IntroducciÃ³n a Series de Tiempo Univariadas - Centro Microdatos

More documents

Recommendations

Info

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 1 and 2:
Introducción a Seriesde Tiempo Uni
Page 3 and 4:
Introducción a Series de Tiempo Un
Page 5:
Page 8 and 9:
Page 10 and 11:
Page 12 and 13:
Page 14:
I. Formato de tiempo en STATAIntrod
Page 17 and 18:
Page 19 and 20:
Page 21 and 22:
40 60 80Introducción a Series de T
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:
Page 29 and 30:
Page 31 and 32:
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 49 and 50: 4 6 810 12Introducción a Series de
Page 51 and 52: El análogo muestral de la media es
Page 59 and 60: -0.500.00 0.50 1.00Introducción a
Page 61 and 62: -.20.2 .4 .6 .8Introducción a Seri
Page 67 and 68: -20000 -10000D.sa010000 20000Introd
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 81 and 82: 95Introducción a Series de Tiempo
Page 83: VI.5. Criterios de bondad de ajuste
Page 91 and 92: 50100 150 200Introducción a Series
Page 95 and 96: -0.40 -0.200.00 0.20 0.40 0.60Intro
Page 103: Introducción a Series de Tiempo Un
show all

IntroducciÃ³n a Series de Tiempo Univariadas - Centro Microdatos

Create successful ePaper yourself

Delete template?

Save as template?