Professional Documents
Culture Documents
27/3/2019
Introducción
80
60
40
Time
Anàlisis de la varianza
Encontramos la primera diferencia de la serie ya que esta permite
observar de forma más sencilla si su varianza es constante o no.
5
0
Dz
−5
−10
Time
Transformación Box-Cox
Se obtuvo como el valor de máxima verosimilitud 0.18
aproximadamente con un inetervalo de confianza entre -0.01 y 0.35
para la mayoría de los metodos de estimación.
1600
95%
1550
Log Likelihood
1500
1450
1400
−2 −1 0 1 2
Se toman como posibles valores tranformadores 0.18, 0 y 0.25
λ = 0.16 λ = 0.25
0.04
0.05
0.02
DTz1
DTz2
0.00
0.00
−0.05
−0.04
1980 1985 1990 1995 2000 2005 2010 1980 1985 1990 1995 2000 2005 2010
Time Time
λ=0
0.10
0.05
DTz3
0.00
−0.10
Time
Se elige como transformación adecuada para la varianza ln(z) que
es equivalente a valor λ = 0 ya que induce a un buen
comportamiento en la varianza de la serie.
Serie tranformada
5.0
4.5
ln(z)
4.0
Time
ACF y PACF de la serie transformada
0.4
0.0
Lag
0.6
0.2
−0.2
Lag
Al Observar las gráficas de la ACF y la PACF muestral se puede
concluir que como la ACF muestral decae muy lentamente en forma
aritmética y la PACF no presenta corte después del rezago 1 , esto
indica que posiblemente es necesario diferenciar la serie. Como en la
PACF los rezagos aparecen en periodos de 12 meses posiblemente
sea necesario aplicar una diferencia estacional a la serie.
Test Dickey-Fuller Aumentado
p
X
∆Zt = β0 + β1 t + γZt−1 + φi ∆Zt−1 + at
i=1
En este caso llegamos a que como τ3 < τ (α, n) para 1pct, 5pct y
10 pct no se tienen sufiente evidencia muestral para rechazar H0 por
lo que se concluye que la serie transformada no es estacionaria.
Diferencia Regular
A continuación la ACF y PACF para la primera diferencia regular de
la serie transformada.
Series DTz
0.6
ACF
0.2
−0.2
Lag
Series DTz
0.6
Partial ACF
0.2
−0.2
Lag
Basándonos en la gráfica anterior podemos observar una evidente
aparición de una componente estacional en múltiplos de 12. En la
ACF se puede ver como la componente estacional decae lentamente
tipo cola y la PACF presenta cortes en los rezagos 11,23 y 36 lo que
da a entender la necesidad de aplicar una diferencia estacional. Al
hablar de la componente regular podemos observar que, aunque en
la ACF y la PACF existan cortes en algunos rezagos estos son poco
significativos.
Test Dickey-Fuller Aumentado
En este caso llegamos a que como τ3 > τ (α, n) para 1pct, 5pct y
10 pct se tienen sufiente evidencia muestral para rechazar H0 por lo
que se concluye que la primera diferencia regular de la serie
transformada es estacionaria.
Diferencia estacional y regular
A continuación la ACF y PACF para las primeras diferencias regular
y estacional de la serie transformada.
Series DETz
0.0 0.2
ACF
−0.4
Lag
Series DETz
0.2
Partial ACF
0.0
−0.4
Lag
Al analizar el comportamiento de la componente estacional en la
ACF y la PACF se puede observar un decaimiento de cola
exponencial (PACF) y aunque se presentan cortes en otros rezagos
estos tienen magnitudes poco significativas, la ACF presenta corte
en el rezago 12; dado todo lo anterior utilizaremos un modelo MA
(1). En la componente regular la PACF presentan cortes para los
rezagos 1, 2 y la ACF presenta un comportamiento de cola que
decae rápidamente el cual puede ser explicado con un AR (2).
