INTRODUCCIN A LOS MODELOS ARIMA

Presentacin:
Los modelos ARIMA responden al acrnimo de procesos AutoRregresivos,
Integrados, y Medias mviles (Moving Average), y fueron planteados
inicialmente por George Box y Gwilym Jenkins en 1970 en su obra Time
Series Analysis: Forecasting and Control (Holden Day, San Francisco, USA)
como una alternativa a la modelizacin y prediccin tradicional mediante
modelos estructurales.
La idea subyacente fundamental consiste en admitir que las series temporales
son generadas mediante un Proceso Generador de Datos que puede ser
identificado y cuantificado y que, por tanto, pueden ser inferidos sus valores a
futuro.
En este sentido enlaza con los mtodos clsicos de prediccin basados en la
identificacin de los componentes de una serie temporal.

INTRODUCCIN A LOS MODELOS ARIMA

Presentacin:
En efecto cuando realizamos una prediccin de la evolucin de una
determinada serie temporal mediante la descomposicin en los componentes
estacional, tendencial, cclico e irregular, el procedimiento que seguimos
consiste en identificar comportamientos regulares a lo largo de la serie
(movimientos estacionales, tendenciales y cclicos ) y extrapolarlos a futuro,
asumiendo que los comportamientos irregulares tendrn un efecto promedio
nulo.
En el caso de los modelos ARIMA identificaremos igualmente una serie de
comportamientos regulares asociados a procesos de evolucin temporal
conocidos (Procesos de integracin, autorregresivos y de Medias mviles) que
interactan con procesos completamente aleatorios (Ruido blanco).

INTRODUCCIN A LOS MODELOS ARIMA

Presentacin:

El proceso de prediccin con modelo ARIMA puede, por tanto,

resumirse en las siguientes etapas:

1) Identificacin de los procesos subyacentes (P.G.D.):

1.1. Orden de integracin
1.2.- Tipologa de procesos AR y MA
2) Estimacin de los coeficientes asociados a los procesos AR y MA.
3) Validacin del modelo estimado.
4) Cuantificacin a futuro de los valores de la serie objetivo.

INTRODUCCIN A LOS MODELOS ARIMA

Fundamentos estadsticos:
La modelizacin ARIMA asume que toda serie temporal est generada por un
proceso estocstico (Proceso Generador de datos PGD) en la que los distintos
valores observados Yt responden a realizaciones (muestras) concretas de un
conjunto de N variables aleatorias Zt, que tienen unas determinadas
probabilidades de ocurrencia asociadas a sus respectivas funciones de
densidad f(Zt).
Estas funciones de densidad sern, en general, desconocidas y no pueden ser
estimadas ya que slo disponemos de una observacin de cada una de ellas,
por lo que se hace necesario asumir una serie de simplificaciones para poder
realizar cualquier tipo de inferencia estadstica.

INTRODUCCIN A LOS MODELOS ARIMA

Fundamentos estadsticos:
La primera simplificacin que debemos asumir es que el proceso es
estrictamente estacionario lo que supone que la funcin de distribucin
conjunta no se ve afectada por ningn cambio de origen, es decir: f (Zt, Zt+1,
Zt+r)= f (Zt+k,Zt+1+k,Zt+r+k).
Si definimos la media y varianza del proceso como:

t E ( Z t ) E ( Z t1 , Z t 2 ,...)
t , s cov(Z t , Z s ) E ( Z t t )( Z s s )
Estaremos ante un proceso dbilmente estacionario(1) si la media es constante
en el tiempo y la covarianza depende nicamente de la distancia temporal
entre las variables.

t E ( Z t )
k cov(Z t , Z t k )

(1) Si las variables son normales (proceso gaussiano) equivale a un proceso estrictamente estacionario.

INTRODUCCIN A LOS MODELOS ARIMA

Fundamentos estadsticos:
La segunda simplificacin que debemos asumir es que el proceso es
ergdico, lo que supone que los elementos suficientemente alejados en el
tiempo estn prcticamente incorrelacionados de forma tal que todos los
elementos de la serie temporal aporten informacin nueva y til para la
media.
De esta forma la media temporal es un estimador insesgado y consistente de
la media poblacional si su varianza tiende a cero cuando la muestra tiende a
infinito:
1
ZN
N

Z
t 1

Si Var ( Z N ) 0 N entonces E Z N

Aunque no es posible contrastar la ergodicidad de un proceso podemos

asumirla si la covarianza tiende a cero cuando k tiende a infinito

INTRODUCCIN A LOS MODELOS ARIMA

Procesos estocsticos elementales: Ruido Blanco
El denominado ruido blanco es un proceso estocstico que presenta media
nula, varianza constante y covarianza nula para cualquier valor de k, si
adems la distribucin es normal, se denomina Ruido Blanco Gaussiano.

