Teorema: Un proceso autorregresivo de medias m oviles nito ARM A(p, q ) es estacionario s y solo s el modulo de las ra ces del polinomio

io autorregresivo p (L) est a fuera del circulo unidad. Las condiciones de estacionariedad del modelo ARM A(p, q ) vienen impuestas por la parte autorregresiva, dado que la parte de medias m oviles nita siempre es estacionaria. Para comprobar si el modelo ARM A(p, q ) es no anticipante e invertible , se estudia su representaci on autorregresiva general.

Tarea 06 Proceso tible s y solo ARMA(1,1) s el modulo de las ra ces del polinomio medias m oviles p (L) est a fuera
del circulo unidad.

Teorema: Un proceso autorregresivo de medias m oviles nito ARM A(p, q ) es inver-

Medrano de Prez Jos Antonio Las condiciones invertibilidad del modelo ARM A(p, q ) vienen impuestas por la parte de Costa medias Molina m oviles, dadoAdrian que la parte autorregresiva nita siempre es invertible porque est a direcPino Perez Eunice tamente escrita en Idzinil forma autorregresiva Jueves, 13 Marzo 204 El modelo ARM A (p, q ) va a compartir las caracter sticas de los modelos AR(p) y M A(q ) ya que contiene ambas estructuras a la vez. El modelo ARM A(p, q ) tiene media cero, varianza constante y nita y una funci on de autocovarianzas innita. La funci on de autocorrelaci on es innita decreciendo r apidamente hacia cero pero sin truncarse.
Ejemplo 3.5. Modelo ARM A(1, 1). Consideremos el modelo ARM A(1, 1) en el Yt se determina en funci on de su pasado hasta el primer retardo, la innovaci on contempor anea y el pasado de la innovaci on hasta el retardo 1: Yt = Yt1 + at at1 at RB (0, 2 ) t = 1, 2, . . . (3.13)

Garca Carmona Braulio

La estructura de dependencia temporal representada por este modelo es: . . . Yt2 Yt1 Yt Yt+1 Yt+2 . . . % % % % % % ... at2 at1 at at+1 at+2 ... 39

SARRIKO-ON 4/09

An alisis de Series Temporales: modelos ARIMA

La memoria de este proceso es larga debido a la presencia de estructura autorregresiva. La perturbaci on at inuye directamente en Yt y en Yt1 , pero de forma indirecta, a trav es de la cadena de dependencia temporal de las Y , inuye en todo el futuro del proceso. Para comprobar la estacionariedad, se calculan las ra ces del polinomio autorregresivo: 1 1 1 L = 0 L = |L| = || < 1 Para comprobar la invertibilidad, se calculan las ra ces del polinomio medias m oviles: 1 1 1L = 0 L = |L| = || < 1 Las caracter sticas del proceso ARM A(1, 1) estacionario son: a) Media: E (Yt ) = E ( Yt1 + at at1 ) = E (Yt ) b) Funci on de autocovarianzas: 0 = E (Yt E (Yt ))2 = E (Yt )2 = E ( Yt1 + at at1 )2 = = 2 E (Yt1 )2 + E (at )2 + 2 E (at1 )2 + 2 E (Yt1 at ) 2 E (Yt1 at1 ) 2 E (at at1 ) = 2 0 + 2 + 2 2 2 2 = 0 = (1 + 2 2 ) 2 1 2 (1 ) E (Yt ) = 0 E (Yt ) = 0

= 2 0 + (1 + 2 2 ) 2

1 = E (Yt E (Yt ))(Yt1 E (Yt1 )) = = E (Yt Yt1 ) = E [( Yt1 + at at1 ) Yt1 ] = = E (Yt1 )2 + E (Yt1 at ) E (Yt1 at1 ) = 0 2 2 = E (Yt E (Yt ))(Yt2 E (Yt2 )) = E (Yt Yt2 ) = = E [( Yt1 + at at1 ) Yt2 ] = = E (Yt1 Yt2 ) + E (Yt2 at ) E (Yt2 at1 ) = 1 Para derivar los resultados siguientes, hay que tener en cuenta que: E (Yt1 at1 ) = E [( Yt2 + at1 at2 ) at1 ] = E (at1 )2 = 2 40

An alisis de Series Temporales: modelos ARIMA La funci on de autocovarianzas de un 0 = k = = 1 k = ARM A(1, 1) es: (1 + 2 2 ) 2 1 2 k=0 k=0 k>1

SARRIKO-ON 4/09

0 2 k1

Como se puede observar, la varianza cuenta con una parte que proviene de la parte de medias m oviles, otra que proviene de la parte autorregresiva y una tercera que es la interacci on entre ambas partes del modelo. La autocovarianza de orden 1, 1 , es la suma de la autocovarianza de orden 1 de la parte AR(1) y de la autocovarianza de orden 1 de la parte M A(1). A partir del retardo 1, la parte medias m oviles del modelo no aparece de forma expl cita en la FACV, dependiendo esta s olo de la estructura autorregresiva. Esta FACV es una funci on innita, que depende de los par ametros AR, , y M A, , hasta k = 1 y luego decrece exponencialmente, siguiendo la estructura marcada por la parte autorregresiva de primer orden. La funci on de autocorrelaci on de un ARM A(1, 1) es: 2 1 = 0 k = k = k1

k=0 k>1

La FAC presenta la misma estructura que la funci on de autocovarianzas, es decir, es una funci on innita cuyo primer coeciente, 1 , depende de los par ametros autorregresivos y de medias m oviles, pero a partir del retardo 2, decrece exponencialmente, siguiendo la estructura dada por la parte autorregresiva de orden 1. En el gr aco 3.5, se observan dos ejemplos de funciones de autocorrelaci on de modelos ARM A(1, 1) para diferentes valores de los par ametros. Aunque las FAC que aqu se muestran son como las de un AR(1), las estructuras posibles para un ARM A(1, 1) son m as variadas, debido a la contribuci on de la parte medias m oviles del modelo en la determinaci on del primer coeciente. Gr aco 3.5: Procesos Autorregresivo de Medias M oviles: ARMA(1,1)
1 1 0,8 0,8

0,6

0,6

0,4

0,4

0,2

0,2

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0 1 -0,2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

-0,4

-0,4

-0,6

-0,6

-0,8

-0,8

-1

-1

Los resultados obtenidos para el modelo ARMA m as sencillo, el ARM A(1, 1), se pueden generalizar para el modelo ARM A(p, q ) y concluir que su funci on de autocorrelaci on ser a innita, 41

SARRIKO-ON 4/09

An alisis de Series Temporales: modelos ARIMA

con los q primeros coecientes, 1 , . . . , q , dependiendo de los par ametros autorregresivos y de medias m oviles. A partir del retardo q , que es el orden de la parte media m ovil del modelo, sus par ametros no aparecen de forma expl cita en la FAC y est a decrece r apidamente hacia cero siguiendo la estructura marcada por la parte autorregresiva de orden p, es decir, como funciones exponenciales si todas las ra ces del polinomio autorregresivo, p (L) , son reales, o en forma onda seno-coseno, si este polinomio tiene ra ces complejas. El modelo ARM A(p, q ) (3.12) se puede generalizar para que su media no sea nula. Basta con a nadir una constante al proceso estacionario: Yt = + 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq at RB (0, 2 )

Este modelo tiene las mismas caracter sticas din amicas que el modelo (3.12), la u nica diferencia es que su media no es cero: E (Yt ) = E ( + 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq ) E (Yt ) = + 1 E (Yt ) + . . . + p E (Yt ) (1 1 . . . p ) E (Yt ) = E (Yt ) = 1 1 . . . p

42