Apuntes

Modelos de Series Temporales
Mara Cruz Valsero Blanco

Departamento de Estadstica e Investigacin Operativa
Universidad de Valladoli
Introduccin:
Una serie de tiempo o serie temporal es una coleccin de observaciones tomadas a
lo largo del tiempo. Las observaciones estn ordenadas respecto al tiempo y sucesivas
observaciones son generalmente dependientes. De hecho esta dependencia entre las
observaciones jugar un papel importante en el anlisis de la serie.
DenotaremosXt, a la observacin en el instante t.
Las series aparecen en diversos campos.
Economa
Precios de venta en das sucesivos.
Exportaciones totales en sucesivos aos.
Beneficios de una empresa en sucesivos aos
Fsica (Meteorologa, Geofsica, etc...)
Lluvias en sucesivos das.
Temperatura en sucesivas horas.
Presin atmosfrica en diversos das.
Demografa
Poblacin de Espaa medida anualmente.
Procesos de control
El problema consiste en detectar cambios en la ejecucin de un proceso de
manufactura. Para ello se considera una variable que nos muestra la calidad del proceso.
Esta medida se representa frente al tiempo y cuando se aleja de un determinado valor
lmite, entonces hemos de efectuar las correcciones oportunas sobre el proceso.
Procesos binarios
Son unas series temporales especiales, en las que las observaciones, slo toman dos
valores (que usualmente se representan por 0 y 1), suelen darse en teora de la
comunicacin. Por ejemplo la posicin de un enchufe, bien apagado o encendido puede ser
represetado como 0 y 1, respectivamente.
Clasificacin
Clasificamos las series atendiendo a distintos puntos de vista.
Segn la recogida de los datos tenemos:
Continua.
Una serie de tiempo es continua cuando las observaciones son tomadas
continuamente en el tiempo, aun cuando la variable medida slo tome un nmero de
valores finitos.
Discreta.
Una serie temporal es discreta cuando las observaciones son tomadas en tiempos
especficos, normalmente igualmente espaciados. stas sern las que nosotros
estudiaremos; se supondrn los datos en intervalos regulares de tiempo (horas, das, meses,
aos,..). El trmino discreto es usado aun cuando la variable medida sea continua. Las
series discretas pueden surgir de varias maneras:
Muestral.
Dada una serie de tipo continua es posible construir una serie de tipo
discreta, tomando los valores en intervalos de tiempo de igual longitud. Un ejemplo
de serie temporal de tipo continua es la temperatura en un lugar dado, considerando
la temperatura diaria a las tres de la tarde, obtenemos una serie temporal discreta
muestral.
Agregada o acumulada.
Este tipo de series ocurre cuando una variable no tiene valor en un instante
(slo tiene sentido en algunos instantes de tiempo) pero podemos acumular los
valores en intervalos de tiempo igualmente espaciados. Ejemplos: las lluvias
torrenciales, los accidentes de trfico mensualmente, el nmero de pasajeros
mensuales en las lneas areas espaolas. De hecho los accidentes de trfico
mensuales son una agregacin de sucesos discretos. Los valores tomados no se
observan en cada instante sino que se vanacumulando en intervalos de tiempo.
Inherentes o discretas
Las que realmente los datos se obtienen en momentos discretos. Por ejemplo
el salario mensual.
Teniendo en cuenta el nmero de variables que observamos en cada tiempo.
Series temporales univariantes
Cuando interviene una sola variable.
Series temporales multivariantes
Cuando intervienen varias variables.
El primer paso a llevar a cabo en cualquier anlisis de una serie de tiempo es
realizar la representacin grfica de la serie. En el eje horizontal se representa la escala del
tiempo, y en el eje vertical, los valores asignados a los tiempos. Es habitual observar que
los datos aparentemente fluctan a lo largo del tiempo en torno a algn patrn.
Desde un punto de vista formal, este hecho responde al concepto de proceso
estocstico, concepto matemtico que hay subyacente en una serie temporal.
La representacin grfica de una serie de tiempo es la representacin de una
trayectoria del proceso estocstico subyacente. En dicha representacin, podemos observar
las principales fuentes de variacin.
Descomposicin Clsica
Tradicionalmente se establecen cuatro tipos de variaciones: tendencia, efecto
estacional, cambios cclicos y otras variaciones que podemos llamar irregulares.
Efecto estacional:
Muchas series temporales tales como por ejemplo: cifras de ventas, lecturas de
temperatura, etc..., presentan una variacin que se va repitiendo a lo largo de la trayectoria.
Este tipo de variacin, con periodicidad,en general, menor o igual a un ao, se conoce con
el nombre de estacionalidad. Esta componente es debida al entorno en el que se recogen los
datos, ya que la mayoria de procesos varian segn la estacin del ao (navidad, verano etc)
o el da de la semana, horario diurno o nocturno etc. Es fcil de comprender y se puede
calcular, eliminar o modelar.
Cambios cclicos:
Adems de los efectos estacionales algunas series presentan variaciones sin perodo
fijo, debido a algunas otras causas fsicas. Un ejemplo es la variacin diaria de la
temperatura. Tambin se definen ciclos a las variaciones superiores a un ao, debidas
generalmente a las fluctuaciones de la actividad econmica y social. Muchas veces los
datos econmicos quedan afectados por ciclos de negocios variando entre 5 y 7 aos. En
Economa se suelen distinguir tres tipos de ciclos en cunto a su periodicidad: los cortos o
de Kintchine que tienen lugar ms o menos cada tres aos, los medios o de Jutglar cuyo
perodo oscila entre cinco y diez aos y los largos o de Kondratiev que aparecen cada
cuarenta o cincuenta aos. El anlisis de esta componente es dficil pues la duracin de los
ciclos puede no ser constante, razn por la cual cualquier variacin puede dar lugar a una
prediccin errnea.
Otros ciclos son debidos al propio modelo que rige el proceso en estudio.
Tendencia:
Debe recoger el movimiento de la serie a lo largo del tiempo, se puede definir por
tanto como la variacin a largo plazo, pero hemos de precisar lo que entendemos por a
largo plazo. Hay, por ejemplo, series de tiempo que presentan variaciones cclicas, en un
perodo de 50 aos o ms, entonces si disponemos de pocos datos se puede confundir las
variaciones cclicas con la tendencia, sin embargo si disponemos de datos suficientes esta
confusin no se dar. As pues al hablar de tendencia hay que tener en cuenta el nmero de
observaciones de las que se dispone.
Otras variaciones irregulares:
Una vez que la tendencia-ciclo y estacionalidad han sido analizados y eliminadas de
nuestros datos, nos quedamos con una serie de residuos, que pueden ser o no aleatorios.
Veremos varias tcnicas, para el anlisis de series de este tipo, con el objeto de ver si
algunas de las variaciones aparentemente irregulares, pueden ser explicadas en trmino de
modelos probabilsticos, tales como los modelos ARIMA que introduciremos ms adelante.
EJEMPLO: Nmero de desempleados mensuales en USA de enero de 1948 a diciembre

de 1978. (En unidades de 100.000)
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
Enero
235.1
299.5
464.8
264.9
225.8
213.2
356.1
366.9
306.6
320.6
446.4
467.8
411.9
533.5
462.1
462.7
451.8
394.1
324.4
315.9
307.4
287.5
340.6
541.4
544.7
467.5
500.8
818
817.4
784.8
689.7
Febrero
280.7
347.4
479.1
253.8
234
196.4
398.3
356.9
309.2
308.5
511.6
469.8
388.6
565.4
448.1
487
446.1
417.2
310.9
318.4
328.7
292.3
379.4
544.2
541.2
484.5
514
830.9
803.3
810.9
673.9
Marzo
264.6
338.3
431.3
232.3
200.2
182.8
403.7
329.7
309.5
282.2
515.5
429.8
416.4
542.3
432.3
444.2
422.5
369.9
299
295.4
292.9
274.7
373.3
517.5
521.5
451.2
475.5
835.9
752.5
755.6
647.9
Abril
240.7
327.7
366.5
193.8
183.6
176.4
384.6
316.2
271
262.7
506.4
355.8
360.7
488.7
386.3
399.3
383.1
349.2
273
266.4
249.1
254.2
355.2
469.4
469.7
417.4
430.1
782
689
656.8
568.8
Mayo
201.4
351.6
326.3
177
178.2
153.6
365.8
269
279.9
263.5
483.2
332.7
338
467.1
395.2
394.9
352.8
321.4
279.3
245.8
230.4
230
338.4
439.4
434.4
379.9
414.4
762.3
630.4
615.1
545.7
Junio
240.8
396.6
355.1
213.2
203.2
173.2
368.1
289.3
317.9
313.1
522.3
378
417.2
531.3
421.9
455.4
445.3
405.7
359.2
362.8
361.5
339
466.9
549
542.6
484.7
538
856.9
765.5
745.3
632.6
Julio
241.1
438.8
331.6
207.2
208.5
171
367.9
266.2
298.4
284.3
509.8
360.5
388.4
496.1
382.9
414
367.5
342.9
305
324.9
321.7
318.2
451
533
517.3
455
526
820.9
757.7
694.1
643.8
Agosto
223.8
395.6
261.3
180.6
191.8
151.2
347
253.6
246.7
252.6
460.7
334.7
371.1
444
384.2
375.5
355.1
316.5
282.1
294.2
277.2
287
422
506.1
485.7
420.8
488.5
769.6
732.2
675.7
593.1
Septiem
206.1
363.5
249
188.6
172.8
161.9
343.3
233.8
227.3
250.3
405.8
319.5
331.5
403.4
345.5
347
326.2
284.2
250.3
289.5
260.7
295.8
429.2
484
465.8
416.5
520.2
752.2
702.6
643.7
579.7
Octubr
174.7
378.8
205.5
175.4
148
157.2
292.9
228.4
209.1
246.5
375
323.1
353.7
386.3
323.4
339.4
319.8
270.9
246.5
295.2
251
284
425.9
457
447
376.3
504.4
724.4
683.3
622.1
546
Noviem
203.3
357
235.6
199
159.4
201.7
311.5
253.6
259.9
312.7
378.5
363.6
396.7
394.1
372.6
385.8
331.8
288.8
257.9
290.3
257.6
271
460.7
481.5
426.6
405.6
568.5
723.1
709.5
634.6
562.9
Diciem
220.5
369
240.9
179.6
154.5
236.4
300.9
260.1
266
333.2
406.8
352.1
447
404.1
376
378.8
340.9
278.8
266.5
272
241.8
262.7
463.6
469.5
411.6
405.8
610.6
719.5
702.2
588
572.5
Representacin grfica de la serie
Objetivos
Chatfield (1989) describe en su libro "The analysis of time series. An introduction'',
que los objetivos principales del anlisis de una serie temporal son describir, explicar,
predecir y controlar.
Descripcin.
Se trata de un estudio preliminar de la serie para analizar los tipos de variaciones y
ver cmo se comportan los datos. El primer paso, es representar los datos frente al tiempo,
lo cual nos dar una idea sobre las principales variaciones presentes en nuestra serie
temporal; y tener una primera idea sobre el modelo que podemos ajustar. Asimismo
podemos observar si existen tambin datos extraos, es decir, observaciones que no parecen
ser consistentes con el resto de los datos. El tratamiento de estas observaciones es muy
complejo y requiere tener cuidado, pues pueden ser observaciones vlidas y entonces es
importante que el modelo al que ajustemos las tenga en cuenta; o por el contrario, pueden
ser observaciones fuera de lugar, por ejemplo pensemos en errores a la hora de la toma de
la observacin. Otros rasgos que se pueden observar por medio del grfico son los puntos
de cambio, donde por ejemplo hay un cambio de tendencia, de una tendencia creciente se
pasa una tendencia decreciente. En estos casos se suele ajustar modelos diferentes a cada
una de las partes o efectuar un anlisis de intervencin.
Explicacin.
Construir un modelo para explicar el comportamiento de la serie de tiempo en
trminos de otras variables o de ella misma. Cuando las observaciones son tomadas para
dos o ms variables, es posible usar la variacin en una de las series temporales, para
explicar las variaciones en las otras. Esto nos conduce a un mayor conocimiento sobre la
serie dada. Los modelos de regresin dinmica y funcin de transferencia pueden ser tiles
en estos casos. Por ejemplo es interesante ver cmo el nivel del mar es afectado por la
temperatura y la presin, y ver como las ventas estn afectadas por los precios y las
condiciones econmicas.
Prediccin.
Dada una serie de tiempo, podemos estar interesados en la prediccin de futuros
valores de la serie. La prediccin est estrechamente relacionada con los problemas de
control, por ejemplo si podemos predecir que en un proceso de manufactura la variable que
mide la calidad va a estar muy desviada de un determinado valor lmite, entonces podemos
realizar correcciones oportunas para evitarlo.
La prediccin es uno de los objetivos de las series de tiempo. En general, los
mtodos de prediccin se pueden agrupar en mtodos cualitativos o cuantitativos.
Mtodos cualitativos
Los mtodos cualitativos o tambin conocidos como subjetivos, dependen de
la intuicin y no necesariamente dependen de las observaciones pasadas. A pesar de
su falta de rigor, en algunos casos pueden ser bastante apropiados e incluso el nico
mtodo de previsin. Como por ejemplo, en la aparicin de nuevos productos en el
mercado, si estamos interesados en las ventas de un nuevo producto, no se puede
recurrir al volumen de ventas en aos anteriores pues ste no exista. En este tipo de
mtodos podemos destacar el mtodo Delphi, la previsin est basada en la

utilizacin sistemtica e iterativa de juicios de opinin de un grupo de expertos
hasta llegar a un acuerdo.
Mtodos cuantitativos
En las previsiones de tipo cuantitativo, se parte del supuesto de que se tiene
registrada informacin sobre el pasado acerca del fenmeno que se quiere estudiar.
Generalmente, esta informacin sobre el pasado aparece en forma de series
temporales. En los mtodos cuantitativos, la misin del estadstico es extraer toda la
informacin posible contenida en los datos, y en base al patrn de conducta seguida
en el pasado hacer conjeturas en el futuro.
Los mtodos de alisado o suavizado
Se basan en separar el patrn de comportamiento de la serie de la
parte aleatoria.
Los mtodos de descomposicin
Tratan de identificar las componentes del patrn bsico de la serie,
normalmente la tendencia (Tt), la estacionalidad (St) y ciclos (Ct), de manera
que una serie de observaciones(X1,X2, ,Xn), se puede expresar como
Xt = f(Tt,St,Ct) +It
La componente irregular, It representa la parte aleatoria de la serie, es decir,
la parte no explicada por las otras componentes que en general se modela
mediante un proceso estoctico estacionario.
Para modelar el proceso estocstico en anlisis de series temporales,
comnmente, hay principalmente dos enfoques conocidos como anlisis en el
dominio del tiempo y anlisis en el dominio de la frecuencia.
El anlisis en el dominio del tiempo
Se basa en la estructura de la correlacin de los procesos estocsticos
estacionarios. Box y Jenkins (1970) desarrollaron una clase de modelos, los
modelos autorregresivos integrados de medias mviles (ARIMA) para tratar
de modelar y predecir series estacionarias o no estacionarias a las que se les
ha eliminado la tendencia y la estacionalidad.
Esta metodologa tambin puede aplicarse a series multivariantes
definiendo los modelos ARIMA vectoriales. Casos especiales de esta
metodologa son los modelos que relacionan una variable salida con una o
ms variables entradas (Box y Jenkins (1976)), conocidos como modelos de
funcin de transferencia o de regresin dinmica, y como caso particular es
el anlisis de intervencin.
Otro tipo de modelos son los modelos de espacio-estado para el
tratamiento de series temporales. Un modelo de espacio-estado est formado
por dos ecuaciones: una ecuacin de medida, que describe el estado del
proceso en el momento y una ecuacin de transicin que representa el vector
de estado en el momento t, en funcin del estado en t-1. Estos incluyen los
modelos de regresin tradicionales y los modelos ARIMA. Los modelos de
espacio-estado hacen uso del filtrado de Kalman para realizar estimaciones y
predicciones.
9
El anlisis de las series en el dominio de la frecuencia,

