Captulo 3

Modelos de Funci on de
Transferencia
3.1. Introduccion
En muchos sistemas, medioambientales, economicos, . . . , los valores que
toma una variable, que llamaremos output, estan causados o inuenciados
por los valores de otras variables, que llamaremos inputs, y que pueden ser
una o varias. Por ejemplo, el caudal de un ro esta causado logicamente por
las precipitaciones acaecidas con anterioridad y tambien por las temperaturas.
Para modelizar formalmente las relaciones dinamicas existentes entre una vari-
able unidimensional output y las variables input se puede utilizar un modelo de
funcion de transferencia. Este tipo de modelos se puede formular como
output = componente dinamica + ruido,
donde la componente dinamica modeliza la forma en que cada serie input afecta
a la respuesta dinamica de la serie output, y el ruido recoge la perturbacion
estocastica que no puede ser explicada por la componente dinamica. Puesto
que el comportamiento del output se explica en terminos de las variables input,
tambien en algunos textos los modelos de funcion de trasferencia reciben el
nombre de modelos dinamicos o modelos de regresion dinamicos.
En ciertas ocasiones puede que no sea obvio plantear cual es la variable que
causa a cual, de hecho puede ocurrir que esten inuenciadas recprocamente,
como en el caso del gasto en publicidad y las ventas de un determinado producto.
Estos modelos de causalidad bidireccional o retroalimentacion quedan fuera de
los objetivos perseguidos en esta leccion y son analizados mediante modelos
vectoriales multivariantes. Por ello, en una primera fase es conveniente estudiar
la relacion de causalidad entre las variables. Esto lo vamos a realizar presentando
algunas propiedades y estudiando la funcion de correlacion cruzada.
Una vez que se hayan identicado la/s variable/s que intervienen en la com-
ponente dinamica se procedera a la construccion del modelo siguiendo las etapas
de identicacion, estimacion y validacion. En la fase de identicacion se
1
2 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
plantea una funcion de transferencia que describa la relacion dinamica en el
tiempo existente entre cada input y la variable output, tambien se identica
un modelo ARIMA sobre la componente, en principio autocorrelada, del ruido.
Una vez estimados los parametros, se estudia si el modelo es adecuado o no
mediante procedimientos gracos o usando algunos contrastes dise nados para
tal efecto. Acabamos el desarrollo teorico de este tema con una seccion dedicada
a la prediccion usando este tipo de modelos.
Esta leccion se concluye con la aplicacion de las tecnicas descritas a un
ejemplo practico en el que se ilustran los distintos enfoques considerados.
3.2. Causalidad
El objetivo de esta seccion es presentar procedimientos estadsticos para
responder formalmente a las cuestiones sobre causalidad. En un primer lugar
presentamos la denicion de causalidad dada por Granger (1969) y, posterior-
mente, se explica como un analisis de las correlaciones cruzadas de los residuos,
obtenidas en el ajuste de modelos ARIMA a las series originales, puede em-
plearse para detectar las relaciones de causalidad (Pierce y Haugh, 1977).
Vamos a comenzar presentando la notacion que hace referencia a la infor-
macion contenida en el comportamiento pasado de la serie. As, consideramos
x
t
= (x
t
, x
t1
, . . . ) = (x
ti
, i 0),
y
t
= (y
t
, y
t1
, . . . ) = (y
ti
, i 0),
(x
t
, y
t
) = (x
ti
, i 0, y
ti
, i 0).
Esta informacion puede ser usada para predecir valores futuros de las vari-
ables. En lo que sigue, asumiremos que las predicciones de las variables se ob-
tienen mediante combinaciones lineales. Notaremos la mejor prediccion lineal
del vector x basada en la informacion I como E(x|I). El correspondiente er-
ror de prediccion es (x|I) = x E(x|I). Su error cuadratico medio puede ser
calculado usando la matriz de covarianzas residual estimada
var((x|I)).
Granger (1969) sugirio la introduccion de la siguientes deniciones que in-
volucran las predicciones condicionadas a su pasado.
Denicion 3.2.1
1. y causa a x en el tiempo t si y solo si
E
_
x
t
|x
t1
, y
t1
_
= E(x
t
|x
t1
).
2. y causa a x instantaneamente en el tiempo t si y solo si
E
_
x
t
|x
t1
, y
t
_
= E
_
x
t
|x
t1
, y
t1
_
.
3.2. CAUSALIDAD 3
Como un resultado de las propiedades de regresion lineal, la prediccion basada
en mas informacion es necesariamente mejor. As, siempre se vericara que
var((x
t
|x
t1
, y
t1
)) var((x
t
|x
t1
)).
Por ello, la condicion de causalidad se puede expresar en funcion del error de
prediccion.
Teorema 3.2.1
1. y no causa a x en el tiempo t si y solo si
var((x
t
|x
t1
, y
t1
)) = var((x
t
|x
t1
)).
2. y no causa a x instantaneamente en el tiempo t si y solo si
var((x
t
|x
t1
, y
t
)) = var((x
t
|x
t1
, y
t1
)).
La demostracion del teorema es obvia, ya que la no causalidad se presenta
cuando las predicciones condicionadas coinciden. En consecuencia, las varian-
zas de los errores de prediccion seran iguales. Si las varianzas son iguales,
teniendo en cuenta que (x
t
|x
t1
, y
t1
) = ((x
t
|x
t1
)|y
t1
) se deduce que
E(x
t
|x
t1
, y
t1
) = E(x
t
|x
t1
).
Por lo tanto y causa a x en el tiempo t si el pasado de y proporciona
informacion adicional para la prediccion de x
t
con respecto a usar unicamente
el pasado de x. Una interpretacion en terminos de incorrelacion parcial puede
realizarse usando las condiciones de no causalidad. Recordemos que dos vectores
x e y estan incorrelados parcialmente con respecto a un conjunto de informacion
I (se suele denotar x y|I) si y solo si
cov(x E(x|I), y E(y|I)) = cov((x|I), (y|I)) = 0.
Teorema 3.2.2
1. y no causa a x en el tiempo t si y solo si x
t
e y
t1
estan incorrelados
parcialmente con respecto a x
t1
, es decir,
x
t
y
t1
|x
t1
.
2. y no causa instantaneamente a x en el tiempo t si y solo si x
t
e y
t
estan
incorrelados parcialmente con respecto a (x
t1
, y
t1
), es decir,
x
t
y
t
|(x
t1
, y
t1
).
Demostracion:
Vamos a demostrar unicamente la primera armacion, la segunda se demuestra
de forma analoga.
=
4 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
En este caso suponemos que la variable y no causa a x en el tiempo t,
por lo que E(x
t
|x
t1
, y
t1
) = E(x
t
|x
t1
). Por lo tanto, para k 1,
cov(x
t
E(x
t
|x
t1
), y
tk
E(y
tk
|x
t1
)) =
cov(x
t
E(x
t
|x
t1
, y
t1
), y
tk
E(y
tk
|x
t1
)).
Como las predicciones son lineales, las covarianzas entre los errores y
cualquiera de los regresores son nulas. El primer termino de la covar-
ianza es el error de prediccion de x
t
sobre las variables (x
t1
, y
t1
),
y el segundo termino esta formado por variables en ese espacio, con
lo que la covarianza anterior toma el valor cero. Al ser cierto para
cualquier k 1, se prueba la condicion de ortogonalidad.
=
La condicion de ortogonalidad equivale a que la primera covari-
anza sea nula. Si realizamos la prediccion de x
t
usando las vari-
ables x
t1
, por ser una prediccion lineal y la covarianza anterior
nula, obtenemos la misma prediccion si a nadimos a este conjun-
to de variables cualquier y
tk
con k 1. Por ello se verica que
E(x
t
|x
t1
, y
t1
) = E(x
t
|x
t1
).

A continuacion presentamos una caracterizacion de la causalidad dada por

Pierce y Haugh. En ella, esta propiedad se expresa en funcion de los errores de
prediccion de las series sobre la informacion contenida en sus respectivos pasa-
dos. Para ello denimos en primer lugar el concepto de causalidad en general.
Denicion 3.2.2
Se dice que y no causa a x (instantaneamente) si y solo si y no causa a x
(instantaneamente) en el tiempo t para todos los valores posibles de t.
Teorema 3.2.3
y no causa a x si y solo si, para cualquier t,
cov((x
t
|x
t1
), (y
tj
|y
tj1
)) = 0, j 1.
Demostracion:
=
Si no existe causalidad entonces se verica que E(x
t
|x
t1
, y
t1
) =
E(x
t
|x
t1
). Por lo que la covarianza entre (x
t
|x
t1
) y cualquier
variable y
tj
con j 1 vale cero. Por ello, y debido a que si j 1,
(y
tj
|y
tj1
) corresponde a una combinacion lineal de valores y
tk
con k 1, el valor de la covarianza que aparece en la tesis del
teorema vale cero.
3.2. CAUSALIDAD 5
=
Si el valor de la covarianza es nulo, debido a que los espacios (y
tj
, j
1) y ((y
tj
|y
tj1
), j 1) son equivalentes, se deduce que se veri-
ca que
cov((x
t
|x
t1
), y
tj
) = 0, j 1,
y esto implica, ya que la covarianza de (x
t
|x
t1
) con cualquier vari-
able x
tk
con k 1 vale cero, que
cov((x
t
|x
t1
), (y
tj
|x
t1
)) = 0, j 1.
Esta condicion es simplemente
x
t
y
t1
|x
t1
,
por lo que y no causa a x.

