Академический Документы
Профессиональный Документы
Культура Документы
CAPTULO 3
3. SERIES DE TIEMPO
Las series de tiempo son un registro metdico a intervalos de tiempo fijos de las caractersticas de una variable, o su observacin numrica. Se usan para describir y analizar fennemos a travs del tiempo. Las series de tiempo son en definitiva procesos estoc ticos, pero con la restriccin de !ue estn inde"ados por el tiempo y !ue los cortes se #agan a intervalos fijos. $efiniremos a continuacin un proceso estoc stico.
3.1 Procesos Estocsticos %n proceso estoc stico es una familia de variables aleatorias asociada a un conjunto ndice de n&meros reales' es decir a cada elemento del conjunto de n&meros ndice, le corresponde una y solo una variable aleatoria.
4(
Sea T el conjunto de n&meros reales ndice. $efinimos Z () como la variable aleatoria correspondiente al elemento
de T )es decir,
est
en T *. $efinimos al proceso estoc stico como la familia )o el conjunto* de variables aleatorias + Z (),
Las series de tiempo discretas, ) 1 , 2 , 3 ,-, n *. son las observaciones de una variable en el tiempo )/,0...n*. 1l proceso estoc stico respectivo ser ' + 2) 1 *, 2) 2 *, 2) 3 *,-..2) n * ,. 1s decir, una familia )o conjunto* de variables aleatorias. 1n lo sucesivo el nombre de la variable en )t* y su valor observado, se denotar n por Z t .
%na serie de tiempo observada es simplemente una realizacin de un proceso estoc stico' siempre #abr un elemento probabilstico en las
f (Z)
si
stas
son
variables
aleatorias
independientes'
f ( Z1 , Z 2 ) = f ( Z1 ) f ( Z 2 ) .
43
1n el an lisis de series de tiempo se establece el supuesto de !ue las observaciones no provienen de variables aleatorias independientes' se supone !ue e"iste toda una estructura de correlacin entre las observaciones4 por lo !ue no es f cil obtener la funcin de densidad conjunta.
3.1.1. Ventajas de a !icar rocesos estocsticos a series de tie" o# 5le"ibilidad para representar un amplio n&mero de fenmenos mediante una sola clase general de modelos. 5acilidad y precisin en pronsticos. 6eneralizar mtodos de an lisis de variables individuales a grupos de variables.
7#ora analizaremos los procesos determinsticos. 8ara ello, vamos utilizar ciertas #erramientas de las ecuaciones en diferencia.
:;emporalmente< #acemos caso omiso a la aleatoriedad. Luego, ya #aremos un smil entre e!uilibrio y estacionariedad.
=>
Z t = Z t +1 Z t
La ecuacion'
Z t = a 0 + a1 Z t 1
( 1 a1 B ) Z t
= a0
Z t = [ a 0 / (1 a1 ) ] + sa1t
1s f cil probar !ue la solucin de la ecuacin diferencial /, est dada por la ecuacin 0 ' aplicando a la ecuacin 0 el operador4 1 a1 B se obtiene la ecuacin )/*.
La solucin particular re!uiere informacin adicional para calcular el valor de ( s ) . @ s generalmente, conociendo la condicin inicial Z 0 , se tendra !ue Z 0 = [ a 0 / (1 a1 ) ] + s , y la solucin de la ecuacin en diferencia sera'
=/
a1 <1 ,
cuando
Z 1 = a 0 + a1 Z 0
Z 2 = a 0 + a1 ( a 0 + a1 Z 0 ) = a 0 (1 + a1 ) + a12 Z 0
Z 3 = a 0 + a1 Z 2 = a 0 + a 0 a1 + a12 + a13 Z 0 Z 3 = a 0 (1 + a1 + a12 ) + a13 Z 0 Z 4 = a 0 1 + a1 + a12 + a13 + a14 Z 0 Z t = a 0 (1 + a1 + a12 + a13 + ...a1t 1 ) + a1t Z 0
Z t = a 0 1 a1t / (1 a1 ) + a1t Z 0
Z t = a 0 + a1 Z t 1 + a 2 Z t 2
=0
%na vez definida la funcin de autocavarianza, podremos definir la estacionariedad de un proceso estoc stico, en este caso, de una serie de tiempo )m s especificamente nos referimos a la estacionalidad dbil*. 1n general, cuando se #abla de estacionaridad nos referimos a estacionaridad dbil.
