Econometra II

Grado en finanzas y contabilidad

Procesos ARMA y ARIMA

Profesora: Dolores Garca Martos

E-mail:mdgmarto@est-econ.uc3m.es
Este documento es un resumen/modificacin de la
documentacin elaborada por D. Antoni Espasa

Procesos de Medias Mviles. MA (1)

W t = - a t-1 + a t = at - a t-1 = (1- L) a t

Es un proceso estacionario por definicin. La suma de los parmetros al

cuadrado es menor que infinito (condicin de estacionariedad de la
descomposicin de Wald)
Un shock o innovacin tiene un impacto adicional un periodo de tiempo posterior
al de su ocurrencia. Memoria limitada

Procesos de Medias Mviles. MA (1)

Wt = - a t-1 + a t =(1- L) at
Propiedades:
E (Wt ) = 0
es, por tanto, constante
Var (W t ) = o = (1+ 2 ) 2, donde 2 es la varianza de a t
Cov (W t , W t-1 )= 1 = - 2
Corr (W t , Wt-k )= 1 = 1/ 0 =- /(1+ 2 )

Las correlaciones,
, superiores de
orden superior a 1
son cero

Procesos de Medias Mviles. MA (1)

Serie de comportamiento suave

Procesos de Medias Mviles. MA (2)

Wt = (1-1 L-2 L2 )at

Procesos de Medias Mviles. MA (q)

Wt = (1-1 L-2 L2 3 L3 -..-q L q )at

Procesos de Medias Mviles. MA (q)

Dualidad de los procesos de Medias Mviles

Cuando un proceso de medias mviles se puede expresar de forma autorregresiva

con un nmero de trminos finito, se dice que el proceso es INVERTIBLE
|| < 1 en un MA(1)
Raices menores que 1 en MA(q) en valor absoluto

Procesos de Medias Mviles. MA (p)

Dualidad de los procesos de Medias Mviles

En un proceso de orden q, habra que calcular las races y ver
que son menores que la unidad en valor absoluto.
En el caso de un MA(2), se aplican las mismas reglas que en
un AR(2), es decir, el proceso ser invertible si:
|1 +2 | <1
|1 2 | <1
|-2 | <1

Procesos autorregresivos y de medias mviles. ARMA

Procesos autorregresivos y de medias mviles. ARMA (p,q) y ARIMA (p,1,q)

Expresin general de los modelos ARMA (p,q):

(1-1 L-2 L2 3 L3 -..-p Lp) Wt = (1-1 L-2 L2 3 L3 -..-q L q) at
Si el proceso no es estacionario, Xt, ser integrado de orden 1, I(1) y su
transformacin estacionaria sigue un modelo ARMA (p,q), la expresin del
modelo sera:
(1-1 L-2 L2 3 L3 -..-p Lp) (1-L) Xt = (1-1 L-2 L2 3 L3 -..-q L q) at
Condicin de estacionariedad: races de la parte AR menores que 1 en valor
absoluto
Condicin de invertibilidad: races de la parte MA menores que 1 en valor
absoluto
Los correlogramas tendrn mucha estructura, por la presencia del proceso
autorregresivo

Expresin general de los modelos ARIMA (p,d,q) (P,D,Q)s :

(1-1 L-2 L2 3 L3 -..-p Lp) (1-1 L s-2 L2s 3 L3s -..-P L Ps)
(1-L)d (1-Ls)D log Xt = +
(1-1 L-2 L2 3 L3 -..-q L q) (1-1 L s-2 L2s 3 L3s -..-Q L Qs )a t
s=4,12 Es decir, hace referencia a la parte estacional

d=0,1,2 Hace referencia al nmero de diferenciaciones regulares a realizar

de la serie original para hacerla estacionaria
D=0,1 Hace referencia al nmero de diferencias estacionales a realizar de la
serie original para hacer la parte estacional estacionaria
Otra forma de expresin es:
p (L) P(Ls) d Ds log X = c+ q (L) Q (Ls) at

Ejemplos de modelos ARIMA

(1-1 L- 2 L2 ) (1-L) logXt = at

La transformacin estacionaria es:
(1-L) logX t =Wt ,,,,,,,,,,,,,,,,,,,logXt -logXt-1 = Wt
W t = 1 Wt-1 + 2 Wt-2 +at
logXt = logXt-1 +

Senda de evolucin

+1 Wt-1 + 2 Wt-2 +

Oscilaciones alrededor de la senda

evolutiva

+at

Innovacin

La tasa de crecimiento sigue un comportamiento estacionario

Ejemplos de modelos ARIMA

El crecimiento sistemtico proviene de la segunda diferencia

Ejemplos de modelos ARIMA

(1-L) (1-L12) logXt = (1-1 L)(1- 12 L12) at

La transformacin estacionaria es:
(1-L) (1-L12) logX t =Wt
logXt -logXt-1 - log X t-12 -log X t-13 = Wt
logXt = logXt-1 + [log X t-12

-log Xt-13 ]

1 a t-1 -12 at-12 +1 12 a t-13 +

+at

Senda de evolucin
Oscilaciones alrededor de la senda
evolutiva
Innovacin

Este modelo se llama Lneas areas

Ejemplos de modelos ARIMA

ANEXO

Caractersticas de un MA(1)
Wt = at - at-1
E( W t )= E ( a t )- E( a t-1 ) = 0
Var( W t )= Var ( a t )- 2 Var( a t-1 ) = (1- 2) 2
Cov ( W t , Wt-1 )=E( W t , Wt-1 )= E {( a t a t-1 ) ( a t-1 a t-2 ) }=
= - E (at-1 )2 = -2
Cov ( W t , Wt-2 ) =E( W t , Wt-2 )= E {( a t a t-1 ) ( a t-2 a t-3 )} = 0

Corr ( W t , Wt-1 ) = Cov ( W t , Wt-1 )/ Var( W t ) = - / (1- 2)

Corr ( W t , Wt-2 ) = Cov ( W t , Wt-2 )/ Var( W t ) = 0
.

at tiene estructura de ruido blanco, con esperanza cero, varianza 2

y covarianzas cero, por tanto E {( a t )( a t-i ) } = 0 , para todo i