E at 0

E at2 a2
Cov (at , at k ) 0 k

Este tipo de procesos es estrictamente estacionario.

INTRODUCCIN A LOS MODELOS ARIMA

Procesos estocsticos elementales: Camino aleatorio.
El camino aleatorio es un proceso tal que la diferencia entre dos valores
consecutivos de la variable se comporta como un ruido blanco.

Z t Z t 1 at

o bien Z t Z t 1 at

Si existe una tendencia sistemtica en el cambio se denomina camino

aleatorio con deriva.

Z t Z t 1 m at

o bien Z t m Z t 1 at

El camino aleatorio es no estacionario en varianza mientras que si tiene

deriva tampoco lo es en media.
t

Zt Z0 a j t * m

E Z t E Z 0 a j m * t E Z 0 E
j 1

j 1

t Var Z t E Z t E

a
j 1

j m * t z0 m * t
j 1

E at2 t * a2
j 1

INTRODUCCIN A LOS MODELOS ARIMA

Procesos estocsticos elementales: Proceso Autorregresivo.
Definimos un proceso autorregresivo de primer orden AR(1) como un proceso
aleatorio que responde a una expresin del tipo

Z t 0 1Z t 1 at

o bien Z t 1Z t 1 at

con Z t Z t 0

Para que el proceso AR(1) sea estacionario se debe cumplir que -1<1<1,
para que z2 sea finita y no negativa.
2

a
Var Z t z2 12 z2 a2
1 12

Los procesos autoregresivos pueden generalizarse al orden p AR(p) sin ms

que aadir trminos retardados en la expresin general.

Z t 0 1Z t 1 2 Z t 2 ... p Z t p at

INTRODUCCIN A LOS MODELOS ARIMA

Procesos estocsticos elementales: Medias mviles.
Definimos una media mvil de primer orden MA(1) como un proceso aleatorio
que responde a una expresin del tipo

Z t at 1a t 1 con Z t en diferencia s a la media

Los procesos de medias mviles son estacionarios y, al igual que los
autoregresivos pueden generalizarse al orden q MA(q) sin ms que aadir
trminos retardados en la expresin general.

Z t at 1at 1 2 at 2 ... q at q

INTRODUCCIN A LOS MODELOS ARIMA

Procesos estocsticos elementales: Invertibilidad.
El operador retardo B aplicado sobre una serie temporal Yt la desfasa en el
tiempo.

BYt Yt 1

B 2Yt Yt 2 B sYt Yt s

Un proceso AR(1) puede expresarse como:

y operando

Zt

1 1 B Z t at

1
at
1 1B

Dado que la suma de los infinitos trminos de una progresin geomtrica de

razn 1B se define como
1

1 1 B
El proceso AR(1) es equivalente a un proceso infinito de medias mviles
MA() Invertibilidad

Z t at 1 Bat 12 B 2 at 13 B 3 at at 1at 1 12 at 2 13 at 3

INTRODUCCIN A LOS MODELOS ARIMA

Procesos estocsticos elementales: Invertibilidad.
La invertibilidad de un proceso puede generalizarse a un autorregresivo
de orden p AR(P)

p B Z t at Z t p B at B at
1

p B 1 1 B 2 B 2 p B p

B 1 1 B 2 B 2 3 B 3

De la misma forma un proceso de medias mviles de orden q MA(q) puede

transformarse en un AR()

Z t at 1at 1 q at q 1 1 B q B q at q B at

q B Z t at
1

p B 1 1B 2 B 2 B
1

La invertibilidad del proceso MA(q) exige que el proceso AR() sea

convergente

INTRODUCCIN A LOS MODELOS ARIMA

Procesos estocsticos elementales: Procesos integrados.

Un proceso integrado es aquel que puede convertirse en
estacionario aplicando diferencias.
As, por ejemplo, un camino aleatorio sera un proceso
integrado de orden 1 I(1), ya que puede convertirse en
estacionario tomando primeras diferencias.
Definimos el orden de integracin de un proceso como el
nmero de diferencias que debemos aplicarle para convertirlo
en estacionario.
En el contexto de las series econmicas los rdenes de
integracin ms frecuentes son 1 2 I(1) I(2).
En algunas ocasiones las diferencias deben aplicarse sobre el
valor estacional. Z t Z t s et con s 4 12 et estacionario

INTRODUCCIN A LOS MODELOS ARIMA

Proceso Generador de Datos.

