0 оценок0% нашли этот документ полезным (0 голосов)
36 просмотров2 страницы
Este documento presenta varias formas de lograr la estacionariedad en series de tiempo, incluyendo extraer la tendencia, hacer primeras diferencias, aplicar logaritmos o incluir dummys. También describe el ruido blanco, la autocovarianza y la función de autocorrelación, así como métodos de suavizado como la media móvil, el suavizado exponencial y Holt-Winters. Finalmente, discute el ajuste estacional y cómo programas como X11 y Tramo-Seats pueden usarse para este propósito.
Este documento presenta varias formas de lograr la estacionariedad en series de tiempo, incluyendo extraer la tendencia, hacer primeras diferencias, aplicar logaritmos o incluir dummys. También describe el ruido blanco, la autocovarianza y la función de autocorrelación, así como métodos de suavizado como la media móvil, el suavizado exponencial y Holt-Winters. Finalmente, discute el ajuste estacional y cómo programas como X11 y Tramo-Seats pueden usarse para este propósito.
Este documento presenta varias formas de lograr la estacionariedad en series de tiempo, incluyendo extraer la tendencia, hacer primeras diferencias, aplicar logaritmos o incluir dummys. También describe el ruido blanco, la autocovarianza y la función de autocorrelación, así como métodos de suavizado como la media móvil, el suavizado exponencial y Holt-Winters. Finalmente, discute el ajuste estacional y cómo programas como X11 y Tramo-Seats pueden usarse para este propósito.
Formas de lograr estacionariedad (Problema de anlisis espurios):
Extraer la tendencia y despus restrsela a la serie original
o Se puede suavizar la serie, suavizado exponencial, promedio aritmtico mvil, Holt Winters y Hodrick y Prescott. Hacer primeras diferencias o cambio porcentual Si la NO estacionariedad es en varianza se pueden aplicar logaritmos Si es por estacionalidad se pueden incluir dummys o estimar modelos de estacionalidad. Ruido Blanco:
Media constante y varianza constante. Media no necesariamente cero.
Ruido blanco es estacionario. Cada t es iid por lo tanto no se puede hacer pronstico basado en su pasado. Autocovarianza:
Para qu sirve?: Para saber especificar los modelos.
Es como sacar la covarianza de una serie con la misma serie rezagada Cuando el rezago es cero, la autocovarianza es igual a la varianza. Se usa ms en contextos tericos
Funcin de autocorrelacin:
El coeficiente de correlacin es una manera de normalizar la
covarianza ya que su recorrido se extiende entre -1 y +1 La funcin de autocorrelacin mide la relacin estadstica entre las observaciones de una serie temporal La autocorrelacin y la autocorrelacin parcial son medidas de asociacin entre valores de series actuales y pasadas e indican cules son los valores de series pasadas ms tiles para predecir valores futuros. Con estos datos podr determinar el orden de los procesos en un modelo AR y ARIMA: o Funcin de autocorrelacin (FAS). En el retardo k, es la autocorrelacin entre los valores de las series que se encuentran a k intervalos de distancia. o Funcin de autocorrelacin parcial (FAP). En el retardo k, es la autocorrelacin entre los valores de las series que se encuentran a k intervalos de distancia, teniendo en cuenta los valores de los intervalos intermedios. Suavizado:
Se usa para quitar fluctuaciones de corto plazo y el ruido en las series
con tendencia y asi dejar solo la tendencia. Suavizado media mvil: Se toman porciones de ocurrencias en la serie y se reemplazan los valores con el valor de su media aritmtica. GRAN PROBLEMA: picos. SOLUCIN: hacer la media dndole menos peso a valores extremos (Gaussiana, ventana de Hamming). OJO no se pueden usar para predecir y son costosas de calcular. Suavizado exponencial: se multiplica el dato anterior por un beta para generar el dato siguiente Suavizado exponencial doble: igual que el simple, pero se incorpora un coeficiente de tendencia Suavizado Holt Winters: Se usa cuando la serie muestra tendencia y adems estacionalidad. Se aconseja tener al menos dos temporadas para usar este mtodo. Filtro de Hodrick y Prescott: Remueve fluctuaciones de corto plazo revelando la tendencia de largo plazo. Descompone la serie en un compenente de tendencia y un componente cclico. Dependiendo de la periodicidad de la serie el lambda debe ser calibrado. Ajuste estacional:
Una serie estacional muestra barras significativas en la ACF segn la
periodicidad de la estacionalidad. El programa ms usado es el programa X11, tramo.seats.