Professional Documents
Culture Documents
- INTRODUCCIN
En 1970, Box y Jenkins desarrollaron un cuerpo metodolgico destinado a
identificar, estimar y diagnosticar modelos dinmicos de series temporales
en los que la variable tiempo juega un papel fundamental. Una parte
importante de esta metodologa fue pensada para liberar al investigador la
tarea de especificacin de los modelos dejando que los propios datos
temporales de la variable a estudiar nos indiquen las caractersticas de la
estructura probabilstica subyacente (AZNAR, A. Y TRIVEZ, F.J.(1993).
En parte, los procedimientos que se abordan en este primer informe son el
inicio de una cadena de modelos que se estructuran y combinaran entre
ellos a fin de analizar valores temporales de una forma diferente a la
tradicional. As tambin identificar y especificar un modelo apoyndose en
las teoras subyacentes al fenmeno analizado aunque, convenientemente
utilizados, los conceptos y procedimientos que se examinan constituyen una
herramienta til para ampliar y complementar los conocimientos de
prediccin multiple.
En esta primera parte se comenzar analizando un modelo auto regresivo
(AR) en los que una variable es explicada utilizando exclusivamente una
"exgena" o su propio pasado. En este sentido se considera exclusiva de los
valores pasados de una determinada variable para explicar su evolucin
presente y futura supone, al mismo tiempo, una ventaja y un inconveniente.
Es imperativo indicar que este informe describe un ensayo teorico con
valores aleatorios y no una serie de tiempo real de alguna variable de datos
temporales, esto se ha realizado a fin de demostrar el funcionamiento del
modelo las capacidades y dificultades que presenta al aplicarlo.
2.- PLANTEAMIENTO DEL PROBLEMA
3.- OBJETIVOS
3.1 Objetivos generales
4.- METODOLOGA
4.1 Introduccin a la Auto-regresin
En general, las tcnicas de prediccin utilizan como instrumento
fundamental el anlisis de regresin, que constituye la tcnica fundamental,
frente al anlisis de correlacin. La distincin entre ambas es bsica. En esta
ltima, el objetivo fundamental se concreta en la medicin del grado de
asociacin lineal entre dos variables, no existiendo en ningn momento
distincin entre variable dependiente y explicativa. Sin embargo, el anlisis
de regresin parte de la existencia de una relacin causal entre dos
variables, dependiente y explicativa, siendo la primera aleatoria y la
segunda fija o no estocstica. El objetivo de la tcnica consiste en estimar
y/o predecir el valor medio poblacional de la variable dependiente a partir
de valores conocidos y fijos de las variables explicativas, obtenidos
mediante un proceso de muestras repetidas.
Para la estimacin de esa relacin se cuenta con varios mtodos, cada cual
ms apropiado en unas u otras circunstancias. La estimacin de modelos
AR, tiene peculiaridades especiales que se abordaran ene el siguiente
punto. En un contexto general, podemos decir que un modelo uniecuacional
puede ser estimado mediante:
- El mtodo de mnimos cuadrados ordinarios,
- El mtodo de mnimos cuadrados generalizados o de Aitken,
- El mtodo de mxima verosimilitud.
Cada uno de ellos es ms apropiado en funcin de las caractersticas
estadsticas del proceso a modelizar. El ms conocido es sin duda el de
mnimos cuadrados ordinarios. En este mtodo se eligen los parmetros
atendiendo a una cualidad que se cree importante, cual es que la suma del
cuadrado de los errores (diferencia entre los valores reales de la variable a
explicar y los valores obtenido para tal variable por los parmetros
estimados) sea la mnima posible.
4.2 Variable aleatoria o trmino de error
El termino de error
at
Y t1 ,
Y t2..
Yt
y sus retardos
Y t1 , y
Y t2..
la variable
Yt
. El anlisis se
Y t1 ,
Y t2..
(los retardos) se
Yt
probabilidad. Pues bien, para ese trmino de error, que no es ms que una
variable aleatoria que relaciona valores con probabilidades, se asumen (y se
contrastan) algunos supuestos de comportamiento como son:
0,
N ( a 2)
Yt
definida en dicho
momento
pasado,
por
ejemplo,
en
el
perodo
anterior,
Y t1 .
Y 1=f (Y t 1 )
es decir, que el valor de la variable
valor tomado en el perodo
en el momento t
es funcin del
t 1 .
at , que es
Y 1=f (Y t 1 , at )
Ahora se debe elegir una forma funcional concreta para esta expresin. La
que queda descrita como forma lineal segn:
Y 1= 0 + 1 Y t 1+ at
donde
es un trmino independiente y
1 es un parmetro que
en el perodo
t1 . Utilizando
sean una buena (la mejor posible) estimacin. Con ello obtendramos una
expresin como
Y 1= 0 + 1 Y t 1
que utilizaramos a efectos de prediccin.
Esta es la esencia de los modelos autorregresivos (o modelos AR). Se
realiza una regresin de la variable
Yt
mejor dicho, sobre los valores que la variable tom en el perodo anterior.
Un aspecto importante es el orden del modelo AR. Por ejemplo, el modelo
Y 1= 0 + 1 Y t 1+ at
Y 1= 0 + 1 Y t 1+ 2 Y t2 +at
Y 1= 0 + 1 Y t 1+ 2 Y t2 + 3 Y t 3+ at
Y 1= 0 + 1 Y t 1+ 2 Y t2 + p Y t p +at
1 ( C1 1 B 1 B2 2 B3 ) =1+ 1 B+ ( 2 + 21 ) B + ( 3 +2 1 + 2+ 31) +e
1 1 B 2 B2 3 B3
0 1 B+ 2 B 2+ 3 B 3
1 B 1 B 1 2 B 1 3 B
5.- RESULTADOS
6.- DISCUSIONES Y CONCLUSIONES
6.1 Discusiones
6.2Conclusiones
7.- REFERENCIAS BIBLIOGRAFICAS