CAPÍTULO 4
SERIES TEMPORALES
Autores:
MÁSTER EN ESTADÍSTICA
APLICADA
MATERIAL DIDÁCTICO
Capítulo 4
4
Máster en Estadística Aplicada
5
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
CAPÍTULO 4
SERIES TEMPORALES
ÍNDICE
1. INTRODUCCIÓN ......................................................................................... 11
1.1. Conceptos básicos ................................................................................ 11
1.2. Interés de su estudio.............................................................................. 13
1.3. Características de una serie temporal ................................................... 14
1.4. Ejemplos ................................................................................................ 17
2. NUMEROS ÍNDICES ................................................................................... 18
2.1. Conceptos básicos ................................................................................ 18
2.1.1. Agregados macroeconómicos ......................................................... 18
2.1.2. Definición de números índices ........................................................ 19
2.2.2. Conceptos básicos .......................................................................... 20
2.2. Índices de precios .................................................................................. 22
2.2.1. Tipos ............................................................................................... 22
2.2.2. Ejemplo: Índice de precios al consumo. .......................................... 23
3. COMPONENTES DE UNA SERIE TEMPORAL .......................................... 24
3.1. Descomposición de una serie temporal ................................................. 24
3.2. Tendencia .............................................................................................. 25
3.2.1. Factores causales ........................................................................... 25
3.2.2. Modelización ................................................................................... 27
3.3. Componente estacional ......................................................................... 32
3.3.1. Características básicas ................................................................... 32
3.3.2. Modelización ................................................................................... 32
3.3.3. Índice de estacionalidad .................................................................. 34
4. FUNCIONES DE AUTOCORRELACIÓN..................................................... 35
4.1. Conceptos básicos ................................................................................ 35
4.1.1. Operador de retardo ........................................................................ 35
4.1.2. Operador diferencias ....................................................................... 35
4.1.3. La transformación logarítmica ......................................................... 36
4.2. Funciones de autocorrelación ................................................................ 36
4.2.1. Función de Autocorrelación Simple ................................................. 36
4.2.2. Función de Autocorrelación Parcial ................................................. 37
5. SERIES ESTACIONARIAS.......................................................................... 38
5.1. Características de las series estacionarias ............................................ 38
5.2. Proceso Ruido Blanco ........................................................................... 39
5.3. Transformaciones para conseguir estacionariedad ............................... 41
6
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
7
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
8
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
9
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
10
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
1. INTRODUCCIÓN
Series temporales
11
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Muestras aleatorias
Las principales características que definen a una muestra aleatoria son las
siguientes:
Proceso estocástico
No es fijo
Pero no cambia por completo entre una observación y la siguiente
12
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
13
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
A) Periodicidad
B) Tendencia
500000
400000
300000
200000
100000
0
1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
14
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
8000
Tráfico interior
7000
Tendencia lineal
6000
5000
4000
3000
2000
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Meses
0,20
0,15
0,10
0,05
0,00
-0,05
-0,10
-0,15
-0,20
-0,25
feb-81
feb-82
feb-83
feb-84
feb-85
feb-86
feb-87
feb-88
feb-89
feb-90
feb-91
feb-92
feb-93
feb-94
feb-95
feb-96
feb-97
feb-98
feb-99
feb-00
feb-01
feb-02
feb-03
feb-04
feb-05
feb-06
feb-07
Meses
C) Volatilidad (variabilidad)
Serie heterocedástica
10000
7000
6000
5000
4000
3000
2000
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Meses
15
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Serie homocedástica
0,139
0,104
0,070
0,035
0,000
-0,035
-0,070
-0,104
-0,139
7-1981
4-1982
1-1983
7-1984
4-1985
1-1986
7-1987
4-1988
1-1989
10-1983
7-1990
4-1991
1-1992
10-1986
7-1993
4-1994
1-1995
10-1989
7-1996
4-1997
1-1998
10-1992
7-1999
4-2000
1-2001
10-1995
7-2002
4-2003
1-2004
10-1998
7-2005
4-2006
1-2007
10-2001
10-2004
10-2007
D) Ciclo estacional
9000
8000 Evolución del tráfico aéreo interior de viajeros en España (Miles de pasajeros)
7000
6000
5000
4000
3000
2000
1000
0
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Meses
F) Combinación de características
16
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
1.4. Ejemplos
800000
500000
400000
300000
200000
100000
0
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
70,00
60,00
50,00
40,00
10,00
0,00
19771
19781
19791
19801
19811
19821
19831
19841
19851
19861
19871
19881
19891
19901
19911
19921
19931
19941
19951
19961
19971
19981
19991
20001
20011
20021
20031
20041
20051
20061
20071
20081
140
100
80
60
40
20
0
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
17
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
2. NUMEROS ÍNDICES
Agregados de cantidades
N
Yt = ∑ yit pit
i =1
18
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
N
Yt C = ∑ Yit pi 0
i =1
Deflactor implícito
Yt
Pt = DEFLACTOR = .100
Yt C
Para analizar la evolución de una serie temporal, resultan útiles los números
índices. Si se elige un año de referencia o año base, por ejemplo, t = 0,
asignando el valor 100 al índice en ese año, los índices simples temporales
correspondientes a cada t, Ito, se obtienen mediante la expresión siguiente:
Yt
I t0 = .100
Y0
En definitiva, los valores numéricos del índice responden a una escala arbitraria
que asigna el valor 100 al año base. El valor concreto que tome en un período
no es relevante en sí mismo, sino en tanto que nos informa de la evolución
temporal de la variable. Este tipo de variable se llama número índice simple y
es la forma más sencilla de resumir el cambio dinámico de un proceso
19
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Yti
I ttij = .100
Ytj
Yti
I tij0 = .100
Y0 j
Enlaces:
Se supone que disponemos de dos índices simples alternativos, lt92 e It95 sobre
una serie de precios, por ejemplo:
Año 89 90 91 92 93 94 95 96 97 98 99
It92 90 95 98 100 104 217 110
It95 100 114 119 126 130
I 95,92
I t 92 = I t 95
I 95,95
I 92,92
I t 95 = I t 92
I 95,92
20
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Cambios de base
Para cambiar el año base del índice, por ejemplo, del 93 al 96, se utiliza la
expresión siguiente:
100
I t 96 = I t 93
I 96,93
Tasas de variación
xt +1 − xt
γ xt = t = 1,..., T
xt
Pero para el caso de que la tasa de variación sea de una magnitud pequeña,
como suele ser el caso, se cumple que: log(1 + mh ) ≈ mh ; por lo tanto, mh se
puede definir linealmente como: mh = log xt − log xt −1
21
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
2.2.1. Tipos
Para poder estudiar el cambio en los precios de los productos que consume un
individuo, al igual que ocurría al tratar de medir el producto, es indispensable
agregar. En este sentido, deben construirse agregados de precios que reflejen
el coste de los consumos individuales para luego agregar precios de cestas de
consumo de más de una persona. Los bienes y servicios que un agente
económico consume durante un período de tiempo determinado (un año),
constituyen su cesta de consumo.
Estas alternativas dan origen a distintos tipos de índices. Así, en el primer caso
todos los bienes reciben la misma ponderación mientras que en el segundo la
ponderación de cada bien es proporcional al peso que representa el gasto del
individuo j en el bien i sobre el gasto total del individuo j.
j =1
N
∑p it qitj
Donde β es una ponderación de los individuos, por ejemplo: β itj = J
i =1
.
∑∑
N j
i =1
pit q it
j =1
J N
Así, el índice de precios colectivo es el siguiente: APt = ∑∑ pitα itj β j
j =1 i =1
22
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
N
pi 0 qij0 N
Índice de Laspeyres: I = ∑ I w
L i L
donde w =
L
y ∑w L
=1
∑
t0 t0 i i N j i
i =1
i =1
p q
i0 i0 i =1
N
pit qitj N
Índice de Paasche: I tP0 = ∑ I ti0 wiP donde wiP = y ∑w P
=1
∑i =1 pit q
N j i
i =1 it i =1
Entre los posibles inconvenientes del índice cabe indicar los siguientes:
23
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Descomposición tradicional
X t = Tt ⋅ S t ⋅ Ct ⋅ rt
Siendo:
Tt: Tendencia
St: Factor estacional
Ct: Factor cíclico
rt: Factor residual de fluctuaciones
A) Tendencia
Constante
24
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Puede ser:
Constante
Variable: La variabilidad varía con el tiempo o con la magnitud de la
serie.
