Ejemplos ACF, PACF, Box-Pierce & Ljung-Box

Anlisis de la condicin de estacionariedad en covarianza

I. Evaluacin de ruido blanco y estacionariedad sobre varias series simuladas

Para las siguientes series, con ACF y PACF muestrales, para k=1, 2, , 25, y n=100, se realizan los tests para evaluar
supuesto de ruido blanco (RB):
H0 : (k) = 0 versus H1 : (k) 0
El estadstico de prueba aprox 0, para cada k, con 5%, se rechaza H0 si | (k)| 2/ n

H0 : kk = 0 versus H1 : kk 0
El estadstico de prueba aprox 0, para cada k, con 5%, se rechaza H0 si | | 2/ n

En caso de rechazo de R.B se determina si por lo menos el proceso estocstico del que proviene la respectiva serie es
estacionario y el tipo de patrn COLA o CORTE de la ACF y en la PACF

Tambin se realizan los tests Box-Pierce y Ljung-Box para m=6, 12, 18 y 24:
H0 : (1) = (2) = ...=(m) = 0 versus H1 : Al menos un (k) 0, para k=1, 2, ..., m
Recuerde que los estadsticos de prueba son
Box-Pierce: = %& " #$ aprox '%$
; Ljung-Box: ( = + 2 %& " #$ $
aprox '%
$ $
y se rechaza H0 con valores P pequeos, calculados respectivamente como, - '% y - '% ( .
Serie at: con (k) =corr(at, at+k) y kk= corr(at, at+k| at+1, at+2, , at+k-1)
ACF de la serie at PACF de la serie at

0.2
1.0
2

0.8

0.1
1

0.6

Partial ACF
ACF

0.4

0.0
0
at

0.2
-1

-0.1
0.0
-2

-0.2

-0.2
0 20 40 60 80 100 0 5 10 15 20 25 5 10 15 20 25

Time Lag Lag

./ : 1 = 2 = = 3 = 0
. : al menos un 0, = 1, 2, , 3
Box-Pierce Ljung-Box
$ $
m df - '% ( df - '% (
6 8.49 6 0.20 8.98 6 0.17
12 12.09 12 0.44 13.03 12 0.37
18 16.64 18 0.55 18.52 18 0.42
24 18.99 24 0.75 21.59 24 0.60
1. Grfica de la serie no revela presencia de ciclos (Sin embargo recuerde que no ver los ciclos no es prueba de que
no exista correlacin y mucho menos de independencia entre las variables del proceso del cual proviene esta
serie), y aparentemente est centrada en cero con una varianza aprox. Cte.
2. Para ninguna de las 25 pruebas en la ACF y en la PACF se rechaza H0.
3. Para ninguna de las cuatro Pruebas en los tests Box-Pierce y Ljung-Box se rechaza H0.
Por tanto no hay evidencia en contra de supuesto de que at provenga de un proceso de RB y por tanto tambin es
estacionario.
Serie Z1,t: con (k) =corr(Z1,t, Z1,t+k) y kk= corr(Z1,t, Z1,t+k| Z1,t+1, Z1,t+2, , Z1,t+k-1)
ACF de la serie Z1t PACF de la serie Z1t

Patrn cola exponencial amortiguada Patrn corte que termina en k=1

3

0.6

0.6
2

0.4

0.4
Partial ACF
1

ACF

0.2
Z 1t

0.2
0

0.0
-1

0.0
-0.2
-2

-0.2

0 20 40 60 80 100 5 10 15 20 25 5 10 15 20 25

Time Lag Lag

./ : 1 = 2 = = 3 = 0
. : al menos un 0, = 1, 2, , 3
Box-Pierce Ljung-Box
df - '% $ $
m ( df - '% (
6 88.31 6 0.00 91.52 6 0.00
12 88.70 12 0.00 91.96 12 0.00
18 90.49 18 0.00 94.14 18 0.00
24 94.25 24 0.00 99.12 24 0.00

