INTRODUCCIN A LOS MODELOS ARIMA

Presentacin:
Los modelos ARIMA responden al acrnimo de procesos
AutoRregresivos, Integrados, y Medias mviles (Moving
Average), y fueron planteados inicialmente por George Box y
Gwilym Jenkins en 1970 en su obra Time Series Analysis:
Forecasting and Control (Holden Day, San Francisco, USA)
como una alternativa a la modelizacin y prediccin tradicional
mediante modelos estructurales.
La idea subyacente fundamental consiste en admitir que las
series temporales son generadas mediante un Proceso Generador
de Datos que puede ser identificado y cuantificado y que, por
tanto, pueden ser inferidos sus valores a futuro.
En este sentido enlaza con los mtodos clsicos de prediccin
basados en la identificacin de los componentes de una serie
temporal.
 INTRODUCCIN A LOS MODELOS ARIMA
Presentacin:
En efecto cuando realizamos una prediccin de la evolucin de
una determinada serie temporal mediante la descomposicin en
los componentes estacional, tendencial, cclico e irregular, el
procedimiento que seguimos consiste en identificar
comportamientos regulares a lo largo de la serie (movimientos
estacionales, tendenciales y cclicos ) y extrapolarlos a futuro,
asumiendo que los comportamientos irregulares tendrn un efecto
promedio nulo.
En el caso de los modelos ARIMA identificaremos igualmente
una serie de comportamientos regulares asociados a procesos de
evolucin temporal conocidos (Procesos de integracin,
autorregresivos y de Medias mviles) que interactan con
procesos completamente aleatorios (Ruido blanco).
 INTRODUCCIN A LOS MODELOS ARIMA
Presentacin:
El proceso de prediccin con modelo ARIMA puede, por
tanto, resumirse en las siguientes etapas:
1) Identificacin de los procesos subyacentes (P.G.D.):
1.1. Orden de integracin
1.2.- Tipologa de procesos AR y MA
2) Estimacin de los coeficientes asociados a los procesos AR y
MA.
3) Validacin del modelo estimado.
4) Cuantificacin a futuro de los valores de la serie objetivo.
INTRODUCCIN A LOS MODELOS ARIMA
Fundamentos estadsticos:
La modelizacin ARIMA asume que toda serie temporal est
generada por un proceso estocstico (Proceso Generador de
datos PGD) en la que los distintos valores observados Yt
responden a realizaciones (muestras) concretas de un conjunto
de N variables aleatorias Zt, que tienen unas determinadas
probabilidades de ocurrencia asociadas a sus respectivas
funciones de densidad f(Zt).
Estas funciones de densidad sern, en general, desconocidas y
no pueden ser estimadas ya que slo disponemos de una
observacin de cada una de ellas, por lo que se hace necesario
asumir una serie de simplificaciones para poder realizar
cualquier tipo de inferencia estadstica.
 INTRODUCCIN A LOS MODELOS ARIMA
Fundamentos estadsticos:
La primera simplificacin que debemos asumir es que el proceso
es estrictamente estacionario lo que supone que la funcin de
distribucin conjunta no se ve afectada por ningn cambio de
origen, es decir: f (Zt, Zt+1,Zt+r)= f (Zt+k,Zt+1+k,Zt+r+k).
Si definimos la media y varianza del proceso como:
t E ( Z t ) E ( Z t1 , Z t 2 ,...)
t ,s cov( Z t , Z s ) E( Z t t )( Z s s )
Estaremos ante un proceso dbilmente estacionario(1) si la media
es constante en el tiempo y la covarianza depende nicamente
de la distancia temporal entre las variables.
t E ( Z t )
k cov( Z t , Z t k )
(1) Si las variables son normales (proceso gaussiano) equivale a un proceso estrictamente estacionario.
INTRODUCCIN A LOS MODELOS ARIMA
Fundamentos estadsticos:
La segunda simplificacin que debemos asumir es que el
proceso es ergdico, lo que supone que los elementos
suficientemente alejados en el tiempo estn prcticamente
incorrelacionados de forma tal que todos los elementos de la
serie temporal aporten informacin nueva y til para la media.
De esta forma la media temporal es un estimador insesgado y
consistente de la media poblacional si su varianza tiende a cero
cuando la muestra tiende a infinito:
N
1
ZN
N
Z
t 1
t