Interpretación actual
3.2. Tendencia
Los principales factores que causan las tendencias son los siguientes:
25
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
800000
500000
400000
300000
200000
100000
0
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
7000
6000
5000
4000
3000
2000
1000
0
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Meses
26
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
3.2.2. Modelización
Tendencia determinista
Otro tipo corresponde al caso en que la serie tiene una tendencia creciente o
decreciente lineal.
27
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Cabe indicar que en esta expresión la tendencia no sólo depende del nivel de
la variable tiempo sino también de su cuadrado, por lo que no es lineal.
28
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Tt = a + b1t + b2 ct 2 + .... + br ct r
Se trata de un tipo de tendencia no lineal que resulta muy útil para series
económicas. Para introducir estas tendencias recuérdese la propiedad de
proporcionalidad que muestran las series económicas y que se mencionó al
hablar de la descomposición tradicional de una serie temporal. Esta propiedad
implica que la evolución de la serie, a partir de un determinado nivel inicial, es
proporcional al nivel de partida.
29
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
En general, una serie con tendencia exponencial vendrá dada por el modelo:
zt = exp(a + bt )exp(ε t )
10000
9000
Evolución del tráfico aéreo interior de viajeros en España
(Miles de pasajeros) Fuente: Ministerio de Fomento
8000
7000
6000
Tráfico interior
5000
Tendencia Exponencial y = 23,379e0,0001x
4000
3000
2000
1000
0
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
ene-93
ene-94
ene-91
ene-92
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
Meses
Conclusiones
30
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
31
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
3.3.2. Modelización
Ejemplos
32
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
140
100
80
60
40
20
0
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Asimismo, en el segundo ejemplo, correspondiente a la serie mensual de
tráfico aéreo interior de viajeros, se observa tanto el crecimiento sistemático de
la serie como su estacionalidad ya que en los meses de verano presenta un
aumento acusado de su magnitud.
10000
9000
Evolución del tráfico aéreo interior de viajeros en España
8000 (Miles de pasajeros)
7000
6000
5000
4000
3000
2000
1000
0
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Meses
33
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Donde:
0,4
0,3
0,2
0,1
0,0
1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006
34
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
4. FUNCIONES DE AUTOCORRELACIÓN
Propiedades
∇Z t = Z t − Z t −1 = Z t − LZ t = (1 − L )Z t
Por lo tanto, cabe concluir que aplicar o tomar una diferencia regular equivale a
premultiplicar Zt por (1-L).
35
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Zt Z − Z t −1 Z − Z t −1
log( Z t ) − log( Z t −1 ) = log( ) = log(1 + t )≈ t
Z t −1 Z t −1 Z t −1
Para ello se dispone de las herramientas o funciones siguientes que nos sirven
para representar la estructura de dependencia:
cov ( y t y t − k )
rk = , ∀k
var ( y t ) var ( y t − k )
36
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Los valores de la FAS ρ1, ρ2, ρ3, …., ρk, están acotados entre [-1,+1].
y t = φk 0 + φk 1 y t −1 + φk 2 y t − 2 + ... + φkk y t − k + ε t
37
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
5. SERIES ESTACIONARIAS
∑ y( )
j =1
t
j
µ̂ t =
m
Para poder estimar los momentos (media, varianza etc.) de cada variable en el
periodo t, es necesario restringir las propiedades del proceso estocástico. Las
restricciones que se imponen en este sentido son las denominadas de
estacionariedad.
1) E (Y (t )) = µ , ∀t
2) Var (Y (t )) = σ 2 < ∞, ∀t
3) Cov (Y (t ), Y (t + h )) = γ (h ), ∀t
La primera condición nos permite estimar la media (que es común a todas las
variables) mediante la media muestral. Lo mismo puede afirmarse de las otras
dos condiciones. En la práctica, las condiciones de estacionariedad nos
permiten estimar las autocorrelaciones (medida de la dependencia lineal entre
observaciones separadas por h periodos de tiempo) mediante las
autocorrelaciones muestrales.
38
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
No tiene tendencia
Es homocedástica
E (at ) = 0
Var (at ) = σ a2
Cov (at , at −h ) = 0 , ∀h ≠ 0
Cuando además de las tres condiciones anteriores asumimos que at sigue una
distribución Normal, entonces decimos que at es un ruido blanco Gaussiano. En
este caso, las at son serialmente independientes y los gráficos que representan
tanto a su FAS como a su FAP se componen de una sucesión de palos o
barras no significativos.
39
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
10
7. 5
2. 5
-2. 5
-5
-7. 5
-10
-12. 5
0 500 1000 1500 2000
y t = f ( y t −1 ,..., y1 ) + at
E (at ) = 0
Var (at ) = σ a2
Cov (at , at − h ) = 0, ∀h
Funciones de autocorrelación:
Autocovarianza y autocorrelacion
σ 2 k = 0
γk = a
0 k ≠ 0
1 k = 0
ρk =
0 k ≠ 0
1 k = 0
φkk =
0 k ≠ 0
En resumen todos los elementos de las FAS y FAP del proceso ruido blanco
son significativamente nulos.
40
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Para conseguir una serie final estacionaria, que es nuestro objetivo básico en el
proceso de modelización de la serie temporal original, se dispone de una serie
de transformaciones que se describen a continuación. Aplicando las
transformaciones adecuadas conseguimos que los sucesivos componentes
irregulares (residuos) sean cada vez más parecidos a un ruido blanco y
transformar nuestra serie original en una estacionaria.
A) Estacionariedad en Media:
Por ejemplo, en el gráfico adjunto, que representa a una variable yt que sigue
un camino aleatorio, se observa que es una serie no estacionaria en media ya
que tiene una nítida tendencia decreciente.
-1.0
0
-1.5
-2.0 -2
-2.5
-3.0 -4
20 40 60 80 100 120 140 160 180 200 20 40 60 80 100 120 140 160 180 200
y DY
41
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
B) Estacionariedad en Varianza
Proceso de análisis:
43
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
6. PROCESOS AUTORREGRESIVOS
Mientras que en el caso de las series temporales que siguen el proceso que
hemos denominado de ruido blanco las observaciones no tienen ninguna
relación entre sí, las series que se van a analizar a continuación siguen
procesos donde existe una dependencia específica entre las observaciones.
En resumen, la variable yt viene explicada por una constante más una suma
ponderada de infinitos errores pasados y el contemporáneo.
44
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Media: Tomando esperanzas a ambos lados del modelo, se tiene que la media
es E ( y t ) = δ + φ1Ey t −1 , ya que ε t tiene media nula. Suponiendo la existencia de
estacionariedad en media, E ( yt ) = E ( yt −1 ) y la media del proceso es
δ
E ( yt ) = µ = , ∀t .
1 − φ1
En general:
γj =cov( yt yt − j ) =E ( yt yt − j ) =E[(φ1 yt −1 + ε t ) yt − j ] =φ1 E ( yt −1 yt − j ) + E (ε t yt − j ) =φ1γ j −1 =φ1jγ 0
, donde se ha aplicado el supuesto de estacionariedad en varianza y en
covarianza. En definitiva, la covarianza entre dos variables distintas sólo
cambia con la distancia entre ellas, no con el tiempo.
