Академический Документы
Профессиональный Документы
Культура Документы
Programa de Economa
Modelos Univariados de Series de Tiempo y
Pronstico
Basado en captulo 3 de Franses et al (2014)
Procesos estocsticos
Definicin 1: Un proceso estocstico es una
sucesin de variables aleatorias ordenadas en
el tiempo (en el caso de series temporales).
Definicin 2: Una serie temporal es una
realizacin del proceso estadstico, es decir, es
una observacin de T variables aleatorias
ordenadas en el tiempo.
Estacionariedad
Definicin:
Un
proceso
estocstico
es
estacionario en sentido estricto o fuerte cuando
la distribucin de probabilidad conjunta de
cualquier parte de la secuencia de variables
aleatorias es invariante del tiempo.
F ( xt , xt 1 ,..., xt k ) F ( xt , xt 1 ,..., xt k )
El modelo probabilstico de la serie no
cambia a travs del tiempo.
Estacionariedad
Definicin: Un proceso estocstico es
estacionario en sentido dbil si los
momentos del primero y segundo orden
de la distribucin (esperanzas, varianzas,
covarianzas) son constantes a largo del
tiempo.
E ( xt ) ,
para todos los t .
E ( xt t ) 2 2
E xt t xt t ,
para todos t y .
Estacionariedad
Definicin: Homogenizacin de una serie
temporal es cuando a travs de una
transformacin la serie temporal es
estacionaria.
Queremos tener una serie temporal con
una media y varianza (ms o menos)
constante a largo del tiempo.
Estacionariedad
E[( yt )( yt )]
2
2
t t
E ( yt t ) E ( yt t )
11 t 1
yt 21 yt 1 22 yt 2 vt
yt k1 yt 1 k 2 yt 2 ... kk yt k vt
xt
Nota: Si la esperanza de
no es cero, hay
que aadir una constante en cada regresin.
La funcin de autocovarianza
La funcin de autocovarianza se puede
estimar a travs de la funcin de
autocovarianza muestral:
T
T 1 ( yt y )( yt y )
t 1
(y
t 1
y )( yt y )
2
(
y
y
)
t
t 1
t t 1
es un proceso estocstico de ruido
blanco si;
E ( t ) 0
2
2
E ( t ) V ( t )
E ( ) 0
t t
para todos t
para todos t
para todos t y 0
Procesos lineales
Definicin: Un proceso estocstico
es lineal cuando lo podemos escribir
como una funcin de una combinacin
lineal (posiblemente infinita) de variables
aleatorios de ruido blanco.
xt t 1 t 1 2 t 2 ...
j t j
j 0
Procesos lineales
Hay tres tipos de procesos estocsticos lineales;
Autoregresivos (AR)
Media mvil (MA)
ARMA (la combinacin de AR y MA)
AR ( p );
yt 1 yt 1 2 yt 2 ... p yt p t
MA(q );
yt t 1 t 1 2 t 2 ... q t q
ARMA( p, q );
yt 1 yt 1 ... p yt p t 1 t 1 ... q t q
Procesos lineales
Se puede introducir una constante para tener
procesos con una media 0 .
Se puede expresar los procesos con un
polinomio de operadores de retardos. El
operador de retardos L esta definido por;
Lyt yt 1
Lk yt yt k
Procesos lineales
Utilizando el operador de retardos y la
generalizacin con la constante,
,
podemos escribir los procesos:
AR ( p ); p ( L) yt t
MA(q );
yt q ( L) t
ARMA( p, q ); p ( L) yt q ( L) t
p ( L) 1 1 L 2 L2 ... p Lp
p ( L) 1 1 L 2 L2 ... q Lq
Procesos lineales
Teorema de Wold. Cualquier proceso
estocstico
estacionario
se
puede
representar con una suma de dos
procesos.
yt d t u t
j 0
t j
Procesos lineales
El proceso MA() se puede aproximar a travs
modelos lineales, cuando el polinomio infinito (L)
se puede aproximar bien con un cociente de
dos polinomios en:
q ( L)
L : ( L )
p ( L)
Transformaciones
puede
hacer
series
estacionarias y la teorema permite crear modelos
relativamente sencillos a partir de modelos
lineales.
p ( L) (1 1 L 2 L ... p L ) 0
2
j 1
j 1
j t j
1 j 0
yt
E ( yt t h ) E
2
t t 1 t 2 ... t h 0
1
j
E ( yt ) E
t j
1 j 0
1
( E ( yt ) E ( yt 1 ) )
Con estacionariedad
tenemos el mismo resultado;
E ( yt ) E ( yt 1 t ) (1 ) 1
0 E ( yt ) 2 E
j 0
t j
2 j 2 2
1
j 0
E ( ~y ~y ) E ((~y ) ~y )
t 1
yt 1 yt 1 2 yt 2 t
(1 1 L 2 L2 ) yt t
2 ( L ) yt t
donde 2 ( L) (1 1 L 2 L2 )
2 1 1
2 1
yt t 1 t 1 2 t 2 ... q t q
q ( L) t
Estos procesos siempre son estacionarios (los
momentos de primer y segundo orden son
siempre finitas y constantes a largo del tiempo).
Una condicin (que hay que comprobar) para
estos procesos es que son invertibles.
yt t 1 t 1
Autocovarianza:
1 E ( yt )( yt 1 ) E ( t 1 t 1 )( t 1 1 t 2 ) 1 2
2 E ( yt )( yt 2 ) E ( t 1 t 1 )( t 2 1 t 3 ) 0
0 2
1
1
2
(1 1 )
0
2
1k (1 12 )
kk
1 12 ( k 1)
1
1 12
2 12
12
22
2
1 1
1 12 14
3 13 1 22 2 1 2 12 3
13
33
2
2
2
1 2 1 2 2 1 2
1 2 12
2
1 1
1 2
2
1 1
13
1 12 14 16
(1 1L 1L ) 0
2
1 12 22 q2 2
si q
0
MA()
ARMA(1,1)
yt yt 1 t 1 t 1
(1 1 ) 1
1 211 12 2
0
1 12
FAS:
(1 11 )(1 1 )
1 211 12
1 1
1
1
ARMA(1,1)
ARMA(p,q)
p (1)
Representar con MA() :
1
yt j t j ( L) t
j 0
0 E ( yt )
2
j
j 0
Procesos autoregresivos
integrados media mvil;
ARIMA(p,d,q)
r* d ( L)
r d
Donde
no incluye races unitarias y d
es el nmero de races unitarias.
ARIMA(p,d,q)
ARIMA(p,d,q)
Si una serie presenta un correlograma
como un AR(1) con 1 ; FAS est muy
cerca 1, y no caen rpidamente.
ARIMA(p,d,q)
Si aplicamos el operador de diferencia
cuando no es necesario (sobrediferenciar), tendremos un MA(1) que no
es invertible.
Por ejemplo: Ruido blanco;
ARIMA(p,d,q)
Cuando el orden de diferencia se ha
decidido
, se puede escribir un
procesos ARIMA como AR() o un MA() .
66