Si Var ( Z N ) 0 N entonces E Z N

Aunque no es posible contrastar la ergodicidad de un proceso

podemos asumirla si la covarianza tiende a cero cuando k
tiende a infinito
 INTRODUCCIN A LOS MODELOS ARIMA
Procesos estocsticos elementales: Ruido Blanco
El denominado ruido blanco es un proceso estocstico que
presenta media nula, varianza constante y covarianza nula para
cualquier valor de k, si adems la distribucin es normal, se
denomina Ruido Blanco Gaussiano.

E at 0

E at2 a2
Cov(at , at k ) 0 k

Este tipo de procesos es estrictamente estacionario.

 INTRODUCCIN A LOS MODELOS ARIMA
Procesos estocsticos elementales: Camino aleatorio.
El camino aleatorio es un proceso tal que la diferencia entre
dos valores consecutivos de la variable se comporta como un
ruido blanco.
Z t Zt 1 at o bien Z t Z t 1 at

Si existe una tendencia sistemtica en el cambio se denomina

camino aleatorio con deriva.
Zt Zt 1 m at o bien Zt m Zt 1 at
El camino aleatorio es no estacionario en varianza mientras que
si tiene deriva tampoco lo es en media.
t t
t E Zt E Z 0 a j m * t E Z 0 E a j m * t z0 m * t
Zt Z0 a j t * m j 1 j 1
j 1 2
t

t
t Var Z t E Z t 2 E at E at2 t * a2
j 1 j 1
 INTRODUCCIN A LOS MODELOS ARIMA
Procesos estocsticos elementales: Proceso Autorregresivo.
Definimos un proceso autorregresivo de primer orden AR(1)
como un proceso aleatorio que responde a una expresin del tipo

Z t 0 1Z t 1 at o bien Z t 1Z t 1 at con Z t Z t 0

Para que el proceso AR(1) sea estacionario se debe cumplir que

-1<1<1, para que z2 sea finita y no negativa.



2
Var Z t z2 12 z2 a2 a
1 12
Los procesos autoregresivos pueden generalizarse al orden p
AR(p) sin ms que aadir trminos retardados en la expresin
general.
Z t 0 1Z t 1 2 Z t 2 ... p Z t p at
 INTRODUCCIN A LOS MODELOS ARIMA
Procesos estocsticos elementales: Medias mviles.
Definimos una media mvil de primer orden MA(1) como un
proceso aleatorio que responde a una expresin del tipo
Zt at 1a t 1 con Zt en diferencias a la media

Los procesos de medias mviles son estacionarios y, al igual

que los autoregresivos pueden generalizarse al orden q MA(q)
sin ms que aadir trminos retardados en la expresin general.

Z t at 1at 1 2 at 2 ... q at q
 INTRODUCCIN A LOS MODELOS ARIMA
Procesos estocsticos elementales: Invertibilidad.
El operador retardo B aplicado sobre una serie temporal Yt la
desfasa en el tiempo.
BYt Yt 1 B 2Yt Yt 2 B sYt Yt s
Un proceso AR(1) puede expresarse como: 1 1B Z t at
1
y operando Zt at
1 1B
Dado que la suma de los infinitos trminos de una progresin
geomtrica de razn 1B se define como 1
1 1 B
El proceso AR(1) es equivalente a un proceso infinito de
medias mviles MA() Invertibilidad
Z t at 1 Ba t 12 B 2 at 13 B 3at at 1at 1 12 at 2 13at 3
 INTRODUCCIN A LOS MODELOS ARIMA
Procesos estocsticos elementales: Invertibilidad.
La invertibilidad de un proceso puede generalizarse a un
autorregresivo de orden p AR(P)
p B Zt at Zt p B at B at
1

p B 1 1B 2 B2 p B p B 1 1 B 2 B 2 3 B 3
De la misma forma un proceso de medias mviles de orden q
MA(q) puede transformarse en un AR()

