Professional Documents
Culture Documents
on y estimaci
on con Modelos ARIMA
Gonzalo Lezma Florida
Outline
Identificaci
on de modelos ARIMA(p,d,q)
Funciones de Autocorrelaci
on Simple (FAS) y Parcial(FAP)
Estimaci
on de modelos ARMA(p,q)
Estimaci
on de Modelos ARMA
2 / 16
Identificaci
on de modelos ARIMA(p,d,q)
Metodo iterativo de estimaci
on y chequeo de las propiedades del
modelo. Este proceso puede resumirse en los siguientes cuatro
pasos:
Transformar los datos buscando inducir estacionariedad. Si la
tendencia es determinstica, se remueve estimando para la serie
yt un polinomio determin`stico de la forma:
yt = 0 + 1 t + 2 t2 ..s ts + t
el residuo de esta regresi
on se considera como el proceso
estacionario que se esta buscando identificar.
Si la tendencia no es determinstica se procede a diferenciar la
serie tantas veces sea necesario para convertirla en estacionaria.
(L)d yt = (L)
Para determinar si se ha alcanzado estacionariedad se debe
examinar las FAS y FAP de la serie transformada. Si esta es
estacionaria, ambas debera aproximarse a cero r
apidamente.
3 / 16
Identificaci
on de modelos ARIMA(p,d,q)
4 / 16
Identificaci
on de modelos ARIMA(p,d,q)
De no cumplirse algunas de estas propiedades del residuo, se
regresa al paso (2) y se repite el proceso
Adicionalmente, se puede utilizar criterios de informacion. Se
escoje el que minimice alg
un criterio de informacion. El criterio
de informaci
on de Akaike ( AIC)
AIC = 2
k
L
+2
T
T
L
log(log(T ))
+ 2k
T
T
Donde, T : tama
no de muesta, L el logartimo de la funcion de
HQ = 2
5 / 16
Funciones de Autocorrelaci
on Simple
(FAS) y Parcial(FAP)
s
0 ,
b2s
peque
nas,Q(k) = T (T + 2) k T s
, donde, Q(k) 2 (k)
s=1
6 / 16
La funci
on de Autocorrelaci
on
Parcial(FAP)
7 / 16
Estimaci
on de modelos ARMA(p,q)
t1
8 / 16
Estimaci
on de modelos ARMA(p,q)
t1
9 / 16
M
axima Verosimilitud
La funci
on de verosimilitud L(yt , yt1 , yt2 .., y1 ; ) se define
como la funci
on de densidad conjunta de yt , yt1 , yt2 .., y1
Si las variables, yt son independientes, la funci
on de densidad
conjunta es el producto de las densidades marginales
Cuando las variables yt no son independientes se pude utilizar la
factorizaci
on condicional L,
La funci
on de densidad conjunta siempre puede factorizarse
como el producto de la densidad condicional de y2 en y1 y la
funci
on marginal de y1 tal que f (y2 , y1 ; ) = f (y2 /y1 ; )f (y1 ; ).
10 / 16
M
axima Verosimilitud
L(Y, ) =
T f (y /y
t t1 , yt2 .., y1 ; )
t=2
f (y1, )
11 / 16
Funci
on de Verosimilitud para un AR(1)
La distribuci
on marginal de y1 es N (, 1
2 ), donde, =
1
2
log
2
12
c
1
2
1 (y1 )
2
2
12
12 / 16
Funci
on de Verosimilitud para un AR(1)
Asimismo, la funci
on de densidad de Y2 condicional en el valor
de Y1 , f (y2 /y1 ; ) N (c + Y1 , 2 ), esta dado por :
1 (y2 cY1 )
2
2
1 (y1 )
2
2
12
(T 1)
2
log(2)
(T 1)
2
log 2
1 T 1 (yt cYt1 )
2 t=1
2
13 / 16
Funci
on de Verosimilitud para un MA(1)
Dado el siguiente proceso M A(1), yt = + t + t1 donde,
t N (0, 2 ).
Si el valor de t1 es conocido, entonces, tenemos que
yt /t1 N ( + t1 , 2 )
Supongamos que 0 = 0 entonces 1 = y1 ,utilizando 1 ,
2 = y2 1 = y2 (y1 ) y as sucesivamente,
t = yt t1
Con ello, log L(Y, ) = (T 1)
log(2)
2
(T 1)
2
log 2
2
1 T 1 t
2t
2
14 / 16
Descomposici
on del error de predicci
on
(T 1)
2
log 2
2
1 T 1 t
2t
2
15 / 16
16 / 16