Beruflich Dokumente
Kultur Dokumente
y, = a0 + a, Y, _, + - + APY, _p + e, + P, E, _, + - + P e, _,
yo / •
1. MODELOS DE DIFERENCIA Ecuación estocástica
= 1.03m * | (2.i)
o dada la condición inicial la solución particular es
metro
t = P (1 -03) '+ (1 - p) m, _x + e, (2,2)
y para todo j
(2,3)
Para cada período t, x, se construye tomando los valores e “e, _, ... ..e, _y
multiplicando cada por el valor asociado de P ,. Una secuencia formada de
esta manera se llama una media móvil de orden q y denota por MA (<y).
Para ilustrar un proceso de media móvil típica, supongamos que gana $ 1 si
una moneda muestra una cabeza y pierde SI si muestra una cola. Denotar el
resultado de cara o cruz t por correo, (es decir, para el lanzamiento de T, E,
es o bien + S1 o - $ 1). Si desea realizar un seguimiento de sus “golpes de
suerte”, es posible que desee para calcular sus ganancias promedio de los
últimos cuatro lanzamientos. Para cada sacudida de la moneda t, sus
ganancias promedio en los últimos cuatro lanzamientos son l / 4e, + l / 4e,
_, + l / 4e, _2 + l / 4e, _3. En términos de (2.3), esta secuencia es un proceso
de media móvil de tal manera que P, = 0,25 para / <3 y cero en caso contrario.
y, -% + T x>
i=S
Ahora vamos {.tr} el proceso MA (^) dada por (2.3) de manera que podemos
escribir
Pi
+
y, = «o + XPl'e '- <' C2.5)
1 = 1 1 = 0.
Seguimos la convención de las unidades de normalización de manera que
po es siempre igual a la unidad. Si las raíces característicos de (2.5) están
todos en el círculo unidad, {y,} se denomina autorregresivo modelo de
media (ARMA) para y en movimiento ,. La parte autorregresiva del modelo
es la “ecuación de diferencia” dada por la porción homogénea de (2.4) y la
parte media móvil es la {x,} secuencia. Si la parte homogénea de la ecuación
de diferencia contienepag GAL y el modelo para x, q se retrasa, el modelo
se llama \ un ARMA (p, q) Modelo. Siq = 0, el proceso se denomina un
proceso autorregresivo puro denotado por AR (p), y si p =0, el proceso es
un proceso de media móvil de- puro: señalado por MA (^). En un modelo
ARMA, es perfectamente admisible para permitirpag y / o q a ser infinita.
En este capítulo, se consideran sólo los modelos en los que todas las raíces
características de (2.4) se encuentran dentro del círculo unitario. Sin
embargo, si una o más raíces característico es mayor que o igual a la unidad,
se dice que el {y,} de secuencia para ser un proceso integrado y (2.5) se
llama un autorregresivo integrado modelo de media (ARIMA) en
movimiento.
r 'yo
v, = a0 +] Tp,
Por hora 5, 10 y 15, estos valores medios son 5.57, 5.59, y 5.73,
respectivamente.