{ X t ,t Z} ,
ii+ E[ X t ] = , t Z
s, t , h Z . iii+ Cov[ X s , X t ] = Cov[ X s +h , X t +h ] ,
1n resumen para !ue una serie de tiempo sea estacionaria se necesita !ue su varianza se mantenga finita, !ue su primer momento sea constante a lo largo del tiempo y !ue la covarianza entre dos variables de la serie solo dependan de el lapso entre estas y no en su ubicacin en el tiempo )es decir la covarianza entre X s y X t solo dependedan de ( s t ) , y no de
s ni de t .
=A
Se dice !ue la serie de tiempo { X t , t Z } es estrictamente estacionaria si la distribucin conjunta de ( X t1 . X t 2 , X t3 ,..., X t 4 ) es la misma !ue la de ( X t1 +h . X t 2 +h , X t3 +h ,..., X t 4 +h ) .
$ebe notarse !ue en la estacionaridad estricta no se necesita !ue los X t @antengan su varianza finita, por consiguiente la estacionaridad estricta no implica necesariamente estacionaridad dbil. ;ambin es de notar !ue toda funcin no lineal de un proceso estrictamente estacionario sigue siendo estrictamente estacionario, sin embargo no sucede lo mismo con las funciones no lineales de procesos estacionarios dbiles. 8or ejemplo el cuadrado de un proceso estacionario dbil puede no tener una varianza finita.
Las propiedades de los procesos estacionarios y no estacionarios son muy diferentes, y re!uieren diferentes mtodos para realizar inferencias. %n procedimiento, para estudios empricos, sencillo y &til de reconocer entre un proceso estacionario y uno no estacionario es ploteando los datos. Si una serie parece no tener una media constante o varianza, entonces es muy probable !ue no sea estacionaria.
=4
3.3.1.3. Estacionariedad de !as series de tie" o# 1n la pr ctica muc#as series no son estacionarias4 pero s sus primeras y segundas diferencias. 1l propsito de diferenciar una serie es volver estacionaria al diferencial de dic#a serie. Bo
obstante, debe recordarse !ue si se toman diferencias de series !ue ya son estacionarias4 estas diferencias tambin ser n estacionarias. Luego puede darse una sobre diferenciacin de las series4 lo !ue acarrea problemas de identificacin respecto a a!uel modelo !ue representa mejor el proceso !ue sigue la serie y se incrementa su varianza.
%na serie de tiempo es estacional cuando adem s de su tendencia y ciclo de largo plazo, muestra fluctuaciones !ue se repiten peridicamente.
?bservaciones
mensuales'
puede
#aber
similitud
de
comportamiento para observaciones del mismo mes4 por ejemplo, venta de juguetes en los :meses de diciembre<. ;ambin puede #aber
==
un patrn de comportamiento peridico con duracin menor a un aCo4 por ejemplo, :cada seis meses< a partir de junio. Las observaciones de los :meses de junio< y los :meses de diciembre< ser n similares en su comportamiento, adem s de un comportamiento similar de las observaciones de los :meses de diciembre< entre s, y de los :meses de junio< entre s. 1s conveniente considerar genricamente un periodo 1 donde
3.3.1.-. Procesos Er'.dicos La ley de los grandes n&meros de Dolmogorov establece !ue si los
X i Es son indepedientes y est n todos identicamente distribuidos
X = n 1 X i .
i =1
1n series de tiempo en lugar de tener un promedio de un conjunto de individuos en un instante dado, tendremos un promedio a travs del tiempo del mismo individuo. 8ara entender mejor esta diferencia consideremos primero un conjunto de estudiantes formanado un curso, se tom primero el promedio de todo el curso de cierto
=F
e"amen final. Luego se tom el promedio de la carrera estudiantil de un solo estudiante. 9iertamente son medidas diferentes. 1n el primer caso la ley de los grandes n&meros afirma !ue el promedio del curso converger al de la distribucin. 8ara poder #acer una aplicacin de esta ley, a las series de tiempo es necesario !ue stas sean ergdicas y estacionarias.