45
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
r0 = 1
γ 1 φ1γ 0
=
r1 = = φ1
γ0 γ0
γ 2 φ12γ 0
=
r2 = = φ12
γ0 γ0
γ j φ1j γ 0
Y, en general, rj = = = φ1j
γ0 γ0
El resto de los valores de la FAP de un AR(1) son todos nulos, dado que la
regresión que se debería efectuar para determinar el segundo valor de esta
función, φ22 , sería y t = φ20 + φ21 y t −1 + φ22 y t − 2 + ε t pero el modelo AR(1) indica que
no puede haber autocorrelación parcial de orden 2 en un AR(1) ya que si la
hubiera, tendríamos un proceso AR(2).
46
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
δ
2
γ=
1 cov( yt yt −1= ) E[(φ1 yt −1 + φ2 yt − 2 + ε t ) yt −1=
) E ( yt yt −1= ]
φ1 E ( yt2−1 ) + φ2 E ( yt − 2 yt −1 ) + E (ε t yt −1 ) =+
= φ1γ 0 φ2γ 1
γ0 =
(1 − φ2 )σ ε2
(1 + φ2 )[1 − (φ1 + φ2 )][1 − (φ1 − φ2 )]
Para que esta varianza sea positiva y finita, se han de cumplir las tres
condiciones siguientes sobre los parámetros: φ2 < 1 , φ2 + φ1 < 1 , φ2 − φ1 < 1 que
son las llamadas condiciones de estacionariedad de un AR(2).
r0 = 1
γ φ γ +φ γ φ
r1 = 1 = 1 0 2 1 =φ1 + φ2 r1 ⇒ r1 = 1
γ0 γ0 1 − φ2
γ 2 φ1γ 1 + φ2γ 0
=
r2 = = φ1r1 + φ2
γ0 γ0
A) Los dos factores ( G1 y G2 ) del polinomio AR(2) son reales. En este caso el
decaimiento en la expresión primitiva es la suma de dos exponenciales y la
forma de la FAS dependerá de que G1 y G2 tengan igual signo o el opuesto.
48
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
La regresión que habría que llevar a cabo para determinar el primer valor de la
PACF, φ11 , es: yt =
φ10 + φ11 yt −1 + ε t
49
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Proceso AR(1)
En un proceso AR(1) (zt = φ zt-1 + at) cada observación recibe influencia directa
de la observación anterior y se construye a partir de la anterior más una
perturbación aleatoria (at). Este proceso es estacionario si la magnitud de φ es
menor que 1. En caso contrario sería un proceso explosivo.
50
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
51
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
7.1.1. Representaciones
y t = δ + ε t − θ1ε t −1 − θ 2ε t − 2 − .... − θ qε t − q
52
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
yt δ
= + ε t o bien:
1 − θ1 B 1 − θ1 B
δ
yt = − θ1 y t −1 − θ12 y t − 2 − θ13 y t − 3 − .... + ε t
1 − θ1
A partir de esta última representación del modelo, cabe concluir que se puede
considerar a un proceso MA(1) como equivalente a un proceso AR de orden
muy elevado, de hecho, un MA(1) equivale a un AR( ∞ ). No obstante, es
importante resaltar que esta última representación sólo es razonable si se
cumple la condición de que θ1 < 1 , que implica que el pasado reciente de una
variable pesa más al explicar su presente que el pasado más alejado en el
tiempo. A la condición de que θ1 < 1 se le llama condición de invertibilidad de
una MA(1). Nos indica la condición que ha de cumplirse para que tenga sentido
invertir una MA(1) en su representación alternativa de tipo AR.
Media: Para estimar la media se toman esperanzas a ambos lados del modelo
y t = δ + ε t − θ1ε t −1 , obteniendo: E ( y t ) = δ , ∀t
[ ]
var ( y t ) = γ 0 = E ( y t − δ ) = E [(ε t − θ1ε t −1 )(ε t − θ1ε t −1 )] = E (ε t2 ) + θ12 E (ε t2−1 ) = (1 + θ12 )σ ε2
2
Por tanto, cabe concluir nuevamente que la varianza es finita y positiva sin
imponer ninguna condición adicional porque un proceso MA es estacionario por
la propia construcción. Sólo hay que imponer una condición de invertibilidad,
pero no de estacionariedad.
53
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
r0 = 1
γ1 − θ1σ ε2 − θ1
r1 = = =
γ 0 (1 + θ1 )σ ε (1 + θ12 )
2 2
γ
r2 = 2 = 0
γ0
rj = 0 , ∀j > 1
φ11 ≈ −θ1
φ22 ≈ −θ12
φ jj ≈ −θ1j , ∀j
54
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Los procesos MA, por ser la suma de procesos estacionarios, son siempre
estacionarios. Sin embargo, si las raíces de su ecuación característica no
tienen módulo mayor que la unidad, el efecto de las observaciones pasadas
aumentaría con el tiempo, lo que evidentemente no es conveniente para
representar series.
55
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Cabe señalar que existe una dualidad entre los procesos AR y los MA. En este
sentido, la FAS se corta en los MA con un palo significativo para el caso de
MA(1) y no se comporta así en los AR, mientras que al contrario, la FAP se
corta en los procesos AR y no se corta en los MA donde posee estructura. A
fines de identificación del modelo, la conclusión fundamental es que el
orden de los AR se obtiene observando la FAP mientras que el orden de
los MA radica en la FAS.
56
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
FAS FAP
MA(q)
Los resultados obtenidos para los modelos MA(1) y MA(2) pueden extenderse
al modelo MA(q) que viene dado por: yt = δ + ε t − θ1ε t −1 − θ 2ε t −2 − ...... − θ qε t −q
57
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
58
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
8. MODELOS ARMA
8.1. Caracterización teórica
Proceso ARMA(1,1)
1 − φ1B δ
yt = + εt
1 − θ1 B 1 − θ1 B
59
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
δ
yt = + (φ1 − θ1 ) y t −1 + θ1 (φ1 − θ1 ) y t − 2 + θ12 (φ1 − θ1 ) y t − 3 + ...... + ε t
1 − θ1
Expresión que tiene sentido solo si el pasado más reciente tiene un peso mayor
que el pasado más alejado. Para ello, ha de cumplirse que θ1 < 1 , es decir, la
condición de invertibilidad de la parte MA del proceso.
En esta expresión se deduce que para que esta varianza sea finita, es
necesario que se cumpla la condición de ser φ1 < 1 , es decir, la condición de
estacionariedad de un AR(1).
γ 1 = φ1γ 0 − θ1σ ε2
γ 1 = φ1γ 1 γ 2 = φ1γ 1
Y, en general,
γ j = φ1γ j −1 , ∀j ≥ 2
γ 2 φ1γ 1
r2 = = = φ1r1
γ0 γ0
Por tanto, a partir de esta expresión se deduce que las magnitudes de los
elementos de la FAP son los siguientes:
φ11 ≈ φ1 − θ1
φ22 ≈ θ1 (φ1 − θ1 )
φ33 ≈ θ12 (φ1 − θ1 )
61
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Modelos ARMA(p,q)
En este sentido, cabe hacer las siguientes apreciaciones sobre la FAS y FAP
del modelo ARMA(p,q).
Un criterio muy práctico para la selección del modelo ARMA más adecuado, es
basarse en dónde se observa más estructura. Pueden ocurrir las alternativas
siguientes:
62
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Ejemplos
63
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
64
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Los modelos ARMA descritos en el apartado anterior son útiles para ajustar
series estacionarias. Sin embargo, como ya hemos visto, las series reales no
son habitualmente estacionarias. En el caso de que una serie no sea
estacionaria hay que transformarla como se indicó anteriormente: eliminando la
tendencia, mediante la aplicación del operador diferencia o la
heterocedasticidad, mediante la transformación logarítmica.
65
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Cabe concluir, por tanto, que la representación final y general de una serie es
el modelo ARIMA(p,d,q). Así, por ejemplo, en el caso de que una serie zt
requiera 2 diferencias para llegar a ser estacionaria en tendencia, haya que
transformarla a logaritmos para estabilizar la varianza, y se le identifique un
modelo AR(2), cabe afirmar, finalmente, que la serie log(zt) sigue un modelo
ARIMA(1,2,0).
