Ar, Ma, Arma, Arima

CAPTULO 8
Analisis de series temporales

Los datos estadsticos y, en particular, los datos econ omicos se recopilan a menudo
en forma de series temporales. Una serie temporal es un conjunto ordenado de ob-
servaciones {z
1
, . . . , z
t
, . . . , z
n
} obtenidas en intervalos regulares de tiempo, en donde z
t
denota la observacion de la variable de interes en el instante o intervalo temporal t. El
instante temporal t suele ser un a no, trimestre, mes, semana, etc., y determina la fre-
cuencia de observacion: anual, trimestral, mensual, semanal, etc. Suponemos, por tanto,
que todas las observaciones de la serie se obtienen en instantes equidistantes de tiem-
po y descartamos as las series temporales compuestas, por ejemplo, de observaciones
anuales, trimestrales y mensuales.
La caracterstica distintiva de una serie temporal es la dependencia observacional:
el valor de una variable en una determinada fecha depende de los valores de la propia
variable en fechas previas. Esta idea subyace tras la especicaci on de los procesos es-
tocasticos univariantes que estudiamos en este tema, los cuales explican la evolucion
temporal de una variable a partir de su comportamiento pasado. Vamos a caracterizar
estos modelos dinamicos por medio de las funciones de autocorrelaci on simple y parcial.
Analogamente a la interpretaci on del modelo lineal general como proceso generador
de datos, vamos a contemplar una serie temporal como una realizaci on particular de
un proceso estoc astico. Uno de los principales propositos del an alisis de series temporales
es inferir las propiedades del proceso (poblaci on) a partir de una realizaci on particular
(muestra), para lo cual limitamos nuestro interes a una clase de procesos que se encuen-
tran en un estado de equilibrio estadstico: los procesos ARMA estacionarios, que tienen
momentos estables. Dentro de esta clase, el proceso autorregresivo de primer orden y el
proceso de medias moviles de primer orden son los dos procesos m as usados.
Los metodos que estudiamos en este captulo se tratan extensamente en el libro
Time Series Analysis: Forecasting and Control de Box y Jenkins (1970, 1976, 1994) y a
menudo se denominan metodos Box-Jenkins. Estos autores desarrollaron un metodologa
para sistematizar la construccion de una clase de modelos de series temporales que se
ha mostrado muy util en predicci on.
8.1. Procesos estocasticos estacionarios
Definici on 53. Un proceso estocastico es una colecci on o secuencia de vari-
ables aleatorias {z
t
(); , t T}, en donde es el conjunto de todos los sucesos
elementales y T es un conjunto de ndices.
Observaci on 39. Los procesos estoc asticos pueden ser discretos o continuos, dependi-
endo de si el conjunto T es contable (n umeros naturales) o incontable (n umeros reales).
En este tema estudiamos procesos estoc asticos discretos, a los que llamamos abreviada-
mente procesos.
111
112 8.1. Procesos estocasticos estacionarios
Suponemos que las variables aleatorias z
t
() o, simplemente, z
t
tienen distribuci on
continua con funcion de densidad p(z
t
) que satisface la condici on
p(z
t
)dz
t
= 1
De aqu, los momentos de orden r de la variable aleatoria z
t
E(z
r
t
) =
z
r
t
p(z
t
)dz
t
existiran si

|z
t
|
r
p(z
t
)dz
t
<
Ademas, las variables aleatorias bidimensionales (z
t
, z
s
) tienen una funci on de densidad
conjunta p(z
t
, z
) que satisface la condici on
p(z
t
, z
s
)dz
t
dz
s
= 1
y que nos permite denir momentos de orden (r, s) como
E(z
r
t
z
s
) =
z
r
t
z
s
t
p(z
t
, z
)dz
t
dz
que existiran s y solo s

E(z
r
t
z
s
) =
|z
r
t
z
s
t
|p(z
t
, z
)dz
t
dz
<
En general, el subconjunto de variables aleatorias (z
t
1
, . . . , z
tm
) tiene funci on de densidad
conjunta p(z
t
1
, . . . , z
tm
).
Definici on 54. Una serie temporal, z
1
, . . . , z
n
es una realizaci on particular de
un proceso estoc astico z
1
(), . . . , z
n
().
En esta denicion cada observaci on z
t
de la serie temporal se interpreta como un
valor particular de una variable aleatoria z
t
(). Con un s olo dato no podemos pretender
estimar los momentos de z
t
(). Por tanto, para inferir la distribuci on del proceso es-
tocastico a partir de una serie temporal es necesario restringir nuestro estudio a una
clase particular de procesos que tengan momentos estables.
Definici on 55. Un proceso es estacionario de orden r si todos sus momentos hasta
el orden r existen y son estables.
Definici on 56. Un proceso es estacionario de segundo orden si
1. E(z
t
) = < t T
2. E(z
t
)
2
=
2
< t T
3. E(z
t
)(z
s
) =
|ts|
< t, s T
La notacion E(z
t
) = y E(z
t
)
2
=
2
indica que la media y la varianza de z
t
no
depende de t; en otras palabras, todas las variables aleatorias tienen la misma media y la
misma varianza (estacionariedad en media y varianza). An alogamente, la notaci on E(z
t
)(z
s
) =
|ts|
indica que la covarianza entre dos variables aleatorias z
t
y z
s
depende
de la distancia entre sus ndices |ts|, pero no depende de t ni de s. As, todas la variables
aleatorias bidimensionales separadas un periodo (z
1
, z
2
), (z
2
, z
3
), . . . , (z
n1
, z
n
) tendr an
Prof. Dr. Jose Luis Gallego G omez
Departamento de Economa. Universidad de Cantabria
Apuntes de Econometra. LADE y LE. Curso 2008-2009.
Material publicado bajo licencia Creative Commons
8. Analisis de series temporales 113
las misma covarianza
1
. Del mismo modo, todas la variables aleatorias bidimensionales
separadas dos periodos (z
1
, z
3
), (z
2
, z
4
), . . . , (z
n2
, z
n
) tendr an las misma covarianza
2
. En general, todas las variables aleatorias separadas k periodos (z
t
, z
tk
) tendr an
covarianza
k
. Por otro lado, con la relaci on menor que innito indicamos la existencia
correspondiente del momento.
Proposici on 63. Bajo estacionariedad de segundo orden, podemos estimar los dos
primeros momentos poblaciones del proceso mediante los correspondientes momentos
muestrales de la serie temporal:
1. Media muestral
= z =
n
t=1
z
t
n
2. Varianza muestral

