Analisis de Intervencion

Curso de Series de Tiempo-Licenciatura en Estadstica

1er semestre 2005

INDICE

Indice

1. An
alisis de Intervenci
on

1.1. Variables Impulso. Funcion de repuesta a impulsos . . . . . . . . . . . .

1.2. Variables Escalon:Ganancia . . . . . . . . . . . . . . . . . . . . . . . . .

1.3. Efectos deterministas generales . . . . . . . . . . . . . . . . . . . . . . .

1.4. Construccion de Modelos de Intervencion . . . . . . . . . . . . . . . . .

2. Valores Atpicos

2.1. Atpicos Aditivos(AO) . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.1. Efectos en los Residuos . . . . . . . . . . . . . . . . . . . . . . .

2.2. Atpicos Innovativos(IO) . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.1. Efecto de un IO sobre la Serie . . . . . . . . . . . . . . . . . . . . 10

2.3.

Cambio de Nivel Atpico (LS) . . . . . . . . . . . . . . . . . . . . . . . 10

2.3.1. Efectos en los Residuos . . . . . . . . . . . . . . . . . . . . . . . 11

2.4. Atpico Cambio Transitorio . . . . . . . . . . . . . . . . . . . . . . . . . 11

Notas de Curso para Series de Tiempo

1.

An
alisis de Intervenci
on

Las series se ven con frecuencia afectadas por sucesos puntuales conocidos . Ej:una
huelga, una a
no bisiesto, un cambio legal o un cambio en un feriado. Si incluimos estos
efectos en la serie podemos mejorar la precision de la estimacion de los parametros y
de las predicciones.

Ejemplo 1 En una serie de producci

on
en un momento t. Se puede incluir ese
llamaremos variable impulso
(
1
It =
0

conocemos que se ha producido una huelga

efecto a traves de una variable ficticia que

t = huelga
resto

Zt = + wIt + ht / ht representado por un modelo ARIMA

(1)

Si estudiamos la relacion entre los valores de la serie y la variable impulso se puede

estimar el efecto de la serie
Ejemplo 2 Se produce un cambio legal que modifica la definici
on de desempleo a partir
de un determinado momento

St =

0
1

t < cambio legal

t cambio legal

Si St es una variable escalon

Zt = + wSt + ht ht

es un modelo ARIMA

(2)

Representaremos estos sucesos mediante diversos tipos de variables

1.1.

Variables Impulso. Funci

on de repuesta a impulsos
yt = (L)t

(3)

y esta serie esta afectada en un momento conocido t = h por un suceso tambien

conocido.
En t = h observamos una variable Zt que esta relacionado con yt
Zh = W 0 + y h

(4)

con W0 magnitud del efecto sobre la serie Para representar el suceso definimos una
variable impulso
(
0 t 6= h
Ith =
1 t=h
Notas de Curso para Series de Tiempo

1 ANALISIS
DE INTERVENCION

Para representar el efecto del suceso sobre la serie

Zt = W0 Ith + yt
y suponemos yt = (L)t
Zt = W0 Ith + (L)t

(5)

Pero el efecto de la intervencion definida por el impulso I th puede distribuirse en

varios perodos
Ejemplo 3 Una lluvia torrencial en t = h, el efecto sobre el tr
afico puede durar n
perodos la serie observada

Zh = W 0 + y h
Zh+1 = W1 + yh+1
................................
Zm = Wm + ym+h
M odelo Zt = w(L)Ith + (L)t

(6)

Con w(L) = (W0 + W1 L + W2 L2 + ... + Wm Lm ) que es el efecto de impulso, ahora es

un polinomio de orden m.

