ECONOMETR II: IA ECONOMETR DE SERIES TEMPORALES IA

Modelacin con ARMA o

Mtodo Box-Jenkins: e Un libro que ha tenido una gran inuencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and Control. San Fransisco: Holden-Day En este libro se propone un mtodo de modelacin con modelos e o ARMA que ha sido y sigue siendo muy utilizado Este mtodo se conoce como el mtodo Box-Jenkins e e (Box-Jenkins methodology) Nota: Casi siempre se trata de modelos ARMA cuando se habla del mtodo Box-Jenkins e

Mtodo Box-Jenkins (cont.): e En resumen, el mtodo Box-Jenkins tiene como objetivo e encontrar un (o varios) modelo(s) simple(s), es decir, un modelo con pocos parmetros (principle of parsimony) y adecuado, y el a mtodo tiene 4 pasos: e 1. Identicacin. Consiste en transformar los datos, si es o necesario, para que la hiptesis de estacionariedad sea o adecuada, y en elegir los ordenes p,q 2. Estimacin. Consiste en estimar el modelo ARMA(p, q) o 3. Diagnosis. Consiste en comprobar que las propriedades emp ricas corresponden a las hiptesis del modelo o 4. Prediccin. Utilizar el modelo para predecir o

Mtodo Box-Jenkins (cont.): e Versin moderna del mtodo Box-Jenkins: o e

Identificacin

Estimacin

Diagnosis Seleccin

3 4 5

Previsin

Identicacin: o Muchas veces, aplicando el operador diferencia se obtiene una serie estacionaria Terminolog Una serie {yt } es integrada (integrated) de a: orden d si d yt es una serie estacionaria. Tambin se dice que d e es el orden de integracin (order of integration) o Notacin: yt I (d) y ARIMA(p, d, q), donde d 0 o Si d no es un nmero entero, por ejemplo, si d = 0.6 o si u d = 2.6, decimos que el orden d es fraccional (fractional integration) Nota: En este curso no vamos a ver integracin fraccional, o siempre vamos a tratar las series como integradas de orden entero, es decir, de orden 0, 1, 2, . . .

Identicacin (cont.): o Ejemplos: Si yt no es estacionaria, pero yt lo es, entonces escribimos yt I (1) Si ni yt , ni yt son estacionarias, pero 2 yt lo es, entonces escribimos yt I (2) . . . etc. Si yt ya es estacionaria, entonces escribimos yt I (0)

Identicacin (cont.): o Como encontramos el orden de integracin adecuado? o Para apoyar o rechazar una hiptesis de orden d = 1, por o ejemplo, podemos utilizar varios tipos de informacin: o (a) Inspeccin visual de grcos o a (b) Propiedades y tests estad sticos (c) Sentido comn u (d) Teor a Nota: Hay casos en los que los investigadores no estn de a acuerdo. Por ejemplo, hay casos en que no estn de acuerdo de si a pt I (1) o si pt I (2), donde pt denota un ndice de precios en logaritmos

Identicacin (cont.): o (a) Inspeccin visual de grcos: o a Es la serie creciente durante toda la muestra? Oscila la serie alrededor de un valor constante? Es la magnitud de la oscilacin constante? o Hay puntos de cambio estructurales?

Identicacin (cont.): o (b) Propiedades y tests estad sticos Los tests estad sticos de estacionariedad los vamos a ver ms a tarde (Tema VII; contrastes de ra unitaria) z Qu son las propiedades de la FAC (ACF)? e Qu son las propiedades de la FACP (PACF)? e

Identicacin (cont.): o Nota: Aunque la FAC y la FACP pueden ser utiles para determinar el orden de integracin, los usamos sobre todo para o determinar p y q Recordamos: La FAC es la serie {k }, donde k = Para estimar k utilizamos el estimador k = donde k = 1 T 1 T
T k 0

k 0

(yt )(ytk )
t=k+1 T

k = 0, 1, . . . , T 1

yt
t=1

Identicacin (cont.): o Prueba de la Q: H0 : i = 0 para i = 1, . . . , k H1 : al menos un i = 0

k

Box-Pierce : Q = T
i=1

i 2 (k)

