El prximo da nos reunimos directamente en el AULA de Laboratorio.

Est reservado como si

fuera un Jueves.
Haremos tres cosas: (podis conocer su contenido)
1) Terminar la estimacin del modelo ARIMA de la serie individual.
2) Hacer el Forecast (manualmente).
3) ompro!ar dic"o a#uste $ prediccin manual con el automatismo de %vie&s. ensus '12 (sa(
s)( tc) $ Tramo *eats con )orecast "ori+on. Am!os mtodos se encuentran dentro del !otn
,-roc. de una serie activada $ en el su!men/ de ,*easonal Ad#ustment..
3.1. Reali+ar este mismo e#ercicio en el pro0rama T*1 (Tramo*eats) del 2anco de %spa3a.
"ttp:44&&&.!de.es4servicio4so)t&are4ts&."tm
-asos del procedimiento5mtodo ARIMA. Modelos ARIMA.
-or supuesto( en este punto( el alumno $a sa!e la teor6a !7sica para reali+ar un modelo ARIMA. %ste
contenido solo a$uda4apo$a a la reali+acin pr7ctica del tra!a#o o tarea.
%l alumno de!e conocer los !otones clave de %vie&s para el procedimiento manual $ para el
procedimiento autom7tico (revisar !otn ,-roc. de una serie $ sus opciones del men/ ,*easonal
ad#ustment. $ ,%8ponential *moot"in0.).
Insistimos( estos pasos se reali+an despus de mane#ar correctamente el concepto de
,estacionariedad.( la visuali+acin 0r7)ica de la serie $ los an7lisis estad6sticos !7sicos.
-ues !ien( veamos un e#emplo del procedimiento manual: (tam!in "a$ un e#emplo en la p70ina 29:(
2;2 $ 2<; del li!ro ,-rediccin $ simulacin aplicada a la econom6a $ 0estin de empresas. $ en la
p70ina 9=: del li!ro ,Modelos economtricos.).
1. Especificacin del modelo o identificacin de los rdenes p,d,q ! ",#,$ si es
estacional%.
A&'(A p,d,q% )A&'(A ",#,$%
*. Estimacin de los parmetros del modelo ! contraste de valide+ del mismo
,. "rediccin de los valores de la serie ori-inal para el periodo . / L.
%l !lo>ue 1. es el m7s la!orioso.
1.5 ?!servar el 0r7)ico de la serie. ompro!acin de estacionariedad en media $ en varian+a mediante
estad6sticos.
2.5 Trans)ormacin previa de la serie tomando @o0aritmos.
Aenr @B C lo0(B)D corri0e la estacionariedad en varian+a( se de!e reali+ar antes del paso si0uiente
para evitar lo0aritmos de valores ne0ativos. %s necesaria en caso de "eterocedasticidad. -ermite
disponer de valores m7s constantes en la varian+a de la serie. *i es innecesario es >ue la dispersin
de la serie es parecida.
Ena !uena eleccin( con)orme a la e8periencia( es "acer una trans)ormacin lo0aritmica cuando una
varian+a (o ran0o) creciente con relacin a la media para se0mentos sucesivos de la serie.
3.5 %liminacin de la Tendencia mediante di)erenciacin re0ular ($4o en la parte estacional).
Aenr F@B C @B 5 @B(51)D una serie con tendencia lineal ser7 corre0ida simplemente con primeras
di)erencias. Ena serie con tendencia no lineal e8i0ir7 una se0unda di)erencia. Adicionalmente( si se
o!serva una tendencia en la parte estacional e8i0ir7 al0una di)erencia (FC1) en la parte estacional (12
=( mensual o trimestral( respectivamente).
*i la serie tiene tendencia( d no podr7 ser C G( se0uramente d C 1( $a >ue normalmente no "acen )alta
m7s de dos di)erencias (dC2). *i e8iste una tendencia aparte de estos valores( a veces presente en
series mensuales (12) o trimestrales (=) "a!r7 tam!in >ue considerar F C 1.
=.5 ?!servar nuevamente40ra)icamente la serie ori0inal B( la serie @B $ la serie F@B.
:.5 Identi)icacin del modelo: procesos AR(p( -) $ MA (>( H)
%s decir( determinar el orden de los procesos autorre0resivos $ de medias mviles de los
componentes re0ular $ estacional.
