Anda di halaman 1dari 4

El prximo da nos reunimos directamente en el AULA de Laboratorio. Est reservado como si fuera un Jueves.

Haremos tres cosas: (podis conocer su contenido) 1) Terminar la estimacin del modelo ARIMA de la serie individual. 2) Hacer el Forecast (manualmente). 3) Comprobar dicho ajuste y prediccin manual con el automatismo de Eviews. Census X12 (sa, sf, tc) y Tramo Seats con forecast horizon. Ambos mtodos se encuentran dentro del botn Proc de una serie activada y en el submen de Seasonal Adjustment. 3.1. Realizar este mismo ejercicio en el programa TSW (TramoSeats) del Banco de Espaa. http://www.bde.es/servicio/software/tsw.htm Pasos del procedimiento-mtodo ARIMA. Modelos ARIMA. Por supuesto, en este punto, el alumno ya sabe la teora bsica para realizar un modelo ARIMA. Este contenido solo ayuda/apoya a la realizacin prctica del trabajo o tarea. El alumno debe conocer los botones clave de Eviews para el procedimiento manual y para el procedimiento automtico (revisar botn Proc de una serie y sus opciones del men Seasonal adjustment y Exponential Smoothing). Insistimos, estos pasos se realizan despus de manejar correctamente el concepto de estacionariedad, la visualizacin grfica de la serie y los anlisis estadsticos bsicos. Pues bien, veamos un ejemplo del procedimiento manual: (tambin hay un ejemplo en la pgina 265, 272 y 287 del libro Prediccin y simulacin aplicada a la economa y gestin de empresas y en la pgina 645 del libro Modelos economtricos). 1. Especificacin del modelo o identificacin de los rdenes p,d,q (y P,D,Q si es estacional). ARIMA (p,d,q) SARIMA (P,D,Q) 2. Estimacin de los parmetros del modelo y contraste de validez del mismo 3. Prediccin de los valores de la serie original para el periodo N + L. El bloque 1. es el ms laborioso. 1.- Observar el grfico de la serie. Comprobacin de estacionariedad en media y en varianza mediante estadsticos. 2.- Transformacin previa de la serie tomando Logaritmos. Genr LY = log(Y); corrige la estacionariedad en varianza, se debe realizar antes del paso siguiente para evitar logaritmos de valores negativos. Es necesaria en caso de heterocedasticidad. Permite disponer de valores ms constantes en la varianza de la serie. Si es innecesario es que la dispersin de la serie es parecida. Una buena eleccin, conforme a la experiencia, es hacer una transformacin logaritmica cuando una varianza (o rango) creciente con relacin a la media para segmentos sucesivos de la serie. 3.- Eliminacin de la Tendencia mediante diferenciacin regular (y/o en la parte estacional). Genr DLY = LY - LY(-1); una serie con tendencia lineal ser corregida simplemente con primeras diferencias. Una serie con tendencia no lineal exigir una segunda diferencia. Adicionalmente, si se

observa una tendencia en la parte estacional exigir alguna diferencia (D=1) en la parte estacional (12 4, mensual o trimestral, respectivamente). Si la serie tiene tendencia, d no podr ser = 0, seguramente d = 1, ya que normalmente no hacen falta ms de dos diferencias (d=2). Si existe una tendencia aparte de estos valores, a veces presente en series mensuales (12) o trimestrales (4) habr tambin que considerar D = 1. 4.- Observar nuevamente/graficamente la serie original Y, la serie LY y la serie DLY. 5.- Identificacin del modelo: procesos AR(p, P) y MA (q, Q) Es decir, determinar el orden de los procesos autorregresivos y de medias mviles de los componentes regular y estacional. Esta decisin se toma tcnicamente de las funciones de autocorrelacin total y parcial (FAC y FAP). Se ha puesto un link online a disposicin del alumno para saber interpretar los correlogramas. 6.- Decidido el modelo, se procede a la Estimacin de los coeficientes del modelo mediante MCO (Mnimos Cuadrados Ordinarios). Ya estamos en el Bloque o Parte 2. 7.- Contraste de Validez conjunta del modelo (R2, Sum Squared Resid, t, F) 8.- Anlisis detallado de los errores; correlograma de los Errores (revisar outliers) 9.- Seleccin del Modelo. Ya estamos en el Bloque o Parte 3. 10.- Prediccin. ACCIONES PRCTICAS: Buscamos una serie no estacionaria (random walk o paseo aleatorio) para ello el trmino de la perturbacin aleatorio (de los errores) debe ser ruido blanco (white noise): media nula, varianza constante y ausencia de autocorrelacin. Hay quien realiza un correlograma inicial de la serie para ver si hay excesivo ruidos indicativos de no estacionariedad en media. Y, tambin, se hace un grfico SCAT de la media ya la desviacin tpica. S cuando la media aumenta la desviacin tpica tambin aumenta, hay una relacin y por tanto no existe estacionariedad en varianza. 2.- Genr LY = log(Y) en presencia de estacionariedad en varianza 3.- Genr DLY = LY - LY(-1) en presencia de estacionariedad en media En este paso, debemos detenernos y verificar no solo estadsticamente la necesidad de hacer la serie estacionaria en media, habiendo seleccionado varios periodos maestrales para ver su similitud o diferencia, sino proceder con el botn Unit Root Test del men View cuando la serie en estudio est activada. TEST DE ADF. En este momento, estamos en la pg. 6 del ejemplo de TERRA del prof. R. DE ARCE (ver enlace siguiente). Se puede apreciar el test de A. Dickey-Fuller para la serie en Niveles (Level) seleccionando primero Trend and Intercept, luego Intercept, y finalmente None segn se indica. Vamos buscando que ADF Test nos d un valor que supere (en trminos absolutos) al 99% (95% y 90%) el valor de tablas para descartar la existencia de raz unitaria u orden de integracin (si ADF es mayor que valores crticos rechazamos la Ho que es la no existencia de estacionriedad). Como el test plantea la Ho como existencia de una raz unitaria (test formulado en pesimismo). Cuando la serie no es estacionaria, presenta una raz unitaria (integrada de orden 1) y, por tanto, aceptamos la Ho. Claramente, cuando la serie haya sido correctamente integrada o identificada en su orden de integracin y se le pregunte al test sobre 1st Difference en lugar de Level nos indicar el acierto de nuestro diagnstico. Vase pg. 9 del ejemplo citado.