67
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
10
7
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Meses
0,4
Evolución del tráfico aéreo de viajeros en España
0,3 (Diferencia estacional)
0,2
0,1
0,0
-0,1
-0,2
-0,3
feb-81
feb-82
feb-83
feb-84
feb-85
feb-86
feb-87
feb-88
feb-89
feb-90
feb-91
feb-92
feb-93
feb-94
feb-95
feb-96
feb-97
feb-98
feb-99
feb-00
feb-01
feb-02
feb-03
feb-04
feb-05
feb-06
feb-07
68
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
(1 − Φ B )y
1
4
( )
= ε t donde 1 − Φ1B 4 es el polinomio característico de un AR(1)4.
t
y tal como ocurre en el modelo AR(1) regular, este modelo será estacionario si
las raíces del polinomio 1 − Φ1B 4 = 0 están dentro del círculo unidad. Esto
equivale a que Φ<1.
69
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
γ 1 = E ( y t y t −1 ) = E [(Φ1 y t − 4 + ε t ) y t −1 ] = 0
γ2 =γ3 = 0
γ 4 = E ( y t y t − 4 ) = E [(Φ1 y t − 4 + ε t ) y t − 4 ] = Φ1γ 0
γ5 = γ6 = γ7 = 0
γ 8 = E ( y t y t −8 ) = E [(Φ1 y t − 4 + ε t ) y t −8 ] = Φ1γ 4 = Φ12γ 0
γ 9 = γ 10 = γ 11 = 0
γ=9 γ=
10 γ= 11 0
γ 12 = Φ1 γ 0 y así sucesivamente.
3
r1 = r2 = r3 = 0
γ Φγ
r4 = 4 = 1 0 = Φ1
γ0 γ0
r5 = r6 = r7 = 0
γ 8 Φ12γ 0
r8 = = = Φ12
γ0 γ0
r9 = r10 = r11 = 0
γ 12 Φ13γ 0
r12 = = = Φ13 y así sucesivamente.
γ0 γ0
70
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Cabe resaltar que el paralelismo con el proceso AR(1) regular sigue existiendo
ya que el orden de un AR(1)4 se detecta en la FAP, en este caso, en el retardo
4 al ser los datos trimestrales. En el caso de que la serie fuera mensual, la
caracterización de este proceso sería idéntica en los retardos 12, 24, 36, etc.
Media: E ( y t ) = 0 , ∀t
Función de autocovarianzas:
71
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
r1 = r2 = r3 = 0
γ Θ1
r4 = 4 = −
γ0 1 + Θ12
rj = 0 , ∀j > 4
72
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
En relación con las FAS y FAP del modelo AR(1)s , cabe hacer las siguientes
apreciaciones.
73
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Ejemplos
74
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
En relación con las FAS y FAP del modelo AR(2 )12 , cabe hacer las siguientes
apreciaciones.
Modelo AR(p)s
Asimismo, en relación con las FAS y FAP del modelo AR( p )s , cabe hacer las
siguientes consideraciones.
75
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
En relación con las FAS y FAP del modelo MA(1)s , cabe hacer las siguientes
apreciaciones.
Ejemplos
76
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Asimismo, en relación con las FAS y FAP del modelo MA(q )s , cabe hacer las
siguientes consideraciones.
77
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
(1 − Φ B
1
s
− Φ 2 B 2 s − .... − Φ p B ps )y t = (1 − Θ1B s − Θ 2 B 2 s − .... − Θ q B qs )ε t
En este sentido, cabe hacer las siguientes apreciaciones sobre las FAS y FAP
del modelo ARMA(p,q)s.
78
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
En este sentido, un criterio muy práctico para la selección del modelo ARMA
estacional más adecuado, es basarse en dónde se observa más estructura en
los retardos estacionales. Pueden ocurrir las alternativas siguientes:
Ejemplos:
79
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
εt
Esta última ecuación se puede escribir como: aˆt = y sustituyendo en el
1 − Φ1 B 4
modelo correspondiente a yt , se obtiene que:
(1 − φ1 B ) yt = ε t 4 ⇒ (1 − Φ1 B 4 )(1 − φ1 B ) yt = ε t
1 − Φ1 B
80
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
φ p (B )Φ P (B ) y t = θ q (B )ΘQ (B )ε t
Siendo:
φ p (B ) = 1 − φ1B − φ2 B 2 − .... − φ p B p
θ q (B ) = 1 − θ1B − θ 2 B 2 − .... − θ q B q
Φ p (B ) = 1 − Φ1B s − Φ 2 B 2 s − .... − Φ P B Ps
Θ q (B ) = 1 − Θ1B s − Θ 2 B 2 s − .... − ΘQ B Qs
81
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Toda serie que presenta, por ejemplo, una tendencia lineal de crecimiento,
puede transformarse en estacionaria en la media calculando sus primeras
diferencias, que sobre una recta son constantes. En definitiva, para el
tratamiento de la no estacionariedad en la media se propone la diferenciación
sucesiva de la serie, aprovechando la propiedad de que gozan una gran parte
de los procesos estocásticos (los denominados homogéneos), de convertirse
en estacionarios a través de habitualmente una o dos diferencias o, en general,
de d diferencias.
Cabe citar los siguientes puntos en relación con la identificación práctica del
modelo de las series temporales que ya son estacionarias, una vez hechas las
transformaciones pertinentes.
82
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Otras características que cabe destacar de las FAS y FAP de este tipo de
modelos son las siguientes:
83
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
A) FAS:
B) FAP:
84
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
85
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
86
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
En relación con la diagnosis sobre los parámetros, cabe destacar los siguientes
puntos.
87
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
m
Q (m ) = N ∑ rˆj2 ≈ χ m2 − p − q − P −Q
j =1
89
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
la varianza residual, σˆ ε2 =
(
SR φˆ,θˆ, δˆ), donde el numerador representa la suma
n−k
de cuadrados de residuos de un modelo y el denominador representa los
grados de libertad del mismo, el hecho de añadir un nuevo parámetro porque
estemos sobreparametrizando (no porque sea necesario), hará que disminuyan
el valor del numerador y del denominador y por tanto, la varianza residual no
disminuirá apenas.
Resumen
Instrumentos de
Parámetro Observaciones
identificación
Se trata de conseguir que la
variabilidad de los datos sea
• Gráfico media-desviación
λ (Transformación de Box- independiente de su nivel. En
típica
Cox) series económicas es habitual
• Gráfico de la serie temporal
λ=0, lo que supone transformar
logarítmicamente los datos.
• Gráfico de la serie temporal Se trata de conseguir que los
d (orden de diferenciación) • FAS (decrecimiento lento y datos fluctúen en torno a una
lineal) media aproximadamente estable
• Media muestral de la serie Si la media de la serie
diferenciada transformada es significativa, el
Término constante
• Desviación típica de la modelo debe incluir un término
media constante
La FAP tiene p valores no nulos
• FAP de orden p
p (orden del término AR) Un proceso AR finito y
• FAS infinita
estacionario equivale a un MA(∞)
La FAS tiene q valores no nulos.
• FAS de orden q
q (orden del término MA) Un proceso MA finito e invertible
• FAP infinita
equivale a un AR(∞)
90
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
En relación con este nuevo modelo para la serie temporal, cabe destacar que
los valores de la serie temporal se ponen en relación, no sólo con su pasado,
sino también con los valores contemporáneos de otras series, que actúan como
variables explicativas o “inputs”.
El efecto del ciclo semanal se puede recoger de diversas formas. Una de ellas
es a través de una variable de tipo determinista que representa el efecto del
ciclo semanal (días laborables) que se define de la siguiente forma: (número de
días de tipo j (laborables) en el mes t - (número de sábados y domingos en el
mes t) x 5/2, con j = lunes, ...,viernes.
Donde I tTh es una variable binaria de tipo impulso que adopta un valor unitario
en la observación Th y nulo en los restantes, siendo Th la observación en que
tiene lugar el acontecimiento atípico o extraordinario.