Modelo 1
Θ(B 12 ) = 1 − θ1 B 12
## Series: z
## ARIMA(2,1,0)(0,1,1)[12]
## Box Cox transformation: lambda= 0
##
## Coefficients:
## ar1 ar2 sma1
## 0.2313 0.1308 -0.8309
## s.e. 0.0523 0.0523 0.0309
##
## sigma^2 estimated as 0.0002332: log likelihood=986.69
## AIC=-1965.38 AICc=-1965.26 BIC=-1949.84
Pronóstico y ajuste
−0.10
Lag
Series re1
0.10
Partial ACF
0.00
−0.10
Lag
Cuantiles Muestrales residuals(modelo1)
−3
40
−2
60
−1
80
0
100
fitted(modelo1)
Cuantiles Teóricos
1
Normal Q−Q Plot
120
2
140
3
residuals(modelo1)
Time
2000
2005
2010
Cuando se evalúa el supuesto de varianza se puede observar que a
excepción de algunos valores atípicos no existe violación. Cuando
observamos la grafico qqplot se observa un violación del supuesto de
normalidad debido a valores atípicos u otros factores no controlados.
Ljung-Box
k
(n − j)−1 ρ̂2j (â)
X
Q = n(n + 2)
j=1
##
## Box-Ljung test
##
## data: re1
## X-squared = 0.015221, df = 1, p-value = 0.9018
## Series: Tz
## ARIMA(2,1,0)(1,0,0)[12]
##
## Coefficients:
## ar1 ar2 sar1
## 0.2141 0.1697 0.8031
## s.e. 0.0517 0.0514 0.0301
##
## sigma^2 estimated as 0.0003711: log likelihood=934.11
## AIC=-1860.22 AICc=-1860.12 BIC=-1844.56
Φ(B)Φ(B 12 )(1 − B) ln(Zt ) = at , Φ(B) = 1 − φ1 B − φ2 B 2
Φ(B 12 ) = 1 − φ1 B 12
## Series: z
## ARIMA(2,1,0)(1,0,0)[12]
## Box Cox transformation: lambda= 0
##
## Coefficients:
## ar1 ar2 sar1
## 0.2141 0.1697 0.8031
## s.e. 0.0517 0.0514 0.0301
##
## sigma^2 estimated as 0.0003711: log likelihood=934.11
## AIC=-1860.22 AICc=-1860.12 BIC=-1844.56
Pronóstico y ajuste
−0.1
−0.3
Lag
Series re2
0.0 0.1
Partial ACF
−0.2
Lag
Cuantiles Muestrales residuals(modelo1)
−3
40
−2
60
−1
80
0
100
fitted(modelo1)
Cuantiles Teóricos
1
Normal Q−Q Plot
120
2
140
3
residuals(modelo1)
Time
2000
2005
2010
Cuando se evalúa el supuesto de varianza se puede observar que a
excepción de algunos valores típicos no existe violación. Cuando
observamos la grafico qqplot se observa un violación del supuesto de
normalidad debido a valores atípicos u otros factores no controlados.
Ljung-Box
k
(n − j)−1 ρ̂2j (â)
X
Q = n(n + 2)
j=1
##
## Box-Ljung test
##
## data: re1
## X-squared = 0.015221, df = 1, p-value = 0.9018
## Series: DETz
## ARIMA(3,0,0)(2,0,1)[12] with zero mean
##
## Coefficients:
## ar1 ar2 ar3 sar1 sar2 sma1
## 0.2431 0.1458 -0.0493 -0.1832 -0.240 -0.6940
## s.e. 0.0527 0.0544 0.0531 0.0708 0.063 0.0583
##
## sigma^2 estimated as 0.0002249: log likelihood=993.91
## AIC=-1973.83 AICc=-1973.51 BIC=-1946.65
Φ(B)Φ(B 12 )(1−B)(1−B 12 ) ln(Zt ) = Θ(B 12 )at , Φ(B 12 ) = 1−φ1 B
## Series: z
## ARIMA(3,1,0)(2,1,1)[12]
## Box Cox transformation: lambda= 0
##
## Coefficients:
## ar1 ar2 ar3 sar1 sar2 sma1
## 0.2431 0.1458 -0.0493 -0.1833 -0.2401 -0.6939
## s.e. 0.0527 0.0544 0.0531 0.0708 0.0630 0.0583
##
## sigma^2 estimated as 0.0002254: log likelihood=993.93
## AIC=-1973.85 AICc=-1973.53 BIC=-1946.67
Pronóstico y ajuste
−0.10
Lag
Series re3
0.10
Partial ACF
0.00
−0.10
Lag
Cuantiles Muestrales residuals(modelo3)
−3
40
−2
60
−1
80
0
100
fitted(modelo3)
Cuantiles Teóricos
1
Normal Q−Q Plot
120
2
140
3
residuals(modelo3)
Time
2000
2005
2010
Cuando se evalúa el supuesto de varianza se puede observar que a
excepción de algunos valores típicos no existe violación. Cuando
observamos la grafico qqplot se observa un violación del supuesto de
normalidad debido a valores atípicos u otros factores no controlados.
