Вы находитесь на странице: 1из 42

FT

SERIES DE TIEMPO UNIVARIADOS


MODELOS AR, MA, ARMA y ARIMA

RA Franco A. Mansilla Ibañez

MF-WK PANAMÁ

October 6, 2018

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 1 / 43


Información

FT
Información Personal

Ingeniero Civil Industrial de la Universidad Andrés Bello, actualmente me encuentro


cursando el Magister en Finanzas (MSc.) en la Universidad de Chile y paralelamente
como instructor de Finanzas, Econometrı́a y Estadı́stica para Software−Shop (Bo-
gota, Colombia).
Me he dedicado como ayudante de investigación Económica y Financiera para Direc-
RA
tivos de la Universidad y para el Banco Central de Chile (BCCh), además dictando
múltiples ayudantı́as de cátedras como Probabilidad y Estadı́stica, Econometrı́a,
Formulación y Evaluación de proyectos y también en ramas de ingenierı́a, como
Investigación de Operaciones y Taller de Ingenierı́a Civil Industrial.

Correo: fmansilla@fen.uchile.cl

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 2 / 43


Información

FT
Objetivos de la Ayudantia

 La ayudantia se guiara para COMPLEMENTAR lo aprendido del profesor.


 Principalmente, cubriremos detalles y conceptos que quedaron dando vuelta y
que fueron relevantes a la hora de la evaluacion.
 Por ultimo, aterrizaremos los conceptos y como se aplica la teoria a un software
RA
Econometrico como lo es EViews.
NOTA REITERATIVA: NO OLVIDAR LO APRENDIDO CON EL PRO-
FESOR, RECORDAR QUE ES UN COMPLEMENTO PARA FORT-
ALECER LOS APRENDIDO!.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 3 / 43


Introduccón

FT
Qué debemos responder con los modelos?

 Existe alguna relación entre el nivel de tasa de interés y el ı́ndice de la bolsa?


 Existe alguna relación entre el nivel de tasa de interés y el ı́ndice de la bolsa?
 Cómo afectan las uniones y fusiones de empresas los retornos (rendimientos) de
los inversionistas?
 Debo invertir en tı́tulos de Gobierno de largo plazo o tı́tulos Privados de corto
plazo?
RA
 Probar si el Modelo CAPM representa un modelo adecuado para la determinación
de los retornos de un activo.
 Medir y pronosticar la volatilidad de retornos de bonos.
En general todas estas preguntas cuantitativas son:
i. Complicadas de responder, y
ii. Usualmente, se requiere de una respuesta para la toma de decisiones.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 4 / 43


Introduccón

FT
Pronósticos Financieros

RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 5 / 43
Introduccón

FT
Clasificación de Modelos Econometricos

 Tipo de Efecto: Lineales vs no Lineales.


 Caracter: Estático y Dinámico.
 Dimensionalidad: Uniecuacional vs Multiecuacional.
 Tipo de Observaciones: Series de Tiempo, Corte Transversal y Datos de Panel.
RA
 Variables a Explicar: Cuantitativa (continua) vs Cualitativa (discreta).
 Escuela de Estadı́stica: Frecuentista (clasica) vs Bayesiana.
 Supuesto del Modelo: Paramétrica (Supuesto de forma funcional y distribución
del término de error) Vs Semi-paramétrica (Supuesto de forma funcional o dis-
tribución del término de error) Vs No paramétrica (Ninguna de las dos)

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 6 / 43


Series de Tiempo

FT
Descripción de una Serie de Tiempo.