Mediante la adecuada combinacin de estos procesos
elementales: integracin, AR(p), y MA(q) podemos representar
la evolucin de cualquier serie temporal.
Yt 1Yt 1 2Yt 2 p Yt p at 1at 1 2 at 2 p at p

q B
Yt p B q B at Yt
at
p B

con Yt Yt Yt 1 Yt 1 B

Para la series que presentan estacionalidad se pueden reproducir

los mismos procesos sobre el orden estacional s (s=4 trimestrales,
s=12 mensuales)
SAR(p) Z t s1Z t s s 2 Z t 2 s sp Z t 2 p at
Integracin estacional
sYt Yt Yt s Yt 1 B s SMA(q) Z t at s1at s s 2 at 2 s sq at 2 q

INTRODUCCIN A LOS MODELOS ARIMA

Herramientas de identificacin: Correlograma.

Denominamos correlograma a una representacin grfica de
las funciones de Autocorrelacin total (FAC) y parcial
(FAP).
Las funciones de autocorrelacin recogen los valores de los
diferentes coeficientes de autocorrelacin de una serie para
distintos desfases k.
El coeficiente de autocorrelacin para un determinado desfase
k se define como:

Cov ( Z t , Z t k )
k
k
k

Var ( Z t ) Var ( Z t k )
o o 0

Si el proceso Zt es estacionario

INTRODUCCIN A LOS MODELOS ARIMA

Herramientas de identificacin: Correlograma.

Asumiendo la estacionariedad y ergoicidad del proceso los
coeficientes de autocorrelacin pueden aproximarse como:

ck
c0

ck k N

con

Z
N

t k 1

c0 0
N

Z Z t k Z

Z
N

t 1

La funcin de autocorrelacin parcial estara formada por los

correspondientes coeficientes de autorcorrelacin parcial, que
miden la relacin entre los valores desfasados k periodos una vez
eliminados o filtrados los efectos de la correlacin entre los
restantes desfases.
Las bandas de confianza para la FAC y la FAP se aproximan
1
1
como:
p 1,96 *
o
j 0
N

INTRODUCCIN A LOS MODELOS ARIMA

Herramientas de identificacin: Correlograma.

Proceso

AR(1)

MA(1)

FAC

FAP

INTRODUCCIN A LOS MODELOS ARIMA

Herramientas de identificacin: Correlograma.

Proceso

AR(2)

MA(2)

FAC

FAP

INTRODUCCIN A LOS MODELOS ARIMA

Herramientas de identificacin: Correlograma.

Proceso

SAR(12)

SMA(12)

FAC

FAP

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Anlisis grfico de la serie.

Determinacin de la existencia de tendencia y/o cambios en la volatilidad de la
serie.
MATRI Object serie -> Open -> View -> Graph

Los cambios en la volatilidad relativa

se aprecian mejor sobre la serie en
primeras diferencias
SHOW D(MATRI) View -> Graph

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Transformacin logartmica.

Si se aprecian cambios significativos en la volatilidad relativa de la variable es
aconsejable realizar una transformacin logartmica para amortiguar este efecto de
cambios en la varianza relativa.
SHOW LOG(MATRI) -> View -> Graph

SHOW DLOG(MATRI) -> View -> Graph

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
La apreciacin de una evolucin sistemtica en la serie analizada puede venir
provocada por la existencia de una componente tendencial determinista (tendencia)
o estocstica (camino aleatorio).
Yt= f(tiempo)

Yt= a+b*t

Yt=Yt-1+at

En el primer caso la tendencia se eliminara filtrado la serie mediante un ajuste

de tendencia clsico, mientras que en el segundo se eliminara tomando primeras
diferencias.
LS LOG(MATRI) C @TREND()
(Object->New->Equation)
Procs-> Make residual -> LMATRIFIL

DLOG(MATRI)

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
En la prctica es difcil de discriminar entre ambos tipos de tendencias ya que un
comportamiento determinista se puede eliminar tomando diferencias al igual que
una tendencia estocstica podra corregirse mediante un ajuste de tendencia.
Tendencia real:
ESTOCSTICA