1
 1. Grfica de la serie revela media constante en cero, tambin la varianza es aprox. constante, pero muestra
variaciones cclicas, esto ltimo implica que para k=1, (1) >0 y por tanto esta serie no proviene de un RB.
2. ACF rechaza H0 en k=1, 2 y 3, de nuevo constatando que esta serie no proviene de un RB pues las observaciones
separadas uno, dos y tres perodos en el tiempo estn correlacionadas. Por su parte, PACF muestra rechazo en
k=1.
3. En todas las cuatro pruebas Box-Pierce y Ljung-Box se rechaza H0, por tanto tambin se concluye que la serie no
proviene de un proceso de RB.
4. Pero la serie proviene de un proceso estacionario pues adems de cumplir con media y varianza constante, su
ACF indica ergdicidad, ya que estadsticamente se cumple que lim = = 0 ocurre rpidamente, puesto que
para todo k>3 (k) = 0 y adems muestra un patrn de decaimiento rpido tipo exponencial (patrn de cola
exponencial amortiguada) observado en los primeros k (vea perfil sealado con lnea punteada de color azul);
por su parte, la PACF muestra un patrn tipo corte positivo. De lo anterior se infiere que la verdadera ACF y
PACF pueden ser como se ilustra a continuacin:
(k) kk
1 1

PACF
ACF

0 0

-1 -1

0 5 10 15 20 25 5 10 15 20 25

k k

Serie Z2,t: con (k) =corr(Z2,t, Z2,t+k) y kk= corr(Z2,t, Z2,t+k| Z2,t+1, Z2,t+2, , Z2,t+k-1)
ACF de la serie Z2t PACF de la serie Z2t

0.8
6

Patrn cola no amortiguada

0.5
4

0.6
Patrn corte que termina en k=2

Partial ACF
2

0.4
ACF

0.0
Z 2t

0.2
-2

-0.5

0.0
-4

-0.2
0 20 40 60 80 100 5 10 15 20 25 5 10 15 20 25

Time Lag Lag

./ : 1 = 2 = = 3 = 0
. : al menos un 0, = 1, 2, , 3
Box-Pierce Ljung-Box
df - '% $ $
m ( df - '% (
6 456.90 6 0.00 482.31 6 0.00
12 789.35 12 0.00 856.54 12 0.00
18 977.56 18 0.00 1082.78 18 0.00
24 1050.84 24 0.00 1177.32 24 0.00

1. En la grfica de la serie claramente se observa un patrn de tendencia que implica que la media no es una
constante, aunque la varianza alrededor de tal trayectoria es constante. Por tanto Esta serie no proviene de un
proceso de RB.
2. Test ACF rechaza para k= 1 a 10 corroborando nuevamente que la serie no proviene de un RB. Tambin de la
ACF se deduce que el proceso no es estacionario por el patrn cola de decaimiento lento en los valores de la
funcin estimada que inician con valores muy prximos a 1 (no es un proceso estadsticamente ergdico, es decir
no se cumple que lim = = 0 ocurra rpidamente. Vea el perfil indicado con lnea punteada de color azul).
En la PACF se rechaza H0 en k=1 y 2, corroborando de nuevo que esta serie no proviene de un RB. Adems que
en esta grfica se observa un patrn tipo corte siendo en k=1 muy prximo de 1.
3. Con Box-Pierce y Ljung Box, en las cuatro pruebas en cada caso, sin lugar a dudas se rechaza las respectivas H0 y
se concluye que la serie no proviene de un RB.
NOTA: Toda serie con patrn de tendencia presenta una ACF de valores positivos con patrn de cola pero decayendo
lentamente, mientras que la PACF exhibe un patrn tipo corte que en K=1 es muy prximo de 1, como se observ en la
serie Z2,t.
Serie Z3,t: con (k) =corr(Z3,t, Z3,t+k) y kk= corr(Z3,t, Z3,t+k| Z3,t+1, Z3,t+2, , Z3,t+k-1)
ACF de la serie Z3t PACF de la serie Z3t
4

0.2

Patrn cola alternante amortiguada

0.2

0.0
2

0.0

Partial ACF

-0.2
ACF
Z 3t

-0.2
0

Patrn cola negativa

-0.4
-0.4
-2

-0.6
-0.6

0 20 40 60 80 100 5 10 15 20 25 5 10 15 20 25

Time Lag Lag

2
 ./ : 1 = 2 = = 3 = 0
. : al menos un 0, = 1, 2, , 3
Box-Pierce Ljung-Box
df - '% $ $
m ( df - '% (
6 50.95 6 0.00 52.63 6 0.00
12 55.78 12 0.00 58.00 12 0.00
18 58.84 18 0.00 61.80 18 0.00
24 69.98 24 0.00 76.06 24 0.00