%sta decisin se toma tcnicamente de las )unciones de autocorrelacin total $ parcial (IA $ IA-).
*e "a puesto un linJ online a disposicin del alumno para sa!er interpretar los correlo0ramas.
9.5 Fecidido el modelo( se procede a la %stimacin de los coe)icientes del modelo mediante M?
(M6nimos uadrados ?rdinarios). Ba estamos en el 2lo>ue o -arte 2.
;.5 ontraste de Kalide+ con#unta del modelo (R2( *um *>uared Resid( t( I)
<.5 An7lisis detallado de los erroresD correlo0rama de los %rrores (revisar LoutliersM)
N.5 *eleccin del Modelo. Ba estamos en el 2lo>ue o -arte 3.
1G.5 -rediccin.
AI?O%* -RPTIA*: 2uscamos una serie no estacionaria (random &alJ o paseo aleatorio) para
ello el trmino de la pertur!acin aleatorio (de los errores) de!e ser ruido !lanco (&"ite noise): media
nula( varian+a constante $ ausencia de autocorrelacin.
Ha$ >uien reali+a un correlo0rama inicial de la serie para ver si "a$ e8cesivo ruidos indicativos de no
estacionariedad en media. B( tam!in( se "ace un 0r7)ico *AT de la media $a la desviacin t6pica. *6
cuando la media aumenta la desviacin t6pica tam!in aumenta( "a$ una relacin $ por tanto no e8iste
estacionariedad en varian+a.
2.5 Aenr @B C lo0(B) en presencia de estacionariedad en varian+a
3.5 Aenr F@B C @B 5 @B(51) en presencia de estacionariedad en media
%n este paso( de!emos detenernos $ veri)icar no solo estad6sticamente la necesidad de "acer la serie
estacionaria en media( "a!iendo seleccionado varios periodos maestrales para ver su similitud o
di)erencia( sino proceder con el !otn ,Enit Root Test. del men/ ,Kie&. cuando la serie en estudio est7
activada. T%*T F% AFI.
%n este momento( estamos en la p70. 9 del e#emplo de T%RRA del pro). R. F% AR% (ver enlace
si0uiente). *e puede apreciar el test de A. FicJe$5Iuller para la serie en Oiveles (@evel) seleccionando
primero Trend and Intercept( lue0o Intercept( $ )inalmente Oone se0/n se indica.
Kamos !uscando >ue AFI Test nos d un valor >ue supere (en trminos a!solutos) al NNQ (N:Q $
NGQ) el valor de ta!las para descartar la e8istencia de ra6+ unitaria u orden de inte0racin (si AFI es
ma$or >ue valores cr6ticos rec"a+amos la Ho >ue es la no e8istencia de estacionriedad). omo el test
plantea la Ho como e8istencia de una ra6+ unitaria (test )ormulado en pesimismo). uando la serie no
es estacionaria( presenta una ra6+ unitaria (inte0rada de orden 1) $( por tanto( aceptamos la Ho.
laramente( cuando la serie "a$a sido correctamente inte0rada o identi)icada en su orden de
inte0racin $ se le pre0unte al test so!re ,1st Fi))erence. en lu0ar de ,@evel. nos indicar7 el acierto de
nuestro dia0nstico. Kase p70. N del e#emplo citado.
%s aconse#a!le e8i0irnos el NNQ aun>ue en al0/n caso nos pueda llevar a so!redi)erenciar $a >ue el
o!#etivo es predecir con una serie estacionaria en sentido estricto.
%n el test "a$ >ue incluir el n/mero de retardo >ue nos lleve a un valor de Fur!an 1atson cercano a
2. uando con un Fur!an 1atson e8i0ido en esa ci)ra $ un AFI test superior al valor de ta!las al NNQ
podremos rec"a+ar la "iptesis nula de e8istencia de ra6+ unitaria. Ouestra serie $a es estacionaria en
media $ en varian+a.
=.5 lo >ue se indica en =.
:.5 IF%OT F@B (se escri!e en %vie&s) o se activa la serie $ se eli0e el comando ,Ident.. @a ima0en
ser7 de un ,correlo0ram. de la serie trans)ormada. %n el e#emplo( el proceso es AR(1).
