Академический Документы
Профессиональный Документы
Культура Документы
Anlisis de series temporales (II): Extensiones y metodologa Miguel Jerez y Sonia Sotoca Universidad Complutense de Madrid p
Marzo 2010 M
Ver. 24/03/2010, Pag. # 1
ndice
Propiedades tpicas de las series econmicas Transformaciones de datos Operadores retardo y diferencia Procesos generalizados Extensiones Metodologa
Muchas series temporales econmicas presentan: t tendencia, estacionalidad estacionalidad, una variabilidad que crece con su nivel y componentes deterministas (valores atpicos, ...)
Sin embargo, los procesos ARMA describen variables puramente estocsticas, no estacionales, con media y varianza constantes. Por tanto, para modelizar series econmicas es necesario definir: Transformaciones de datos diseadas para estabilizar la media y la varianza de las series. Extensiones de la familia de procesos ARMA, para captar tendencias y fluctuaciones estacionales.
Ver. 24/03/2010, Pag. # 3
( y t + m ) 1 si 0 = ln( y + m ) si = 0 ( t
Cada transformacin se caracteriza por un valor del parmetro . Cuando la transformacin requiere valores positivos, puede aplicarse un cambio de origen (parmetro, m) Para elegir la transformacin adecuada puede usarse el grfico media-desviacin tpica muestral de varias submuestras. La figura muestra las configuraciones correspondientes a diversos valores de . Las series econmicas a menudo muestran una variabilidad que depende de forma aproximadamente lineal de la media. En ese caso, la transformacin adecuada caso es la logartmica (=0)
Ver. 24/03/2010, Pag. # 4
>0
=0 <0
=1
Mes
7 6.5 65
6 5.5 5 4.5 4 ene-49 9 ene-50 0 2 ene-52 ene-53 3 ene-54 4 ene-55 5 ene-56 6 ene-57 7 ene-58 8 ene-59 9 ene-60 0 ene-51
La primera figura muestra la serie de pasajeros de lneas areas Esta serie muestra una dispersin que crece con su media, por lo que resulta difcil aplicarle tcnicas estadsticas estndar L segunda fi La d figura muestra el l t l logaritmo it neperiano los datos, que es la transformacin Box-Cox ms habitual; como puede verse la dispersin se ha estabilizado verse, en un valor independiente de la media La transformacin logartmica tiene distintas ventajas estadsticas ya que, a menudo: que independiza la varianza de la media induce normalidad en los datos, y li linealiza l relaciones li las l i Un ventaja conceptual es que al prever una variable a partir de su logaritmo, las previsiones pre isiones sern no negati as negativas
Ver. 24/03/2010, Pag. # 5
Mes
650
600
400 550 300 200 100 0 1950 1952 1954 1956 1958 1960 450 1950 1952 1954 1956 1958 1960 500
LAIR
Los grficos indican que: Hay una relacin aproximadamente lineal entre nivel y volatilidad, Que se reduce o elimina en la serie transformada logartmicamente
Ver. 24/03/2010, Pag. # 6
zt = y t y t 1
es estacionaria en media. La serie de la primera figura es una muestra del proceso estocstico y t = y t 1 + at ; at iid N(0 01) P tanto, zt = y t y t 1 ser estacionaria. N(0,.01) Por t t . t i i
1
.3 .2 .1 -1 .0 -2 2 -.1 -3 -.2 -.3 100 200 300 400 500 100 200 300 400 500
-4
Primera diferencia
Algunas series necesitan una diferencia adicional p g para conseguir una media g incondicional estable. En ese caso se dice que son integradas de orden dos
Ver. 24/03/2010, Pag. # 7
zt = y t y t 1
zt = ln y t ln y t 1
w t = zt zt 1 ; zt = ln y t ln y t 1 zt = ln y t ln y t S
Diferencias regulares y tendencia: p g g La primera figura muestra el logaritmo de la serie de pasajeros de lneas areas; esta serie tiene tendencia, por lo su media no es estable ni finita Si al dato en cada mes se le resta el dato del mes anterior queda una serie que flucta establemente en torno a un nivel finito (segunda figura) El cambio mes a mes del logaritmo de una serie es la tasa logartmica intermensual (tasa log) Esta serie se parece a la tasa de variacin en tanto por uno Aunque la tasa log ya no tenga tendencia sigue teniendo estacionalidad: en vez de una media ha doce medias na hay
Ver. 24/03/2010, Pag. # 9
Pa asajeros/mes (log) )
6 5.5 5 4.5 4 ene-49 ene-50 ene-51 ene-52 ene-53 ene-54 ene-55 ene-56 ene-57 ene-58 ene-59
ene-5 59
Mes
0.35 0.25
0.15 0.05 -0.05 -0.15 -0.25 -0.35 ene-4 49 ene-5 50 ene-5 51 ene-5 52 ene-5 53 ene-5 54 ene-5 55 ene-5 56 ene-5 57 ene-5 58 ene-6 60
Mes
ene-60
6 5.5 5 4.5 4 e ene-49 e ene-50 e ene-51 e ene-52 e ene-53 e ene-54 e ene-55 e ene-56 e ene-57 e ene-58 e ene-59 e ene-60
Mes
0.45 0.35
0.25 0.15 0.05 -0.05 0.05 -0.15 -0.25 -0.35 ene-4 49 ene-5 50 ene-5 51 ene-5 52 ene-5 53 ene-5 54 ene-5 55 ene-5 56 ene-5 57 ene-5 58 ene-5 59 ene-6 60