92
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
A) Impulso
1 si t = t*
X tI =
0 si t ≠ t*
B) Escalón
1 si t ≥ t*
X tI =
0 si t < t*
C) Transitorio
Finalmente, existe una situación intermedia entre las dos anteriores, en la que
el efecto de la observación anómala no es permanente pero persiste durante
algún tiempo. Se puede recoger su efecto mediante un filtro del tipo siguiente:
Vh (B ) =
vh
0 <δ <1
1 − δB
93
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
94
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
14. PREDICCIÓN
Cabe recordar que uno de los objetivos básicos del análisis de series
temporales es predecir una serie de datos no determinista que contiene un
componente aleatorio.
yˆ t (k ) = E ( yt +k / I t ) = Et ( yt +k )t
95
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
A) Modelo AR(1): y t = δ + φ1 y t −1 + ε t
yˆ t (2 ) = Et ( yt +2 ) = Et (δ + φ1 yt +1 + ε t +2 ) = δ + φ1Et ( yt +1 ) = δ (1 + φ1 ) + φ12 yt
96
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
B) Modelo AR(2): yt (2 ) = δ + φ1 yt +1 + φ2 yt +2 + ε t
A) MA(1): yt = δ + ε t − θ1ε t −1
97
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
B) MA(2): yt = δ + ε t − θ1ε t −1 − θ 2ε t −2
A) ARMA(1,1): yt = δ + φ1 yt −1 + ε t − θ1ε t −1
Y así sucesivamente.
98
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
AR(1): y t = δ + φ1 y t −1 + ε t
En general: var[et (k )] = (1 + φ12 + φ14 + ... + φ12 (k −1) )σ ε2 . Es decir, a medida que crece el
horizonte de predicción también crece la varianza del error de predicción.
AR(2): yt (2 ) = δ + φ1 yt +1 + φ2 yt +2 + ε t .
et (2 ) = yt +2 − Et ( yt +2 ) = (δ + φ1 yt +1 + φ2 yt +1 + ε t +2 ) − (δ + φ1Et ( yt +1 ) + φ2 yt ) = ε t +2 + φε t +1
99
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
et (3) = yt +3 − Et ( yt +3 ) = (δ + φ1 yt +2 + φ2 yt +1 + ε t +3 ) − (δ + φ1Et ( yt +2 ) + φ2 Et ( yt +1 )) =
= ε t +3 + φ1et (2 ) + φ2 et (1) = φ1 (ε t +2 + φ1ε t +1 ) + φ2ε t +1 + ε t +3 = (φ12 + φ2 )ε t +1 + φ1ε t +2 + ε t +3
[ (
Por tanto, var[et (3)] = 1 + φ12 + φ12 + φ2 σ ε2 )]
2
MA(1): yt = δ + ε t − θ1ε t −1
Y en general, et (2 ) = yt +k − Et ( yt +k ) = ε t +k − θ1ε t +k −1
var[et (k )] = (1 + θ12 )σ ε2 , ∀k > 1
100
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Se parte del supuesto de que el modelo que siguen los datos de una variable
yt es un ARIMA(1,1,0), es decir: (1 − φ1B )∇yt = ε t
[
Y multiplicando ambos polinomios: 1 − (φ1 + 1)B + φ1B yt = ε t
2
]
O bien, yt = (φ1 + 1) yt −1 − φ1 yt −2 + ε t
Y así sucesivamente.
101
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
15.1. Etapas
Asimismo, se analizan los gráficos de las FAS y FAP y se utilizan los contrastes
necesarios sobre dichas funciones.
B. Ajuste de la serie
102
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Gráfico de la serie
Una vez que el gráfico de la nueva serie transformada de la original nos indica
que es estacionaria, estamos en condiciones de deducir su estructura,
representando gráficamente su función de autocorrelación simple (FAS) y su
función de autocorrelación parcial (FAP).
103
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
104
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
FAS
Finita Infinita
Finita Ruido blanco AR
FAP
Infinita MA ARMA
Las FAS y FAP de un ruido blanco (serie de datos procedentes de variables sin
ninguna estructura común, es decir, independientes entre sí) tienen
teóricamente todos sus coeficientes nulos o no significativos en los gráficos
correspondientes.
e) Bandas de significatividad
105
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Una opción que también se puede utilizar en este proceso de análisis de las
FAS y FAP, es aplicar el contraste de aleatoriedad de Box-Pierce. Este
contraste está diseñado para estudiar si se puede considerar que una serie
está formada por variables incorreladas o no, ya que cabe recordar que para
variables con distribución normal, el ser independientes y estar incorreladas
son condiciones equivalentes. Este contraste nos señala si los datos se pueden
considerar ruido blanco o no, según sea su p-valor mayor que 0,05 o no.
Además, este contraste puede considerarse como una medida de la
“estructura” que no se debe puramente al azar: cuanto mayor sea el p-valor,
menos estructura hay bajo nuestros datos.
106
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Por ejemplo, en el caso del test de Box-Pierce, aplicado a los residuos después
de ajustar el modelo, cabe afirmar que dicho contraste confirma con más fuerza
que los residuos son ruido blanco cuanto mayor es su p-valor. El nivel mínimo
es 0,05, es decir, debe suceder que el p-valor sea mayor que 0,05; y cuando
mayor sea, más evidencia existirá que los residuos sean ruido blanco y por lo
tanto mejor se habrá captado en el modelo la parte que no se debe al azar.
Otro recurso consiste en observar, tras ajustar el modelo ARIMA, los gráficos
de las funciones FAS y FAP de los residuos, lo que nos dará una información
análoga a la del contraste de aleatoriedad de Box-Pierce, pero de forma
gráfica.
107
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Entre dos modelos que sólo difieran en el p-valor del contraste de Box-
Pierce, se elegirá el que tenga un valor superior, ya que ofrece más
garantías de que los residuos que proporciona el modelo sean ruido
blanco.
108
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
https://www.bde.es/bde/es/secciones/servicios/Profesionales/Programas_estadi
/Programas_estad_d9fa7f3710fd821.html
https://www.bde.es/bde/es/secciones/servicios/Profesionales/Programas_estadi
/Programas.html
Para cada sistema operativo existe una manual disponible con las principales
instrucciones Por ejemplo, para Windows el manual se encuentra en:
https://www.bde.es/f/webbde/SES/servicio/Programas_estadisticos_y_econome
tricos/Programas/ficheros/tswrm.pdf
109
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
110
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
111
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
112
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Transformaciones previas
Estimación
Aditivos
Cambios de nivel
Cambio temporal de nivel
113
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Predicción
Las utilidades que TRAMO ofrece para el análisis de predicción tienen dos
vertientes. Por un lado, el programa permite reservar un cierto número de
observaciones de la parte final de la muestra para evaluar las predicciones que
se obtienen del modelo univariante que ha sido estimado con la primera parte
de ésta. Esto aporta información sobre la estabilidad postmuestral del modelo.
Si se desea, el programa genera los errores de predicción un período hacia
adelante sobre un intervalo de las últimas observaciones de longitud a
determinar, realizando un contraste de estabilidad postmuestral basado en un
estadístico F. Por otro lado, TRAMO permite también generar predicciones a
distintos horizontes temporales a partir de una fecha que puede ser fijada por el
usuario.
Variables de regresión
114
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
115
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
116
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Por tanto, el primer paso es ajustar un modelo a los datos. Existen tres
posibilidades:
117
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
La salida muy reducida permite una rápida y fácil inspección para comprobar
que tanto el modelo estimado como los componentes obtenidos son
adecuados. La opción reducida proporciona, básicamente, un listado de todas
las series de interés, un resumen de la estimación del modelo, un estudio
detallado de los residuos, los modelos de los componentes, señales extraídas y
errores de revisión. Por otro lado, la opción detallada amplía la anterior
permitiendo, además, el seguimiento de todo el proceso que haya tenido lugar.