Est basado en el teorema de descomposicin espectral de un
proceso estacionario que nos asegura que la variabilidad de la serie es suma
de la variabilidad de ondas seno-coseno. Estas variaciones peridicas son
causadas a menudo por fenmenos biolgicos, fsicos o medioambientales
de inters. Por ejemplo, las temperaturas de la superficie del mar causadas
por las oscilaciones de El Nio puede afectar al nmero de peces en el
ocano (Shumway, R. H. and Stoffer, D. S. (2000), pg. 6). El estudio de la
periodicidad se extiende tambin al campo de la Economa y de las Ciencias
Sociales, donde uno puede estar interesado en periodicidades anuales en
series como las tasas de desempleados mensuales o nacimientos mensuales.
Los mtodos de regresin,
Se pueden considerar como un mtodo ms para realizar
predicciones de la variable dependiente en funcin de las independientes
(ver Shumway, R. H. and Stoffer, D. S. (2000), ejemplos: ventas trimestrales
de Johnson & Johnson y temperatura globales). En el caso de series
univariantes, regresiones de la serie Xt en funcin del ndice t pueden servir
para modelar sus componentes.
Control.
Cuando una serie de tiempo est generada con una medida que nos indica la calidad
de un proceso de manufactura, entonces el objetivo del anlisis de la serie de tiempo ha de
ser el control del proceso, mantener o cambiar distintos valores futuros de la serie, distintos
procedimientos de control se han estudiado.
Para predecir sucesos que ocurrirn en el futuro, un predictor debe confiar en la
informacin relativa a los sucesos que ocurrieron en el pasado. Esto es, para realizar una
prediccin, el predictor debe analizar los datos pasados y predecir en funcin de ese
anlisis.
10
En general el esquema seguido en el anlisis de series temporales ser
11
Mtodos de descomposicin
EJEMPLO: Los datos siguientes corresponden al nmero de muertos en accidentes
mensualmente en U.S.A. de 1973 a 1978 (fuente National Sadety Council)
1973
1974
1975
1976
1977
1978
Enero
9007
7750
8162
7717
7792
7836
Febrero
8106
6981
7306
7461
6957
6892
Marzo
8928
8038
8124
7776
7726
7791
Abril
9137
8422
7870
7925
8106
8129
Mayo
10017
8714
9387
8634
8890
9115
Junio
10826
9512
9556
8945
9299
9434
Julio
11317
10120
10093
10078
10625
10484
Agosto
10744
9823
9620
9179
9302
9827
Septiembre
9713
8743
8285
8037
8314
9110
Octubre
9938
9129
8433
8488
8850
9070
Noviembre
9161
8710
8160
7874
8265
8633
Diciembre
8927
8680
8034
8647
8796
9240
Serie nmero de muertos en accidentes mensualmente en USA1973-1978

11800
10800
serie
9800
8800
7800
6800
0
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
20
40
60
80
media mensual
8044.0
7283.83
8063.83
8264.83
9126.17
9595.33
10452.8
9749.17
8700.33
8984.67
8467.17
8720.67
12
Seasonal Subseries Plot for serie

11800
10800
serie
9800
8800
7800
6800
0
12
15
Season
Periodograma para la serie nmero de muertos en accidentes

(X 1.E7)
4
Ordinate
3
2
1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
frequency
Procedimiento para tendencias pequeas
Medias anuales
Ao
1973
1974
1975
Media
9651.75
8718.5
8585.83
1976
8396.75
1977
8576.83
1978
8796.7
5
Medias anuales de la serie nmero de muertos en accidentes

9800
media_anual
9500
9200
8900
8600
8300
0
20
Serie menos media anual correspondiente

1973
1974
40
1975
60
1976
80
1977
1978
13
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
-644.75
-1545.75
-723.75
-514.75
365.25
1174.25
1665.25
1092.25
61.25
286.25
-490.75
-724.75
-968.5
-1737.5
-680.5
-296.5
-4.5
793.5
1401.5
1104.5
24.5
410.5
-8.5
-38.5
-423.83
-1279.83
-461.83
-715.83
801.17
970.17
1507.17
1034.17
-300.83
-152.83
-425.83
-551.83
-679.75
-935.75
-620.75
-471.75
237.25
548.25
1681.25
782.25
-359.75
91.25
-522.75
250.25
-784.83
-1619.83
-850.83
-470.83
313.17
722.17
2048.17
725.17
-262.83
273.17
-311.83
219.17
-960.75
-1904.75
-1005.75
-667.75
318.25
637.25
1687.25
1030.25
313.25
273.25
-163.75
443.25
Serie - Medias anuales

(X 1000)
3
serie_mediaanual
2
1
0
-1
-2
0
20
40
60
80
Medias mensuales de los valores de la tabla anterior

Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Sj (componente estacional)
-743.735
-1503.9
-723.902
-522.902
338.432
807.598
1665.1
961.432
-87.4017
196.932
-320.568
-67.0683
14
Componente estacional
3000
2400
1800
1200
600
0
-600
-1200
-1800
-2400
1
10
11
12
Residuos: (serie menos media anual correspondiente menos la componente estacional)

1973
1974
1975
1976
1977
Enero
98.985
-224.765
319.905
63.985
-41.095
Febrero
-41.85
-233.6
224.07
568.15
-115.93
Marzo
0.152
43.402
262.072
103.152
-126.928
Abril
8.152
226.402
-192.928
51.152
52.072
Mayo
26.818
-342.932
462.738
-101.182
-25.262
Junio
366.652
-14.098
162.572
-259.348
-85.428
Julio
0.15
-263.6
-157.93
16.15
383.07
Agosto
130.818
143.068
72.738
-179.182
-236.262
Septiembre
148.6517
111.9017
-213.4283
-272.3483
-175.4283
Octubre
89.318
213.568
-349.762
-105.682
76.238
Noviembre
-170.182
312.068
-105.262
-202.182
8.738
Diciembre
-657.6817
28.5683
-484.7617
317.3183
286.2383
1978
-217.015
-400.85
-281.848
-144.848
-20.182
-170.348
22.15
68.818
400.6517
76.318
156.818
510.3183
residuos
800
400
0
-400
-800
0
20
40
60
80
Procedimiento general
15
La tendencia inicialmente la calculamos con la media mvil simtrica

mt
1 1
1
X t 6 X t 5 ... X t X t 1 ... X t 5 X t 6
12 2
2
1973
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
9599.38
9500.13
9416.17
9349.29
9265.21
9156.17
1974
9051.54
8963.29
8884.5
8810.38
8757.88
8728.79
8735.67
8766.38
8783.5
8764.08
8769.13
8799.0
1975
8799.71
8790.13
8762.58
8714.5
8662.58
8612.75
8567.29
8555.21
8547.17
8534.96
8505.88
8449.04
1976
8422.96
8403.96
8375.25
8367.21
8357.58
8371.21
8399.88
8382.0
8358.92
8364.38
8382.58
8408.0
1977
8445.54
8473.46
8490.13
8516.75
8548.13
8570.63
8578.67
8577.79
8577.79
8581.46
8591.79
8606.79
1978
8606.54
8622.54
8677.58
8719.92
8744.42
8778.25
Grfico de esta media mvil a lo largo de la serie

media mvil ( tendencia )
11800
10800
9800
8800
7800
6800
0
12
24
36
48
60
72
Comparmoslo con el procedimiento anterior

9800
9500
9200
8900
8600
8300
0
20
40
Si a la serie le restamos esta tendencia tendremos

1973
1974
1975
Enero
-1301.542
-637.708
60
1976
-705.958
80
1977
-653.542
1978
-770.542
16
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
1717.625
1243.875
296.833
588.708
-104.208
-229.167
-1982.292
-846.5
-388.375
-43.875
783.208
1384.333
1056.625
-40.5
364.917
-59.125
-119
-1484.125
-638.583
-844.5
724.417
943.25
1525.708
1064.792
-262.167
-101.958
-345.875
-415.042
-942.958
-599.25
-442.208
276.417
573.792
1678.125
797
-321.917
123.625
-508.583
239
-1516.458
-764.125
-410.75
341.875
728.375
2046.333
724.208
-263.792
268.542
-326.792
189.208
-1730.542
-886.583
-590.917
370.583
655.75
serie menos media mvil

2500
1500
500
-500
-1500
-2500
0
20
40
60
80
Medias mensuales de los valores de la tabla anterior y componente estacional

Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Medias mensuales
-813.858
-1531.28
-747.008
-535.35
333.883
736.875
1670.42
977.3
-118.308
248.767
-268.917
-67.0
Sj (componente estacional)
-804.304033
-1521.726033
-737.454033
-525.796033
343.436967
746.428967
1679.973967
986.853967
-108.754033
258.320967
-259.363033
-57.446033
17
componente estacional
3600
3000
2400
1800
1200
600
0
-600
-1200
-1800
-2400
1
10
11
12
Serie desestacionalizada Xt - St :
serie desestacionalizada
11800
10800
9800
8800
7800
6800
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
20
1973
9811.304
9627.726
9665.454
9662.796
9673.563
10079.57
9637.026
9757.146
9821.754
9679.679
9420.363
8984.446
1974
8554.304
8502.726
8775.454
8947.796
8370.563
8765.571
8440.026
8836.146
8851.754
8870.679
8969.363
8737.446
40
1975
8966.304
8827.726
8861.454
8395.796
9043.563
8809.571
8413.026
8633.146
8393.754
8174.679
8419.363
8091.446
60
1976
8521.304
8982.726
8513.454
8450.796
8290.563
8198.571
8398.026
8192.146
8145.754
8229.679
8133.363
8704.446
80
1977
8596.304
8478.726
8463.454
8631.796
8546.563
8552.571
8945.026
8315.146
8422.754
8591.679
8524.363
8853.446
1978
8640.304
8413.726
8528.454
8654.796
8771.563
8687.571
8804.026
8840.146
9218.754
8811.679
8892.363
9297.446
18
Mtodos de suavizado
Suavizado exponencial simple
.- Suprime las fluctuaciones a corto plazo y suaviza la serie.
.- Media ponderada de los valores previos con major peso para las observaciones
recientes.
.-No hay tendencia ni estacionalidad
Ft+1 = Yt + (1 )Ft, 0 < < 1.

As Ft+1 is la media ponderada de la observacin anterior Yt, con la prediccin
anterior Ft,
Iterando
t 1
Ft 1 (1 ) F1 (1 ) j Yt j
t
j 0
Es decir la dependencia de las predicciones con observaciones anteriores decrece

exponencialmente con velocidad . Cuanto mayor es ms deprisa decrece la
dependencia.
Si = 1, la predicin coincide con la ltima observacin . Si est prximo a 1,
entonces los valores recientes pesan ms
Si est prximo a 0 entonces valores remotos tienen un peso comparable a los ms
recientes. Est indicado cuando hay gran aleatoriedad en los datos.
El algoritmo necesita inicializarse F2 = Y1. Aunque otras inicializaciones son
posibles
Suavizado exponencial lineal de Holt

Es una extensin del suavizado exponencial.
.- Introduce un factor tendencia al mtodo anterior
.- Hay tendencia lineal pero no estacionalidad.
F(t) = L(t) + b(t)
F(t+m) = L(t) + m*b(t)
Hay 2 constantes de suavizado and .
Las ecuaciones son:
Lt Yt (1 )( Lt 1 bt 1 )
bt ( Lt Lt 1 ) (1 )bt 1
Ft m Lt bt m
Lt es un estimador de la media y bt estima la tendencia lineal de la serie en el instante t, y
Ft+m es la prediccin.
Las ecuaciones se inicializan
L1 = Y1 and b1 = 0.Sin embargo inicializar la pendiente a 0 puede dar problemas y
en ocasiones hay que tomar cuidadosamente un estimador inicial.
19
Mtodo de Holt-Winter
Es una extensin del mtodo anterior que tiene en cuenta la estacionalidad
.- Introduce tendencia y estacionalidad
F(t) = (L(t) + b(t))*S(t-12)
F(t+m) = (L(t) + m*b(t))*S(t-12+m)
Mtodo multiplicativo
Con ecuaciones
Lt
Yt
(1 )( Lt 1 bt 1 )
St s
bt ( Lt Lt 1 ) (1 )bt 1
St
Yt
(1 ) St s
Lt
Ft m Lt bt m St s m
Siendo s la estacionalidad o nmero de estaciones en un ciclo.
Para inicializar necesitamos un ciclo completo de datos, es decir los s
primeros valores.
1
Ls (Y1 Y2 ... Ys )
s
Para la tendencia s + k datos.
1 Y Y Y Y
Y Yk
bs s 1 1 s 2 2 ... s k
k
s
s
s
.
Si hay suficientes datos k = s, es decir dos ciclos completos.
Sin embargo podemos tomar k = 1.
Los ndices estacionales se inicializan
Sk
Yk
Ls
k 1, 2, ..., s
, , parmetros en (0, 1).

Mtodo aditivo
Lt (Yt St s ) (1 )( Lt 1 bt 1 )
bt ( Lt Lt 1 ) (1 )bt 1
St (Yt Lt ) (1 ) St s
Ft m Lt bt m St s m
Los valores iniciales Ls y bs se eligen como en el caso multiplicativo

Los ndices estacionales iniciales
S k Yk Ls
k 1, 2, ..., s .
20
Modelos de Box-Jenkins
Una caracterstica esencial de las series temporales es la dependencia que existe
entre las observaciones.
A comienzo de los aos 70, G.E.P. Box, profesor de Estadstica de la Universidad de
Wisconsin, y G.M. Jenkins, profesor de Ingeniera de Sistemas de la Universidad de
Lancaster, introdujeron una pequea revolucin en el enfoque del anlisis de series
temporales, en sus trabajos sobre el comportamiento de la contaminacin en la baha de San
Francisco, con el propsito de establecer mejores mecanismos de pronstico y control. El
libro (1976) en el que describen la metodologa, se convirti rpidamente en un clsico, y
sus procedimientos se utilizan ampliamente desde entonces en diferentes ramas de la
ciencia, conocindose como modelos ARIMA y tambin como modelos Box-Jenkins.
La metodologa de Box-Jenkins modela esta dependencia utilizando la teora
probabilstica suministrada por los procesos estocsticos estacionarios y la metodologa
estadstica suministrada por la teora de la estimacin y contraste de hiptesis.
Un proceso estocstico es una coleccin de variables indexadas por el tiempo
X (t ) tT
Un proceso es estacionario si su distribucin no varia a lo largo del tiempo.

Definicin. Proceso fuertemente estacionario.
Un proceso estocstico X (t ) tT , se dice, fuertemente estacionario si la familia de
distribuciones finito-dimensionales Ft t ...t permanece invariante frente al tiempo.
La distribucin finito-dimensional Ft1t 2 ...t n es la distribucin conjunta de las
1 2
variables aleatorias X (t1 ), X (t2 )... X (t n ) .

As Ft1t 2 ...t n A1... An P ( X (t1 ) A1... X (tn ) An )
A1... An
Y por permanecer invariante se verifica

Ft1t 2 ...t n Ft1h t 2 ...t n h t1...tn , h
en trminos de distribucin.
P X (t1 ) A1... X (tn ) An P X (t1 h) A1... X (tn h) An .
Las distribucines finito-dimensionales slo dependen de la posicin relativa de las
coordenadas entre s y no del instante del tiempo en que esten tomadas
En particular,
Todas las distribuciones unidimensionales son iguales, es decir, todas las
variables aleatorias X(t) estn igualmente distribuidas.
Para las distribuciones bidimensionales se verifica:
d
X (t1), X (t2 ) X (0), X (t2 t1)
Esta definicin es bastante restrictiva y daremos la siguiente definicin en trminos

de los momentos de primer y segundo orden.
Definicin. Proceso dbilmente estacionario
Un proceso estocstico X (t ) tT se dice dbilmente estacionario si posee primer y
segundo momento y verifica:
E X (t ) , t
Var X (t ) 2 , t
Cov X (t ), X (t s ) Cov X (0), X ( s ) K ( s )
21
A la funcin K que slo depende de un parmetro se la denomina funcin de

covarianza y es una funcin simtrica y semidefinida positiva.
t1 , t 2 ,...t n T
a1 , a 2 ,...a n T
a K (t
i 1 j 1
t j )a j 0
Los modelos de procesos estocsticos que utilizaremos para el modelado son :

Modelos autorregresivos AR(p) : Su expresin matemtica es
( X t ) 1 ( X t 1 ) 2 ( X t 2 ) ... p ( X t p ) Z t
Se pone cada observacin como combinacin lineal de observaciones

pasadas.
1, 2, ... p son nmeros reales , la media de la serie y Zt es una sucesin
de variables incorreladas.
Expresado en forma abreviada ( B)( X t ) Z t siendo (B) un
polinomio en B, donde B es el operador retardo definido B(Xt)=Xt-1
Las raices de (B) fuera del crculo unidad
Modelos de media mvil MA(q) : con expresin matemtica
( X t ) 1 Z t 1 2 Z t 2 ... p Z t p Z t
Cada observacin es combinacin lineal de errores pasados y presentes .