Ljung-Box : Q = T (T + 2)
i=1

2 i 2 (k) T k

Nota: La prueba de Ljung-Box es una modicacin de o Box-Pierce y mejor en muestras pequeas n

Identicacin (cont.): o El caso MA(q). Si, aproximadamente, { t } N(0, 2 ): Var (k ) = 1 (1 + 2 T

k1

2 ), para todo k > q k

j=1

Rechazamos la hiptesis nula k = 0 si o |k | > 1.96 Var (k ). Recuerda: 5% 1.96 desviaciones t picas Recordamos: AR(p): k decae (por ejemplo, para un AR(1) tenemos que k = k ) 1 MA(q): k = 0 para todo k > q

Identicacin (cont.): o Denicin: Funcin de autocorrelacin parcial (FACP). La o o o autocorrelacin parcial entre yt y ytk es la correlacin entre yt y o o ytk menos la parte explicada por yt1 , yt2 , . . . , ytk+1 : = Corr [yt E (yt |yt1 , . . . , ytk+1 ), ytk ] k donde E (yt |yt1 , . . . , ytk+1 ) es el predictor de m nimos cuadrados de yt respecto a yt1 , yt2 , . . . , ytk+1 , y donde yt E (yt |yt1 , . . . , ytk+1 ) es el residuo La FACP puede ser util para eligir el orden p Por ejemplo, si estimamos un AR(1) pero una estructura AR(2) es mas adecuada, entonces la FACP nos lo indicar a

Identicacin (cont.): o La regresin lineal o yt = b0 + b1 yt1 + b2 yt2 + + bk ytk + et , estimada con M nimos Cuadrados Ordinarios (MCO), nos da una : b = estimacin de k k o k
1 Si, aproximadamente, N(0, T ): k

H 0 : = 0 k H 1 : = 0 k
Rechazamos H0 si | | > 1.96 k T Recuerda: 5% 1.96 desviaciones t picas

Estimacin: o Normalmente los modelos ARMA se estiman con M nimos Cuadrados No Lineales (MCNL, NLS) y Mxima Veromisilitud a (MV, MLE) Para ello se usan mtodos numricos e e Un criterio, entre otros, de xito: Convergencia e EViews utiliza MCNL: Se dice Convergence achieved after x iterations, entonces hay convergencia Si se dice Convergence not achieved after x iterations, entonces no hay convergencia Cambiar criterios de convergencia; cambiar valores iniciales; cambiar orden p y q

Diagnosis: Objetivo: Determinar si el modelo ARMA es adecuado Es decir, comprobar que las hiptesis del modelo son adecuadas o Es { t } ruido blanco? Comprueba que Cov ( t ,
tk )

= 0: FAC de {t }

Comprueba que Var ( t ) es constante: FAC de {2 } t Si suponemos ruido blanco Gaussiano: Test de normalidad (Jarque-Bera) Son los parmetros estables? a Tests de Chow, Test de Ramsey (RESET)

Diagnosis (cont.): Prueba de la Q (Ljung-Box) aplicado a los residuos de un modelo ARMA(p, q): H0 : Corr ( t ,
ti )

= 0 para i = p + q, . . . , k
ti )

H1 : al menos un Corr ( t ,
k

=0

Q = T (T + 2)
i=p+q

2 i 2 (k p q 1) T k
t1 )

Prueba de Durbin-Watson: Valor igual a 2 Cov ( t ,

=0

Seleccin: o Objetivo: Seleccionar un modelo (o algunos modelos) simple(s) entre varios candidatos adecuados Algunos mtodos de seleccin son: e o 1. Elegir el modelo o los modelos con menor Akaike Information Criterion (AIC) o Schwarz Bayesian Criterion (SBC) 2. Modelacin de lo simple a lo general (simple to general) o 3. Modelacin de lo general a lo simple (general to simple) o 4. Combinacin de 1., 2. y 3. o

