Modelos univariantes de series odeosu va a esdese es

temporales
Alfonso Novales
Departamento Economa Cuantitativa
Universidad Complutense p
Procesos estocsticos
Conceptos y estadsticos Conceptos y estadsticos
Procesoestocstico Proceso estocstico
Un proceso estocstico es una sucesin de variables aleatorias.
Consideramos procesos estocsticos indexados por la variable tiempo Consideramos procesos estocsticos indexados por la variable tiempo.
Cada una de estas variables aleatorias tiene su propia distribucin de
probabilidad probabilidad
Una serie temporal de datos se interpreta como una realizacin de un
proceso estocstico. Cada dato es una realizacin (una muestra de
tamao uno) de la distribucin de probabilidad de la variable aleatoria
correspondiente a dicho momento.
Octubre 2011
Alfonso Novales
U.Complutense
Procesosestocsticosfundamentales Procesos estocsticos fundamentales
Un ruido blanco es una sucesin de variables aleatorias
independientes en el tiempo, con esperanza matemtica cero e igual
varianza {c
t
}.
Un paseo o camino aleatorio es un proceso estocstico {y
t
}, cuyas
primeras diferencias constituyen un ruido blanco,
y
t
=y
t-1
+c
t
y
t
-y
t-1
=c
t
, t=...,-1,-2,0,1,2,...
Ej i i d i l i Ejercicios de simulacin
Octubre 2011
Alfonso Novales
U.Complutense
Estacionariedad Estacionariedad
U t ti t i i i l di t ib i d Un proceso estocstico es estacionario si la distribucin de
probabilidad de cualquier subconjunto de variables del mismo (no
necesariamente consecutivas) es constante en el tiempo.
En particular, todas las variables aleatorias que configuran el proceso
han de tener la misma distribucin de probabilidad.
Esto es muy exigente. Nos conformamos con el concepto de
estacionariedad dbil o de segundo orden: las variables individuales,
as como un par de variables separado por s periodos, tiene p p p p ,
distribucin de probabilidad invariante en el tiempo.
El ruido blanco es un proceso estocstico estacionario de segundo p g
orden.
Octubre 2011
Alfonso Novales
U.Complutense
El caminoaleatorionoesestacionario El camino aleatorio no es estacionario
El camino aleatorio no es un proceso estacionario. A partir de un valor inicial, el
valor en t puede escribirse,
1 2 1 0
...
t
t t t t t t s
y y y y c c c c = + = + + = = +

por lo que su esperanza es,

1 2 1 0
1
t t t t t t s
s
y y y y

=

| |
Pero su varianza
0 0
1
, 1,2,3,...
t
t s
s
Ey y E y t c
=
| |
= + = =
|
\ .

Pero su varianza,
2
1
( ) , 1,2,3,...
t
t s
s
Var y Var t t
c
c o
=
| |
= = =
|
\ .

crece (cambia) en el tiempo sin lmite.

Octubre 2011
Alfonso Novales
U.Complutense
Funciones de autocovarianza y de
autocorrelacin simple
La funcin de autocovarianza de un proceso estocstico es,
( )
k
que ser una funcin nicamente de k en un proceso estacionario de segundo
d
( )
,
k
t t t k
Cov y y

=
orden.
La funcin de autocorrelacin simple es,
( )
( ) ( )
,
k
k
t
t t t k
t t k
Corr y y
Var y Var y

= =
En un proceso estacionario de segundo orden,
( ) ( )
k
( )
2
,
k
k
t
t t t k
y
Corr y y