Y, = X-VI '/ 2 °
y 5,71. Formalmente, un proceso estocástico que tiene una media finita y la varianza
es co-varianza estacionario si para todot y ts,
E (y,) ~ E (y, -S) - pies (7.i)
E [(Y, - fi) 2] = [E (Y, _s - p) 2] = c2 [Var (y,) = var (y, _,) = cj] (2,8)
y, = ao + uni.vi-i + e>
dónde e, = ruido
blanco
|
Supongamos que el proceso se inició en el período cero, de modo que
yQ es una inicial
determinista
|
condición. En la sección 3 del capítulo anterior, se demostró que la
solución a
este
|
et nente está (también véase la pregunta 2 en el extremo ol este capítulo)
Y, + n!> u + Xaie'-i
yo
(2,10)
i=O i=O
f + 3-I
mi
Y, + s * f oZfliHb °
i = i)
(2,12)
I' Comparamos (2.11) y (2.12), es claro que ambos medios son dependientes del
tiempo. 1 esdeEy,no es igual a £ y, + s, la secuencia no puede ser estacionaria. Sin
embargo, si ns grande, podemos considerar el valor límite deY,en (2.10). Si 1 a, I <1,
la expresión (uO'v'o converge a cero como r se hace infinitamente grande y la suma
u0 [l + a, + ID,) 2 + (a,) 3 + •••] converge a «, / (- a,). Así, como set -> = *> y si a,] <1
£
TTY; . FXV, F) 1 - £ {[e, + «] €, _, + (a,) 2e, ^ + ••• '] [€, _, + n + (a,)
2e, = o2 (a ,) s [l - + -. (a,) 2 + (a,) 4 = a2 (a,) 7 [l- (a,) 2]
1 La solución homogénea debe ser cero. O bien la secuencia debe haber empezado
infinitamente lejos en el pasado o el proceso debe estar siempre en equilibrio (de
modo que la constante arbitraria es cero).
2 La raíz característica a, debe ser menor que la unidad en valor absoluto.
Estas dos condiciones se generalizan fácilmente a todos los procesos ARMA (p, q).
Sabemos
que la solución homogénea a (2.5) tiene la forma
Las restricciones estacionarias para una, q) Modelo ARMAip18
Woods. una serie de este tipo puede no ser estacionaria debido al hecho
de que había condiciones iniciales deterministas (cambios de tipo de
cambio eran esencialmente cero en la era Bretton Woods).
, Que está littie] d cambio que no había sido dada la condición inicial.
Sin el valor y0 inicial, la suma de las soluciones homogéneas y
particulares para Y, es
1 = 0:
5>
de una desviación de equilibrio a largo plazo. Una manera sucinta para
indicar las condiciones de estabilidad es la siguiente:
4. RESTRICCIONES estacionariedad
PARA UNA ARMAfp, q) MODELO
(2,16)
Y, = N, y, _, + avy, -2 + 6 / + (Wi
Para (2,17) para ser una solución de (2,16), los distintos a, - debe satisfacer
Para que coincida con coeficientes de los términos que contienen e “e, _2 ...., es
necesario establecer
(2,17)
Las restricciones estacionarias para una, q) Modelo ARMAip21
Oo = 1
60
10 12 3 4 5 6 7 8 9 10
a, 2,10 2,46 2,046 1,00 1,06 -0,146 1,187 -1,786 -1,761 -1,226 -0,378
= a2
jr ° T
i=0
Por lo tanto, var (y,) = var (y, _,) para todo t y s. Por último, la
covarianza entre Y y
y, _, es
-T = XP'e'-'
1=0 v•■ . .;
dónde {E,} = un proceso de ruido blanco con varianza a2
E (x,) = £ (E, + p, e, _, + P2 €, _2 + ■■ •)
= £ e, + pl £ e, _L + p2 £ e, _2 + - = 0
(219)
> '= ° o + Xa'.v'-' + e' ''
i=1
i=l
(2,20)
yo
yo
y
var O '/ - *) - E ^ rs + a I + a26M_2 + aje, _, _ 3 + -.) 2] =
a2Ia2
Restricciones de estacionariedad para un ARMAi. p, q) Modelo29
PAG
y'= Ao + Y, a'y'-I + xt
9
*T Z^- (2,22)
= i=0
- ,
estacionaria. Considerar
7, =
22 + PAG.6, -1 f P2E, _2
(2,23)
YO_
'-Z ^ * ^ -Z' za-
'"YO i=l J «1 / =!
Con muy poco esfuerzo-, puede convencerse de que la [Y,]secuencia satisface las
tres condiciones para estacionariedad. Cada una de las expresiones de la parte
derecha de (2.23) es estacionaria, siempre y cuando las raíces de 1 -Za ^'están fuera
del círculo unidad. Dado que (a :,) es estacionaria, sólo las raíces de la parte
autorregresiva de (2.22) determinar si el {y, | secuencia es estacionaria.