 Proceso estocástico es un conjunto de variables aleatorias asociadas a distintos


instantes de tiempo.
 Serie temporal es un conjunto de observaciones o medidas realizadas secuen-
cialmente en intervalos predeterminados y de igual, o aproximadamente igual,
duración.
 Es una realización del proceso estadı́stico, es decir, es una observación de T
variables aleatorias ordenadas en el tiempo.
RA
 La relación entre una serie temporal y el proceso estocástico que la genera es la
misma que hay entre una muestra y la variable aleatoria de la que procede.
 Las peculiaridades de una serie temporal (frente a una muestra) y de un proceso
estocástico (frente a una variable aleatoria) son: 1) Las series temporales y los
procesos estocásticos están referidos a instantes de tiempos concretos y 2) los
datos están ordenados.
 El objetivo del análisis de series temporales es inferir la forma del proceso es-
tocástico a partir de las series temporales que genera.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 7 / 43


Series de Tiempo

FT
Descripción de una Serie de Tiempo (cont.)

Ejemplo de proceso estocástico y serie de tiempo: 35 realizaciones de paseos


aleatorios de tamaño 1000.

RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 8 / 43
Series de Tiempo

FT
Patrones de una Serie de Tiempo

Se busca responder la siguiente pregunta: Por qué la serie no se comporta de la


siguiente manera?

RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 9 / 43
Series de Tiempo

FT
Patrones de una Serie de Tiempo: TENDENCIA Tt

 La tendencia representa el compor- rie no es contante, en otras palabras,


tamiento predominante de la serie. es una serie no estacionaria. La ten-
Esta puede ser definida como el cam- dencia puede ser determinı́stica o es-
bio de la media a lo largo de un peri- tocástica.
odo.
 Son movimientos a lo largo de una se-
RA
rie de tiempo, estos movimientos son
de largo plazo. La tendencia es el
componente que representa el crec-
imiento (o la declinación) subyacente
en una serie de tiempo, durante un
periodo extenso. Para una serie de
tiempo con tendencia, el nivel de la se-

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 10 / 43


Series de Tiempo

FT
Patrones de una Serie de Tiempo: CICLO Ct

 Se refiere a oscilaciones alrededor de se le atribuye como parte de la tenden-


la tendencia y son de larga duración, cia, para formar ası́ un componente
perı́odos mayores de un año. Estas Tt , que contiene el componente ten-
oscilaciones periódicas no son regu- dencia ciclo.
lares (diferencias en duración e inten-
sidad) y se presentan en los fenómenos
RA
económicos cuando se dan de forma
alternativa etapas de prosperidad o de
depresión. Los patrones cı́clicos son
difı́ciles de modelar porque sus pa-
trones generalmente son inestables, al
ser difı́ciles de identificar y complejos
de separar de la serie tendencial, con
frecuencia el ciclo de la serie de tiempo

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 11 / 43


Series de Tiempo

FT
Patrones de una Serie de Tiempo: ESTACIONALIDAD St

 Es una serie de tiempo con un patrón por causas climáticas, normas, usos
de cambio que se repite a si mismo año sociales o económicos..
tras año. Es un cambio más o menos
estable que aparece regularmente a lo
largo del tiempo. En otras palabras es
un componente de corto plazo que se
RA
repite periódicamente en periodos in-
feriores a un año (casa S periodos).
Para datos anuales, la estacionalidad
no tendrı́a sentido estimarla porque
no existe la posibilidad de modelar
un patrón con datos que se recopi-
lan una vez por año. Se ocasionan

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 12 / 43


Series de Tiempo

FT
Patrones de una Serie de Tiempo: IRREGULAR It

 Patrón intrı́nseco de la serie , es un funcional reconocible..


componente de corto plazo que cap-
tura las fluctuaciones impredecibles o
aleatorias que se presentan por suce-
sos inusuales y no corresponden a
RA
los tres componentes antes menciona-
dos, por lo tanto, su comportamiento
es un efecto residual de la serie de
tiempo. Son movimientos erráticos
que no poseen carácter periódico o

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 13 / 43


Series de Tiempo

FT
Patrones de una Serie de Tiempo: OUTLIERS

 Son puntos de la serie que se es-


capan de lo normal. Un outliers es
una observación de la serie que corre-
sponde a un comportamiento anormal
RA
del fenómeno o a un error de medición.
Se debe determinar si un punto dado
es outlier o si puede ser una inter-
vención.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 14 / 43