El teorema anterior pone de maniesto que la correlacion entre los errores de

prediccion puede ser usada para estudiar la causalidad. Para simplicar supong-
amos que las variables x e y son unidimensionales, y que podemos expresar x
t
e y
t
en funcion de su pasado como
x
t
=

j=1
a
j
x
tj
+ u
t
,
y
t
=

j=1
b
j
y
tj
+ v
t
,
donde,
u
t
= (x
t
|x
t1
),
v
t
= (y
t
|y
t1
).
Estos valores u y v se calculan a partir de los residuos obtenidos mediante la
expresion AR() de las series. Tambien pueden calcularse ajustando un modelo
ARIMA y ltrando la serie para obtener los valores del ruido. Este hecho se
conoce con el nombre de preblanqueo. Por ello, un estudio de la causalidad entre
dos series equivale a un estudio de correlacion entre las series preblanqueadas.
As, la causalidad se detecta preblanqueando las series y calculando la fun-
cion de autocorrelacion cruzada, que se dene en el retardo k entre las series u
y v como

uv
(k) =
E[u
t
v
t+k
]
_
E[u
2
t
]E[v
2
t
]
.
La expresion anterior puede tomar valores comprendidos entre -1 y 1. A difer-
encia de las funciones de autocorrelacion y autocorrelacion parcial, esta funcion
6 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
no es par, es decir,
uv
(k) =
uv
(k), y por ello se suele calcular tanto para
valores positivos como para negativos. De acuerdo con los valores que presenta
esta funcion, las relaciones de causalidad se pueden resumir en los resultados
que aparecen en la tabla 3.1. Por ejemplo, si comentamos la primera armacion,
x causa a y si el pasado de x contiene informacion adicional no contenida en el
pasado de la serie y; por ello alguna variable x
tk
es util para predecir mejor la
variable y
t
con k > 0. La condicion anterior equivale a que la correlacion entre
u
t
y v
t+k
sea signicativa, condicion que aparece en dicha tabla.
Tabla 3.1: Relaciones entre causalidad y correlaciones cruzadas.
Relaciones Restricciones sobre
uv
(k)
x causa a y
uv
(k) = 0, para alg un k > 0
y causa a x
uv
(k) = 0, para alg un k < 0
causalidad instantanea
uv
(0) = 0
retroalimentacion
uv
(k) = 0, para alg un k > 0
y para alg un k < 0
x causa a y pero no
uv
(k) = 0, para alg un k > 0
instantaneamente y
uv
(0) = 0
y no causa a x
uv
(k) = 0, para todo k < 0
y no causa a x de ninguna forma
uv
(k) = 0, para todo k 0
Causalidad unidireccional
uv
(k) = 0, para alg un k > 0,
de x a y y
uv
(k) = 0, para
a) todo k < 0, o b) todo k 0
x e y solo estan relacionadas
uv
(0) = 0,
instantaneamente y
uv
(k) = 0 si k = 0
x e y no se causan
uv
(k) = 0, para todo k
La funcion de autocorrelacion cruzada se estima en base a la informacion
muestral de acuerdo con la expresion
r
u v
(k) =
c
u v
(k)
_
c
u
(0)c
v
(0)
,
3.3. EL MODELO 7
donde
c
u v
(k) =
_

_
n
1
nk

t=1
u
t
v
t+k
k 0
n
1
n

t=1k
u
t
v
t+k
k < 0
,
c
u
(0) = c
u u
(0), y u
t
y v
t
corresponden a los residuos de las series originales
ltradas mediante un modelo ARIMA, siendo n el tama no de la muestra (lon-
gitud de las series). Estas correlaciones cruzadas se suelen calcular entre los
valores n/4 y n/4. Para dibujar los intervalos de conanza, la distribucion de
r
u v
(k) debe de conocerse. Suponiendo que no existe causalidad entre ninguna
de las variables, bajo la hipotesis de normalidad en la distribucion de los resid-
uos, Haugh demuestra que, para muestras grandes, la distribucion de r
u v
(k) es
normal de media cero y varianza 1/n independiente de un retardo a otro. Por
ello, lmites de conanza al 95 % vienen dados por las lneas 1.96n
1/2
. Los
tests que aparecen en la seccion de validacion referentes a las autocorrelaciones
cruzadas tambien se pueden emplear.
En el caso en que las series sobre las que se construye la funcion de autocor-
relacion cruzada esten correladas intrnsecamente, las distribuciones no seran
independientes y las covarianzas dependeran de las correlaciones de cada serie
aunque las series no se causen entre s. Por ello, la expresion de las bandas de
conanza es mas complicada. Esta idea apoya de nuevo el procedimiento de
preblanquear las series antes de calcular las covarianzas cruzadas.
3.3. El modelo
Una vez que hemos determinado las relaciones de causalidad, pasamos a la
construccion del modelo. En esta seccion vamos a formular el modelo de funcion
de transferencia. El planteamiento que vamos a realizar para un solo input se
puede generalizar facilmente para varios. Como presentamos al principio de esta
leccion, estos modelos se pueden formular como
output = componente dinamica + ruido.
3.3.1. La componente dinamica
Si la variable X causa a la variable Y , la componente dinamica se puede
formular como
Y
t
= f(X
t
),
donde f es una funcion cualquiera. Esta funcion se conoce como funcion de
transferencia. El efecto que produce un cambio en X, sobre la variable Y depende
de la estructura de la funcion de transferencia. Por ejemplo, si el modelo es de
la forma Y
t
= 2X
t
, un cambio de una unidad en X se transforma en un cambio
de forma inmediata (en el mismo instante de tiempo) de dos unidades en la
variable Y .
8 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
Nos centramos en el caso en que la funcion f es una funcion lineal de la
variable X
t
y de sus valores pasados. As la estructura vendra dada por
Y
t
= v
0
X
t
+ v
1
X
t1
+ v
2
X
t2
+ . . .
= (v
0
+ v
1
B + v
2
B
2
+ . . . )X
t
= v(B)X
t
En este caso la funcion de transferencia es la funcion v(B) y los coecientes v
i
se
conocen como pesos de respuesta a impulsos o funcion de respuesta a impulsos.
Si las series no estan centradas la representacion suele ser
Y
t

y
= v(B)(X
t

x
),
aunque a partir de ahora las supondremos centradas. Debido a que el n umero
de datos con los que se trabaja es nito, y que el n umero de valores v
i
puede
ser innito, la funcion de transferencia v(B) se suele aproximar mediante el
cociente de dos polinomios de ordenes nitos, de igual forma a como se realiza
la aproximacion ARMA de una serie unidimensional. As,
v(B) =

0
B
b

1
B
b+1

s
B
b+s
1
1
B
r
B
r
=
(B)
(B)
B
b
.
El termino B
d
que aparece en la expresion anterior hace referencia a que
el efecto que la variable X tiene sobre Y se puede manifestar transcurridos b
instantes. Este efecto se conoce como decalaje.
El modelo de funcion de transferencia se dice estable si se verica que

j
|v
j
| < . Esta condicion equivale a que las races de la ecuacion caractersti-
ca (B) = 0 sean en modulo mayores que 1. Esta propiedad hace referencia a
que un incremento nito en la variable input produce un incremento nito en
la variable output.
Una vez que los polinomios (B) y (B) y el valor de b estan determinados,
los pesos de respuesta a impulsos v
j
pueden obtenerse igualando los coecientes
en B
j
de los dos miembros de la siguiente ecuacion:
(B)v(B) = (B)B
b
.
As, se obtiene
v
j
= 0 j < b,
v
j
=
1
v
j1
+
2
v
j2
+ +
r
v
jr
+
0
j = b,
v
j
=
1
v
j1
+
2
v
j2
+ +
r
v
jr
+
jb
j = b + 1, b + 2, . . . , b + s,
v
j
=
1
v
j1
+
2
v
j2
+ +
r
v
jr
j > b + s.
_

_
Es decir, los pesos de respuesta a impulsos consisten en lo siguiente:
1. b pesos nulos v
0
, v
1
, . . . , v
b1
.
2. s r +1 pesos que no siguen un patron determinado v
b
, v
b+1
, . . . , v
b+sr
.
3.3. EL MODELO 9
3. El resto de los pesos siguen el comportamiento determinado por la ultima
ecuacion.
En resumen, b se determina como el primer instante en que el peso es no
nulo. El valor de r se determina de acuerdo al comportamiento de los pesos,
de forma similar a la identicacion del orden p en los modelos autorregresivos
a traves del comportamiento de la funcion de autocorrelacion. El valor de s se
determina estudiando donde empieza el comportamiento regular de los pesos.
3.3.2. Algunos ejemplos de funciones de transferencia
En la practica, raramente los valores de r o s exceden del valor 2. Algunas
funciones de transferencia tpicas son las siguientes:
1: r = 0. En este caso la funcion de transferencia solo contiene un n umero
nito de pesos de respuesta a impulsos comenzando con v
b
=
0
y aca-
bando con v
b+s
=
s
, como se muestra en la tabla 3.2.
2: r = 1. En este caso la funcion de transferencia muestra un decaimiento
exponencial comenzando en v
b+s
. Algunos ejemplos aparecen en la tabla
3.3.
3: r = 2. En este caso la funcion de transferencia exhibe un decaimiento ex-
ponencial o bien un decaimiento sinusoidal, dependiendo de si las races de
(B) = 0 son reales o complejas. La tabla 3.4 ilustra este comportamiento.
3.3.3. El termino ruido
Obviamente el sistema no podra ser modelizado usando unicamente la relacion
entre las variables X e Y . Por ello introducimos un termino de ruido.

Este re-
sponde a la relacion
output componente dinamica = ruido.
Ya que el termino de ruido, N
t
, generalmente estara autocorrelado y no sera por
tanto ruido blanco, puede modelizarse mediante una estructura ARMA como
(B)N
t
= (B)a
t
,
o, equivalentemente,
N
t
=
(B)
(B)
a
t
,
donde (B) y (B) son los operadores AR y MA de ordenes p y q respecti-
vamente, y a
t
es una serie de valores normales incorrelados de media cero y
varianza
2
a
. Si el modelo no es estacionario, la aplicacion de una diferenciacion
adecuada a cada serie, puede transformarlo en estacionario. Ademas, se supone
10 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
Tabla 3.2: Funcion de transferencia para r = 0.
(b, r, s) Funcion de transferencia v
j
tpicos
(2, 0, 0) v(B)X
t
=
0
X
t2
(2, 0, 1) v(B)X
t
= (
0

1
B)X
t2
(2, 0, 2) v(B)X
t
= (
0

1
B
2
B
2
)X
t2
que los valores a
t
estan incorrelados con la serie X
t
, es decir, toda la dependen-
cia de esta esta eliminada de la serie Y
t
mediante la funcion de transferencia.
Por lo tanto el modelo de funcion de transferencia responde a la expresion
Y
t

y
=
(B)B
b
(B)
(X
t

x
) +
(B)
(B)
a
t
. (3.1)
3.4. Identicacion
En esta seccion nos vamos a centrar en determinar los ordenes de los poli-
nomios de retardos que aparecen en el modelo (3.1). Este procedimiento lo vamos
a enfocar desde diferentes perspectivas y as apareceran distintos planteamien-
tos.
Los procedimientos consisten, a grandes rasgos, en dos fases. En una primera
fase se calculan estimaciones preliminares de los pesos de respuesta a impulsos,
y con estos se formula una expresion tentativa del cociente de polinomios en el
que se descompone la funcion de transferencia v(B). Posteriormente, se plantea
un modelo para los residuos de la diferencia Y
t
v(B)X
t
de acuerdo con un
estudio ARMA de los mismos.
3.4. IDENTIFICACI

ON 11
Tabla 3.3: Funcion de transferencia para r = 1.
(b, r, s) Funcion de transferencia v
j
tpicos
(2, 1, 0) v(B)X
t
=

0
1
1
B
X
t2
(2, 1, 1) v(B)X
t
=

0

1
B
1
1
B
X
t2
(2, 1, 2) v(B)X
t
=

0

1
B
2
B
2
1
1
B
X
t2
3.4.1. Metodo de identicaci on de Haugh y Box
Parece logico que un modelo similar a (3.1) que relacione a las series Y
t
y X
t
pueda desarrollarse para conectar sus innovaciones respectivas y . Supong-
amos que las series y
t
y x
t
son el resultado de diferenciar las series originales
hasta alcanzar la estacionariedad, y que tienen estructura ARMA dada por los
modelos

y
(B)y
t
=
y
(B)
t
,

x
(B)x
t
=
x
(B)
t
.
Se plantea un modelo de funcion de transferencia entre las series
t
y
t
de la
forma

t
= v

(B)
t
+ (B)
t
.
Se calcula la funcion de correlacion cruzada entre las series y . La serie tiene
estructura de ruido blanco y esta incorrelada con la serie , por ello la funcion
de autocorrelacion cruzada en el retardo k vale