5. La función de autocorrelación
espectáculos
y0 = cr / [l- (u,) 2]
Y, - a2 (fl, wn - (a,) 2]
un,; p2 = (a,) 2 ........ p, = (a,)J. Para una (1) Proceso de AR, una condición necesaria
para esta-
tionarity es para | a, f <1. Por lo tanto, la trama dePD en contra s-llamadas la función
de autocorrelación (ACF) o correlogram-deberían converger a cero geométricamente
si la serie es estacionaria. Siai es positivo, la convergencia será directa, y si un,es
negativo, las autocorrelaciones seguirá una trayectoria oscilatoria amortiguada en
torno a cero. Los primeros dos gráficos de la izquierda-hand.side de la Figura 2.2
muestran las funciones de autocorrelación teóricas para una, = 0,7 y a, = -0,7,
respectivamente. Aquí, P0 no se muestra ya que su valor es necesariamente la unidad.
La función de autocorrelación de una (2) Proceso de AR
Restricciones de estacionariedad para un ARMAi. p, q) Modelo32
Consideremos ahora el (2) Proceso de AR más complicado Y, = A, Y, _, + ay, _2+ E
,. Nos omitir un término de intersección (a ,,), ya que no tiene ningún efecto sobre la
ACF. Para el proceso de segundo orden que sea estacionaria, sabemos que es
necesario restringir las raíces de (1 -Axl - A2L2) Para estar fuera del círculo unidad.
En la sección 4, que deriva el autocovarianzas de un ARMA (2, 1) proceso mediante
el uso del método de coeficientes indeterminados. Ahora queremos para ilustrar una
técnica alternativa usando las ecuaciones de Yule-Walker. Multiplicar la ecuación de
diferencia de segundo orden porY, _s para s = 0, s = 1, s= 2,. . . y tomar las
expectativas para formar
Por definición, las autocovarianzas de una serie estacionaria son tales que Eyy, _,
= Ev, _ j, = Ev, _ky, _k_s =Y ,. También se sabe que el coeficiente de correo, es la
unidad de manera que Ee, v, = a2. Desde Ee, v, _, = 0, podemos usar las ecuaciones
en (2.24) para formar
Yo = u, y, + a2y2 + O2 s ,: (2,25)
64 Los modelos de series de tiempo
estacionarias
Figura 2.2 patrones de FAS y FAP teóricos. ACF
65 Los modelos de series de tiempo
estacionarias
y, = 0,70 + 0,271 (2-26)
7, = 017, -1 + 0: 7, -: 0.21)
• P, = a, p0 + a2Pi "
(22
8)
P, = aP, -i + 02p, -2 (229)
Pi = (a,) 2 / (1 -A2) + a2
(2.28). Estos dos valores pueden ser vistos como “valores iniciales” 66
estacionaria
(A, + a2 - l) (a2 - - 1)
Las autocorrelaciones muestrales de serie
estacionaria 67
Yi = EYJ, _s = E [(E, x Pe, _,) (€,., + Pe, _, _,)] = 0 para todo 5> 1
. 1 + P? + 2tfiPi 2
Por lo tanto,
pl
(L + p2 + 2a1p1)
y p, = para todos st 2.
p, = a, p, -, + A2pi_2 + - + APPI “.
(2,35)
V, -\ '? !! " Pi (2,36)
<L> 22 = (p2-p?) / (I-P?)
jl ' ■;
PJ ~~ y
(2,37)
--7 ~ i --------------------------------------- »S = 3, 4, 5, ...
Ji
y, = -0.7y _, + e, -0.7e_,
i _ p. _ AQ 44
) - (-0.425X-0.8445)] /
Por lo tanto,
= -0,173
FAP
2>
- __ f = l
0,2 _ i = l (2,41
)
[^ + L_ --------------------------------------------------- (2,40)
X0v-y) 2
r=l
de s - de s>
distribuida con una media igual a cero. Para los coeficientes de FAP,
bajo la hipótesis nula de un modelo AR (p) (es decir, bajo la hipótesis
nula de que todos tji ^> + i son cero), la varianza de los lis §p +
aproximadamente T ~'.