Zt at 1at 1 q at q 1 1B q Bq at q Bat
q B Z t at
1
p B 1 1 1B 2 B 2 B

La invertibilidad del proceso MA(q) exige que el proceso

AR() sea convergente
 INTRODUCCIN A LOS MODELOS ARIMA
Procesos estocsticos elementales: Procesos integrados.
Un proceso integrado es aquel que puede convertirse en
estacionario aplicando diferencias.
As, por ejemplo, un camino aleatorio sera un proceso
integrado de orden 1 I(1), ya que puede convertirse en
estacionario tomando primeras diferencias.

Definimos el orden de integracin de un proceso como el

nmero de diferencias que debemos aplicarle para convertirlo
en estacionario.
En el contexto de las series econmicas los rdenes de
integracin ms frecuentes son 1 2 I(1) I(2).
En algunas ocasiones las diferencias deben aplicarse sobre el
valor estacional. Zt Zt s et con s 4 12 et estacionario
 INTRODUCCIN A LOS MODELOS ARIMA
Proceso Generador de Datos.
Mediante la adecuada combinacin de estos procesos
elementales: integracin, AR(p), y MA(q) podemos representar
la evolucin de cualquier serie temporal.
Yt 1Yt 1 2Yt 2 p Yt p at 1at 1 2 at 2 p at p
q B con Yt Yt Yt 1 Yt 1 B
Yt p B q B at Yt at
p B
Para la series que presentan estacionalidad se pueden reproducir
los mismos procesos sobre el orden estacional s (s=4 trimestrales,
s=12 mensuales)
SAR(p) Z t s1Z t s s 2 Z t 2 s sp Z t 2 p at
Integracin estacional
sYt Yt Yt s Yt 1 B s SMA(q) Z t at s1at s s 2 at 2 s sq at 2 q
 INTRODUCCIN A LOS MODELOS ARIMA
Herramientas de identificacin: Correlograma.
Denominamos correlograma a una representacin grfica de
las funciones de Autocorrelacin total (FAC) y parcial
(FAP).
Las funciones de autocorrelacin recogen los valores de los
diferentes coeficientes de autocorrelacin de una serie para
distintos desfases k.
El coeficiente de autocorrelacin para un determinado desfase
k se define como:
Cov( Z t , Z t k ) k k
k
Var ( Z t ) Var ( Z t k ) o o 0
Si el proceso Zt es estacionario
 INTRODUCCIN A LOS MODELOS ARIMA
Herramientas de identificacin: Correlograma.
Asumiendo la estacionariedad y ergoicidad del proceso los
coeficientes de autocorrelacin pueden aproximarse como:

ck k N Z t Z Z t k Z
1 N
ck
k con t k 1

c0 0 Z t Z
N
c0 1 2

N t 1
La funcin de autocorrelacin parcial estara formada por los
correspondientes coeficientes de autorcorrelacin parcial, que
miden la relacin entre los valores desfasados k periodos una vez
eliminados o filtrados los efectos de la correlacin entre los
restantes desfases.
Las bandas de confianza para la FAC y la FAP se aproximan
como: p 1,96 * 1 o 1 j 0
N N
 INTRODUCCIN A LOS MODELOS ARIMA
Herramientas de identificacin: Correlograma.

Proceso FAC FAP

1 1
2 2
3 3

4 4
AR(1) 5 5

6 6

1 1

2 2
3 3
4 4
MA(1) 5 5
6 6
 INTRODUCCIN A LOS MODELOS ARIMA
Herramientas de identificacin: Correlograma.

Proceso FAC FAP

1 1
2 2
3 3
4 4
AR(2) 5 5
6 6

1 1

2 2

3 3
4
MA(2) 4
5 5
6 6
 INTRODUCCIN A LOS MODELOS ARIMA
Herramientas de identificacin: Correlograma.

Proceso FAC FAP

12 12


SAR(12) 24 24



36
36

12 12

SMA(12) 24 24

36
36