(k) =
E[
t

t+k
]

=
E[
t
(v

(B)
t+k
+ (B)
t+k
)]

=
v

= v

,
12 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
Tabla 3.4: Funcion de transferencia para r = 2.
(b, r, s) Funcion de transferencia v
j
tpicos
(2, 2, 0) v(B)X
t
=

0
1
1
B
2
B
2
X
t2
(2, 2, 1) v(B)X
t
=

0

1
B
1
1
B
2
B
2
X
t2
(2, 2, 2) v(B)X
t
=

0

1
B
2
B
2
1
1
B
2
B
2
X
t2
con lo que la funcion de autocorrelacion cruzada en el retardo k es proporcional
al peso v

k
. Con esta informacion, podemos proponer una forma estructural para
la funcion de transferencia, de manera que su comportamiento teorico se adapte
al patron presentado, es decir,
v

(B) =

(B)

(B)
.
Una vez presentado el modelo para la funcion de transferencia v

(B), se real-
iza una estimacion preliminar, igualando los coecientes en B
k
de

(B)v

(B) =

(B), aplicando que v

k
=

(k). Se calculan los residuos y se realiza una

modelizacion ARMA para los mismos. Es decir
N

t
=
t
v

(B)
t
,
N

t
=

(B)

(B)

t
.
Si unimos todos estos modelos obtenemos

y
(B)

y
(B)
y
t
=

(B)

(B)

x
(B)

x
(B)
x
t
+

(B)

(B)

t
.
3.4. IDENTIFICACI

ON 13
Despejando de la ecuacion anterior y
t
obtenemos
y
t
=

y
(B)

y
(B)

(B)

(B)

x
(B)

x
(B)
x
t
+

y
(B)

y
(B)

(B)

(B)

t
.
As el modelo (3.1) corresponde a las siguientes igualdades:
(B)B
b
(B)
=

y
(B)

y
(B)

(B)

(B)

x
(B)

x
(B)
,
(B)
(B)
=

y
(B)

y
(B)

(B)

(B)
.
La ventaja que posee este metodo es que utiliza la funcion de correlacion
cruzada considerada en el estudio de la causalidad. Sin embargo, el proced-
imiento tiende a proponer ordenes altos para los polinomios de las fracciones
anteriores, como resultado de los productos de los polinomios que aparecen.
Tambien hay que hacer notar que en este caso los polinomios que aparecen en el
numerador y denomidador pueden poseer factores comunes, con lo que el modelo
sera mas complicado de lo necesario.
3.4.2. Metodo de identicaci on de Box y Jenkins
Este metodo se basa en el preblanqueo de la serie x
t
, y consta de los siguientes
pasos:
1. Se calcula el modelo ARMA para la serie x
t
y se preblanquea esta.

x
(B)x
t
=
x
(B)
t
,

t
=

x
(B)

x
(B)
x
t
,
donde
t
es una serie de ruido blanco con media cero y varianza
2

.
2. Se calcula la serie output ltrada, es decir, se transforma la serie y
t
usando
el modelo de preblanqueo anterior para generar la serie
z
t
=

x
(B)

x
(B)
y
t
.
3. Se calcula la funcion de correlacion cruzada entre las series
t
y z
t
para
estimar los valores de v
k
. Razonando de forma similar al caso de Haugh y
Box, la relacion existente entre estos coecientes viene dada por
v
k
=

z

z
(k).
4. Con los valores v
k
se propone la estructura de v(B) al igual que en el
metodo anterior.
14 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
5. Por ultimo se propone un modelo para la estructura del ruido que afecta
al modelo siguiendo los mismos pasos que en el metodo de Haugh y Box
para las diferencias siguientes, usando las series originales,
N
t
= y
t

(B)B
b
(B)
x
t
.
Hay que poner de maniesto que en el paso 2 el ltro que se le aplica a la serie
y
t
no la blanquea necesariamente. Lo que se hace en realidad es transformar el
modelo (3.1) aplicandole el ltro del preblanqueo

x
(B)

x
(B)
y
t
=

x
(B)

x
(B)
v(B)x
t
+

x
(B)

x
(B)
(B)
(B)
a
t
,
z
t
= v(B)
t
+

x
(B)

x
(B)
(B)
(B)
a
t
.
Se identica la estructura de la funcion de transferencia v(B) y posteriormente
se trabaja sobre el modelo original para modelizar la estructura del ruido.
3.4.3. Metodo de la funcion de transferencia lineal
Este metodo se aplica partiendo de las series originales Y
t
y X
t
sin difer-
enciar. Consiste en estimar los pesos de respuesta a impulsos v
k
en base a una
expresion lineal truncada para la funcion de transferencia, mas un modelo bur-
damente representativo para la estructura del ruido N
t
, ademas de incluir una
constante en el modelo. En este procedimiento de identicacion, los estadsticos
que nos van a proporcionar las pistas sobre la estructura del modelo van a ser
las estimaciones que obtengamos de los pesos de respuesta a impulsos y las fun-
ciones de autocorrelacion y autocorrelacion parcial de la serie de ruido estimada.
Posteriormente, presentaremos el modelo en base a cocientes de polinomios en
el operador de retardos B.
En un primer paso, estimamos un modelo preliminar que incluya el valor
presente de X
t
y los pasados, hasta un cierto retardo M, es decir,
Y
t
= C + v
0
X
t
+ v
1
X
t1
+ v
2
X
t2
+ + v
M
X
tM
+ N
t
. (3.2)
Este modelo se llama modelo de funcion de transferencia lineal, como claramente
pone de maniesto la estructura de la misma. La eleccion del valor de M es uno
de los puntos debiles de este metodo, ya que en principio no se conoce cuantos
pesos son signicativos.
La correlacion entre los residuos N
t
puede hacer que obtengamos unas es-
timaciones inecientes de los valores v
k
, por ello se propone un modelo burda-
mente representativo para explicar la relacion de dependencia, generalmente un
modelo autorregresivo de orden bajo SAR(1)(1)
s
o a lo sumo un SAR(2)(2)
s
.
Hay que hacer notar que este modelo es una primera aproximacion y por lo tanto
puede que no recoja la estructura de autocorrelacion de la serie N
t
completa-
mente. Se sugiere usar un modelo SAR por las siguientes razones: en el caso
3.5. ESTIMACI

ON 15
en que la serie no sea estacionaria, los coecientes de los polinomios de retar-
dos estaran proximos a uno y recogeran este comportamiento; si la estructura
es autorregresiva, una buena aproximacion sera elegir un modelo autorregresi-
vo de orden bajo; y si la serie tiene una estructura de medias moviles, en su
representacion AR() los coecientes tienden a cero cuando el retardo crece,
por lo que una primera aproximacion mediante un modelo autorregresivo parece
tambien adecuada.
As el modelo que vamos a estimar es
Y
t
= C + v
0
X
t
+ v
1
X
t1
+ v
2
X
t2
+ + v
M
X
tM
+
1
(1
s
B
s
)(1
1
B)
u
t
.
(3.3)
Una vez estimado el modelo, estudiamos la estacionariedad de N
t
.

Esto clara-
mente se realiza estudiando la funcion de autocorrelacion de la serie de residuos

N
t
denida como

N
t
= Y
t

C v(B)X
t
.
Si la funcion de autocorrelacion no decae a cero rapidamente, la serie no sera esta-
cionaria, y por lo tanto habra que diferenciarla. Supongamos que necesita una
diferencia de orden 1 (d = 1); el caso estacional es similar. Sea n
t
= N
t
; por
lo tanto N
t
= n
t
/. Si sustituimos en (3.2) y multiplicamos por el operador
diferencial obtenemos
Y
t
= C + v(B)X
t
+ n
t
,
(aunque la constante desaparecera al ser diferenciada, se sigue manteniendo en
el modelo para conservar la estructura previamente establecida). Se supone una
estructura SAR(1) (1)
s
para la serie de residuos y se estima el modelo
Y
t
= C+v
0
X
t
+v
1
X
t1
+ +v
M
X
tM
+
1
(1
s
B
s
)(1
1
B)
u
t
. (3.4)
De nuevo se realiza un estudio de la estacionariedad sobre los residuos y se repite
el procedimiento hasta que estos se consideren estacionarios. Supongamos que
las series y
t
y x
t
son el resultado de estas diferenciaciones (estas ultimas series
pueden no ser estacionarias, por ejemplo si se presenta cointegracion entre ellas).
Una vez estimado este modelo nal, en el que los residuos son estacionarios,
usamos la estimaciones de v
k
para proponer la forma funcional de la funcion de
transferencia. Ademas, un estudio de los residuos, y
t

C v(B)x
t
, nos sugerira la
estructura ARMA para la componente de ruido.
3.5. Estimacion
Despues de identicar un modelo de funcion de transferencia tentativo
y
t
=
(B)
(B)
x
tb
+
(B)
(B)
a
t
,
16 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
se necesita estimar los parametros = (
1
, . . . ,
r
), = (
1
, . . . ,
s
), = (
1
, . . . ,
p
),
= (
1
, . . . ,
q
) y
2
a
. Para ello vamos a plantear una funcion de verosimilitud
condicional en base al modelo planteado, que sera maximizada para el calculo
de los estimadores. As, el modelo anterior se puede escribir como
(B)(B)y
t
= (B)(B)x
tb
+ (B)(B)a
t
, (3.5)
o, equivalentemente,
c(B)y
t
= d(B)x
tb
+ e(B)a
t
, (3.6)
donde
c(b) = (B)(B) = (1
1
B
r
B
r
)(1
1
B
p
B
p
)
= (1 c
1
B c
2
B
2
c
p+r
B
p+r
),
d(B) = (B)(B) = (1
1
B
p
B
p
)(1
1
B
s
B
s
)
= (d
0
d
1
B d
2
B
2
d
p+s
B
p+s
),
e(B) = (B)(B) = (1
1
B
r
B
r
)(1
1
B
q
B
q
)
= (1 e
1
B e
2
B
2
e
r+q
B
r+q
).
Por ello,
a
t
= y
t
c
1
y
t1
. . . c
p+r
y
tpr
d
0
x
tb
+d
1
x
tb1
+ + d
p+s
x
tbps
+ e
1
a
t1
+ + e
r+q
a
trq
,
donde c
i
, d
j
y e
k
son funciones de los parametros
i
,
j
,
k
y
l
. Bajo la hipotesis
de que la distribucion de a
t
es normal de media cero y varianza
2
a
, se puede
plantear la siguiente funcion de verosimilitud condicional:
L(, , , ,
2
a
|x, y, x
0
, y
0
, a
0
) = (2
2
a
)
n/2
exp
_