Evaluación de Pronostico

FT
Estadistica de Error, medidas básicas

 Desviación Media Absoluta (MAD): Mide la exactitud del pronóstico, prome-


diando la magnitud de los errores.
1X
MAD = | Yt − Ŷt | (1)
n
 Error Cuadrático Medio (MSE ): Sanciona errores grandes en la elaboración de
RA
pronósticos.
1X
MSE = (Yt − Ŷt )2 (2)
n
 Raı́z Media Cuadrática (RMSE ):
r
1X
RMSE = (Yt − Ŷt )2 (3)
n

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 15 / 43


Evaluación de Pronostico

FT
Medidas Estadı́stica de Error (cont.).

 Error Porcentual Absoluto Medio (MAPE )

1 X | Yt − Ŷt |
MAPE = (4)
n | Yt |

 Error porcentual medio (MPE ): Mide el sesgo del pronóstico

1 X (Yt − Ŷt )
MPE = (5)
RA n Yt
 Coeficiente de Desigualdad de Theil (U − THIEL): Permite analizar la bondad
de ajuste del modelo. Un coeficiente cercano a cero, indica que la técnica usada
es mejor que el método naive
v
u 1 P Ŷt+1 −Yt+1
t n−1 [ Yt
u ]2
RMSE U − THEIL 2 = 1
[ FNt −Y
P t+1 2
U −THEIL1 = q P q n−1 Yt ]
1 2 1
P ˆ2
n Y t + n Y t (6)

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 16 / 43


Evaluación de Pronostico

FT
Medidas Estadı́stica de Error - Caracterı́sticas y Desventajas.

 MSE:

 RMSE:
RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 17 / 43
Evaluación de Pronostico

FT
Medidas Estadı́stica de Error - Caracterı́sticas y Desventajas (cont.).

 MAE:

 MAPE:
RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 18 / 43
Evaluación de Pronostico

FT
Medidas Estadı́stica de Error - Caracterı́sticas y Desventajas (cont.).

 Henri Theil propuso dos medidas de error en diferentes momentos. El estadı́stico


U1 hace referencia a una medida de exactitud mientras que el U2 hace referencia
a una medida de calidad del pronóstico
 Donde n es el número de muestras, yt es el valor actual, ŷt es la estimación del
modelo y FNt es el pronóstico seleccionado de comparación que suele ser el de
caminata aleatoria o el modelo ingenuo o naive.
RA
 El U1 tiene poco valor como un ı́ndice de la exactitud de un pronóstico: Sin
importar si se trabaja con datos absolutos o deltas de cambio, los valores serán
delimitados entre 0 (el mejor caso) y 1 (el peor caso).

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 19 / 43


Evaluación de Pronostico

FT
Proceso de Evaluación y Ajuste.

 Dentro de muestra vs Fuera de Muestra.


 Supongamos que estamos en Diciembre 1999, lo cual tenemos datos desde Enero
1990 hasta Diciembre 1999.
 Hacemos un modelo de los datos desde Enero 1990 hasta Diciembre del 1998 y
”pronosticamos” desde Enero 1999 hasta Diciembre 1999. Esto lo comparamos
con los datos efectivos.
RA
 OBS : No hay que utilizar la información hasta diciembre del 1999 para estimar
el modelo, y luego pronosticar desde Enero 1999 hasta Diciembre 1999. Por que
o sino harı́amos una especie de trampa, dado que el modelo estarı́a capturando
la información que contiene las fechas de Enero 1999 hasta Diciembre 1999.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 20 / 43


Modelos de Proyección Univariados: ARIMA

FT
Conceptos de Modelos ARIMA

 La instuición de hacer modelos de proyección univariados de alguna variable que


queremos pronosticar en un tiempo t + k, es usar el pasado de esta variable para
proyectar.
 El mejor predictor del futuro de la variable es el periodo anterior (t − 1) de esta
misma, es decir, el ayer.
 Para los modelos ARIMA, no solamente hay que incorporar la información de la
RA
propia variable (AR) si no también los choques aleatorios que presenta la serie
en el tiempo (MA).
 Estos modelos son denominados ateoricos dado que no existe una ”receta de
cocina” para guiarse. Solamente depende de la expertis del investigador(es).
 El único requisito es asegurarse de que la serie a pronosticar con los modelos
ARIMA, es que cumpla las propiedades de Estacionariedad1 y lo ideal que esta
serie de tiempo, per se, no sea Ruido Blanco.