Tendencia real:
DETERMINISTA

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
Inicialmente podramos contrastar estadsticamente ambos tipos de tendencias
mediante una expresin del tipo:
Yt=a + b*t + c*Yt-1+ut
Determinando la no nulidad del coeficiente b y la igualdad a 1 del coeficiente c
Ahora bien, bajo la hiptesis nula de un coeficiente unitario en c los contrastes
habituales pierden potencia al alterarse la distribucin de los mismos.
Una alternativa vlida puede resultar la utilizacin del Test de Races Unitarias de
Dickey y Fuller ampliado incluyendo la contrastacin de trminos deterministas
(esquema de Dolado y Perron).
Estos autores proponen una especificacin alternativa para el contraste de ese
coeficiente c donde la variacin en dos periodos consecutivos vendra determinada
por una expresin del tipo:

Yt = +*t+*Yt-1+ut

Yt Yt-1 = +*t+*Yt-1+ut

Yt = +*t+(+1)*Yt-1+ut

Y donde la nulidad del coeficiente equivaldra a la contrastacin de la unitariedad

del coeficiente c

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
Este contraste DF es especialmente sensible a la presencia de autocorrelacin en la
perturbacin aleatoria del modelo, por lo que los mismos autores proponen una
versin ampliada ADF que incluye tantos retardos de la variable endgena como
sean necesarios para corregir el problema de la autocorrelacin.

Yt = +*t+*Yt-1+ Yt-1 + Yt-2 ++ut

En el esquema propuesto por Dolado y Perron, se partira de una especificacin lo
menos restringida posible y se ira reduciendo, por eliminacin de componentes
deterministas no significativos, hasta obtener una formulacin final donde se
comparara el estadstico t asociado al coeficiente con los valores de referencia de
Mackinon, rechazndose la hiptesis nula de existencia de una raz unitaria si los
valores del estadstico calculado superan los limites establecidos para cada nivel de
probabilidad.
Por supuesto si los coeficientes y fueran significativos estaramos en presencia de
componentes determista en nuestro proceso (deriva o tendencia determinista).

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
Este contraste DF es especialmente sensible a la presencia de autocorrelacin en la
perturbacin aleatoria del modelo, por lo que los mismos autores proponen una
versin ampliada ADF que incluye tantos retardos de la variable endgena como
sean necesarios para corregir el problema de la autocorrelacin.

Yt = +*t+*Yt-1+ Yt-1 + Yt-2 ++ut

En el esquema propuesto por Dolado y Perron, se partira de una especificacin lo
menos restringida posible y se ira reduciendo, por eliminacin de componentes
deterministas no significativos, hasta obtener una formulacin final donde se
comparara el estadstico t asociado al coeficiente con los valores de referencia de
Mackinon, rechazndose la hiptesis nula de existencia de una raz unitaria si los
valores del estadstico calculado superan los limites establecidos para cada nivel de
probabilidad.
Por supuesto si los coeficientes y fueran significativos estaramos en presencia de
componentes determista en nuestro proceso (deriva o tendencia determinista).

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
Para aplicar el contraste ADF en Eviews seleccionamos la serie a analizar y en el
men de vistas elegimos la opcin test de races unitarias.
SHOW LOG(MATRI) -> View -> Unit Root Test

Seleccionamos
LEVEL
TREND AND INTERCEPT

Criterio para determinar el

nmero de retardos de la
endgena para corregir la
autocorrelacin

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
TEST ADF:
ANLSIS DE RESULTADOS
Test de Raz Unitaria:
Si el estadstico calculado supera los
valores crticos (en valor absoluto)
rechazamos la hiptesis nula, es decir, no
hay raz unitaria.

Regresin de contraste:
Comprobar no existencia de autocorrelacin
residual
Comprobar la significatividad estadstica de
los trminos deterministas C y TREND
(Hay que ser muy exigentes con los valores de contraste)

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
TEST ADF: ANLSIS DE RESULTADOS
A partir de los resultados obtenidos en el test ADF podemos abordar diferentes
acciones:
1) Si la regresin de contraste mostrara sntomas de autocorrelacin residual
ejecutaramos de nuevo el contraste ampliando el nmero de retardos de la
variable endgena.
2) Si el trmino de tendencia no resulta significativo ejecutamos de nuevo el
contraste eliminado dicho trmino (seleccionar slo INTERCEPT)
3) Si el trmino constante, tampoco resulta significativo se ejecuta de nuevo el
contraste eliminndolo (seleccionar NONE).
4) Una vez que tenemos una regresin de contraste con los trminos adecuados
comparamos el valor del estadstico de contraste con los niveles tabulados.

