Dpto. de Estadstica Eca.,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

ANLISIS DE INTERVENCIN

1 Introduccin
2 Anlisis de Intervencin
2.1 Formulacin del modelo
2.2 Estimacin del modelo
3 Atpicos.
3.1Tipos de atpicos
3.2 Efectos
3.3 Deteccin y estimacin

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

1. INTRODUCCIN

Atpicos: Datos extraos, muy diferentes del resto de la serie.

Causas:
- Errores de construccin
- Efectos inusuales: cambios de poltica econmica, guerras,
desastres,
- Distribuciones de errores distintas a la normal
- Mala especificacin del modelo: no-linealidad, variables
omitidas.
Alternativas:
- Anlisis de intervencin.
- Mtodos robustos
- Cambio de modelo.

Tcnicas avanzadas de series temporales 2

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.
Notacin

yt ~ ARIMA(p,d,q) t = 1, , T

(L) (1-L)d yt = (L) at

Lyt = yt-1

(L) = 1 - 1L - - p Lp

(L) = 1 - 1L - - q Lq

at ~ N(0,a2 ); t = 1, , T at ~ ruido blanco

(L)
Representacin de medias mviles yt = (L) at; (L) =
(L)(1- L)d

(L)(1- L)d
Representacin autorregresiva (L) yt = at; (L) =
(L)

Tcnicas avanzadas de series temporales 3

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

2 ANLISIS DE INTERVENCIN
2.1 FORMULACIN DEL MODELO CON ANLISIS DE INTERVENCIN

A efectos de modelizacin, se supone que los datos observados (Zt) son

el resultado de un proceso estocstico que sigue un modelo ARIMA (Yt) y
un componente exgeno que recoge los efectos anmalos de forma
determinista.
Z t = Yt + AI
El anlisis de intervencin
se especifica a travs de
variables artificiales y filtros
(L) (1-L)d yt = (L) at asociados a ellas.

is ( L) w0i Lbi + w1i Lbi +1 + ! wsi Lbi + s

L 1 ( L) = 1 L ! Lri I it (ti* )
bi

ir 1i ri

Tcnicas avanzadas de series temporales 4

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.

PRINCIPALES TIPOS DE VARIABLES ARTIFICIALES

Las principales variables para describir los efectos anmalos
son:
1.2
1
Impulso: es siempre cero, excepto 0.8
0.6

en el momento F, donde toma el valor 0.4

0.2

1. 0
F-3 F-2 F-1 F F+1 F+2 F+3

1.2
Escaln: toma el valor cero antes 0.8
1

de F y 1 posteriormente. 0.6
0.4
0.2
0
F-3 F-2 F-1 F F+1 F+2 F+3

7
6

Tendencia: toma el valor cero antes 5

4
3
de la intervencin y desde ese 2
1

momento toma los valores 1, 2, 3, 4, ... 0

F-3 F-2 F-1 F F+1 F+2 F+3

Tcnicas avanzadas de series temporales 5

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

PRINCIPALES FILTROS SOBRE LAS VBLES. ARTIFICIALES

Filtros sobre variables impulso.

0 si t F
ItF =
1 si t = F
(a) w (L) ItF = (w0 + w1 L + + ws Ls) ItF
Extiende el efecto del impacto durante s+1 perodos sin
estructura.
(w0 + w1L) ItF (w0 + w1L + w2L2 + w3L3 +w4L4) ItF

Tcnicas avanzadas de series temporales 6

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.

(b) w0 F
It
1 L
w0
= w0 (1 + L + 2 L2 + ... + s Ls + ...) = w0 + w0L + w0 2 L2 + w0 s Ls
1 L
En este caso, los efectos de la intervencin se extienden a lo largo
del tiempo con una estructura determinada por el parmetro .
w0
Ejemplo de una intervencin del tipo 1 L
I tF

Los efectos de una

intervencin
generalmente
desaparecen en el
tiempo, por lo que es
frecuente imponer
|| < 1.

Tcnicas avanzadas de series temporales 7

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

Filtros sobre variables escaln

0 si t < F
St F =
1 si t F

Los escalones modelizan intervenciones con carcter permanente.

(a) (w0 + w1 L + w2 L2 + + wsLs) StF
El efecto comienza en el momento F y se prolonga hasta F + s.
El efecto total del suceso es:
w 0 + w 1 + + w s.