En forma abreviada ( X t ) ( B) Z t
Las raices de (B) fuera del crculo unidad
Modelos mixtos : ARMA(p,q)
( B )( X t ) ( B ) Z t .
Cada observacin es combinacin lineal de observaciones pasadas y de

errores pasados y presentes.
Las raices de (B) y de (B) fuera del crculo unidad
Las series temporales presentan variaciones que pueden ser debidas al propio
modelo o al medio en el que se tomaron las observaciones o a las dos causas. Para
tener en cuenta los factores externos se introducen los modelo estacionales. Estos
modelos tienen en cuenta que las series presentan variaciones peridicas regulares o
aleatorias debidas al transcurrir del tiempo y a la sucesin de las estaciones. (meses,
trimestres, etc.)
Modelos estacionales autorregresivos SAR(p) : Su expresin matemtica es
( X t ) 1 ( X t s ) 2 ( X t 2 s ) ... p ( X t ps ) Z t
Con s la longitud del periodo ( 12 con datos mensuales, 4 si son datos

trimestrales)
1, 2, ... p son nmeros reales , la media de la serie y Zt es una sucesin
de variables incorreladas.
Expresado en forma abreviada ( B s )( X t ) Z t
Siendo ( B s ) un polinomio en Bs y Bs es el operador retardo estacional
definido Bs(Xt)=Xt-s
22
Las raices de (Bs) fuera del crculo unidad

Modelos estacionales de media mvil SMA(q) : con expresin matemtica
( X t ) 1 Z t s 2 Z t 2 s ... p Z t ps Z t
s
En forma abreviada ( X t ) ( B ) Z t
Se pueden combinar los anteriores modelos para dar lugar a
Las raices de (Bs) fuera del crculo unidad
Modelos SARMA(p,q)(P,Q) multiplicativos con expresin matemtica

( B ) ( B s )( X t ) ( B)( B s ) Z t
Las raices de (Bs) y de (Bs) fuera del crculo unidad
Todos lo modelos anteriormente expuestos son modelos estacionarios en el
sentido amplio o dbilmente estacionarios, es decir, su media permanece constante a
lo largo del tiempo y la funcin de correlacin depende del retardo y no del
tiempo en el que se calcule es decir
E(Xt) = t
Corr(Xt, Xt+h) = corr(X0,Xh) = (h) t
Sin embargo las series temporales, adems de variaciones aleatorias, cclicas
y estacionales, presentan tendencia y componentes estacionales (la media vara a lo
largo del tiempo y de las estaciones) que hace que los procesos estacionarios
anteriormente citados no sean suficientes para su modelado. Por esta razn se
introducen los modelos integrados, mediante estos modelos retiramos la
componente tendencial y estacional.
Modelos SARIMA(p,d,q)(P,D,Q)s multiplicativos:
La expresin genrica del modelo es la siguiente:
( B ) ( B s )(Wt ) ( B )( B s ) Z t
Wt (1 B ) d (1 B s ) D X t = dsD(Xt)
Los operadores introducidos en la frmulas son:

Bs : operador de retardo estacional definido Bs(Xt) = Xt-s
= (1-B) operador diferencia regular
s = (1-Bs) operador diferencia estacional.
Los operadores diferencia y diferencia estacional, en general quitan
tendencias y componentes estacionales de la serie respectivamente.
Wt es la serie desestacionalizada y sin tendencia, es decir, es estacionaria.
Xt: serie observada
B: Operador de retardos
(B): Polinomio autorregresivo de orden p, correspondiente a la parte
ordinaria de la serie
(B): Polinomio de medias mviles de orden q, correspondiente a la parte
ordinaria de la serie
(Bs): Polinomio autorregresivo de orden P, correspondiente a la parte
estacional de la serie
23
(Bs): Polinomio de medias mviles de orden Q, correspondiente a la parte

estacional de la serie
:la media de la serie estacionaria
Zt: Perturbacin del modelo
D,d: Nmero de veces que se han aplicado los operadores diferencia
estacional y diferencia regular a la serie original para convertirla en estacionaria.
Las raices de (B) ,(Bs) , (B) y de (Bs) fuera del crculo unidad
Identificacin
Cmo identificamos el modelo?
Para identificar el modelo nos basamos ademas de la grfica de los datos frente al
tiempo, de las grficas de la funcin de autocorrelacin y funcin de autocorrelacin parcial
muestrales..
Estas grficas se comparan con las grficas de las correspondientes funciones
tericas que tiene una forma caracterstica para cada modelo.
Denotamos por
ACF la funcin de autocorrelacin. Esta funcin est definida en el retardo k como
(k) = Cov(xt, xt+h)/var(xt)
Mide la relacin lineal entre estas variables.
PACF la funcin de autocorrelacin parcial. En el retardo k mide la relacin lineal
entre Xt y Xt+k pero quitando la dependencia entre las variables intermedias.
En general
Modelos AR(p)
ACF decrece exponencialmente hacia o mediante ondas seno-coseno con
amplitudes decreciendo exponencialmente.
PACF se anula a partir del retardo p
Modelos MA(q)
ACF se anula a partir del retardo q
PACF decrece exponencialmente hacia o mediante ondas seno-coseno con
amplitudes decreciendo exponencialmente.
Modelos ARMA(p,q)
p<q
amplitudes decreciendo exponencialmente; como en el modelo AR(p) pero a
partir del retardo q-p+1, es decir que los primeros q-p+1 retardos no tienen
pauta fija.
amplitudes decreciendo exponencialmente, es decir como el modelo MA(q)
p>q
24

amplitudes decreciendo exponencialmente; como en el modelo AR(p)
amplitudes decreciendo exponencialmente, es decir como el modelo MA(q),
pero a partir del retardo p-q+1, es decir que los primeros p-q+1 retardos no
tienen pauta fija.
p=q
amplitudes decreciendo exponencialmente; como en el modelo AR(p) pero a
partir del retardo 1, es decir que el primer retardo no sigue este patrn
amplitudes decreciendo exponencialmente, es decir como el modelo MA(q),
pero a partir del retardo 1, es decir el primer retardo no varia segn este
patrn.
Modelos estacionales
En estos modelos hay que distinguir la parte regular, es decir los retardos
comprendidos entre los retardos estacionales y la parte estacional, es decir
los retardos estacionales.
Para la parte regular el comportamient de ACF y PACF como en los
modelos ARMA.
Para los retardos estacionales, la misma pauta que los modelos ARMA pero
en los retardos s, 2s,
Los retardos vecinos de los retardos estacionales, dependiendo del orden
ARMA de la parte regular tambin se ven afectados.A continuacin vemos
grficas de estas funciones
ACF
PACF
25
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-1.0
-0.8
0
12
18
24
30
-1.0
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
12
18
24
30
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
0
12
18
24
30
-1.0
1.0
1.0
0.8
0.8
0.6
0.6
0.4
12
18
24
30
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-1.0
0.0
-0.2
-1.0
-0.8
0
ACF
12
18
24
30
-1.0
12
18
24
PACF
26
30
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
12
18
24
-1.0
30
18
24
30
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
0
12
18
24
30
-1.0
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
0
12
18
24
30
-1.0
12
12
12
18
18
24
30
24
30
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
12
0.8
0.8
-1.0
1.0
1.0
-1.0
-1.0
ACF
12
18
24
30
18
24
30
PACF
27
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-1.0
-0.8
0
12
18
24
30
-1.0
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
12
18
24
30
-1.0
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
12
18
24
30
-1.0
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
12
18
24
30
12
18
24
30
12
18
24
30
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
-1.0
ACF
12
18
24
30
12
18
24
30
PACF
28
(0,1)(0,1)
(0,1)(1,1)
(0,1)(0,1)
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
12
24
36
48
60
-1.0
12
24
36
48
60
(0,2)(0,1)
29
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
12
24
36
48
-1.0
60
12
24
36
48
60
(0,0)(1,0)
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
12
24
36
48
60
-1.0
12
24
36
48
12
24
36
48
60
(0,0)(1,1)
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
-0.2
-0.4
-0.2
-0.6
-0.4
-0.8
-0.6
-1.0
12
24
36
48
60
-1.0
(2,0)(1,0)
0.5
0.4
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5
0
-0.8
12
24
36
48
60
60
0.5
0.4
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5
0
12
24
36
48
60
(o,1)(1,0)
30
Estimacin:
Una vez identificado el modelo, se estiman los parmetros con los mtodos
habituales.
validacin
Hay que verificar las hiptesis del modelo.
.- Todos los parmetros son significativos.
.-Los residuos estn incorrelados.
Se calcula para ello el estadstico de Ljung-Box:
Q1 = [N(N+2)]/(N-k) k r2a(h)
h=1
Bajo la hiptesis nula de que el modelo est bien ajustado, se distribuye
segn una chi cuadrado con grados de libertad k-p-q
(r1, r2, ..., rk) las correlaciones correspondientes a los k primeros retardos.
.- El modelo es estacionario.
Ejemplo
Serie Nmero de Parados registrados en Castilla y Len. El periodo estudiado comprende
datos desde enero de 1980 hasta mayo de 2001
Representacin grfica de la serie
paro total Castilla y Len
200000
180000
160000
140000
120000
100000
80000
60000
40000
20000
0
A la vista del grfico vemos que nuestra serie no es estacionaria, presenta una clara
tendencia que sigue los ciclos de la economa, tambin muestra componentes estacionales.
Este hecho tambin se pone de manifiesto en las grficas de las funciones de
autocorrelacin, autocorrelacin parcial y periodograma de la serie.
En la funcin de autocorrelacin observamos que hay un decrecimiento muy lento,
muy lejano del decrecimiento exponencial de los modelos estacionarios.
31
La grfica de la funcin de autocorrelacin parcial muestra una correlacin muy alta

en el retardo 1 y muy baja en los dems retardos , indicativo de la existencia de una
tendencia en la serie o variacin a largo plazo.
Por ltimo la grfica del periodograma muestra un pico muy pronunciado en las
bajas frecuencias que oculta cualquier otra variacin de los datos.
De estas tres grficas se deduce que la serie no es estacionaria y que las variaciones
a largo plazo o tendencia de la serie, ocultan la estructura de los datos. Por tanto
diferenciamos la serie de orden 1 para eliminar la tendencia.
Autocorrelacin para el paro en Castilla y Len
Autocorrelaciones
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
Autocorrelaciones Parciales
Autocorrelacin parcial paro de Castilla y Len

1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
0.4
0.5
lag
Periodograma Paro Castilla y Len

(X 1.E10)
12
10
8
6
4
2
0
0
0.1
0.2
0.3
frecuencia
A continuacin representamos las mismas grficas correspondientes a la serie

diferenciada. En la funcin de autocorrelacin se observa un comportamiento pseudoperidico de la serie con periodo 12 ya que los datos son mensuales.
32
As nos encontramos con una serie estacional. Si nos fijamos en los retardos
estacionales (12, 24, 36, 48) el decrecimiento de la correlacin puede o no puede ser
exponencial, necesitamos ms grficas para saber si la serie es estacionaria.
La funcin de autocorrelacin parcial no muestra falta de estacionariedad, ni el
retardo 1 ni el primer retardo estacional son demasiado grandes frente a los dems.
La grfica del periodograma muestra un pico muy pronunciado en la frecuencia 0.08
indicativo de estacionalidad de periodo 12 y otros picos menos pronunciados en los
armnicos siendo el siguiente en orden de magnitud el correspondiente a la frecuencia 0.25,
es decir periodo 4 indicativo de cierta periodicidad trimestral.
Tambin observamos un pico de menor magnitud en una frecuencia prxima a cero
indicativo de una variacin a largo plazo que todava persiste en la serie y que la aleja de la
estacionariedad.
La diferencia de orden 1 no ha sido suficiente para quitar la tendencia.
Autocorrelacin para el paro en Castilla y Len diferenciada de orden 1
Autocorrelaciones
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
Autocorrelacin parcial paro de Castilla y Len diferenciada de orden 1

1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
Periodograma Paro Castilla y Len diferenciada de orden 1

(X 1.E8)
8
6
4
2
0
0
0.1
0.2
0.3
0.4
0.5
frecuencia
Aplicamos una diferencia estacional a la serie para comprobar si esta operacin hace
a la serie estacionaria y analizamos nuevamente los grficos.
33
La funcin de autocorrelacin decrece muy lentamente. La funcin de

autocorrelacin parcial no muestra falta de estacionariedad, ni el retardo 1 ni el primer
retardo estacional son demasiado grandes frente a los dems y el periodograma sigue
mostrando un pico muy superior a todo lo dems en las bajas frecuencias.
Es decir esta operacin no nos convierte a la serie en estacionaria.
Autocorrelacin para el paro en Castilla y Len diferenciada de orden 12
Autocorrelaciones
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
Autocorrelacin parcial paro de Castilla y Len diferenciada de orden 12

1
0.6
0.2
-0.2
-0.6
-1
0
12
18
24
30
36
42
48
lag
Periodograma Paro Castilla y Len diferenciada de orden 12

(X 1.E9)
15
12
9
6
3
0
0
0.1
0.2
0.3
0.4
0.5
frecuencia
Por tanto procedemos a aplicar una diferencia regular y una diferencia estacional a
la serie original. Las tres grficas siguientes no muestran falta de estacionariedad, as
modelaremos esta serie.
Observamos en la funcin de autocorrelacin que los primeros retardos decrecen
exponencialmente, indicativo de un polinomio autorregresivo de orden 1 y slo hay un
retardo estacional que podamos considerar distinto de 0, indicativo de un polinomio de
media mvil estacional de orden 1.
34
La funcin de autocorrelacin parcial est de acuerdo con esta identificacin del

modelo ya que slo hay un retardo regular , el primero, que podamos considerar distinto de
0 y en los retardos estacionales (12, 24, 36, 48) se observa decrecimiento exponencial.
En el periodograma se pueden entrever 6 ondas de amplitudes decrecientes
indicativo de que nos encontramos ante un modelo estacional multiplicativo.
Autocorrelacin para el paro en Castilla y Len diferenciada de orden 1 y 12
Autocorrelaciones
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
Autocorrelacin parcial paro de Castilla y Len diferenciada de orden 1 y12