1. En la grfica de la serie aparentemente no se observan ciclos (sin embargo recuerde que no ver los ciclos no es
prueba de que no exista correlacin y mucho menos de independencia entre las variables del proceso del cual
proviene esta serie), pero parece que hay rachas de cambios sucesivos en los signos entre valores consecutivos de
esta serie, esto indica que puede existir autocorrelacin negativa para k=1, es decir (1) <0, lo cual implicara que
la serie no proviene de un proceso de RB. Por otra parte, su media parece constante en cero y la varianza tambin
aprox. constante.
2. En la ACF se tiene rechazo de H0 en k=1, 2. Luego la serie no proviene de un proceso de RB pues las
observaciones separadas uno y dos perodos en el tiempo estn correlacionadas y observe que la estimacin en
k=1 es negativa!!. En la PACF se rechaza H0 para k=1, 2, y 3
3. En las cuatro prueba Box-Pierce y Ljung-Box se rechaza H0, lo cual confirma tambin que esta serie no proviene
de un RB.
4. Sin embargo, aunque no es un RB, es un proceso estacionario pues estadsticamente se cumple la ergodicidad
pues por lo que se observa en la ACF muestral se infiere que lim = = 0 ocurre rpidamente, puesto que
para todo k>2 (k) = 0 y presenta un patrn tipo cola amortiguado pero alternando signos entre k sucesivos
(vea perfil sealado sobre la ACF con las lneas punteadas de color azul). En la PACF se presenta un patrn de
cola negativa. De lo anterior se concluye que la verdadera ACF y PACF puede ser como la que se indica a
continuacin
(k) kk
1 1
PACF
ACF

0 0

-1 -1

0 5 10 15 20 25 5 10 15 20 25

k k

Serie Z4,t: con (k) =corr(Z4,t, Z4,t+k) y kk= corr(Z4,t, Z4,t+k| Z4,t+1, Z4,t+2, , Z4,t+k-1)
ACF de la serie Z4t PACF de la serie Z4t
0.2
2

0.2

0.1
1

0.1

0.0
0.0
0

Partial ACF
ACF
Z 4t

-0.1
-0.1
-1

Patrn corte que termina en k=1 Patrn cola negativa

-0.2
-0.2
-2

-0.3
-0.3
-3

-0.4

-0.4

0 20 40 60 80 100 5 10 15 20 25 5 10 15 20 25

Time Lag Lag

./ : 1 = 2 = = 3 = 0
. : al menos un 0, = 1, 2, , 3
Box-Pierce Ljung-Box
df - '% $ $
m ( df - '% (
6 16.83 6 0.01 17.44 6 0.01
12 20.73 12 0.05 21.91 12 0.04
18 23.33 18 0.18 25.06 18 0.12
24 25.78 24 0.36 28.24 24 0.25

1. En la grfica de la serie aparentemente no se observan ciclos (sin embargo recuerde que no ver los ciclos no es
indicio de que no exista correlacin y mucho menos de independencia entre las variables del proceso del cual
proviene esta serie), su media parece constante en cero y la varianza tambin aprox. constante.
2. En la ACF se tiene rechazo de H0 en k=1. Luego la serie no proviene de un proceso de RB pues las observaciones
separadas un perodo en el tiempo estn correlacionadas. En la PACF tambin se rechaza su H0 en k=1.
3. Box-Pierce y Ljung-Box detectan que existe al menos un (k)0 entre las primeras m=6 y 12 (k), pero las pruebas
con m=18 y 24 pierden potencia llevando a cometer error tipo II, puesto que con ACF ya se prob que (1)0.
4. Sin embargo, aunque la serie no proviene de proceso un RB, ste es un proceso estacionario pues estadsticamente
se cumple la ergodicidad, esto es, lim = = 0 ocurre rpidamente, ya que para todo k>1 (k) = 0 y presenta
un patrn tipo corte (no decae a cero de forma amortiguada sino abruptamente, vea en los primeros k que los

3
 valores estimados despus de k=1, son muy pequeos es decir, como si fuesen exactamente cero), en cambio en la
PACF se observa un patrn de cola negativa, lo anterior indica que la verdadera ACF y PACF son como se ilustra
a continuacin,
(k) kk
0.5 0.5