APLICACIN DE MODELOS ARIMA

Tratamiento previo: Componentes deterministas y Orden

de integracin.
TEST ADF: ANLSIS DE RESULTADOS
RESULTADO

ACCIN

RECHAZO de la hiptesis nula CON

trminos deterministas significativos.

Filtrar la serie de tendencia determinista e

iniciar la identificacin sobre la serie
filtrada (CORRELOGRAMA)

RECHAZO de la hiptesis nula SIN

trminos deterministas significativos.

Iniciar la identificacin sobre la serie

(CORRELOGRAMA)

ACEPTACIN de la hiptesis nula CON

trminos deterministas significativos.

Filtrar la serie de tendencia determinista y

repetir el test ADF sobre la serie filtrada.
(1)

ACEPTACIN de la hiptesis nula SIN

trminos deterministas significativos.

Repetir el test ADF sobre la serie en

primeras diferencias.

(1) Alternativamente se puede repetir el contraste ADF sobre la serie en primeras diferencias omitiendo el proceso
previo de filtrado.

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

Una vez obtenida la transformacin adecuada de la serie se
iniciara la etapa de identificacin y cuantificacin de los
procesos estacionarios AR y MA subyacentes.
Esta etapa se iniciara con el anlisis del correlograma de la
serie estacionaria y la determinacin del proceso o procesos
subyacentes.
A continuacin se estimaran los coeficientes asociados a dicho
proceso y se analizara el correlograma de los residuos de la
regresin efectuada, continuando el proceso hasta obtener un
correlograma residual estadsticamente equivalente al Ruido
Blanco (Probabilidad del estadistico Q superior a 0.05)

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

SHOW LMATRIFIL -> View -> Correlogram

Seleccionamos la opcin nivel y el nmero de

retardos deseados (por defecto 3 aos).

Este correlograma podra responder a un camino

aleatorio o un proceso autorregresivo.

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

OPCIN 1:
Si consideramos que se trata de un camino aleatorio deberamos repetir el correlograma
seleccionando la opcin primeras diferencias.
OPCIN 2:
Si consideramos que se trata de un proceso autorregresivo deberamos estimar el
coeficiente correspondiente e identificar los residuos de la regresin.
Generalmente los correlogramas con poca pendiente de descenso en los
coeficientes de la funcin de autocorrelacin total suelen responder a procesos
integrados, por lo que por un principio de prudencia sera aconsejable optar por
la primera opcin.

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

Show LMATRIFIL -> View -> Correlogram -> 1st difference

Este correlograma podra responder a un proceso

integrado o un autorregresivo en la parte
estacional.

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

Al igual que en la parte regular, para la parte estacional optamos, inicialmente, por un
proceso integrado en la parte estacional por lo que deberemos realizar el correlograma
de la serie en primeras diferencias en la parte regular y primeras diferencias en la parte
estacional.
Show D(LMATRIFIL,1,12) -> View -> Correlogram -> Level
Este correlograma se aproxima al
de un proceso de media mvil de
orden 1.

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

Para estimar el coeficiente asociado al proceso de medias mviles de orden 1,
estimaremos un modelo de regresin en el que la variable explicativa es un proceso de
medias mviles de primer orden utilizando la funcin MA(1).
Object-> New Object-> Equation

Comprobamos la significatividad
de los coeficientes estimados y la
invertivilidad y estacionariedad
del proceso estimado

LS D(LMATRIFIL,1,12) MA(1)

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

A continuacin analizaramos el correlograma de los residuos de la regresin para
comprobar si existe algn otro proceso identificable.
View-> Residual Test-> Correlogram Q-statistics

Proceso de medias mviles en la parte estacional

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

El nuevo proceso identificado se incluira en la especificacin de la ecuacin y se
repetira el proceso hasta conseguir un correlograma estadsticamente equivalente a un
Ruido Blanco.
Para incluir los diferentes procesos se iran incorporando nuevas variables explicativas
en la especificacin de la ecuacin. ESTIMATE
Media Mviles:
Regulares MA(1), MA(2),
Estacionales SMA(12), SMA(24)
Autorregresivos:
Regulares AR(1), AR(2),.
Estacionales SAR(12), SAR(24),

APLICACIN DE MODELOS ARIMA

Identificacin y cuantificacin de procesos estacionarios.

El proceso se finalizara cuando dispusiramos de una ecuacin con los coeficientes
significativos, procesos estacionarios e invertibles y residuos equivalentes a un ruido
blanco (Probabilidad asociada al estadstico Q mayor que 0.05.

