Академический Документы
Профессиональный Документы
Культура Документы
PROCESO ESTACIONARIO:
Habitualmente, conocer esas
funciones de distribucin resulta
complejo.
E (Yt) = (1)
E (Yt) = (1)
4
3
2 El valor promedio
1 de la serie debe
0
tener una media
-1
constante a travs
-2
-3
de la historia, es
-4 decir, en la medida
-5 en que pasa el
10 20 30 40 50 60 70 80 90 00
tiempo, el valor
Y (serie hipotetica)
promedio de Yt no
debe depender de
l.
ANALISIS DE SERIES DE TIEMPO
4
Var (Yt) = 2
3
1 La varianza debe
0 mantenerse sin
-1 variacin en la
-2 medida en que
-3 pase el tiempo, es
10 20 30 40 50 60 70 80 90 00
decir, debe ser
Y (serie hipottica)
independiente del
mismo.
ANALISIS DE SERIES DE TIEMPO
Yt * (Yt 1) /
3,400
8.12
3,300
8.08
3,200
8.04
3,100
8.00
3,000
2,900 7.96
2,800 7.92
25 50 75 100 125 150 175 200 225 250 25 50 75 100 125 150 175 200 225 250
ANALISIS DE SERIES DE TIEMPO
DLTCN
.03
Ejemplo1:
.02
Al LTCN se le
.01
aplica la primera
.00
diferencia .
-.01
-.02
-.03
El resultado es
una serie
-.04
25 50 75 100 125 150 175 200 225 250 estacionaria.
ANALISIS DE SERIES DE TIEMPO
despejando
Yt Yt 1 U t
Yt U t
se tiene entonces que:
ANALISIS DE SERIES DE TIEMPO
Ejercicio
Presentan las variables COLCAP e
IGBC estabilidad en media y en
varianza?
Si su respuesta es negativa,
transfrmelas en estacionarias.
ANALISIS DE SERIES DE TIEMPO
t 1
Ejemplo
ANALISIS DE SERIES DE TIEMPO
j 1
Ejemplo
ANALISIS DE SERIES DE TIEMPO
Una serie estacionaria debe mostrar que
las autocorrelaciones (spikes) caen
rpidamente.
TEST DE DICKEY-FULLER
Yt Yt 1
Se parte de la siguiente regresin: Ut
Restando a ambos lados de la ecuacin Yt-1
Yt Yt 1 Yt 1 Yt 1 U t
Reorganizando y factorizando
Yt Yt 1 U t
Donde
( 1)
ANALISIS DE SERIES DE TIEMPO
Yt U t
Por lo que su primera diferencia es
estacionaria, y por tanto, en nivel es NO
estacionaria. Presenta una raz unitaria.
ANALISIS DE SERIES DE TIEMPO
EJEMPLO: LTCN
ANALISIS DE SERIES DE TIEMPO
EJEMPLO: LTCN
MODELOS ARIMA
MODELOS AR(p)
Un modelo AR(p), es un proceso
autorregresivo el cual plantea que el
valor de una series de tiempo en el
periodo actual est explicado por un
promedio ponderado de sus propios
valores rezagados en el tiempo hasta el
periodo (p), mas un termino aleatorio de
error del periodo actual.
Un C 1Yt AR(p)
Yt proceso 1 2Ytse ..... pentonces
2 denota Yt p U t
como:
MODELOS ARIMA
PROPIEDADES
En un modelo AR(p), la suma (resta) de
los valores que asumen los k en valor
absoluto, deben ser menor que la
unidad.
PROPIEDADES
Dado que la serie debe ser estacionaria,
entonces la FAC debe caer rpidamente
(memoria corta).
PROPIEDADES
En trminos generales:
La FAC debe caer rpidamente de
manera exponencial, alternante o de
ambas formas.
La FACS muestra que el(los) rezago(s)
significativo(s) se salen de las lneas
punteadas, y a partir del rezago (p),
todos los dems son cero.
I1I <1
1 + 2 <1
1 - 2 <1
La FAC y la FACS lucen para un AR(1) as:
MODELOS ARIMA
MODELOS ARIMA
Hgamoslo en eviews!
MODELOS ARIMA
MODELO MA(q)
Un modelo MA(q), es un proceso de
promedios mviles el cual se caracteriza
por plantear que la observacin de la
serie en el periodo actual Yt, es generada
por un promedio ponderado de
perturbaciones aleatorias que se
remontan a (q) periodos de la siguiente
forma:
Yt C t 1 t 1 2 t 2 ..... q t q
MODELOS ARIMA
PROPIEDADES
En un modelo MA(q), la suma (resta) de
los valores que asumen los k, deben ser
menor que la unidad.
En los modelos MA(q) la media no
depende del tiempo, y la varianza
tampoco:
C Var (Yt ) 2 (1 2 )
1
PROPIEDADES
En trminos generales:
La FAC muestra el(los) rezago(s)
significativo(s) se salen de las lneas
punteadas, y a partir del rezago (q),
todos los dems son cero.
La FACS debe caer rpidamente de
manera exponencial, alternante o de
ambas formas.
I1I <1
1 + 2 <1
1 - 2 <1
La FAC y la FACS lucen para un MA(1) as:
MODELOS ARIMA
MODELOS ARIMA
Hgamoslo en eviews!
MODELOS ARIMA
Modelo ARMA(p,q)
Un modelo ARMA se define como un proceso aleatorio
estacionario, I(0).
PROPIEDADES
En trminos generales:
La FAC y la FACS caen rpidamente hacia
cero. (memoria corta ya que es un
proceso estacionario).
PROPIEDADES
En trminos generales:
ARIMA(p,d,q)
MODELOS ARIMA
Hgamoslo en eviews!
MODELOS ARIMA
PREDICCION
Una vez conocida la estructura del
modelo ARIMA, solo resta para
predecir, despejar o desenvolver el
modelo para indagar por el
comportamiento futuro de la serie.
Hgamoslo en eviews!