditiva tampoco parece tan extraña.100 150 200 25050startsuse "hstarts.dta", cleartsset datetsline starts1960m11965m11970m11975m11980m11985m11990m11995m12000m12005m1date84
Introducción a Series de Tiempo UnivariadasDecember 31, 2010En un modelo ARIMA estacional, se utiliza un segundo proceso ARMA para modelar lasfluctuaciones estacionales. Por ejemplo, para los datos mensuales de construcción de nuevasviviendas, podemos usar un proceso ARMA para modelar las fluctuaciones mes a mes de la serie, yun segundo proceso ARMA para modelar las variaciones estacionales:En este caso estamos utilizando un proceso ARMA(1,1) para las fluctuaciones mensuales, ytambién un proceso ARMA(1,1) para las fluctuaciones estacionales.Si utilizáramos un proceso ARMA(2,2) para el componente estacional, tendríamos:Nuevamente, es clave estudiar la función de autocorrelación muestral y autocorrelación parcialpara determinar el número de rezagos a incluir.Recordemos que lo primero que se requiere es que la serie sea estacionaria, si la serie tiene uncomponente estacional, debemos trabajar con la serie diferenciada en primera diferencia y conrespecto al componente estacional.-60 -40 -20DS12.starts020 40tsline DS12.starts1960m11965m11970m11975m11980m11985m11990m11995m12000m12005m1date85
- 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 and 74: -4 -2venta de pavo0 2 4Introducció
- Page 75 and 76: -1.00 -0.500.00 0.50Introducción a
- 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: VI.5. Criterios de bondad de ajuste
- 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, 2010componentes AR. El problema es que típicamente las series son una combinación entre mo<strong>de</strong>losAR y MA, es <strong>de</strong>cir, mo<strong>de</strong>los ARMA don<strong>de</strong> sabemos que la función <strong>de</strong> autocorrelación <strong>de</strong>cae másrápido o más lento que un proceso AR puro.El consejo es comenzar con un mo<strong>de</strong>lo general, con cuatro componentes AR y 4 componentes MA,luego estimar diferentes combinaciones, y quedarse con el mo<strong>de</strong>lo con menor criterio <strong>de</strong>información.VI.7. Mo<strong>de</strong>los ARIMA con estacionalidadRecor<strong>de</strong>mos que si la magnitud <strong>de</strong> la fluctuación estacional no es proporcional al nivel <strong>de</strong> la serie,el efecto estacional es aditivo, por el contrario si la fluctuación estacional es proporcional al nivel<strong>de</strong> la serie, la estacionalidad es multiplicativa.VI.7.1. Estacionalidad aditivaUtilizaremos la base <strong>de</strong> datos hstarts.dta que contiene datos mensuales <strong>de</strong> construcciones nuevas,<strong>de</strong>bido a los meses <strong>de</strong> invierno o frío, el inicio <strong>de</strong> construcciones tiene un fuerte componenteestacional. A pesar <strong>de</strong> que la estacionalidad normalmente es multiplicativa en este caso unaestacionalidad aditiva tampoco parece tan extraña.100 150 200 25050startsuse "hstarts.dta", cleartsset datetsline starts1960m11965m11970m11975m11980m11985m11990m11995m12000m12005m1date84