Var (R5) =T
F \
En la práctica,
i + 2y
podemos utilizar estos
valores de muestra para formar la autocorrelación de la muestra y las
Las autocorrelaciones muestrales de serie
la prueba de significación 78
funciones de autocorrelación parcial yestacionaria
utilizando (2.41). Por ejemplo, si se utiliza un intervalo de confianza
del 95% (es decir, dos desviaciones estándar), y el valor calculado de
R, excede 2T u ~, es posible rechazar la hipótesis nula de que
2 = ^ I> 2 estacionaria 79
k=l
S
Q = T (T + 2) ^ r * / (Tk) ■ |
(2,42)
■ *=I
(p + q + posible término 81
estacionaria
donde n =número de parámetros estimados
constante); .
T = Número de observaciones utilizables.
Por lo general en la creación de variables retardadas, algunas
observaciones se pierden. Para comparar adecuadamente los modelos
alternativos, T debe mantenerse fijo. Por ejemplo, con 100 puntos de
datos, estimar un AR (1) y AR (2) usando sólo los últimos 98
observaciones en cada estimación. Comparación de los dos modelos
utilizando T = 98,2
gran pico en el FAP muestra sugieren un (i) modelo AR. Los primeros
tres autocorrelaciones son /, = 0.74, r2 = 0.58, y r} = 0,47, que son algo
mayores que los valores teóricos de 0,7, 0,49 (0,72 = 0,49), y 0,343. En
el PACF, hay un pico considerable de 0,74 en el retardo uno y todos
los demás autocorrelaciones parciales (excepto para lag 12) son muy
pequeñas.
Modelo 1: y, = a, v, _, + e,
Modo] 2: y, = +E+
la información disponible 86
estacionaria
la AR (1) modelo no sería utilizando toda
relativa a los movimientos en el (y, secuencia J. Por ejemplo,
supongamos que deseamos pronosticar y, + l condición de que toda la
información disponible hasta e incluyendo el período t. Con el modelo
1, el valor de y, *, es la siguiente:. Y, = ,, ATY, + e, + 1. Por lo tanto,
el pronóstico del modelo 1 es un año Si los tocorrelations au- residuales
habían sido significativa, esta previsión no se captura todo el conjunto
de información disponible.
modelo 1 modelo 2
y, = “xy, -i + «, Hurra,-\+ «. + Pi2 «.- i2
Grados de libertad 99 98
Suma de residuos85.2! al 85.17
Estimado a, (error estándar)
0,7910 (0,0622) 0,7953 (0,0683)
cuadrado
P estimada (error estándar) -0,033 CO, 1134)
A1C / SBC AIC = 442,07 / SBC AIC== 444,0 i / SBC =
449,21
444,67
Ljung-Box (3-estadísticas
(2 (8) = 6,43 (0,490) (2(3
(16)
(8) = 6,48 (0,485) (2
para los residuos (nivel
= 15,86
de (0.391) <2 (24)
(16) == 15,75 (0.400) <2
significación 21,74
entre (0,536) (24) = 21,56 (0,547)
paréntesis)
96 Los modelos de series de tiempo
estacionarias
> Y, = -0.7y, _1 + e, -
Modelo 1: y, = axy, _x + e,
Modelo 2: y, = axy, ^ + e, + p, e,
plazo, así como el modelo (1, 1) ARMA. También tenga en cuenta que
la AIC y SBC tanto seleccione el modelo 2.