= =
Octubre 2011
Alfonso Novales
U.Complutense
Funcindeautocorrelacinparcial Funcin de autocorrelacin parcial
La funcin de autocorrelacin parcial de un proceso estocstico es una funcin
que para cada instante t y cada entero k toma un valor numrico igual a la
correlacin entre y
t
e y
t-k
corregida del efecto comn de los retardos intermedios
y
t-1
, y
t-2
,..., y
t-k+1
.
Se estima mediante una serie de de regresiones, explicando y
t
, en
desviaciones respecto a su media muestral, por k retardos suyos, k =1,2,3,..., y
tomando en cada caso el coeficiente estimado en el ltimo retardo tomando en cada caso el coeficiente estimado en el ltimo retardo.
Octubre 2011
Alfonso Novales
U.Complutense
Funciones de autocorrelacin: significacin
estadstica
Si el verdadero modelo es AR(p), la distribucin de los valores estimados de la
fap es, asintticamente N(0,1/T) (aprox.) para j>p, por lo que examinamos si
dichos valores caen en el intervalo (-2/T,2/T). Si a partir de un cierto orden p
dichos valores caen dentro del intervalo, no rechazaremos la hiptesis de que el
proceso es AR de orden igual o inferior a p proceso es AR de orden igual o inferior a p.
El mismo procedimiento se aplica a la estimacin de la fas para contrastar si el
proceso es MA de orden igual o inferior a q proceso es MA de orden igual o inferior a q.
Octubre 2011
Alfonso Novales
U.Complutense
Funciones de autocorrelacin: significacin
estadstica
Si el proceso no es ruido blanco, el cociente 1/T puede no ser una buena
aproximacin a la varianza de las estimaciones de las fas, fap.
Si
k
es distinto de cero para kq e igual a cero para k>q, entonces la varianza
de r
k
es aproximadamente [Bartlett],
( )
2 2 2
1 2
1 2 ...
( )
k
k
Var r
T
+ + + +
=
lo que explica la aproximacin 1/T cuando se quiere contrastar la estructura de
ruido blanco
T
Octubre 2011
Alfonso Novales
U.Complutense
Funciones de autocorrelacin: significacin
estadstica
La frmula de Bartlett tiende a sobreestimar la varianza de los valores de las
fas, fap, por lo que sus intervalos de confianza tienen tendencia a ser
demasiado amplios. El sesgo es hacia no detectar estructura en algunos
casos en que sta existe.
Lo que sugiere contrastar significacin a niveles de 80%, 85%, es decir, utilizar
umbrales crticos de 1,4 (aprox.).
En general, 1/T es una cota superior para la varianza de fas, fap.
Octubre 2011
Alfonso Novales
U.Complutense
Hiptesis nula:
los residuos son ruido blanco
Box-Pierce
2 2 2
( ) Q T + + +
Box-Pierce,
se distribuye chi-cuadrado con k-p-q grados de libertad
2 2 2
1 2
( ... )
BP k
Q T r r r = + + +
Ljung-Box,
2
1
( 2)
k
j
LB
j
r
Q T T
T j
=
= +

se distribuye chi-cuadrado con k grados de libertad

1 j
j
Octubre 2011
Alfonso Novales
U.Complutense
Caractersticasdeunprocesoestacionario Caractersticas de un proceso estacionario
Tiene varianza finita
Sus funciones de autocorrelacin simple y parcial tienden a cero rpidamente.
Su grfico temporal cruza su valor medio muestral frecuentemente.
Una perturbacin transitoria sobre su nivel tiene efectos puramente transitorios. p p
Su previsin converge a su esperanza matemtica al alargarse el horizonte de
prediccin.
Octubre 2011
Alfonso Novales
U.Complutense
Caractersticasdeunprocesonoestacionario Caractersticas de un proceso no estacionario
Su varianza generalmente aumenta al transcurrir el tiempo, tendiendo a infinito.
Su funcin de autocorrelacin simple no tiende a cero rpidamente.
El nmero esperado de perodos entre dos cruces consecutivos con su nivel
medio es infinito.Su grfico deambula durante perodos largos de tiempo.
Una perturbacin transitoria sobre su nivel tiene efectos permanentes
Su previsin no converge a su esperanza matemtica al alargarse el horizonte
de prediccin.
Octubre 2011
Alfonso Novales
U.Complutense
Modelos ARMA
Especificacin prediccin Especificacin, prediccin,
estimacin y diagnosis
Modelos ARMA
Especificacin Especificacin
ModelosARMA: especificacin Modelos ARMA: especificacin
En un modelo univariante, utilizamos una nica ecuacin para representar la
evolucin dinmica de una variable econmica.
En cada instante de tiempo, una variable se ve afectada por su innovacin. El
valor numrico de dicha innovacin es imprevisible en base a informacin
pasada.
L f t li ti d l l d l i bl ) i l Los factores explicativos del valor de la variables son: a) sus propios valores
previos, b) los valores actual y pasados de su innovacin
Octubre 2011
Alfonso Novales
U.Complutense
El procesoautorregresivodeorden1 AR(1) El proceso autorregresivo de orden 1, AR(1)
Proceso AR(1):
1 t t t
y y o | c = + +
donde |, o son constantes, y c
t
es un ruido blanco.
Si un proceso AR(1) es estacionario, su esperanza y varianza son,
1 t t t
y y |