1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
Periodograma Paro Castilla y Len diferenciada de orden 1 y 12
(X 1.E7)
8
6
4
2
0
0
0.1
0.2
0.3
0.4
0.5
frecuencia
As hemos identificado un modelo SARIMA(1,1,0)(1,1,0)12 para la serie

diferenciada de orden 1 y 12 del paro total registrado durante el periodo comprendido entre
Enero de 1980 y Mayo de 2001.
ARIMA Procedure
Name of variable = CYL.
Period(s) of Differencing = 1,12.
Mean of working series = -93.3074
Standard deviation
= 1899.651
Number of observations =
244
NOTE: The first 13 observations were eliminated by differencing.
ARIMA Procedure
Maximum Likelihood Estimation
Parameter Estimate Std Error T Ratio Lag
AR1,1
0.43581
0.05765
7.56 1
35
AR2,1
-0.28994
0.06283
-4.61 12
Variance Estimate = 2727641.33
Std Error Estimate = 1651.55725
AIC
= 4311.52136
SBC
= 4318.5157
Number of Residuals=
244
Correlations of the Estimates
Parameter
AR1,1
AR2,1
AR1,1
1.000
-0.049
AR2,1
-0.049
1.000
Model for variable CYL
No mean term in this model.
Autoregressive Factors
Factor 1: 1 - 0.43581 B**(1)
Factor 2: 1 + 0.28994 B**(12)
ARIMA Procedure
Name of variable = RESIDUAL.
Standard deviation
= 1648.301
244
Autocorrelations
Lag Square DF Prob
6 12.13 6 0.059 -0.029 -0.006 0.114 0.141 -0.121 0.000
12 16.81 12 0.157 0.017 0.076 -0.068 -0.011 0.065 -0.057
18 19.06 18 0.388 -0.054 0.060 0.018 -0.042 -0.007 -0.001
24 33.17 24 0.101 -0.042 -0.045 -0.033 -0.020 0.008 -0.215
30 34.19 30 0.273 -0.012 -0.023 0.018 0.041 0.025 0.019
36 41.43 36 0.246 0.018 -0.046 0.007 0.037 -0.083 -0.120
Despus de realizar los ajustes, el modelo elegido y su expresin matemtica es la

siguiente:
(1 B )(1 B 12 )(1 0.43 B )(1 0.29 B 12 ) X t Z t
En forma ms expandida.
Para el incremento mensual
(Xt -Xt-1)=(Xt-12-Xt-13)+0.42(Xt-1-Xt-2)-0.3(Xt-12-Xt-13)-0.55(Xt-13-Xt-14)+
0.3(Xt-24-Xt-25)-0.13(Xt-25-Xt-26)+Zt
Para el incremento anual
(Xt -Xt-12)=(Xt-1-Xt-13)+0.42(Xt-1-Xt-13)-0.42(Xt-2-Xt-14)-0.3(Xt-12-Xt-24)+
0.17(Xt-13-Xt-25)+0.13(Xt-14-Xt-26)+Zt
As vemos que el incremento del nmero de parados en un mes determinado
depende positivamente
-Del incremento del nmero de parados en el mes anterior (0.42)
-Del incremento del nmero de parados del mismo mes del ao anterior (0.7)
- Del incremento del nmero de parados del mismo mes de dos aos anteriores
(0.3)
Depende negativamente
-Del incremento del paro un mes anterior del ao anterior (0.55)
-Del incremento del paro un mes anterior de dos aos antes (0.13)
El incremento anual del nmero de varones parados crece
-Con el incremento anual del mes anterior (1.42)
-Con el incremento anual del mes anterior del ao anterior (0.17)
-Con el incremento anual de dos meses anteriores del ao anterior.(0.17)
36
Decrece
-Con el incremento anual de dos meses anteriores (0.42)
-Con el incremento anual del ao anterior (0.3)
Paro total en la comunidad
/*Lectura de Datos: */
libname d 'c:\juntas\salidas';
data d.datos;
infile 'c:\juntas\ paro registrado total\paro registrado.txt' dlm='09'x;
input Av Bu CyL Le Pa Sa Se So Va Za;
date= intnx('month','31dec79'd,_n_);
format date monyy.;
run;
/*******************************/
/*Identificacin de las series:*/
/*******************************/
/*Serie de la provincia de vila: */
title1 'Paro registrado en vila';
title2 '( Enero 1980 - Mayo 2001 )';
/*modelo SARIMA(0,1,1)(1,1,1)12 */
PROC ARIMA data= d.datos;
IDENTIFY var=Av(1,12) nlag=36 ;
ESTIMATE q=(1)(12) noconstant
method=ml
plot outcorr
outest=resul.test
outstat=resul.stat
outmodel=resul.model;
FORECAST out=b id=date interval=month noprint;
run;
PROC ARIMA data=b;
IDENTIFY var=residual nlag=36;
run;
Anlisis de intervenciny funcin de transferencia

Las series temporales a menudo se ven afectadas por cambios en el entorno donde
se producen. Estos cambios afectan a la evolucin de la serie y deben ser incorporados al
modelo. Estos modelos se denominan modelos con intervencin.
37
La intervencin se define mediante una variable escaln

si t t* siendo t* el momento en el que se produjo la intervencin
=0
si t < t*
It*(t) = 1
Los efectos de la intervencin pueden ser permanentes o transitorios.

Los efectos son permanentes si la intervencin permanece desde el
momento en que se produjo
Son transitorios si el efecto solo dura mientras se produce la intervencin.
En este caso la intervencin tiene la forma (1-B) It*.
Una vez identificado el instante en el que se produce la intervencin, sta la
modelamos como una funcin de It*, cociente de dos polinomios
f(It*) = (W(B)/ It* en caso de efectos permanentes
f(It*) = (W(B)/ (1-B)It* para efectos transitorios.
El polinomio de numerador refleja el cambio en la serie postintervenida. El
polinomio del denominador indica la velocidad a la que la serie se aproxima al proceso
estacionario postintervenido. Generalmente un grado 0 1 del polinomio numerador y un
grado 1 del denominador son suficientes para modelar la mayora de las intervenciones.
Efectos permanentes
Instantneo:
Efectos transitorios
f(It*) = w0 It* w0 = 1
1,2
1
0,8
0,6
0,4
0,2
0
f(It*) = w0(1- It* w0 = 1

1
0,8
0,6
0,4
0,2
11
13
Efectos permanentes
Gradual f(It*) = (w0/1- It* w0=1
13
11
Efectos transitorios
f(It*) = (w0/1- It*
38
0,5
1,5
0,4
0,3
13
11
13
11
0
1
0,1
0,2
0,5
El modelo completo se escribe

Yt = f(It*) + Nt
Siendo f la funcin que modela la intervencin y Nt un modelo estacionario.
Para construir el modelo, se parte de un modelo anterior para la serie Yt que nos
servir para identificar el ruido Nt y la funcin f se construye pensando en los posibles
efectos de la intervencin, bien por el conocimiento previo o por el comportamiento de los
datos.
Funcin de transferencia
Los modelos vistos hasta ahora son modelos univariantes. Se modela la serie como
un filtro, es decir como una combinacin lineal de valores pasados y presentes.
Ahora veremos un modelo que relaciona una serie con sus valores pasados y
presentes y con los valores pasados y presentes de otra serie.
Sean Xt e Yt dos series temporales estacionarias.
Xt representa el input o variable causa
Yt el output o variable respuesta.
Nt es un ruido incorrelado con la serie input Xt que ser modelado como
ARMA.
El modelo final se expresa
Yt = vj Xt-j + Nt
El operador V(B) = vj Bj se llama funcin de transferencia
Los pesos vi son los pesos impulso-respuesta del sistema.
Si los parmetros v0 = v1 = . . . = vb-1, entonces las variaciones en el input se
manifiestan en el output b retardos despus.
En la formulacin del modelo, se supone que el presente y el pasado del input
influyen en el presente del output, pero no al revs, es decir, no existe retroalimentacin o
feed-back.
La correlacin entre Yt y Xt+k es 0. Los valores futuros de X no dependen de
los valores pasados y presentes de Y.
39
La correlacin entre Xt y Yt+k es distinta de 0. Los valores futuros de Y

dependen de los valores pasados y presentes de X.
Los modelos de funcin de transferencia se diferencian de los modelos de regresin
principalmente en:
Permiten que los errores estn correlados.
La relacin entre el regresor y la variable independiente es una relacin
dinmica output-input.
Tanto la variable dependiente como la independiente presentan
autocorrelacin.
Nos limitaremos a modelos en los que
vj Bj < Si |B| 1, es decir cambios finitos
en el input producen cambios finitos en el output. Esto asegura la estacionalidad del output.
V(1) = vj = g < .
A g se le denomina ganancia del sistema y representa el valor del output si el input
es constante e igual a 1 y no hay perturbacin.
El modelo presenta un problema y es que tiene infinitos parmetros, una
alternativa sera truncar el polinomio V(B), es decir, Yt = v0 Xt + v1 Xt-1 + ... + vh Xt-h + Nt.
Donde h se elige de forma que el efecto de los retardos posteriores a h sea
despreciable, sin embargo es una decisin difcil y puede evitarse poniendo V(B) como
cociente de dos polinomios.
V(B)= W(B) Bb/ (B)
W(B) = w0 + w1B + ... + ws Bs
(B) = 1- 1B - 2 B2 - ... - r Br
De esta forma se reduce el nmero de parmetros y el modelo es
Yt = [W(B) Bb/ (B)] Xt + Nt
Si no existe perturbacin, es decir Nt = 0 el modelo sera
( 1 - 1B - 2 B2 - ... - r Br) Yt = (w0 + w1B + ... + ws Bs)Bb Xt
Expresin anloga a la de un modelo ARMA(r, s). Es decir un modelo ARMA es un
caso particular de un modelo dinmico de funcin de transferencia en el que el input es un
ruido blanco, no existe perturbacin y la funcin de transferencia es el cociente de dos
polinomios correspondientes a la parte de media mvil el numerador y a la parte
autorregresiva el denominador. As las condiciones de estacionaridad e invertibilidad para
la funcin de transferencia son las mismas que para los modelos ARMA, es decir, las races
de los polinomios W(B) y (B) fuera del crculo unidad.
Identificacin
40
Necesitamos calcular los rdenes de los polinomios W(B) y (B) y el retardo b

Para ello, calculamos los pesos vi impulso-respuesta en funcin de los coeficientes
de los polinomios numerador y denominador.
V(B)= W(B) Bb/ (B) multiplicando ambas partes de la igualdad por (B)
(B) V(B)= W(B) Bb Desarrollando
( 1- 1B - 2 B2 - ... - r Br)( v0 + v1B + ...) = (w0 + w1B + ... + ws Bs)Bb
Igualando coeficientes
v0 = v1 = ... = vb-1 = 0
vb = 1 vb-1 + 2 vb-2 + ... + r vb-r + w0
vj = 1 vj-1 + 2 vj-2 + + r vj-r + wj-b
vj = 1 vj-1 + 2 vj-2 + ... + r vj-r
j = b+1, ...b+s
j> b + s
Estas relaciones hay que tenerlas presentes ya que son muy tiles para identificar la
funcin de transferencia, lo que es equivalente a identificar
b, retardo a partir del cual una variacin en el input se refleja en el output
s, orden del polinomio del numerador.
r, orden del polinomio del denominador.
En las ecuaciones que verifican los coeficientes se observa
- los b-1 primeros coeficientes son 0 v0 = v1 = ... = vb-1 = 0
- los siguientes s+1 no siguen ninguna pauta fija vb vb+1 ... vb+s
- a partir del coeficiente s+b+1 los vk verifican una ecuacin en diferencias
anloga a la que verifica la funcin de autocorrelacin de un modelo AR(r), es decir
decrecimiento suma de exponenciales y ondas seno coseno.
Para identificar la funcin de transferencia es importante una estimacin inicial de
los pesos vj. Para ello necesitaremos la funcin de autocorrelacin cruzada ya que como
veremos los vk son proporcionales a ella. Antes daremos algunas definiciones.
Definicin:
Un proceso estocstico bivariante (Xt, Yt) se dice que es estacionario en el sentido
amplio si
Cada componente Xt Yt es estacionario. La funcin de autocovarianza solo depende
del retardo que separa las variables y no del tiempo en que se mide.
KX(h) = cov(Xt, Xt+h)
KY(h) = cov(Yt, Yt+h)
h = 0 , 1, 2, . . .
La funcin de covarianza cruzada entre las dos series solo depende del retardo que
las separa.
41
KX,Y (h) = cov(Xt, Yt+h) h = 0 , 1, 2, . . .

Notar que la funcin de covarianza cruzada no es una funcin par y verifica la
relacin
KX,Y (h) = KY,X (-h).
Se define la funcin de autocorrelacin cruzada por la relacin
X,Y (h) = KX,Y (h)/X Y
h = 0 , 1, 2, . . .
Si tenemos una muestra de tamao N de una serie bivariante, los estimadores de la
correlacin cruzada son los habituales
rX,Y (h) = CX,Y (h)/sX sY
h = 0 , 1, 2, . . .
(1/N) N-h Xt Yt+h h = 0, 1, 2, ...
t=1
CX,Y (h) =
(1/N) N-h Xt+h Yt
h = 0, -1, -2, ...
t=1
En general las varianzas y covarianzas de estos estimadores son difciles de calcular. En
algunos casos especiales disponemos de aproximaciones.
- Si Xt es ruido blanco e Yt y Xt son incorreladas la aproximacin de Barlett (1955)
da como resultado
Var [rX,Y (h)] (N-h)-1
Corr [rX,Y (h), rX,Y (h+1)] Y(1).
Es decir, aunque los procesos sean incorrelados, los estimadores de la funcin de
correlacin cruzada estn correlados y reproducen la autocorrelacin del output en
el primer retardo.
- Si Xt e Yt son los dos ruido blanco y estn incorrelados entonces
Var [rX,Y (h)] (N-h)-1
Corr [rX,Y (h), rX,Y (h+1)] 0.
Por analoga con los modelos ARMA, se puede intentar identificar la funcin de
transferencia a partir de las correlaciones cruzadas muestrales, pero las propiedades
muestrales no son fciles de establecer, al estar estos estimadores correlados. Los clculos
se simplificaran sobremanera si el input fuera un ruido blanco, ya que en este caso
disponemos de la aproximacin de Barlett. Por lo que vamos a utilizar la tcnica de
preblanqueo para conseguirlo.
Tcnica de preblanqueo:
42
Se realiza en dos etapas

1. - Ajustamos un modelo ARMA a la serie input Xt X(B) Xt = X(B)t.
La serie t de los residuos es un ruido blanco t = X(B) -1X(B) Xt
2. - Aplicamos el mismo filtro a la serie output t = X(B) -1X(B) Xt
La correlacin cruzada entre t y t juega un papel importante a la hora de
identificar la funcin de transferencia como se ve a continuacin despus de establecer los
resultados
Las funciones de transferencia que relacionan Yt con Xt y t con t son iguales.
Sea el modelo Yt = V(B) Xt + Nt con Y, X y N procesos estacionarios.
Aplicando el filtro X(B) -1X(B) a ambos lados de la igualdad anterior
t = V(B) t + t con t = X(B) -1X(B) Nt
La funcin de covarianza cruzada entre y es proporcional a V(B)
Calculemos esta covarianza cruzada
Cov(t , t+h) = E(t t+h) = E[t ( V(B) t+h + t+h] =
v0 E(t, t+h) + v1 E(t, t+h-1) + . . . + vh E(t, t) + ... + E(t, t+h) = vh 2
ya que t es ruido blanco y est incorrelado con t.
Despejando
vh = K, (h) / 2 = ( / )( K, (h) / ) = ( / ) (h) h = 0,1,2,
Con lo que vh es proporcional a la correlacin cruzada entre el input y el output
preblanqueados en el retardo h.
Identificacin de los rdenes b, s y r
vh puede ser estimada por (s / s) r(h). Estos estimadores en general son
no eficientes, pero sirven de base para una primera modelacin de la funcin de
transferencia.
Mediante la aproximacin de Barlett podemos comparar r(h) con su
desviacin tpica (N-h)-1/2. Tambin hay que comprobar que r (h) = 0 si h < 0, es
decir que no hay retroalimentacin.
b es el primer retardo positivo tal que r(h) 0.
Los rdenes s y r de los polinomios W(B) y (B) se pueden determinar por la
forma de la funcin de correlacin cruzada entre y a partir del retardo b, ya que
r, (b) . . . r (b+s) no presentan ninguna pauta de comportamiento
A partir del retardo b+s r(h) se comporta como la funcin de
autocorrelacin de un modelo AR(r).
43
Identificacin del modelo para Nt.