1
2
2
a
n

t=1
a
2
t
_
,
donde x
0
, y
0
, a
0
son algunos valores iniciales para el calculo de a
t
.
En general, los mismos metodos de estimacion utilizados para series uni-
variantes se pueden aplicar para maximizar la funcion anterior. Por ejemplo,
tomando como valores iniciales para x
0
, y
0
, las primeras observaciones y como
valores iniciales para a
0
los valores cero, los estimadores mnimo cuadraticos no
lineales de estos parametros se obtienen minimizando
S(, , , ) =
n

t=t
0
a
2
t
,
donde t
0
= max{p + r + 1, b + p + s + 1}.
3.6. VALIDACI

ON 17
3.6. Validaci on
La ultima etapa en la construccion de un modelo es la validacion, es decir,
decidir si el que se ha ajustado es el adecuado o no. En el caso en que no se
considere adecuado, habra que modicar el modelo y repetir todos las etapas
anteriormente presentadas.
Las dos hipotesis basicas que se consideran en la formulacion de un modelo
de funcion de transferencia son las siguientes: que la serie a
t
tiene un compor-
tamiento de ruido blanco gaussiano, y que el ltro v(B) es el que relaciona las
series input y output por lo que no existe ninguna relacion entre la serie input y
el proceso de ruido a
t
.
Para el estudio del comportamiento de la serie a
t
aisladamente, es decir,
sin contemplar las interacciones con las series input y/u output, se puede usar
cualquiera de los procedimientos de validacion que se aplican a series temporales
unidimensionales. Los procedimientos mas usados son aquellos destinados a es-
tudiar la correlacion, aunque el estudio de la normalidad tambien es importante
(la verosimilitud se plantea en base a la hipotesis de normalidad), hecho que se
puede realizar dibujando los residuos en papel probabilstico normal.
El calculo de la funcion de autocorrelacion y autocorrelacion parcial de los
residuos es muy util para el estudio de la incorrelacion de los mismos. Bajo la
hipotesis de ruido blanco, se pueden dibujar bandas de conanza al 95 % dadas
por los valores 1.96n
1/2
. Un n umero excesivo de valores que sobrepasen
estas bandas, indicara que el modelo es inadecuado, teniendo un especial cuidado
si en los primeros retardos se presentan valores altos. Un estudio global de la
autocorrelacion se efectua mediante los tests pormanteau. En ellos se contrasta
que las primeras L correlaciones son nulas. Estadsticos de este tipo son los
siguientes:
El de Box y Pierce
Q = n
L

k=1

2
aa
(k),
El de Ljung y Box
Q

= n(n + 2)
L

k=1
1
n k

2
aa
(k),
El de McLeod
Q

= n
L

k=1

2
aa
(k) +
L(L + 1)
2n
,
El de McLeod y Li
Q

= n(n + 2)
L

k=1
1
n k

2
a
2
a
2(k).
18 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
Estos estadsticos tienen distribucion Chi-cuadrado con Lm grados de libertad,
siendo m el n umero de parametros estimados en la modelizacion del ruido N
t
.
Un valor alto de estos estadsticos nos sugerira la presencia de autocorrelacion.
Para estudiar si existe relacion entre la serie input y el proceso de ruido, se
suele calcular la funcion de correlacion cruzada entre las series temporales
t
y a
t
, siendo
t
el proceso de innovacion de la modelizacion ARMA de la serie
input. Se usan las series de residuos, ya que la distribucion de las correlaciones
cruzadas (varianzas de las mismas y correlaciones entre ellas) es mas simple en
este caso, como se justico en la seccion sobre causalidad. Al igual que en el
caso anterior, se pueden presentar bandas de conanza para las correlaciones
cruzadas, teniendo en cuenta que bajo la hipotesis de que todas son nulas, su
varianza vale n
1
. Un test sobre las primeras L correlaciones cruzadas de tipo
Ljung-Box se basa en el siguiente estadstico:
P = n
2
L

k=0
1
n k

2
a
(k).
La distribucion de este estadstico es una Chi-cuadrado con L + 1 m grados
de libertad, siendo m, en este caso, el n umero de parametros estimados en la
funcion de transferencia v(B) (no se incluyen los parametros estimados en la
modelizacion ARMA del ruido N
t
).
Estudiemos un poco mas detenidamente el efecto de una mala especicacion
del modelo en las correlaciones. Supongamos que el modelo verdadero es
y
t
= v(B)x
t
+ (B)a
t
,
y que nosotros hemos especicado el modelo
y
t
= v
0
(B)x
t
+
0
(B)a
0t
.
Claramente, la serie a
0t
obtenida responde a la expresion siguiente:
a
0t
=
1
0
(B){v(B) v
0
(B)}x
t
+
1
0
(B)(B)a
t
.
Si la funcion de transferencia v(B) esta bien especicada, cabe esperar que la
serie a
0t
este incorrelada con la serie x
t
, por lo que la funcion de correlaciones
cruzada no debe de poseer valores signicativos. Por ello una mala especicacion
del modelo en este caso,
0
(B) no es el adecuado, unicamente debera de producir
efectos en la funcion de autocorrelacion de la serie a
0t
obtenida.
Si la funcion de transferencia v(B) esta mal especicada, tanto la funcion de
correlaciones cruzadas, como la funcion de autocorrelaciones de la serie a
0t
,
deberan de poseer valores signicativos, a un cuando la especicacion de
0
(B)
sea adecuada. Si planteamos el modelo que aparece en el metodo de identicacion
de Box y Jenkins (es decir, el modelo ltrado mediante la estructura ARMA de
la serie x
t
), se observa que las correlaciones son proporcionales a la diferencia
entre los pesos de respuesta a impulsos de los modelos real y especicado. Para
ello unicamente hay que seguir los siguientes pasos:
3.6. VALIDACI

ON 19
El modelo ltrado lo denotamos por
z
t
= v(B)
t
+
t
,
el modelo mal especicado
z
t
= v
0
(B)
t
+
0t
,
con lo que

0t
=
t
+{v(B) v
0
(B)}
t
.
As, la correlacion cruzada entre y
0
viene dada por

0
(k) =
E[
t

0,t+k
]

0
=
E[
t
(
t+k
+{v(B) v
0
(B)}
t+k
)]

0
=

2

(v
k
v
0k
)

0
=

0
(v
k
v
0k
).
La funcion de correlaciones cruzadas no es una herramienta para reformular
el modelo, sino que mas bien pone de maniesto algunas carencias del mismo. Si
a partir de los valores de esta funcion se concluye que la funcion de transferencia
debe de reformularse, se debe de volver a la fase de identicacion, y con los
valores de los pesos de respuesta a impulsos proponer otra forma funcional para
la funcion de transferencia. Si la forma de dichos pesos no sugiere otra expresion
para el cociente entre (B) y (B), se suele a nadir terminos a alguno de los dos
polinomios, generalmente al numerador.
Ademas de las consideraciones particulares estudiadas sobre los modelos de
funci on de transferencia, la modelizacion debe, en general, presentar algunas
propiedades comunes a cualquier procedimiento de ajuste de modelos. Algunas
de estas caractersticas son las siguientes:
El modelo debe de ser parsimonioso. Es decir, elegiremos aquel modelo
con el menor n umero de parametros de entre aquellos que expliquen de
forma adecuada el fenomeno.
Los coecientes deben de ser signicativos. Es decir, en un contraste donde
la hipotesis nula sea el coeciente es nulo, debe de ser aceptada la
hipotesis alternativa.
Los coecientes no deben de estar altamente correlados. Una alta cor-
relacion podra sugerir que las estimaciones son inestables (cambios en un
parametro implicaran cambios en los correlados con este). Tambien puede
sugerir que un modelo mas parsimonioso quizas fuera adecuado.
Se deben evitar coecientes redundantes. En algunos casos, simplica-
ciones entre los polinomios que aparecen en los cocientes pueden realizarse
o la cancelacion es casi clara (por ejemplo, (1-0.7B)/(1-0.72B)).
20 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
El ajuste debe de ser bueno. Se debe de comparar el modelo con otros mas
simples (en este caso, por ejemplo, modelos ARIMA). Para comparar los
modelos se pueden usar los residuos, los errores de prediccion, . . .
El modelo debe de predecir adecuadamente. Un seguimiento del modelo
debe de realizarse, sobre todo si se disponen de nuevas observaciones. Unas
malas predicciones continuadas (peores que las que se esperara obtener
usando intervalos de conanza) pueden sugerir que el modelo no es ade-
cuado.
El modelo debe de poseer propiedades de estabilidad, estacionariedad e
invertibilidad. Esto se reduce al estudio de las races de los polinomios
(B), (B) y (B).
3.7. Prediccion
Una vez que se concluye que el modelo de funcion de transferencia es ade-
cuado, puede ser usado para realizar predicciones de la serie Y
t
, teniendo en
cuenta tanto su pasado como el pasado de la serie X
t
.
En esta seccion vamos a presentar como se deben de realizar las predicciones
suponiendo que el modelo es el adecuado. Comprobaremos que las predicciones
son las mnimo-cuadraticas y presentaremos una formula de actualizacion cuan-
do se dispone de una nueva observacion, tanto de X como de Y .
3.7.1. Prediccion para series estacionarias
Supongamos que tanto la serie X
t
como la serie Y
t
son estacionarias y que
estan relacionadas mediante el siguiente modelo de funcion de transferencia
Y
t
=
(B)
(B)
B
b
X
t
+
(B)
(B)
a
t
, (3.7)
y

x
(B)X
t
=
x
(B)
t
, (3.8)
donde (B), (B), (B), (B),
x
(B), y
x
(B) son polinomios de orden nito en
el operador de retardos B; las races de (B) = 0, (B) = 0, (B) = 0,
x
(B) =
0, y
x
(B) = 0 son todas en modulo mayor que uno; y a
t
y
t
son series de ruido
blanco independientes con media cero y varianzas
2
a
y
2

, respectivamente.
Sean
u(B) =
(B)B
b

x
(B)
(B)
x
(B)
= u
0
+ u
1
B + u
2
B
2
+ . . .
y
(B) =
(B)
(B)
= 1 +
1
B +
2
B
2
+ . . .
3.7. PREDICCI

ON 21
El modelo (3.7) se puede reescribir como
Y
t
= u(B)
t
+ (B)a
t
=

j=0
u
j

tj
+

j=0

j
a
tj
, (3.9)
donde
0
= 1. Por lo tanto, si trasladamos el ndice temporal a t +l obtenemos
Y
t+l
=

j=0
u
j

t+lj
+

j=0

j
a
t+lj
.
Sea

Y
t
(l) =

j=0
u

j+l

tj
+

j=0

j+l
a
tj
la prediccion optima l instantes
hacia adelante, de Y
t+l
, usando la informacion disponible hasta el instante t.
Entonces el error de prediccion viene dado por
Y
t+l

