Академический Документы
Профессиональный Документы
Культура Документы
serie=seal+ruido
Y t =B 0+ B1 t+ et
MCO
a lo largo del
Suavizamiento )
-
Herramientas a abordar:
o
y t =( y t +1)/()
j=k
y t = y t + ( 1 ) y t 1+ ( 12 )2 y t2
y t = y t + ( 1 ) y t 1
Con
(0,1)
y1 , y2 , yn
, y (0,1)
lt
nivel de la serie
bt
l t= y t + ( 1 ) ( l t1 +b t1 )
bt = ( l t +l t1 ) + ( 1 ) b t1
Holt + Winters
Sea una serie
y1 , y2 , , yn
y t = y t =l t + bt + s n t
En donde:
l t= y t + ( 1 ) ( l t1 +b t1 )
bt = ( l t +l t1 ) + ( 1 ) b t1
s nt = ( y t l t ) + (1 ) s nt 1
sn=Componente estacional
VENTAJAS:
- Requieren de menor registro de datos pasados
- Anlogo al WMA solo que los pesos decrecen exponencialmente
- Datos recientes: mayor peso
PRONSTICO Y PROYECCIN: Diferencia entre pronstico y proyeccin:
Proyeccin: Deja los supuestos hacia el futuro iguales
Pronstico: Puede variar los supuestos con los que se hace el pronstico
** Es posible predecir a partir de los filtros de media mvil y a partir de los
mtodos de Suavizamiento
PRONSTICOS DE SERIES DE TIEMPO
Sin tendencia
Mtodos de Suavizamiento
Mtodos de Media Mvil
Suavizamiento Exponencial
Con Tendencia
ARIMA
Regresin
Combinacin
VALOR OBSERVADO vs VALOR ESPERADO
-
Valores observados:
Valores esperados:
yt
^
yt
t= ^
y t y t
Hay otros criterios de comparacin como Akaike y BIC, pero en general los
paquetes de R usan SSE y MSE
Historia
Periodo Muestral
(1)
Pronstico para
verificar Periodo
Muestral (2)
Pronstico
Capacidad
Predictiva del
Modelo
PRONSTICO 1: Anlisis descriptivo de las series de tiempo a travs de filtros
(tcnicas de Suavizamiento) que permite hacer pronstico a partir de las
mismas tcnicas.
NOTACIN APUNTES vs NOTACIN HoltWinters()
Exponencial
Holt
Curso
Diapositivas
HoltWinters()
Estacional
yt
E ( x t )= xt
E [ ( x t t )2 ] = 2xt = x (t ,t )
E [ ( x t t ) ( x s s ) ]= x ( s , t )
ESTACIONARIEDAD:
- Dbil: Media constante para todo t y la autocovarianza solo depende de
s y t solo a travs de la diferencia |s-t| (y la autocovarianza solo depende
de sus rezagos)
- Estricta: Todos los momentos son iguales
Sesin 3
Septiembre 30 de 2016
Contenido para sesiones 3 y 4
-
Operadores Rezagados
Procesos Estacionarios ARIMA (Univariado)
Pronstico 2
Otros Mtodos (Modelos de Regresin, Anlisis Espectral, VAR, GARCH,
)
MTODOS PARAMTRICOS
-
t +
APROXIMACIN PARAMTRICA
y t =T t + S t +e t
AR(1):
y t =1 y t 1 +e t ; 0
y t =1 et 1 + et ;||<1
LY t =Y t 1
(L de lag = rezago)
z t= y t y t 1= y t ( 1L )= y t
-
y t =T t + S t +e t
Verificar si los residuos son estacionarios:
e^ t=Y tT^ t S^ t
Propiedades - SUPUESTOS de los errores
E ( e t ) =0
Var ( et )= 2=Homoscedasticidad La varianza es constante=Desviaciones medias constantes
Cov ( e t , e t+ k )=0, para todok 0 No correlacin serial
VALIDACIN DE LOS SUPUESTOS DE LOS ERRORES
-
y t = et 1+ et
+
2
e t Ruido blanco ( N ( 0, ) e incorrelacionado )
E ( y t ) =E ( e t1 +e t )= E ( et 1 )+ E(e t )
E ( et 1 ) + E ( t )=0
Var ( y t )=Var ( e t 1 +e t ) =2 Var ( et 1 )+ Var (e t )
( 1+ )
Cov ( y t , y t s )=E ( y t E ( y t ) )( y ts E ( y ts ) )
E[ ( y t ) ( y t s ) ]
Para s = 0
E [ ( y t ) ( y t ) ]=Var ( y t )=( 1+ 2) 2= 0
Para s = 1
E [ ( y t ) ( y t 1 ) ]=E [ ( et 1+ et )( et 2+ et 1) ]
2 et 1 e t 2 + e 2t1 + e t2 et +
E ( e t 1 ) =Var ( e t ) = = 1
Para s = 2
Cov ( y t , y t 2 ) =E [ ( e t1 +e t ) ( e t3 +e t2 ) ]
0= 1
Luego la estructura de covarianza para el proceso
yt
s= 1 = ; s=1
s 2=0 ; s 2
ACF(Funcin de Autocorrelacin)
-
Los valores de
t +s
yt
Si la serie
yt
determinsticos entonces