Tcnicas avanzadas de series temporales 8

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.

(b) w0
S tF
1 L

Este tipo de filtro permite un efecto prolongado en el tiempo, con

estructura.

Efecto total:

1
w0
1

Tcnicas avanzadas de series temporales 9

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.
3 ATPICOS
Si el analista no tiene conocimiento acerca del tipo de intervencin
que se est produciendo, ni del efecto que producir, ni siquiera de la
fecha exacta de su ubicacin, puede utlizar las tcnicas de deteccin
de atpicos.

3.1Tipos de atpicos

Atpicos aditivos: Impulso sobre el nivel de la serie. (AO)

Atpicos innovativos: Impulso sobre las innovaciones de la serie. (IO)
Atpicos cambio de nivel: Escaln sobre el nivel de la serie. (LS)
Atpicos cambio transitorio: Impulso con un filtro autorregresivo sobre
el nivel de la serie. (TC)

Tcnicas avanzadas de series temporales 10

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.

FORMULACIN Y EFECTOS SOBRE EL NIVEL Y LOS RESIDUOS

DE LAS SERIES.

Efectos sobre el nivel Efectos sobre los residuos

AO Z t = Yt + w AO I t (t *) e Zt = eYt + w AO ( L ) I t (t *)

IO Z t = ( B )( a t + w IO I t (t *)) e Zt = eYt + w IO I t (t *)
w LS (L)
LS Z t = Yt + I t ( t *) e Zt = eYt + w AO I t ( t *)
1 L 1 L
wTC (L)
TC Z t = Yt + I t ( t *) e Zt = eYt + w AO I t ( t *)
1 L 1 L

Tcnicas avanzadas de series temporales 11

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

3.2 EFECTOS EN LA ESTIMACIN DE LA OMISIN DE LOS ATPICOS

A continuacin se presentan los resultados de dos simulaciones:

Simulacin 1: La serie se ve afectada por un atpico aditivo.
0 si t 35
X t = 0.7 X t 1 + at AI = 7 IMPULSO( 35 ) =
7 si t = 35

Z t = X t + AI

A la vista de las diferencias entre los correlogramas de la serie Xt y la serie

Zt, se tiene que la correlacin es menor en la serie con el atpico AO.
Adems, las 100 estimaciones realizadas muestran una infraestimacin del
parmetro autorregresivo.
Tcnicas avanzadas de series temporales 12
 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.
Atpicos Aditivos
Mode lo AR(1) de pa ra m e tro phi= 0.7
4

-2

-4
0 20 40 60 80 100 120

Mode lo AR(1) de pa ra m e tro phi= 0.7 AO w=7

10

-5
0 20 40 60 80 100 120

Tcnicas avanzadas de series temporales 13

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

Tcnicas avanzadas de series temporales 14

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.

20
S e ries :PH I_ES T
O bse rva tions 100
16
Mean 0.686653
Median 0.693455
12 Maximum 0.861913
Minimum 0.460367
Std. Dev. 0.077900
8 Skewness -0.649827
Kurtosis 3.256252
4 Jarque-Bera 7.311519
Probability 0.025842
0
0.5 0.6 0.7 0.8

16
Series: PHI_EST _AO
Observations 100
12 Mean 0.453455
Median 0.454829
Maximum 0.694611
8 Minimum 0.214190
Std. Dev. 0.102296
Skewness -0.268319
4 Kurtosis 2.654958
Jarque-Bera 1.695978
Probability 0.428275
0
0.2 0.3 0.4 0.5 0.6 0.7

Tcnicas avanzadas de series temporales 15

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

Simulacin 2: La serie se ve afectada por un atpico cambio de nivel

0 si t < 35
X t = 0.7 X t 1 + at AI = 7 ESCALN( 35 ) =
7 si t 35

Z t = X t + AI

A la vista de las diferencias entre los correlogramas de la serie Xt y la serie

Zt, se tiene que la correlacin es mayor en la serie con el atpico LS.
Adems, las 100 estimaciones realizadas muestran una sobreestimacin
del parmetro autorregresivo.

Tcnicas avanzadas de series temporales 16

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Cambios de Nivel Universidad de Alcal de Henares.