Y
t
(l) =
l1

j=0
[u
j

t+lj
+
j
a
t+lj
]

j=0
[u

l+j
u
l+j
]
tj

j=0
[

l+j

l+j
]a
tj
.
El error cuadratico medio sera por lo tanto
E
_
Y
t+l

Y
t
(l)
_
2
=
l1

j=0
[u
2
j

+
2
j

2
a
]+

j=0
[u

l+j
u
l+j
]
2

j=0
[

l+j

l+j
]
2

2
a
.
La cantidad anterior es mnima si se seleccionan u

l+j
= u
l+j
y

l+j
=
l+j
,
j = 0, 1, . . . Es decir, la prediccion mnimo-cuadratica se obtiene mediante la
esperanza condicionada de Y
t+l
a la informacion disponible hasta el tiempo t.
En este caso, es claro que la varianza del error de prediccion viene dada por
V (l) = E
_
Y
t+l

Y
t
(l)
_
2
=
2

l1

j=0
u
2
j
+
2
a
l1

j=0

2
j
. (3.10)
En la practica no se usa la expresion de la prediccion en funcion de los
procesos de innovacion y a, sino que, como veremos al nal de la proxima
seccion, se utilizan tambien los valores de las series X e Y .
3.7.2. Prediccion en modelos no estacionarios
En este caso suponemos que las series Y
t
y X
t
no son estacionarias y que
necesitan ser diferenciadas d
1
y d veces, respectivamente, para lograr la esta-
cionariedad. Vamos a comprobar que la prediccion mnimo cuadratica de Y
t+l
viene de nuevo dada por la esperanza condicionada de Y
t+l
al tiempo t incluso
cuando las variables no son estacionarias. Supongamos que el modelo de funcion
de transferencia en este caso viene determinado por las ecuaciones
(1 B)
d
1
Y
t
=
(B)
(B)
B
b
(1 B)
d
X
t
+
(B)
(B)
a
t
, (3.11)
22 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
y

x
(B)(1 B)
d
X
t
=
x
(B)
t
, (3.12)
donde (B), (B), (B), (B),
x
(B),
x
(B), a
t
y
t
estan denidas como en
(3.7) y (3.8). De (3.11) podemos deducir la siguiente relacion
Y
t
=
(B)
x
(B)
(B)
x
(B)(1 B)
d
1
B
b

t
+
(B)
(B)(1 B)
d
1
a
t
, (3.13)
que nos va a servir para el calculo de los pesos u
j
y
j
en el planteamiento de
un modelo similar a (3.9).
Para el calculo de los pesos
j
, consideremos
e
t
=
(B)
(B)(1 B)
d
1
a
t
,
y expresemos e
t
mediante una representacion AR (existe ya que las races de
(B) = 0 son en modulo mayores que 1). As,

(a)
(B)e
t
= a
t
,
donde

(a)
(B) = 1

i=0

(a)
j
B
j
=
(B)(1 B)
d
1
(B)
.
Por ello, la representacion AR adopta en el punto t la expresion
e
t
=

j=1

(a)
j
e
tj
+ a
t
. (3.14)
Si le aplicamos el operador
1 +
1
B + +
l1
B
l1
,
obtenemos

j=0
l1

k=0

(a)
j

k
e
tjk
+
l1

k=0

k
a
tk
= 0, (3.15)
donde
(a)
0
= 1 y
0
= 1. Facilmente se comprueba la relacion

j=0
l1

k=0

(a)
j

k
e
tjk
=
(a)
0
e
t
+
l1

m=1
m

i=0

(a)
mi

i
e
tm
+

j=0
l1

i=0

(a)
l1+ji

i
e
tlj+1
.
Si elegimos los pesos de forma que
m

i=0

(a)
mi

i
= 0, para m = 1, 2, . . . , l 1,
3.7. PREDICCI

ON 23
obtenemos
e
t
=

j=1

j
e
tlj+1
+
l1

i=0

i
a
ti
,
donde

j
=
l1

i=0

(a)
l1+ji

i
.
Los valores
j
se pueden calcular recursivamente a partir de los
(a)
j
usando
la siguiente relacion:

j
=
j1

i=0

(a)
ji

i
j = 1, . . . , l 1.
Este procedimiento nos permite expresar e
t
como una combinacion de valores
de ruido a
t
desde t a t l + 1 y valores de su pasado empezando en t l, con
lo que se consiguen, de cierta forma, los coecientes para una representacion
MA. En el caso estacionario, la relacion anterior coincide con la representacion
MA() de la serie.
De igual forma se calculan los coecientes u
i
para el cociente de polinomios
(B)
x
(B)
(B)
x
(B)(1 B)
d
1
B
b
.
En este caso, la relacion en base a la representacion AR

v
(B)c
t
=
t
para la serie
c
t
=

x
(B)
(B)
x
(B)(1 B)
d
1
B
b

t
viene dada por la solucion iterativa de
u

j
=
j1

i=0

v
ji
u

i
, j = 1, . . . , l 1.
Los coeciente u
j
se calculan aplicando el ltro (B) a los anteriormente cal-
culados.
Razonando de forma similar a la seccion anterior, el predictor mnimo-
cuadratico de Y
t+l
tiene la expresion

Y
t
(l) =

j=0
u
l+j

tj
+

j=0

l+j
a
tj
.
La varianza del error de prediccion viene dada de nuevo por la expresion (3.10).
24 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
Para el calculo de las predicciones, transformamos el modelo (3.11) en forma
de ecuacion en diferencias,
f(B)Y
t
= g(B)X
tb
+ h(B)a
t
, (3.16)
donde
f(B) = (B)(B)(1 B)
d
1
= 1 f
1
B f
2
B
2
f
p+r+d
1
B
p+r+d
1
,
g(B) = (B)(B)(1 B)
d
= g
0
g
1
B g
2
B
2
g
p+s+d
B
p+s+d
,
y
h(B) = (B)(B) = 1 h
1
B h
2
B
2
h
q+r
B
q+r
.
As, tomando esperanzas condicionadas a la informacion disponible en el in-
stante t (igual que se realiza sobre el modelo (3.9)) obtenemos

Y
t
(l) = E
t
(Y
t+l
) =
= f
1

Y
t
(l 1) + + f
p+r+d
1

Y
t
(l p r d
1
) + g
0

X
t
(l b) . . .
g
p+s+d

X
t
(l b p s d) + a
t
(l) h
1
a
t
(l 1) h
q+r
a
t
(l q r)
(3.17)
3.7. PREDICCI

ON 25
donde

Y
t
(j) =
_
Y
t+j
j 0

Y
t
(j) j > 0

X
t
(j) =
_
X
t+j
j 0

X
t
(j) j > 0
a
t
(j) =
_
a
t+j
j 0
0 j > 0
son las esperanzas condicionadas de las variables Y
t+j
, X
t+j
y a
t+j
, respecti-
vamente. Los valores de a
t
, que aparecen en la ultima igualdad, se calculan
despejando el valor del ruido de la ecuacion (3.16).
3.7.3. Prediccion mediante intervalos de conanza
Para la prediccion mediante intervalos, vamos a hacer uso de la expresion
de la variable output en funcion de los procesos de ruido
t
y a
t
. Esta expresion
viene determinada por la ecuacion (3.9). Debido a la hipotesis de normalidad
sobre estos procesos, se deduce que Y
t+l
condicionada a la informacion disponible
hasta el tiempo t tiene distribucion normal, de media su esperanza condicionada,

Y
t
(l), y varianza la del error de prediccion V (l) dada por la expresion (3.10).
Estimando los valores de las varianzas de los procesos de ruido y sustituyendo
en (3.10), los lmites de conanza para la prediccion de Y
t+l
al nivel de conanza
1 vienen dados por

Y
t
(l) z
/2
V (l)
1/2
,
donde z

es el cuantil de orden 1 de una distribucion Normal tipicada.

3.7.4. Actualizacion de predicciones
En esta subseccion presentamos como modicar las predicciones cuando se
dispone de una nueva observacion (tanto para X como para Y ). Una primera
modicacion de las predicciones consistira en aplicar la formula de prediccion
(3.17) considerando como conjunto de observaciones 1, . . . , t, t +1. Sin embargo,
vamos a plantear una ecuacion que permite una actualizacion de las predicciones
de forma facil y automatica en funcion de los errores de prediccion.
Si usamos la expresion de la serie en funcion de los procesos de ruido
t
y a
t
obtenemos la expresion (3.9) para el instante t + l,
Y
t+l
=

j=0
u
j

t+lj
+

j=0

j
a
t+lj
.
La ecuacion de prediccion, suponiendo que se dispone de informacion unica-
mente hasta el instante t, viene dada por

Y
t
(l) =

j=l
u
j

t+lj
+

j=l

j
a
t+lj
, (3.18)
26 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
mientras que si la informacion disponible es hasta el instante t + 1, la ecuacion
para el mismo instante temporal t + l responde a la expresion

Y
t+1
(l 1) =

j=l1
u
j

t+lj
+

j=l1

j
a
t+lj
. (3.19)
Por ello se deduce que

Y
t+1
(l 1) =

Y
t
(l) + u
l1

t+1
+
l1
a
t+1
. (3.20)
Es decir, la actualizacion de la prediccion aparece en funcion de la prediccion
anterior mas una combinacion lineal de los valores de ruido
t+1
y a
t+1
. El
primer valor de ruido corresponde al error de prediccion en la modelizacion
ARIMA de la serie X, ya estudiado en la prediccion de series univariantes, por
lo que

t+1
= X
t+1

X
t
(1).
El valor de a
t+1
se deduce del error de prediccion de Y . Si escribimos la ecuacion
(3.20) para el instante de tiempo t + 1 obtenemos

Y
t+1
(0) =

Y
t
(1) + u
0

t+1
+
0
a
t+1
.
Haciendo uso de que

Y
t+1
(0) = Y
t+1
,
0
= 1 y despejando a
t+1
obtenemos
a
t+1
= Y
t+1

Y
t
(1) u
0

t+1
= Y
t+1

Y
t
(1) u
0
(X
t+1

X
t
(1)).
Por ello, la formula de actualizacion de las predicciones viene dada por

Y
t+1
(l 1) =

Y
t
(l)+u
l1
(X
t+1

X
t
(1))+
l1
[Y
t+1

Y
t
(1)u
0
(X
t+1

X
t
(1))].
3.8. Analisis espectral y modelos de funcion de
transferencia
Creemos conveniente dar una vision global del tratamiento de los modelos
de funcion de transferencia, por lo que pasamos a presentar el tratamiento en el
dominio de frecuencias. Este apartado aparece, en el programa propuesto para la
asignatura, al nal del tema dedicado al analisis espectral de series bivariantes.
Por ello se asume en este punto que el alumno posee conocimientos basicos de
analisis espectral tanto univariante como bivariante.
En este caso vamos a suponer un modelo de funcion de transferencia mas
general que hasta ahora, permitiendo la dependencia de valores del futuro. As el
modelo responde a la expresion
Y
t
=

j=
v
j
X
tj
+ N
t
= v(B)X
t
+ N
t
, (3.21)
donde v(B) =

j=
v
j
B
j
, vericando que

j=
|v
j
| < . Las series X
t
y N
t
se asume que son independientes y que conjuntamente son estacionarias
3.8. AN