*i tuviramos >ue e8plicar un proceso *ARIMA (-(F(H) en el componente autorre0resivo o de mdias
mviles( se escri!en *AR (12) $ *MA(12)( respectivamente( en caso de orden 12 t6pico de series
mensuales con e)ectos en la parte estacional.
9.5 *e reali+an M? CR @* F@B c AR(1)
;.5 *e revisan los ratios. R2( Fur!in 1atson $ t5*tatistic principalmente.
Recordemos >ue son ptimos valores de Fur!in 1atson cercanos a 2. T *tatistic ampliamente
superiores a 2. $ R2 lo m7s pr8imo posi!le de 1.GG
<.5 orrelo0ram o) Residuals (correlo0rama de Residuos) para ver si $a es ruido !lanco. IF%OT R%*IF
%l 0r7)ico de!e ser su)icientemente ilustrativo. omo a3adido( consultar la columna del estad6stico H5
*tat (nos muestra la pro!a!ilidad i0ual a cero de >ue "a$a al0una autocorrelacin en el residuoD es
decir( a)irma >ue estamos ante un ruido !lanco). uando los valores H5*tat crecen desde el retardo 1
"acia retardos superiores pro0resivamente pero su ma0nitud es pe>ue3a (e in)erior a :G en el retardo
39) nos indica >ue no "a$ correlacin entre valores. Oormalmente valores de Residuos acotados en
las !andas $ valores de -ro!a!ilidad (H5*tat) mu$ pr8imos a cero. As6 las cosas( los residuos no nos
aportan in)ormacin C ruido !lanco.
*i no lo )uera( de!er6amos se0uir identi)icando el modelo e inclu$endo otros trminos ARIMA $ otros
n/meros de orden visi!les en el propio correlo0rama del Residuals.
%s decir( si despus de reali+ar M? $ revisar el correlo0rama de Residuals no es ruido !lanco(
identi)icamos el nuevo modelo ARIMA( "acemos M? $ volvemos a compro!ar ratios $ el
correlo0rama de Residuals "asta >ue estemos con)ormes en >ue nuestra serie es ruido !lanco.
N.5 onocido el Modelo( se "ace la estimacin nuevamente (estimate)( se consulta el residual 0rap"(
$S
1G.5 *e usa para -redecir con el comando forecast (siempre despus de una accin reciente de
estimate >ue 0uarda temporalmente en memoria como modelo con el >ue predecir).
-ara poder "acer -rediccin el simple (smpl) del modelo de!er7 ser superior al periodo o!servado. *i
las series lle0an "asta 2GG<.G1 "a!r7 >ue ampliar ran0e $ simple "asta 2GG<.12.
?!tendremos F@BI( como la serie est7 di)erenciada $ trans)ormada en lo0aritmos "a!r7 >ue des"acer
las trans)ormaciones.
-rimero( eliminamos las di)erencias( sumamos los valores de )orecast (smpl del )orecast 51) al /ltimo
valor o!servado sin di)erenciar( o !ien a todo el sample le eliminamos las di)erencias Tsi "icimos 0enr
F@B C @B U @B(51) a"ora "aremos 0enr @B C F@B V @B (51)W $ volvemos a reali+ar la prediccin.
*e0undo( lue0o aplicamos e8ponencial 0enr BI C e8p(serie pro$ectada) a todo el sample.
Ba "a!remos recorrido los puntos 1 $ 2 para el pr8imo d6a de clase $ adem7s "a!remos resuelto el
tra!a#o 4 tarea indicada.
A"ora estamos en 3) ompro!ar dic"o a#uste $ prediccin manual con el automatismo de %vie&s.
ensus '12 (sa( s)( tc) $ Tramo *eats con )orecast "ori+on.
Am!os mtodos se encuentran dentro del !otn ,-roc. de una serie activada $ en el su!men/ de
,*easonal Ad#ustment..
%l primero nos o)rece la identi)icacin autom7tica del modelo ARIMA sin )orecast para >ue el analista
pueda aplicarlo $ la se0unda $a lo o)rece directamente.
3.1) I0ualmente( la clase termina con un e#emplo de actuacin pr7ctica con el so)t&are 0ratuito del
2anco de %spa3a (Tramo *eats( T*1).