2
=
n
t=1
(z
t
z)
2
n
3. Covarianza muestral en el retardo k

k
=
n
t=k+1
(z
t
z)(z
tk
z)
n
Definici on 57. Un proceso es estrictamente estacionario si la funci on de densi-
dad de un subconjunto de m variables aleatorias cualesquiera no se ve afectada por un
desplazamiento temporal
p(z
t
1
, z
t
2
, . . . , z
tm
) = p(z
t
1
+k
, z
t
2
+k
, . . . , z
tm+k
)
en donde t
1
, . . . , t
m
son m ndices no necesariamente consecutivos y k es el desplaza-
miento temporal.
Observaci on 40. Para m = 1, la estacionariedad estricta implica que todas las vari-
ables aleatorias tienen la misma distribuci on de probabilidad.
Definici on 58. Un proceso se dice Gaussiano cuando la distribuci on de probabilidad
de cualquier subconjunto de variables aleatorias es Normal.
Definici on 59. Si un proceso es Gaussiano y debilmente estacionario, entonces
tambien ser a estrictamente estacionario.
Definici on 60. Un proceso de ruido blanco o puramente aleatorio es una se-
cuencia de variables aleatorias {a
t
} mutuamente ortogonales con media cero y varianza
constante: E(a
t
) = 0, E(a
2
t
) =
2
a
y E(a
t
a
s
) = 0 para t = s.
8.2. Funciones de autocorrelaci on simple y parcial
El coeciente de correlacion simple entre dos variables aleatorias X e Y , denotado
por
XY
, se dene como
XY
=
Cov(X, Y )
_
V ar(X)V ar(Y )
=
E(X EX)(Y EY )
_
E(X EX)
2
E(Y EY )
2
Definici on 61. El coeciente de autocorrelaci on simple en el retardo k, denotado
por
k
, es el coeciente de correlaci on simple entre las variables aleatorias z
t
y z
tk
k
=
Cov(z
t
, z
tk
)
_
V ar(z
t
)V ar(z
tk
)
=
E(z
t
)(z
tk
)
_
E(z
t
)
2
E(z
tk
)
2
=

k
0
114 8.2. Funciones de autocorrelacion simple y parcial
Proposici on 64. El coeciente de autocorrelaci on simple en el retardo k es la pen-
diente en la regresi on lineal simple de z
t
sobre z
tk
.
Demostraci on. La regresi on simple de z
t
sobre z
tk
es
z
t
=
1
+
2
z
tk
+u
t
en donde u
t
es un proceso de ruido blanco. Tomando esperanza matem atica tenemos
=
1
+
2
Por tanto, la ecuacion de regresi on simple en desviaciones respecto a las medias pobla-
ciones es
z
t
=
2
z
tk
+u
t
Multiplicando la ecuacion por z
tk
y tomando esperanza matem atica obtenemos
E( z
t
z
tk
) =
2
E( z
2
tk
) +E(u
t
z
tk
)
en donde E(u
t
z
tk
) = 0 para k > 1. De aqu,
k
=
2
0

2
=

k
0
=
k
El coeciente de autocorrelaci on en el retardo k puede estimarse a partir de los datos

de una serie temporal como

k
=

k

0
=
n
t=k+1
(z
t
z)(z
tk
z)
n
t=1
(z
t
z)
2
que, en grandes muestras, puede aproximarse por la pendiente estimada en la regresi on
lineal simple de z
t
sobre z
tk
2
=

k

0
=
n
t=k+1
(z
t
z)(z
tk
z)
n
t=k+1
(z
tk
z)
2

k
El coeciente de correlacion parcial entre dos variables aleatorias X e Y dada Z,
denotado por
XY.Z
, se dene como el coeciente de correlaci on simple entre X e Y de-
spues de extraer la inuencia de Z. La extensi on de esta medida a un proceso estoc astico
es como sigue.
Definici on 62. El coeciente de autocorrelaci on parcial en el retardo k, denotado
por
kk
, es el la correlaci on simple entre z
t
y z
tk
despues de extraer la inuencia de
los retardos intermedios.
El calculo de las autocorrelaciones parciales puede basarse en el modelo de regresi on
m ultiple en desviaciones respecto a las medias poblacionales
z
t
=
1,k
z
t1
+ +
k,k
z
tk
+u
t
Multiplicando el modelo por z
tk
y tomando esperanza matem atica
E( z
t
z
tk
) =
1,k
E( z
t1
z
tk
) + +
k,k
E( z
2
tk
) +E(u
t
z
tk
)
y tomando esperanza matematica obtenemos
k
=
1,k
k1
+ +
k,k
tk
Dividiendo por
0
podemos especicar el sistema de ecuaciones de Yule-Walker
(8.1)
_
_
_
_
_
_
2
.
.
.
k
_
_
_
_
_
_
=
_
_
_
_
_
_
0