Diferencias estacionales: La primera figura muestra nuevamente el logaritmo d l serie d pasajeros d l it de la i de j de lneas areas; esta serie tiene estacionalidad, por lo que su media cambia cclicamente Si al (log) del dato en cada mes se le resta el (log) del dato del mismo mes en el ao anterior, se obtiene una serie sin estacionalidad aparente pero con cambios locales en la media (segunda figura) El cambio ao a ao del logaritmo de una g serie es su tasa de variacin logartmica interanual Esta serie se parece a la correspondiente tasa de variacin en tanto por uno:
ln y t ln y t 12
yt 1 y t 12
Ver. 24/03/2010, Pag. # 10
Mes
Mensajes publicitarios: p Muchas series temporales: no tienen una media finita, o su media cambia en el tiempo y, a menudo, men do su variabilidad depende de su media
en ne-49 en ne-50 en ne-51 en ne-52 en ne-53 en ne-54 en ne-55 en ne-56 en ne-57 en ne-58 en ne-59 en ne-60
Mes
0.35 0.25 0.15 0.05 -0.05 -0.15 -0.25 -0.35 ene-4 49 ene-5 50 ene-5 51 ene-5 52 ene-5 53 ene-5 54 ene-5 55 ene-5 56 ene-5 57 ene-5 58 ene-5 59 ene-6 60
La mayora de las series temporales sobre temporales, todo las medidas en unidades monetarias, requieren: una transformacin logartmica logartmica, al menos una diferencia regular, y si hay estacionalidad, al menos una y diferencia estacional Las series transformadas resultantes p pueden interpretarse como cambios en las p tasas (log) de variacin
Ver. 24/03/2010, Pag. # 11
Mes
/ y t = (1 B )y t = y t y t 1
En series estacionales de perodo S a menudo se utiliza una variante de este S, operador que se conoce como diferencia estacional:
S / S y t = (1 BS )y t = y t y t s
zt =
c 1 at = z + (1 + B + 2B 2 + ) at + 1 1 B
Ejemplo 2. Un MA(1) con races en o fuera del crculo de radio unidad puede 2 escribirse como: zt = z + (1 B )at o, alternativamente, como:
1 zt = z + at ; (1 + B + 2B 2 + ) zt = c + at 1 B 1
Esto quiere decir que el proceso ARIMA es una aproximacin finita a los procesos estocsticos generales: Forma pi: zt = c + 1zt 1 + 2 zt 2 + + at Forma psi: zt = z + at + 1at 1 + 2at 2 +
Ver. 24/03/2010, Pag. # 16
Si los polinomios AR y MA tienen sus races en o fuera del crculo de radio unidad unidad, el proceso ARIMA puede escribirse de las siguientes formas equivalentes: yt
d ,m
= z +
q (B ) p (B )
at
p (B ) q (B )
( y t
d
,m
z ) = at
p (B ) q (B )
d y t ,m = c + at
Ver. 24/03/2010, Pag. # 17
500 400 300 200 100 0 1950 1952 1954 1956 1958 1960
Las series econmicas a menudo muestran un comportamiento estacional, esto es, una pauta que se repite con una periodicidad fij a i i di id d fija, menudo anual. El perodo estacional (S) se define como el nmero d observaciones necesarias para de b i i recorrer todo el ciclo estacional. Por ejemplo, S=12 para datos mensuales, S=4 para datos trimestrales, etc. trimestrales etc
[operador diferencia estacional] Este modelo admite relaciones entre un dato y el de S perodos atrs.
Ver. 24/03/2010, Pag. # 18
yt
y ,my
= (x
x ,m x T t
) + t ;
c o n
D p (B ) P (BS )S d t = q (B ) Q (B S )at
o bien:
De manera que los valores de la serie temporal se ponen en relacin, no slo con su pasado sino tambin con los valores contemporneos de otras series pasado, series, que actan como variables explicativas o inputs. Las variables x t x x pueden ser series econmicas o variables deterministas diseadas para modelizar: Efectos calendario, causados por irregularidades en la unidad de tiempo como pueden ser: distinto nmero de das laborables y festivos o celebracin de la Semana Santa. Valores atpicos (outliers) debidos a fenmenos como, p.ej., el split del nominal de u a acc , ca b os e tipos impositivo o fenmenos co o inundaciones o una accin, cambios en pos pos o e e os como u dac o es terremotos. En este caso se dice que el modelo es de intervencin.
Ver. 24/03/2010, Pag. # 19
,m
1 si t = t * i xt = 0 si t t *
Impulsos compensados. Producen un cambio en el nivel de una observacin, seguido por un cambio de nivel compensatorio en la observacin siguiente. Pueden modelizarse mediante:
1 si t = t * IC xt = 1 si t = t * + 1 i 0 si t t * , t * + 1
Escalones. Producen un cambio en el nivel de todas las observaciones p posteriores a una fecha dada. Pueden modelizarse mediante:
1 si t t * x = 0 si t < t *
E t
Metodologa (I) g ()
Definir los objetivos del anlisis, estudiar la informacin disponible
Los mtodos de anlisis de series temporales combinan los modelos e instrumentos anteriores en una metodologa sistemtica para construir y t d l i t ti t i probar modelos
no
si
m,
Grfico media-desviacin tpica Grfico de la serie temporal Grfico de la serie temporal ACF (decrecimiento lento y lineal) Media muestral de la serie diferenciada Desviacin tpica de la media PACF de orden p ACF infinita
d, orden de diferenciacin
Trmino constante
d, orden de diferenciacin