Seleccin (cont.): o Nmero de parmetros , suma de errores cuadrados (mejor u a ajuste) Si s = 1 + p + q (nmero de parmetros), busca modelo con u a menor:
1 Akaike Information Criterion (AIC): ln( T 1 Schwarz Bayesian Criterion (SBC): ln( T 2 t t )

+2s

2 t t ) + ln(T ) s

Es decir, busca modelo con menor AIC o SBC SBC penaliza ms el nmero de parmetros que AIC (porque a u a ln T > 2 cuando T > 7)

Seleccin (cont.): o Nota: EViews utiliza versiones de AIC y SBC un poco diferentes Si l denota el logaritmo de la funcin de verosimilitud Gaussiana o y s es el nmero de parmetros (ejemplo: en el caso ARMA(p, q) u a tenemos que s = 1 + p + q + 1) entonces:
l s EViews AIC: 2( T ) + 2( T ) l EViews SBC: 2( T ) + s ln T T

Busca modelo con menor AIC o SBC SBC penaliza ms el nmero de parmetros que AIC (porque a u a ln T > 2 cuando T > 7)

Seleccin (cont.): o Los mtodos 2. y 3., es decir, de lo simple a lo general y de e lo general a lo simple, buscan tambin un modelo simple, pero e con parmetros signicativos a Es decir, aunque un modelo con menos trminos es mejor que e otro con ms trminos segn AIC o SBC, 2) y 3) eligen el modelo a e u con ms trminos si estos son signicativos a e Recuerda queaproximadamenteun parmetro es signicativo a al 5% si el valor |t| > 2, y si los residuos son aproximadamente Gaussianos

Seleccin (cont.): o Ejemplo. Seleccin del mejor modelo(s) ARMA de log PIBt o utilizando EViews:
0 (p-val) 0.04 (0.00) 0.041 (0.00) 0.04 (0.00) 0.04 (0.00) 1 (p-val) 0.19 (0.17) 0.14 (0.68) 1 (p-val) 0.25 (0.07) 0.06 (0.87) Q (p-val) 1.81 (0.18) 0.51 (0.48) 0.27 (0.61) 1.26 (0.26) Q2 (p-val) 0.48 (0.49) 3.56 (0.06) 1.45 (0.23) 3.42 (0.06) AIC -3.45 -3.58 -3.46 -3.54 SBC -3.41 -3.50 -3.38 -3.43

ARMA(0,0) ARMA(1,0) ARMA(0,1) ARMA(1,1)

Seleccin (cont.): o Dado un nivel de signicacin del 10%: o Mtodo 1: Segn AIC eliges ARMA(0,1), segn SBC eliges e u u ARMA(0,0) Mtodo 2: Eliges ARMA(0,1) e Mtodo 3 y 4? e Nota: Utilizando otros tests para el diagnstico (por ejemplo el o test Durbin-Watson) podr cambiar el modelo seleccionado a

Previsin: o Objetivos: 1. Predecir (forecast, predict) una variable econmica o 2. Comprobar que la teor es decir el modelo, funciona en a, la prctica a 3. Utilizar la previsin fuera de muestra como un mtodo de o e seleccin del modelo o Teor de prediccin: Tema III a o

Previsin (cont.): o Una estrategia sencilla para comprobar si un modelo funciona en la prctica es utilizar una parte de la muestra para la estimacin, y a o la otra parte para la previsin o Si las propiedades del error { t } son las mismas dentro y fuera de la muestra, entonces la teor funciona en la prctica a a La previsin fuera de la muestra se puede tambien utilizar como o un mtodo de seleccin de modelo(s) e o Sin embargo, el fallo de previsin (forecast failure) fuera de o muestra puede ocurrir por razones de cambios estructurales, y no necesariamente porque el modelo no es bueno

Referencias: Box, G. E. and G. M. Jenkins (1976). Time Series Analysis: Forecasting and Control. San Fransisco: Holden-Day. Revised Edition.