INTRODUCCIN A SERIES DE TIEMPO EN R

SESIN 1 23 de septiembre de 2016

DEFINICIONES
- Choque aleatorio: Componente Irregular
PARADIGMAS

serie=seal+ruido

Serie=tendencia+ estacionareidad+ ciclo+ruido

Serie=Funcin de regresin+ ruido

Serie=sumade cosenos+ ruido

APROXIMACIN PARAMTRICA
-

Mtodos de regresin para expresar la relacin de tendencia o

estacionalidad

Y t =B 0+ B1 t+ et

MCO

Es posible aproximarse a una serie al

hacerla depender del tiempo (t)

ACF Correlaciones Parciales

ANLISIS DESCRIPTIVO DE SERIES DE TIEMPO

Objetivo 1: Comprender la evolucin de una serie

a lo largo del

tiempo haciendo uso de mtodos grficos o cuantitativos.

Objetivo 2: Reducir los efectos producidos por las variables aleatorias (

Suavizamiento )
-

Herramientas a abordar:
o

Filtros de Medias Mviles

MA:
k

y t =( y t +1)/()
j=k

REVISAR CON EL PPT

WMA: Filtro de medias mviles ponderadas

Se usa cuando existe tendencia (Datos ms antiguos son
menos relevantes y se les asocia un peso menor)
Clculo de los pesos ad-hoc (usualmente entre 0 1 )

DESVENTAJAS FILTROS DE MEDIAS MVILES

- Al aumentar el tamao de K los cambios de las series de vuelven menos
sensibles y evidentes

Mtodos de Suavizamiento Exponencial

EWMA (Promedio mvil ponderado exponencialmente)

y t = y t + ( 1 ) y t 1+ ( 12 )2 y t2
y t = y t + ( 1 ) y t 1
Con

(0,1)

Alpha determina el peso que le damos a

las observaciones ms recientes (Memoria)

Evita el problema de asociar diferentes pesos (W)

Holt (1957) Winters (1960): Tambin se conoce como

mtodo de Suavizamiento doble o a veces triple
Mtodo aplicado para series que presentan alguna
tendencia lineal
Holt
Sea la serie

y1 , y2 , yn

, y (0,1)

lt

nivel de la serie

bt

tasa de crecimiento de la serie = pendiente

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

que manifiesta tendencia lineal

y manifiesta comportamiento estacional aditivito (cambian

en el tiempo: nivel y pendiente)

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

Hot Winters es captativo / sensible Captura bien los

movimientos cclicos de la serie

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
-

Pronosticar en el mbito de series de tiempo es estimar valores que an

no conocemos basados en valores conocidos (historia de la serie)

Valores observados:

Valores esperados:

El objetivo es minimizar los errores del pronstico: Minimizar

yt

^
yt
t= ^
y t y t

ERROR, SSE, MSE:

Uno de los criterios de comparacin de los valores observados vs los valores
predichos es

SSE= Squared Error= ( y t ^

y t )2
MSE=Medium Squared Error= SSE/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

SERIES ESTACIONARIAS Y NO ESTACIONARIAS

- Las series de tiempo pueden verse como realizaciones de una variable
aleatoria para determinado periodo de tiempo
PROCESO ESTOCTICO:
- Familia de variables aleatorias (indexadas al tiempo), donde la
realizacin de la variable, y, proviene de una distribucin de probabilidad
propia
MEDIDAS DE DEPENDENCIA: Existen unas medidas de tendencia para una serie
de tiempo

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
-

Procesos estacionarios no cambian propiedades estadsticas en el

tiempo

t +

Las observaciones muy lejanas en el tiempo no estn correlacionadas

con las observaciones ms recientes (Ergodicidad)

APROXIMACIN PARAMTRICA

y t =T t + S t +e t

AR(1):

y t =1 y t 1 +e t ; 0

La serie se explica por sus valores rezagados

MA(1):

y t =1 et 1 + et ;||<1

La serie se explica por los valores del componente aleatorio rezagados

OPERADORES REZAGADOS
Los operadores rezagados son variables auxiliares que sirven para expresar los
modelos de series de tiempo
-

Operador Bsico (L)