p ( ) p y
2
2
, ( )
1 1
t t
Ey Var y
c
o o
| |
= =
| |
Octubre 2011
Alfonso Novales
U.Complutense
UnprocesoAR(1) Un proceso AR(1)
Puede escribirse en funcin de los valores de la innovacin actual e
innovaciones pasadas si el parmetro autoregresivo | tiene valor inferior a la
unidad
Si el parmetro autoregresivo | tiene valor superior a la unidad, admite una
representacin con varianza finita en funcin de las innovaciones futuras. En
Economa, esta representacin no es til.
Un camino aleatorio es una caso particular de proceso AR(1), no estacionario.
Octubre 2011
Alfonso Novales
U.Complutense
Proceso AR(1): funcin autocorrelacin
simple
2
0
( ) V
c
o
0
2
1 0
( )
1
t t
k k k k k k
t t t t
Var y
c

|
| | |

= =

= = =
que converge hacia cero segn las potencias de |, si 1< | <1. La convergencia
ser montona o alternando en signo, segn que | sea positivo o negativo.
Octubre 2011
Alfonso Novales
U.Complutense
Proceso AR(1): funcin autocorrelacin
parcial
Formada por los sucesivos coeficientes de los retardos ms largos en
regresiones del tipo,

1 2 1 2
...
k k kk t t t t k
y y y y | | |

= + + +
donde denota la variable en diferencias respecto a su media muestral,

t
y
Luego la f.a.p. de un proceso AR(1) tiene un primer valor igual a | (positivo o
negativo), y todos los dems iguales a cero.
Octubre 2011
Alfonso Novales
U.Complutense
Proceso autorregresivo de orden 2: AR(2)
Proceso AR(2):
1 1 2 2 t t t t
y y y o | | c

= + + +
con esperanza matemtica y varianza:
o
( )
1 2
2
2
,
1
1
( )
t
Ey
Var y
c
o
| |
| o

= =
d i l i t | ti C d l h l d
( ) ( )
0
2
2
2 2 1
( )
1 1
t
Var y
| | |
= =
(
+

puede generar ciclos si su parmetro |
2
es negativo. Cuando lo hace, el perodo
T de dicho ciclo viene dado por:
1
2
2
cos
2
T
t |
|
=

y factor de amortiguamiento,
2
d | =
Octubre 2011
Alfonso Novales
U.Complutense
ProcesoAR(2): funcionesdeautocorrelacin Proceso AR(2): funciones de autocorrelacin
Los sucesivos valores de la fas satisfacen,
que se conoce como sistema de ecuaciones de Yule-Walker. Todos los
modelos AR(p) satisfacen un sistema anlogo
1 1 2 2
, 1
k k k
k | |

= + >
modelos AR(p) satisfacen un sistema anlogo.
Por lo que pueden tener un comportamiento oscilatorio (aunque no
necesariamente lo tienen) necesariamente lo tienen)
La funcin de autocorrelacin parcial tiene nicamente sus dos primeros valores
no nulos, siendo iguales a los coeficientes del modelo AR(2). no nulos, siendo iguales a los coeficientes del modelo AR(2).
Octubre 2011
Alfonso Novales
U.Complutense
El modelo de medias mviles de orden 1:
MA(1)
El valor contemporneo de la variable depende de la innovacin actual y la del
perodo previo, , a partir de un c
0
dado, y siendo
c
t
un proceso de ruido blanco.
1
, 1
t t t
y t o c uc

= + >
( )
2 2
( ) ( ) 1 E V o u
Su esperanza y varianza son,
La funcin de autocorrelacin simple del proceso MA(1) tiene tan slo su primer
l l d bid l i d l t i
( )
2 2
( ) ; ( ) 1 ;
t t
E y Var y
c
o o u = = +
valor no nulo, debido a la presencia comn en y
t
y en y
t-1
del trmino c
t-1:
1
2
1
u

u
=
+
que no excede de 0,50 en valor absoluto.
Sin embargo, entre y
t
e y
t-2
no hay ningn trmino comn, por lo que el
segundo valor de la f a s es igual a cero as como todos los sucesivos valores segundo valor de la f.a.s. es igual a cero, as como todos los sucesivos valores
de dicha funcin.
Octubre 2011
Alfonso Novales
U.Complutense
InvertibilidaddemodelosMA Invertibilidadde modelos MA
Mediante sustitucin reiterada, un modelo MA(1) puede expresarse como un
proceso AR de orden infinito, en el que los coeficientes no son sino las
potencias del parmetro del modelo MA(1).
Tal transformacin slo tiene sentido si dicho parmetro es inferior a 1 en valor
absoluto. Decimos, en tal caso, que el modelo MA(1) es invertible.
P l l f i d t l i i l d d l MA(1) i tibl Por lo que la funcin de autocorrelacin parcial de un modelo MA(1) invertible
converge exponencialmente hacia cero, alternando en signo si u es negativo.
Octubre 2011
Alfonso Novales
U.Complutense
El modelo de medias mviles de orden 2:
MA(2)
El valor contemporneo de la variable depende de la innovacin actual y la del
perodo previo,
1 1 2 2
, 1
t t t t
y t o c u c u c