1
. . .
k1
1

0
. . .
k2
.
.
.
k1

k2
. . .
0
_
_
_
_
_
_
_
_
_
_
_
_
1,k
2,k
.
.
.
k,k
_
_
_
_
_
_
que nos permite obtener la autocorrelaci on parcial
k,k
en terminos de las autocorrela-
ciones simples
1
, . . . ,
k
. Aplicando la regla de Cramer, tenemos que
kk
=
1
1
. . .
1
1
1 . . .
2
.
.
.
.
.
. . . .
.
.
.
k1

k2
. . .
k
1
1
. . .
k1
1
1 . . .
k2
.
.
.
.
.
. . . .
.
.
.
k1

k1
. . . 1
Definici on 63. El conjunto {

k
; k = 0, 1, . . . } se denomina funci on de autoco-
varianzas.
k
; k = 0, 1, } se denomina funci on de autocor-
relaci on simple (ACF); y su gr aco, correlograma.
k,k
; k = 0, 1, } se denomina funci on de autocor-
relaci on parcial (PACF).
8.3. El proceso estacionario lineal general
Definici on 66. El proceso lineal general expresa cada la variable aleatoria z
t
como una combinaci on lineal de todas sus retardos pasados m as un termino de error
puramente aleatorio
(8.2)
z
t
=
1
z
t1
+
2
z
t2
+ +a
t
=
j=1
j
z
tj
+a
t
en donde z
tj
= z
tj
(j = 1, 2, . . . ) son los retardos de la variable aleatoria z
t
= z
t
,
es la media del proceso z
t
,
j
(j = 1, 2, . . . ) son los coecientes asociados a las variables
explicativas y a
t
es un proceso de ruido blanco.
Observaci on 41. El proceso lineal general (8.2) puede contemplarse como un modelo
de regresi on lineal con innitas variables explicativas, que son los retardos de la propia
variable dependiente. Se utiliza el termino proceso univariante para enfatizar que el
modelo incluye informaci on de una unica variable.
Observaci on 42. La ecuaci on (8.2) se denomina autorregresi on de orden innito,
denotada por AR(), y a veces se conoce tambien como la forma de un proceso.
116 8.3. El proceso estacionario lineal general
El algebra con procesos lineales se simplica considerablemente haciendo uso del
operador de retardo (en ingles, lag operator) o cambio hacia atr as (en ingles, backward
shift operator), denotado por L o B y denido como Bz
t
= z
t1
. La aplicaci on repetida
del operador B a z
t
permite expresar cualquier retardo z
tk
en terminos de z
t
. As,
B
2
z
t
= BBz
t
= Bz
t1
= z
t2
y B
k
= z
tk
. De aqu, el proceso lineal puede escribirse
como
(8.3)
z
t
=
1
B z
t
+
2
B
2
z
t
+ +a
t
=
j=1
j
B
j
z
t
+a
t
o bien
(B) z
t
= a
t
en donde (B) = 1
1
B
2
B
2
. . . es un polinomio en B de orden innito.
Observaci on 43. El operador adelanto o cambio hacia adelante (en ingles, forward
shift operator) se denota por F y se dene como Fz
t
= z
t+1
, cumpliendose que F = B
1
.
Proposici on 65. Representaci on de Wold (1938). El proceso lineal general
puede expresarse como una combinaci on lineal de los retardos de un proceso puramente
aleatorio
(8.4)
z
t
=a
t
+
1
a
t1
+
2
a
t2
+. . .
=a
t
+
j=1
j
a
tj
=(B)a
t
en donde (B) =
0
+
1
B +
2
B
2
+ . . . es un polinomio en B de orden innito con
0
= 1.
Demostraci on. Partiendo de (B) z
t
= a
t
, podemos escribir z
t
= (1/(B))a
t
=
(B)a
t
, en donde (B) =
1
(B). Vemos que los polinomios (B) y (B) cumplen la
relacion (B)(B) = 1, de modo que podemos obtener los pesos a partir de los pesos
, y viceversa.
Observaci on 44. La ecuaci on (8.2) es una media m ovil de orden innito, denotada
por MA(), y a veces se conoce tambien como la forma de un proceso.
Proposici on 66. El proceso lineal general es estacionario de segundo orden si
0
,
1
, . . . es una serie convergente, esto es, si la suma de los valores absolutos de los
pesos
j
es nita,
j=0
|
j
| < .
Demostraci on. Media: E( z
t
) = 0 E(z
t
) = .
Varianza
E( z
t
)
2
=E(a
t
+
1
a
t1
+
2
a
t2
+. . . )
2
=E(a
2
t
+
2
1
a
2
t1
+
2
2
a
2
t2
+ + 2
1
a
t
a
t1
+. . . )
=
2
a
(1 +
2
1
+
2
2
+. . . )
Covarianzas
E( z
t
z
tk
) =E[(a
t
+
1
a
t1
+
2
a
t2
+ +
k
a
tk
+
k+1
a
tk1
+
k+2
a
tk2
+. . . )
(a
tk
+
1
a
tk1
+
2
a
tk2
+. . . )]
=
2
a
k
+
2
a
k+1
1
+... =
2
a
j=0
j+k
Definici on 67. Un proceso es invertible si