PACF
ACF
0 0

-0.5 -0.5

5 10 15 20 25 5 10 15 20 25

k k

II. Evaluacin de la ACF de series no estacionarias con patrones de tendencia no constante y/o estacionalidad
modelable de forma determinstica
Considere la serie que se ilustra a continuacin:
Serie simulada Yt = 3500 + 200t + Et
Series as.numeric(yt)
70000

1.0
60000
50000

0.5
40000

ACF

0.0
yt

30000
20000

-0.5
10000
0

0 20 40 60
1980 1985 1990 1995 2000 2005

Time Lag

Serie simulada y su ACF muestral

Esta es una serie que fue simulada siguiendo el modelo global >? = 3500 + 200B + C? , con C? un DE 0, 4000 $ .
Claramente esta serie tiene un patrn de tendencia (en este caso parece lineal), no presenta componente estacional y es de
varianza constante. Pero por tener tendencia no puede ser estacionaria en covarianza y mucho menos un RB, pues su
media se explica por la tendencia. La presencia de tendencia hace que su ACF muestral, es decir corrH >? , >?I , presente un
patrn de cola positiva que decae muy lentamente entre valores sucesivos de k, comenzando sus estimaciones en los
primeros k con valores muy cercanos a 1. Pero observe qu pasa al aplicarle a esta serie el filtro conocido como diferencia
regular de orden 1, definido como >? = >? >?K :
Series as.numeric(diff(yt))
15000

0.1
10000

0.0
5000

-0.1
diff(yt)

ACF

-0.2
0
-5000

-0.3
-10000

-0.4
-15000

0 20 40 60
1980 1985 1990 1995 2000 2005

Time Lag

Serie filtro diferencia sobre la serie simulada, y su ACF muestral

Esta nueva serie ya no tiene tendencia y oscila alrededor de un nivel constante con varianza aproximadamente constante
aunque con varias observaciones atpicas. En la ACF muestral, es decir = corr
H >? , >?I , ya no se observa el
patrn de decaimiento lento, por el contrario, indica un proceso ergdico y por tanto junto con la media y varianza
constante, se concluye que >? proviene de un proceso estacionario en covarianza. As se concluye que cuando una serie
es no estacionaria debido nicamente a la presencia de tendencia, el filtro de la diferencia regular elimina esa no
estacionariedad!

Ahora vea el caso de dos series con patrones de tendencia y estacionalidad determinstica. Considere inicialmente la serie
del ndice de salario real del sector de manufactura colombiana sin trilla de caf, observada mensualmente y datos
correspondientes a enero de 1990 a noviembre de 2001 (en esto datos el ao base era 1990).

4
 ACF serie ndice salario real, ener.1990 - nov. 2001

130

0.5
120
salario

ACF

0.0
110

-0.5
100
90
0 5 10 15 20 25 30 35
1990 1992 1994 1996 1998 2000 2002

Time Lag

ndice de salario real sector de manufactura colombiana (sin trilla de caf), enero 1990 noviembre 2001, su ACF y PACF

Esta serie muestra claramente una tendencia no constante y un patrn estacional (de perodo s=12), ambas componentes
se pueden modelar como funciones del tiempo, por tanto la media de la serie no es una constante pues se explica por su
tendencia y su estacionalidad, y as sta no proviene de un proceso estacionario y mucho menos de un RB, aunque la
varianza es constante. La ACF muestral tambin da evidencia contra la estacionariedad dado que su patrn sugiere no
ergodicidad, es decir, (k) no va rpidamente a cero. Observe adems el efecto de
1. La tendencia: sta se manifiesta causando en la ACF muestral, es decir en corr H >? , >?I , un decaimiento lento en
los valores que toma la funcin en los k sucesivos y observe que en los primeros k las estimaciones son muy
prximos de 1.
2. La componente estacional determinstica: Se manifiesta produciendo un comportamiento peridico en la ACF
tambin con perodo de 12, vea lo que pasa en k=12, 24, y 36, con el perfil sealado con la lnea punteada de color
azul.
3. Tambin observe que es lenta la disminucin en la estimacin de la ACF en k mltiplo de 12 (tenga en cuenta la
escala indicada en el eje vertical).