= + >
a partir de c
0,
, c
-1
dados, y siendo c
t
un proceso de ruido blanco.
Su esperanza y varianza son,
( )
2 2
2
1 2
( ) ; ( ) 1 ;
t t
E y Var y
c
o o u u = = + +
Octubre 2011
Alfonso Novales
U.Complutense
ModelosARMA Modelos ARMA
Se componen de una estructura AR junto con una estructura MA.
Heredan las propiedades de una y otra. Esto implica que sus funciones de
autocorrelacin tienen ambas unas caractersticas relativamente complejas,
dificultando la identificacin de estos procesos dificultando la identificacin de estos procesos.
Por ejemplo, en un modelo ARMA(1,1), compuesto de una estructura AR(1) y
otra MA(1) ambas funciones decaen exponencialmente hacia cero pudiendo otra MA(1), ambas funciones decaen exponencialmente hacia cero, pudiendo
hacerlo alternando en signo.
En muchos casos se llega a estos modelos en varios pasos tras comprobar En muchos casos se llega a estos modelos en varios pasos, tras comprobar
que los residuos de un modelo AR(2) tienen estructura MA(1); por ejemplo.
Octubre 2011
Alfonso Novales
U.Complutense
Estacionariedad mediante transformaciones
funcionales
La transformacin logartmica pretende reducir la cantidad de
heteroscedasticidad. En muchos casos, reduce la evidencia de exceso de
curtosis. Por eso es que suponemos que la variable original es log-normal.
Una transformacin ms general es la familia de funciones Box-Cox, de la cual
la logartmica es un caso particular. El parmetro que caracteriza cul de las
transformaciones de la familia es la ms adecuada, puede estimarse por
procedimientos habituales procedimientos habituales.
Octubre 2011
Alfonso Novales
U.Complutense
Estacionariedadmediantediferencias Estacionariedad mediante diferencias
En muchas ocasiones las diferencias de orden 1 2 de una variable no En muchas ocasiones, las diferencias de orden 1 2 de una variable no
estacionaria es una variable estacionaria.
Recordemos que la primera diferencia del logaritmo de una variable es su tasa Recordemos que la primera diferencia del logaritmo de una variable es su tasa
de variacin logartmica, aproximadamente igual a la tasa de variacin
porcentual (para tasas pequeas).
En Finanzas, la primera diferencia del logaritmo de un precio es una
rentabilidad. Los precios son, generalmente no estacionarios; las rentabilidades
asociadas pueden ser estacionarias. Los tipos de inters, no son estacionarios
Por eso se busca un modelo ARMA en dicha(s) diferencia(s), constituyendo los
denominados modelos ARIMA (Integrated Autorregressive Moving Average
d l ) models)
Octubre 2011
Alfonso Novales
U.Complutense
Prediccin
Prediccinestticayprediccindinmica Prediccin esttica y prediccin dinmica
Prediccin dinmica es la efectuada en un determinado instante de tiempo,
sobre cada uno de los perodos del horizonte de prediccin.
Para el primer perodo, nos basamos en los ltimos datos observados.
Para el segundo y sucesivos perodos, habremos de utilizar las previsiones de
perodos intermedios previamente calculadas perodos intermedios, previamente calculadas.
Prediccin esttica es la formada por un conjunto de predicciones, cada una de
ellas efectuada un perodo hacia delante Para obtenerla hay que utilizar un ellas efectuada un perodo hacia delante. Para obtenerla hay que utilizar un
conjunto de informacin distinto en cada perodo, para lo que haya que
disponer de la necesaria informacin muestral.
La prediccin intra-muestral puede ser dinmica o esttica. La prediccin extra-
muestral ha de ser esttica.
La prediccin esttica proporciona siempre mejores resultados, pero no son
predicciones comparables.
Octubre 2011
Alfonso Novales
U.Complutense
Proceso AR(1): Prediccin
( )
1
2
2 1
1
T T T
T T T T T
E y y
E y E y y
o |
o | o | |
+
+ +
= +
= + = + +
( )
( )
2 1
2
.....
1 (1 )
T T T T T
k k k k
k
y y y
E y y y Ey
| | |
| o | | | | |
+ +
= + + + + + = +
( )
1 ... (1 )
T T k T T
E y y y Ey | o | | | | |
+
+ + + + + +
que converge a la media del proceso segn aumenta el horizonte de prediccin
Octubre 2011
Alfonso Novales
U.Complutense
Proceso AR(1): Errores de prediccin
1 1 1 1 1
2 1 2 2 2 2 1
T T T T T T T T
T T T T T T T T T T
E y y y E y
E y E y y E y
o | , c
o | , c |c
+ + + + +
+ + + + + + +
= + = =
= + = = +
.....
(1 )
k k
T T k T
E y y Ey | |
+
= +
1
1 2 1
...
k
T k T k T T k T k T k T k T
y E y , c |c | c | c