118
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Una de las posibilidades más atractivas que aporta el uso conjunto de estos
programas es su habilidad para llevar a cabo de forma automática el
tratamiento completo y masivo de series temporales. En tal caso, TRAMO
genera automáticamente un modelo y el fichero de entrada para SEATS con
los parámetros adecuados. Problemas de incompatibilidad, como por ejemplo
modelos generados por TRAMO con descomposición no admisible en SEATS,
son solucionados automáticamente.
119
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Resumen
Barra de tareas
120
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
121
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Una vez ya dentro del programa con el ejecutable TSW, para cargar una serie
temporal basta con hacer clic en el botón Series. Como se muestra en la figura
adjunta, el programa abre una ventana donde es posible seleccionar el fichero
que contiene la serie deseada.
122
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
TSW acepta dos tipos de formato del fichero de datos: texto o Excel.
123
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Para el caso más usual de disponer de los datos en Excel es importante citar lo
siguiente:
Las filas restantes deben contener los correspondientes datos (uno por
fila).
Ejemplo: Si solo existe una serie denominada precio que es mensual, empieza
en febrero de 1972 y termina en diciembre de 2005, en el fichero de datos
Excel, existirá una sola columna y las 2 primeras filas serán las siguientes:
precio
395 1972 2 12
A partir de la fila tercera se incluye ordenadamente en cada fila el
correspondiente valor de la serie temporal precio.
124
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Haciendo click en el botón Model (Model Button), que está activo solamente
en el caso de que una serie haya sido seleccionada, el programa muestra una
ventana con sucesivas páginas que permiten seleccionar los parámetros de
entrada (input) que definen el modelo.
Es aconsejable, por su carácter más general (ya que sin ninguna restricción
sobre la especificación del modelo ARIMA, se contrastan todos los posibles
efectos: Calendario, Semana Santa, bisiestos, etc.), utilizar las alternativas 4 o
5 para RSA que se diferencian nada más en la forma de especificación del
efecto calendario.
= 0: Parámetro no activo.
125
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
126
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
127
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Una vez que los parámetros de entrada que especifican el modelo han sido
introducidos, seleccionando “Model 0“ en el Navigation Tree y haciendo clic con
el botón derecho del ratón, aparece la opción Show Parameters List como se
muestra en la figura siguiente.
Esto nos permite, por tanto, haciendo click en Edit, modificar los valores de los
parámetros, por ejemplo, el valor de RSA (Default corresponde a la opción por
defecto).
128
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
129
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Se introduce cada outlier en una fila que debe contener dos números. El
primero nos indica la posición del outlier (número de observación), y el segundo
define el tipo de outlier (AO: Outlier Aditivo (Additive); TC: Cambio Transitorio
(Transitory Change); LS: Cambio de Nivel (Level shift)).
130
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
131
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Output file
Out-tables
Summary output
132
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Es importante recordar que cada vez que TSW se vuelve a iniciar, los ficheros
del directorio OUTPUT son borrados. Por ello en el caso de que se desee
utilizarlos posteriormente deben copiarse en otro directorio antes de salir del
programa.
OUTPUT FILE
OUT-TABLES
133
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Input Parameters
Model Fit
134
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Parámetros ARMA
Efecto Calendario
TD1, …. ,TD6: Estimaciones de los efectos de las 6 variables Trading Day
LY: Estimación del efecto del año bisiesto
EE: Estimación del efecto Semana Santa
Outliers
Variables de Regresión
Out-matrix:
Cuando se ejecuta TSW con un input conteniendo varias series y/o varios
modelos (caso de ITER ≠ 0) no se generan los ficheros summary.txt. En su
lugar, el resumen de resultados se almacena bajo el icono Out Matrix.
135
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
16.2.7. Gráficos
Por ejemplo, haciendo clic en SERIES se dispone de los tipos de gráficos que
se muestran en la imagen siguiente:
136
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
ITER = 3: Varias series; cada una con una especificación de modelo diferente:
137
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
http://serviciosede.mineco.gob.es/Indeco/BDSICE/Busquedas/Busquedas_new.
aspx
Con el número 245120 y tiene carácter mensual. Abarca desde enero de 1980
hasta diciembre de 2007 con un total de 336 observaciones.
Es aconsejable, por su carácter más general (ya que sin ninguna restricción
sobre la especificación del modelo ARIMA, contrasta todos los posibles efectos:
calendario, Semana Santa, bisiestos, etc.), utilizar las alternativas 4 o 5 para
RSA que se diferencian nada más que en la forma de especificación del efecto
del ciclo semanal ya que en el primer caso estima mediante una sola variable el
efecto de los días laborables (de lunes a viernes) mientras que en el segundo
estima el efecto de cada día por separado respecto al domingo (seis variables).
138
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
También se ha utilizado este programa para obtener las FAS y FAP de la serie
temporal original, de la serie obtenida mediante la aplicación de logaritmos, de
las series derivadas de la original mediante la aplicación de diferencias
regulares y/o estacionales, etc. Para ello basta con modificar los parámetros
que existen por defecto en el programa, incluyendo en su lugar los nuevos,
correspondientes al nuevo modelo que se estima en cada ocasión.
10000
9000
8000 Evolución del tráfico aéreo interior de viajeros en España (Miles de pasajeros)
7000
6000
5000
4000
3000
2000
1000
0
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Meses
Asimismo, en los gráficos adjuntos que muestran las FAS y FAP de la serie
original, se observa la existencia de una amplia estructura en sus elementos
que nos confirma la necesidad de realizar diversas transformaciones para
conseguir estacionariedad. Estos gráficos no son imprescindibles para la
modelización ya que lo que nos interesa es la FAS y FAP de los residuos del
modelo final y están realizados en TRAMO. Para obtenerlos, el procedimiento
(un poco complicado es el siguiente: Hacemos click en la pestaña model con
RSA=0, y a continuación en la pestaña Arima Model. Una vez allí se pone 0 en
P; Q; D; BP; BQ; y BD. Después run este model y en la pestaña graph dentro
del directorio ACF tenemos los gráficos buscados: acf of residuals y partial acf
of differenced series que coinciden con los correspondientes acf y partial acf de
la serie original ya que hemos puesto las diferencias regular y estacional = 0,
es decir sin diferencias. Realmente lo que estamos haciendo es estimar un
modelo sin diferencias y sin estructura alguna y por ello coinciden las funciones
de autocorrelación simple y la parcial de los residuos de este modelo con las de
la serie original.
140
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
10
7
ene-80
ene-81
ene-82
ene-83
ene-84
ene-85
ene-86
ene-87
ene-88
ene-89
ene-90
ene-91
ene-92
ene-93
ene-94
ene-95
ene-96
ene-97
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
Meses
0,2
0,1
0,0
-0,1
-0,2
-0,3
-0,4
feb-80
feb-81
feb-82
feb-83
feb-84
feb-85
feb-86
feb-87
feb-88
feb-89
feb-90
feb-91
feb-92
feb-93
feb-94
feb-95
feb-96
feb-97
feb-98
feb-99
feb-00
feb-01
feb-02
feb-03
feb-04
feb-05
feb-06
feb-07
Meses
Serie con una diferencia regular y otra estacional sobre logaritmo de la serie original
0,25
Evolución del tráfico aéreo interior de viajeros en España.
0,20
(Diferencia regular y estacional de logaritmos)
0,15
0,10
0,05
0,00
-0,05
-0,10
-0,15
-0,20
-0,25
feb-81
feb-82
feb-83
feb-84
feb-85
feb-86
feb-87
feb-88
feb-89
feb-90
feb-91
feb-92
feb-93
feb-94
feb-95
feb-96
feb-97
feb-98
feb-99
feb-00
feb-01
feb-02
feb-03
feb-04
feb-05
feb-06
feb-07
Meses
El análisis del gráfico, adjunto (en EXCEL) donde se representa la nueva serie
obtenida mediante la aplicación de una diferencia estacional a la serie anterior
(diferencia regular del logaritmo de la serie original) nos muestra que no existe
ningún tipo de tendencia y se ha eliminado la estacionalidad. En este sentido,
el procedimiento automático del programa TRAMO (en el fichero output)
corrobora la necesidad de efectuar dicha transformación. Sin embargo, todavía
se observa la existencia de algunos residuos anómalos, como por ejemplo, en
los meses de celebración de Semana Santa –Marzo y abril-.