W0
W1
W2
W3

h h + 1h + 2h + 3

Figura 1: Funcion de Respuesta al Impulso

Notas de Curso para Series de Tiempo

1.2 Variables Escal

on:Ganancia

Si el n
umero de perodos afectados por el impulso es largo estos efectos se pueden
representar:
W0
Zt =
.(I h ) + (L)t con 0 < < 1
(7)
(1 + .L) t
La funcion de respuesta a impulso es

W0
1L

= W0 (1 + L + 2 L2 + ...) =

= (W0 + W1 .L + W2 .L2 + ... + Wm .Lm ) con Wk = W0 k

1.2.

(8)

Variables Escal
on:Ganancia

Si se quiere modelar intervenciones que tienen un efecto permanente sobre la serie

a partir de su ocurrencia las intervenciones se modelan con variables escalon.
Sth =

0
1

t<h
th

El efecto de una variable escalon sobre la serie y t que sigue un modelo ARIMA
puede repesentarse mediante el modelo de intervencion.
Zt = w(L)Sth + (L)t

(9)

Si w(L) = W0 , todos los valores posteriores a t = h estan afectados por una

cantidad constante ,W0 , es un cambio de nivel de la serie a partir de t = h.

W0 + W 1 + W 2
W0 + W 1
W0

h h + 1h + 2h + 43

Figura 2: Funcion de Respuesta a Escalon

Llamaremos ganancia de un escalon a su efecto final a Largo Plazo, es la suma
de los efectos parciales
Ganancia = W (1) = w0 + w1 .... + wm
Notas de Curso para Series de Tiempo

(10)

1 ANALISIS
DE INTERVENCION

La diferencia entre una variable impulso y una escalon es que el efecto de la primera
es transitorio y de la segunda es permanente.

1.3.

Efectos deterministas generales

Podemos incluir en el modelo un efecto determinista mediante una serie general X t .

Ejemplo 4 Si se quiere modelozar las ventas ,estas pueden venir afectadas por la serie
de das laborables y los festivos de cada mes

efecto deXt

Zt
|{z}

serie observada

z }| {
f (xt )

(11)

yt
|{z}

serie limpia del efecto determinista sigue un modelo ARIMA

Si el efecto es lineal nos queda

f (xt ) = v0 xt + v1 xt1 + v2 xt2 + ...... = (v0 + v1 L + v2 L2 ....)xt

Si f (xt ) es una variable impulso tal que

0 k<1
xtk =
1 k=0

0 k>1
f (xt1 ) = v0 xt1 + v1 xt2 + . . . = 0
f (xt ) = v0 xt + v1 xt1 + . . . = v0

(12)

f (xt+1 ) = v0 xt+1 + v1 xt + . . . = v1
f (xt+2 ) = v0 xt+2 + v1 xt+1 + v2 xt + . . . = v2

El coeficiente de la funcion de transferencia v i representa la respuesta en t + i cuando

la serie xt sufre un impulso en t, Funcion de respuesta a impulsos
Si xt es una variable escal
on con la funcion de respuesta
f (xt1 ) = v0 xt1 + v1 xt2 + . . . = 0
f (xt ) = v0 xt + v1 xt1 + . . . = v0
f (xt+1 ) = v0 xt+1 + v1 xt + v2 xt1 . . . = v0 + v1
.............................................
f (xt+k ) = v0 xt+k + v1 xt+k1 + ... + vk xt + . . . =

k
X

(13)

vj

j=1

f es la funcion de respuesta a escalones

Notas de Curso para Series de Tiempo

1.4 Construcci
on de Modelos de Intervenci
on

1.4.

Construcci
on de Modelos de Intervenci
on

La estimacion de un modelo de intervencion se realiza por M

axima Verosimilitud, la
estimacion incluye ahora los parametros del modelo ARIMA y los de la intervencion
y puede interpretarse como una estimacion en etapas.
Zt = W0 Ith +

1
t
(1 L)

(14)

1. Partiendo de una estimacion inicial del efecto de la intervencion W 0 se construye

la serie cotrregida del efecto de la intervencion:
yt = Z t w
0 Ith

(15)