Ljung-Box
k
(n − j)−1 ρ̂2j (â)
X
Q = n(n + 2)
j=1
##
## Box-Ljung test
##
## data: re3
## X-squared = 0.0058579, df = 1, p-value = 0.939
Outlier effects
0.4
0.0
0 5 10 15 20 25 30 35
Lag
Series Tz1
1.0
Partial ACF
0.6
0.2
−0.2
0 5 10 15 20 25 30 35
Lag
Al observar las gráficas de la ACF y la PACF muestral se puede
concluir que como la ACF muestral decae muy lentamente en forma
aritmética y la PACF no presenta corte después del rezago 1 , esto
indica que posiblemente es necesario diferenciar la serie. Como en la
PACF los rezagos aparecen en periodos de 12 meses posiblemente
sea necesario aplicar una diferencia estacional a la serie.
ACF y PACF de la serie diferenciada
Series DTz1
0.6
ACF
0.2
−0.2
0 5 10 15 20 25 30 35
Lag
Series DTz1
0.6
Partial ACF
0.2
−0.2
0 5 10 15 20 25 30 35
Lag
Para la serie diferenciada la ACF para la componente regular no
presenta cortes significativos, la componente estacional presenta un
decaimiento lento en forma de cola. La PACF en la componente
regular no muestra cortes significativos para ningunos de los rezagos
y la componente estacional presenta corte en el rezago 12. Lo
anterior muestra la necesidad de una diferencia regular.
Serie con diferencia regular y estacional
Series DETz1
0.2
0.0
ACF
−0.4 −0.2
0 5 10 15 20 25 30 35
Lag
Series DETz1
0.1
Partial ACF
−0.1
−0.3
0 5 10 15 20 25 30 35
Lag
Modelo 4
auto.arima(Tz1)
## Series: Tz1
## ARIMA(2,1,2)
##
## Coefficients:
## ar1 ar2 ma1 ma2
## 0.9934 -0.9696 -1.0936 0.9716
## s.e. 0.0143 0.0133 0.0154 0.0192
##
## sigma^2 estimated as 0.000682: log likelihood=819.69
## AIC=-1629.38 AICc=-1629.21 BIC=-1609.84
Φ(B)(1 − B) ln(Zt ) = Θ(B)at , Φ(B) = 1 − φ1 B − φ2 B 2
Θ(B) = 1 − θ1 B − θ2 B 2
## Series: z1
## ARIMA(2,1,2)
## Box Cox transformation: lambda= 0
##
## Coefficients:
## ar1 ar2 ma1 ma2
## 0.9934 -0.9696 -1.0936 0.9716
## s.e. 0.0143 0.0133 0.0154 0.0192
##
## sigma^2 estimated as 0.000682: log likelihood=819.69
## AIC=-1629.38 AICc=-1629.21 BIC=-1609.84
Pronóstico y ajuste
−0.2
0 5 10 15 20 25 30 35
Lag
Series re4
0.4
Partial ACF
0.0
−0.4
0 5 10 15 20 25 30 35
Lag
Cuantiles Muestrales residuals(modelo4)
−3
40
−2
60
−1
80
0
100
fitted(modelo4)
Cuantiles Teóricos
1
Normal Q−Q Plot
120
2
140
3
residuals(modelo4)
Time
200
300
Cuando se evalúa el supuesto de varianza se puede observar que a
excepción de algunos valores típicos no existe violación. Cuando
observamos la grafico qqplot se observa un violación del supuesto de
normalidad debido a valores atípicos u otros factores no controlados.
Ljung-Box
k
(n − j)−1 ρ̂2j (â)
X
Q = n(n + 2)
j=1
##
## Box-Ljung test
##
## data: re4
## X-squared = 6.7566, df = 1, p-value = 0.00934