142
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
143
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Las variables exógenas que hemos utilizado en este caso son un ejemplo de lo
que en Econometría se conoce como “efectos calendario”. Estos efectos son
muy importantes ya que, además de afectar a muchas variables económicas
(típicamente las ligadas al calendario laboral o a los hábitos de consumo, como
producción o ventas), tienen la ventaja de resultar exactamente predecibles.
144
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
145
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Componente estocástico: Nt
Nt =
(1 − θ1B )(1 − θ12 B12 )
(1 − B )(1 − B12 )
at
146
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
0,139
RESIDUOS DEL MODELO DE TRÁFICO AÉREO INTERIOR
11-1996; 0,11159
0,104
0,070
0,035
0,000
-0,035
-0,070
-0,104
-0,139
7-1981
4-1982
1-1983
7-1984
4-1985
1-1986
7-1987
4-1988
1-1989
10-1983
7-1990
4-1991
1-1992
10-1986
7-1993
4-1994
1-1995
10-1989
7-1996
4-1997
1-1998
10-1992
7-1999
4-2000
1-2001
10-1995
7-2002
4-2003
1-2004
10-1998
7-2005
4-2006
1-2007
10-2001
10-2004
10-2007
El gráfico de los residuos obtenidos en la estimación automática puede llevarse
a cabo en EXCEL a partir de los valores de los residuos mostrados dentro de la
pestaña out tables en un fichero denominado summary tables o bien tomar en
TRAMO el gráfico de los residuals en la pestaña graph una vez realizada (run)
la modelización automática.
147
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
0,39
0,17
0,11
0,06
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
-0,06
-0,11
-0,17
-0,22
-0,28
-0,34
-0,39
148
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Magnitudes de
Criterios Magnitudes
referencia
Desviación típica de los residuos: 0,0348 El menor valor posible
BIC (Criterio de Información Bayesiano): -6,6116 El menor valor posible
< 6 (95% de la chi
Normalidad: 0,6279 cuadrado con 2 grados
de libertad)
Valor absoluto < 2 x SE
Sesgo: -0,0506 (SE = 0,1374)
(<0,274)
Kurtosis 3,1927 (SE = 0,2747) < 3+2 X SE (<3,55)
< 34 (95% de la chi
Ljung-Box Q (24 autocorrelaciones): 27,89 cuadrado con 22 grados
de libertad)
< 6 (95% de la chi
Estadístico de Pierce: 0,94 cuadrado con 2 grados
de libertad)
< 34 (95% de la chi
Estadístico Q para los cuadrados de los
18,89 cuadrado con 22 grados
residuos:
de libertad)
<2 (95% del estadístico
Rachas en los residuos: T-VALUE= 1,0110
t)
149
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Los valores de los estadísticos obtenidos así como los de las funciones de
correlación simple y parcial corroboran la bondad de la modelización efectuada.
Donde at es ruido blanco, con media significativamente nula y desviación típica de 0 ,0341
150
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
+
(1 − 0 ,3504 B )(1 - 0 ,5558 B 12
) aˆ
(1 − B )(1 - B12 ) t
Resumen y conclusiones
Las principales conclusiones que se pueden extraer del análisis realizado sobre
la serie temporal, consistente en el tráfico mensual de viajeros en los
aeropuertos españoles, son las siguientes.
151
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
http://www.dgt.es/es/seguridad-vial/estadisticas-e-indicadores/accidentes-
30dias/series-historicas/
Esta serie tiene carácter mensual y abarca desde enero de 1998 hasta
diciembre de 2008 con un total de 132 observaciones.
152
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Es aconsejable, por su carácter más general (ya que sin ninguna restricción
sobre la especificación del modelo ARIMA, contrasta todos los posibles efectos:
calendario, Semana Santa, bisiestos, etc.), utilizar las alternativas 4 o 5 para
RSA, que se diferencian nada más que en la forma de especificación del efecto
del ciclo semanal ya que en el primer caso estima mediante una sola variable el
efecto de los días laborables (de lunes a viernes) mientras que en el segundo
estima el efecto de cada día por separado respecto al domingo (seis variables).
También se ha utilizado este programa para obtener las FAS y FAP de la serie
temporal original, de la serie obtenida mediante la aplicación de logaritmos, de
las series derivadas de la original mediante la aplicación de diferencias
regulares y/o estacionales, etc. Para ello basta con modificar los parámetros
que existen por defecto en el programa, incluyendo los nuevos,
correspondientes al nuevo modelo que se estima en cada ocasión.
153
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
500
400
300
200
100
0
ene-98
ene-99
ene-00
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
jul-98
jul-99
ene-07
jul-00
jul-01
ene-08
jul-02
jul-03
jul-04
jul-05
jul-06
jul-07
jul-08
Meses
Asimismo, en los gráficos adjuntos que muestran las FAS y FAP de la serie
original, se observa la existencia de una amplia estructura en sus elementos
que nos confirma la necesidad de realizar diversas transformaciones para
conseguir estacionariedad.
154
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
5
ene-98
jul-98
ene-99
jul-99
ene-00
jul-00
ene-01
jul-01
ene-02
jul-02
ene-03
jul-03
ene-04
jul-04
ene-05
jul-05
ene-06
jul-06
ene-07
jul-07
Meses
155
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
0,2
0,1
0,0
-0,1
-0,2
-0,3
-0,4
ago-98
ago-99
ago-00
ago-01
ago-02
ago-03
ago-04
ago-05
ago-06
ago-07
ago-08
feb-98
feb-99
feb-00
feb-01
feb-02
feb-03
feb-04
feb-05
feb-06
feb-07
feb-08
Meses
156
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Serie con una diferencia regular y otra estacional sobre logaritmo de la serie original
0,40
Número de víctimas mortales en accidentes de tráfico
0,30 (Diferencia regular y estacional de logaritmos)
0,20
0,10
0,00
-0,10
-0,20
-0,30
-0,40
feb-99
feb-00
feb-01
feb-02
feb-03
feb-04
feb-05
feb-06
feb-07
feb-08
ago-99
ago-00
ago-01
ago-02
ago-03
ago-04
ago-05
ago-06
ago-07
ago-08
Meses
Asimismo, en los gráficos adjuntos que muestran las FAS y FAP de la serie
derivada de la original mediante la aplicación de una diferencia regular y otra
de orden 12, se observa la existencia de elementos significativos en las
correspondientes al primer retardo y al número 12 lo que nos podría sugerir un
modelo IMA(1,1)xIMA(1,1)12 para el ajuste óptimo de la serie.
157
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
158
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
159
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
El efecto de la introducción del carné por puntos en junio 2006 podría estimarse
mediante el análisis de intervención, definiendo la correspondiente variable,
pero el problema que existe es que no sabemos ni el tipo de efecto ni la fecha y
duración del impacto de esta medida. En definitiva sería necesario introducir
diversas variables de intervención hasta encontrar aquella que resultase más
satisfactoria. Sin embargo, una solución más sencilla para estimar dicho efecto
consiste en que, en el modelo ya definido, ir variando el nivel de confianza para
los atípicos hasta que se detecte el outlier correspondiente al efecto buscado.
En este caso basta con reducir el nivel del 3,21 que por defecto utiliza el
programa TRAMO en el procedimiento automático hasta 2,8, obteniéndose el
resultado siguiente:
Por lo tanto, cabe concluir que el efecto del carné por puntos es un impulso
transitorio de magnitud -0,2069 en el mes de agosto de 2006, que se traduce
en un descenso del 20,7% en el número de víctimas mortales.
