Академический Документы
Профессиональный Документы
Культура Документы
MF-WK PANAMÁ
October 6, 2018
FT
Información Personal
Correo: fmansilla@fen.uchile.cl
FT
Objetivos de la Ayudantia
FT
Qué debemos responder con los modelos?
FT
Pronósticos Financieros
RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 5 / 43
Introduccón
FT
Clasificación de Modelos Econometricos
FT
Descripción de una Serie de Tiempo.
FT
Descripción de una Serie de Tiempo (cont.)
RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 6, 2018 8 / 43
Series de Tiempo
FT
Patrones de una Serie de Tiempo
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
FT
Patrones de una Serie de Tiempo: CICLO Ct
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
FT
Patrones de una Serie de Tiempo: IRREGULAR It
FT
Patrones de una Serie de Tiempo: OUTLIERS
FT
Estadistica de Error, medidas básicas
FT
Medidas Estadı́stica de Error (cont.).
1 X | Yt − Ŷt |
MAPE = (4)
n | Yt |
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)
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.).
FT
Proceso de Evaluación y Ajuste.
FT
Conceptos de Modelos ARIMA
FT
Conceptos de Modelos ARIMA (cont.)
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)
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.
FT
Estacionariedad y sus Propiedades (cont.)
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
lim γτ = 0
τ →α
FT
Ruido Blanco y sus Propiedades
E (εt ) = 0 ∀t
E (ε2t ) = V (σε2 )
E [(εt − εt+τ )] = γτ ∀t, τ 6= 0
FT
Ruido Blanco y sus Propiedades
Ejemplos:
{yt } → es un Proceso Caminata Aleatoria, si:
j=1
ej
FT
Ruido Blanco y sus Propiedades
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.
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
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.
FT
Test de Raı́z Unitaria o de Estacionariedad
FT
Test de Raı́z Unitaria o de Estacionariedad (cont.)
σe2
σy2t = (9)
(1 − α2 )
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.
FT
Procesos Integrados I (d) (cont.)
FT
Modelos Autoregresivos: AR(p)
FT
Modelos de Media Móvil: MA(q)
FT
Resumen de los Modelos ARIMA
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.)
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).
MF-WK PANAMÁ
October 6, 2018