Ahora considere la serie de los logaritmos naturales de la produccin trimestral de cemento portland, en miles de
toneladas, observada entre el trimestre 1 de 1956 al trimestre 3 de 1994.
ACF serie log. natural produccin trimestral cemento portland, 1956Q1 - 1994Q3
7.5

0.5
7.0
log(cemento)

ACF

0.0
6.5

-0.5

0 5 10 15 20 25 30 35
1960 1970 1980 1990

Time Lag

Serie del logaritmo natural de la produccin trimestral de cemento portland, 1956Q1 1994Q3 y su ACF muestral

La serie con la transformacin logartmica es de varianza constante pero no es estacionaria desde que presenta patrones
de tendencia y una estacionalidad modelable globalmente (de perodo s=4), por lo que la media no es constante, por tanto
no es una serie que provenga de un proceso estacionario y mucho menos de un RB. Como en el ejemplo anterior se tiene
que
1. La tendencia se manifiesta causando en ACF muestral: corr H log >? , log >?I , un decaimiento lento entre valores
que toma la funcin en los k sucesivos y observe que en los primeros k los valores estimados son muy prximos
de 1.
2. La componente estacional determinstica se manifiesta produciendo un comportamiento peridico en la ACF
muestral, tambin con perodo de 4, vea lo que pasa en k=4, 8, 12, 16, 20, 24, 28, 32 y 36, con el perfil sealado con
lnea punteada de color azul.
3. Tambin observe que es lenta la disminucin en la estimacin de la ACF en k mltiplo de 4 (tenga en cuenta la
escala indicada en el eje vertical).

III. Evaluacin del supuesto de R.B Sobre los errores de un modelo de regresin.
Considere los modelos de regresin de tendencia (lineal, cuadrtica y cbica) y estacionalidad aditivas, esta ltima con
indicadoras para enero a noviembre, sobre la serie del ndice de salario real previamente presentada. Analice los
residuales y evale supuesto de R.B sobre los errores de cada modelo. Defina (k) =corr(Et, Et+k) y kk= corr(Et, Et+k| Et+1,
Et+2, , Et+k-1), k=1, 2, , 36:

5
 PACF residuales modelo 1
ACF residuales modelo 1 para serie del ndice mensual salario real
para serie del ndice mensual salario real

0.8

0.8
Patrn corte
6

0.6
cola amortiguada exponecial-sinusoidal

0.6
4

0.4
res iduals(modelo1)

0.4
Partial ACF
2

ACF

0.2

0.2
0

0.0
-2

0.0
-0.2
-4

-0.4

-0.2
0 20 40 60 80 100 120 140 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

T ime Lag Lag

Residuos modelo 1: >? = M/ + M B + O& NO PO,? + C? , C? un RB $

0, Q , su ACF y PACF muestrales

PACF residuales modelo 2

ACF residuales modelo 2 para serie del ndice mensual salario real
para serie del ndice mensual salario real

Patrn corte

0.8

0.8
6

0.6
cola amortiguada exponecial-sinusoidal

0.6
4

0.4
res iduals(modelo2)

0.4
2

Partial ACF
ACF

0.2
0

0.2
0.0
-2

0.0
-0.2
-4

-0.4

-0.2
0 20 40 60 80 100 120 140 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

T ime Lag Lag

Residuos modelo 2: >? = M/ + M B + M? B + O& NO PO,? + C? , C? un RB

$ $
0, Q , su ACF y PACF muestrales

PACF residuales modelo 3

ACF residuales modelo 3 para serie del ndice mensual salario real
para serie del ndice mensual salario real
0.8

0.8
Patrn corte
6

0.6

cola amortiguada exponecial-sinusoidal

4

0.6
0.4
res iduals(modelo3)

0.4
Partial ACF
ACF

0.2
0

0.2
0.0
-2

0.0
-0.2
-4

-0.4

-0.2
0 20 40 60 80 100 120 140 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

T ime Lag Lag

Residuos modelo 3: >? = M/ + M B + M? B $ + MR B R + O& NO PO,? + C? , C? un RB 0, Q $ , su ACF y PACF muestrales

Vea a continuacin los resultados de los tests Box-Pierce y Ljung-Box, para m=6,12,18,24,30 y 36

./ : 1 = 2 = = 3 = 0
. : al menos un 0, = 1, 2, , 3
Modelo 1
Box-Pierce Ljung-Box
$ $
m QBP df - '% QLB df - '% (
6 264.71 6 0.00 272.96 6 0.00
12 270.27 12 0.00 278.96 12 0.00
18 302.86 18 0.00 316.25 18 0.00
24 368.68 24 0.00 394.76 24 0.00
30 394.45 30 0.00 426.91 30 0.00
36 395.14 36 0.00 427.83 36 0.00