1 No confundir la Estacionalidad con Estacionariedad, son conceptos diferencias aplicados a

un mismo tópico, que es la Serie de Tiempo.


Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 21 / 43
Modelos de Proyección Univariados: ARIMA

FT
Conceptos de Modelos ARIMA (cont.)

 Se puede representar de la siguiente forma:

Yt = φ1 Yt−1 + φ2 Yt−2 + . . . + φk Yt−p + θ1 u1 + θt−2 ut−2 + . . . + θk ut−q + ei (7)

Donde:
φp Yt−p : Representa el termino Autoregresivo(AR) → AR(p)
RA
θq ut−q : Representa el termino Media Móvil (MA) → MA(q)
 Pero en ciertas ocasiones, existen series que no solamente ”dependen” de su
pasado, tanto autoregresivos (AR) o choques aleatorios (MA), si no también,
presentan constante (α) y tendencia (βt).
Entonces:

Yt = α+βt +φ1 Yt−1 +φ2 Yt−2 +. . .+φk Yt−p +θ1 u1 +θt−2 ut−2 +. . .+θk ut−q +ei
(8)

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 22 / 43


Modelos de Proyección Univariados: ARIMA

FT
Estacionariedad y sus Propiedades

 Se menciono que el requisito de usar los modelos ARIMA es que la serie cumpla
con las propiedades de Estacionariedad. Pero que tipo de propiedad de esta-
cionariedad tiene que cumplir?.
 Antes de responder la pregunta, existen dos sentidos de estacionariedad: Fuerte
y Debil.
RA
 Estacionariedad sentido Fuerte: Un proceso estocástico es estacionario en sen-
tido estricto o fuerte cuando la distribución de probabilidad conjunta de cualquier
parte de la secuencia de variables aleatorias es invariante del tiempo, es decir,
que cumpla todos los momentos de la distribución en cada instante, pero esta
acotación es difı́cil de probar.

F (yt , yt+1 , . . . , yt+k ) = F (yt+τ , yt+1+τ + . . . , yt+k+τ )

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 23 / 43


Modelos de Proyección Univariados: ARIMA

FT
Estacionariedad y sus Propiedades (cont.)

 Estacionariedad sentido Debil: Un proceso estocástico es estacionario en sen-


tido débil si los momentos del primero y segundo orden de la distribución (esper-
anzas, varianzas, covarianzas2 ) no dependen del tiempo.

E (yt ) = µ, | µ |< α, ∀t
E [(yt − µt ) ] = σ 2
2
RA E [(yt − µt )(xt+τ − µt+τ )] = γt ,
COV (yt , yt+τ ) = COV (yt±τ , yt±k+τ ) = γτ

 Memorias de Corto Plazo, Ergodicidad:


γt < α, ∀t, τ

lim γτ = 0
τ →α

2 OJO: La covarianza no es un momento de una distribución de probabilidad, pero para este

caso debe cumplir que la covarianza no dependa del tiempo.


Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 24 / 43
Modelos de Proyección Univariados: ARIMA

FT
Ruido Blanco y sus Propiedades

 Es el proceso mas aleatorio que existe. Es por construcción estacionario. Es una


colección de variables aleatorias con media cero y no correlacionadas entre ellas.
 Un proceso ruido blanco no es posible pronosticar utilizando modelos ARIMA. Un
proceso Ruido Blanco no tiene memoria, es decir, que el último dato conocido
recoge toda la información histórica disponible.
 Paseo aleatorio, un paseo aleatorio representa una variable cuyos cambios son
ruido blanco y, por tanto, imprevisibles. La caracterı́stica fundamental de este
RA
proceso es la falta de afinidad de las series a una media estable.
 Donde:
{εt } → es un Proceso Ruido Blanco, si:

E (εt ) = 0 ∀t
E (ε2t ) = V (σε2 )
E [(εt − εt+τ )] = γτ ∀t, τ 6= 0

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 25 / 43


Modelos de Proyección Univariados: ARIMA

FT
Ruido Blanco y sus Propiedades

 Ejemplos:
{yt } → es un Proceso Caminata Aleatoria, si:

yt = yt−1 + et et es Ruido Blanco.


yt = xt−1 + δ + et → 4yt = δ + et Caminata Aleatoria con Derivada

 Se puede reescribir como:


RA
yt = yt−1 + δ + et = (yt−2 + δ + et−1 ) + δ + et = ... = x0 + δt +
t
X

j=1
ej

 En conclusión, una caminata aleatoria es no estacionaria. Si transformamos el


proceso de caminata aleatoria bajo la siguiente transformación (diferenciación)
serı́a estacionario, pero no predecible.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 26 / 43


Modelos de Proyección Univariados: ARIMA

FT
Ruido Blanco y sus Propiedades

 En resumen, para un proceso:

yt = αyt−1 + et
yt − αyt−1 = et
RA (1 − αL)yt = et

Si:
 Estacionario si α = 1.
 Ruido Blanco si α = 0.
 Explosivo no estacionario si α = 1.
 Caminata Aleatoria si α = 1 (No estacionario); (1 − L = 0 ; L = 1) → Raı́z
Unitaria.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 27 / 43


Modelos de Proyección Univariados: ARIMA

FT
Ruido Blanco y sus Propiedades
 En resumen, para un proceso:
yt = αyt−1 + et → yt − αyt−1 = et → (1 − αL)yt = et
 Si una serie es ruido blanco es no pronosticable a partir de su pasado.
 La diferencia de este proceso asegura estacionariedad.
 La diferencia de un proceso puede servir para homogenizar (volver el proceso
estacionario).
 Si una serie presenta un proceso generador con alfa igual a 1 (raı́z unitaria),
RA
se diferencia y, a su vez, presenta un comportamiento similar al ruido blanco,
tampoco es una serie pronosticable a partir de su pasado. La serie sigue un
comportamiento de caminata aleatoria.
 Si un proceso presenta un alfa mayor que 1, el proceso no permite pronosticar. Es
explosivo, no estacionario. Si la serie fue generada por un proceso que presenta
un alfa menor a 1, es pronosticable.
 Caso especial: Si la serie fue generada por un proceso con alfa igual a 1 (raı́z
unitaria), se diferencia, y este no es ruido blanco, es pronosticable.
¿Como detectar si una serie sigue un proceso de ruido blanco o si presenta raı́z o
raı́ces unitarias?
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 28 / 43
Modelos de Proyección Univariados: ARIMA

FT
Ruido Blanco y sus Propiedades: Validación

 Estadı́stico Q-Prueba Conjunta:

H0 = ρ0 = ρ1 = ρ2 = ... = ρk = 0 Ruido Blanco


H1 = ∃ρk 6= 0 i = 1, ..., k La serie no es Ruido Blanco.
k
X
Q=n ri2 ∼ xk2
RA i=1

 Estadı́stico Ljung − Box pero para muestras grandes:


k
X r12
LB = Qk = n(n + 2)
n−i
i=1

Una serie se considera ruido blanco si los p-values son mayores que el nivel de
significancia de la prueba.
En la práctica, desde que no sean los primeros rezagos, se permite que sea mayor
el p-value en uno de cada 20 rezagos para considerar la serie ruido blanco.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 29 / 43