0
,
1
,
2
. . . es una serie convergente,
esto es,
j=1
|
j
| < . En este caso, el pasado muy remoto es irrelevante en la expli-
caci on del presente.
Observaci on 45. La condiciones de estacionariedad e invertivilidad se cumplicar an
cuando el proceso tenga una representaci on MA y una representaci on AR nitas, re-
spectivamente.
A pesar de su interes teorico, el proceso lineal general no tiene ninguna relevancia
practica porque incluye un n umero innito de par ametros, que no podemos pretender
estimar usando muestras nitas. De ah que sea conveniente buscar representaciones
parsiomoniosas o escuetas que usen un n umero nito de par ametros y que sean bue-
nas aproximaciones al proceso lineal general. Tales aproximaciones pueden obtenerse
reemplazando el polinomio (B) por un polinomio racional
(B)
(B)
(B)
=
1
1
B
p
B
p
1
1
B
q
B
q
en donde (B) y (B) son dos polinomios en B de orden nito p y q, respectivamente.
Definici on 68. El proceso mixto autorregresivo-de medias m oviles de orden (p, q),
denotado por ARMA(p, q) se dene como
z
t
= +
1
z
t1
+ +
p
z
tp
+a
t
1
a
t1

q
a
tq
o, en terminos del operador de retardo,
(1
1
B
p
B
p
)z
t
= + (1
1
B
q
B
q
)a
t
en donde p es el orden del polinomio autorregresivo y q el del polinomio de medias
m oviles.
Proposici on 67. El proceso ARMA(p, q) es estacionario si las races B del poli-
nomio autorregresivo 1
1
B
p
B
p
= 0 caen fuera del crculo unitario, es decir,
son mayores que la unidad en valor absoluto.
Proposici on 68. El proceso ARMA(p, q) es invertible si las races B del polinomio
de medias m oviles 1
1
B
q
B
q
= 0 caen fuera del crculo unitario.
8.4. Proceso autorregresivo de primer orden
Definici on 69. El proceso autorregresivo de primer orden, denotado por AR(1), es
(8.5) z
t
= +z
t1
+a
t
(1 B)z
t
= +a
t
118 8.4. Proceso autorregresivo de primer orden
en donde , y
2
a
= E(a
2
t
) son los par ametros del modelo y a
t
es un proceso de ruido
blanco.
Observaci on 46. El proceso AR(1) se obtiene como caso especial del proceso lineal
general cuando
1
=
1
y
j
= 0 para j > 1
Observaci on 47. El proceso AR(1) puede contemplarse como un modelo de regresi on
simple
(8.6) y
t
=
1
+
2
x
t
+u
t
en donde la variable explicativa es la propia variable dependiente retardada un periodo.
El termino autorregresivo signica que la variable dependiente se explica por s misma,
sin auxilio de otras variables.
Proposici on 69. El proceso AR(1) tendr a una media estable si = 1.
Demostraci on. El proceso lineal general tiene media estable si
j=1
j
= 1. En
nuestro caso,
j=1
j
= .
Proposici on 70. Bajo estacionariedad de primer orden, podemos escribir el proceso
AR(1) en desviaciones respecto a la media
(8.7) z
t
= z
t1
+a
t
(1 B) z
t
= a
t
Proposici on 71. La representaci on del Wold del proceso AR(1) es
z
t
= a
t
+a
t1
+
2
a
t2
+ = a
t
+
j=1
j
a
tj
Demostraci on. La forma puede obtenerse siguiendo dos aproximaciones alter-
nativas.
1. Sustitucion reiterada de retardos:
(8.8)
z
t
= z
t1
+a
t
z
t
=[ z
t2
+a
t1
] +a
t
=
2
z
t2
+a
t1
+a
t
z
t
=
2
[ z
t3
+a
t2
] +a
t1
+a
t
=
3
z
t3
+
2
a
t2
+a
t1
+a
t
.
.
.
z
t
=
k
z
tk
+
k1
a
t(k1)
+ +
2
a
t2
+a
t1
+a
t
Si || < 1, entonces el termino
k
z
tk
es despreciable y tenemos el resultado
buscado.
2. Inversion del polinomio autorregresivo:
(1 B) z
t
= a
t
z
t
=
1
1 B
a
t
= (B)a
t
en donde (B) es un polinomio en B de orden innito
(B) = 1 +
1
B +
2
B
2
+. . .
cuyos coecientes pueden encontrarse de la relaci on (B)(1 B) = 1. El
polinomio producto
(B)(1 B) =1 +
1
B +
2
B
2
+ +B +
1
B
2
+
2
B
2
. . .
=1 + (
1
)B + (
2
1
)B
2
+ + (
j

j1
)B
j
+. . .
sera igual a 1 si sus coecientes
j

j1
son nulos. De aqu, encontramos
que
j
=
j
y podemos escribir
z
t
= (B)a
t
= a
t
+a
t1
+
2
a
t2
+. . .
Esta segunda aproximacion a veces se obtiene directamente como una aplicaci on
de la suma de una serie geometrica
1 +x +x
2
+x
3
+ =
1
1 x
cuando 1 < x < 1
De manera que
(1 B)
1
= 1 +B +
2
B
2
+. . .
Proposici on 72. El proceso AR(1) ser a estacionario de segundo orden si 1 <