LY t =Y t 1

(L de lag = rezago)

d Operador Diferencia (=(1-L))

z t= y t y t 1= y t ( 1L )= y t
-

O Operador rezagado polinmico

y t = y t 11t + y t2 +e
- FALTA

PROCESOS ESTACIONARIOS ARIMA

Tenga en cuenta que:
-

Si una serie presenta tendencia, no es estacionaria

Los choques pueden tener un alto grado de persistencia. No
estacionariedad
Una serie de caminata aleatoria no es estacionaria
Los mtodos exponenciales no hacan supuestos de correlacin entre las
series de tiempo
Los mtodos ARIMA incluyen un modelo estadstico especfico para el
componente irregular (Propiedades de los errores)

Modelo inicial de componentes + choque aleatorio

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
-

La validacin de los supuestos se hace con pruebas estadsticas de

hiptesis
o Media y Varianza (OK) Covarianza(?) Diferenciacin (?)
Anlisis Grfico

Pruebas de estacionariedad y covarianza

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+ )

Pruebas para supuestos de covarianza

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

0=( 2+1 ) 2 ; s=0

2

s= 1 = ; s=1
s 2=0 ; s 2
ACF(Funcin de Autocorrelacin)
-

Los valores de

t +s

indican que grado de asociacin lineal existe entre

dos valores de la serie

yt

separados a una distancia de s periodos

Si la serie

yt

es estacionaria en covarianza y no tiene componentes

determinsticos entonces
-

t +s 0

cuando

SI una serie es estacionaria el decaimiento de las barras de correlacin a

cero, es rpido
SI una serie no es estacionaria el decaimiento a cero de las barras de
correlacin es lento (el correlograma tiene barras en gran parte de su
longitud)

PACF = Funcin de Autocorrelacin Parcial

Combinaciones AR-MA: Como detectar qu modelo debe plantearse a

partir de ACF y PACF
PROCESO
AR(p)
MA(q)
ARMA(1,1)
ARMA(p,q)

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

Pruebas de incorrelaccin: _ Ljung Box (Ve los errores) Durbin Watson

(Averigua si el modelo responde a una estructura AR(1) incialmente )
Durbin Watson estadstico = d

0<d < 4

d <2 Correlacin Positiva

d=2 no hay correlacin

d >2 Correlacin Negativa
DIFERENCIACIN: Para ver si se trata de ARIMA
Estas pruebas dicen si la serie debe ser diferenciada
La diferenciacin puede definirse con las pruebas de raz unitaria
Una de las variantes supone:

y t AR( 1)
y t = y t 1+ et
y t =( 1 ) y t1 +e t = y t y t 1

Si existe presencia de raz unitaria es adecuado diferenciar

En presencia de raz unitaria la serie no es estacionaria y los estimadores
por MCO no se distribuyen normalmente
En presencia de tendencia determinstica la diferenciacin lleva a
componentes MA inadecuados
PRONSTICO 2: Pronstico con modelos auto regresivos
SESIN 4 sbado 01 de octubre de 2016

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 ]

No existen observaciones atpicas

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
-

AR(p): A medida que aumenta el horizonte de tiempo para pronstico, el

valor de la prediccin tiende a la media del proceso
MA(q): Los modelos tienen memoria limitada y tienden a la media
cuando el orden de horizonte del pronstico (h) es mayor que el orden
de rezago q

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
-

Riesgo intrnseco: Variacin aleatoria no explicada en los datos (SSM)

Riesgo de parmetros: Asumiendo el adecuado modelo asociado a los
datos, la estimacin de parmetros puede presentar errores (SSC)
Riesgo del modelo: Supuestos errados en la identificacin del modelo
(Procure no usar auto.arima() de forecast package)

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

1. Modelos SARMA: Son modelos ARMA estacionales

Incluyen modelos ARMA para los tiempos dentro de cada periodo
estacional y otro modelo ARMA entre estaciones

y t ARMA ( 1,1 ) ( 1,2 )[ 1,2 ]

( 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)

Los modelos GARCH hacen depender la varianza heteroscedstica de los

valores pasados de la serie (AR) y de los valores pasados de los residuos
(MA)

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).