Componente estocástico: Nt
Nt =
(1 − θ1B )(1 − θ12 B12 )
(1 − B )(1 − B12 )
at
160
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
0,294
RESIDUOS DEL MODELO DEL NÚMERO DE VÍCTIMAS MORTALES
0,220
0,147
0,073
0,000
-0,073
-0,147
-0,294
4-1999
7-1999
1-2000
4-2000
7-2000
1-2001
4-2001
7-2001
10-1999
1-2002
4-2002
7-2002
10-2000
1-2003
4-2003
7-2003
10-2001
1-2004
4-2004
7-2004
10-2002
1-2005
4-2005
7-2005
10-2003
1-2006
4-2006
7-2006
10-2004
1-2007
4-2007
7-2007
10-2005
1-2008
4-2008
7-2008
10-2006
10-2007
10-2008
161
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
0,555
0,463
Función de autocorrelación parcial de los residuos del modelo final
del número de víctimas mortales
0,370
0,278
0,185
0,093
0,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
-0,093
-0,185
-0,278
-0,370
-0,463
-0,555
162
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Magnitudes de
Criterios Magnitudes
referencia
Desviación típica de los residuos: 0,0735 El menor valor
BIC (Criterio de Información Bayesiano): -5,0949 El menor valor
< 6 (95% de la chi cuadrado
Normalidad: 0,04134
con 2 grados de libertad)
Valor absoluto < 2 x SE
Sesgo: -0,0127 (SE = 0,2265)
(<0,453)
Kurtosis 2,9115 (SE = 0,4529) < 3+2 x SE (<3,95)
< 34 (95% de la chi
Ljung-Box Q (24 autocorrelaciones): 23,37 cuadrado con 22 grados de
libertad)
< 6 (95% de la chi cuadrado
Estadístico de Pierce: 2,73
con 2 grados de libertad)
< 34 (95% de la chi
Estadístico Q para los cuadrados de los residuos: 20,58 cuadrado con 22 grados de
libertad)
Rachas en los residuos: T-VALUE= 1,30 < 2 (95% del estadístico t)
163
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Los valores de los estadísticos obtenidos así como los de las funciones de
correlación simple y parcial corroboran la bondad de la modelización efectuada.
Consecuentemente, el modelo univariante siguiente resulta válido.
Donde at es ruido blanco, con media significativamente nula y desviación típica de 0 ,0735
164
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Resumen y conclusiones
Las principales conclusiones que se pueden extraer del análisis realizado sobre
la serie temporal, consistente en el número mensual de víctimas mortales en
accidentes de tráfico acaecidos en las carreteras españolas, son las siguientes.
165
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
17.3. Ocupados
http://serviciosede.mineco.gob.es/Indeco/BDSICE/Busquedas/Busquedas_new.
aspx
Es aconsejable, por su carácter más general (ya que sin ninguna restricción
sobre la especificación del modelo ARIMA, contrasta todos los posibles efectos:
calendario, Semana Santa, bisiestos, etc.), utilizar las alternativas 4 o 5 para
RSA, que se diferencian nada más en la forma de especificación del efecto del
ciclo semanal ya que en el primer caso estima mediante una sola variable el
efecto de los días laborables (de lunes a viernes) mientras que en el segundo
se estima el efecto de cada día por separado, respecto al domingo (seis
variables).
166
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
También se ha utilizado este programa para obtener las FAS y FAP de la serie
temporal original, de la serie obtenida mediante la aplicación de logaritmos, de
las series derivadas de la original mediante la aplicación de diferencias
regulares y/o estacionales, etc. Para ello basta con modificar los parámetros
que existen por defecto en el programa, incluyendo los nuevos,
correspondientes al nuevo modelo que se estima en cada ocasión.
15000
10000
5000
0
19801
19811
19821
19831
19841
19851
19861
19871
19881
19891
19901
19911
19921
19931
19941
19951
19961
19971
19981
19991
20001
20011
20021
20031
20041
20051
20061
20071
167
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
-500
19801
19811
19821
19831
19841
19851
19861
19871
19881
19891
19901
19911
19921
19931
19941
19951
19961
19971
19981
19991
20001
20011
20021
20031
20041
20051
20061
20071
168
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
-300
19801
19811
19821
19831
19841
19851
19861
19871
19881
19891
19901
19911
19921
19931
19941
19951
19961
19971
19981
19991
20001
20011
20021
20031
20041
20051
20061
20071
17.3.4. Modelo final
169
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
170
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Componente estocástico: Nt
Nt =
(1 − θ B ) a
4
φ (B )(1 − B )(1 − B )
4
4 t
1
171
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
58
-58
-115
-173
3-1981
2-1982
1-1983
4-1983
3-1984
2-1985
1-1986
4-1986
3-1987
2-1988
1-1989
4-1989
3-1990
2-1991
1-1992
4-1992
3-1993
2-1994
1-1995
4-1995
3-1996
2-1997
1-1998
4-1998
3-1999
2-2000
1-2001
4-2001
3-2002
2-2003
1-2004
4-2004
3-2005
2-2006
1-2007
4-2007
El análisis del gráfico adjunto donde se representa la evolución de los residuos
del modelo ajustado, junto a las bandas correspondientes, respectivamente, a
dos y tres veces la desviación típica de los residuos (57,72), nos muestra que
siguen un proceso de ruido blanco.
En este sentido, en dicho gráfico se observa que no existe ningún valor de
magnitud superior a tres veces la desviación típica y solo 4 con magnitud
superior al doble de la desviación típica residual. Cabe recordar que al disponer
de 112 observaciones en nuestra serie original, se aceptaría la existencia de
ruido blanco hasta con 1 residuo (el 1% del total de valores para dicho nivel de
significación) fuera de la banda de 3 veces la desviación típica y 5 (el 5% del
total de valores para dicho nivel de significación) fuera de las bandas de 2
veces la desviación típica.
172
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
0,29
0,19
0,10
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
-0,10
-0,19
-0,29
-0,39
-0,49
173
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Los valores de los estadísticos obtenidos así como los de las funciones de
correlación simple y parcial corroboran la bondad de la modelización efectuada.
Consecuentemente, el modelo univariante siguiente resulta válido.
Donde at es ruido blanco, con media significativamente nula y desviación típica de 41,895
174
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
Resumen y conclusiones
Las principales conclusiones que se pueden extraer del análisis realizado sobre
la serie temporal consistente en el número trimestral de ocupados, son las
siguientes.
175
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
BIBLIOGRAFÍA
Bibliografía Básica:
- Box, G.E.P., G.M. Jenkins y G.C. Reinsel (1994): Time Series Analysis:
Forecasting and Control, Englewood Cliffs: Prentice Hall.
- Caporello G., Maravall A., y F.J. Sánchez (2001): Program TSW reference
manual, Banco de España.
- Caporello G., y A. Maravall (2004): Program TSW revised reference manual,
Banco de España.
- Espasa, A. y Cancelo, J.R. (1993): Métodos cuantitativos para el análisis de la
coyuntura económica, Alianza Editorial, Madrid.
- Peña, D. (2005): Análisis de series temporales, Alianza Editorial.
- Wei, W.S. (2005): Time Series Analysis: Univariate and Multivariate Methods,
Addison-Wesley.
Bibliografía Complementaria
176
Máster en Estadística Aplicada
Universidad Nacional de Educación a Distancia
- Maravall A., y R. Kaiser Remiro (2000): “Notes on time series analysis, arima
models and signal extraction”, Documentos de trabajo del Banco de España,
ISSN 0213-2710, 12, 2000, 9-79.
- Peña, D. (1991): Estadística, Modelos y Métodos. Alianza Universidad.
- Pulido, A. y Pérez García, J. (2001): Modelos Econométricos, Editorial
Pirámide, Madrid.
- Quilis E. M. (1999): “Índice de disponibilidades de bienes de equipo:
Modelizacion ARIMA-AI, componentes subyacentes y patrón cíclico”, Boletin
Trimestral de Coyuntura, 31, 111-139, Instituto Nacional de Estadística.
- Tiao, G.C. y G.E.P. Box (1981). "Modeling Multiple Time Series with
Applications," Journal of the American Statistical Association, 76 (376), pp. 802-
816.
177
Máster en Estadística Aplicada