8ara definir lo !ue es un proceso ergdico, primero debemos definir lo !ue son las medias temporales de un proceso. Si Y (t ) es un proceso estoc stico, entonces su media temporal, as'
Y (t )
, se define
1 Y (t ) = lim k 2T
Y (t ) dt
estadsticas de la familia pueden ser intercambiadas por sus correspondientes medias temporales. 1s decir una simple
=7
proceso sea ergdico implica !ue ste sea estacionario, pero al revs no.
es decir' X t = t 1 X i .
i =1 _ n
3.3.1./. Procesos estocsticos !inea!es# ?curren c#o!ues aleatorios independientes de una variable. 1stos c#o!ues, generan series de tiempo para otras ciertas variables,
cuyos valores sucesivos pueden ser altamente dependientes' esta es la idea genial !ue introdujeron Hule)/307* y Io" J KenDins )/37>*.
( at )
embargo, los valores !ue se generan para Z t relacionada con un polinomio de rezagos de a t , son altamente dependientes con valores sucesivos de Z .
=(
8or
ejemplo'
at,
la
variable
sujeta
c#o!ues
aleatorios
la cual tiende
afectar :las cosec#as de maz<. 1s factible !ue la cosec#a de maz en el perodo t, denotada por Z t est afectada por la cantidad de lluvia del aCo t, la de un perodo pasado y la del perodo antepasado4 por lo !ue la cosec#a actual y la del aCo pr"imo estar n
relacionadas ' ambas dependientes de las lluvias actuales y las del aCo pasado.
Z t = + a t 1a t 1 2 a t 2 .... = + 1 1 B 2 B 2 3 B 3 + ... a t
Z t = + ( B ) a t
1l polinomio de retraso para a t :convierte<, a travs de una relacin, el proceso estoc stico + a t , en el proceso + Z t ,.
3.3.1.0. Caracter1sticas de %na serie de tie" o.( 8ara realizar inferencias acerca de estas variables, muc#as veces es &til :descomponer< la serie de tiempo por componentes' sus principales
=3
serie.
se reproducen peridicamente )fin de semana, diciembres, los viernes, etc.*. Lrregularidad' movimientos impredecibles o aleatorios.
;endencia y ciclo y estacionalidad, conforman la parte determinstica de la serie, mientras !ue la irregularidad representa la parte noM
@uc#os usuarios de la informacin se limitan a desestacionalizar las series estoc sticas )en parte por la generalizacin de mtodos de desestacionalizacin*, sin intentar un an lisis completo. estadstico mas
3.-. Mode!os de series de tie" o 3.-.1. O eradores 2 o!ino"ios# Los polinomios de retraso son muy &tiles, por!ue permiten
representar en forma concisa y simple modelos !ue son muy valiosos )pero !ue parecen complejos*.
F>
indica !ue se debe retrasar la variable un periodo' es decir, tambin, y en general, I 2 t N 2 tM/, I02 t N I OI 2 tP N IO2 tM/P N 2 tM0 , IQ 2 t N 2 tMQ.
Z t = Z t Z t 1 = (1 B ) Z t
2 Z t = ( Z t Z t 1 ) = ( Z t Z t 1 ) ( Z t 1 Z t 2 )
or o*ser8aciones
resentes 2
G ( B ) Z t = Z t g1 Z t 1 g 2 Z t 2 ... g k Z t k = Z t g j Z t j
G ( B ) = A( B ) / C ( B )
7)I* N /M aj I j 4 9)I*N /M c j I j
F/
1s claro !ue en este caso 6)I* es un polinomio de retraso racional, puesto !ue es e!uivalente a la relacin '
6 )I* N 7 )I* T 9)I* N/ T ) /Mg I*. $onde' 7 )I* N / 4 9)I* N )/Mg I*.