Una vez elegidos los ordenes b, r y s, la funcin de transferencia se estima
V (B)
W b
y se calculan los residuos
N t Yt - V (B)X t Yt W b
Nt
es un proceso estacionario y por los mtodos habituales de
identificacin, identificamos un modelo ARMA(p, q) para N t
N (B) N t = N(B)at
con at ruido blanco.
Finalmente el modelo identificado es

Yt = [W(B)/(B)]Bb Xt + [N(B)/ N (B)]at o tambin
(B) N Yt = W(B) N (B) Xt-b + (B) N(B) at que en forma desarrollada
Yt = d1 Yt-1 + . . . +dp+r Yt-r-p + c0 Xt-b + c1 Xt-b-1 +... + cp+sXt-b-p-s + at + b1 at-1 +... + bq+r a t-q-r
Aqu finaliza la etapa de identificacin que nos da un modelo base que debe ser
estimado. El modelo identificado puede ser modificado para eliminar parmetros superfluos
una vez superada la etapa de estimacin.
El orden de los polinomios en general no ser muy grande (2 suele ser suficiente) y
si encontramos factores comunes, deben ser simplificados ya que en caso contrario, los
resultados serian errneos.
Estimacin
Los mtodos de estimacin son los mismos que en las series univariantes.
Si W(B) y (B) son polinomios de orden 0, se obtienen estimadores mnimo
cuadrados con expresin exacta, en caso contrario los estimadores se obtienen por
aproximaciones sucesivas.
Debemos estimar los coeficientes de los polinomios (B) W(B) N(B) N(B).
Sea el parmetro a estimar = ( , W , N, N).
Para cualquier eleccin de b se pueden calcular los errores at a partir de t > m
siendo m = max ( p+r, b+p+s ) + 1 mediante la expresin
(B) N Yt = W(B) N (B) Xt-b + (B) N(B) at que en forma desarrollada
at = Yt - d1 Yt-1 - . . . -dp+r Yt-r-p - c0 Xt-b - c1 Xt-b-1 -... - cp+sXt-b-p-s - b1 at-1 -... - bq+r a t-q-r
nos permite calcular la suma de los cuadrados de los residuos.
Si suponemos a0 = a1 = . . . = am = 0 obtenemos mnimos cuadrados condicionados.
44
Si estimamos por el mtodo de mxima verosimilitud y suponemos normalidad,

como los residuos at son incorrelados tambin sern independientes.
L(,2/X, Y) -n exp[(-1/2)2 N at2()].
t=m+1
La verosimilitud se aproxima por la suma de cuadrados de los residuos, que hay que
minimizar.
Validacin
Es la etapa siguiente a la estimacin. El modelo ajustado puede no ser vlido por
.- El modelo para el ruido Nt no es el adecuado.
En este caso los residuos son correlados y a(h) 0 para algn h > 0,
Pero como la funcin de transferencia est bien ajustada, el input
preblanqueado y los residuos estn incorrelados, es decir, ,a (h) = 0 h.
En este supuesto hay que buscar un nuevo modelo para el ruido, sin
modificar la funcin de transferencia.
.- El modelo para la funcin de transferencia no es el adecuado.
El input preblanqueado y los residuos estn correlados, es decir
,a (h) 0 para algn h. En este caso hay que modificar la funcin de
transferencia lo que llevar consigo tambin una modificacin del modelo
para el ruido o perturbacin.
.- Ninguno de los dos modelos es adecuado.
Este caso se comporta como el anterior.
A continuacin vamos a probar estas afirmaciones.
Supongamos el modelo
Yt = -1(B)W(B) Xt-b + N-1 (B) N(B) at = V(B) Xt + (B) at
y que hemos seleccionado el modelo
Yt = V0(B) Xt + 0(B) a0t
Despejando
aot = 0-1(B) [Yt - V0(B)Xt] = 0-1(B) [V(B) - V0(B)]Xt + 0-1(B) (B) at.
Si la funcin de transferencia es correcta
aot = 0-1(B) (B) at.
{a0t} no es un ruido blanco, presenta autocorrelacin a0(h) 0 para algn h
Pero {a0t} y {t}son incorrelados ya que {t} y {at} lo son.
45
Si la funcin de transferencia no es correcta

{a0t} presenta correlacin cruzada con la serie {Xt}
por tanto tambin presenta autocorrelacin y correlacin con la serie {t}, es
decir, ,a0 (h) 0 para algn h.
Independientemente de s el modelo para la perturbacin est bien o mal modelado,
el clculo de la correlacin cruzada de los residuos, resultado del ajuste de la funcin de
transferencia, con el input preblanqueado puede informarnos acerca de los cambios que hay
que hacer en la funcin de transferencia.
Consideremos el modelo preblanqueado
t = V(B) t + t con t = X(B) -1X(B) Nt ,
Los residuos del modelo errneo son
t = X(B) -1X(B) Xt
0t = t - V0(B) t = (V(B) -V0(B)) t + t

Ahora calculamos la correlacin cruzada entre 0t y t.
Esta correlacin en el retardo h mide la discrepancia que existe entre vh y v0h
E(t 0t+h) = E{t [(V(B) -V0(B)) t+h + t+h]} =
(vh-vh0) E(t2) + E(t t+h) = (vh-vh0) E(t2)
por estar las series t y t incorreladas. Despejando
(vh-vh0) = (h) ()
Es decir una correlacin cruzada alta en un retardo entre el ruido y el input
preblanqueado es debido a una diferencia grande entre el valor de la funcin impulso
respuesta estimada y la real en ese mismo retardo.
En resumen para la validacin del modelo utilizaremos las pruebas de correlacin
.- Autocorrelacin de los residuos.
Si esta funcin da seales de que los residuos no son aleatorios, esto puede
ser debido a que la funcin de transferencia no es correcta, o a que la perturbacin
est mal modelada, o las dos causas a la vez.
. - Correlacin cruzada entre el input preblanqueado y los residuos.
Si la correlacin cruzada entre el input preblanqueado y los residuos es
distinta de cero para algn retardo, hay que modificar la funcin de transferencia.
Si la correlacin cruzada no da muestras de que el error est en la funcin de
transferencia, si los residuos siguen presentando autocorrelacin hay que modificar
el modelo para el ruido.
Es necesario comprobar las dos funciones de correlacin.
Debido a que las autocorrelaciones y las correlaciones cruzadas estn correladas
entre s, el comprobar que estos valores son 0, puede llevar a errores, sobre todo en los
retardos bajos. Por esta razn se utilizan los estadsticos
46
Q1 = [N(N+2)]/(N-k) k r2a(h)
h=1
r a(h) es la autocorrelacin en el retardo h de los residuos
2
Q2 = [N(N+2)]/(N-k) k r2 ,a(h)
h=1
r , a(h) correlacin cruzada en el retardo h del input preblanqueado y los residuos
Bajo la hiptesis nula de que el modelo est bien ajustado, estos estadsticos se
distribuyen segn una chi cuadrado con grados de libertad k-p-q y k-r-s respectivamente.
Siendo p y q los ordenes autorregresivo y de media mvil de la perturbacin y r y s
los ordenes del numerador y denominador de la funcin de transferencia.
Necesitamos los dos estadsticos para asegurarnos de la bondad del modelo. Estos
dos estadsticos son muy conservadores, por lo que adems es conveniente estudiar la
aleatoriedad de los residuos at por los mtodos habituales.
2
Prediccin
Las tcnicas utilizadas para la prediccin son las mismas que en el caso univariante.
Partiendo del modelo ajustado
Yt = -1(B)W(B) BbXt + N-1 (B) N(B) at .
Dejando libre el error obtenemos
N (B) N-1(B)Yt = N(B) N-1(B) -1(B)W(B)Bb Xt + at.
Desarrollando ambos miembros
N (B) N-1(B) = 1-1B-2B2 - . . .
N(B) N-1(B) -1(B)W(B)Bb = v0* + v1*B + v2*B2 + ...
De donde
Yt = (1Yt-1 + 2Yt-2 + ... ) + (v0*Xt + v1*Xt-1 + v2*Xt-2 + ... ) + at.
Ecuacin que puede ser usada para obtener la prediccin de Y N+s como combinacin
lineal de valores pasados de Xt e Yt hasta el instante N, de forma que el error cuadrtico
medio sea mnimo.
En caso de normalidad YN(s) = E(YN+s/ YN, YN-1,... XN, XN-1 ,...).
Tambin puede ponerse la prediccin como combinacin lineal de los errores y del
input preblanqueado, ya que por ser estas series ruido blanco e incorreladas entre s, nos
facilitar el clculo de la varianza del error de prediccin.
47
Errores de prediccin
Partiendo de la misma ecuacin Yt = -1(B)W(B) BbXt + N-1 (B) N(B) at
como Xt = X-1 (B) X(B) t llegamos a la ecuacin
Yt = -1(B)W(B) Bb X-1 (B) X(B) t + N-1 (B) N(B) at = u(B) t + (B) at
Con u(B) = -1(B)W(B) Bb X-1 (B) X(B)
(B) = N-1 (B) N(B)
Que desarrollada da lugar a
YN+s = u0 N+s + u1 N+s-1 + . . . + us N + . . . + aN+s + 1aN+s-1 + . . . + saN + . . .
Si expresamos la prediccin de la forma
YN(s) = (0(1) aN + 1(1) aN-1 + . . . ) + (0(2) N + 1(2) N-1 + . . . )
Elegiremos los i(j) de forma que el error cuadrtico E(|YN+s - YN(s)|2 )sea mnimo.
E(|YN+s - YN(s)|2 ) =
E{( u0 N+s + u1 N+s-1 + . . . + us-1 N+l + aN+s + 1aN+s-1 + . . . + s-1aN )+
[(us-0(2))N + (us-1-1(2))N-1 + . . . ] +[(s-0(1))aN + (s-1-1(1))aN-1 + . . . ]}2
El mnimo de esta funcin se alcanza para
0(2)= us ,
1(2) = us-1 , . . . 0(1) = s , 1(1) = s-1, ...
El valor de la prediccin es
YN(s) = (us N + us+1 N-1 + . . . ) + ( saN + s+1aN-1 + . . .)
Con error de prediccin
eN(s) = u0 N+s + u1 N+s-1 + . . . + us-1 N+l + aN+s + 1aN+s-1 + . . . + s-1aN+1
y varianza del error de prediccin
V(eN(s)) = ( u02 + u12 + . . . + us-12 ) + (1 + 12+ . . . + s-12 ) 2a
48
Sentencias SAS para intervencin y funcin de transferencia

intervenciones parados total
data enero80;
infile "datosluis\transfer\enero80.txt" dlm='09'x firstobs=2;
input ano mes $ total sinemple servicio agric indtotal x2;
format date monyy.;
year = year( date );
month =month( date );
x1 = (year >= 1987);
proc print;
run;
Proc arima data=enero80;
Identify var=total(1,12) crosscorr=( x1(1,12) x2(1,12)) nlag=36 noprint;
estimate p=(1)(12) noconstant input=( (0)/(1)x2 ) method=ml outcov outcorr;
forecast lead=12 out=prueba id=date noprint;
run;
proc gplot data=prueba gout=prueba2;
plot residual*date;
run;
title2 'residuos';
Proc arima data=prueba;
Identify var=residual nlag=36;
run;
title2;
Transferencia mujeres paradas
libname i 'c:\dataluis\ipc';
title1 'IPC paro';
data i.paroipc;
infile "datosluis\paroipc2.txt" dlm='09'x firstobs=2;
input ipc totalpar hombres mujeres;
/* date= intnx('month','31dec77'd,_n_); */
/* format date monyy.; */
proc print;
run;
proc arima data=i.paroipc;
/*--- identifica el input---------*/
identify var=ipc(1,12) nlags=48;
run;
/*--- ajusta el input --------*/
estimate q=(12) noconstant;
run;
/*--- correlacin cruzada entre el input y el output preblanqueados */
identify var=mujeres(1,12) crosscorr=(ipc(1,12)) nlags=48;
run;
49
/*--- ajusta function transferencia,identifica residuos */

estimate noconstant input=( (0)/(1) ipc ) ;
forecast lead=12 out=prueba id=date noprint;
proc arima data=prueba;
identify var=residual nlag=36;
run;
/*--- modelo completo -----------*/
proc arima data=i.paroipc;
identify var=ipc(1,12) nlags=48;
estimate q=(12) noconstant;
identify var=mujeres(1,12) crosscorr=(ipc(1,12)) nlags=48;
estimate p=(1)(12) noconstant input=( (0)/(1) ipc );
run;
50
Ejemplo anlis intervencin

Trabajamos con los datos de parados que buscan primer empleo en la comunidad de
Castilla y Len . Los datos son mensuales y van desde enero de 1980 hasta mayo de 2001
En el ao 1987 se produce un cambio en la forma de registrar el paro para poder
equipararlo con el resto de pases europeos. Hubo un cambio menor en el ao 92.
En el ao 1995, se aprueba la reforma del Derecho del Trabajo RD.LEG. 1/1995 de
24 de marzo.
Grfico de la serie
parados segn actividad
70000
60000
50000
40000
30000
sin empleo anterior

sevcios
agricultura
total indust
20000
10000
Parados sin empleo anterior

Maximum Likelihood Estimation
Parameter Estimate Std Error T Ratio Lag Variable Shift
AR1,1
0.32447
0.05873
5.53 1 SINEMPLE
0
AR1,2
0.13201
0.05919
2.23 3 SINEMPLE
0
AR2,1
0.61911
0.04904
12.62 12 SINEMPLE
0
NUM1
-344.48175 181.62336
-1.90 0 X1
0
AIC
= 3956.93215
SBC
= 3971.04986
252
51
SINEMPLE SINEMPLE SINEMPLE

X1
Variable Parameter
AR1,1
AR1,2
AR2,1
NUM1
SINEMPLE AR1,1
1.000
-0.120
-0.035
0.007
SINEMPLE AR1,2
-0.120
1.000
0.021
-0.076
SINEMPLE AR2,1
-0.035
0.021
1.000
-0.126
X1
NUM1
0.007
-0.076
-0.126
1.000
Model for variable SINEMPLE
Period(s) of Differencing = 1.
Factor 1: 1 - 0.32447 B**(1) - 0.13201 B**(3)
Factor 2: 1 - 0.61911 B**(12)
Input Number 1 is X1.
Overall Regression Factor = -344.482
Name of variable = RESIDUAL.
Mean of working series = 50.15968
Standard deviation
= 618.3341
252
Autocorrelation Check for White Noise
To Chi
Autocorrelations
Lag Square DF Prob
6 3.83 6 0.700 -0.009 -0.074 -0.038 0.050 -0.054 -0.050
12 22.16 12 0.036 0.169 0.125 -0.037 -0.045 0.053 -0.138
18 25.96 18 0.101 -0.081 -0.006 0.058 0.047 -0.042 0.011
24 31.69 24 0.135 -0.039 -0.128 -0.044 -0.008 -0.007 0.027
30 37.19 30 0.172 -0.098 0.000 0.014 -0.062 0.038 -0.066
36 42.98 36 0.197 0.064 0.020 -0.026 -0.048 -0.055 0.096
Poblacin sin empleo anterior.

El modelo encontrado es un SARIMA (3,1,0)(1,0,0)12 y tiene la frmula
(1 - B)(1 - 0.32B - 0.13B3)(1 - 0.61B12)Xt = -344.82X1 + Zt
Este modelo incorpora las componentes estacionales ya que puede observarse que
no ha hecho falta una diferencia estacional. Del desarrollo de la frmula se desprende:
-El incremento mensual del nmero de parados sin empleo anterior de cualquier
mes anterior a enero de 1988 se puede obtener como 0.32 veces el incremento mensual del
mes anterior ms 0.13 veces el incremento mensual de tres meses anteriores ms el
incremento mensual del mismo mes del ao anterior menos 0.2 veces el incremento
mensual de un mes anterior del ao anterior menos 0.08 veces el incremento mensual de de
tres meses anteriores del ao anterior.
- El incremento mensual del nmero de parados sin empleo anterior de cualquier
mes posterior a enero de 1988 se puede obtener de la anterior manera restndole
El cambio en la forma de contabilizar el paro introducido en el ao 87 tuvo influencia en
este colectivo reduciendo el incremento mensual del nmero deparados sin empleo anterior
en 345.
-La nueva ley no tiene ningn efecto en este colectivo
Ejemplo de funcin de transferencia

Relacin del paro de las mujeres de la comunidad con el IPC
Hemos tomado como variable input el IPC y como variable output el para femenino.
Los datos son mensuales y el periodo de tiempo estudiado es el mismo que en el
ejemplo anterior
52
Las salidas de sas son

Ajuste del input
Name of variable = IPC.