< 1.
Demostraci on. El proceso lineal general es estacionario de segundo orden si
j=1
j
<
. En nuestro caso, como
j
=
j
, la condici on de estacionariedad requiere que
|| < 1.
Proposici on 73. El proceso AR(1) siempre es invertible.
Demostraci on. Es claro que el proceso AR(1) no depende del pasado remoto:
j=1
j
= < .
Proposici on 74. La funci on de autocovarianzas {
k
} de un proceso AR(1) es
k
=
k
0
en donde
0
=
2
a
/(1
2
).
Demostraci on. Para obtener la covarianza en el retardo k,
k
= E[(z
t
)(z
tk
)], multiplicamos la ecuacion (8.7) por z

tk
y tomamos esperanza matem atica
E( z
t
z
tk
) =E[( z
t1
+a
t
) z
tk
]
=E( z
t1
z
tk
) +E(a
t
z
tk
)
en donde E(a
t
z
tk
) =
2
a
si k = 0 y E(a
t
z
tk
) = 0 si k > 0. Vemos que para k = 0,
0
=
2
a
/(1
2
); y para k > 0,
k
cumple una ecuaci on en diferencias de primer orden
k
=
k1
.
120 8.4. Proceso autorregresivo de primer orden
Observaci on 48. La varianza
0
del proceso puede obtenerse directamente de la forma
. En efecto,
0
= E( z
2
t
) =E[(
j=0
j
a
tj
)
2
] = E[
j=0
2j
a
2
tj
+
j=0
h=j
h
a
tj
a
th
]
=
2
a
j=0
2j
que es la suma de una progresi on geometrica de raz on
2
. De aqu,
0
=
2
a
/(1
2
).
Proposici on 75. La funci on de autocorrelaci on {
k
} de un proceso AR(1) es
k
=
k
Observaci on 49. Se dice que el proceso AR(1) tiene una memoria innita para in-
dicar que z
t
est a correlacionado con cualquier retardo z
tk
.
Proposici on 76. La funci on de autocorrelaci on parcial {
k,k
} se anula o corta para
retardos k mayores que 1, siendo
1,1
=
0
= .
Demostraci on. La funcion de autocorrelaci on parcial puede calcularse a partir de
las ecuaciones de Yule-Walker (8.1), resultando que
(8.9)
11
=
1
=
22
=
1
1
1

2
1
1
1
1
1

2
1
1
= 0
.
.
.
kk
=
1
1
. . .
1
1
1 . . .
2
.
.
.
.
.
. . . .
.
.
.
k1

k2
. . .
k
1
1
. . .
k1
1
1 . . .
k2
.
.
.
.
.
. . . .
.
.
.
k1

k1
. . . 1
1 . . .
1 . . .
2
.
.
.
.
.
. . . .
.
.
.
k1
k2
. . .
k
1 . . .
k1
1 . . .
k2
.
.
.
.
.
. . . .
.
.
.
k1
k2
. . . 1
= 0
Vemos que el determinante del numerador para
kk
(k > 1) se anula porque la ultima
columna es veces la primera.
El cuadro (2) muestra las funciones de autocorrelaci on simple y parcial para dos
modelos AR(1). Si = 0,9 > 0, {
k
} decrece exponencialmente al aumentar el retardo
k, mientras que {
kk
} solo tiene un coeciente distinto de cero en el primer retardo. Si
= 0,9 < 0, la funcion de autocorrelaci on simple decrece alternando en signo, y la
funcion de autocorrelaci on parcial toma un valor negativo en el primer retardo.
-1
-0.5
0
0.5
1
k
k (1 - 15)
-1
-0.5
0
0.5
1
k
,
k
k (1 - 15)
(a) = 0,9
-1
-0.5
0
0.5
1
k
k (1 - 15)
-1
-0.5
0
0.5
1
k
,
k
k (1 - 15)
(b) = 0,9
Figura 1: Funciones de autocorrelaci on simple y parcial para dos procesos AR(1)
Los resultados anteriores se extienden f acilmente al proceso autorregresivo estacional
de primer orden, denotado por AR(1)
s
,
z
t
= +z
ts
+a
t
(1 B
s
)z
t
= +a
t
que es util en la descripcion de series trimestrales (s = 4) y mensuales (s = 12). Por
ejemplo, cuando pensamos que las ventas de una empresa en un mes determinado de-
penden de las ventas en el mismo mes del a no anterior.
8.5. Proceso de medias moviles de primer orden
Definici on 70. La ecuaci on de un proceso de medias m oviles de primer orden,
denotado por MA(1), es
(8.10) z
t
= +a
t
a
t1
o z
t
= + (1 B)a
t
en donde , y
2
a
= E(a
2
t
) son los par ametros del modelo y a
t
blanco.
Observaci on 50. El proceso MA(1) es un caso especial de la forma del proceso
lineal general que se obtiene jando
1
= y
j
= 0 j > 1.
Proposici on 77. El proceso MA(1) en desviaciones respecto a la media es
z
t
= a
t
a
t1
o z
t
= (1 B)a
t
en donde z
t
= z
t
Demostraci on. Es inmediato comprobar que el termino constante es la media

del proceso
E(z
t
) = +E(a
t
) E(a
t1
) =
Proposici on 78. La forma del proceso MA(1) es

z
t
= z
t1
2
z
t2
+a
t
=
j=1
j
z
tj
+a
t
Demostraci on. Seguimos las dos aproximaciones descritas para el proceso AR(1).
122 8.5. Proceso de medias moviles de primer orden
1. Sustitucion reiterada de errores retardos:
(8.11)
z
t
=a
t
a
t1
z
t
=a
t
( z
t1
+a
t2
) = a
t
z
t1
2
a
t2
z
t
=a
t
z
t1
2
( z
t2
+a
t3
) = a
t
z
t1
2
z
t2
3
a
t3
.
.
.
z
t
= z
t1
2
z
t2

k1
z
tk+1
+a
t
k
a
tk
en donde el termino
k
a
tk
tender a a cero cuando k si || < 1.
2. Inversi on del polinomio de medias m oviles:
z
t
= (1 B)a
t