2. Se estiman los parametros ARIMA de la serie corregida y t maximizando la

Funci
on de Verosimilitud. En este ejemplo se estima el parametro del AR(1)
yt = yt1 + t
3. Se calculan los residuos del modelo con los parametros estimados y se utilizan
para estimar el efecto de la intervencion escribiendo los residuos como funcion de
los efectos. Se multiplica toda la ecuacion por la estructura del modelo ARIMA
estimado.
1
Zt = W0 Ith +
t
(1 L)




Zt = W0 I h + 1 L
+ t
1 L
t
(16)
t1
et = Zt Z
et = W0 (1 L) Ith + t
La u
ltima ecuacion es la ecuacion de regresion, el parametro a estimar es el tama
no
del efectoW0

I h = I h I
h , que es una variable que toma valor cero en todo
Sea t = 1 L
t
t
t1

su recorrido salvo en h = 1 y en h+1 = .

et = W0 + t se estima Wo ; w
0

(17)

Con este valor se vuelve a iterar hasta obtener convergencia

2.

Valores Atpicos

Con frecuencia ocurren en las series hechos puntuales que desconocemos. Las observaciones afectadas por esas intervenciones pueden representar una estructura diferente
de las demas y aparecer como datos atpicos , no generados aparentemente como los
demas.
Es importante poder identificar estas situaciones desconocidas, porque por ejemplo si
sus efectos son grandes pueden sesgar la estimacion de los parametros y producir malas
predicciones.
Notas de Curso para Series de Tiempo

2 VALORES ATIPICOS

2.1.

Atpicos Aditivos(AO)

Diremos que ha ocurrido un AO sobre una serie temporal en el momento h si el

valor de la serie se genera en ese instante diferente que el resto.El modelo que seguira la
series Zt observada si ha sido afectada por un AO en t es
(
yt t 6= h
Zt =
yt + W A t = h
Zt = WA Ith + (L)t
con
It =

0
1

(18)

t 6= h
t=h

El nivel de la serie observada resulta afectada en t = h en que se produce el atpico

. El efecto no depende de la forma del filtro ARIMA Puedo escribir (L)y t = t que
es el efecto sobre la serie de las innovaciones
Zt WA Ith = t

(19)

A partir de t = h en que ocurre el atpico la cadena de innovaciones se ve afectada en

funcion de los coeficientes del filtro (L)
La huella del AO en el nivel de la serie es la alteracion del valor en el punto. Cuando
desconozcamos su presencia y pretendemos construir un ARIMA su presencia puede
notarse en los residuos del modelo.
2.1.1.

Efectos en los Residuos

yt = yt1 + t tal que yt AR(1)

(20)

Atpico en t = h Calculamos los residuos suponiendo que todas las observaciones han
sido generadas por el mismo modelo.

et = yt yt1
(1 L) yt1 = (1 L) WA Ith + t

(21)

La relacion entre los residuos calculados y las verdaderas innovaciones es

h
et = WA Ith WA It1
+ t

(22)

Antes de que ocurra el atpico en t = h ,e t = t pero a partir de t = h

eh = W A + h
eh+1 = WA + h+1
...................................

(23)

eh+j = h+j j 2
Notas de Curso para Series de Tiempo

2.2 Atpicos Innovativos(IO)

Un AR(1) afectado por un AO tendra solo 2 residuos afectados.

Ejemplo 5 Sea yt un AR(p)
(L)yt = (L)WA Ith + t

(24)

el efecto en los residuos

h
h
et = WA Ith 1 WA It1
. . . p WA Itp
t

= h+j j WA j 0

eh+j
|{z}

(25)

p residuos posteriores a h

con 0 = 1

Ejemplo 6 Sea un ARM A(p, q) estacionario



(L)
(t ) (L)yt = t
yt =
(L)
et = (L)WA

(26)

Ith + t et = j WA + h+j j 0
El nro de residuos afectados por el atpico es igual al orden del polinomio (L)

2.2.