ALISIS ESPECTRAL YMODELOS DE FUNCI

ONDE TRANSFERENCIA27
con media cero. Entonces, se verica la siguiente relacion entre las covarianzas
cruzadas:

xy
(k) = E[X
t
Y
t+k
] = E
_
_
X
t
_
_

j=
v
j
X
t+kj
+ N
t+k
_
_
_
_
=

j=
v
j

x
(k j) = v(B)
x
(k).
Por ello, la funcion de densidad espectral cruzada se puede expresar como
f
xy
() =
1
2

k=

xy
(k)e
ik
=
1
2

k=
_
_

j=
v
j

x
(k j)
_
_
e
ik
=
1
2

j=
v
j

k=

x
(k j)e
ik
=
1
2

j=
v
j

k=

x
(k)e
i(k+j)
=

j=
v
j
f
x
()e
ij
= v()f
x
(), (3.22)
donde f
x
() es la funcion de densidad espectral de la variable X, y v() responde
a la expresion
v() =

j=
v
j
e
ij
.
Por tanto se verica la relacion
v() =
f
xy
()
f
x
()
, , (3.23)
para todo en el que f
x
() = 0. La funcion v() se denomina funcion de
respuesta a frecuencias del sistema lineal. La ecuacion (3.23) muestra que esta
funcion se puede calcular como el cociente entre la funcion de densidad espectral
cruzada y la funcion de densidad espectral del input. Los pesos de respuesta a
impulsos v
k
pueden obtenerse mediante la relacion
v
k
=
1
2
_

v()e
ik
d, (3.24)
ya que
_

e
ik
d =
_
_
_
2 si k = 0
0 si k = 0
Para calcular la funcion de densidad espectral del ruido N
t
aplicamos la
relacion entre los ltros y las funciones de densidades espectrales, y la indepen-
dencia entre X
t
y N
t
. As obtenemos
f
y
() = |v()|
2
f
x
() + f
n
(). (3.25)
28 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
Por tanto,
f
n
() = f
y
() |v()|
2
f
x
() = f
y
()
|f
xy
()|
2
f
2
x
()
f
x
()
= f
y
()
f

xy
()f
xy
()
f
x
()
= f
y
() f
yx
()f
1
x
()f
xy
(),
donde

denota el complejo conjugado, y se ha aplicado la relacion f

xy
() =
f
yx
(). Por lo tanto, la funcion de autocovarianzas del ruido N
t
puede obtenerse
de la ecuacion

n
(k) =
_

f
n
()e
ik
d. (3.26)
Sustituyendo las funciones de densidad espectral por sus estimaciones, estu-
diadas en los temas dedicados a analisis espectral, podemos obtener las estima-
ciones de los pesos de respuesta a impulsos v
k
y las correlaciones del proceso
de ruido N
t
,
n
(k). Estas estimaciones pueden ser usadas para identicar la
estructura del modelo de funcion de transferencia como se hizo en secciones
previas.
3.8.1. Otras funciones espectrales
La funcion de ganancia entre la serie x
t
y la serie y
t
se dene como
G
xy
() =
|f
xy
()|
f
x
()
.
Esta funcion se puede interpretar como un coeciente de regresion del proceso
Y
t
sobre el proceso X
t
en la frecuencia . Si aplicamos la relacion dada por la
expresion (3.23), se deduce que
G
xy
() = |v()|.
La funcion de fase, debido a que f
x
() es no negativa y real-valuada, adquiere
la expresion

xy
() = arg[f
xy
()] = arg[v()].
As, la fase entre el input y el output unicamente depende de la forma de la
funcion de respuesta a frecuencias v().
Para la funcion de coherencia, o para su cuadrado (es la funcion que vamos
a calcular), usamos las relaciones (3.22) y (3.25), con lo que obtenemos
K
2
xy
() =
|f
xy
()|
2
f
x
()f
y
()
=
|v()|
2
f
x
()
f
y
()
=
f
y
() f
n
()
f
y
()
= 1
f
n
()
f
y
()
.
Por tanto, el coeciente anterior, que se puede interpretar como un coeciente
de determinacion para una regresion del proceso Y
t
sobre X
t
en la frecuencia
3.9. EJEMPLO PR

ACTICO 29
, es una medida de la proporcion entre el espectro del ruido y el espectro del
output en la frecuencia . La coherencia K
xy
() se aproxima a cero si el cociente
f
n
()/f
y
() se aproxima a uno. La ecuacion (3.25) se puede interpretar como
que la funcion de densidad espectral del output es la de la se nal mas el efecto
del ruido, y podemos plantear la siguiente relacion entre el ruido y la se nal:
f
n
()
f
s
()
=
1 K
2
xy
()
K
2
xy
()
,
donde f
s
() = |v()|
2
f
x
() representa la se nal del sistema. Si la coherencia es
peque na la fraccion anterior es grande y viceversa. Equivalentemente, se puede
probar que
K
2
xy
() =
f
s
()/f
n
()
1 + f
s
()/f
n
()
.
El cociente entre ruido y se nal puede ser usado como criterio para la seleccion
del modelo, de modo que un modelo con menor valor uniforme de este cociente
es claramente preferible.
3.9. Ejemplo practico
En esta seccion vamos a presentar como se aplican las tecnicas estudiadas en
esta leccion. Para ello utilizaremos de forma simultanea tres programas, Stat-
graphics, BMDP e ITSM. El primero es bastante limitado y unicamente nos
permite realizar la modelizacion unidimensional de cada serie y el estudio de la
correlacion cruzada. El programa BMDP (modulo 2T) es el que mas amplia-
mente utilizaremos a lo largo de toda la aplicacion, siendo muy exible y obte-
niendo unos resultados claros y precisos, aunque complementaremos con algunos
gracos creados con una simple hoja de calculo (EXCEL). El ultimo, ITSM, es
un programa que limita en cierta forma los grados de los polinomios de retardos,
pero debido a que es utilizado en el desarrollo del curso para la modelizacion
unidimensional, parece aconsejable ilustrar como se realiza la modelizacion de
funciones de transferencia usando este software.
Los datos que vamos a utilizar son datos mensuales que corresponden al
inicio de construccion de casas y ventas de las mismas en los Estados Unidos,
en miles de unidades, desde Enero de 1965 a Diciembre de 1975. Esta serie
bivariante ha sido estudiada por otros autores como, por ejemplo, Hillmer y
Tiao (1979), Abraham y Ledolter (1983) y Pankratz (1991).
3.9.1. Identicacion usando el metodo de Box-Jenkins
En este apartado vamos a sugerir modelos tentativos de funcion de transfer-
encia para posteriormente estimarlos y decidir cual de ellos sera mas adecuado.
En primer lugar estudiamos si las series necesitan alguna transformacion de
tipo Box-Cox para estabilizar la varianza. Los gracos de las series que aparecen
en las guras 1 y 2 no sugieren la necesidad de tal transformacion.
30 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
Serie de construcciones.
Serie de ventas.
Posteriormente realizamos un estudio de la causalidad. En principio no se
puede descartar la retroalimentacion, ya que una venta elevada de casas puede
inuir en una mayor construccion y, recprocamente, una mayor construccion
puede acarrear una mayor disponibilidad de casas con lo que el precio de las
mismas descendera y por ello se producira una mayor venta. Para el estudio
de la causalidad, calculamos los residuos de una modelizacion univariante de
cada serie. En ambos casos, las series se modelizan mediante una estructura
SARIMA(0, 1, 1)(0, 1, 1)
12
. Si llamamos Y
t
(CONSTR en el programa BMDP)
a la serie de construcciones y X
t
(VENTA en el programa BMDP) a la de ventas
obtenemos que el correlograma entre X
t
e Y
t
para retardos oscilando entre -16
y 16 viene dado por la gura 3. Los parrafos necesarios en el programa BMDP
para este estudio son los siguientes:
ARIMA
VAR=VENTA.
DFORDER=1,12.
MARORDER=(1),(12)./
3.9. EJEMPLO PR

ACTICO 31
ESTIMATION
RESID=RVEN.
METHOD=BACKCASTING./
ERASE
MODEL./
32 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
ARIMA
VAR=CONSTR.
DFORDER=1,12.
MARORDER=(1),(12)./
ESTIMATION
RESID=RCON.
METHOD=BACKCASTING./
CCF
VARIABLES=RVEN,RCON.
MAXLAG=16./
Los valores proporcionados por el programa BMDP son los siguientes, donde
RVEN hace referencia a los residuos de las ventas y RCON a los residuos de la
variable construccion.
CORRELATION OF RVEN AND RCON IS 0.24
CROSS CORRELATIONS OF RVEN (I) AND RCON (I+K)
1- 12 .36 .22 .15 .02 .11 -.01 -.01 -.04 .03 0.0 -.01 -.02
ST.E. .09 .09 .09 .09 .09 .09 .09 .09 .10 .10 .10 .10
13- 16 -.04 -.02 .04 .04
ST.E. .10 .10 .10 .10
CROSS CORRELATIONS OF RCON (I) AND RVEN (I+K)
1- 12 .12 .02 .07 .03 0.0 -.13 .11 -.04 -.02 .12 -.06 -.02
ST.E. .09 .09 .09 .09 .09 .09 .09 .09 .10 .10 .10 .10
13- 16 .03 .03 -.17 .01
ST.E. .10 .10 .10 .10
Correlaciones cruzadas entre las series de residuos.
3.9. EJEMPLO PR

ACTICO 33
Se observa, al no presentarse valores signicativos en retardos negativos, que no
parece equivocado suponer una relacion de causalidad unidireccional, es decir,
que la serie de ventas causa a la de construcciones pero no al contrario.
Una vez identicada la relacion de causalidad, pasamos a la identicacion
propiamente del modelo. Como indica el ttulo de esta subseccion, vamos a
utilizar el metodo de Box y Jenkins. Anteriormente se comento que las series
se modelizan mediante una estructura SARIMA(0, 1, 1) (0, 1, 1)
12
. Por ello,
trabajaremos con las series diferenciadas y
t
= (1 B)(1 B
12
)Y
t
, y x
t
=
(1 B)(1 B
12
)X
t
. El modelo correspondiente a la serie x
t
viene dado por la
expresion
x
t
= (1 0.1648B)(1 0.8837B
12
)
t
.
Filtramos la serie y
t
usando este mismo modelo y calculamos la funcion de
correlacion cruzada entre los residuos
t
y la serie obtenida de la aplicacion del
ltro anterior. Esta funcion de correlacion va a ser de ayuda para plantear la
estructura de la funcion de transferencia v(B), ya que los pesos de respuesta
a impulsos son proporcionales a los valores que toma la misma. La gura 4
presenta esta funcion. Las ordenes necesarias para su calculo usando BMDP
son las siguientes:
34 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
ARIMA
VAR=VENTA.
DFORDER=1,12.
MARORDER=(1),(12)./
ESTIMATION
RESID=RVEN.
METHOD=BACKCASTING./
FILTER
VARIABLE=CONSTR.
RESIDUAL=FCON./
CCF
VARIABLES=RVEN,FCON.
MAXLAG=16./
Correlaciones cruzadas entre
t
y la serie Y
t
ltrada.
Los valores proporcionados son los siguientes
CORRELATION OF RVEN AND FCON IS 0.22
CROSS CORRELATIONS OF RVEN (I) AND FCON (I+K)
1- 12 .33 .18 .12 0.0 .11 -.02 -.01 -.04 .03 0.0 -.01 -.02
ST.E. .09 .09 .09 .09 .09 .09 .09 .09 .10 .10 .10 .10
13- 16 -.03 -.02 .04 .04
ST.E. .10 .10 .10 .10
CROSS CORRELATIONS OF FCON (I) AND RVEN (I+K)
1- 12 .11 .01 .06 .03 .01 -.14 .11 -.04 -.03 .13 -.06 -.02
ST.E. .09 .09 .09 .09 .09 .09 .09 .09 .10 .10 .10 .10
13- 16 .03 .05 -.16 .02
ST.E. .10 .10 .10 .10
Como es logico no aparecen valores negativos signicativos. Los valores positivos
signicativos son 0, 1 y 2, aunque se puede interpretar como un decaimiento a
partir del retardo 1. Por ello podemos plantear los siguientes tipos de funciones
de transferencia:
3.9. EJEMPLO PR