1
1 B
z
t
= a
t
(B)z
t
= a
t
en donde (B) es un polinomio en B de orden innito
(B) = 1
1
B
2
B
2
. . .
cuyos coecientes pueden encontrarse de la relaci on (B)(1 B) = 1. El
polinomio producto
(B)(1 B) =1
1
B
2
B
2
B +
1
B
2
+
2
B
2
. . .
=1 (
1
+)B (
2
+
1
)B
2
(
j
+
j1
)B
j1
+. . .
sera igual a 1 si sus coecientes
j
+
j1
son nulos. De aqu, encontramos
que los pesos
j
=
j
.
Proposici on 79. Un proceso MA(1) siempre es estacionario.

Demostraci on. Se cumple que
j=1
|
j
| = || < .
Proposici on 80. Un proceso MA(1) es invertible si 1 < < 1.
Demostraci on. Se cumplira que
j=1
|
j
| =
j=1
|
j
| < cuando || < 1.
Proposici on 81. La funci on de autocovarianzas de un proceso MA(1) es
k
_
_
(1
2
)
2
a
k = 0
2
a
k = 1
0 k > 1
Demostraci on. Es claro que
E( z
t
z
tk
) = E[(a
t
a
t1
)(a
tk
a
tk1
)]
Proposici on 82. La funci on de autocorrelaci on simple de un proceso MA(1) es
k
_
_
_

1
2
k = 1
0 k > 1
Observaci on 51. Se dice que la memoria del proceso MA(1) es de un periodo porque
k
= 0 para k > 1.
Observaci on 52. Si || < 1, entonces |
1
| < 0,5.
Proposici on 83. La funci on de autocorrelaci on parcial de un proceso MA(1) es
kk
=

k
(1
2
)
1
2(k+1)
para k > 0
Demostraci on. Resolviendo las ecuaciones de Yule-Walker para distintos retardos,
obtenemos
11
=
1
,
22
=
1
1
1