Atpicos Innovativos(IO)

Diremos que ha ocurrido un atpico innovativo en la serie en el momento t = h

cuando la innovacion en ese punto es directamente afectado por una cantidad desconocida debida al suceso atpico.
Recordar que la innovacion representa el efecto agregado de todos las variables que influyen sobre la serie observada en forma aleatoria. Un atpico sobre la innovacion puede
interpretarse como un cambio imprevisible en las variables que afectan la evolucion de
la serie. Tambien puede ser visto como una variacion en el error de prediccion de la
serie en un punto , debido a cambios en las condiciones externas.
El Modelo para la serie sera
Zt = (L)(WI Ith + t )
Zt = (L)t (L)Zt = t

(27)

suponemos que la serie esta libre de atpicos y conocemos los parametros.

t = (L)Zt WI Ith
t = (WI Ith + t )
eh = a h + W I
.....................................
eh+j = ah+j j 0
Notas de Curso para Series de Tiempo

(28)

2 VALORES ATIPICOS

10

Cuando ocurre un IO en t = h los residuos estimados (conociendo los parametros del

proceso) seran iguales a las innovaciones en todos los puntos excepto en t = h
El efecto de un IO sobre la serie es muy distinto que el de un AO porque este ultimo
prouduce un efecto fijo , una alteracion en la observacion, mientras que el efecto de un
IO sobre la serie depende del modelo.
El efecto en la serie de un IO se propaga siguiendo el mismo patron dinamico que esta
sigue.

2.2.1.

Efecto de un IO sobre la Serie

Zt = yt + (L)Wt Ith
yt
yt = (L)t

yt t < h
yt + W I j

t =h+j

j0

(29)

1. En t = h el valor de la serie es igual al valor original mas la magnitud del atpico

2. Si la serie es estacionaria y sigue un modelo M A(q) los q valores siguientes de
la serie estaran afectados por la magnitud que depende de los coeficientes de la
MA
3. Si la serie es estacionaria y tiene un componente AR, todos los valores posteriores
a t = h estaran afectados , aunque con pesos decrecientes ya que los j van a
caer al crecer j, si la serie es estacionaria.

2.3.

Cambio de Nivel Atpico (LS)

La serie ha sufrido un cambio de nivel en h si

Zt = WL Sth + (L)t
1
Zt =
WL Ith + (L)t
(1 L)

(30)

donde Sth es una variable escalon del tipo

St =

1
0

th
otro caso

Zt =

yt t < h
yt + W L t h

Si el proceso es estacionario un cambio de nivel convertira la serie en no estacionaria, ya que la esperanza de cada observacion sera antes del cambio y + W L
despues.
Notas de Curso para Series de Tiempo

2.4 Atpico Cambio Transitorio

2.3.1.

11

Efectos en los Residuos

Zt WL Sth = (L)t
(L)(Zt WL Sth ) = t

(31)

La relacion entre los residuos calculados y las innovaciones es

et = WL (L)Sth + t
et =

at t < h
at + W L Ij

(32)

t=h+j

(L)
Concluimos que todos los
con Lj = 1 1 2 ..... j coeficientes de L(L) (1L)
residuos despues del cambio estan afectados pero el efecto depende

del modelo
de la distancia entre el momento de ocurrencia h y el final

2.4.

Atpico Cambio Transitorio

Un atpico transitorio es un suceso cuyo efecto en la serie observada perdura pero

no permanece
WT C h
Zt =
I + (L)t
(33)
(1 L) t
Si = 1 Modelo para el cambio de nivel (LS)
Si = 0 Modelo para el cambio AO
El efecto rampa es el que sigue
Zt = WR Rth + (L)t
(
0 t<h
h
Rt =
t+1h th

(34)
(35)

que introduce una tendencia determinstica con pendiente W R e la serie a partir

de h.
Luego del impacto inicial, el efecto del atpico cae gradualmente. El parametro determina la velocidad con la que el efecto del atpico desaparece en el nivel de la serie.

Notas de Curso para Series de Tiempo