ACTICO 35
v(B) =
0
+
1
B +
2
B
2
v(B) =

0
+
1
B
1
1
B
v(B) =

0
1 B
,
donde el tercero se introduce como una simplicacion del segundo.
Para el primer modelo planteamos el siguiente programa que almacena los
valores del ruido N
t
en la variable RESN.
ARIMA
VARIABLE=CONSTR.
DFORDER=1,12./
INDEPENDENT
VARIABLE=VENTA.
DFORDER=12,1.
TYPE=RANDOM.
UPORDER=(0,1,2)./
ESTIMATION
RESID=RESN.
METHOD=BACKCASTING./
Un estudio del comportamiento de esta variable sugiere una modelizacion
SARIMA(0, 0, 1) (0, 0, 1)
12
, por lo que el parrafo ARIMA se modica a
ARIMA
VARIABLE=CONSTR.
MAORDER=(1),(12).
DFORDER=1,12./
Para el segundo modelo, la serie de sentencias que debe de contener el pro-
grama son
ARIMA
VARIABLE=CONSTR.
DFORDER=1,12./
INDEPENDENT
VARIABLE=VENTA.
DFORDER=12,1.
TYPE=RANDOM.
UPORDER=(0,1).
SPORDER=(1)./
ESTIMATION
RESID=RESN.
METHOD=BACKCASTING./
El estudio de los residuos sugiere una estructura SARIMA(0, 0, 1) (0, 0, 1)
12
para los mismos, con lo que la modicacion es la misma que en el caso anterior.
36 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
El tercer modelo, que en principio no parece muy logico ya que hay un crec-
imiento del valor en el retardo nulo al retardo uno en la funcion de correlacion
cruzada, se introduce debido a que al realizar la prediccion en el anterior modelo
no parece adecuado al no ser uno de los coecientes signicativamente distinto
de cero y, por ello, se realiza una peque na modicacion del mismo. En este caso
el programa BMDP vendra dado por
ARIMA
VARIABLE=CONSTR.
DFORDER=1,12./
INDEPENDENT
VARIABLE=VENTA.
DFORDER=12,1.
TYPE=RANDOM.
UPORDER=(0).
SPORDER=(1)./
ESTIMATION
RESID=RESN.
METHOD=BACKCASTING./
El estudio de estos residuos propone de nuevo la misma modicacion del
programa, es decir, indica que su estructura se puede modelizar mediante un
modelo SARIMA(0, 0, 1) (0, 0, 1)
12
.
3.9.2. Estimacion
Los resultados de la estimacion, que son realizados al incluir el parrafo ES-
TIMATION en el programa BMDP, vienen dados por como sigue:
Para el primer caso
OUTPUT VARIABLE -- CONSTR INPUT VARIABLES -- NOISE VENTA
VARIABLE VAR. TYPE MEAN TIME DIFFERENCES
1 12
CONSTR RANDOM 1- 132 (1-B ) (1-B )
12 1
VENTA RANDOM 1- 132 (1-B ) (1-B )
PARAMETER VARIABLE TYPE FACTOR ORDER ESTIMATE ST. ERR.
T-RATIO
1 CONSTR MA 1 1 0.6940 0.0709 9.79
2 CONSTR MA 2 12 0.7455 0.0716 10.41
3 VENTA UP 1 0 0.4571 0.1452 3.15
4 VENTA UP 1 1 0.6359 0.1523 4.18
5 VENTA UP 1 2 0.3468 0.1419 2.44
Para el segundo caso
3.9. EJEMPLO PR

ACTICO 37
OUTPUT VARIABLE -- CONSTR INPUT VARIABLES -- NOISE VENTA
VARIABLE VAR. TYPE MEAN TIME DIFFERENCES
1 12
CONSTR RANDOM 1- 132 (1-B ) (1-B )
12 1
VENTA RANDOM 1- 132 (1-B ) (1-B )
PARAMETER VARIABLE TYPE FACTOR ORDER ESTIMATE ST. ERR.
T-RATIO
1 CONSTR MA 1 1 0.6560 0.0686 9.56
2 CONSTR MA 2 12 0.8620 0.0287 29.99
3 VENTA UP 1 0 0.4762 0.1416 3.36
4 VENTA UP 1 1 0.7535 0.1726 4.37
5 VENTA SP 1 1 0.09012 0.1021 0.88
Para el tercer caso
OUTPUT VARIABLE -- CONSTR INPUT VARIABLES -- NOISE VENTA
38 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
VARIABLE VAR. TYPE MEAN TIME DIFFERENCES
1 12
CONSTR RANDOM 1- 132 (1-B ) (1-B )
12 1
VENTA RANDOM 1- 132 (1-B ) (1-B )
PARAMETER VARIABLE TYPE FACTOR ORDER ESTIMATE ST. ERR.
T-RATIO
1 CONSTR MA 1 1 0.5445 0.0727 7.49
2 CONSTR MA 2 12 0.8664 0.0268 32.28
3 VENTA UP 1 0 0.7299 0.1311 5.57
4 VENTA SP 1 1 0.2763 0.0734 3.77
Los resultados que obtenemos son las estimaciones de todos los parametros.
El tipo MA hace referencia al polinomio (1 B)(1 B
12
) que modeliza al
ruido N
t
, indicando la columna ORDER el parametro correspondiente. El tipo
UP corresponde a la estructura del polinomio (B) en el que se descompone
la funcion de transferencia; en caso de que aparezca decalaje sumaremos a la
especicacion dicho valor (por ejemplo, B
2
(
0
+
1
B) se representa mediante
UPORDER=(2,3)). La columna ORDER de nuevo nos indica el subndice i
de
i
. Por ultimo, el tipo SP esta asociado a la estructura del polinomio (B),
que aparece al descomponer como cociente de polinomios en el denominador de
v(B).
En la columna ESTIMATE aparecen las estimaciones de los coecientes jun-
to, con sus desviaciones tpicas en la columna ST. ERR. En la columna T-RATIO
aparecen los valores de la t de Student en un test en el que la hipotesis nula
corresponde a el coeciente vale cero, por lo que un valor grande (en general
superior a dos) indicara que el coeciente es signicativo, mientras que un val-
or peque no signicara que podra ser considerado como cero, indicandonos que
deberamos modicar el modelo. Salvo en el segundo caso, donde el coeciente

1
aparece como no signicativo, todos los coecientes son signicativamente
distintos de cero.
3.9.3. Validaci on
El estudio de validacion se desarrolla fundamentalmente centrandose en el
comportamiento de los residuos a
t
(que estan almacenados en RESN) y la
relacion con la serie input o en su caso con
t
.
Para el estudio de la serie de residuos a
t
, estudiamos su funcion de autocor-
relacion y autocorrelacion parcial, as como el test de Ljung-Box. Esto se realiza
mediante los siguientes parrafos
ACF
VARIABLE=RESN.
MAXLAG=24.
LBQ./
PACF
VARIABLE=RESN.
3.9. EJEMPLO PR

ACTICO 39
MAXLAG=24./
Los resultados obtenidos para el primer modelo ajustado son los siguientes:
AUTOCORRELATIONS
1- 12 .03 .04 .03 -.10 -.04 -.03 -.14 -.06 .12 .01 .10 -.02
ST.E. .09 .09 .09 .09 .09 .09 .09 .10 .10 .10 .10 .10
L.-B. Q .10 .20 .30 1.6 1.8 1.9 4.3 4.8 6.8 6.8 8.0
8.0
13- 24 .05 .11 .05 -.18 0.0 .01 .01 .10 -.13 -.22 -.01 -.11
ST.E. .10 .10 .10 .10 .10 .10 .10 .10 .10 .10 .11 .11
L.-B. Q 8.4 10. 10. 15. 15. 15. 15. 16. 19. 26. 26.
28.
PARTIAL AUTOCORRELATIONS
1- 12 .03 .04 .02 -.10 -.03 -.02 -.13 -.07 .13 .01 .06 -.05
ST.E. .09 .09 .09 .09 .09 .09 .09 .09 .09 .09 .09 .09
13- 24 .07 .10 .05 -.18 .03 .06 .04 .05 -.12 -.25 -.04 -.12
ST.E. .09 .09 .09 .09 .09 .09 .09 .09 .09 .09 .09 .09
Con ello se observa que, salvo en el retardo 22, los valores de autocorrelacion
y autocorrelacion parcial no son signicativos. El contraste de Ljung-Box, por
ejemplo para las primeras 12 autocorrelaciones, toma el valor de 8.0 ( ultima
la), mientras que el valor teorico de una Chi-cuadrado con 10 grados de libertad
(12 2, ya que se estiman 2 parametros en la modelizacion SARIMA(0, 0, 1)
(0, 0, 1)
12
de los residuos) vale 18.4 al 5 %, por lo que no se rechaza la hipotesis
de incorrelacion de los residuos.
La funcion de correlacion cruzada entre las series
t
y a
t
se construye a nadi-
endo un parrafo de la forma
CCF
VARIABLES=RVEN,RESN.
MAXLAG=16./
Los resultados obtenidos para el primer caso fueron
CORRELATION OF RVEN AND RESN IS 0.02
CROSS CORRELATIONS OF RVEN (I) AND RESN (I+K)
1- 12 -.01 -.06 .09 .01 .10 0.0 -.02 -.04 .12 .10 .06 .03
ST.E. .09 .09 .09 .09 .09 .09 .10 .10 .10 .10 .10 .10
13- 16 .01 -.01 .02 .02
ST.E. .10 .10 .10 .10
40 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
CROSS CORRELATIONS OF RESN (I) AND RVEN (I+K)
1- 12 .14 .03 .07 -.01 .02 -.04 .20 .01 .03 .12 -.05 -.04
ST.E. .09 .09 .09 .09 .09 .09 .10 .10 .10 .10 .10 .10
13- 16 -.04 -.09 -.19 0.0
ST.E. .10 .10 .10 .10
Salvo la correlacion en el instante 7 los terminos de la funcion no son signi-
cativos, por lo que no hay evidencia de correlacion entre los residuos a
t
y la
serie input X
t
.
Para el segundo caso obtenemos resultados analogos. La funcion de auto-
correlacion de los residuos es signicativa en los retardos 21 y 22, al igual que
la funcion de autocorrelacion parcial. La funcion de correlacion cruzada es sig-
nicativa en los retardos 7 y 15, por lo que el modelo se puede considerar
como valido.
Para el tercer modelo, obtenemos que la funcion de autocorrelacion cruzada
toma los valores
CORRELATION OF RVEN AND RESN IS -0.13
CROSS CORRELATIONS OF RVEN (I) AND RESN (I+K)
1- 12 .19 .18 .24 .04 .13 .01 .01 0.0 .09 .03 .03 .02
ST.E. .09 .09 .09 .09 .09 .09 .09 .09 .10 .10 .10 .10
3.9. EJEMPLO PR

