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, 2010arima starts, arima(1,1,1) sarima(1,1,1,12)estimates store arima7arima starts, arima(1,1,1) sarima(2,1,2,12)estimates store arima8arima starts, arima(1,1,1) sarima(3,1,3,12)estimates store arima9estimates table arima7 arima8 arima9, stat(aic, bic) b(%7.3g) p(%4.3f)--------------------------------------------Variable | arima7 arima8 arima9-------------+------------------------------starts |_cons | .0129 .0129 .0128| 0.742 0.739 0.759-------------+------------------------------ARMA |ar |L1. | -.0366 -.016 -.00576| 0.765 0.899 0.965|ma |L1. | -.291 -.306 -.308| 0.011 0.009 0.012-------------+------------------------------ARMA12 |ar |L1. | .162 -.649 .855| 0.001 0.004 0.000L2. | .168 -1.05| 0.001 0.000L3. | .109| 0.060|ma |L1. | -.942 -.245 -1.64| 0.000 0.275 0.000L2. | -.857 1.59| 0.000 0.000L3. | -.863| 0.000-------------+------------------------------sigma |_cons | 10.8 10.2 10.7| 0.000 0.000 0.000-------------+------------------------------Statistics |aic | 4188 4190 4184bic | 4213 4224 4227--------------------------------------------legend: b/pSegún el criterio de información bayesiano nos debemos quedar con el modelo más parsimonioso,es decir, el modelo ARIMA(1,1,1) con componente estacional multiplicativo ARIMA(1,1,1).Ahora podemos utilizar este modelo para hacer predicción:90
50100 150 200Introducción a Series de Tiempo UnivariadasDecember 31, 2010arima starts, arima(1,1,1) sarima(1,1,1,12)predict multi, y dynamic(ym(2000,1))tsline multi aditiva starts if date>=ym(1990,1)1990m1 1995m1 2000m1 2005m1datey prediction, dyn(ym(2000,1))startsy prediction, dyn(ym(2000,1))En este caso en particular, las predicciones con estacionalidad multiplicativa y aditiva para elmodelo ARIMA son prácticamente iguales. Revisando los criterios de información del modelo conestacionalidad multiplicativa versus el modelo con estacionalidad aditiva, nos deberíamos quedarcon el modelo con ARIMA(1,1,1) con estacionalidad multiplicativa ARIMA(1,1,1).La sugerencia es siempre comenzar con estacionalidad multiplicativa, y sólo en caso que esta nologre ajustar bien los datos intentar con estacionalidad aditiva.VI.8 Modelos ARMAXHasta ahora hemos tratado de determinar el comportamiento de una serie de tiempo enfunción de valores pasados de la misma serie, y del término de error. Sin embargo, pueden haberotros factores medidos a través de otras variables que también ayuden y complementen la parteexplicara por el modelo ARIMA. Esto son los denominados modelos ARIMAX.91
- 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 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: Introducción a Series de Tiempo Un
- 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
50100 150 200Introducción a <strong>Series</strong> <strong>de</strong> <strong>Tiempo</strong> <strong>Univariadas</strong>December 31, 2010arima starts, arima(1,1,1) sarima(1,1,1,12)predict multi, y dynamic(ym(2000,1))tsline multi aditiva starts if date>=ym(1990,1)1990m1 1995m1 2000m1 2005m1datey prediction, dyn(ym(2000,1))startsy prediction, dyn(ym(2000,1))En este caso en particular, las predicciones con estacionalidad multiplicativa y aditiva para elmo<strong>de</strong>lo ARIMA son prácticamente iguales. Revisando los criterios <strong>de</strong> información <strong>de</strong>l mo<strong>de</strong>lo conestacionalidad multiplicativa versus el mo<strong>de</strong>lo con estacionalidad aditiva, nos <strong>de</strong>beríamos quedarcon el mo<strong>de</strong>lo con ARIMA(1,1,1) con estacionalidad multiplicativa ARIMA(1,1,1).La sugerencia es siempre comenzar con estacionalidad multiplicativa, y sólo en caso que esta nologre ajustar bien los datos intentar con estacionalidad aditiva.VI.8 Mo<strong>de</strong>los ARMAXHasta ahora hemos tratado <strong>de</strong> <strong>de</strong>terminar el comportamiento <strong>de</strong> una serie <strong>de</strong> tiempo enfunción <strong>de</strong> valores pasados <strong>de</strong> la misma serie, y <strong>de</strong>l término <strong>de</strong> error. Sin embargo, pue<strong>de</strong>n haberotros factores medidos a través <strong>de</strong> otras variables que también ayu<strong>de</strong>n y complementen la parteexplicara por el mo<strong>de</strong>lo ARIMA. Esto son los <strong>de</strong>nominados mo<strong>de</strong>los ARIMAX.91