-
t +s 0
cuando
ACF
Decrece
exponencialmente
Hace un pico en el
rezago q y se va a cero
Decrece
exponencialmente
Decrece
exponencialmente
PACF
Hace un pico en el
rezago p y se va a cero
Decrece
exponencialmente
Decrece
exponencialmente
Decrece
exponencialmente
Procesos estacionarios:
o Tienen mecanismos que mantiene la serie alrededor de la media
o No tiene tendencia
o Varianza finita
o ACF tiende a decrecer rpidamente a medida que s aumenta
Procesos NO estacionarios
o No tiende a la media
o Tendencia
o ACF decrece lentamente hacia cero
0<d < 4
y t AR( 1)
y t = y t 1+ et
y t =( 1 ) y t1 +e t = y t y t 1
METODOLOGA DE BOX-JENKINS
1. Identificacin: Determinacin de los rdenes de los polinomios de
rezago del orden de integracin de la serie
2. Estimacin del modelo: Mtodo de estimacin (OLS, ML, NR)
3. Verificacin: Establecer el cumplimiento de los supuestos del modelo
ARMA
4. Uso del modelo: Pronstico
Dentro de la verificacin entra que los residuos deben:
-
E ( e t ) =0
Var ( et )=
et R . B
e t N (0, )
[3 2e ,3 2e ]
El modelo es parsimonioso
Factibilidad del modelo: Estacionariedad, invertibilidad, races unitarias
Condicin de diferenciabilidad
NOTA: Note que las series estn diseadas para series estacionarias
Caractersticas de las predicciones de los medelos ARIMA
-
Criterios de seleccin
-
AIC
BIC
Estos criterios plantean una disyuntiva entre la bondad de ajuste del modelo y
el nmero de parmetros a estimar = Verosimilitud
Riesgo de pronstico
-
NOTA: Auto arima usa la diferencia entre los valores esperados y los
pronosticados para decidir qu proceso AR()IMA() es el que ofrece el mejor
ajuste PERO: No puede reemplazar el conocimiento de los datos que
pueda tener el investigador: OJO
Tipos de pronstico
-
Puntual
Intervalo
Densidad: Reportar incertidumbre alrededor de las estimaciones
puntuales. A travs de la distribucin de la estimacin pronosticada.
Ampliaciones de los modelos
( 11 L ) ( 1 s LS ) y t=( 1+ 1 L+2 L2 )( 1+ s L2 ) e t
2. ARCH: En presencia de heteroscedasticidad (Volatilidad agrupada en
periodos de baja y alta volatilidad).. Permite la modelacin en presencia
de una varianza no constante : en presencia de heteroscedasticidad.
Hace depender la varianza de los errores de los valores pasados de la
serie.
y t =T t + S t +e t
e t N ( 0, 2t )
2t = 0 + 1 2t1 ++ p 2t p
3. GARCH: Modelo generalizado ARCH: Antes tena una estructura AR
heteroscedastica para los errores, ahora es posible considerar una
estructura ARMA heteroscedastica para los errores.
Los modelos ARCH hacen depender la varianza heteroscedstica de los
valores pasados de la serie (AR)
y t =T t + S t +e t
e t N ( 0, 2t )
2t = 0 + 1 2t1 ++ p 2t p + 1 et 1+ + q et q
4. Modelos de cambios estructurales: Modelos que permiten ver el
impacto de un cambio estructural en la serie modelada.
o Test de Chow
5. Anlisis espectral: Qu tan frecuente es que la serie pase por
determinado punto? El anlisis espectral
6. VAR: Vectores Autoregresivos: Pretende encontrar el comportamiento de
la serie dado su comportamiento histrico y la existencia de una
varianza heteroscedstica (Parte multivariada de las series de tiempo)
7. Datos de alta frecuencia: Se trata de modelos que toman en cuenta:
o Datos con espacio de tiempo irregular
Pretende medir el nmero de eventos en determinado
periodo de tiempo
o Dependencia en el tiempo
Descompone la serie en unidades y subunidades del tiempo. Por
ejemplo: Precio de una accin en el da (periodo de tiempo) y luego en
las horas del da (sub periodos de tiempo).