Es aconsejable exigirnos el 99% aunque en algn caso nos pueda llevar a sobrediferenciar ya que el objetivo es predecir con una serie estacionaria en sentido estricto. En el test hay que incluir el nmero de retardo que nos lleve a un valor de Durban Watson cercano a 2. Cuando con un Durban Watson exigido en esa cifra y un ADF test superior al valor de tablas al 99% podremos rechazar la hiptesis nula de existencia de raz unitaria. Nuestra serie ya es estacionaria en media y en varianza. 4.- lo que se indica en 4. 5.- IDENT DLY (se escribe en Eviews) o se activa la serie y se elige el comando Ident. La imagen ser de un correlogram de la serie transformada. En el ejemplo, el proceso es AR(1). Si tuviramos que explicar un proceso SARIMA (P,D,Q) en el componente autorregresivo o de mdias mviles, se escriben SAR (12) y SMA(12), respectivamente, en caso de orden 12 tpico de series mensuales con efectos en la parte estacional. 6.- Se realizan MCO => LS DLY c AR(1) 7.- Se revisan los ratios. R2, Durbin Watson y t-Statistic principalmente. Recordemos que son ptimos valores de Durbin Watson cercanos a 2. T Statistic ampliamente superiores a 2. y R2 lo ms prximo posible de 1.00 8.- Correlogram of Residuals (correlograma de Residuos) para ver si ya es ruido blanco. IDENT RESID El grfico debe ser suficientemente ilustrativo. Como aadido, consultar la columna del estadstico QStat (nos muestra la probabilidad igual a cero de que haya alguna autocorrelacin en el residuo; es decir, afirma que estamos ante un ruido blanco). Cuando los valores Q-Stat crecen desde el retardo 1 hacia retardos superiores progresivamente pero su magnitud es pequea (e inferior a 50 en el retardo 36) nos indica que no hay correlacin entre valores. Normalmente valores de Residuos acotados en las bandas y valores de Probabilidad (Q-Stat) muy prximos a cero. As las cosas, los residuos no nos aportan informacin = ruido blanco. Si no lo fuera, deberamos seguir identificando el modelo e incluyendo otros trminos ARIMA y otros nmeros de orden visibles en el propio correlograma del Residuals. Es decir, si despus de realizar MCO y revisar el correlograma de Residuals no es ruido blanco, identificamos el nuevo modelo ARIMA, hacemos MCO y volvemos a comprobar ratios y el correlograma de Residuals hasta que estemos conformes en que nuestra serie es ruido blanco. 9.- Conocido el Modelo, se hace la estimacin nuevamente ( estimate), se consulta el residual graph, y 10.- Se usa para Predecir con el comando forecast (siempre despus de una accin reciente de estimate que guarda temporalmente en memoria como modelo con el que predecir). Para poder hacer Prediccin el simple (smpl) del modelo deber ser superior al periodo observado. Si las series llegan hasta 2008.01 habr que ampliar range y simple hasta 2008.12. Obtendremos DLYF, como la serie est diferenciada y transformada en logaritmos habr que deshacer las transformaciones. Primero, eliminamos las diferencias, sumamos los valores de forecast (smpl del forecast -1) al ltimo valor observado sin diferenciar, o bien a todo el sample le eliminamos las diferencias [si hicimos genr DLY = LY LY(-1) ahora haremos genr LY = DLY + LY (-1)] y volvemos a realizar la prediccin. Segundo, luego aplicamos exponencial genr YF = exp(serie proyectada) a todo el sample.

Ya habremos recorrido los puntos 1 y 2 para el prximo da de clase y adems habremos resuelto el trabajo / tarea indicada. Ahora estamos en 3) Comprobar dicho ajuste y prediccin manual con el automatismo de Eviews. Census X12 (sa, sf, tc) y Tramo Seats con forecast horizon. Ambos mtodos se encuentran dentro del botn Proc de una serie activada y en el submen de Seasonal Adjustment. El primero nos ofrece la identificacin automtica del modelo ARIMA sin forecast para que el analista pueda aplicarlo y la segunda ya lo ofrece directamente. 3.1) Igualmente, la clase termina con un ejemplo de actuacin prctica con el software gratuito del Banco de Espaa (Tramo Seats, TSW).

Anda mungkin juga menyukai