+ + + + + + +
= = + + + +
por lo que la varianza del error de predicciny con ella la amplitud de las bandas por lo que la varianza del error de prediccin y, con ella, la amplitud de las bandas
de confianza de la prediccin, va aumentando con el horizonte de prediccin, pero
permanece finita, convergiendo a la propia varianza del proceso.
Octubre 2011
Alfonso Novales
U.Complutense
Proceso AR(2): Prediccin
1 1 2 1 T T T T
E y y y o | | = + +
( )
( )
1 1 2 1
2 1 1 2
2
1
T T T T
T T T T T
E y y y
E y E y y
y y
o | |
o | |
o | | | ||
+
+ +
+ +
= + + =
= + + + +
( )
( )
( ) ( ) ( )
1 1 2 1 2 1
3 1 2 2 1
2 2 2 2
1
T T
T T T T T T
y y
E y E y E y
o | | | ||
o | |

+ + +
= + + + +
= + + =
( ) ( ) ( )
2 2 2 2
1 1 2 1 1 2 1 2 2 1
1 2
T T
y y o | | | | | | | | |

= + + + + + + +
La varianza del error de prediccin de un proceso AR(2) tiene las mismas
propiedades que las de un proceso AR(1), siempre que sea estacionario, es
decir que las dos races de su ecuacin caracterstica estn fuera del decir, que las dos races de su ecuacin caracterstica estn fuera del
crculo unidad. En ese caso, el tamao del error de prediccin aumenta,
pero converge a la varianza del proceso AR(2).
Octubre 2011
Alfonso Novales
U.Complutense
Proceso MA(1): Prediccin
y y c uc c uc = =
1 1 1
1 1
2 2 1
0
t t t T T T
T T T T T T
T T T T T T
y y
E y E
E y E E
c uc c uc
c uc uc
c u c
+ +
+ +
= =
= =
= =
2 2 1
1
0
....
2 0
T T T T T T
T T k T T k T T k
E y E E
k E y E E
c u c
c u c
+ + +
+ + +
> = =
1 T T k T T k T T k
y
+ + +
por lo que la varianza del error de prediccin es:
( )
2 2
1 2
( ) ; ( ) 1 2
k
T T
Var Var para k
c c
o o u = = + >
Octubre 2011
Alfonso Novales
U.Complutense
PrediccinenmodeloARMA(11) Prediccin en modelo ARMA(1,1)
Este proceso comparte las propiedades de sus componentes, que se Este proceso comparte las propiedades de sus componentes, que se
superponen unas a otras. La varianza del error de prediccin en el modelo
ARMA(1,1) aumenta con el horizonte de prediccin pero, al alargarse dicho
horizonte, converge a un lmite finito, la propia varianza del proceso.
Octubre 2011
Alfonso Novales
U.Complutense
Prediccin en modelos ARMA: caractersticas
generales
El error de prediccinun perodo hacia delante es en todos los modelos la El error de prediccin un perodo hacia delante es, en todos los modelos, la
propia innovacin del proceso, c
t
. Ello no significa que el error de prediccin sea
independiente del modelo utilizado: slo uno de ellos (el verdadero modelo)
tiene la innovacin como error de prediccin un perodo hacia delante. p p
Un intervalo de confianza alrededor del valor numrico de la prediccin obtenida
a un determinado horizonte puede obtenerse bajo el supuesto de Normalidad
de la innovacin. En tal caso, se lleva a la izquierda y derecha de dicha
prediccin puntual la desviacin tpica de la misma, que es funcin del horizonte
de prediccin.
Octubre 2011
Alfonso Novales
U.Complutense
Prediccindeunavariableendiferencias Prediccin de una variable en diferencias
En muchas ocasiones se modeliza una transformacin de la variable original,
mediante una o varias diferencias. Cuando se obtienen predicciones para dicha
variable diferenciada, hay que recuperar las predicciones correspondientes para
la variable original.
Para ello, basta aadir a los ltimos datos de la variable original, las
predicciones de su versin diferenciada. El modo exacto de hacerlo depende de
las diferencias que se hayan aplicado a la variable original las diferencias que se hayan aplicado a la variable original.
Octubre 2011
Alfonso Novales
U.Complutense
Prediccin de una variable a partir de su
logaritmo
En muchos casos, habremos tomado el logaritmo de la variable original,
posiblemente antes de tomar una o ms diferencias de la misma. La prediccin
de la variable original no se obtiene elevando el nmero e (base del logaritmo
nepperiano) a la prediccin de la variable transformada.
Es preciso hacer una correccin por la varianza de la serie: a la prediccin del
logaritmo se suma 0,5 veces la varianza del error de prediccin. Esto se hace
para cada horizonte de prediccin para cada horizonte de prediccin.
Esta prctica se basa en el supuesto de que la variable original obedece a una
distribucinde probabilidad log-normal, por lo que su transformada logaritmica distribucin de probabilidad log normal, por lo que su transformada logaritmica
es Normal.
Octubre 2011
Alfonso Novales
U.Complutense
Modelos ARIMA
Estimacin Estimacin
Estimacindemodelosautorregresivos Estimacin de modelos autorregresivos
Es un modelo de regresin con variables explicativas aleatorias, aunque
d t i d El ti d MCO ti b i d d ( i t t ) predeterminadas. El estimador MCO tiene buenas propiedades (es consistente)
siempre que las variables explicativas y
t-i
estn incorrelacionadas con el trmino
de error. Esto es equivalente a que el trmino de error carezca de
autocorrelacin.
La razn es que un proceso estacionario admite una representacin con
varianza finita en funcin de las innovaciones actual y pasadas. y p
La presencia de autocorrelacin en el residuo es el principal indicio de mala
especificacin en un modelo ARIMA.
La consistencia no precisa Normalidad del trmino de error.
Octubre 2011
Alfonso Novales
U.Complutense
Estimacindemodelosdemediasmviles Estimacin de modelos de medias mviles
Se lleva a cabo por Mxima Verosimilitud, por lo que descansa en un supuesto
acerca del tipo de distribucin del trmino de error.
Bajo Normalidad, maximizar la verosimilitud equivale a minimizar la Suma de
Cuadrados de los Residuos (SCR), y la estimacin de la varianza del error se
obtiene dividiendo la SCR resultante por el nmero de gdl: T-p-q.
E d d id d t d ll b En caso de un reducido nmero de parmetros, puede llevarse a cabo un
procedimiento de bsqueda, pero es bastante ineficiente
Octubre 2011
Alfonso Novales
U.Complutense
Estimacindemodelosdemediasmviles Estimacin de modelos de medias mviles
Como alternativa, se escribe el modelo para el trmino de error contemporneo,
como funcin de a) la variable en t y perodos anteriores, b) valores previos del
trmino de error,
Por ejemplo, en el caso de una proceso MA(2),
1 1 2 2 t t t t
y c u c u c