Modelos de Proyección Univariados: ARIMA

FT
Test de Raı́z Unitaria o de Estacionariedad

 Tal y como se ha señalado, la aplicación de la metodologı́a ARIMA precisa la


utilización de series económicas estacionarias en varianza y en media. La pres-
encia de una raı́z unitaria en una serie de tiempo económica revela directamente
inestabilidad de la misma, siendo necesario transformarla para poder trabajarla
con ella.
RA
 Cuando una serie no es estacionaria en media, o lo que es lo mismo, cuando no
es integrada de orden cero I(0), se dice que presenta al menos una raı́z unitaria.
Cuando esto ocurre, sabemos que es posible la obtención de una serie estacionaria
mediante una sencilla transformación de la serie original, como es la diferenciación
adecuada. Pues bien, el número de diferencias que habrá que tomar en la serie
para convertirla en estacionaria en media viene dado, justamente, por el número
de raı́ces unitarias que la serie original presente.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 30 / 43


Modelos de Proyección Univariados: ARIMA

FT
Test de Raı́z Unitaria o de Estacionariedad (cont.)

 Si se parte del modelo: yt = αyt−1 + et y α = 1 existe una raı́z unitaria, no


estacionariedad en varianza.
 Ahora, si yt = αyt−1 + et es un proceso estacionario.

RA σy2t = α2 σy2t−1 + σe2 → σy2t − α2 σy2t−1 = σe2 → σy2t (1 − α2 ) = σy2e

σe2
σy2t = (9)
(1 − α2 )

 Si α = 1, el proceso no es estacionaria (raı́z unitaria) remediable. Si α > 1,


proceso explosivo. Si α < 1, proceso estacionario.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 31 / 43


Modelos de Proyección Univariados: ARIMA

FT
Test de Raı́z Unitaria o de Estacionariedad (cont.)
 La presencia de una raı́z unitaria en una serie de tiempo económica revela di-
rectamente inestabilidad de la misma, siendo necesario transformarla para poder
trabajar con ella.
 Los test para saber si la serie presenta raı́z unitaria se presentan a continuación,
lo cual cada uno representa una caracterı́stica.

RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 32 / 43
Modelos de Proyección Univariados: ARIMA

FT
Test de Raı́z Unitaria o de Estacionariedad (cont.)
 En el test ADF el número de rezagos a utilizar de las variaciones de la variable
en la regresión auxiliar es determinado por el criterio de información Bayesiano
de Schwarz.
n ee 0
Logaritmo de Máxima Verosimilitud L = − (1 + log (2π) + Log ( ))
2 n
 El estadı́stico AIC, propuesto por Akaike (1974) y el estadı́stico SC propuesto
por Schwarz (1978) y basado en la teorı́a de la información, siguen el siguiente
cálculo:
RA 2l
Criterio de Información Akaike AIC = − +
n
Criterio de Información Schwarz SC = − +
2l
n
2k
n
(klog (n))
n
 Los estadı́sticos AIC y SC, a diferencia de los coeficientes de determinación,
indican mejores ajustes cuanto más bajos sean sus valores.
El resultado final del test de estacionariedad es determinar si la serie es
estacionaria o no y establecer el número de diferenciaciones d necesarias
para que la serie sea estacionaria. Establecer el orden de integración I (d).
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 33 / 43
Modelos de Proyección Univariados: ARIMA

FT
Procesos Integrados I (d)

 Los procesos no estacionarios más importantes son los procesos integrados, estos
procesos tienen la propiedad fundamental de que al diferenciarse se obtienen
procesos estacionarios.
 Una propiedad importante que diferencia a los procesos integrados de los esta-
cionarios es la forma en que desaparece la dependencia con el tiempo.
I En los procesos estacionarios ARMA las autocorrelaciones disminuyen geométricament

I
RA y se hacen prácticamente cero a los pocos retardos.
En los procesos integrados, las autocorrelaciones disminuyen linealmente con el
tiempo y es posible encontrar coeficientes de autocorrelación distintos de cero
hasta retardos muy altos.
 Generalizando, diremos que un proceso es integrado de orden d(d > 0) , y lo
representaremos por I (d), cuando al diferenciarlo d veces se obtiene un proceso
estacionario.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 34 / 43


Modelos de Proyección Univariados: ARIMA

FT
Procesos Integrados I (d) (cont.)