2
1
1
1
1
=

2
1
1
2
1
,
33
=
1
1

1
1
1
2
2

1

3
1
1

2
1
1
1
2

1
1
=

3
1
1 2
2
1
, . . .
El cuadro (2) muestra las funciones de autocorrelaci on simple y parcial para dos
modelos MA(1). Cuando el par ametro MA es positivo, la ACF tiene un coeciente
negativo en el primer retardo y la PACF se amortigua alternando en signo. Por el
contrario, cuando el parametro MA es negativo, la ACF tiene un coeciente positivo en
el primer retardo, y la PACF decrece exponencialmente por debajo de cero.
-1
-0.5
0
0.5
1
k
k (1 - 15)
-1
-0.5
0
0.5
1
k
,
k
k (1 - 15)
(a) = 0,9
-1
-0.5
0
0.5
1
k
k (1 - 15)
-1
-0.5
0
0.5
1
k
,
k
k (1 - 15)
(b) = 0,9
Figura 2: Funciones de autocorrelaci on simple y parcial para dos procesos MA(1)
Los resultados anteriores se extienden f acilmente al proceso de medias m oviles esta-
cional de primer orden, denotado por MA(1)
s
,
z
t
= +a
t
a
ts
z
t
= + (1 B
s
)a
t
8.6. Procesos no estacionarios
Las series temporales que observamos en economa suelen ser no estacionarias en
media. Por ejemplo, en el graco temporal (3) de la serie mensual Indices de Precios
Industriales en Espa na vemos que la media local (la media de un subconjunto de ob-
servaciones) aumenta en el tiempo. Las series temporales con estas caractersticas se
denominan series no estacionarias y no pueden ser descritas directamente mediante pro-
cesos estacionarios.
124 8.6. Procesos no estacionarios
18
76
130
1975 1980 1985 1990 1995 2000 2005
z
t
t(1975.1 2007.12)
-1
-0.5
0
0.5
1
12 24 36
k
k(1 39)
-1
-0.5
0
0.5
1
12 24 36
k
,
k
k(1 39)
Figura 3: Graco temporal y funciones de autocorrelaci on para la serie mensual Indices
de Precios Industriales
El modelo de regresion con tendencia lineal
y
t
=
0
+
1
t +u
t
, t = 1, . . . , n
es un candidato razonable para describir series que uct uan alrededor de una tendencia
lineal. El modelo puede ampliarse, en caso necesario, especicando un proceso ARMA
para el termino de error u
t
. Por ejemplo, suponiendo que u
t
= u
t1
+ a
t
, en donde a
t
es un proceso de ruido blanco.
Una aproximacion alternativa consiste en ajustar un proceso autorregresivo de primer
orden
(1 B)y
t
= +u
t
en donde u
t
es un proceso de ruido blanco. Esta especicaci on puede justicarse por la
forma de las funciones de autocorrelaci on simple y parcial mostradas en el gr aco (3).
Cuando = 1, el proceso y
t
no es estacionario. Sin embargo, su primera diferencia s es
estacionaria, E(y
t
y
t1
) = .
Definici on 71. La diferencia primera de un proceso y
t
es y
t
y
t1
o (1 B)y
t
.
Definici on 72. La diferencia segunda de un proceso y
t
es la diferencia primera de
la diferencia primera (y
t
y
t1
) (y
t1
y
t2
) o (1 B)
2
y
t
.
Definici on 73. La diferencia de orden d de un proceso y
t
es (1 B)
d
y
t
o
d
y
t
, en
donde = 1 B se denomina operador diferencia.
Muchas series temporales no estacionarias en media pueden transformarse en esta-
cionarias o bien ajustando polinomios de tendencias o bien tomando sucesivas diferen-
cias. La serie resultante puede ser entonces descrita por un modelo ARMA.
Definici on 74. El modelo de regresi on con tendencia determinista y autocorrelaci on
es
y
t
=
0
+
1
t + +
r
t
r
+u
t
u
t
=
1
u
t1
+ +
p
u
tp
+a
t
1
a
t1
a
tq
Definici on 75. Un proceso y
t
es integrado de orden d si al diferenciarlo d veces
obtenemos un proceso z
t
= (1 B)
d
y
t
estacionario.
Definici on 76. El proceso ARIMA(p,d,q) es
(1
1
B
p
B
p
)(1 B)
d
y
t
= + (1
1
B
q
B
q
)a
t
Definici on 77. El proceso ARIMA(0, 1, 0) sin termino constante
(1 B)y
t
= a
t
se denomina paseo aleatorio, tambien conocido como paseo del borracho. Si el modelo
incluye termino constante, se denomina paseo aleatorio con deriva.
Observaci on 53. Al diferenciar una serie cuando no es necesario obtenemos modelos
MA no invertibles. Por ejemplo, si una serie temporal ha sido generada por un modelo
de tendencia lineal, la diferencia primera conduce a un proceso MA(1) no invertible.
Para verlo, escribimos el modelo de regresi on en dos instantes consecutivos
y
t
=
0
+
1
t +u
t
y
t1
=
0
+
1
(t 1) +u
t1
y restando obtenemos
y
t
y
t1
=
1
+u
t
u
t1
, t = 2, . . . , n
en donde y
t
es un proceso MA(1) no invertible ( = 1) si u
t
blanco.
Definici on 78. La diferencia estacional z
t
z
ts
o (1B
s
)z
t
se emplea para eliminar
la estacionalidad.
En el analisis de series temporales reales la decisi on de si una serie es estacionaria o
no estacionaria puede basarse en la inspecci on de su gr aco temporal y en la funci on de
autocorrelacion simple. Las series no estacionarias tienen medias locales inestables y la
funcion de autocorrelacion decrece muy lentamente. Un procedimiento estadstico m as
formal es el contraste de Dickey-Fuller
Definici on 79. En el modelo y
t
= y
t1
+ u
t
, se rechaza la hip otesis nula de no
estacionariedad H
0
: = 1 frente a la alternativa de estacionariedad H
1
: < 1 cuando
DF =
1
se(
)
< c
en donde

=
n
t=2
y
t
y
t1
/
n
t=2
y
2
t1
es el estimador de mnimos cuadrados de , se(
)
es la raz de