y, = 0.7y, _, - 0.49y, _2 + e,
Retraso: 1:0.4655046-0.1607289-0.3216291-0.1077528-0.0518159
-0.1649841
7: -0.0995764 0.12834750.17957180.0343415-0.0869808 -
0.1133948
13: -0,1639613 -0.05790510,11510970.25400390.0460659 -
0,1745434
19: -0,1503307 0.01005100.0318942-0.0869327-0.0456013
0.0516806
FAP:
1: 0.4655046-0.48183440.02250890.0452089-0.2528370 -
0.1206075
7: 0.1011489 0.0367555-0.07587510.0229422-0.0203879 -
0.1391730
13: -0,1671389 0.20669150.00749960.0851050-0.2156580
0.0131360
19: -0,0223151 -0.03240780.0148130-0.06093580.0374894 -
100 Los modelos de series de tiempo
estacionarias
0.1842465
a2 -0.480874620 0,089576524 -
5.36831 0.00000055
(1 + al) y, = (1 + b, L + B2L2) t,
(2,
44)
102 Los modelos de series de tiempo
estacionarias
Estacionariedad y invertibilidad
>', = E, “Pl *, - I
(
2,45)
-V, + Pl>; -? I + P y, _2 + Pl ^ -3 + - = e,
(
2,46)
y, = -o', - 1 + y, ~ 2 - y, -3 + y, - »+ -
Bondad de ajuste
+ PV (2) £, _,
utilizando ............. ....... ESO
+ P </ I) v ,?
usando r, t
(SSR-SSR, -SSR2) / (/ I)
Del mismo modo, el modelo puede ser estimado durante casi todo
el período de la muestra. Si usamos 20 años de datos trimestrales,
por ejemplo, el modelo puede ser estimado utilizando sólo los
primeros 19 años de datos. A continuación, el modelo puede ser
utilizado para hacer previsiones del último año de datos. Para cada
período de f, el error de pronóstico es la diferencia entre la previsión
y el valor conocido de y ,. La suma de los errores de predicción al
cuadrado es una forma útil para comparar la adecuación de los
modelos alternativos. Esos modelos con mala ambulatorios
previsiones de la muestra deben ser eliminados. Algunos de los
detalles de la construcción de ambulatorios previsiones de muestras
se analizan en t re siguiente sección.
9 LA FUNCIÓN PRONÓSTICO
111 Los modelos de series de tiempo
estacionarias
Quizás el uso más importante de un modelo ARMA es predecir
valores futuros de la {y,} sequence.7 Para simplificar la discusión,
se supone que el proceso real de generación de Datos- y
realizaciones actuales y pasados de la (e), y {y,} secuencias son
conocidas para el investigador. En primer lugar, tenga en cuenta las
previsiones de la AR (1) modelo y, = ao + <h> Vi + £ / •
Actualización de un período, obtenemos.
Y, + i = FL0 + «i>', + e, +.
£, V, + 1 = «o +« i V,
(
2,48)
y en general,
Por lo tanto, el error de un solo paso por delante previsión es: /, (1)
- Y, + 1 ey, +,
113 Los modelos de series de tiempo
estacionarias
porción “unforecastable” de Y, + 1 dada la información mt
disponible). Para encontrar la
f. (2) = e, .u + a, e “
+ + + (2,51)
j) = A +, + «| 6, + yi +
f, U):
modelo AR, Y 'el paso por delante error de pronóstico está dado por
(2,52)
a0 + a , Y, ± 1,96a
y, = a0 + A, Y, _, + a ^ y, _2 + e, + P, e
(_,
(2,53)
(2,54)
Y, + 2 - an + nl »Hl + a2 + EI + 2 + Pie, + I
La expectativa condicional de Y, + 2 es
= «» + «I £ <y, + i +
ay,
do ^
(2,56)
(2,57)
v, ~ 3 + 0.9V, _, - 0.2y, _2 + e,
=
10 + (0,4) '[5 (>' 0 - 10) - 10 (> '-10)] + (0,5)' [10 (^ | - 10) -4 (
“-i0 _y)] + ^ a ; €, _ ,.
mi
, Y, Y = 10 + (0.4y [50' , _, - 10) - 10 (_v, - 10)] + (0.5y [10 (y, -
10) - 4 (y, _, - 10)]
y, = FL0 + aLy, _, + e, +
£, y, +; = [N (/ (l - «i) K 1 - a \) + 'E, + yp
£ <> AI = «O + + aj,
122 Los modelos de series de tiempo
estacionarias
£>', + o = [ «“/ (-! «,)] (1- «]) + P, A, E, + v ^ E, Y, “, = [ «“/ (1 -
«iM (1 - <I '\) + Pi «7er + r / 7!