 A menudo, la tendencia de una se-


rie de tiempo puede eliminarse difer-
enciando los datos. Se dice que una
serie es ”integrada de orden uno”, o
I (1), si su primera diferencia es esta-
cionaria:
RA M yt = yt − yt−1
 La primera figura muestra el logaritmo
una serie.
 Si al dato en cada mes se le resta el
dato del mes anterior queda una serie
sin tendencia con mayor posibilidad de
ser estacionaria. Se acostumbra:
i. Tendencia Lineal → Primera
Diferencia.
ii. Tendencia Cuadrática → Segunda
Diferencia.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 35 / 43


Modelos de Proyección Univariados: ARIMA

FT
Modelos Autoregresivos: AR(p)

 El modelo AR(p) incorpora la información de las ultimas p observaciones.

yt = δ + φ1 yt−1 + φ2 yt−2 + ... + φp yt−p + et

 En particular un AR(1) = ARIMA(1, 0, 0)


RA
 Es un proceso autorregresivo de primer orden, AR(1), representa una variable
cuyo valor actual esta relacionado con su valor anterior.
 El proceso AR(1) se reconoce por una FAC infinita con caı́da rápida exponencial
y una FACP que se anula a partir del segundo rezago, tiene “vida” hasta el primer
rezago. Si los datos tienen media, es necesario especificar un término constante.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 36 / 43


Modelos de Proyección Univariados: ARIMA

FT
Modelos de Media Móvil: MA(q)

 El modelo MA(q) incorpora la información de la últimas q innovaciones

yt = δ + et − θ1 et−1 − θ2 et−2 − ... − θq et−q


= δ + θq (L)et
RA
 En particular un MA(1) = ARIMA(0, 0, 1)
 El proceso MA(1) se reconoce por una FACP infinita con caı́da rápida exponencial
y una FAC que se anula a partir del segundo rezago, tiene “vida” hasta el primer
rezago.
LOS PROCESOS MA SIEMPRE CUMPLEN LA CONDICIÓN DE
ESTACIONARIEDAD.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 37 / 43


Modelos de Proyección Univariados: ARIMA

FT
Resumen de los Modelos ARIMA

 En resumen se podrı́a decir que el componente MA se revisa en la FAC y el


componente AR en la FACP

RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 38 / 43
Modelos de Proyección Univariados: ARIMA

FT
Resumen de los Modelos ARIMA (cont.)

Pasos para la propuesta y estimación de modelos ARIMA:


 Definir la variable objeto de estudio. (información de la variable igualmente
espaciada).
 Validar estacionariedad de la variable. Test de raı́z unitaria (ADF, PP, KPSS,. . . ).
RA
Definir si se va a analizar yt , M yt , ...
 Evaluar si se tiene una serie ruido blanco, caminata aleatoria o una serie pronos-
ticable bajo esta metodologı́a.
 Proponer el modelo ARIMA analizando la FAC y FACP de yt , M yt , ..., de acuerdo
con el número de raı́ces unitarias de la variable yt .

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 39 / 43


Modelos de Proyección Univariados: ARIMA

FT
Resumen de los Modelos ARIMA (cont.)

 Estimar los parámetros del modelo ARIMA (componentes ARMA) y evaluar sig-
nificancia estadı́stica.
 Evaluar estacionariedad e invertibilidad del proceso propuesto y estimado (inver-
sos de las raı́ces de los polinomios de rezago asociados-circulo unitario).
RA
 Evaluar aleatoriedad-ruido banco de los residuos del modelo estimado (Test LB).
 Calcular estadı́sticas de error. (comparar frente a otras propuestas)
 Pronosticar (puntual o por intervalo).

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 40 / 43


FT
¡MUCHAS GRACIAS!
Franco A. Mansilla Ibañez
FMANSILLA@FEN.UCHILE.CL
RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 41 / 43
FT
SERIES DE TIEMPO UNIVARIADOS
MODELOS AR, MA, ARMA y ARIMA

RA Franco A. Mansilla Ibañez

MF-WK PANAMÁ

October 6, 2018

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 42 / 43