Modelo 2
Box-Pierce Ljung-Box
df - '% $ $
m QBP QLB df - '% (
6 266.68 6 0.00 275.01 6 0.00
12 272.30 12 0.00 281.06 12 0.00
18 299.64 18 0.00 312.34 18 0.00
24 358.13 24 0.00 382.12 24 0.00
30 378.81 30 0.00 407.91 30 0.00
36 379.23 36 0.00 408.47 36 0.00

Modelo 3
Box-Pierce Ljung-Box
df - '% $ $
m QBP QLB df - '% (
6 266.85 6 0.00 275.27 6 0.00
12 274.91 12 0.00 283.90 12 0.00
18 292.14 18 0.00 303.68 18 0.00
24 345.31 24 0.00 367.20 24 0.00
30 382.26 30 0.00 413.44 30 0.00
36 389.16 36 0.00 422.54 36 0.00

6
En los tres modelos tenemos que:
1. La serie de residuales muestran media constante en cero y varianza constante aunque la variacin alrededor de la
media tiene comportamiento cclico, esto ltimo implica que (1) =corr(Et, Et+1)>0, por tanto los errores de estos
tres modelos no proviene de un proceso de RB. Esto es corroborado en las ACFs construidas con los residuos de
cada ajuste, pues hay rechazos para k= 1 a 5, es decir los errores separados 1 a 5 unidades de tiempo estn
correlacionados. Tambin en las PACFs se rechaza el supuesto de R.B, pues hay cortes de los lmites crticos en
k=1, 2, 12 y 13 en modelos 1 y 12, y en k=1, 2 y 13 en el modelo 3.
2. Sin embargo, en los tres modelos podemos afirmar que el respectivo trmino de error es estacionario en
covarianza, pues adems de no rechazar supuestos de media y varianza constante, podemos adems afirmar por
la forma que siguen las grficas de las ACFs muestrales, que se cumple la ergodicidad, es decir que
lim = = corr ET , ETI = 0 ocurre rpidamente. Los patrones que siguen estas ACFs son de cola
amortiguada tipo exponencial-sinusoidal como el que se seala con el perfil de lneas punteadas de color azul
sobre las barras de las ACFs.
3. Observe tambin los patrones en las PACF muestrales, en los tres casos sugiere que la funcin kk= corr(Et, Et+k|
Et+1, Et+2, , Et+k-1) puede tener patrn tipo corte.
4. En los tres modelos, los seis tests Box-Pierce y Ljung-Box rechazan su correspondientes Ho indicando de nuevo
que los Et no constituyen un proceso R.B por tener al menos un = corr ET , ETI 0.

Ahora considere los modelos de regresin de tendencia (cuadrtica y cbica) y estacionalidad aditivas, esta ltima con
indicadoras para trimestres 1 a 3, definidos para la serie de los logaritmos naturales de la produccin trimestral de
cemento portland y ajustados slo con los primeros n=151 datos (hay en total 155 obs.). Analice los residuales y evale
supuesto de R.B sobre los errores de cada modelo. Defina (k) =corr(Et, Et+k) y kk= corr(Et, Et+k| Et+1, Et+2, , Et+k-1), k=1,
2, , 36:
PACF residuos modelo 1
Residuales vs. tiempo ACF residuos modelo 1 para serie de los logaritmos de la produccin trimestral de cemento
modelo log cuadrtico estacional para serie de los logaritmos de la produccin trimestral de cemento
0.8

0.8
0.2

0.6

cola amortiguada exponencial-sinusoidal

0.6
0.1

Patrn corte
0.4
res iduals(modelo1)

0.4
Partial ACF
0.0

ACF

0.2

0.2
-0.1

0.0

0.0
-0.2
-0.2

-0.2
-0.4

0 50 100 150 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

T ime Lag Lag

Residuos modelo 1: log >? = M/ + M B + M$ B $ + RO& NO PO,? + C? , C? un RB 0, Q $ , su ACF y PACF muestrales

PACF residuos modelo 2
Residuales vs. tiempo ACF residuos modelo 2 para serie de los logaritmos de la produccin trimestral de cemento
modelo log cbico estacional para serie de los logaritmos de la produccin trimestral de cemento
0.8

