Modelos ARIMA

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

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!.

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.

Introduccón
FT
Pronósticos Financieros
RA
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)

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.

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
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
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-

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

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

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

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.

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

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)

FT
Medidas Estadı́stica de Error - Caracterı́sticas y Desventajas.
MSE:
RMSE:
RA
FT
Medidas Estadı́stica de Error - Caracterı́sticas y Desventajas (cont.).
MAE:
MAPE:
RA
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).

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.

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.

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)

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 )

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.

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

FT
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.

FT
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.

FT
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?
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.

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.

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.

FT
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
FT
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).
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.)
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.

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.

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.

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
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 .

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).

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

Modelos ARIMA

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Modelos ARIMA

Загружено:

Авторское право:

Доступные форматы

FT

SERIES DE TIEMPO UNIVARIADOS

RA Franco A. Mansilla Ibañez

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

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

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

 La ayudantia se guiara para COMPLEMENTAR lo aprendido del profesor.

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

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

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

 Tipo de Efecto: Lineales vs no Lineales.

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

 Proceso estocástico es un conjunto de variables aleatorias asociadas a distintos

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

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

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

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

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

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

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

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

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

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

 Son puntos de la serie que se es-

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

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

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

 Error Porcentual Absoluto Medio (MAPE )

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

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

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

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

 Dentro de muestra vs Fuera de Muestra.

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

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

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

un mismo tópico, que es la Serie de Tiempo.

 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)

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

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

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

 Memorias de Corto Plazo, Ergodicidad:

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.

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

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

yt = yt−1 + et et es Ruido Blanco.

 Se puede reescribir como:

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

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

 En resumen, para un proceso:

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

 Estadı́stico Q-Prueba Conjunta:

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

 Estadı́stico Ljung − Box pero para muestras grandes:

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

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

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

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

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

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

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

La ayudantia se guiara para COMPLEMENTAR lo aprendido del profesor.

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

Tipo de Efecto: Lineales vs no Lineales.

Proceso estocástico es un conjunto de variables aleatorias asociadas a distintos

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

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

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

Son puntos de la serie que se es-

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

Error Porcentual Absoluto Medio (MAPE )

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

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

Dentro de muestra vs Fuera de Muestra.

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

Se puede representar de la siguiente forma:

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

Memorias de Corto Plazo, Ergodicidad:

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

Se puede reescribir como:

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

En resumen, para un proceso:

Estadı́stico Q-Prueba Conjunta:

Estadı́stico Ljung − Box pero para muestras grandes:

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

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

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

A menudo, la tendencia de una se-

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

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

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

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