Mo d e lo AR (1 ) d e p a ra m e tro p h i= 0 . 7
4

-2

-4
0 20 40 60 80 100 120

Mo d e lo AR (1 ) d e p a ra m e tro p h i= 0 . 7 LS w= 3
8

-2
0 20 40 60 80 100 120

Tcnicas avanzadas de series temporales 17

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

9
8 S e rie s : P H I_ E S T
O b s e r v a t io n s 1 0 0
7
Mean 0.681781
6 Median 0.688562
5 Maximum 0.822342
4 Minimum 0.472625
Std. Dev. 0.072297
3 Skewness -0.416924
2 Kurtosis 2.956225
1 Jarque-Bera 2.905072
0 Probability 0.233976
0.50 0.55 0.60 0.65 0.70 0.75 0.80
14
S e r i e s : P H I_ E S T _ W
12 O b s e r v atio n s 1 0 0
10 Mean 0.922947
Median 0.923152
8 Maximum 0.967220
Minimum 0.861557
6 Std. Dev. 0.020676
Skewness -0.489409
4 Kurtosis 2.974582
2 Jarque-Bera 3.994708
0 Probability 0.135694
0.86 0.88 0.90 0.92 0.94 0.96

Tcnicas avanzadas de series temporales 18

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.
3.3 ESTIMACIN Y CONTRASTE (Chen and Liu (1993), JBES)

El procedimiento consiste en contrastar la existencia de los distintos

tipos de atpicos mediante estadsticos t sobre los residuos del
modelo (estimaciones dividido por la desviacin tpica de la
estimacin).
IO (t )
IO IO (t ) = et IO (t ) =
a
e x AO (t )
( x2 t )
1
AO (t ) =
2t
AO AO (t ) =
t 2 2

x 2
2t a

(t ) =
e x LS (t )
( x3t )
1
LS LS t 3t
LS (t ) = 2 2

x 2
3t a

(t ) =
e x TC (t )
( x4t )
1
TC TC t 4t
LS (t ) = 2 2

x 2
4t a
Tcnicas avanzadas de series temporales 19

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

4. OTROS EFECTOS

Tcnicas avanzadas de series temporales 20

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.
Se recogen en este epgrafe ciertos efectos que ocurren de forma
recurrente pero que slo se pueden modelizar de de modo
relativamente sencillo de forma determinista.

Efecto Calendario
En series mensuales, el valor del agregado mensual depende de
la composicin del mes: del nmero de das laborables.
Por otro lado, los distintos das laborables no tienen el mismo
nivel de actividad, por tanto, considera el diferente nmero de das
de cada tipo que tiene cada mes.
L M X J V S D
ene-03 4 4 5 5 5 4 4
feb-03 4 4 4 4 4 4 4

X t = 1 D1t + 2 D2t + 3 D3t + 4 D4t + mar-03

abr-03
5
4
4
5
4
5
4
4
4
4
5
4
5
4
may-03 4 4 4 5 5 5 4

+ 5 D5t + 6 D6t + 7 D7 t + nt jun-03

jul-03
5
4
4
5
4
5
4
5
4
4
4
4
5
4
ago-03 4 4 4 4 5 5 5
sep-03 5 5 4 4 4 4 4
DIt= nmero de das del tipo i en el mes t oct-03
nov-03
4
4
4
4
5
4
5
4
5
4
4
5
4
5
dic-03 5 5 5 4 4 4 4
nt=residuo ARMA
Tcnicas avanzadas de series temporales 21

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

Ao bisiesto:
Es preciso incluir una variable que recoja el efecto de un da ms en el
mes de febrero cada 4 aos.

7
N t = D jt = longitud del mes t.
j =1

1
N *t = (N t + N t 12 + N t 24 + N t 36 )
4
LYt = N t N *t

Lyt toma el valor 0.75 en el mes de febrero si el ao t es bisiesto, -0.25

en el mes de febrero de un ao no bisiesto y 0 en otro caso.

Tcnicas avanzadas de series temporales 22

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.

FORMULACIONES del efecto calendario

6
log( X t ) = 0 LYt + j ( D jt D7 t ) + Z t
j =1

Efecto ao Efecto de la actividad ARIMA con A.I.

bisiesto relacionada con el
tipo de da
6
1
Simplificaciones: log( X t ) = LYt + j ( D jt D7 t ) + Z t
28.25 j =1

5 5 7
log( X t ) = 0 LYt + M F D jt D jt + Z t
j =1 2 J =6
1 5 5 7
log( X t ) = LYt + M F D jt D jt + Z t
28.25 j =1 2 J =6
Tcnicas avanzadas de series temporales 23

Dpto. de Estadstica ,Estr.Eca.y O.E.I.