A( B ) Z t N constante
A( B ) Z t = constante + a t
F0
(1 B B
1 2
3 B 3 + ..... p B p ) . Luego el
[1 B B
1 2
3 B 3 4 B 4 + .... p B p Z t = constante + a t
(1
como'
~ = [1 B B 2 ... B p ] Z ~ =a Z ~ = ( Z ) ( B) Z . 1 2 p t t t
Z t = (1 1 2 ... p ) + 1 Z t 1 + 2 Z t 2 + p Z t p + a t
1s
importante
determinar
si
el
proceso
estoc stico
tiene
estacionariedad4 es decir si ( Z t ) tiende a localizarse )la mayora de las veces* en la vecindad de su valor medio.
;enemos'
FA
( Z t ) = 1 ( Z t ) + 2 ( Z t 1 ) + ... n ( Z t k ) + a t
[1 B B
1 2
3 B 3 ..... p B p ( Z t ) = a t
( B ) [ Z t ] = a t
1l modelo 7U ser de orden )/,0,A,-p*, de acuerdo con el n&mero )/,0,A,..p* de rezagos !ue el realice. polinomio operador de rezagos )I*
F4
deber
Mode!o AR 9$+#
~ [1 B B ] Z
2 1 2
= at .
[Yule 1927]
~ (Z t
= Zt )
Mode!o AR 9 +#
[1 B B
1 2
~ =a . 3 B 3 ..... p B p Z t t
~ = Z ~ + Z ~ ~ ~ Z t 1 t 1 2 t 2 +3 Z t 3 ....... + p Z t p + a t
Mode!os ro"edios ".8i!es 9MA+. Lntroducidos por Hule )/30F* y SlutsQy )/307*. Son procesos estoc sticos {Z t } , cuyos valores pueden ser dependientes entre s,
F=
0 A 4 ! 2t N )/M q I * a t 3 I M 1 I M 2 I M 4 I ---.M
un n&mero finito de
Z t = + a t + 1 at 1 + 2 at 2 + ... + n a n
( Z t ) = (1 + 1 B + 2 B 2 + 3 B 3 + ... + n B n )a t
FF
promedios mviles, o modelo @7 por sus siglas en ingls. $e acuerdo con el n&mero de rezagos !ue el polinomio operador de rezag.os ) I * realice )/,0,A, -!*, el modelo @7 alcanzar orden )/,0,A, -!*. un
Mode!o MA91+#
~ = Z )/M t
I*a t Na tM a tM/
cero para K 2 .
F7
1l proceso @7)/* :no recuerda< m s all de lo ocurrido el periodo anterior4 es decir tiene una memoria limitada a un periodo. Bote !ue k >.=.
Los procesos autorregresivos estacionarios pueden representarse por modelos de promedios mviles )siempre !ue sea menor a uno*4 de igual forma los modelos @7 )/* pueden representarse en forma de un modelo autorregresivo si / .
1n general cuando un proceso 7@)!* se puede e"presar mediante un modelo 7U)p* se dice !ue dic#o proceso es invertible.
Mode!o MA 9$+#
~ = Z )/M t
I.M 2 I0* a t
~ = Z ) (Z t t
~ ~ 2 1 ( Z t ) N > 4 V7U ( Z t ) N ) / R + 2 * a .
Mode!o MA 9:+
F(
~ = Z )/M t
! WI M 2 I0 M -..M q I * a t
~ = Z at M W a t
tM/
M 2 atM0---..M q a tM!.
DN /,0,A ...! y cero para k q +1 4 lo !ue nos seCala !ue el proceso @7 )!* tiene :memoria limitada< a ! periodos.