V (
) =
2
u
/
n
t=2
y
2
t1
y c
es el valor crtico para el nivel de signicaci on

en una distribuci on no est andar tabulada por Dickey y Fuller.
Algunas series economicas, adem as de ser no estacionarias en media, tienen vari-
anzas locales inestables. La no estacionariedad en varianza puede corregirse tomando
logaritmos, que es un tipo de transformaci on Box-Cox.
126 8.7. Prediccion con modelos ARIMA
Definici on 80. La transformaci on potencia Box-Cox es una familia de transforma-
ciones que inducen linealidad, homocedastidad (varianza estable) y normalidad
y
()
t
=
z
t
1
=
_
_
y
t
= 1
y
t
= 0,5
ln(y
t
) = 0
1
y
t
= 0,5
1
y
t
= 1,0
8.7. Prediccion con modelos ARIMA
La prediccion lineal general del valor futuro z
n+h
desde el origen n es una combi-
nacion lineal de las observaciones pasadas z
n
, z
n1
, z
n2
, . . .
z
n
(h) =
0
z
n
+
1
z
n1
+
2
z
n2
+. . .
y, mediante sustituciones sucesivas, puede expresarse en terminos de los errores pasados
z
n
(h) =
0
a
n
+
1
a
n1
+
2
a
n2
+. . .
Nos interesa elegir los pesos
i
o
i
de manera que el error de predicci on e
n
(h) =
z
n+h
z
n
(h) tenga error cuadratico medio mnimo.
Proposici on 84. La predicci on de error cuadr atico medio mnimo de z
n+h
en el
origen n y a horizonte h es la esperanza de z
n+h
condicionada a todas las observaciones
disponibles hasta el origen n
z
t
(h) = E(z
n+h
|z
n
, z
n1
, z
n2
, . . . ) =
h
a
n
+
h+1
a
n1
+. . .
Demostraci on. Si el modelo es estable, el valor futuro z
n+h
vendr a generado por
z
n+h
= a
n+h
+
1
a
n+h1
+ +
h
a
n
+
h+1
a
n1
+. . .
El error de prediccion
e
n
(h) = z
n+h
z
n
(h) = a
n+h
+
1
a
n+h1
+ + (
h
0
)a
n
+ (
h+1
1
)a
n1
+. . .
es insesgado y tiene varianza
V (e
n
(h)) =
2
a
(1 +
2
1
+ +
h1
) +
2
a
[(
h
0
)
2
+ (
h+1
1
)
2
+. . . ]
La varianza, error cuadratico medio E(z
n+h
z
n
(h)), ser a mnima cuando
i
=
h+i
(i =
0, 1, . . . ). De aqu, la prediccion de error cuadr atico medio mnimo
z
n
(h) =
h
a
n
+
h+1
a
n1
+
h+2
a
n2
+. . .
es la esperanza de z
n+h
condicionada a todas las observaciones pasadas.
Observaci on 54. En la predicci on con modelos ARIMA hacemos uso de los siguientes
resultados:
1. E(z
t
|z
n
, z
n1
, . . . ) = z
n
(t n) cuando t > n.
2. E(z
t
|z
n
, z
n1
, . . . ) = z
t
cuando t n
3. E(a
t
|z
n
, z
n1
, . . . ) = 0 cuando t > n.
4. E(a
t
|z
n
, z
n1
, . . . ) = a
t
cuando t n
Ejemplo 16. Predicci on con el modelo AR(1).
Prediccion: z
n
(h) = z
n
(h 1) con z
n
(1) = z
n
.
Error de prediccion: e
n
(h) = a
n+h
+a
n+h1
+ +
h1
a
n+1
Varianza: V (e
n
(h) =
2
(1 +
2
+ +
2(h1)
)
Prediccion por intervalo: z
n
(h) c
_
2
a
(1 +
2
+ +
2(h1)
) en donde c
es el valor crtico tal que Prob(|N(0, 1)| < c) = 1 .
Ejemplo 17. Predicci on con el modelo MA(1).
Prediccion: z
n
(1) = a
n
y z
n
(h) = 0 para h > 1.
Error de prediccion: e
n
(1) = a
n+1
y e
n
(h) = a
n+h
+a
n+h1
para h > 1.
Varianza: V (e
n
(1) =
2
y V (e
n
(h)) = (1 +
2
) para h > 1.
Prediccion por intervalo: z
n
(1) c
2
a
y z
n
(h) c
_
2
a
(1 +
2
) para
h > 1.
8.8. Resumen
1. Una serie temporal es una realizaci on particular de proceso estoc astico.
2. El proceso estocastico lineal general expresa cada observaci on de una serie
temporal como una combinaci on lineal de las observaciones pasadas.
3. Un proceso es debilmente estacionario si sus dos primeros momentos existen y
son estables.
4. Los procesos ARMA son una aproximaci on al proceso lineal general que incluye
un n umero nito de par ametros.
5. Los procesos ARMA est an caracterizados por las funciones de autocorrelaci on
simple y parcial, que nos permiten distinguir unos procesos de otros.
6. Las series temporales no estacionarias en media puede convertirse en estacionar-
ias extrayendo tendencias deterministas o diferenciando.
7. Las series temporales no estacionarias en varianza pueden convertirse en esta-
cionarias tomando logaritmos o cualquier otra transformacion Box-Cox.
8. La dinamica de los modelos ARIMA es conveniente para calcular predicciones
de forma recursiva.
Palabras clave
Proceso estocastico
Serie temporal
Proceso lineal general
Estacionariedad
Invertibilidad
Funci on de autocorrelaci on
Procesos integrados
Procesos ARIMA
Predicci on
8.9. Ejercicios
1. Suponga que z
t
=
1
z
t1
+u
t
y u
t
=
2
u
t1
+a
t
, en donde a
t
es un proceso de
ruido blanco. Demuestre que z
t
sigue un proceso AR(2).
2. Suponga que z
t
= u
t
1
u
t1
y u
t
= a
t
2
a
t1
, en donde a
t
es un proceso de
t
sigue un proceso MA(2).
3. Suponga que z
t
=
1
z
t1
+u
t
y u
t
= a
t
2
a
t1
, en donde a
t
es un proceso de
t
sigue un proceso ARMA(1, 1).
128 8.10. Ejercicios resueltos
4. Explique detalladamente las propiedades de un proceso ARMA(1, 1) y su uso
en prediccion.
8.10. Ejercicios resueltos
1. Escribimos los dos modelos en notaci on retardos
(1
1
B)z
t
=u
t
(1
2
B)u
t
=a
t
Premultiplicando la primera ecuaci on por (1
2
B) obtenemos
(1
2
B)(1
1
B)z
t
= (1
2
B)u
t
= a
t
que podemos escribir como
(1
1
B +
2
B
2
)z
t
= a
t
en donde
1
=
1
+
2
y
2
=
1
2
.

Ar, Ma, Arma, Arima

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ar, Ma, Arma, Arima

Diunggah oleh

Hak Cipta:

Format Tersedia

CAPTULO 8

Analisis de series temporales

) que satisface la condici on

que existiran s y solo s

El coeciente de autocorrelaci on en el retardo k puede estimarse a partir de los datos

Definici on 63. El conjunto {

Definici on 67. Un proceso es invertible si

Proposici on 72. El proceso AR(1) ser a estacionario de segundo orden si 1 <

)], multiplicamos la ecuacion (8.7) por z

Demostraci on. Es inmediato comprobar que el termino constante es la media

Proposici on 78. La forma del proceso MA(1) es

Proposici on 79. Un proceso MA(1) siempre es estacionario.

Proposici on 82. La funci on de autocorrelaci on simple de un proceso MA(1) es

es el valor crtico para el nivel de signicaci on

Anda mungkin juga menyukai