= + +
Pueden utilizarse pre estimaciones de los 2 parmetros para generar una Pueden utilizarse pre-estimaciones de los 2 parmetros para generar una
serie temporal de c
t
partiendo de condiciones iniciales iguales a cero, y se
aproxima linealmente en serie de Taylor alrededor de dichas pre-
estimaciones, obteniendo: ,
Octubre 2011
Alfonso Novales
U.Complutense
Estimacin de MA(2) ( )
c c
| | | |
c c u u
cc
cu
u u
cc
cu
u u u u
t t
t t
= +
|
\

|
.
|
+
|
\

|
.
|
= =
0
1 1
0
1
2 2
0
2
1 1
0
2 2
0
( ) ( )
c u c u c u c u c c
t t t t t t
0
1
0
1
0
2
0
2
0
1 1
0
2 2
0
= +

w x x
t t t t
= + + u u c
1 1 2 2

w x x
t t t t t t t t
= = =

c u c u c c c
0
1
0
1
0
2
0
2
0
1 1
0
2 2
0
; ; ;
Lo que conduce a un procedimiento iterativo que utiliza la q p q
estimacin por MCO de una regresin auxiliar
Octubre 2011
Alfonso Novales
U.Complutense
EstimacindemodelosMA(2) Estimacin de modelos MA(2)
En cada iteracin, dados los valores en ese instante de los dos parmetros,
podemos generar una series de residuos podemos generar una series de residuos,
1 1 2 2 t t t t
y c u c u c