0.8
0.2

0.6

cola amortiguada exponencial-sinusoidal

0.6
0.1

Patrn corte
0.4

0.4
res iduals(modelo2)

Partial ACF
0.0

ACF

0.2

0.2
0.0
-0.1

0.0
-0.2

-0.2
-0.2

-0.4

0 50 100 150 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

T ime Lag Lag

Residuos modelo 2: log >? = M/ + M B + M$ B + MR B + $ R RO& NO PO,? + C? , C? un RB $

0, Q , su ACF y PACF muestrales

Vea a continuacin los resultados de los tests Box-Pierce y Ljung-Box, para m=6,12,18,24,30 y 36

./ : 1 = 2 = = 3 = 0
. : al menos un 0, = 1, 2, , 3
Modelo 1
Box-Pierce Ljun-Box
df - '% $ $
m QBP QLB df - '% (
6 249.80 6 0.00 256.68 6 0.00
12 258.55 12 0.00 266.17 12 0.00
18 260.00 18 0.00 267.80 18 0.00
24 278.48 24 0.00 289.83 24 0.00
30 288.41 30 0.00 302.03 30 0.00
36 298.57 36 0.00 315.13 36 0.00

7
 Modelo 2
Box-Pierce Ljung-Box
df - '% $ $
m QBP QLB df - '% (
6 225.10 6 0.00 231.11 6 0.00
12 272.83 12 0.00 282.84 12 0.00
18 281.69 18 0.00 292.75 18 0.00
24 313.76 24 0.00 330.85 24 0.00
30 328.96 30 0.00 349.64 30 0.00
36 362.59 36 0.00 393.11 36 0.00

En los dos modelos tenemos que:

1. La serie de residuales parece centrarse en cero pero con variacin cclica. Respecto a la varianza hay que juzgar
con cuidado ya que la presencia de observaciones atpicas al final de esta serie nos pueden llevar a afirmar que la
varianza no es constante! Pero vea el rango delimitado con las lneas paralelas en azul en esta grfica, as que
descartando esas observaciones extremas vemos que podemos admitir que la varianza es aproximadamente
constante. En conclusin, respecto al proceso estocstico asociado al error del modelo podemos decir que es un
proceso estacionario en su media la cual es cero, tambin es aproximadamente estacionario en varianza, pero no
es un proceso de RB desde que la presencia de ciclos implica que (1) =corr(Et, Et+1)>0. De la ACF muestral sobre
los residuos corroboramos nuevamente el rechazo del supuesto de RB, desde que se detecta que (k) =corr(Et,
Et+k)0 para k=1 a 4, es decir, los errores del modelo separados entre 1 a 4 perodos en el tiempo estn
correlacionados. En PACF se rechaza H0 en k=1, 2, 3, 5, 6, y 18, rechazando tambin que los errores son R.B.
2. Sin embargo, podemos afirmar que aunque el error de este modelo no es un R.B, s es estacionario en covarianza
pues estadsticamente se satisface la ergodicidad, es decir que lim = = corr ET , ETI = 0 ocurre
rpidamente y siguiendo un patrn de cola amortiguada tipo exponencial sinusoidal, segn el perfil de la
lnea punteada en color azul trazada sobre la ACF muestral.
3. Observe tambin los patrones en las PACF muestrales, en los dos casos sugiere que la funcin kk= corr(Et, Et+k|
Et+1, Et+2, , Et+k-1) puede tener patrn tipo corte.
4. En los dos modelos, los seis tests Box-Pierce y Ljung-Box rechazan su correspondientes Ho indicando de nuevo
que los Et no constituyen un proceso R.B por tener al menos un = corr ET , ETI 0.

Finalmente, a la serie simulada bajo el modelo global >? = 3500 + 200B + C? , con C? un DE 0, 4000 $ , previamente
presentada, se le ajusta un modelo de regresin de tendencia lineal bajo el supuesto de errores RB normales. Los
residuales se muestran a continuacin junto con su ACF y PACF muestrales. Defina (k) =corr(Et, Et+k) y kk= corr(Et, Et+k|
Et+1, Et+2, , Et+k-1), k=1, 2, , 72:
PACF residuales modelo de tedencia lineal
ACF residuales modelo de tendencia lineal para serie del ndice mensual salario real
para serie simulada
10000

0.10

0.10
5000

0.05
0.05
residuals(modelo)