E, il + i = [aj {\ - fl |)] (1 -a \) + Y, A \
(
2,65)
;-yo \ . .. .
, ■. ; 1 = 0 '
y, = «O + A, Y, -1 +« 2.v, -2 + e, + p, e, -,
logarítmicas)
p~l P- 1 <7 = 1,4
P = 1 </ = 2
i 11 Se
?0,011
=O 0,011 0,012 0,011 0,012
(4,14) (3,31) (2,63) (2,76) (2,62)
0| 0,618 0,456 0,887 0,791 0,887
(8,54) (5,11) (14.9) (9,21) (13.2)
0,258
(2,89)
PAG. -0.484 -0.409 -0.483
(-4-22) (-3,62) (-4,19)
P2 -0.002
(-0,019)
?4' 0,315
(3,36)
SSR 0,0156 0,0145 0,0141 0,0134 0,0141
AIC -503.3 -506.1 -513.1 -518.2 -511.1
SBC -497.1 -497.7 -504.7 -507.0 -499.9
0 (12).
23,6 (0,008)11,7 (0,302) 11,7 (0,301)4,8 (0.898) 11,7 (0,301)
0 (24)28,6 (0,157)15,6 (0,833) 15,4 (0,842)9,3 (0.991) 15,3 (0,841)
0 (30)40,1 (0,082)22,8 (0,742) 22,7 (0,749)14,8 (0,972)22,6 (0,749)
Un modelo del IPM 109
(1,1).
/ (122-8)]
= 0.78681
y * = (y, x 1) / A., X AO
Sea.sonu /
= Ln (y,), 3- = 0 IFV 113
11. ESTACIONALIDAD
y -j
v, = e, + P4e, _4
(
estacionalidad 115
2,69)
y, = fli.Vi + a4, v, _j + e, + P | €, _ |
(2
,71)
diferenciación estacional
España es, sin duda, el destino más popular para los turistas europeos.
Durante los meses de julio y agosto, las playas a lo largo de la costa
mediterránea se hinchan con los turistas tomando el sol. La figura 2.7
muestra el número mensual de turistas que visitan España entre enero
de 1970 y marzo de 1989; la fuerte patrón estacional domina el
movimiento de la serie. También tenga en cuenta que la popularidad
estacionalidad 118
ons Mill
Pi P2 Pensilvani
P 4 P5 PD ¿PAG? PDPAG',Alfiler pn Pi:
0.26 0.31 0.26
a 0.28 0.23 0.24 0,19 0,21 0,19 0.20 0.15 -0.17
estacionalidad 120
No hay manera razonable para adaptarse a un modelo de bajo
orden a los datos estacionalmente diferenciada; la diferenciación
estacional no eliminó la media variable en el tiempo. Con el fin de
impartir estacionariedad en la serie, el siguiente paso es tomar la
primera diferencia de los datos ya estacionalmente diferenciados. El
ACF y PACF para la serie (1 - L) i (1 - LL2) y, se muestran en la
figura 2.10; las propiedades de esta serie son mucho más
TTTTTTTTTT71
T ITT' 1 1 n 1 1 i "l 1-
-
'ITT 1 iTTT'f 1 1 1
TnTfrrn 111 111
l .l L1
W 'III1> |||> 'III1'
(1976) utilizaron este modelo para analizar los datos de los viajes
aéreos.
s
raíces carac- de la ecuación de diferencia deben estar dentro del círculo unidad. Por
otra parte, el t | proceso debe haber empezado infinitamente lejos en el pasado o el
proceso debe ser siempre IAY
RESUMEN Y CONCLUSIONES