ARMA 9 , :+#
@odelo autorregresivo y de promedios mviles' 8roceso estoc stico !ue sigue la variable aleatoria 2t , cuya desviacin con respecto a su valor esperado lo denotamos por'
~ Z
t
N 2 tM
1l modelo lo e"presamos de la siguiente forma' /* ( B ) Z t = ( B) at , $onde )I*, )I* son operadores de rezagos de orden p y ! respectivamente, +at, es una variable aleatoria con proceso de ruido blanco )media cero y varianza finita*.
F3
sera'
2 p 2 q /./* (1 + 1 B + 2 B + ... + p B ) Z t = (1 + 1 B + 2 B + ... + q B )at
1l modelo 7U@7 )p, !* es una generalizacin de los modelos 7U y @7, combinando ambas clases de modelos. ;al generalizacin surge de observar !ue las series de tiempo presentan,
simult neamente, caractersticas de procesos 7U H @7. 7dem s, el principio de parsimonia sugiere construir modelos !ue incluyan el menor n&mero posible de par metros.
1s de esperarse !ue no todas las series de tiempo sean estacionarias, supuesto bajo el cual est construido el modelo
7U@7. Bo obstante, sabemos !ue para casi cual!uier serie no estacionaria, la primera, segunda o tercera diferencia de la serie si es estacionaria. Iajo estas condiciones Haglom )/3==*, consider
~ !ue si el proceso original + Z t , adolece de no estacionariedad
7>
le denomina no estacionariedad #omognea* es posible construir un proceso estacionario +Yt,, tal !ue'
~ 0* Yt N d Z t , para toda t. 8ara esta nueva serie es posible obtener
un modelo 7U@7'
1n el modelo 7UL@7 el trmino :integracin< proviene de !ue 2 t e!uivale a la suma de un n&mero infinito de valores actuales y pasados de Yt . 9onsideremos la ecuacin 0, para d N/. 1l valor de 2t se puede obtener multiplicando ambos lados de dic#a ecuacin por el operador M/, obtendramos' 2t N M/ Yt N )/MI*M/ Y t N Y t R Y tM/ R Y tM0 R Y tMA R-.. -, una suma de un numero infinito de trminos.
7/
generalizacin del modelo 7U@7 para llegar a lo !ue se conoce como modelo 7UL@7.
;endremos finalmente'
~ NIa ) I * O d ) 2 t M * P N ) I * d Z t t.
Gue constituye el llamado modelo autorregresivo integrado y de promedios mviles, o modelo 7UL@7 por sus siglas en ingls )autorregresive, integreted, moving average*.
1l modelo 7UL@7 se describe m s precisamente como' 7UL@7 )p, d, !*. $onde p es el n&mero de rezagos !ue el polinomio operador de rezagos )I * realiza, d es el n&mero de diferenciaciones sobre
~ !ue el operador d realiza y ! es el n&mero de rezagos !ue el Z t
( B )
d Z t
( B ) a t
70
<i'. -
%n modelo 7UL@7 )p, d, !* indica !ue el modelo consta de un polinomio autorregresivo de orden p, de una diferenciacin en la
~ variable de estudio Z t de orden d, y de un polinomio de promedios
7 fin de incorporar los efectos estoc sticos estacionales y no estacionales a !ue est n sujetos los valores observados de cierta caracterstica de la poblacin, o series de tiempo, Io" y KenQins )/37>* propusieron un modelo general del tipo'
D * N )I1* )I1 * E ) 2 tM
7A
)I* d
t N )I* a t
9on )a t* un proceso de ruido blanco. $e estas dos <imas e"presiones se obtiene el modelo multiplicativo estacional'
9omo es de esperarse, a mayor complejidad del modelo corresponde una estructura de autocorrelacin m s compleja.
1l modelo 7UL@7 multiplicativo estacional para series con observaciones mensuales permite4
/* 9onsiderar la relacin !ue puede e"istir entre las observaciones de meses contiguos dentro de los aCos.
0* 9onsiderar la relacin !ue puede #aber entre aCos, para las observaciones de los mismos meses.
74
1s decir se :captura< simult neamente, los efectos estacionales y de tendencia del proceso :multiplicativa< o de :autoMrefuerzo< de manera de tales efectos.