Partial ACF

0.00
0.00
ACF
0

-0.05
-0.05
-5000

-0.10
-0.10
-10000

-0.15
-0.15

0 50 100 150 200 250 300 0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70

T ime Lag Lag

$
Residuos modelo >? = M/ + M B + C? , C? un RB 0, Q , su ACF y PACF muestrales

Vea a continuacin los resultados de los tests Box-Pierce y Ljung-Box, para m=6, 12, 18, 24, 30, 36, 42, 48, 54, 60, 66 y 72
./ : 1 = 2 = = 3 = 0
. : al menos un 0, = 1, 2, , 3
Box-Pierce Ljung-Boc
QBP df - '% $ $
m QLB df - '% (
6 3.70 6 0.72 3.78 6 0.71
12 6.61 12 0.88 6.81 12 0.87
18 13.28 18 0.77 13.86 18 0.74
24 15.35 24 0.91 16.12 24 0.88
30 17.89 30 0.96 18.93 30 0.94
36 26.18 36 0.89 28.26 36 0.82
42 28.58 42 0.94 31.06 42 0.89
48 34.35 48 0.93 37.89 48 0.85
54 41.61 54 0.89 46.76 54 0.75
60 42.91 60 0.95 48.37 60 0.86
66 48.91 66 0.94 56.01 66 0.80
72 53.32 72 0.95 61.81 72 0.80

8
 1. De la grfica de la serie de tiempo de los residuales se observa que la media parece constante y de valor cero, la
varianza es constante y a primera vista no parece haber variaciones cclicas pero ya sabemos que esto no es
prueba para declarar incorrelacin y mucho menos independencia entre las variables del proceso estocstico
asociado al error del modelo.
2. Veamos la ACF. los valores estimados son muy pequeos sin embargo aparecen cortes en los lmites de la regin
crtica del test en k=31 y 54. Esto indicara que en esos k se rechaza H0 y por tanto (k) =corr(Et, Et+k)0 para k= 31
y 54, lo cual es contradictorio con el hecho de que el verdadero proceso del cual se simul el error es un RB! por
qu ocurre esto? La respuesta tiene que ver con lo previamente visto sobre el hecho de que con las ACF tenemos
ms riesgo de cometer error tipo I a medida que aumenta k y cortes inesperados ocurren por la presencia de
observaciones atpicas.
3. En la PACF observamos tambin rechazos en k=31 y en 71 lo cual indicara que kk= corr(Et, Et+k| Et+1, Et+2, ,
Et+k-1)0 en k=31 y 71, de nuevo esto nos llevara errneamente a concluir que los errores no provienen de un
proceso de R.B
4. Mirando con ms detalle la ACF y PACF observe que excluyendo los k donde ocurrieron cortes de los lmites
crticos, en las grficas no se aprecia ningn patrn particular tipo cola que indique que hay un proceso diferente
a un RB en los errores del modelo, y como ningn proceso estacionario tiene ACF y PACF ambas con un patrn
tipo corte, excepto un RB siendo que el nico corte ocurre en k=0, entonces lo ms factible es que lo que vemos en
ACF y PACF muestral de los residuos es simplemente a causa de observaciones extremas que inflaron la
magnitud de las autocorrelaciones y autocorrrelaciones parciales estimadas en los k donde se producen los cortes,
y por tanto no hay razn para rechazar supuesto de R.B sobre los errores del modelo.
5. Tests Box-Pierce y de Ljung-Box: En estas 12 pruebas donde se ha variado m desde un valor de 6 hasta 72, no se
rechaza H0 ni por Box-Pierce ni por Ljung-Box puesto que los valores P son demasiado grandes, y observe que
para los primeros m ya los valores P son mayores a 0.70.

NOTA: En la evaluacin de R.B sobre los errores de modelos globales sobre series estacionales, en principio no debemos despreciar
rechazos en ACF y PACF ocurriendo en valores de k que correspondan a mltiplos del perodo estacional, por ej, en k=12, 24, 36, etc.
en series mensuales y en k=4, 8, 12, 16, etc. en series trimestrales, pues a pesar de incluir una funcin peridica a travs de
indicadoras o de trigonomtricas para explicar a St, pueden an quedar en los errores de los modelos globales patrones estacionales de
tipo estocstico pero estacionarios!!, que no pueden ser explicados por funciones peridicas exactas.