= + +
y estimar, utilizando esta serie y los datos disponibles, la aproximacin
lineal del modelo MA(2). Ello nos permite pasar de las actuales
estimaciones, a unas nuevas.
El procedimiento termina cuando las variaciones en los valores
estimados de los parmetros son despreciables.
Octubre 2011
Alfonso Novales
U.Complutense
EstimacindemodelosARMA Estimacin de modelos ARMA
Un procedimiento similar puede utilizarse para modelos que combinan
estructura autorregresiva con estructura de medias mviles.
En este caso, puede procederse por bloques, estimando primero los parmetros
AR y, condicionales en ellos, los parmetros MA, iterando sucesivamente. Sin
embargo, la eficiencia estadstica requiere estimacin simultnea.
P d t ti i i i i l d l t d l t t d Pueden tomarse estimaciones iniciales de los parmetros de la estructura de
media mvil a partir de los valores estimados de la funcin de autocorrelacin
simple del proceso.
Octubre 2011
Alfonso Novales
U.Complutense
Modelos ARMA
Diagnstico del modelo Diagnstico del modelo
ModelosARMA: diagnstico Modelos ARMA: diagnstico
Los parmetros estimados deben satisfacer las condiciones de estacionariedad
e invertibilidad
Obtener las races de los polinomios de retardos autoregresivos y de medias
mviles. Comprobar la posible existencia de ciclos y su perodo.
Una buena especificacin requiere que los residuos del modelo no contengan
id i d t l i ( id bl ) evidencia de autocorrelacin (son ruido blanco)
Las estructuras ARMA de autocorrelacin son aditivas: una estructura MA(1) en
los residuos de un modelo AR(2) sugiere que una mejor especificacines un los residuos de un modelo AR(2) sugiere que una mejor especificacin es un
modelo ARMA(2,1). Una estructura AR(1) en un modelo AR(1) sugiere que un
modelo AR(2) es preferible
Octubre 2011
Alfonso Novales
U.Complutense
Sobreparametrizacinysobrediferenciacin Sobreparametrizacin y sobrediferenciacin
Es conveniente factorizar los polinomios de retardos estimados:
un factor MA (1-.95L) en un modelo en diferencias
puede sugerir una situacin de sobrediferenciacin
1 1 t t t t t
y y y o c uc

A = = +
p g
un factor AR (1-.95L) puede sugerir la necesidad de una diferencia
adicional:
1 t t t
y y | o c

= +
En ocasiones puede aparecer un factor (aproximadamente) comn en las
estructuras AR y MA:
t t t
1 1 t t t t
y y | o c |c