Universidad de Alcal de Henares.

Efecto Semana Santa

Dependiendo del ao, la Semana Santa puede afectar al mes
de marzo abril a ambos. Se introducen unas variables
artificiales que reflejan la proporcin de das que caen en cada
mes.

X t = SS t + nt
1997 1998 1999 2000
January 0.00 0.00 0.00 0.00
February 0.00 0.00 0.00 0.00
March 1.00 0.00 0.40 0.00
April 0.00 1.00 0.60 1.00
May 0.00 0.00 0.00 0.00
June 0.00 0.00 0.00 0.00
July 0.00 0.00 0.00 0.00
August 0.00 0.00 0.00 0.00
September 0.00 0.00 0.00 0.00
October 0.00 0.00 0.00 0.00
November 0.00 0.00 0.00 0.00
December 0.00 0.00 0.00 0.00

Tcnicas avanzadas de series temporales 24

 Dpto. de Estadstica ,Estr.Eca.y O.E.I.
Universidad de Alcal de Henares.

Fiestas
Las fiestas se captan con el componente estacional, pero
algunas cambian de ao en ao.
La poblacin afectada por una fiesta puede cambiar segn su
carcter (Nacional o regional).
Incluso si la fiesta cae siempre en el mismo mes, el da de la
semana ser diferente y el efecto tambin ser diferente.
Es aconsejable incluir una variable que recoja el nmero de
fiestas nacionales y otra que incluya el nmero de fiestas
autonmicas en cada mes t.

Tcnicas avanzadas de series temporales 25

Automated Project1 - MATRIC
200000
150000
100000
50000
0 date
Information on Models
Series Span (n of obs.)
Model Span (n of obs.)
Method
PRE-ADJUSTMENT
Transformation
Mean Correction
Correction for Trading Day ...
Trad1 t-value
Trad2 t-value
Leap-year t-value
Correction for Easter Effect
Correction for Outliers
Critical t-value
TC Ene1993 t-value
TC Jul1995 t-value
TC Ene1992 t-value
AO Dic1994 t-value
AO Ago1990 t-value
Corr. for Missing Obs.
Corr. for Other Regr. Effects
Specif. of the ARIMA model
Non-seas. MA (lag 1) value
Non-seas. MA (lag 1) t-value
Seasonal MA (lag 12) value
Seasonal MA (lag 12) t-value
Method of Estimation
DECOMPOSITION
ARIMA Decomposition
Seasonality
MATRIC
Ene90 Ene92 Ene94 Ene96 Ene98 Ene2000 Ene2002 Ene2004
Model 1 (Tramo-Seats) Information on Diagnostics Model 1 (Tramo-Seats)
Ene1990 - Abr2002 (148) SA quality index (stand. to 10) 2.203 [0, 10] ad-hoc
Ene1990 - Abr2002 (148) STATISTICS ON RESIDUALS
Tramo/Seats Ljung-Box on residuals 22.02 [0, 33.90] 5%
Box-Pierce on residuals 0.63 [0, 5.99] 5%
Logarithm Ljung-Box on squared resid... 17.41 [0, 33.90] 5%
None Box-Pierce on squared resi... 0.68 [0, 5.99] 5%
2 Regressor(s) DESCRIPTION OF RESIDU...
9.03 [-1.972, 1.972] 5% Normality 0.26 [0, 5.99] 5%
-9.03 (derived) [-1.972, 1.9... Skewness -0.00 [-0.42, 0.42] 5%
0.99 [-1.972, 1.972] 5% Kurtosis 2.78 [2.15, 3.85] 5%
None OUTLIERS
Autom.:AO,LS,TC; 5 Outli... Percentage of outliers 3.38% [0%, 5.0%] ad-hoc
3.245
-5.48 [-3.245, 3.245] crit.val.
-4.73 [-3.245, 3.245] crit.val.
4.60 [-3.245, 3.245] crit.val.
4.19 [-3.245, 3.245] crit.val.
3.62 [-3.245, 3.245] crit.val.
None
None
(0 1 1)(0 1 1) (fixed)
-0.4103
-4.77 [-1.972, 1.972] 5%
-0.6571
-7.77 [-1.972, 1.972] 5%
Exact Maximum Likelihood
Exact
Seasonal model used