Professional Documents
Culture Documents
Series de tiempo
Proceso y realizacin
Condiciones para utilizar anlisis estadstico
inferencial con datos de series de tiempo
1. Estacionariedad
F ( xt , xt 1 ,..., xt k ) F ( xt k 1 , xt k 2 ,..., xt k s )
Condiciones para utilizar anlisis estadstico
inferencial con datos de series de tiempo
B. Un proceso estocstico es estacionario en el sentido dbil si los
primeros dos momentos (promedio y varianza) son constantes a
travs del tiempo.
E(x(t))=U
Var(X(t))=Sigma2
2. Ergodicidad
Las observaciones muy lejanas en el tiempo no estn
correlacionadas.
Es necesaria para poder contar con suficientes
observaciones independientes para estimar los parmetros del
modelo.
Transformaciones tiles
1. Si la variable no tiene un promedio constante, Box y Jenkins
recomiendan usar las primeras diferencias de la serie.
(Races unitarias, tendencias estocsticas, tendencias
deterministas: temas para otro taller)
2. Si la variabilidad aumenta a travs del tiempo usar
logaritmos.
3. Si suceden ambas condiciones:
DLog(X(t))= Log X(t)-Log(X(t-1))
Algunos Procesos estocsticos
Xt=Xt-1+t
X(t)=Xt-1+ t-1+t
Algunos Procesos estocsticos
ARIMA(1,1,1)
Xt=Xt-1+ t-1+t
El Procedimiento Box-Jenkins, desarrollado por: BOX, G. E. P.,
AND G. M. JENKINS y que apareci en el libro: Time Series
Analysis, Forecasting and Control, (Holden- Day, San Francisco,
CA, 1970 (y la 2nda edicin en 1976)), Parte de la premisa de
que toda ( o casi toda) serie de tiempo puede ser ajustada por
un modelo ARIMA.
Procedimiento Box-Jenkins
2.Estimacin
4.Realizar la Prediccin
Identificacin de los modelos
(Box y Jenkins (B-J)sugieren un mnimo de 50 observaciones para los anlisis)
k=Cov(Xt,Xt-k)/Var(Xt)
3 3
4 4
5 5
6
6
ACF Y PACF de MA(1)
1
1
2
2
3
3
4
4
5 5
6 6
Identificacin de los modelos:
Resumen
PROCESO ACF PACF
AR(p) Decrece Hace un pico en el
exponencialmente. rezago p y se va a
cero.
MA(q) Hace un pico en el Decrece
rezago q y se va a exponencialmente.
cero.
ARMA(1,1) Decrece Decrece
exponencialmente. exponencialmente.
Diferenciacin estacional
DXt= Xt -Xt-s ; s=4 con datos trimestrales, s=12 con
datos mensuales.
Resumen: caractersticas de un
buen modelo ARIMA
Es estacionario, si AR
Es invertible, si MA
Parmetros estimados de alta calidad (estadstico-t)
Tiene el nmero mnimo de parmetros: es parsimonioso
Residuos son un proceso de ruido blanco
Ajusta bien los datos (R2)
Tiene un error de prediccin relativamente bajo.
Predicciones
AR(1)
Xt+1= C+ Xt+t+1
E[Xt+1/ It]= C+ Xt+t+1= C+ Xt
Regla recursiva.
Predicciones
MA(1)
X(t)=D + t-1+t
Un perodo hacia adelante:
Xt+1= D + t+t+1 D= Constante
E[Xt+1/It]=D+ t
Dos perodos hacia adelante:
Xt+2=D+ t+1+t+2
E[Xt+2/It]=D
Ejemplos
Ejemplo 1: Empleo de Servicios (LSERV)
240
200
160
En Miles
120
80
40
0
1991 1992 1993 1994 1995
Ao
Correlograma(ACF y PACF):
Niveles de la serie(LSERV)
Date: 12/01/13 Time: 10:34
Sample: 1991M01 1995M12
Included observations: 60
320
300
280
260
240
220
95M12 96M01 96M02 96M03 96M04 96M05 96M06
LSERVF 2 S.E.
Prediccin: LSERV
Prediccin de la Variable
0.5
0.0
-0.5
-1.0
1.0
-1.5
0.5
0.0
-0.5
-1.0
-1.5
86 88 90 92 94 96 98 00 02 04 06 08 10