ACTICO 41
13- 16 0.0 -.05 0.0 .04
ST.E. .10 .10 .10 .10
CROSS CORRELATIONS OF RESN (I) AND RVEN (I+K)
1- 12 .12 .02 .09 -.03 -.02 -.10 .16 .02 .03 .09 -.04 0.0
ST.E. .09 .09 .09 .09 .09 .09 .09 .09 .10 .10 .10 .10
13- 16 .02 -.07 -.22 -.01
ST.E. .10 .10 .10 .10
que resultan ser signicativos para los valores -15, 1, 2 y 3. Por ello el modelo
se considera inadecuado.
Los dos modelos que obtenemos como validos tienen igual n umero de paramet-
ros, por lo que son igual de parsimoniosos. Sin embargo el segundo modelo tiene
un coeciente no signicativo, de modo que optaremos por el primero.
La representacion en papel probabilstico normal de los residuos se puede
realizar usando el modulo 5D de BMDP, usando un programa tan simple co-
mo el siguiente (previamente hemos salvado los residuos RESN en un chero
RESN.DAT):
/INPUT
TITLE IS DIBUJO EN PAPEL PROBABILISTICO NORMAL.
FILE = C:\PC90\RESN.DAT.
VARIABLES = 1.
FORMAT IS FREE.
/VARIABLE
NAMES=RESN.
/PLOT
TYPE=NORM.
VARIABLE=RESN.
/END
El resultado obtenido, que aparece en la gura ??, sugiere que se puede asumir
normalidad.
42 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
Dibujo en papel probabilstico de los residuos.
En cuanto a las propiedades de estabilidad, estacionariedad e invertibilidad,
unicamente se estudia la propiedad de invertibilidad, ya que los polinomios
(B) y (B) son iguales a 1. Como los estimadores de los coecientes de la
estructura de medias moviles son 0.694 y 0.7455 con desviaciones tpicas 0.0709
y 0.0716, respectivamente, si construimos un intervalo de conanza para dichos
parametros al 95 %, observamos que estos se encuentran comprendidos entre -1
y 1. Por ello las races de (B) son en modulo mayores que 1, lo que asegura la
invertibilidad.
Otra tecnica de validacion es el sobreajuste. Si a nadimos un nuevo coeciente
a la estructura de la funcion de transferencia transformandola en v(B) =
0
+

1
B +
2
B
2
+
3
B
3
y estimamos el modelo, obtenemos que los coecientes
2
y
3
no son signicativos. Por ello, el modelo anterior es preferible.
As el modelo que ajustamos a los datos disponibles responde a la estructura
determinada por las siguientes ecuaciones:

12
Y
t
= 0.4571
12
X
t
+ 0.6359
12
X
t1
+ 0.3468
12
X
t2
+(1 0.6940B)(1 0.7455B
12
)a
t
(3.27)

12
X
t
= (1 0.1648B)(1 0.8837B
12
)
t
(3.28)
El programa ITSM no se puede emplear en este caso, ya que limita los
ordenes de los polinomios de retardos a 11 (en nuestro caso el orden es 13 para
la estructura MA por ejemplo); sin embargo, la funcion de correlacion cruzada
entre los residuos, que aparece en la gura ??, se realiza usando la primera
opcion del programa, en su modulo TRANS.
3.9. EJEMPLO PR

ACTICO 43
Correlaciones cruzadas entre las series de residuos (ITSM).
La segunda opcion de este programa permite el ajuste de un modelo de la
forma
Y
t
=
L

j=0
v
j
X
tj
+ N
t
,
donde no se supone ninguna estructura para el ruido N
t
ni aparecen terminos
constantes. Una vez estimados los coecientes v
j
, el tercer modulo nos permite
la obtencion de los residuos

N
t
para un tratamiento de los mismos. Los pasos
anteriores nos sirven para proponer los ordenes de los polinomios de retardos
que aparecen en el modelo de transferencia, as como para un estudio previo
que sera necesario para la modelizacion unidimensional de la serie input. Estos
datos son necesarios en el ultimo modulo, donde se realiza la estimacion por
mnimos cuadrados y la prediccion.
3.9.4. Modelizacion usando el metodo de la funcion de
transferencia lineal
En este caso trabajamos con las series originales. Ajustamos un modelo del
tipo siguiente, con una estructura SAR(1) (1)
12
para la componente N
t
:
Y
t
= C + v
0
X
t
+ v
1
X
t1
+ + v
10
X
t10
+ N
t
.
Esto se realiza mediante las siguientes sentencias en BMDP:
ARIMA
VARIABLE=CONSTR.
CONSTANT.
ARORDER=(1),(12)./
INDEPENDENT
VARIABLE=VENTA.
TYPE=RANDOM.
UPORDER=(0,1,2,3,4,5,6,7,8,9,10)./
ESTIMATION
METHOD=BACKCASTING./
Una vez estimado el modelo, calculamos los valores del proceso N
t
. Esto se
realiza ltrando la serie Y
t
con el modelo estimado, eliminando la estructura
SAR. Las ordenes necesarias son
44 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
ARIMA
VARIABLE=CONSTR.
CONSTANT.
CVAL=-8.527./
INDEPENDENT
VARIABLE=VENTA.
TYPE=RANDOM.
UPORDER=(0,1,2,3,4,5,6,7,8,9,10).
UPVALUES=0.6534, .7616, .329, .2717, -.1562, -.1002, -.1613
,0.3244E-01, -0.5303E-01, 0.1792, 0.1583./
FILTER
VARIABLE=CONSTR.
RESIDUAL=FCON./
donde los valores CVAL y UPVALUES son los estimados en el paso anterior.
Posteriormente realizamos un estudio de la serie de residuos (FCON) que pone
de maniesto un decaimiento suave en los retardos 12, 24, 36, . . . , de la funcion
de autocorrelacion. El graco que muestra estas correlaciones viene dado por la
gura ??. Por ello, se diferencia la serie y se repite el mismo procedimiento.
Correlaciones de la serie N
t
.
El estudio de las autocorrelaciones de la serie de residuos para el modelo

12
Y
t
= C + v
0

12
X
t
+ v
1

12
X
t1
+ + v
10

12
X
t10
+ n
t
,
aparece en la gura ??. En este caso es difcil decidir sobre la estacionariedad
en base a las correlaciones, ya que sus valores no son signicativos para retardos
superiores a 4, salvo obviamente para el retardo 12. Sin embargo, un estudio
mas detallado sugiere la necesidad de esta operacion. Por lo tanto, el modelo
que ajustamos es del tipo

12
Y
t
= C + v
0

12
X
t
+ v
1

12
X
t1
+ + v
10

12
X
t10
+ n
t
, (3.29)
3.9. EJEMPLO PR

ACTICO 45
Correlaciones de la serie n
t
.
Correlaciones de la serie n
t
.
El graco que recoge las autocorrelaciones de la serie n
t
aparece en la gura
??. En este caso se puede asumir que es estacionaria, ya que los unicos retardos
signicativos son el 1, 11 y 12. Los valores estimados de los parametros que
aparecen en la ecuacion (3.29) guran en la siguiente tabla (

C = 0.015, con
un valor de t asociado de -0.02)
k 0 1 2 3 4 5 6
v
k
0.5160 0.6845 0.2020 0.2275 -0.1541 0.02914 0.04806
|t| 3.05 3.92 1.15 1.33 0.90 0.02 0.28
k 7 8 9 10 1 12
v
k
0.00796 -0.07118 0.3498 0.06062

k
-0.4972 -0.5882
|t| 0.05 0.43 2.04 0.36 5.45 6.53

Unicamente los dos primeros valores parecen signicativos, por ello parece con-
veniente, despues de un estudio del comportamiento de los residuos, ajustar un
modelo de la forma

12
Y
t
= v
0

12
X
t
+ v
1

12
X
t1
+ (1
1
B)(1
12
B
12
)a
t
(3.30)
Este modelo es una version simplicada del que hemos ajustado con el pro-
cedimiento de identicacion de Box-Jenkins, ya que este no presenta el termino
v
2
x
t2
. As, es de esperar que en la fase de validacion se proponga el modelo
con este nuevo termino; de hecho, la funcion de correlacion cruzada entre las
series de residuos a
t
y
t
posee en este caso valores signicativos para retardos
bajos. Los resultados sobre estimacion aparecen en los apartados anteriores.
46 CAP

ITULO 3. MODELOS DE FUNCI

ON DE TRANSFERENCIA
3.9.5. Prediccion
La prediccion una vez que se han identicado los modelos (3.27) y (3.28) es
simple. Hay que tener en cuenta que los valores de la serie input tambien deben
de ser predichos si no se dispone de los valores reales. El programa en BMDP
que realiza la prediccion para 12 instantes de tiempo futuros es el siguiente:
ARIMA
VARIABLE=VENTA.
DFORDER=1,12.
MAORDER=(1),(12)./
ESTIMATION
METHOD=BACKCASTING./
FORECASTING
CASES=12.
JOIN./
ERASE
MODEL./
ARIMA
VARIABLE=CONSTR.
DFORDER=1,12.
MARORDER=(1),(12)./
INDEPENDENT
VARIABLE=VENTA.
DFORDER=1,12.
UPORDER=(0,1,2)./
ESTIMATE
METHOD=BACKCASTING./
FORECASTING
CASES=12./
END/
En el primer parrafo FORECASTING se introduce la sentencia JOIN para que
a nada los valores a la variable input y los use para la prediccion de la variable
output. Los valores obtenidos fueron
FORECAST ON VARIABLE CONSTR FROM TIME PERIOD 133
PERIOD FORECASTS ST. ERR. ACTUAL RESIDUAL
133 54.19576 6.21430
134 57.80467 6.55292
135 86.51464 6.87488
136 103.31430 7.18242
137 106.12350 7.47732
138 103.76910 7.76103
139 99.90089 8.03472
140 96.96646 8.29939
141 88.99266 8.55588
142 91.05362 8.80490
143 76.28274 9.04707
3.9. EJEMPLO PR

ACTICO 47
144 61.64089 9.28293
STANDARD ERROR = 6.21430 BY CONDITIONAL METHOD
Las columnas ACTUAL y RESIDUAL contendran los valores observados y los
residuos en el caso en que los valores sean observados (por ejemplo, si comen-
zamos la prediccion a partir del instante 120).