Mean of working series = 0.005112
Standard deviation
= 0.335187
268
NOTE: The first 13 observations were eliminated by differencing
ARIMA Procedure
Conditional Least Squares Estimation
Parameter Estimate Std Error T Ratio Lag
MA1,1
0.58550
0.05161
11.34 12
AIC
= 113.893229*
SBC
= 117.484216*
268
Autocorrelation Check of Residuals
To Chi
Autocorrelations
Lag Square DF Prob
6 3.59 5 0.610 0.114 0.003 0.004 -0.000 -0.017 -0.001
12 12.98 11 0.294 0.059 0.086 0.092 0.055 0.094 0.049
18 16.85 17 0.465 0.028 0.044 0.057 0.068 -0.008 0.053
24 20.64 23 0.603 -0.009 -0.007 -0.090 -0.049 0.047 0.011
30 25.12 29 0.672 0.066 0.012 -0.039 -0.053 -0.055 -0.055
36 32.58 35 0.586 0.069 -0.127 -0.025 0.011 0.015 -0.050
42 38.00 41 0.605 -0.045 -0.070 -0.048 -0.054 -0.069 -0.017
48 43.51 47 0.618 -0.053 -0.014 -0.034 -0.061 -0.058 -0.076
Model for variable IPC
Moving Average Factors
Factor 1: 1 - 0.5855 B**(12)
Ajuste de la funcin de transferencia
Name of variable = MUJERES.
Standard deviation
= 917.1056
196
NOTE: The first 13 observations were eliminated by differencing.
Both variables have been prewhitened by the following filter:
Prewhitening Filter
Moving Average Factors
Factor 1: 1 - 0.5855 B**(12)
Conditional Least Squares Estimation
NUM1
-96.03385 136.77718
-0.70 0 IPC
0
DEN1,1
-0.86075
0.34807
-2.47 1 IPC
0
AIC
= 3234.43909*
SBC
= 3240.99532*
196
IPC
IPC
Variable Parameter
NUM1
DEN1,1
IPC
NUM1
1.000
-0.470
IPC
DEN1,1
-0.470
1.000
Ajuste del ruido
Conditional Least Squares Estimation.
AR1,1
0.38683
0.06734
5.74 1 MUJERES
0
AR2,1
-0.33426
0.07410
-4.51 12 MUJERES
0
NUM1
-112.84190
95.75468
-1.18 0 IPC
0
DEN1,1
-0.88856
0.14475
-6.14 1 IPC
0
53

AIC
= 3189.88917*
SBC
= 3203.00163*
196
MUJERES
MUJERES
IPC
IPC
Variable Parameter
AR1,1
AR2,1
NUM1
DEN1,1
MUJERES
AR1,1
1.000
-0.147
0.013
-0.015
MUJERES
AR2,1
-0.147
1.000
0.009
0.031
IPC
NUM1
0.013
0.009
1.000
-0.598
IPC
DEN1,1
-0.015
0.031
-0.598
1.000
Validacin
Crosscorrelation Check of Residuals with Input IPC
To Chi
Crosscorrelations
Lag Square DF Prob
5 2.53 4 0.639 -0.050 0.007 -0.002 -0.072 -0.013 -0.071
11 7.22 10 0.705 -0.052 0.032 0.051 0.072 0.108 0.027
17 16.01 16 0.452 -0.105 0.060 -0.014 -0.022 0.130 0.113
23 19.56 22 0.611 0.044 0.058 0.054 -0.015 -0.062 0.076
29 22.34 28 0.765 0.038 -0.007 0.046 0.041 -0.081 0.049
35 25.38 34 0.857 0.023 -0.001 0.115 -0.031 0.021 -0.016
41 28.41 40 0.915 0.021 0.018 -0.103 -0.015 0.044 0.043
47 30.69 46 0.960 -0.003 -0.059 -0.036 0.017 0.057 0.058
Autocorrelation Check of Residuals
To Chi
Autocorrelations
Lag Square DF Prob
6 6.78 4 0.148 -0.020 0.024 0.070 0.120 -0.112 -0.027
12 12.11 10 0.277 -0.002 0.084 -0.054 0.101 0.072 -0.017
18 19.65 16 0.236 0.133 0.067 0.005 -0.079 0.068 -0.046
24 27.66 22 0.187 -0.030 -0.068 0.078 -0.122 -0.044 -0.086
30 32.59 28 0.251 0.013 -0.054 0.008 0.115 -0.009 0.069
36 43.72 34 0.123 0.007 -0.061 -0.082 0.067 -0.108 -0.139
42 49.87 40 0.136 -0.001 0.053 -0.140 0.044 0.018 0.016
modelo ajustado
Model for variable MUJERES

Factor 1: 1 - 0.38683 B**(1)
Factor 2: 1 + 0.33426 B**(12)
Input Number 1 is IPC.
Overall Regression Factor = -112.842
The Denominator Factors are
Factor 1: 1 + 0.88856 B**(1)
El modelo encontrado tiene la frmula

(1 B )(1 B 12 )Yt
112 .84
(1 B )(1 B 12 ) X t (1 0.39 B )(1 0.33B 12 ) Z t
(1 0.89 B )
La ganancia de la funcin de transferencia es -59,70.

Esto es, una variacin del incremento mensual del incremento anual de una unidad
en el IPC hace que el incremento mensual del incremento anual en el nmero de mujeres
paradas el mismo mes sea de 60 desempleadas menos.
54
Aparte de este efecto, la serie del paro femenino sigue evolucionando segn un
modelo estacional SARIMA(1,1,0)(1,1,0)12.
Un incremento en el IPC produce ese mismo mes un descenso en el paro femenino
Modelos multivariantes
Modelos ARIMA
Se definen igual que en el caso univariante, solo que los coeficientes en lugar de ser
nmeros sern matrices.
AR(p)
X t 1 X t 1 2 X t 2 ... p X t p Z t
MA(q)
X t 1 Z t 1 2 Z t 2 ... pq Z t q Z t
Con
Xt =(X1,t; X2,t;Xk,t)
1,2, p, 1 ,2,q matrices kxk
Zt =(Z1,t; Z2,t;Zk,t) vector ruido verificando
E(Zt, Zs) = 0
E(Zt, Zt) =
Las componentes de Zt son procesos de ruido blanco univariantes, incorrelados con
los dems en distintos tiempos, pero posiblemente correlados en el mismo tiempo, es decir
no es una matriz diagonal.
55
Para que exista una solucin estacionaria del modelo es necesario que las raices de |
(z)| esten fuera del crculo unidad. Para que el modelo sea identificable, es necesario que
las raices de | (z)| esten fuera del crculo unidad.
Siendo
(z) = u=0, k u Zu
(z) = u=0, k u Zu
Para ajustar estos modelos usamos la sentencia SAS proc statespace que utiliza el
modelo de espacio de estados que es una representacin mediante un proceso de markov de
las series multivariantes.
Modelos de espacio de estados

Sea Xt un vector rx1 que representa el vector de observaciones.
Zt un vector sx1 con s>r que representa el vector de estados.
Denotamos por Xt+k|t la prediccin de Xt+k cuando se tienen observaciones hasta el
instante t.
Las ltimas componentes de Zt son de la forma Xt+k|t
El modelo se expresa
Zt+1 = F Zt + G et+1, ecuacin de transicin o ecuacin de estado.
Con F matriz sxs o matriz de transicin, determina las propiedades dinmicas del
modelo
G matriz sxr o matriz de innovacin, Determina la estructura de la varianza
de la ecuacin de transicin. Las primeras r filas y columnas es la matriz
identidad
Et vector rxr o vector de innovacin , formado por variables incorreladas en
distintos tiempos.
La ecuacin de medida se obtiene Xt =[Ir, 0] Zt
Ejemplo
libname d 'c:\datos';
title1 'Castilla y Leon';
data d.cyl;
infile "datos\cyl.txt" dlm='09'x firstobs=2;
input Paro Hombres Mujeres Sinempleo Cregistrados Cindefinidos Colocaciones
Demandas men25 de20a24 de25a29 de30a34 mayo25 meno20 de35a39 de40a44 de45a49
de50a54 de55a59 mayo59 EmpresaE empCyL TI3M ILP ipc12 ipc13 ipc14 ipc15 ipc16
ipc17 ipc18 ipc19 ipc20 ;
format date monyy.;
/*proc print; */
run;
proc statespace data=d.cyl out= cylfuera lead=12;
var Mujeres(1,12) Sinempleo(1,12) Colocaciones (1,12) ILP(1);
id date;
form Mujeres 4 Sinempleo 1 Colocaciones 1 ILP 1;
restrict F(2,1)=0 F(2,4)=0 F(3,2)=0 F(3,5)=0 F(4,1)=0 F(4,2)=0 F(4,3)=0
F(4,5)=0F(7,1)=0 F(7,3)=0 F(7,4)=0 F(7,7)=0 G(5,3)=0 G(6,1)=0G(6,2)=0 G(6,3)=0
56
G(6,4)=0 G(7,4)=0 F(2,3)=0 F(3,1)=0F(3,4)=0 F(4,4)=0 F(7,6)=0 G(5,2)=0 F(7,5)=0

G(5,4)=0 G(7,2)=0 G(5,1)=0 G(7,1)=0 G(7,3)=0;
run;
Ajuste de un un modelo bivariante a las series de variacin interanual de

Espaa y de la comunidad.
57
Standard
Variable
Mean
Error
__CastillayLeon 9.273182 4.311289
Espana
9.740455 3.402027
The STATESPACE Procedure
Selected Statespace Form and Preliminary Estimates
State Vector
__CastillayLeon(T;T)
Espana(T;T)
Maximum likelihood estimation has converged.
Estimate of Transition Matrix
-0.34349
1.103079
-0.1863
0.820067
Input Matrix for Innovation
1
0
0
1
Variance Matrix for Innovation
12.04467
7.44271
7.44271
7.069811
Parameter Estimates
Parameter
Estimate
Standard
Error
t Value
58
F(1,1)
F(1,2)
F(2,1)
F(2,2)
-0.34349
1.103079
-0.18630
0.820067
0.347871
0.440728
0.266635
0.337817
-0.99
2.50
-0.70
2.43
Name of Variable = RES1

Mean of Working Series -0.10864
Standard Deviation
3.35048
Number of Observations
22
To
Lag
6

ChiPr >
Square DF ChiSq --------------------Autocorrelations-------------------1.35
6
0.9689 0.134 0.038 0.038 0.023 -0.153 -0.051
To
Lag
6

Standard Deviation
2.56095
22
ChiPr >
6 0.8429 0.034 -0.100 0.179 0.069 0.186 0.099
Correlation of RES1 and RES2
Crosscorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
-10 -1.043939
-.12167 |
.
**|
.
-9
0.576598
0.06720 |
.
|*
.
-8 -0.558740
-.06512 |
.
*|
.
-7 -1.361354
-.15866 |
. ***|
.
-6
0.844707
0.09845 |
.
|**
.
-5
0.075422
0.00879 |
.
|
.
-4
1.947410
0.22696 |
.
|***** .
-3
1.095254
0.12765 |
.
|*** .
-2
0.600521
0.06999 |
.
|*
.
-1
0.397556
0.04633 |
.
|*
.
0
6.877300
0.80151 |
.
|****************
1
1.071854
0.12492 |
.
|**
.
2 -1.613803
-.18808 |
. ****|
.
3
0.925098
0.10782 |
.
|**
.
4
0.213451
0.02488 |
.
|
.
5
1.050565
0.12244 |
.
|**
.
6
0.150554
0.01755 |
.
|
.
7 -1.266643
-.14762 |
. ***|
.
8 -0.733530
-.08549 |
.
**|
.
Como puede apreciarse hemos ajustado un modelo VARMA(1). Los coeficientes

correspondientes a la serie de Castilla y Len son poco significativos, an as los hemos
dejado por el mejor ajuste del modelo y posterior prediccin. Tambin se observa que los
residuos de cada serie son incorrelados, as como que las dos series de residuos no
presentan correlacin cruzada.
En el siguiente grfico se representa las dos series conjuntamente con sus
predicciones. Se observa como las series predichas son ms suaves, presentan menos
59
oscilaciones, que las series originales. Tambin como a partir del ao 1990 las serie de
Castilla y Len siempre est por debajo de la serie de Espaa , signo de el menor
crecimiento econmico de nuestra comunidad que el crecimiento medio a nivel nacional.
vila
60
Se ha ajustado un modelo trivariante a las series de la variacin interanual del PIB

en Castilla y Len, Espaa y Avila. Los datos procesados muestran
Number of Observations 22
Standard
Variable
Mean
Error
__CastillayLeon 9.273182 4.311289
Espana
9.740455 3.402027
Avila
8.842273 4.401761
Selected Statespace Form and Preliminary Estimates
State Vector
__CastillayLeon(T;T)
Espana(T;T)
Avila(T;T)
0
0.861068
-0.20253
0
0.590153
0
0.597553
0
0
1
0
0
0
1
0
0
0
1
61
11.73739
7.56436
4.860158
7.56436
7.226412
4.662947
4.860158
4.662947
13.1272
Parameter Estimates
Standard
Parameter Estimate Error
F(1,2)
0.861068 0.231554
F(1,3)
-0.20253 0.121041
F(2,2)
0.590153 0.162895
F(3,1)
0.597553 0.173264
t Value
3.72
-1.67
3.62
3.45

Standard Deviation
3.338473
22
To
Lag
6

ChiPr >
6 0.9947 -0.069 0.048 0.012 0.123 -0.041 0.010
Variance of input =
6.731576
22
Lag
-10
-9
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
9
10
Covariance
-0.716465
0.289003
-0.109605
-1.408363
0.652823
0.730121
2.208398
0.446340
0.720759
-0.585625
7.121899
0.478219
-1.650747
1.439995
1.188948
1.264630
0.487752
-0.863886
-0.523020
1.406699
-2.336863
Crosscorrelations
Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
-.08272 |
.
**|
.
|
0.03337 |
.
|*
.
|
-.01265 |
.
|
.
|
-.16260 |
.
***|
.
|
0.07537 |
.
|**
.
0.08429 |
.
|**
.
0.25496 |
.
|***** .
0.05153 |
.
|*
.
0.08321 |
.
|**
.
-.06761 |
.
*|
.
0.82222 |
.
|****************
0.05521 |
.
|*
.
-.19058 |
****|
.
0.16625 |
.
|*** .
0.13726 |
.
|*** .
0.14600 |
.
|*** .
0.05631 |
.
|*
.
-.09974 |
.
**|
.
-.06038 |
.
*|
.
0.16240 |
.
|*** .
-.26979 |
. *****|
.

Standard Deviation
2.594528
22
62
To
Lag
6
ChiPr >
6 0.8469 0.025 -0.094 0.162 0.112 0.186 0.090
Variance of input =
12.35423
22
Lag
-10
-9
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
9
10
Covariance
-1.910090
2.688432
-1.149504
-0.982808
2.439418
2.245745
0.739302
3.344567
-0.552505
-0.351285
4.279745
-1.179240
-0.398727
-0.669390
-0.103661
-0.699936
1.902586
-2.075009
-1.963786
1.031299
-1.227639
Crosscorrelations
Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
-.20945 |
.
****|
.
0.29480 |
.
|****** .
-.12605 |
.
***|
.
-.10777 |
.
**|
.
0.26750 |
.
|***** .
0.24626 |
.
|***** .
0.08107 |
.
|**
.
0.36675 |
.
|***** .
-.06059 |
.
*|
.
-.03852 |
.
*|
.
0.46930 |
.
|*********
-.12931 |
.
***|
.
-.04372 |
.
*|
.
-.07340 |
.
*|
.
-.01137 |
.
|
.
-.07675 |
.
**|
.
0.20863 |
.
|**** .
-.22754 |
.
*****|
.
-.21534 |
.
****|
.
0.11309 |
.
|**
.
-.13462 |
.
***|
.

