Beruflich Dokumente
Kultur Dokumente
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.
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.
Z
t 1
Si Var ( Z N ) 0 N entonces E Z N
E at 0
E at2 a2
Cov (at , at k ) 0 k
Z t Z t 1 at
o bien Z t Z t 1 at
Z t Z t 1 m at
o bien Z t m Z t 1 at
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
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
Z t 0 1Z t 1 2 Z t 2 ... p Z t p at
Z t at 1at 1 2 at 2 ... q at q
BYt Yt 1
B 2Yt Yt 2 B sYt Yt s
Zt
1 1 B Z t at
1
at
1 1B
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
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
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
q B
Yt p B q B at Yt
at
p B
con Yt Yt Yt 1 Yt 1 B
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
ck
c0
ck k N
con
Z
N
t k 1
c0 0
N
Z Z t k Z
Z
N
t 1
Proceso
AR(1)
MA(1)
FAC
FAP
Proceso
AR(2)
MA(2)
FAC
FAP
Proceso
SAR(12)
SMA(12)
FAC
FAP
Yt= a+b*t
Yt=Yt-1+at
DLOG(MATRI)
Tendencia real:
DETERMINISTA
Yt = +*t+*Yt-1+ut
Yt Yt-1 = +*t+*Yt-1+ut
Yt = +*t+(+1)*Yt-1+ut
Seleccionamos
LEVEL
TREND AND INTERCEPT
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)
ACCIN
(1) Alternativamente se puede repetir el contraste ADF sobre la serie en primeras diferencias omitiendo el proceso
previo de filtrado.
Comprobamos la significatividad
de los coeficientes estimados y la
invertivilidad y estacionariedad
del proceso estimado
LS D(LMATRIFIL,1,12) MA(1)
Cambio de nivel
Efecto transitorio
amortiguado
Efecto transitorio
Especificacin
Cambio de nivel
Genr FCAMBIO=0
Genr FCAMBIO=1
Aditivo puntual
Genr FPUNTUAL=0
Genr FPUNTUAL=1
Transitorio
Genr FTRANSITORIO2=0
Genr FTRANSITORIO2=1
Transitorio
amortiguado
Genr FTRANSITORIO1=0
Genr FTRANSITORIO1=1
Genr FTRANSITORIO1=
0.8*FTRANSITORIO1(-1)