= +
Es mejor quedarse corto de diferencias, o tender a sobrediferenciar?
Octubre 2011
Alfonso Novales
U.Complutense
Sobreparametrizacinysobrediferenciacin Sobreparametrizacin y sobrediferenciacin
Es mejor quedarse corto de diferencias, o tender a sobrediferenciar?
La diferenciacin puede eliminar informacin contenida en las fluctuaciones de corto
plazo
Pero garantizar la estacionariedadde los residuos es crucial Pero garantizar la estacionariedadde los residuos es crucial
Estrategia: tomar una diferencia adicional e incorporar un factor MA
compensatorio adicional. Si resulta claramente no invertible, retornar al modelo compensatorio adicional. Si resulta claramente no invertible, retornar al modelo
con una diferencia menos.
Esta estrategia suele mejorar los resultados predictivos g j p
Octubre 2011
Alfonso Novales
U.Complutense
Estacionalidad
Estacionalidad Estacionalidad
E d t i t i t l l f t l En datos econmicos trimestrales o mensuales, es muy frecuente que las
observaciones correspondientes a un mismo perodo (mes o trimestre) de cada
ao, estn correlacionados entre s.
De hecho, lo mismo puede observarse al trabajar con datos de cierre diario de
mercados financieros.
En ocasiones, incluso con datos financieros horarios o ms frecuentes.
Para variables consideradas relevantes (Contabilidadnacional IPC etc ) los Para variables consideradas relevantes (Contabilidad nacional, IPC, etc...) los
organismos estatales construyen versiones desestacionalizadas.
Octubre 2011
Alfonso Novales
U.Complutense
Estacionalidad Estacionalidad
Las citadas autocorrelaciones de carcter estacional pueden representarse
mediante los mismos modelos ARMA que hemos visto para datos consecutivos.
As, puede hablarse de una estructura AR(1) en las frecuencias mensuales, que
relacionar el valor actual de una variable al retardo de orden 12. El modelo
AR(12) aadira el retardo 24.
E i t i t l l i l l t l l En una serie trimestral, relacionaramos el valor contemporneo a los valores
de hace 4, 8,... perodos
Octubre 2011
Alfonso Novales
U.Complutense
Estacionalidad Estacionalidad
A i i d i l l l t d lti l d 4 ( Asimismo, pueden examinarse los valores en los retardos mltiplos de 4 (con
datos trimestrales) o 12 (con datos mensuales) para evaluar la posible ausencia
de estacionariedad estacional.
Cuando existe apariencia de no estacionariedad, es aconsejable tomar
diferencias de orden estacional, restando del valor contemporneo de la
variable, el valor de 12 meses antes (o 4 trimestres antes). , ( )
Tras tomar las diferencias precisas, tanto de orden regular como de orden
estacional, los trminos AR regular y estacional se aplican multiplicativamente.
Lo mismo para los trminos MA de ambos tipos.
Octubre 2011
Alfonso Novales
U.Complutense
Anlisis de intervencin
Valores influyentes y anomalas: anlisis de
intervencin
En la serie transformada mediante diferencias, valores anmalos son los que
tienen una magnitud muy superior a la desviacin tpica de la variable
transformada
Bajo supuestos de Normalidad, no sera razonable tener muchos ms de un 5%
de valores superiores a 2 veces la desviacin tpica, un 10% de ellos superiores
a 1,65% la desviacin tpica, etc. Pero tampoco sera razonable observar
valores alejados de la media en ms de 8 desviaciones tpicas valores alejados de la media en ms de 8 desviaciones tpicas.
Valores anmalos pueden sugerir (de manera esprea) la necesidad de
diferenciar la serie. diferenciar la serie.
Pueden resultar influyentes en la estimacin de los parmetros del modelo.
O sesgar las predicciones, si estn prximos al final de la serie temporal de
datos.
Octubre 2011
Alfonso Novales
U.Complutense
Valores influyentes y anomalas: anlisis de
intervencin
Pueden tratarse indistintamente del resto de los valores de la serie
O puede tratarse de estimar su influencia, mediante el anlisis de intervencin
Este ltimo debe hacerse slo si el impacto numrico de tales datos es
significativo
O si se dispone de informacin acerca de su naturaleza: condiciones
meteorolgicas, intervenciones de poltica monetaria, efectos S.Santa, entrada
en la CEE, etc...
El anlisis de intervencin se lleva a cabo mediante variables impulso (efectos
transitorios), y variables escaln (efectos permanentes)
En ambos casos, pueden venir afectados de un polinomio de retardos
Octubre 2011
Alfonso Novales
U.Complutense
Valores influyentes y anomalas: anlisis de
intervencin
Una variable tipo impulso toma un valor igual a uno en un determinado perodo,
siendo igual a cero en el resto.
Una variable tipo escaln toma valor igual a uno en un determinado intervalo de
tiempo, siendo igual a cero el resto.
El intervalo de tiempo que define un escaln puede ser caracterizado por:
t d d t i d i t t d d t d i t t d antes de determinado instante, despus de, o entre dos instantes de
tiempo
Una variable impulso puede estar definida para un conjunto de periodos Una variable impulso puede estar definida para un conjunto de periodos
aislados de tiempo: los meses de julio, los meses en que cae la S.Santa,
meses con alta/normal/baja precipitacin pluviosa, etc..
En ocasiones, en presencia de un elevado nmero de intervenciones tipo
impulso, se impone la igualdad de coeficientes entre un determinado grupo,
para reducir el nmero de parmetros estimados.
Octubre 2011
Alfonso Novales
U.Complutense
p p
Valores influyentes y anomalas: anlisis de
intervencin
Un polinomio de retardos asociado a una intervencin tipo impulso genera una
respuesta que se extiende a lo largo de varios perodos de tiempo:
1
i
t
B

|

genera una respuesta que cae en el tiempo a una tasa ,
comenzando a partir del coeficiente estimado
1 B
( )
2
1 2
1
i
t
B B |
genera una respuesta igual al coeficiente estimado
|, seguido de respuestas |
1
, |
2
Octubre 2011
Alfonso Novales
U.Complutense
Valores influyentes y anomalas: anlisis de
intervencin
Un polinomio de retardos asociado a una intervencin tipo escaln genera una
respuesta que se extiende a lo largo de varios perodos de tiempo:
( )
2
1 2
1
s
t
B B |
genera un salto inicial en la media de magnitud igual
al coeficiente estimado |, seguido de saltos en la
s

genera una sucesinde saltos en media no muy

( )
1 2
1
t
B B |
|, g
media igual a |
1
, |
2
. En realidad, son impulsos
seguidos de escaln
1
t
B

|

genera una sucesin de saltos en media, no muy
fcilmente justificable
Octubre 2011
Alfonso Novales
U.Complutense