Standard Deviation
3.514858
22
To
Lag
6

ChiPr >
6 0.9137 -0.095 0.024 0.065 -0.171 0.134 0.094
Variance of input =
11.1454
22
Lag
-10
-9
-8
-7
-6
-5
-4
-3
Covariance
-1.386896
1.517526
-2.501320
-1.231276
2.706255
-0.680085
0.924432
-1.899108
Crosscorrelations
Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
-.11819 |
.
**|
.
0.12932 |
.
|*** .
-.21316 |
.
****|
.
-.10493 |
.
**|
.
0.23063 |
.
|**** .
-.05796 |
.
*|
.
0.07878 |
.
|**
.
-.16184 |
.
***|
.
63
-2
-1
0
1
2
3
4
5
6
7
8
9
10
-0.308584
-1.877841
4.537718
-1.464646
-0.455613
1.814367
2.437544
2.631974
4.851007
-0.902383
-1.425162
2.286682
-2.848317
-.02630
-.16003
0.38671
-.12482
-.03883
0.15462
0.20773
0.22430
0.41341
-.07690
-.12145
0.19487
-.24274
|
|
|
|
|
|
|
|
|
|
|
|
|
.
.
.
.
.
.
.
.
.
.
.
.
.
*|
.
***|
.
|********.
**|
.
*|
.
|*** .
|**** .
|**** .
|**** .
**|
.
**|
.
|**** .
*****|
.
De las anteriores salidas podemos deducir el modelo trivariante ajustado y

teniendo en cuenta los coeficientes podemos afirmar.
El modelo relaciona el crecimiento de Castilla y Len negativamente con el
crecimiento de Avila (-0.20) y positivamente con el crecimiento espaol. El crecimiento
espaol no tiene ningn coeficiente ni en Castilla y Len ni en vila, es decir el PIB
regional conjuntamente con el PIB de vila no influye en el PIB nacional. Por ltimo el
crecimiento de vila depende nicamente del crecimiento espaol (0.597).
Los coeficientes puede verse que son
incorrelados y no presentan correlacin cruzada.
todos significativos y los residuos
En el grfico siguiente se ve la evolucin conjunta de los tres ndices, destacando

cmo el ndice de crecimiento de vila est siempre por debajo del nacional y regional.
Mujeres, Sin empleo anterior y colocaciones registradas

64
Number of Observations 192

Standard
Variable
Mean
Error
Mujeres
-44.3125 916.8836 Has been differenced.
With period(s) = 1,12.
Sinempleo
-40 672.4131 Has been differenced.
Colocaciones
13.375
2924.21 Has been differenced.
Information Criterion for Autoregressive Models
Lag=0 Lag=1 Lag=2 Lag=3 Lag=4 Lag=5 Lag=6 Lag=7 Lag=8 Lag=9 Lag=10
8177.44 8077.26 8036.53 8029.24 7885.47 7895.93 7906.62 7912.03 7883.95 7888.18 7895.05
Schematic Representation of Correlations
Name/Lag
0
1
2
3
4
5
6
7
8
9 10
Mujeres
++. ++. .++ .+. .+. .+. ... .+. +.. ... ...
Sinempleo
++. .+. .+. .+. .+. .+. ... .+. -+. -.. ... Colocaciones ..+ ..- ...
... ... ..- ... ..+ .-
..+
..-
+ is > 2*std error, - is < -2*std error, . is between

Schematic Representation of Partial Autocorrelations
Name/Lag
1
2
3
4
5
6
7
8
9
Mujeres
+.. ... .+. .+. ... ... ... .-. ... ...
Sinempleo
.+. ... ... ... ... ... ... -.. ... ...
Colocaciones ..- -.- ... ... ... ... ... ..- ... ...
10
+ is > 2*std error, - is < -2*std error, . is between

Yule-Walker Estimates for Minimum AIC
----------------Lag=1---------------- ----------------Lag=2---------------Mujeres Sinempleo Colocaciones
Mujeres Sinempleo Colocaciones
Mujeres 0.25125
-0.03747
-0.0439 -0.01928
-0.02205
0.001651
Sinempleo -0.04908
0.241922
0.016191 0.020564
0.047593
0.005984
Colocaciones0.257782
0.032916
-0.79586 -0.44116
0.178353
-0.54635
Mujeres
-0.07557
0.131602
-0.05068 0.144801
1.018071 -0.03263
Sinempleo -0.04836
0.063421
0.009556 -0.05226
0.158971 0.031726
Colocaciones 0.158702 -0.06259
-0.23426 0.526054
0.266897 -0.19839
Mujeres -0.04171 -0.12712
0.00866
-0.01119 -0.11387
0.008202
Sinempleo -0.06997
0.07945
0.047442
0.045021 -0.00811
0.038477
Colocaciones -0.37516 -0.66988
-0.10166
0.52161
0.06588
-0.16238
Mujeres 0.036331
0.112582
0.007535
0.062913 -0.31271
-0.01612
Sinempleo -0.02058
0.154331
0.030765 -0.20816
0.159434
0.015094
Colocaciones -0.06616 -0.35333
-0.23426
0.223824
-0.5398
-0.28402
Selected Statespace Form and Fitted Model

State Vector
Mujeres(T;T)
Sinempleo(T;T)
Colocaciones(T;T)
Mujeres(T+1;T)
Colocaciones(T+1;T)
Mujeres(T+2;T)
Mujeres(T+3;T)
0
0
0
0
0
0
0
0
-0.10656
0
0
0
0

1
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
65
1
0
0
0
1
0
0
0
1
0
0
-0.03337
0
0
-0.73448
0
0
0.03502
0
0.432555
-0.05713
719538.2
45385.57
195740.9
45385.57
452139.4
-80561.8
195740.9
-80561.8
5148956
Parameter Estimates
Standard
Parameter Estimate
Error t Value
F(5,1)
-0.10656 0.090399
-1.18
G(4,3)
-0.03337 0.026871
-1.24
G(5,3)
-0.73448 0.048492
-15.15
G(6,3)
0.035020 0.026945
1.30
G(7,2)
0.432555 0.090523
4.78
G(7,3)
-0.05713 0.026905
-2.12
Ecuaciones del modelo

12M(T+1:T) = 0.43 eS(T-3:T) 0.06eC(T-3:T)
12S(T+1:T) = eS(T:T)
12C(T+1:T) = - 0.10 12C(T:T) -0.73 eC(T-1:T)
Por la forma del modelo podemos deducir que las tres series analizadas son
dependientes entre s siendo las unas a la vez la causa y el efecto de las otras.
Cabe destacar que la serie desempleados sin empleo anterior no interacta con la
serie Contratos registrados ya que ninguna de ellas est en la ecuacin de la otra.Ambas
estn relacionadas a travs de la serie de mujeres paradas
Otro rasgo a destacar es que la serie de mujeres paradas aporta dimensin cuatro al
espacio de estados que es de dimensin 7. Los contratos aportan dimensin 2
Modelos de Heterocedasticidad Condicional

En la teora clsica de series temporales (metodologa de Box-Jenkins), el desarrollo
estadstico se realiza a partir de un proceso estocstico estacionario; es decir (en sentido
amplio o dbil) de un
proceso con:
- Media constante.
- Varianza constante.
- correlacin entre dos observaciones distintas igual a la de otras dos cualquiera
separadas por la misma distancia (mismo nmero de perodos).
En torno a la confirmacin de la ausencia de tendencia (determinista o aleatoria),
hay un nutrido conjunto de teoras y desarrollos matemticos centrados en la
66
diferenciabilidad de la serie temporal y en la existencia o no de races unitarias a partir de

los conocidos test de Dickey y Fuller, de Phillips y Perron, etc.
Sin embargo, el estudio de la componente de varianza constante es un fenmeno
menos extendido y, no tener en cuenta una posible no constancia de este componente,
puede suponer diversos problemas estadsticos cuando se estiman modelos economtricos
(problemas ligados con la eficiencia de los parmetros estimados y su fuerte volatilidad
ante el amplio intervalo de confianza en el que se mueven).
Determinar un patrn de comportamiento estadstico para la varianza es el cometido
de los modelos Autorregresivos condicionales heterocedsticos: ARCH.
Engle (1982) es el autor de una primera aproximacin a la varianza condicional del
tipo que describiremos ms adelante. Despus de estos hay una amplia familia de
sofisticaciones del modelo inicial que darn nombre a los modelos GARCH, IGARCH,
EARCH, TARCH, SWARCH, QS-ARCH, APARCH, FACTOR-ARCH, ...
En el artculo seminal de los modelos ARCH, Engle cita tres situaciones que
motivan y justifican la modelacin de la heterocedasticidad condicional Autorregresiva
Estas seran las siguientes:
1. La experiencia emprica nos lleva a contrastar perodos de amplia varianza de
error seguidos de otros de varianza ms pequea. Es decir, el valor de la dispersin del
error respecto a su media cambia en el pasado, por lo que es lgico pensar que un modelo
que atienda en la prediccin a los valores de dicha varianza en el pasado servir para
realizar estimaciones ms precisas.
2. En segundo lugar, Engle expone la validez de estos modelos para determinar los
criterios de mantenimiento o venta de activos financieros. Los agentes econmicos deciden
esta cuestin en funcin de la informacin proveniente del pasado respecto al valor medio
de su rentabilidad y la volatilidad que sta ha tenido. Con los modelos ARCH se tendran en
cuenta estos dos condicionantes.
3. El modelo de regresin ARCH puede ser una aproximacin a un sistema ms
complejo en el que no hubiera factores innovacionales con heterocedasticidad condicional.
Los modelos estructurales admiten, en multitud de ocasiones, una especificacin tipo
ARCH infinito.
Los modelos ARCH son modelos para las innovaciones E t de una serie observada.
Suponemos que se ha modelado la media condicional de la serie mediante un
modelo ARMA, o no lineal, pero que las innovaciones del proceso pueden escribirse como:
(t )2= tet
donde et y t son dos procesos estacionarios independientes entre s. El proceso e t es de
ruido blanco estandarizado, es decir, formado por variables independientes de media cero y
varianza unidad. Supondremos que la distribucin de este proceso es normal, aunque todo
el anlisis puede generalizarse suponiendo otra distribucin, como la t de Student. El
proceso t es estacionario y con estructura dinmica, siendo su valor en t funcin del
conjunto (et1, ..., e1) de las innovaciones previas a t. La independencia entre et y t implica
que las innovaciones Et forman una secuencia de variables con
media marginal y condicional igual a cero
varianza marginal constante, pero varianza condicionada dada por (t)2
funcin de autocorrelacin nula
correlaciones entre los cuadrados de las innovaciones
67
El modelo ARCH(1) supone que la varianza condicional de las innovaciones, 2t ,

tiene una estructura similar a un AR(1), y depende slo de la ltima innovacin,
Es decir si el valor de 2 t1 es alto, la varianza de la siguiente innovacin ser
tambin alta, haciendo ms probable que el valor de 2t= t et sea alto.
Esto explica la aparicin de correlaciones entre los cuadrados de las innovaciones.
Este modelo tiene la capacidad de producir rachas de valores con alta varianza.
Por otro lado, como la media marginal es cero, aunque la varianza sea alta siempre
es posible que aparezca un valor pequeo de 2t , que disminuir la varianza marginal de la
observacin siguiente y facilitar que la siguiente observacin sea pequea. De esta manera
las innovaciones presentan rachas de valores altos, pero globalmente forman un proceso
estacionario
Modelo arch (p)

(t )2= tet
Donde:
sigma es la varianza condicional
Siendo t-1 la historia pasada del proceso t
Los alpha son los parmetros especificados por el modelo
Epsiln son la innovaciones
Modelo garch (p,q)

Este modelo fue desarrollado por Bollerslev (1987), extendiendo el modelo ARCH
para incluir retardos en la varianza condicional. En definitiva un GARCH es un modelo
ARCH infinito, un GARCH (p,q) se define como:
(t )2= tet
No hay que olvidar que los modelos Garch son para las innovaciones o errores, en la
prctica, se ajustan modelos ARIMA con residuos heterocedsticos, con o sin tendencia.La
sentencia SAS que se utiliza es proa autoreg
68
data d.cyl1;
set d.cyl;
diferencia=importaciones-exportaciones;
retardo=lag1(diferencia);
run;
proc autoreg data=d.cyl1 corrb covb outest= d.fuera covout;
model diferencia=retardo/lagdep nlag=1 dwprob archtest;
output out =d.b R=residuos RM=residuosestructurales P=prediccion
PM=prediccionestructural LCL=lcl UCL=ucl LCLM=lclestructural
UCLM=uclestructural;
run;
data h;
set d.fuera;
proc print;
run;
data g;
set d.b;
cuadrado = residuos*residuos;
/* proc print;*/
run;
proc arima data =g;
identify var=residuos;
identify var=cuadrado;
identify var= residuosestructurales;
run;
proc gplot data =d.b;
plot diferencia*date prediccion*date lcl*date ucl*date/overlay;
symbol1 i=joint v=none;symbol2 i=joint v=none;symbol3 i=joint v=none;symbol4
i=joint v=none;
run;
plot residuos*date;
symbol1 i=joint v=none;
run;
plot diferencia*date prediccionestructural*date lclestructural*date
uclestructural*date/overlay;
symbol1 i=joint v=none;symbol2 i=joint v=none;symbol3 i=joint v=none;symbol4
i=joint v=none;
run;
plot residuosestructurales*date;
symbol1 i=joint v=none;
run;
plot diferencia*date prediccionestructural*date /overlay;
symbol1 i=joint v=none;symbol2 i=joint v=none;
run;
plot diferencia*date lclestructural*date uclestructural*date/overlay;
symbol1 i=joint v=none;symbol2 i=joint v=none;symbol3 i=joint v=none;
69
run;
plot lclestructural*date uclestructural*date/overlay;
symbol1 i=joint v=none;symbol2 i=joint v=none;
run;
Con resultados
Variable Dependiente diferencia
Estimadores
SSE
3,10189E11
DFE
MSE
1704336109
Root MSE
SBC
4441,77354
AIC
Regress R-Square
0,0321
Total R-Square
Durbin's t
-1,9467
Pr < t
182
41284
4435,34367
0,0321
0,0266
El test de Durbin nos dice que la serie presenta autocorrelacin

Q and LM Tests for ARCH Disturbances(homocedasticidad)
Order
Q
Pr > Q
LM Pr > LM
1
0,3282 0,5667
0,3281 0,5668
2
0,5252 0,7690
0,5169 0,7723
3
0,5651 0,9044
0,5484 0,9081
4
0,6849 0,9532
0,6734 0,9546
5
0,7388 0,9808
0,7304 0,9813
6
0,8001 0,9921
0,8158 0,9916
7
0,8020 0,9974
0,8160 0,9973
8
1,1186 0,9974
1,0834 0,9977
9
1,1191 0,9991
1,0973 0,9992
10
1,8474 0,9974
1,9299 0,9968
11
1,8474 0,9990
1,9300 0,9987
12
2,0862 0,9993
2,1268 0,9992
El contraste de homocedasticidad nos dice que la varianza condicionada de la serie
no varia a lo largo del tiempo por lo que un modelo heterocedstico (modelo GARCH)
puede no ser adecuado
Estimacin
Standard
Approx
Variable
DF Estimador
Error t Value
Pr > |t|
Intercept
1
4575
3079
1,49
0,1390
Retardo
1
0,1816
0,0739
2,46
0,0150
Todos los parmetros son significativos
Covarianza de los Estimadores de los Parmetros
Intercept
retardo
Intercept
9479142
-34,39605
70
Retardo
-34,39605
0,005466
Correlacin de los Estimadores de los Parmetros

Intercept
retardo
Intercept
1
-0,15111
Retardo
-0,15111
1
Los parmetros no estn correlados
Estimacin de Autocorrelaciones
Lag Covarianza Correlacin -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9
0 1,6858E9
1,000000 |
|********************|
1 -4,387E7
-0,026021 |
*|
|
Preliminar MSE 1,6847E9
Estimadores de los Parmetros Autoregresivos
Standard
Lag Coefficient
Error
t Value
1
0,026021
0,074304
0,35
Algoritmo converge
El valor del parmetro es muy pequeo, aunque es significativamente distinto de
cero ya que presenta un valor del estadstico t muy pequeo.
Estimadores
SSE
3,03622E11
MSE
1677468855
SBC
4443,15335
Regress R-Square
0,2131
Variable
Intercept
Retardo
AR1
DF
1
1
1
DFE
181
Root MSE
40957
AIC
4433,50855
Total R-Square
0,0526
Standard
Estimador
Error
2763
2392
0,4725
0,1007
0,3119
0,1055
Approx
t Value
1,15
4,69
2,96

Intercept
retardo
Intercept
5720820,9
-64,46492
Retardo
-64,46492
0,0101349
AR1
-49,60026
0,0078809
Pr > |t|
0,2496
<,0001
0,0035
AR1
-49,60026
0,0078809
0,0111281