APLICACIN DE MODELOS ARIMA

Correccin del modelo: Anlisis de intervencin.

Los modelos ARIMA son especialmente sensibles a la presencia de datos anmalos
outliers por lo que, en general, es conveniente analizar y, en su caso, corregir estos
puntos anmalos.
Como primer paso se pueden observar los residuos del modelo prestando especial
atencin a aquellos puntos que sobrepasan las bandas de confianza.
View-> Actual, Fitted, Residual->
-> Residual Graph

-> Actual, Fitted, Residual Table

APLICACIN DE MODELOS ARIMA

Correccin del modelo: Anlisis de intervencin.

El procedimiento de correccin de estos valores anmalos es la incorporacin de
variables ficticias (valores 0,1) en la especificacin de la ecuacin que traten de recoger
el efecto sobre la serie de estas circunstancias adicionales.
En principio pueden existir distintos tipos de variables ficticias, aunque las ms
comunes son las siguientes:

Cambio de nivel

Efecto transitorio
amortiguado

Efecto aditivo puntual

Efecto transitorio

APLICACIN DE MODELOS ARIMA

Correccin del modelo: Anlisis de intervencin.

Partiendo de la observacin de los residuos se generara la variable ficticia ms
adecuada al comportamiento anmalo observado y, posteriormente. se incorporara a la
estimacin como una variable explicativa adicional.
Tipo de variable

Especificacin

Cambio de nivel

SMPL 1960.01 2008.12

SMPL 2009.01 2014.12

Genr FCAMBIO=0
Genr FCAMBIO=1

Aditivo puntual

SMPL 1960.01 2014.12

SMPL 1979.01 1979.01

Genr FPUNTUAL=0
Genr FPUNTUAL=1

Transitorio

SMPL 1960.01 2014.12

SMPL 1999.01 2000.12

Genr FTRANSITORIO2=0
Genr FTRANSITORIO2=1

Transitorio
amortiguado

SMPL 1960.01 2014.12

SMPL 1986.01 1986.01
SMPL 1986.02 2014.12

Genr FTRANSITORIO1=0
Genr FTRANSITORIO1=1
Genr FTRANSITORIO1=
0.8*FTRANSITORIO1(-1)

APLICACIN DE MODELOS ARIMA

Correccin del modelo: Anlisis de intervencin.

En algunas ocasiones las variables ficticias deben ser transformadas en el mismo orden
que la variable endgena.
Object Equation
Estimate

El proceso de correccin de outliers es

secuencial y se iran incorporando a la estimacin
a medida que se identificaran y fueran
significativos.

APLICACIN DE MODELOS ARIMA

Prediccin con modelos ARIMA

Una vez alcanzada y contrastada la especificacin final se procedera a la realizacin de
la prediccin utilizando el procedimiento de FORECAST del objeto ecuacin.
Hay que tener en cuenta que, si se han incorporado variables ficticias stas deben tener
valores para todo el periodo de prediccin.

Hay que indicar sobre qu variable

queremos la prediccin (original o
transformada), el nombre que le
asignaremos a la serie con los valores
de prediccin (debe ser distinto al
original) y para qu periodo queremos
hacer la prediccin (en principio la
prediccin arrancara a partir del
ltimo dato histrico)
Eviews rellena automticamente los
valores histricos de la nueva serie de
prediccin con los valores originales.

APLICACIN DE MODELOS ARIMA

Prediccin con modelos ARIMA

Como resultado de esta operacin, Eviews muestra un grfico con los datos de
prediccin y, si dispusiera de datos reales para ese mismo periodo, realizara un anlisis
de prediccin realizacin.

APLICACIN DE MODELOS ARIMA

Prediccin con modelos ARIMA

Como ltimo paso y si se han realizado transformaciones previas sobre la serie original
(Logartimos, o filtrado de tendencia determinista) debern realizarse las
transformaciones inversas sobre la serie de prediccin para obtener los datos estimados
en los mismo trminos de la serie original).
p.e. Si se ha filtrado de tendencia determinista, la prediccin en trminos de la serie
original se obtendra agregando los valores de prediccin del modelo ARIMA a la
prediccin de la tendencia determinista.
Genr LMATRIP=LMATRIFILF+LMATRITEND
Siendo LMTRITEND la prediccin de la tendencia determinista.
Si se ha realizado una transformacin logartmica, la prediccin en trminos de la
variable original se obtendra mediante la transformacin exponencial:
Genr MATRIP=exp(LMATRIP).