Intercept
retardo
AR1
Intercept
1
-0,26772
-0,19658
Retardo
-0,26772
1
0,74209
AR1
-0,19658
0,74209
1
Los parmetros presentan una correlacin moderadamente baja.
71
Suponiendo parmetros autoregresivos conocidos,

Standard
Approx
Variable
DF Estimate
Error
t Value
Intercept
1
2763
2345
1,18
Retardo
1
0,4725
0,0675
7,00
Pr > |t|
0,2404
<,0001

Intercept
retardo
Intercept
5499742,8
-29,33806
Retardo
-29,33806
0,0045536
Intercept
retardo
Intercept
1
-0,18539
Retardo
-0,18539
1
Obs MODEL TYPE_ _STATUS_
1
OLS
0 Converged
2
COV 0
Converged
3
COV 0
Converged
4
COV 0
Converged
Obs
1
2
3
4
_SSE_
_STDERR_
303621862785
,
303621862785 2391,82
303621862785
0,10
303621862785
0,11
_DEPVAR METHOD NAME_

diferencia
ML
diferencia
ML Intercept
diferencia
ML retardo
diferencia
ML _A_1
Intercept diferencia retardo

2762,52
-1
0,4725
5720820,93 ,
-64,4649
-64,46
,
0,0101
-49,60
,
0,0079
_MSE_
1677468855,2
1677468855,2
1677468855,2
1677468855,2
_A_1
0,3119
-49,6003
0,0079
0,0111
Ahora verificamos si el modelo es aceptable

Variable
residuos estructurales
Media
-17,9208
Desv. Est.
42769,4
Observaciones
184
Test de autocorrelacin para ruido blanco
To
Chi-
Lag
Square
Pr >
DF
ChiSq
--------------------Autocorrelations--------------------
23,70
0,0006
-0,312
0,025
0,147
-0,056
0,053
0,025
12
29,33
12
0,0035
-0,043
0,081
-0,070
0,056
0,105
-0,035
18
36,14
18
0,0068
0,082
-0,036
0,044
-0,027
0,100
-0,112
24
44,37
24
0,0069
0,146
-0,062
0,054
-0,038
-0,018
0,097
Los residuos estructurales estn correlados por lo que no sobra el haber ajustado
un modelo estructural, la ecuacin de medida no produce residuos incorrelados.
72
Variable
Media
Desv. Est.
Observaciones
residuos
27,73732
40621,65
184

To
Chi-
Pr >
Lag
Square
DF
ChiSq --------------------Autocorrelations--------------------
6,31
0,3898
-0,028
-0,030
0,168
-0,003
0,050
0,031
12
12,04
12
0,4424
-0,013
0,056
-0,037
0,080
0,132
0,023
18
15,14
18
0,6522
0,076
0,000
0,030
0,017
0,075
-0,052
24
19,89
24
0,7032
0,119
-0,005
0,023
-0,032
-0,003
0,084
Los residuos del modelo completo estn incorrelados

Variable
Media
Desv. Est.
Observaciones
cuadrado
1.6501E9
5.6603E9
184

To
Chi-
Lag
Square
Pr >
DF
ChiSq
--------------------Autocorrelations-------------------6
1.18
0.9778
0.033
0.062
0.015
0.014
-0.025
0.016
12
2.24
12
0.9989
-0.013
-0.038
0.002
0.055
0.003
-0.027
18
7.09
18
0.9893
0.074
0.052
0.027
0.069
0.093
-0.039
24
9.53
24
0.9962
0.074
0.067
-0.025
-0.027
-0.020
0.007
Los residuos al cuadrado no estn correlados, indicando que la varianza

condicionada permanece constante a lo largo del tiempo.
El modelo final ajustado tiene la siguiente frmula
Dt = 2763 + 0.47 Dt-1 + et
Ecuacin de medida
et = 0.31 et-1 + Zt
Ecuacin estructural
Los grficos correspondientes a este modelo estn a continuacin. Los grficos

indican que el modelo se adapta mejor a los datos a pesar de que parece que hay residuos
altos, sin embargo como la desviacin estndar es de 40.621 la mayoria de los residuos
73
estn dentro de los lmites de confianza de una serie aleatoria. Sigue habiendo residuos muy
altos negativos en los mismos datos que en el modelo anterior.
74
Variable acerinox:
Analysis Summary
Data variable: ACERINOX
Number of observations = 248
Start index = 02/01/98
Sampling interval = 1,0 day(s)
75
Time Series Plot for ACERINOX

(X 10000)
3
ACERINOX
2,5
2
1,5
1
0,5
0
29/11/97
18/01/98
09/03/98
28/04/98
17/06/98
06/08/98
25/09/98
Estimated Autocorrelations for ACERINOX

Autocorrelations
1
0,6
0,2
-0,2
-0,6
-1
0
10
15
20
25
lag
Partial Autocorrelations
Estimated Partial Autocorrelations for ACERINOX

1
0,6
0,2
-0,2
-0,6
-1
0
10
15
20
25
lag
variable acerinox diferenciada de orden 1

Runs above and below median
Median = -10,0
Number of runs above and below median = 121
Expected number of runs = 122,498
Large sample test statistic z = -0,128304
P-value = 0,897904
Runs up and down
Number of runs up and down = 154
Large sample test statistic z = -1,48941
76
P-value = 0,13638
Box-Pierce Test
Test based on first 24 autocorrelations
Large sample test statistic = 4,30292
P-value = 0,999997
Time Series Plot for adjusted ACERINOX
adjusted ACERINOX
(X 1000)
3
-1
-5
-9
-13
-17
29/11/97
18/01/98
09/03/98
28/04/98
17/06/98
06/08/98
25/09/98
Estimated Autocorrelations for adjusted ACERINOX

Autocorrelations
1
0,6
0,2
-0,2
-0,6
-1
0
10
15
20
25
lag
Partial Autocorrelations
Estimated Partial Autocorrelations for adjusted ACERINOX

1
0,6
0,2
-0,2
-0,6
-1
0
10
15
20
25
lag
variable acerinox elevada al cuadrado y diferenciada dos veces

Tests for Randomness of adjusted ACERINOX
Runs above and below median
Median = 33300,0
Number of runs above and below median = 158
Large sample test statistic z = 4,28051
P-value = 0,0000186596
77
Runs up and down

Number of runs up and down = 175
Large sample test statistic z = 1,64423
P-value = 0,100129
Box-Pierce Test
Test based on first 24 autocorrelations
Large sample test statistic = 77,4085
P-value = 1,56572E-7
Time Series Plot for adjusted ACERINOX
adjusted ACERINOX
(X 1,E7)
58
38
18
-2
-22
-42
29/11/97
18/01/98
09/03/98
28/04/98
17/06/98
06/08/98
25/09/98
Estimated Autocorrelations for adjusted ACERINOX

Autocorrelations
1
0,6
0,2
-0,2
-0,6
-1
0
10
15
20
25
lag
Name of Variable = ACERINOX
Mean of Working Series 13155.56
Standard Deviation
10052
248
To
Lag
ChiSquare
6
1420.03
12
2706.40
18
3853.16
24
4850.47
Pr >
DF
ChiSq
--------------------Autocorrelations----------------
6 <.0001
0.990 0.980 0.970
0.961
0.952
0.943
12 <.0001 0.932 0.923 0.914
0.904
0.893
0.883
18 <.0001 0.873 0.863 0.852
0.841
0.830
0.819
24 <.0001 0.808 0.796 0.785
0.773
0.762
0.751
Name of Variable = ACERINOX
Period(s) of Differencing
1
Mean of Working Series
-78.9676
Standard Deviation
1099.983
247
Observation(s) eliminated by differencing
1
78

To
Lag
6
12
18
24
ChiSquare
0.78
2.68
3.85
4.54
Pr >
DF
ChiSq
--------------------Autocorrelations----------------
6 0.9926 -0.005 -0.005 -0.023

0.019 -0.022
0.041
12 0.9974 -0.072 0.008
0.025
0.020 -0.007 -0.031
18 0.9998 -0.019 0.012
0.061
0.009
0.010
0.001
24 1.0000 0.039 -0.010 -0.011 -0.028
0.001
0.006
variable acerinox elevada al cuadrado

Name of Variable = acerinoxc
Period(s) of Differencing
2
Mean of Working Series
-4252743
Standard Deviation
42614839
246
Observation(s) eliminated by differencing
2
To
Lag
6
12
18
24
ChiSquare
61.10
65.17
70.74
73.92
Pr >
DF
ChiSq --------------------Autocorrelations---------------6 <.0001
0.494 -0.023 -0.013 -0.002 -0.009 -0.027
12 <.0001 -0.075 -0.029 0.051
0.045 -0.019 -0.067
18 <.0001 -0.027 0.059 0.102
0.069
0.026
0.032
24 <.0001 0.042 -0.003 -0.057 -0.059 -0.002
0.056
libname d 'c:\datos';
title1 'ibex98';
data d.ibex98;
infile "datos\ibex98.txt" dlm='09'x firstobs=2;
input ene fecha $ ACESA ACERINOX AGUAS_BARNA CORP_FIN_ALBA AMPER
ARGENTARIA AUMAR BK_BILBAO_VIZC BK_C_HISPANO BANKINTER BANESTO CANTABRICO
CONTINENTE GAS_NATURAL DRAGADOS_Y_CONST ENDESA E_N_CELULOSA
FOMENTO_DE_CONST FECSA GESA IBERDROLA MAPFRE METROVACE BK_POPULAR PRYCA
REPSOL BK_SANTANDER SEVILLANA_ELEC TABACALERA TELEFONICA_ESP U_FENOSA
URALITA VALLEHERMOSO VISCOFAN IBEX;
proc print;
run;
proc arima data =d.ibex98;
identify var = ACERINOX ; identify var = ACERINOX(1);run;
data b;
set d.ibex98;
acerinoxc = acerinox*acerinox;
run; proc print; run;
proc arima data = b;
identify var=acerinoxc(2);run;
proc autoreg data = d.ibex98 /*outest= a covout=c */ archtest /*out=
fuera*/;
model acerinox(1)= ene corrb covb lagdep hetero cev = varcond cpev=
varpred garch(q=1,p=1);run;
Bibliografa
.- Bollerslev, T. Engle, r. y Nelson, D(1994): ARCH Models.. Robert Engle y D. McFadden editores.
Handbook of Econometrics, Vol IV. Elservier, Amsterdam.
.- Abraham, B. y Ledolter, J. (1983). Statistical Methods for Forecasting. Wiley.

.- Box , G. E. P. y Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control.
Holden-Day.
79
.-Brockwell, P. J. y Davis, R. A. (1991). Time Series: Theory and Methods. [2 edicin].

Springer-Verlag.
.- Brockwell, P. J. y Davis, R. A. (1996). Introduction to Time Series and Forecasting.
Springer-Verlag.
.-Chatfield, C. (1989). The Analysis of Time Series: An Introduction. [4 Edicin].
Chapman and Hall.
.-Diggle, P. J. (1990). Time Series. A Biostatistical Introduction. Oxford University Press.
.-Fuller, W. A. (1996). Introduction to Statistical Time Series. [2 Edicin]. Wiley..
.-Harvey, A. C. (1990. The Econometric Analysis of Time Series. [2 Edicin]. Phillip Allan.
.- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter.
Cambridge University Press. .
.-Makridakis, S., Wheelwright, S. C. y Hyndman, R. J. (1998). Forecasting: Methods and
Applications. Wiley.
.-Pankratz, A. (1991). Forecasting with Dynamic Regression Models. Wiley.
.- Pea, D. (1989). Estadstica: Modelos y Mtodos, 2 (Modelos Lineales y Series
Temporales). [2 Edicin].Alianza Universidad Textos.
.- Pea, D ., Tiao, G. C. y Tsay, R. S. (eds.) (2001). A Course in Time Series Analysis.
Wiley.
.- Pea, D. (2005). Anlisis de Series Temporales). Alianza Universidad Textos
.-Shumway, R. H. y Stoffer, D. S. (2000). Time Series Analysis and its Applications.
Springer.
.-Taylor, S.J. (1986): Modelling Financial Time Series, John Wiley, Chichester, U.K..
.- Uriel, E. (1984). Seri es Temporales. Modelos ARIMA. Paraninfo.
.-Wei, W. W. S. (1990). Time Series Analysis: Univariate and Multivariate Methods.
Addison-Wesley.
80

Apuntes

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apuntes

Hochgeladen von

Copyright:

Verfügbare Formate

Modelos de Series Temporales

Mara Cruz Valsero Blanco

EJEMPLO: Nmero de desempleados mensuales en USA de enero de 1948 a diciembre

Representacin grfica de la serie

mtodos podemos destacar el mtodo Delphi, la previsin est basada en la

El anlisis de las series en el dominio de la frecuencia,

En general el esquema seguido en el anlisis de series temporales ser

Serie nmero de muertos en accidentes mensualmente en USA1973-1978

Seasonal Subseries Plot for serie

Periodograma para la serie nmero de muertos en accidentes

Medias anuales de la serie nmero de muertos en accidentes

Serie menos media anual correspondiente

Serie - Medias anuales

Medias mensuales de los valores de la tabla anterior

Residuos: (serie menos media anual correspondiente menos la componente estacional)

La tendencia inicialmente la calculamos con la media mvil simtrica

Grfico de esta media mvil a lo largo de la serie

Comparmoslo con el procedimiento anterior

Si a la serie le restamos esta tendencia tendremos

serie menos media mvil

Medias mensuales de los valores de la tabla anterior y componente estacional

Ft+1 = Yt + (1 )Ft, 0 < < 1.

Es decir la dependencia de las predicciones con observaciones anteriores decrece

Suavizado exponencial lineal de Holt

Para la tendencia s + k datos.

, , parmetros en (0, 1).

Los valores iniciales Ls y bs se eligen como en el caso multiplicativo

Un proceso es estacionario si su distribucin no varia a lo largo del tiempo.

variables aleatorias X (t1 ), X (t2 )... X (t n ) .

Y por permanecer invariante se verifica

X (t1), X (t2 ) X (0), X (t2 t1)

Esta definicin es bastante restrictiva y daremos la siguiente definicin en trminos

A la funcin K que slo depende de un parmetro se la denomina funcin de

Los modelos de procesos estocsticos que utilizaremos para el modelado son :

Se pone cada observacin como combinacin lineal de observaciones

Cada observacin es combinacin lineal de errores pasados y presentes .

Cada observacin es combinacin lineal de observaciones pasadas y de

Con s la longitud del periodo ( 12 con datos mensuales, 4 si son datos

Las raices de (Bs) fuera del crculo unidad

Modelos SARMA(p,q)(P,Q) multiplicativos con expresin matemtica

Los operadores introducidos en la frmulas son:

(Bs): Polinomio de medias mviles de orden Q, correspondiente a la parte

ACF decrece exponencialmente hacia o mediante ondas seno-coseno con

La grfica de la funcin de autocorrelacin parcial muestra una correlacin muy alta

Autocorrelacin para el paro en Castilla y Len

Autocorrelacin parcial paro de Castilla y Len

Periodograma Paro Castilla y Len

A continuacin representamos las mismas grficas correspondientes a la serie

Autocorrelacin parcial paro de Castilla y Len diferenciada de orden 1

Periodograma Paro Castilla y Len diferenciada de orden 1

La funcin de autocorrelacin decrece muy lentamente. La funcin de

Autocorrelacin parcial paro de Castilla y Len diferenciada de orden 12

Periodograma Paro Castilla y Len diferenciada de orden 12

La funcin de autocorrelacin parcial est de acuerdo con esta identificacin del

Autocorrelacin parcial paro de Castilla y Len diferenciada de orden 1 y12

As hemos identificado un modelo SARIMA(1,1,0)(1,1,0)12 para la serie

Despus de realizar los ajustes, el modelo elegido y su expresin matemtica es la

Anlisis de intervenciny funcin de transferencia

La intervencin se define mediante una variable escaln

Los efectos de la intervencin pueden ser permanentes o transitorios.

f(It*) = w0(1- It* w0 = 1

El modelo completo se escribe

La correlacin entre Xt y Yt+k es distinta de 0. Los valores futuros de Y

f(It) = w0(1- It w0 = 1

/--- ajusta function transferencia,identifica residuos /

+ is > 2std error, - is < -2std error, . is between

+ is > 2std error, - is < -2std error, . is between